N O TA S D E AU L A

PROBABILIDADE: TEORIA E EXERCCIOS

LC I O L E B ENS Z TAYN
C RI S T I A N FAV I O C O L E T TI

Pro g rama de Ps- Graduao em Estatstica

D e par tam ento d e Estatst ica
Un ivers idade d e S o Paulo
http://w ww.ime.usp.b r/~s eccpg/ mae

Sumrio

Prefcio
Captulo 1: Anlise Combinatria
Exerccios. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

iii
1
3

Respostas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
Captulo 2: Probabilidade

15

1.

Definies e propriedades . . . . . . . . . . . . . . . . . . . . . . 15

2.

Probabilidade condicional e independncia . . . . . . . . . . . . . . . 18

3.

Conjuntos limites e continuidade da probabilidade. . . . . . . . . . . . 20

Exerccios. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
Respostas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
Captulo 3: Variveis aleatrias

33

1.

Definies . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33

2.

Variveis aleatrias conjuntamente distribudas . . . . . . . . . . . . . 35

3.

Independncia de variveis aleatrias . . . . . . . . . . . . . . . . . 36

4.

Modelos de distribuies discretas. . . . . . . . . . . . . . . . . . . 37

5.

Modelos de distribuies contnuas . . . . . . . . . . . . . . . . . . 39

6.

Aproximao de Poisson Binomial . . . . . . . . . . . . . . . . . . 41

7.

Aproximao Normal Binomial . . . . . . . . . . . . . . . . . . . 41

8.

Funes de variveis aleatrias . . . . . . . . . . . . . . . . . . . . 42

9.

Estatsticas de ordem . . . . . . . . . . . . . . . . . . . . . . . . 45

10. Modelos multidimensionais. . . . . . . . . . . . . . . . . . . . . . 46

11. Distribuies relacionadas com a normal . . . . . . . . . . . . . . . . 47
Exerccios. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
Respostas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61

ii

Sumrio

Captulo 4: Esperana

65

1.

Definies e propriedades . . . . . . . . . . . . . . . . . . . . . . 65

2.

Distribuio e esperana condicionais . . . . . . . . . . . . . . . . . 67

3.

Funes geradoras . . . . . . . . . . . . . . . . . . . . . . . . . 69

4.

Desigualdades . . . . . . . . . . . . . . . . . . . . . . . . . . . 73

Exerccios. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
Respostas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
Captulo 5: Modos de Convergncia e Teoremas Limites

95

1.

Lema de Borel-Cantelli . . . . . . . . . . . . . . . . . . . . . . . 95

2.

Modos de Convergncia . . . . . . . . . . . . . . . . . . . . . . . 95

3.

Teoremas Limites. . . . . . . . . . . . . . . . . . . . . . . . . . 98

4.

Outros Teoremas Limites . . . . . . . . . . . . . . . . . . . . . . 100

5.

Convergncia de momentos . . . . . . . . . . . . . . . . . . . . . 101

Exerccios. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
Respostas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
Apndice

119

Distribuio Normal Padro

123

Referncias Bibliogrficas

125

Prefcio
Este livro destina-se a estudantes de cursos de probabilidade em nvel de Graduao e Mestrado. Os temas abordados so: Anlise Combinatria, Probabilidade, Variveis Aleatrias, Esperana e Teoremas Limites. No comeo de cada captulo, visando
recordao da matria, renem-se em forma de tpicos as principais definies e resultados. Para mais detalhes e demonstraes, sugerimos ao leitor que consulte as referncias
bibliogrficas. Ao final de cada captulo, enunciam-se os exerccios correspondentes
teoria exposta, alguns dos quais tm a soluo apresentada.
Cumpre-nos salientar que, por fins didticos, decidimos definir os principais modos
de convergncia para tratar dos teoremas limites. As sees e os tpicos marcados com
um asterisco correspondem a assuntos mais avanados, que podem ser omitidos em uma
primeira leitura. Os exerccios que envolvem esses assuntos tambm esto assinalados.
Aceitaremos, com prazer, as crticas e sugestes que nos permitam aperfeioar o livro.
Gostaramos de expressar nosso agradecimento aos professores com os quais convivemos nos anos de formao acadmica, assim como aos autores e docentes cujos livros,
listas de exerccios e provas nos serviram de fonte. Agradecemos tambm ao Departamento de Estatstica e Comisso dos Cursos de Vero do IMEUSP, CAPES-PROEX
e FAPESP, pelo apoio recebido.
Novembro de 2008.
Os autores.

Captulo 1

Anlise Combinatria

1.1. Princpio multiplicativo: Uma tarefa deve ser executada em uma seqncia de
r etapas. Existem n1 maneiras de realizar a primeira etapa; para cada uma dessas n1
maneiras, existem n2 maneiras de realizar a segunda etapa; para cada uma dessas n2
maneiras, existem n3 maneiras de realizar a terceira etapa, e assim por diante. Ento, o
nmero total de maneiras de efetuar a tarefa completa dado por n1 n2 . . . nr .
Observao. Ao usar o princpio multiplicativo, fundamental que o nmero de maneiras de realizar uma determinada etapa no seja influenciado por nenhuma das etapas
predecessoras.
1.2. Princpio aditivo para partes disjuntas: Se A1 , . . . An so conjuntos dois a dois
disjuntos, ento

[
 n



i=1



Ai 

n
X

|Ai |.

i=1

Princpio da Incluso-Excluso: Em geral, devemos usar

[
 n



i=1



Ai 

|Ai |

|Ai Aj |

i<j

|Ai Aj Ak | + (1)n+1 |A1 . . . An |.

i<j<k

1.3. Convm recordar uma tcnica bastante til em problemas de contagem: primeiro
ignore uma restrio do problema, contando a mais. Depois, desconte o que foi indevidamente contado.
1.4. Um conjunto com n elementos tem 2n subconjuntos.
1.5. Permutaes: O nmero de maneiras de ordenar n objetos distintos
n! = n (n 1) . . . 2 1.
O nmero n! chamado o fatorial de n. Por conveno, 0! = 1.

Anlise Combinatria

Observao. Uma frmula muito importante quando se trata de fatoriais foi obtida por
Stirling (1730):

n! nn en 2n,

onde o smbolo indica que a razo entre os dois lados tende a 1 quando n .
1.6. Permutaes circulares: O nmero de maneiras de dispor n objetos distintos em
torno de um crculo (n 1)!.
Nessa contagem, interessa apenas a posio relativa dos objetos entre si, ou seja, duas
disposies so consideradas indistinguveis se uma pode ser obtida a partir da outra por
uma rotao conveniente dos objetos.
1.7. O nmero de palavras de comprimento k que podem ser compostas com n elementos
dados nk .
1.8. Arranjos: O nmero de k-subconjuntos ordenados de um n-conjunto
(n)k = n(n 1) . . . (n k + 1).
1.9. Combinaes: O nmero de k-subconjuntos de um n-conjunto
!

n
n!
=
,
k
k! (n k)!
que chamado um coeficiente binomial. Estes nmeros podem ser arrumados em uma
disposio triangular, o famoso Tringulo de Pascal.
1.10. Teorema Binomial: Para quaisquer n 0 inteiro e x, y R,
(x + y) =
n

n
X
k=0

n k nk
x y .
k

1.11. O nmero de divises possveis de n objetos distintos em r grupos distintos de

tamanhos respectivos n1 , n2 , . . . , nr (n1 + n2 + + nr = n)
!

n
n!
=
.
n1 , n2 , . . . , nr
n1 ! n2 ! . . . nr !
Esta frmula tambm fornece o nmero de anagramas de uma palavra com n letras que
contm n1 vezes a letra `1 , n2 vezes a letra `2 , . . . , nr vezes a letra `r (n1 +n2 + +nr = n).

Exerccios

1.12. Para qualquer inteiro p > 0 fixado, o nmero de vetores distintos (x1 , . . . , xn ) nonegativos e a valores inteiros que satisfazem a equao x1 + + xn = p

p+n1
n1

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

p+n1
n1

1.13. Para qualquer inteiro p > 0 fixado, o nmero de vetores distintos (x1 , . . . , xn ) a
valores inteiros que satisfazem x1 + + xn = p e xi 1 para todo i = 1, . . . , n

p1
n1

Isto significa que o nmero de maneiras de distribuir p moedas idnticas a n crianas de

forma que cada criana receba pelo menos uma moeda

p1
n1

1.14. A tabela a seguir resume o nmero de maneiras de tomarmos uma amostra de

tamanho k de uma populao com n elementos distintos, dependendo se o mesmo objeto
pode ser escolhido mais de uma vez (amostragem com ou sem reposio) e se vamos distinguir entre duas escolhas com os mesmos objetos escolhidos em ordem diferente (amostra
ordenada ou no).
Ordenada
Com reposio

nk

Sem reposio

(n)k

No-ordenada


k+n1
n1

 
n
k

Exerccios
1. Quantas permutaes diferentes existem das letras A, B, C, D, E, F
(a) que tm as letras A, B juntas em qualquer ordem?
(b) que tm a letra A em primeiro lugar ou a letra F em ltimo?
(c) em que a letra A vem antes da letra B?
(d) em que a letra E no a ltima?
Soluo. (a) Imaginamos as letras A e B coladas como uma letra s, na ordem AB, o
que fornece 5! permutaes. Como tambm existem 5! permutaes nas quais a letra

Anlise Combinatria

B est imediatamente antes da letra A, obtemos um total de 2 . 5! = 240 permutaes

diferentes.
(b) Sejam A o conjunto das permutaes que comeam por A e F o conjunto das permutaes que terminam em F . Pelo Princpio da Incluso-Excluso, o nmero de permutaes
que comeam por A ou terminam em F
|A F| = |A| + |F| |A F| = 5! + 5! 4! = 216.
(c) Existe um total de 6! = 720 permutaes possveis, e existem tantas com A antes de
B quantas com B antes de A, logo a resposta 360.
(d) Existem 5! permutaes em que a letra E a ltima, portanto 6! 5! = 600 permutaes em que E no a ltima letra.
2. Numa prova, um estudante deve responder exatamente 7 questes de um total de
10 questes. Quantas escolhas ele tem? Quantas escolhas ele tem se entre as 7 questes
deve responder pelo menos 3 das primeiras 5 questes?
Soluo. O estudante deve
  escolher um subconjunto de tamanho 7 de um conjunto com
10 elementos, logo tem 10
= 120 escolhas.
7
No caso em que entre as 7 questes deve responder pelo menos 3 das primeiras 5 questes,
o estudante possui trs opes (disjuntas):
Escolher exatamente 3 das primeiras 5 questes e 4 das 5 ltimas;
Escolher exatamente 4 das primeiras 5 questes e 3 das 5 ltimas;
Escolher as 5 primeiras questes e 2 das 5 ltimas.
Assim, o total de escolhas que tem
5
3

5
5
+
3
5

5
= 110.
2

5
Outra resposta para a segunda pergunta: 120
2

5
= 110.
5

5
5
+
4
4
!

3. Um pai compra 7 presentes diferentes (entre os quais, um videogame e um relgio)

para dar a seus trs filhos.
(a) De quantas maneiras ele pode dividir os 7 presentes entre os filhos, se decide dar
2 presentes ao filho mais velho, 2 presentes ao filho do meio e 3 presentes ao mais
novo?
(b) De quantas maneiras ele pode dividir os 7 presentes, se, alm da diviso 2 ao
mais velho, 2 ao do meio e 3 ao mais novo, ele resolve dar pelo menos um entre o
videogame e o relgio ao filho mais velho?
(c) De quantas maneiras ele pode dividir os 7 presentes, se, alm da diviso 2 ao
mais velho, 2 ao do meio e 3 ao mais novo, ele decide dar exatamente um entre o
videogame e o relgio ao filho mais velho?

Exerccios

Soluo. (a) O nmero de divises possveis de n objetos distintos em r grupos distintos

de tamanhos respectivos n1 , n2 , . . . , nr (n1 + n2 + + nr = n)
!

n
n!
.
=
n1 ! n2 ! . . . nr !
n1 , n2 , . . . , nr
Assim, a resposta

7
7!
= 210.
=
2! 2! 3!
2, 2, 3
!

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

 
7

2 

modos; em seguida, deve escolher 2 dos 5 presentes restantes para o filho do meio (
modos); os 3 presentes que sobram so do mais novo. A resposta 21 . 10 = 210.

5
2

= 21
= 10

(b) Sejam
nv = Nmero de maneiras de dividir os presentes, sendo 2 ao filho mais velho, 2 ao do
meio e 3 ao mais novo, com o mais velho ganhando o videogame;
nr = Nmero de maneiras de dividir os presentes, sendo 2 ao filho mais velho, 2 ao do
meio e 3 ao mais novo, com o mais velho ganhando o relgio;
nvr = Nmero de maneiras de dividir os presentes, sendo o videogame e o relgio ao filho
mais velho, 2 outros presentes ao do meio e 3 ao mais novo.
Pelo Princpio da Incluso-Excluso, a resposta dada por:
nv + nr nvr = 2 .
Outra resposta: 210

  
5
2

5
2

6!
5!

= 110.
1! 2! 3! 2! 3!

= 110.

(c) Sejam
N1 = Nmero de maneiras de dividir os presentes, sendo 2 ao filho mais velho, 2 ao do
meio e 3 ao mais novo, com o mais velho ganhando o videogame porm no o relgio;
N2 = Nmero de maneiras de dividir os presentes, sendo 2 ao filho mais velho, 2 ao do
meio e 3 ao mais novo, com o mais velho ganhando o relgio porm no o videogame.
Uma forma de obter N1 observar que o pai tem
 

 
5
1

= 5 escolhas para o outro presente

para o filho mais velho e

= 10 maneiras de dividir os 5 presentes restantes entre os
filhos menores, logo N1 = 5 . 10 = 50. (Outro modo seria notar que N1 = nv nvr ).
Analogamente, temos que N2 = 50. Visto que N1 e N2 se referem a opes disjuntas, o
nmero de maneiras
N1 + N2 = 100.
5
2

Anlise Combinatria

Outra resposta: 110 nvr = 100.

4. Quantos so os anagramas da palavra COMBINATORIA? (Considere O sem acento).
Quantos deles comeam por vogal ou terminam em consoante?
Soluo. O nmero de permutaes de n objetos, dos quais n1 so do tipo 1, n2 so do
tipo 2, . . . , nk so do tipo k (n1 + n2 + + nk = n)
n!
.
n1 ! n2 ! . . . nk !
A palavra COMBINATORIA tem 2A, 2I, 2O, 1B, 1C, 1M, 1N, 1R, 1T, logo o nmero
total de anagramas (ordenaes diferentes das letras)
12!
= 59875200.
2! 2! 2!
Outra resposta:
Escolhemos 2 de 12 lugares para colocar as 2 letras A, o que pode ser
 
12
feito de 2 = 66 modos; em seguida, devemos escolher 2 dos 10 lugares restantes para
colocar as 2 letras I (

 

10
 2
( 82 =

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

para as 2 letras O
28 modos) e finalmente temos 6 lugares para 6 letras distintas
(6! = 720 modos). A resposta 66 . 45 . 28 . 720 = 59875200.
Sejam V o conjunto dos anagramas que comeam por vogal e C o conjunto dos anagramas
que terminam em consoante. A fim de obter |V|, notamos que temos 3 escolhas para
11!
a vogal inicial e, feita essa escolha,
formas de permutar as letras restantes. Para
2! 2!
11!
calcular |C|, existem 6 escolhas para a consoante final e, tomada essa deciso,
2! 2! 2!
10!
.
modos de permutar as letras restantes. Analogamente, |V C| = 3 . 6 .
2! 2!
Pelo Princpio da Incluso-Excluso, conclumos que o nmero de anagramas que comeam
por vogal ou terminam em consoante :
|V C| = |V| + |C| |V C| = 3 .

11!
11!
10!
+ 6.
3.6.
= 43545600.
2! 2!
2! 2! 2!
2! 2!

5. Permutam-se de todas as formas possveis os algarismos 1, 2, 4, 6, 7 e escrevem-se os

nmeros formados em ordem crescente. Determine:
(a) que lugar ocupa o nmero 62417.
(b) que nmero ocupa o 66 lugar.
(c) qual o 166 algarismo escrito.
(d) a soma dos nmeros assim formados.
Soluo. (a) Precisamos determinar quantos nmeros antecedem o 62417. Antecedem-no
todos os nmeros comeados em 1 (4! = 24), em 2 (4! = 24), em 4 (4! = 24), em 61 (3!
= 6) e em 621 (2! = 2), logo 80 nmeros. O nmero 62417 ocupa o 81 lugar.

Exerccios

(b) Contemos os nmeros:

Comeados por
1
2
41
42
46

Quantidade
4! = 24
4! = 24
3! = 6
3! = 6
3! = 6

Acumulado
24
48
54
60
66

Assim, o 66 nmero o ltimo (maior) que comea com 46, portanto o 46721.
(c) Visto que 166 = 5 . 33 + 1, o 166 algarismo escrito o primeiro do 34 nmero. Os
24 primeiros nmeros comeam por 1 e os 24 seguintes por 2, logo o 34 nmero comea
por 2. Assim, o 166 algarismo escrito 2.
(d) Iniciamos como se deve: somando as unidades dos nmeros formados. Cada um dos
algarismos 1, 2, 4, 6, 7 aparece como algarismo das unidades em 24 nmeros, portanto a
soma das unidades dos nmeros 24 . (1 + 2 + 4 + 6 + 7) = 480. Analogamente, a soma
das dezenas 480 dezenas, isto , 4800. A soma das centenas 48000, a das unidades de
milhar 480000 e a das dezenas de milhar 4800000. A soma total fica ento
480 + 4800 + 48000 + 480000 + 4800000 = 480 . 11111 = 5333280.
6. Quantos so os anagramas da palavra PARAGUAIO que no possuem consoantes
adjacentes?
Soluo. Arrumemos inicialmente as vogais, o que pode ser feito de 6!/3! = 120 modos,
e depois colocamos as consoantes de forma que no fiquem adjacentes. Arrumadas as
vogais (digamos na ordem AAUAIO), temos 7 escolhas para a colocao do P, 6 para o
R e 5 para o G. Assim, existem 120 . 7 . 6 . 5 = 25200 anagramas de PARAGUAIO que
no possuem consoantes adjacentes.
Outra resposta: Escolhida a ordem das consoantes, decidimos quantas vogais desejamos
colocar nos quatro espaos disponveis (de forma que
 no fiquem consoantes adjacentes)
e finalmente permutamos as vogais. O total fica 3! 73 6!/3! = 25200.
7. Quantos so os nmeros inteiros positivos menores que 360 e primos com 360?
Soluo. Notamos que 360 = 23 . 32 . 5 e definimos os conjuntos
A = {1, 2, . . . , 360},
A1 = {x A : x mltiplo de 2},
A2 = {x A : x mltiplo de 3},
A3 = {x A : x mltiplo de 5}.

Anlise Combinatria

Desejamos calcular a cardinalidade do conjunto A \ (A1 A2 A3 ). Porm,

360
360
= 180,
|A1 A2 | =
= 60,
2
2.3
360
360
= 120,
|A1 A3 | =
= 36,
|A2 | =
3
2.5
360
360
|A3 | =
= 72,
|A2 A3 | =
= 24,
5
3.5
Portanto, pelo Princpio da Incluso-Excluso,
|A1 | =

|A1 A2 A3 | =

360
= 12.
2.3.5

|A1 A2 A3 | = 180 + 120 + 72 60 36 24 + 12 = 264.

Assim, existem ao todo 96 nmeros inteiros positivos menores que 360 e primos com 360.
8. Uma bolsa contm 8 moedas de 1 real, 7 moedas de 50 centavos, 4 moedas de 25
centavos e 3 moedas de 10 centavos. De quantos modos diferentes podemos retirar 6
moedas dessa bolsa?
Soluo. Definimos
x1 : nmero de moedas de 1 real,
x2 : nmero de moedas de 50 centavos,
x3 : nmero de moedas de 25 centavos,
x4 : nmero de moedas de 10 centavos.
Queremos obter o nmero de solues inteiras no-negativas da equao x1 +x2 +x3 +x4 =
6, satisfazendo as condies x1 8, x2 7, x3 4 e x4 3. Sejam os conjuntos
A = {(x1 , x2 , x3 , x4 ) N4 : x1 + x2 + x3 + x4 = 6},
A1 = {(x1 , x2 , x3 , x4 ) A : x1 9},
A2 = {(x1 , x2 , x3 , x4 ) A : x2 8},
A3 = {(x1 , x2 , x3 , x4 ) A : x3 5},
A4 = {(x1 , x2 , x3 , x4 ) A : x4 4}.
Ento, o nmero pedido y = |A| |A1 A2 A3 A4 |. No entanto,
9
|A| =
= 84,
3
!

4
|A3 | =
= 4,
3
!

|A1 | = |A2 | = 0,

5
|A4 | =
= 10,
3
!

|Ai Aj | = 0, 1 i < j 4,
|Ai Aj Ak | = 0, 1 i < j < k 4 e
|A1 A2 A3 A4 | = 0.
Usando o Princpio da Incluso-Excluso, obtemos que y = 84 4 10 = 70.

Exerccios

9. O conjunto A possui 3 elementos, e o conjunto B, 10 elementos. Quantas funes

f : A B existem? Quantas delas so injetoras?
10. De quantos modos podemos colocar dois reis diferentes em casas no-adjacentes de
um tabuleiro 6 6? E se os reis fossem iguais?
11. Quantos nmeros pares de dois algarismos podem ser formados no sistema decimal
(a) podendo repetir algarismos?
(b) sem repetir algarismos?
12. Quantos nmeros inteiros maiores que 53000 e de cinco algarismos distintos podem
ser formados com os algarismos 0, 1, 2, 3, 4, 5, 6 e 7?
13. Quantas so as permutaes dos nmeros 1, 2, . . . , n nas quais o elemento que ocupa
a k-sima posio inferior a k + 4, para todo k?
14. Quantos so os anagramas da palavra URUGUAIO que comeam por vogal?
15. Quantos nmeros de 5 algarismos podem ser formados usando apenas os algarismos
1, 1, 1, 1, 2 e 3?
16. Cinco moas e cinco rapazes vo posar para uma fotografia, ocupando cinco degraus
de uma escadaria, de forma que em cada degrau fique uma moa e um rapaz. De quantas
maneiras podemos arrumar este grupo?
17. De quantos modos quatro casais podem sentar-se em torno de uma mesa redonda
(a) no sentando juntos dois homens?
(b) no sentando juntos dois homens e nenhum homem ficando perto de sua esposa?
18. Participam de um congresso 15 professores de Matemtica e 15 professores de Fsica.
Quantas comisses de 8 professores podem ser formadas:
(a) sem restries?
(b) com pelo menos um professor de Matemtica?
(c) com pelo menos 4 professores de Matemtica e pelo menos 2 professores de Fsica?
19. De quantas maneiras se pode preencher um carto da loteria esportiva (com 13 jogos)
com trs prognsticos duplos e dois triplos?
20. Sinais luminosos so transmitidos de uma ilha para a costa por meio de seis lmpadas
brancas e seis lmpadas vermelhas, colocadas nos vrtices de um hexgono regular, de tal
modo que
(i) em cada vrtice h duas lmpadas de cores diferentes;
(ii) em cada vrtice no h mais do que uma lmpada acesa;
(iii) o nmero mnimo de vrtices iluminados trs.

10

Anlise Combinatria

Determine o nmero total de sinais que podem ser transmitidos.

21. Suponha que Joo vai participar de uma reunio na qual estaro mais 4 homens e 6
mulheres. Ele sabe que h 4 casais, porm no conhece ningum.
(a) De quantas formas poderia Joo imaginar que esto formados os casais?
(b) E se sabe que h exatamente 3 casais?
22. (a) De quantos modos possvel dividir 15 atletas em trs times de 5 atletas, denominados Esporte, Tupi e Minas?
(b) De quantos modos possvel dividir 15 atletas em trs times de 5 atletas?
23. Quantos so os anagramas da palavra ARARAQUARA que no possuem duas
letras A juntas?
24. Quantos so os anagramas da palavra CONTADORIA
(a) em que aparecem juntas, nesta ordem, as letras da palavra CONTO?
(b) em que aparecem juntas, numa ordem qualquer, as letras da palavra CONTO?
(c) em que as letras da palavra CONTO aparecem nesta ordem?
25. Considerando o alfabeto com 26 letras, existem quantas seqncias de 4 letras distintas com pelo menos uma vogal?
26. Dentre todos os nmeros de 7 algarismos, quantos possuem exatamente trs algarismos 9 e os quatro algarismos restantes todos diferentes?
27. Quantas so as permutaes dos 10 nmeros 0, 1, . . . , 9 em que o primeiro dgito
maior do que 1 e o ltimo dgito menor do que 7?
28. Representantes de dez pases, incluindo a Rssia, Frana, Inglaterra e Estados Unidos,
sero dispostos em uma fila. De quantas maneiras isso pode ser feito, se os representantes
da Frana e da Inglaterra devem ficar um ao lado do outro, e o americano e o russo no
devem?
29. Teresa pretende convidar 5 de 11 amigos para um jantar em sua casa.
(a) Quantas escolhas Teresa possui, se 2 dos 11 amigos so desafetos e no aceitam
estar juntos?
(b) Quantas escolhas Teresa tem, se 3 dos 11 amigos no aceitam participar do jantar
a menos que juntos?
30. De quantos modos se podem repartir 27 livros diferentes entre Ana, Beto e Carla, de
forma que Ana e Beto, juntos, recebam o dobro de livros de Carla e que ningum fique
sem livro?

11

Exerccios

31. Quantos nmeros de 6 algarismos podemos formar com 3 pares distintos de algarismos
iguais?
32. De quantas maneiras se podem pintar seis esferas iguais, usando-se apenas trs cores
diferentes?
33. De quantas maneiras podemos distribuir 30 laranjas para 4 crianas de forma que
cada uma receba pelo menos duas laranjas?
34. Obtenha uma frmula para o nmero de solues inteiras no-negativas da inequao
x1 + + xn p (p > 0 inteiro dado).
35. Obtenha uma frmula para o nmero de solues inteiras no-negativas da equao
x1 + + xn = p (p > 0 inteiro dado)
satisfazendo xi ai para todo i = 1, . . . , n, onde a1 , . . . , an so inteiros no-negativos tais
que a1 + + an p.
36. Quantos inteiros entre 1 e 100000 tm a propriedade de que cada dgito menor ou
igual ao seu sucessor?
37. Em um amigo secreto, dizemos que o sorteio vivel se nenhuma pessoa fica com seu
prprio nome. Quantos sorteios viveis existem em um amigo secreto com 4 pessoas?
38. Obtenha o nmero total de permutaes de (1, 2, . . . , 2n) em que nenhum nmero
mpar ocupa o seu lugar primitivo.
39. Se quatro americanos, trs franceses e trs ingleses so colocados em uma fila, determine o nmero de maneiras de disp-los de forma que nenhum grupo de mesma nacionalidade fique todo junto.
40. Quantos inteiros entre 1 e 33000 no so divisveis por 3, por 5 e nem por 11?
41. Quantos inteiros entre 1 e 1000000 no so quadrados perfeitos, cubos perfeitos e nem
quartas potncias perfeitas?
42. Quantos nmeros de n algarismos (n 3) podemos formar com os algarismos 1, 2
e 3, de forma que em cada nmero figure cada um desses trs algarismos pelo menos uma
vez?
43. Quantos inteiros entre 1 e 10000 tm soma de seus algarismos igual a 23?
44. No elevador de um edifcio entram seis pessoas. De quantas maneiras essas seis pessoas
podem saltar no primeiro, segundo e terceiro andares, de forma que salte pelo menos uma
pessoa em cada um desses andares?

12

Anlise Combinatria

45. De quantos modos podemos distribuir 3 moedas de 25 centavos, 5 moedas de 50

centavos e 4 moedas de 1 real entre dois meninos, de maneira que cada menino receba
pelo menos uma moeda?
46. De quantas maneiras podemos distribuir 8 mas, 10 peras e 7 laranjas em quatro
caixas, se cada caixa deve receber ao menos uma fruta?
47. Mostre que o produto de p nmeros naturais consecutivos divisvel por p!.
48. Prove, usando um argumento combinatrio, que
!

(a)

n
m

(b)

n+m
n
=
r
0
!

(c)

n
X
k=1

m
n
=
k
k

nk
mk
!

m
n
+
r
1

para 0 < k m n.
!

m
n
+ +
r1
r

m
para r n, r m.
0

n 3
k = 2n3 n2 (n + 3) para n 3.
k

(3n)!
um nmero inteiro (n 1).
2n 3n
(3n)!
(e)
um nmero inteiro (n 1).
n! 2n 3n

(d)

Sugesto: (c) Considere n pessoas e conte de duas formas diferentes o nmero de modos
de escolher um grupo com pelo menos uma pessoa e selecionar desse grupo um presidente,
um vice e um secretrio, os cargos podendo ser cumulativos.
(d) e (e) Pense qual o nmero de maneiras de separar 3 n objetos distintos em n grupos
de tamanho 3.

Respostas
9. 1000 funes, 720 injetoras
10. 1040, 520
11. (a) 45 (b) 41
12. 2160
13. 6 . 4n3
14. 5040
15. 30
16. 460800
17. (a) 144 (b) 12

13

Respostas

18. (a) 5852925 (b) 5846490 (c) 3755115

19. 2279881890
20. 656
21. (a) 360 (b) 480
22. (a) 756756 (b) 126126
23. 120
24. (a) 360 (b) 21600 (c) 15120
25. 215160
26. 99120
27. 2056320
28. 564480
29. (a) 378 (b) 84
30. 1,23 . 1012
31. 9720
32. 28
33. 2300
34.

p+n
n

35.

pa1 an +n1
n1

36. 2001
37. 9
38.

n
X

(1)

k=0

n
(2n k)!
k

39. 3079296
40. 16000
41. 998910
42. 3n 3 . 2n + 3
43. 480
44. 540

14
45. 118
46. 5239868

Anlise Combinatria

Captulo 2

Probabilidade

1. Definies e propriedades
1.1. Um experimento aleatrio se, ao ser repetido nas mesmas condies, impossvel
prever antecipadamente o resultado. Em contrapartida, um experimento determinstico
se, quando repetido nas mesmas condies, conduz ao mesmo resultado.
Denominamos espao amostral o conjunto de todos os resultados possveis de um experimento aleatrio, e o denotamos por . Um subconjunto A chamado evento.
Dados dois eventos A e B, dizemos que A B se A implica que B. Em palavras,
a ocorrncia de A implica a ocorrncia de B.
A unio de dois eventos A e B A B = { : A ou B} e representa o evento de
que pelo menos um dos dois eventos A e B ocorre.
A interseco de dois eventos A e B A B = { : A e B} e representa o evento
de que ambos A e B ocorrem.
Dois eventos A e B so disjuntos ou mutuamente exclusivos se A B = . Isso significa
que A e B no ocorrem simultaneamente.
Para qualquer evento A, o complementar de A Ac = { : 6 A} e representa o
evento de que A no ocorre.
1.2. Leis de De Morgan:

[

Ai

c

i=1

\
i=1

Aci ,

(DM1)

Aci .

(DM2)

i=1

Ai

c

[
i=1

Notamos que (DM1) estabelece que o evento de que nenhum dos Ai s ocorre igual ao
complementar do evento de que pelo menos um dos Ai s ocorre. J (DM2) expressa que
o complementar do evento de que todos os Ai s ocorrem exatamente o evento de que ao
menos um deles no ocorre.

16

Probabilidade

AB

AB

A
A

Ac

A e B disjuntos
Figura 2.1: Unio e interseco dos eventos A e B; A e B disjuntos; Complementar de A.
1.3. Definio clssica (Cardano (1663), De Moivre (1718), Laplace (1812)):
Seja finito, no-vazio, e suponhamos que cada subconjunto elementar de igualmente
provvel. Ento, para qualquer A , definimos a probabilidade de A como
P (A) =

|A|
.
||

Observao. A definio anterior formaliza a primeira definio conhecida de probabilidade: relao entre o nmero de casos favorveis ao acontecimento (evento) e o nmero
total de casos possveis, supondo todos os casos igualmente possveis.
1.4. Definio axiomtica (Kolmogorov (1933)): Uma probabilidade uma funo
P () a valores reais definida em uma classe F de eventos de um espao amostral , que
satisfaz as seguintes condies:
(A1) 0 P (A) 1 para todo A F,
(A2) P () = 1,
(A3) Aditividade enumervel: para qualquer seqncia A1 , A2 , . . . F de eventos dois a
dois disjuntos,
P

[

i=1

Ai =

P (Ai ).

i=1

A tripla (, F, P ) chamada um espao de probabilidade.

17

Definies e propriedades

Observao. No caso de finito ou infinito enumervel, podemos definir a probabilidade

na classe F de todos os subconjuntos de , a qual usualmente denotada por 2 ou P()
(conjunto das partes de ). Neste caso, escrevendo como = {1 , 2 , . . .}, associamos
a cada i , i = 1, 2, . . . , um nmero p(i ) tal que p(i ) 0 e

i=1

p(i ) = 1. Para

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

evento A definida por
P (A) =

p(i ).

i: i A

Quando infinito no-enumervel, em geral impossvel associar uma probabilidade

bem definida a todos os subconjuntos de . Define-se ento uma probabilidade em uma
classe mais restrita de subconjuntos de ; apenas esses subconjuntos so denominados
eventos. O ponto essencial que essa classe contm todos os subconjuntos (eventos) de
interesse prtico. Um exemplo importante igual a um intervalo da reta, para o qual
se considera a classe de subconjuntos conhecida como -lgebra de Borel. Para mais
detalhes sobre esse tema, sem ainda abordar profundamente a Teoria da Medida, veja-se
o livro de James [8].
1.5. Propriedades de uma probabilidade:
1. P () = 0.
2. Aditividade finita: Se A1 , . . . , An so eventos dois a dois disjuntos, ento
P

[
n

Ai =

i=1

n
X

P (Ai ).

i=1

3. P (Ac ) = 1 P (A) para todo evento A.

4. Para quaisquer eventos A e B,
P (B) = P (A B) + P (Ac B).
5. Se A B, ento P (A) P (B).
6. Para quaisquer eventos A e B,
P (A B) = P (A) + P (B) P (A B).

18

Probabilidade

7. Princpio da Incluso-Excluso: Para qualquer seqncia finita A1 , A2 , . . . , An de

eventos,
P

[
n

Ai =

i=1

P (Ai )

P (Ai Aj )

i<j

P (Ai Aj Ak ) + (1)n+1 P (A1 . . . An ).

X
i<j<k

8. Subaditividade finita: Para qualquer seqncia finita A1 , A2 , . . . , An de eventos,

P

[
n

Ai

i=1

n
X

P (Ai ).

i=1

9. Subaditividade enumervel: Para qualquer seqncia A1 , A2 , . . . de eventos,

P

[

Ai

i=1

P (Ai ).

i=1

As propriedades 8 e 9 so conhecidas por desigualdades de Boole.

2. Probabilidade condicional e independncia

2.1. Seja (, F, P ) um espao de probabilidade. Para eventos A e B com P (B) > 0, a
probabilidade condicional de A dado que B ocorreu definida por
P (A | B) =

P (A B)
.
P (B)

2.2. Regra da multiplicao (ou da probabilidade composta): Se A1 , A2 , . . . An

so eventos com P (A1 . . . An1 ) > 0, ento
P (A1 A2 . . . An ) = P (A1 ) P (A2 | A1 ) . . . P (An | A1 . . . An1 ).
2.3. Condicionamento: Se A e B so eventos com 0 < P (B) < 1, ento
P (A) = P (A | B) P (B) + P (A | B c ) P (B c ).
2.4. Frmula da probabilidade total: Seja {B1 , B2 , . . . , Bn } uma partio do espao
amostral em eventos de probabilidade positiva, isto , esses eventos so dois a dois
disjuntos, =

Sn

i=1

Bi e P (Bi ) > 0 para todo i. Ento, para qualquer evento A,

P (A) =

n
X
i=1

P (A | Bi ) P (Bi ).

19

Probabilidade condicional e independncia

2.5. Frmula de Bayes (1763): Seja {B1 , B2 , . . . , Bn } uma partio do espao amostral em eventos de probabilidade positiva. Se A um evento com P (A) > 0, ento,
para todo j = 1, . . . , n,

P (A | Bj ) P (Bj )
P (Bj | A) = X
.
n
P (A | Bi ) P (Bi )
i=1

B5

B1

B2

B3

B4

B7

B8

B6

B9

Figura 2.2: Partio de em {B1 , B2 , . . . , B9 } e um evento A.

2.6. Para um evento B fixado tal que P (B) > 0, temos que P ( | B) uma probabilidade.
2.7. Dois eventos A e B so independentes se P (A B) = P (A) P (B).
Observao. Em palavras, A e B so independentes se o conhecimento da ocorrncia de
um deles no influencia a probabilidade do outro.
2.8. Os eventos A1 , . . . , An so independentes se para qualquer escolha de k (2 k n)
e ndices 1 i1 < i2 < < ik n,
P (Ai1 Ai2 . . . Aik ) = P (Ai1 ) P (Ai2 ) . . . P (Aik ).
2.9. Uma coleo infinita de eventos independente se toda subcoleo finita desses
eventos independente.
2.10. Se A1 , . . . , An so independentes, ento, para qualquer escolha de Bj com Bj = Aj
ou Acj ,
P (B1 B2 . . . Bn ) = P (B1 ) P (B2 ) . . . P (Bn ).

20

Probabilidade

2.11. Freqentemente, um experimento aleatrio consiste em realizar uma seqncia de

ensaios (subexperimentos). Por exemplo, se o experimento aleatrio lanar uma moeda
repetidamente, cada lanamento pode ser considerado como um ensaio. Neste caso, dizer
que os ensaios so independentes significa dizer que a seguinte condio vlida: se Ai
um evento cuja ocorrncia completamente determinada pelo resultado do i-simo ensaio,
ento A1 , A2 , . . . so independentes.

3. Conjuntos limites e continuidade da probabilidade*

3.1. Sejam A1 , A2 , . . . eventos em um espao de probabilidade (, F, P ).
Por An A, denotamos que
A1 A2 A3

e A=

An .

n=1

Assim, An A significa que a ocorrncia de An implica a ocorrncia de An+1 para todo n

e A o evento de que pelo menos um dos An s ocorre.
Por An A, denotamos que
A1 A2 A3

e A=

An .

n=1

Dessa forma, An A significa que a ocorrncia de An+1 implica a ocorrncia de An para

todo n e A o evento de que todos os An s ocorrem.
3.2. Continuidade por baixo da probabilidade: Se An A, ento P (An ) P (A)
quando n .
Continuidade por cima da probabilidade: Se An A, ento P (An ) P (A) quando
n .
3.3. Conjuntos limites: Para uma seqncia A1 , A2 , . . . de eventos em um espao de
probabilidade (, F, P ), definimos os eventos
lim
inf An =
n
lim sup An =
n

Ak

n=1 k=n
[

Ak ,

n=1 k=n

denominados respectivamente limite inferior e limite superior da seqncia {An }.

21

Exerccios

Observamos que
lim
inf An Existe n tal que Ak para todo k n
n
|{n : 6 An }| < ,
ou seja, lim inf An o evento de que ocorre An para todo n suficientemente grande.
n

Ademais,
lim sup An Para todo n 1, existe k n tal que Ak
n

|{n : An }| = ,
ou seja, lim sup An o evento de que ocorre An para uma infinidade de ns.
n

Isso justifica as seguintes notaes:

lim inf An = {An para todo n suficientemente grande} e
n

lim sup An = {An infinitas vezes}.

n

fcil ver que lim

inf An lim sup An . Se vale a incluso oposta, dizemos que n
lim An
n
n

existe e definido por

lim An = lim inf An = lim sup An .

3.4. Vale que



P lim inf An lim inf P (An ) lim sup P (An ) P lim sup An .
n

3.5. Continuidade da probabilidade: Se A = lim An existe, ento

n

P (A) = lim P (An ).

n

Isso generaliza as propriedades dadas no tpico 3.2.

Exerccios
1. Sejam A, B e C trs eventos em um espao de probabilidade. Expresse os seguintes
eventos em termos de A, B e C:
(a) Apenas A ocorre;
(b) A e B ocorrem, mas C no ocorre;

22

Probabilidade

(c) Os trs eventos ocorrem;

(d) Pelo menos um dos trs eventos ocorre;
(e) Nenhum dos trs eventos ocorre;
(f) Exatamente um dos trs eventos ocorre;
(g) No mximo um dos trs eventos ocorre;
(h) Pelo menos dois dos trs eventos ocorrem.
2. Um baralho comum consiste de 52 cartas separadas em 4 naipes com 13 cartas de cada
um. Para cada naipe, os valores das cartas so 2, 3, 4, 5, 6, 7, 8, 9, 10, J, Q, K e A. Um
baralho comum embaralhado. Qual a probabilidade de que as quatro cartas do topo
tenham
(a) valores diferentes?
(b) naipes diferentes?
Soluo. Se consideramos como relevante a ordem entre as quatro cartas do topo, ento
o espao amostral consiste de 52 . 51 . 50 . 49 resultados. Alm disso, existem 52 . 48 . 44 . 40
resultados em que as cartas tm valores diferentes e 52 . 39 . 26 . 13 resultados em que as
cartas tm naipes diferentes. Portanto, assumindo que o embaralhamento significa que
cada resultado no espao amostral igualmente provvel, temos que as probabilidades
desejadas so
(a)

52 . 48 . 44 . 40
0,676;
52 . 51 . 50 . 49

(b)

52 . 39 . 26 . 13
0,105.
52 . 51 . 50 . 49

Observao. Claramente as mesmas respostas seriam obtidas se considerssemos as quatro

cartas do topo como um conjunto no ordenado de cartas.
3. Em uma classe, estudam dez crianas, entre as quais os irmos Ana e Beto. A professora
decide separar ao acaso a turma em dois grupos de cinco crianas cada um; o primeiro
grupo far um trabalho sobre os planetas e o segundo sobre as civilizaes antigas. Qual
a probabilidade de que os irmos Ana e Beto faam parte do mesmo grupo? H alguma
diferena (no raciocnio e no resultado) se ambos os grupos faro trabalhos sobre o mesmo
assunto?
4. Extraem-se 4 cartas de um baralho com 52 cartas. Qual a probabilidade de que 2
sejam pretas e 2 vermelhas?
5. Qual a probabilidade de que os aniversrios de doze pessoas sejam em meses diferentes? E a probabilidade de que os aniversrios de quatro pessoas sejam em dois meses?
6. Uma pessoa possui 5 livros diferentes de Matemtica, 2 livros diferentes de Qumica
e 3 livros diferentes de Fsica, que sero dispostos aleatoriamente em uma prateleira.
Calcule as probabilidades de que:
(a) os livros de cada assunto fiquem juntos.

Exerccios

23

(b) os livros de Matemtica no fiquem todos juntos.

(c) os livros de Fsica fiquem todos separados.
7. Uma caixa contm 40 parafusos bons e 10 defeituosos. Seleciona-se uma amostra de 5
parafusos. Calcule as probabilidades dos seguintes eventos:
(a) nenhum parafuso na amostra defeituoso.
(b) nenhum, um ou dois parafusos na amostra so defeituosos.
(c) a amostra contm pelo menos um parafuso bom.
8. Distribumos 12 bolas em 5 caixas numeradas 1, 2, 3, 4, 5. Calcule a probabilidade da
caixa 1 conter exatamente 3 bolas se
(a) as bolas so distinguveis.
(b) as bolas so indistinguveis.
9. Os clubes de xadrez de duas escolas consistem, respectivamente, de 8 e 9 jogadores.
Quatro membros de cada clube so escolhidos ao acaso para participar de uma competio
entre as duas escolas. Os jogadores selecionados de uma equipe so pareados aleatoriamente com aqueles da outra equipe, e cada par joga uma partida de xadrez. Suponha
que Rosa e sua irm Margarida esto nos clubes de xadrez em escolas diferentes. Qual a
probabilidade de que
(a) Rosa e Margarida sejam pareadas;
(b) Rosa e Margarida sejam escolhidas para representar suas escolas mas no joguem
entre si;
(c) exatamente uma das irms seja selecionada para representar sua escola.
10. Se Andr e Pedro esto entre n homens dispostos aleatoriamente em uma fila, qual
a probabilidade de que haja exatamente r homens entre eles?
11. Suponha que cada uma de um total de n varetas seja quebrada em uma parte longa
e uma curta. As 2n partes so arrumadas ao acaso em n pares a partir dos quais novas
varetas so formadas. Calcule a probabilidade de que
(a) as partes sejam unidas na ordem original;
(b) todas as partes longas sejam emparelhadas com partes curtas.
12. Um armrio contm n pares diferentes de sapatos. Se 2r sapatos so escolhidos ao
acaso (com 2r < n), determine a probabilidade de que dentre os sapatos selecionados
(a) no exista par algum completo;
(b) exista exatamente um par completo;
(c) existam exatamente dois pares completos.

24

Probabilidade

Considere n = 10 e r = 2 e calcule de duas maneiras diferentes a probabilidade de que

exista pelo menos um par completo dentre os sapatos selecionados.
13. Uma urna contm a bolas azuis e b bolas brancas. As bolas so retiradas uma a uma
da urna, ao acaso e sem reposio, at que a urna fique vazia. Calcule a probabilidade de
que a ltima bola retirada seja azul nos seguintes casos:
(a) as bolas so todas distintas.
(b) as bolas so distinguveis apenas pela cor.
14. Prove que se A1 , A2 , . . . e B1 , B2 , . . . so eventos do mesmo espao de probabilidade
tais que P (An ) 1 e P (Bn ) p quando n , ento P (An Bn ) p quando n .
15. Uma secretria atrapalhada prepara quatro cartas com contedos distintos para enviar a quatro firmas distintas. Na hora de envelop-las, bate um vento que derruba as
cartas e os envelopes, e, com pressa, a secretria coloca aleatoriamente as cartas nos
envelopes.
(a) Determine a probabilidade de que nenhuma carta tenha sido corretamente envelopada.
(b) Sabendo que ao menos uma carta foi colocada no envelope certo, calcule a probabilidade de que todas as cartas tenham sido corretamente envelopadas.
Soluo. (a) Sejam os eventos
A : Pelo menos uma carta foi colocada no envelope certo.
Ai : A i-sima carta foi colocada no envelope certo, i = 1, 2, 3, 4.
Como A =
P (A) =

S4

i=1

X
i

Ai , temos que, pelo Princpio da Incluso-Excluso,

P (Ai )

P (Ai Aj ) +

i<j

P (Ai Aj Ak ) P (A1 A2 A3 A4 ).

i<j<k

Porm,
P (Ai ) =

1
3!
= , i = 1, 2, 3, 4,
4!
4

1
2!
= , 1 i < j 4,
4!
12
1
1
P (Ai Aj Ak ) =
= ,1i<j<k4 e
4!
24
1
1
P (A1 A2 A3 A4 ) =
= .
4!
24
P (Ai Aj ) =

Portanto,

1
4 1
4 1
1
5
P (A) = 4 .
+

= .
4
2 12
3 24 24
8
!

25

Exerccios

Assim, a probabilidade de que nenhuma carta tenha sido corretamente envelopada

P (Ac ) = 3/8 = 0,375.
(b) Visto que (A1 A2 A3 A4 ) A = A1 A2 A3 A4 , a probabilidade desejada
P (A1 A2 A3 A4 | A) =

1/24
1
P (A1 A2 A3 A4 )
=
= .
P (A)
5/8
15

16. Se quatro casais de namorados so dispostos aleatoriamente em uma fila, determine

a probabilidade de que nenhum dos casais fique junto.
17. Cinco bolas so selecionadas aleatoriamente, sem reposio, de uma urna que contm
5 bolas vermelhas, 6 bolas brancas e 7 bolas azuis. Determine a probabilidade de que
pelo menos uma bola de cada cor seja selecionada.
18. Um colgio tem em seu corpo docente sete professores de Biolgicas, oito professores
de Exatas e nove professores de Humanas. Uma comisso de sete professores ser selecionada aleatoriamente. Determine a probabilidade de que nesta comisso haja pelo menos
um professor de cada rea.
19. Um baralho comum consiste de 52 cartas diferentes sendo 13 cartas de cada naipe.
Uma pessoa retira ao acaso 13 cartas de um baralho. Calcule a probabilidade de que pelo
menos um naipe esteja ausente entre as cartas selecionadas.
20. As cartas de um baralho so misturadas e distribudas entre 4 jogadores de modo que
cada um recebe 13 cartas. Calcule a probabilidade de que pelo menos um jogador receba
todas as cartas do mesmo naipe.
21. Sabe-se que com probabilidade 1 pelo menos um dos eventos Ai , 1 i n, ocorre, e
que no mais que dois ocorrem simultaneamente. Se P (Ai ) = p e P (Ai Aj ) = q, i 6= j,
mostre que p 1/n e q 2/n.
22. Trs aventureiros devem escolher um deles para uma misso arriscada. Para isso,
pegam uma urna com duas bolas brancas e uma bola vermelha, e cada um retira sucessivamente uma bola, sem reposio. Aquele que pegue a bola vermelha ser o escolhido
para realizar a misso. Mostre que todos tm a mesma probabilidade de ser o escolhido,
qualquer que seja a ordem em que realizem as extraes.
23. Um contador tem sobre a sua mesa dois grupos de 20 planilhas cada um. No primeiro
grupo existem duas planilhas com erros de clculo e no segundo h trs. Um vento faz
com que as planilhas caiam da mesa, e, ao arrum-las, uma do primeiro grupo se mistura
s do segundo grupo. Qual a probabilidade de que, ao revisar uma planilha do segundo
grupo, o contador encontre um erro?
24. Um cliente que visita o departamento de roupas masculinas de uma loja compra
um terno com probabilidade 2/5, uma gravata com probabilidade 5/12 e uma camisa

26

Probabilidade

com probabilidade 1/2. O cliente compra um terno e uma gravata com probabilidade
2/15, um terno e uma camisa com probabilidade 17/60 e uma gravata e uma camisa com
probabilidade 1/4; compra os trs itens com probabilidade 1/12. Considere os eventos
A : O cliente compra um terno;
B : O cliente compra uma gravata;
C : O cliente compra uma camisa.
(a) Os eventos A, B e C so independentes?
(b) Qual a probabilidade de que o cliente no compre nenhum dos itens?
(c) Dado que o cliente no vai comprar uma gravata, qual a probabilidade de que
compre um terno?
(d) Dado que o cliente vai comprar uma camisa, qual a probabilidade de que tambm
compre uma gravata e um terno?
25. Em um curso secundrio, 1/3 dos estudantes so do sexo masculino e 2/3 dos estudantes so do sexo feminino. A proporo de rapazes que estudam cincias 20% e
apenas 10% das moas dedicam-se s cincias. Obtenha as probabilidades de que
(a) um estudante escolhido ao acaso estude cincias;
(b) um estudante de cincias selecionado ao acaso seja do sexo feminino.
Soluo. Sejam os eventos
A : O estudante do sexo feminino.
B : O estudante estuda cincias.
(a) Pela frmula da probabilidade total,
P (B) = P (B| A) P (A) + P (B| Ac ) P (Ac ) =

2
1 2 1 1
. + . = .
10 3 5 3
15

(b) Pela frmula de Bayes,

P (A| B) =

P (B| A) P (A)
(1/10)(2/3)
1
=
= .
P (B)
2/15
2

26. Uma fbrica de sorvete recebe o leite que utiliza de trs fazendas: 20% da fazenda 1,
30% da fazenda 2 e 50% da fazenda 3. Um rgo de fiscalizao inspecionou as fazendas e
constatou que 20% do leite produzido na fazenda 1 estava adulterado por adio de gua,
enquanto que para as fazendas 2 e 3 essa proporo era de 5% e 2%, respectivamente. A
fbrica de sorvete recebe o leite em gales, que so armazenados em um refrigerador, sem
identificao da fazenda de provenincia. Um galo escolhido ao acaso e seu contedo
testado para verificar adulterao.
(a) Qual a probabilidade de que o galo contenha leite adulterado?

Exerccios

27

(b) Sabendo que o teste constatou que o leite do galo est adulterado, obtenha a
probabilidade de que o galo seja proveniente da fazenda 1.
27. Considere duas moedas, uma honesta e a outra que resulta cara em cada lanamento
com probabilidade 0,6. Uma moeda escolhida ao acaso e, aps lanada quatro vezes,
observa-se cara trs vezes. Qual a probabilidade de que a moeda escolhida tenha sido a
moeda honesta?
28. Jogamos um dado honesto e em seguida lanamos tantas moedas honestas como os
pontos indicados no dado.
(a) Qual a probabilidade de obter quatro caras?
(b) Dado que foram obtidas quatro caras, qual a probabilidade de que o dado tenha
mostrado seis pontos?
29. A caixa I contm 4 bolas brancas e 2 pretas, a caixa II contm 3 bolas brancas e
1 preta e a caixa III contm 1 bola branca e 2 pretas.
(a) Extrai-se uma bola de cada caixa. Determine a probabilidade de que todas as bolas
sejam brancas.
(b) Seleciona-se uma caixa e dela extrai-se uma bola. Determine a probabilidade de
que a bola extrada seja branca.
(c) Calcule em (b) a probabilidade de que a primeira caixa tenha sido escolhida, dado
que a bola extrada branca.
30. Em um restaurante, trs cozinheiros A, B e C preparam um tipo especial de bolo, e
com probabilidades respectivas 0,02, 0,03 e 0,05 a massa do bolo no cresce. Sabe-se que
A prepara 50 por cento desses bolos, B 30 por cento e C 20 por cento. Se uma massa de
bolo no cresceu, qual a probabilidade de que tenha sido preparada pelo cozinheiro A?
31. Uma senhora da alta sociedade d uma festa em sua manso. Ao trmino da festa, ela
descobre que sua coleo de jias foi roubada. Aps as investigaes, a polcia tem certeza
de que o ladro foi precisamente uma das 76 pessoas presentes festa (entre convidados
e garons). Ademais, os investigadores encontram na cena do crime o perfil de DNA do
ladro, e sabe-se que este perfil de DNA ocorre em 2% de toda populao. Dado que o
DNA do Sr. Joo, o primeiro suspeito cujo DNA analisado, combina com o perfil achado
na cena do crime, qual a probabilidade de que ele tenha roubado as jias?
32. Em uma cidade, os motoristas so parados pela polcia para fazer um teste sobre
o teor de lcool no sangue. Suponha que a probabilidade de que um motorista detido
esteja embriagado 5% e que o teste realizado acerta o estado de embriaguez em 80% das
ocasies.
(a) Qual a probabilidade de que o teste de um motorista detido resulte positivo?
Os motoristas cujos testes do positivo so submetidos a um segundo exame, que nunca

28

Probabilidade

falha em um motorista sbrio, porm tem probabilidade 10% de erro nos embriagados.
(b) Dado que o segundo teste de um motorista resultou negativo, qual a probabilidade
de que estava dirigindo com um ndice alcolico acima do permitido?
33. Um experimento consiste em lanar duas vezes uma moeda honesta. Considere os
eventos
A: O primeiro lanamento resulta em cara.
B: O segundo lanamento resulta em cara.
C: O resultado do primeiro lanamento coincide com o resultado do segundo lanamento.
Prove que A, B e C so independentes dois a dois, porm no so independentes.
34. Um par de dados honestos lanado repetidamente. Supondo que os ensaios so
independentes, qual a probabilidade de que um total 8 aparea antes de um total 7?
Sugesto: Defina An o evento de que os totais 7 e 8 no ocorrem nos primeiros n 1
ensaios e ocorre um total 8 no n-simo ensaio.
35. Existem duas estradas de A a B e duas estradas de B a C. Cada uma das quatro
estradas bloqueada por queda de barreira com probabilidade p = 1/10, independentemente das demais. Determine a probabilidade de que exista uma estrada aberta de A a B
dado que no existe um caminho aberto de A a C.
Se, alm disso, existe uma estrada direta de A a C, esta estrada sendo bloqueada com probabilidade p = 1/10 independentemente das demais, encontre a probabilidade condicional
pedida.
36. Duas pessoas lanam uma moeda honesta n vezes, de forma independente. Mostre
que a probabilidade delas obterem igual nmero de caras a mesma que a de obterem ao
todo n caras.
37. (a) Sejam A e B dois eventos com probabilidade positiva. Se a ocorrncia de B faz de
A um evento mais provvel, ento a ocorrncia de A faz de B um evento mais provvel?
(b) Mostre que se A um evento tal que P (A) igual a 0 ou 1, ento A independente
de todo evento B.
38. Suponha que = {1, . . . , p}, onde p um nmero primo. Seja F = P () e, para
A F, defina P (A) = |A|/p. Mostre que se A e B so independentes, ento ao menos
um dos dois eventos ou .
Sugesto: Prove que p um divisor de |A| |B|.
39. Seja P uma probabilidade sobre um espao amostral e suponha que A um evento
com 0 < P (A) < 1. Mostre que A e B so independentes se e somente se P (B |A) =
P (B |Ac ).
Sugesto: Use que P (Ac B) + P (A B) = P (B).

29

Exerccios

40. Seja P uma probabilidade sobre um espao amostral .

(a) Mostre que se A e B so eventos tais que P (A) < 1, P (B) > 0 e P (A |B) = 1,
ento P (B c |Ac ) = 1.
(b) Prove que se E, F e G so eventos tais que P (F G) > 0 e P (F Gc ) > 0, ento
P (E |F ) = P (E |F G)P (G |F ) + P (E |F Gc )P (Gc |F ).
41 . Continuidade por baixo e por cima da probabilidade: Sejam A, A1 , A2 , . . .
eventos em um espao de probabilidade.
(a) Suponha que An A e defina B1 = A1 e Bk = Ak Ack1 , k 2.
(a1) Mostre que B1 , B2 , . . . so dois a dois disjuntos, An =

Sn

k=1

Bk e A =

k=1

Bk .

(a2) Use a aditividade finita e enumervel para provar que P (A) = lim P (An ).
n

(b) Suponha que An A. Mostre que

Acn

A e conclua que P (A) = lim P (An ).

c

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

vezes, de maneira independente. Definimos os eventos
An : Ocorre pelo menos uma cara nos n primeiros lanamentos.
A : Ocorre pelo menos uma cara.
Mostre que
(a) An A.
(b) P (A) =

1 se 0 < p 1,

0 se p = 0.

43 . Sejam A, B, A1 , A2 , . . . eventos em um espao de probabilidade. Suponha que An

A e que B independente de An para todo n 1. Prove que A e B so independentes.
44 . Subaditividade finita e enumervel: Sejam A1 , A2 , . . . eventos em um espao
de probabilidade. Demonstre que
P

n
[

Ak

k=1

[

n
X

P (Ak ) para todo n 2 (Subaditividade finita) e

k=1

Ak

k=1

P (Ak ) (Subaditividade enumervel).

k=1

Sugesto: Prove a subaditividade finita por induo em n. Para mostrar a subaditividade

enumervel, comece com
P

n
[

k=1

e use que Bn =

Sn

k=1

Ak

k=1

Ak

P (Ak )

k=1

Ak quando n .

30

Probabilidade

45. Sejam A1 , A2 , . . . eventos em um espao de probabilidade. Prove que

(a) Se P (An ) = 0 para todo n 1, ento P (

An ) = 0.

(b) Se P (An ) = 1 para todo n 1, ento P (

An ) = 1.

n=1
n=1

46 . Sejam A1 , A2 , . . . eventos independentes em um espao de probabilidade. Mostre que

P

n
 [

Ak 1 exp

k=1

n
X

P (Ak ) .

k=1

P (Ak ) =

 [

k=1

Ak = 1.

k=1

Sugesto: Para mostrar a desigualdade, use que 1 x ex para todo x R.

47 . Sejam A1 , A2 , . . . eventos independentes em um espao de probabilidade. Prove que
P

\

Ak =

k=1

P (Ak ).

k=1

48 . Demonstre que



lim
inf An
n

c

lim sup An

= lim sup Acn ,

n

c

= lim
inf Acn ,
n

lim sup (An Bn ) lim sup An lim sup Bn ,

n

lim sup (A Bn ) = A lim sup Bn ,

n

lim sup (An Bn ) = lim sup An lim sup Bn ,

n

lim inf (An Bn ) lim inf An lim inf Bn ,

n

lim
inf (A Bn ) = A lim
inf Bn ,
n
n
lim
inf (An Bn ) = lim
inf An lim
inf Bn ,
n
n
n


lim sup An lim inf An

n

c

= lim sup (An Acn+1 ) = lim sup (Acn An+1 ),

n

lim An = A e n
lim Bn = B = n
lim (An Bn ) = A B e n
lim (An Bn ) = A B.

49 . Continuidade da probabilidade: Sejam A1 , A2 , . . . eventos em um espao de

T
S
probabilidade. Para n 1, defina Bn =
k=n Ak e Cn = k=n Ak .
(a) Prove que
Bn lim inf An
n

e Cn lim sup An .
n

31

Respostas

(b) Usando que Bn An Cn para todo n, mostre que



P lim
inf An lim
inf P (An ) lim sup P (An ) P lim sup An .
n
n
n

(c) Conclua que se existe A = lim An , ento existe lim P (An ) e P (A) = lim P (An ).
n

50 . Sejam B1 , B2 , . . . eventos independentes tais que P (Bn ) < 1 para todo n 1.

Demonstre que
P (Bn infinitas vezes) = 1

[

Bn = 1.

n=1

D um exemplo para mostrar que a condio P (Bn ) < 1 para todo n 1 no pode ser
dispensada.
Sugesto: Para provar a implicao , defina Ak = Bkc , k = 1, 2, . . . , e, usando o exercT
cio 47, mostre que P (
k=n Ak ) = 0 para todo n 1.

Respostas
1. (a) A B c C c (b) A B C c (c) A B C (d) A B C
(e) Ac B c C c = (A B C)c
(f) (A B c C c ) (Ac B C c ) (Ac B c C)
(g) (Ac B c C c ) (A B c C c ) (Ac B C c ) (Ac B c C)
(h) (A B C c ) (A B c C) (Ac B C) (A B C) = Complementar de (g)
3. 4/9, muda o raciocnio mas no o resultado.
4. 325/833
5. 5,4 . 105 e 0,044
6. (a) 1/420 (b) 41/42 (c) 7/15
7. (a) 0,310 (b) 0,952 (c) 0,999
8. (a) 0,236 (b) 0,121
9. (a) 1/18 (b) 1/6 (c) 1/2
10. 2(n r 1)/ (n(n 1))
 

11. (a) 2n n!/(2n)! (b) 2n /

2n
n

32

Probabilidade

12. (a)

 
n
2r

 

22r /

2n
2r

(b) n

n1
2r2

 

22r2 /

2n
2r

(c)

 
n
2

n2
2r4

 

22r4 /

2n
2r

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

13. A probabilidade igual a a/(a + b) em ambos os casos. O espao amostral no item (a)
consiste das (a + b)! ordenaes entre as bolas; em (b) formado pelas (a + b)!/(a! b!)
permutaes com elementos repetidos.
16. 12/35
17. 6055/8568
18. 903/1012
19. 0,051
20. 2,5 . 1011
22. Defina Vi o evento de selecionar a bola vermelha na i-sima extrao e mostre que
P (Vi ) = 1/3 para i = 1, 2, 3.
23. 31/210
24. (a) No (b) 4/15 (c) 16/35 (d) 1/6
26. (a) 13/200 (b) 8/13
27. 0,42
28. (a) 29/384 (b) 15/29
29. (a) 1/6 (b) 7/12 (c) 8/21
30. 0,345
31. 2/5
32. (a) 23/100 (b) 2/97
34. 5/11
35. 99/199 em ambos os casos.
37. (a) Sim. Quando afirmamos que a ocorrncia de B faz de A um evento mais provvel,
queremos dizer que P (A | B) > P (A).
(b) Considere separadamente os casos P (A) = 0 e P (A) = 1. No segundo, use que
P (A B) = P (B) P (Ac B).

Captulo 3

Variveis aleatrias

1. Definies
1.1. Uma varivel aleatria X em um espao de probabilidade (, F, P ) uma funo a
valores reais definida em , tal que
{X x} = { : X() x} F
para todo x R.
As variveis aleatrias que assumem valores em um conjunto finito ou infinito enumervel
so chamadas discretas e aquelas que assumem valores em um intervalo da reta real so
chamadas contnuas.
1.2. A funo de distribuio acumulada de uma varivel aleatria X a funo F = FX
definida por
F (x) = P (X x) = P ({ : X() x}), x R.
Propriedades fundamentais de uma funo de distribuio:
(F1) F uma funo no-decrescente: se x < y, ento F (x) F (y).
(F2) F contnua direita: se xn x, ento F (xn ) F (x).
(F3) Se xn , ento F (xn ) 0; se xn +, ento F (xn ) 1.
Outras propriedades:
(i) Para x, y R com x < y, P (x < X y) = F (y) F (x).
(ii) Para qualquer x R,
P (X = x) = F (x) F (x ) = Salto de F no ponto x,
onde F (x ) = lim F (xn ) o limite lateral esquerda de F em x.
xn x,
xn 6=x

Assim, F contnua em x se e somente se P (X = x) = 0.

34

Variveis aleatrias

(iii) Para qualquer x R, P (X < x) = F (x ).

(iv) O conjunto de pontos de descontinuidade de F finito ou enumervel.
Observao. Uma funo F : R R que satisfaz (F1), (F2) e (F3) a funo de distribuio de alguma varivel aleatria X.
1.3. (a) A varivel aleatria X discreta se assume um nmero finito ou enumervel de
valores, isto , se existe um conjunto finito ou enumervel {x1 , x2 , . . .} R tal que X()
{x1 , x2 , . . .}, . A funo p(x) = P (X = x) chamada funo de probabilidade
de X.
(b) A varivel aleatria X (absolutamente) contnua se existe uma funo f (x) 0 tal
que
FX (x) =

Z x

f (t) dt, x R.

Neste caso, dizemos que f uma funo densidade de probabilidade de X.

Observao. Uma varivel aleatria discreta definida quando definimos os seus valores
possveis {xi }i1 e as respectivas probabilidades {pi }i1 satisfazendo
pi > 0, i e

pi = 1.

i=1

Uma varivel aleatria contnua definida quando definimos uma funo f : R R tal que
f (x) 0, x e

f (x) dx = 1.

1.4. A funo indicadora de um evento A a varivel aleatria discreta que assume os

valores 1 ou 0 conforme A ocorra ou no, ou seja,
IA () =

1 se A,

0 se 6 A.

1.5. Para qualquer B R (boreliano),

P (X B) =

p(xi )

i: x B
i
Z

f (x) dx
B

se X discreta,
se X contnua com densidade f.

35

Variveis aleatrias conjuntamente distribudas

F (x)
1

P (X = x3 )
P (X = x2 )

P (X = x1 )

x1

x2

x3

Figura 3.1: Funo de distribuio de uma varivel aleatria discreta.

fX (x)

P (a X b)

Figura 3.2: Densidade de uma varivel aleatria contnua.

2. Variveis aleatrias conjuntamente distribudas

2.1. Sejam X e Y variveis aleatrias definidas no mesmo espao de probabilidade. A
funo de distribuio acumulada conjunta do par (X, Y ) definida por
F (x, y) = P (X x, Y y), x, y R.
As funes de distribuio marginais de X e Y so respectivamente dadas por
FX (x) = lim F (x, y), x R
y

FY (y) = lim F (x, y), y R.

x

2.2. Sejam X e Y variveis aleatrias discretas definidas no mesmo espao de probabilidade. A funo de probabilidade conjunta de X e Y
p(x, y) = P (X = x, Y = y), x, y R.
Note que p(x, y) > 0 apenas para (x, y) em um subconjunto finito ou enumervel de R2 .
As funes de probabilidade marginais de X e Y so
pX (x) =

X
y

p(x, y), x R

pY (y) =

X
x

p(x, y), y R.

36

Variveis aleatrias

2.3. Sejam X e Y variveis aleatrias definidas no mesmo espao de probabilidade. Dizemos que X e Y so conjuntamente contnuas se existe uma funo f (x, y) 0, chamada
uma funo densidade de probabilidade conjunta, tal que para quaisquer x, y R,
F (x, y) =

Z x Z y

f (u, v) du dv.

Se X e Y so conjuntamente contnuas com funo densidade conjunta f (x, y), ento so

individualmente contnuas com funes densidade marginais respectivas
fX (x) =

f (x, y) dy, x R

fY (y) =

f (x, y) dx, y R.

Observao. natural a extenso das definies e resultados anteriores para o caso de

mais de duas variveis aleatrias definidas no mesmo espao de probabilidade.

3. Independncia de variveis aleatrias

3.1. As variveis aleatrias X1 , . . . , Xn so independentes se para quaisquer conjuntos
Ai R (borelianos), i = 1, . . . , n,
P (X1 A1 , . . . , Xn An ) =

n
Y

P (Xi Ai ).

i=1

3.2. Sejam X1 , . . . , Xn variveis aleatrias com funo de distribuio conjunta F (x1 , . . . , xn )

e funes de distribuio marginais FX1 , . . . , FXn , respectivamente. Ento, X1 , . . . , Xn so
independentes se e somente se
F (x1 , . . . , xn ) = FX1 (x1 ) . . . FXn (xn )
para qualquer escolha de x1 , . . . , xn . (Em palavras, a funo de distribuio conjunta se
fatora como o produto das funes de distribuio individuais).
3.3. Critrio para independncia no caso discreto:
As variveis aleatrias discretas X1 , . . . , Xn so independentes se e somente se
P (X1 = x1 , . . . , Xn = xn ) = P (X1 = x1 ) . . . P (Xn = xn )
para qualquer escolha de x1 , . . . , xn .

37

Modelos de distribuies discretas

3.4. Critrio para independncia no caso contnuo:

Sejam X1 , . . . , Xn variveis aleatrias conjuntamente contnuas com funo densidade conjunta f (x1 , . . . , xn ) e funes densidade marginais fX1 , . . . , fXn , respectivamente.
Ento, X1 , . . . , Xn so independentes se e somente se
f (x1 , . . . , xn ) = fX1 (x1 ) . . . fXn (xn )
para qualquer escolha de x1 , . . . , xn .
3.5. Uma coleo infinita de variveis aleatrias independente se toda subcoleo finita
dessas variveis aleatrias independente.
3.6. Se X1 , . . . , Xn so variveis aleatrias independentes, ento funes contnuas de
famlias disjuntas das Xi s so independentes.
3.7. Quando falamos de variveis aleatrias, a abreviatura i.i.d. significa independentes e
identicamente distribudas.

4. Modelos de distribuies discretas

Como usual quando se trata de variveis aleatrias, l-se o smbolo como tem distribuio.
1. X Uniforme discreta sobre o conjunto {x1 , . . . , xn } R se tem funo de probabilidade dada por
P (X = xi ) =

1
, i = 1, . . . , n.
n

X representa a escolha ao acaso de um elemento do conjunto {x1 , . . . , xn }. O caso

particular em que x1 = 1, . . . , xn = n denotado por X Uniforme Discreta(n).
2. X Bernoulli(p), 0 p 1, se tem funo de probabilidade dada por
P (X = x) = px (1 p)1x , x = 0, 1.
X a funo indicadora da ocorrncia de sucesso em um ensaio de Bernoulli (experimento que tem somente dois resultados possveis: sucesso e fracasso, com probabilidades respectivas p e (1 p)).

38

Variveis aleatrias

3. X Binomial(n, p), n 1 inteiro e 0 p 1, se tem funo de probabilidade dada

por

n x
P (X = x) =
p (1 p)nx , x = 0, 1, . . . , n.
x
X o nmero de sucessos obtidos em n ensaios de Bernoulli independentes com
probabilidade de sucesso p em cada ensaio.
importante observar que uma varivel aleatria com distribuio Binomial(n, p)
pode ser escrita como a soma de n variveis aleatrias independentes com distribuio Bernoulli(p).
Propriedade: Se X Binomial(n, p), onde 0 < p < 1, ento, medida que k vai
de 0 a n, P (X = k) primeiro cresce e depois decresce, atingindo seu valor mximo
quando k o maior inteiro menor ou igual a (n + 1) p.
4. X Poisson(), > 0, se tem funo de probabilidade dada por
P (X = x) =

e x
, x = 0, 1, . . .
x!

5. X Geomtrica(p), 0 < p 1, se tem funo de probabilidade dada por

P (X = x) = p (1 p)x1 , x = 1, 2, . . .
X o nmero de ensaios necessrios para obter o primeiro sucesso quando se realiza
uma seqncia de ensaios de Bernoulli independentes com probabilidade de sucesso p
em cada ensaio.
Propriedade fundamental: Falta de memria.
P (X m + n | X m) = P (X n) para m, n = 1, 2, . . .
6. X Binomial Negativa(r, p), r 1 inteiro e 0 < p 1, se tem funo de probabilidade dada por
x1 r
P (X = x) =
p (1 p)xr , x = r, r + 1, . . .
r1
!

X o nmero de ensaios necessrios para obter o r-simo sucesso quando se realiza

uma seqncia de ensaios de Bernoulli independentes com probabilidade de sucesso p
em cada ensaio.

39

Modelos de distribuies contnuas

Cumpre enfatizar que uma varivel aleatria com distribuio Binomial Negativa(r, p)
pode ser escrita como a soma de r variveis aleatrias independentes com distribuio Geomtrica(p).
7. X Hipergeomtrica(n, R, N ), n, R, N inteiros, n N , R N , se tem funo de
probabilidade dada por
N R
P (X = x) =
nx

R
x

N
n

!1

para x inteiro tal que mx(0, n N + R) x mn(n, R). X o nmero de bolas

vermelhas em uma amostra de tamanho n, extrada sem reposio de uma urna com
N bolas, das quais R so vermelhas e N R azuis.

5. Modelos de distribuies contnuas

1. X Uniforme(a, b), a, b R, a < b, se tem densidade dada por
fX (x) =

1
, a < x < b.
ba

X representa um ponto escolhido ao acaso no intervalo (a, b).

2. X Normal(, 2 ), R, > 0, se tem densidade dada por
1
2
2
fX (x) = e(x) /(2 ) , x R.
2
Essa distribuio tambm chamada distribuio de Laplace-Gauss.
A distribuio normal de parmetros = 0 e = 1 conhecida como normal
padro. Sua importncia deriva do fato de que se pode obter uma varivel aleatria
normal padro a partir de uma normal qualquer. De fato, se X N (, 2 ), ento
Z=

X
N (0, 1).

A funo distribuio da normal padro, denotada por (), tabelada e satisfaz

(z) + (z) = 1 para todo z. A partir dela, podem-se obter probabilidades para
uma varivel aleatria normal qualquer.

40

Variveis aleatrias

3. X Exponencial(), > 0, se tem densidade dada por

fX (x) = ex , x 0.
Propriedade fundamental: Falta de memria.
P (X s + t | X s) = P (X t) para s, t R com s 0 e t 0.
4. X Gama(, ), > 0, > 0, se tem densidade dada por
1 x
x
e
, x 0.
()

fX (x) =

Observao. A funo gama de Euler : (0, ) R definida por

() =

Z
0

x1 ex dx, > 0,

e possui as seguintes propriedades:

(i) ( + 1) = (), > 0.
(ii) (n + 1) = n! para n 0 inteiro.
Freqentemente, til saber que
Z
0

x1 e x dx =

()
se > 0 e > 0.

5. X Beta(a, b), a > 0, b > 0, se tem densidade dada por

fX (x) =

1
xa1 (1 x)b1 , 0 x 1.
B(a, b)

Observao. A funo beta de Euler B : (0, ) (0, ) R definida por

B(a, b) =

Z 1
0

xa1 (1 x)b1 dx, a > 0, b > 0,

e satisfaz B(a, b) = (a) (b)/(a + b).

6. X Cauchy(a, b), a R, b > 0, se tem densidade dada por
fX (x) =

1
n

b 1 + [(x a)/b]2

o,

x R.

A distribuio de Cauchy com parmetros a = 0 e b = 1 denominada Cauchy

padro.

41

Aproximao de Poisson Binomial

6. Aproximao de Poisson Binomial

Seja X Binomial(n, p), e consideremos Y Poisson(), com = n p. Se n grande
e p pequeno de modo que o valor de moderado, podemos aproximar a funo de
probabilidade de X pela funo de probabilidade de Y , isto , para qualquer inteiro k
entre 0 e n,
P (X = k) P (Y = k) =

e k
.
k!

Essa aproximao justificada pelo Teorema de Poisson (veja-se 3.8 do Captulo 5, p. 99).
Em palavras, se so realizados n ensaios de Bernoulli independentes, cada um resultando
em sucesso com probabilidade p, ento, quando n grande e p pequeno o suficiente a
fazer n p moderado, o nmero de sucessos que ocorrem tem aproximadamente distribuio
de Poisson com parmetro n p. De acordo com duas regras prticas, a aproximao
considerada boa se n 20 e p 0,05 ou se n 100 e n p 10.

7. Aproximao Normal Binomial

Se n grande, ento uma varivel aleatria X com distribuio Binomial(n, p) tem aproximadamente a mesma distribuio de uma varivel aleatria normal com parmetros
= n p e 2 = n p (1 p). Essa afirmao justificada pelo Teorema Central do Limite
de De Moivre e Laplace (3.7 do Captulo 5, p. 99), o qual estabelece que, quando n ,
a funo de distribuio da varivel

X np
n p (1 p)

converge em todo ponto para a funo de distribuio da normal padro.

Assim, para qualquer inteiro i entre 0 e n,
P (X i) = P

X np
i np

n p (1 p)
n p (1 p)

i np

.
n p (1 p)

Visto que estamos aproximando uma varivel aleatria discreta por uma varivel contnua,
podemos fazer o seguinte ajuste:
i + 0,5 n p
P (X i) = P (X i + 0,5)
,
n p (1 p)
!

42

Variveis aleatrias

e, para i j inteiros entre 0 e n,

i 0,5 n p
j + 0,5 n p

.
P (i X j)
n p (1 p)
n p (1 p)
!

Esse procedimento de subtrair e somar 0,5 conhecido como correo de continuidade

de Fisher e fornece uma aproximao ligeiramente mais precisa, sendo especialmente
recomendvel quando n no for muito grande.
Dois critrios freqentemente usados so que n p 5 e n (1 p) 5 ou n p (1 p) 10
implicam uma boa aproximao.

8. Funes de variveis aleatrias

8.1. Seja X uma varivel aleatria contnua com funo densidade de probabilidade f tal
que f (x) > 0 para x (a, b), com a < b . Suponhamos que : (a, b) R
uma funo estritamente montona, diferencivel em (a, b), e seja 1 a inversa de .
Ento, a varivel aleatria definida por Y = (X) tem densidade dada por

g(y) =

f ( (y))
1



 d 1 (y) 





dy 

se y ((a, b)),
caso contrrio.

X
R

Figura 3.3: Funo de uma varivel aleatria.

Observao. Ao aplicar o resultado anterior, atente para os seguintes tpicos:
1. Obteno da funo inversa:

y = y(x) x = x(y).

2. Clculo da derivada da inversa

dx
.
dy

3. Estudo dos valores possveis de Y .

43

Funes de variveis aleatrias

4. Densidade de Y :

g(y) = f (x(y))



 dx 



.
 dy 

No caso da funo no ser montona, a regra geral expressar FY em termos de FX .

8.2. Mtodo do Jacobiano: Sejam X1 e X2 variveis aleatrias conjuntamente contnuas com funo densidade conjunta f e suponhamos que f (x1 , x2 ) > 0 para (x1 , x2 ) A,
com A um conjunto aberto de R2 .
Definimos novas variveis aleatrias Y1 e Y2 , obtidas a partir das primeiras pela transformao
y1 = 1 (x1 , x2 ),

y2 = 2 (x1 , x2 ).

()

Suponhamos que:
1. As funes () so contnuas e tm derivadas parciais yi /xj , i, j = 1, 2, contnuas
em todos os pontos (x1 , x2 ) A.
2. As funes () definem uma bijeo de A em A? , onde A? a imagem da transformao.
3. A transformao inversa
x1 = 1 (y1 , y2 ),

x2 = 2 (y1 , y2 ),

()

que existe e nica, tem Jacobiano no-nulo em A?

x1 /y1 x1 /y2
(x1 , x2 )
6= 0.
J(y1 , y2 ) =
= det
(y1 , y2 )
x2 /y1 x2 /y2
Ento, Y1 e Y2 so conjuntamente contnuas com funo densidade conjunta dada por

g(y1 , y2 ) =

f (x1 , x2 ) |J(y1 , y2 )| se (y1 , y2 ) A? ,

caso contrrio

onde x1 e x2 so dados por ().

Como freqentemente mais fcil obter J(x1 , x2 ) = (y1 , y2 )/(x1 , x2 ), importante
recordar a seguinte relao:
J(y1 , y2 ) = J(x1 , x2 )1 ,
onde x1 e x2 so dados por ().

44

Variveis aleatrias

Observao. O Mtodo do Jacobiano naturalmente estendido ao caso n-dimensional.

Seja X = (X1 , . . . , Xn ) um vetor aleatrio com densidade f (x1 , . . . , xn ) e suponhamos
f

que Y = (Y1 , . . . , Yn ) = (X ), com bijetora. A aplicao do mtodo consiste, em

e

resumo, dos seguintes itens:

1. Obteno da transformao inversa:

y = y (x) x = x(y ).
e

e e

x
2. Clculo do determinante Jacobiano da inversa J(y ) = e .
y
e

e e

3. Estudo dos valores possveis de Y .

e

4. Densidade de Y :

g(y ) = f (x(y )) J(y ).

e e

O Mtodo do Jacobiano possui uma generalizao no caso de a funo ser bijetora

quando restrita a cada uma de k regies abertas disjuntas cuja unio contm o valor de X
f

com probabilidade 1. O leitor interessado pode olhar o Teorema 2.10 da Seo 2.7 de
James [8] e o exerccio 42.
8.3. (a) Sejam X e Y duas variveis aleatrias independentes, a valores inteiros, com
funes de probabilidade pX e pY , respectivamente. A convoluo de pX e pY a funo
p = pX pY definida por
p(z) =

pX (x) pY (z x), z Z.

A funo p(z) a funo de probabilidade da varivel aleatria Z = X + Y .

(b) Sejam X e Y duas variveis aleatrias contnuas e independentes, com funes densidade respectivas fX e fY . A convoluo de fX e fY a funo f = fX fY definida
por
f (z) =

Z +

fX (x) fY (z x) dx, z R.

Ento, Z = X + Y tem funo densidade f .

8.4. Sejam X e Y duas variveis aleatrias contnuas e independentes, com funes densidade respectivas fX e fY . Ento,
(i) X Y tem funo densidade dada por
fXY (z) =

Z +

fX (x) fY (x z) dx, z R.

45

Estatsticas de ordem

(ii) XY tem funo densidade dada por

fXY (z) =

Z +

1
fX (x) fY
|x|

z
dx, z R.
x

 

(iii) Y /X tem funo densidade dada por

fY /X (z) =

Z +

|x| fX (x) fY (xz) dx, z R.

Observao. O exerccio 43 ilustra como o Mtodo do Jacobiano til na determinao

das densidades da soma, diferena, produto e quociente de variveis aleatrias contnuas.

9. Estatsticas de ordem
Sejam X1 , X2 , . . . , Xn variveis aleatrias i.i.d., contnuas com funo densidade comum f
e funo de distribuio F . Defina Yi a i-sima menor de X1 , X2 , . . . , Xn . As variveis
aleatrias Y1 Y2 Yn so denominadas as estatsticas de ordem associadas a
X1 , X2 , . . . , Xn .
A densidade conjunta de Y1 , . . . , Yn dada por
fY1 ,...,Yn (y1 , . . . , yn ) = n! f (y1 ) . . . f (yn ),

y1 < y2 < < yn .

Para i < j, a densidade conjunta de Yi e Yj dada por

fYi ,Yj (x, y) =

n!
[F (x)]i1 [F (y) F (x)]ji1 [1 F (y)]nj f (x) f (y)
(i 1)! (j i 1)! (n j)!

para x < y.
A densidade de Yi dada por
fYi (x) =

n!
[F (x)]i1 [1 F (x)]ni f (x), x R.
(i 1)! (n i)!

Em particular, as densidades de Y1 = mn{X1 , . . . , Xn } e Yn = mx{X1 , . . . , Xn } so,

respectivamente,
fY1 (x) = n f (x) [1 F (x)]n1 , x R
fYn (x) = n f (x) [F (x)]n1 , x R.

46

Variveis aleatrias

10. Modelos multidimensionais

1. Distribuio multinomial: Seja o espao amostral associado a um experimento
aleatrio, e suponhamos que {A1 , . . . , An } uma partio de em n eventos. Obviamente, se pi = P (Ai ), ento

Pn

i=1

pi = 1.

Realizam-se m repeties independentes desse experimento. Seja Xi o nmero de vezes que ocorre o evento Ai nas m repeties. A varivel n-dimensional (X1 , . . . , Xn )
tem distribuio multinomial de parmetros m, p1 , . . . , pn . A funo de probabilidade conjunta dada por
P (X1 = x1 , . . . , Xn = xn ) =

m!
px1 . . . pxnn ,
x1 ! . . . xn ! 1

para xi {0, 1, . . . , m} com x1 + + xn = m.

Note que Xi Binomial(m, pi ) para i = 1, . . . , n.
2. Distribuio hipergeomtrica multivariada: Uma urna contm N bolas, das
quais N1 so da cor 1, N2 da cor 2, . . . , Nr da cor r (N = N1 + + Nr ). Retiram-se
n bolas sem reposio (n N ), e seja Xi o nmero de bolas da cor i extradas. A
varivel r-dimensional (X1 , . . . , Xr ) tem distribuio hipergeomtrica multivariada
de parmetros n, N1 , . . . , Nr , N . A funo de probabilidade conjunta dada por
N1
P (X1 = x1 , . . . , Xr = xr ) =
x1

Nr
...
xr

N
n

!1

para xi {0, 1, . . . , n} com x1 + + xr = n.

Observe que Xi Hipergeomtrica(n, Ni , N ) para i = 1, . . . , r.
3. Distribuio uniforme: Seja G Rn um conjunto tal que Vol (G) > 0, onde
Vol (G) o volume n-dimensional de G, definido por
Vol (G) =

dx1 . . . dxn .

A varivel n-dimensional X = (X1 , . . . , Xn ) tem distribuio uniforme em G se tem

densidade

f (x1 , . . . , xn ) =

1 / Vol (G) se (x1 , . . . , xn ) G,

0

caso contrrio.

47

Distribuies relacionadas com a normal

Ento, para B Rn ,
P (X B) =
f

Vol (B G)
.
Vol (G)

Esse modelo corresponde escolha ao acaso de um ponto em G.

11. Distribuies relacionadas com a normal

11.1. As distribuies definidas a seguir so fundamentais no estudo de procedimentos
de estimao estatstica.
1. Se Z1 , . . . , Zn so variveis aleatrias independentes e identicamente distribudas,
com distribuio N (0, 1), ento a varivel X = Z12 + + Zn2 tem distribuio
qui-quadrado com n graus de liberdade, denotada 2n .
A distribuio 2n a Gama(n/2, 1/2).
2. Se X e Y so variveis aleatrias independentes, X N (0, 1) e Y 2n , ento a
varivel
T =

X
Y /n

tem distribuio t de Student com n graus de liberdade, denotada tn . A densidade

dessa varivel dada por
( n+1 )
1
fT (t) = 2 n
, t R.
n ( 2 ) (1 + t2 /n)(n+1)/2
A distribuio t1 a Cauchy padro.
3. Se X e Y so variveis aleatrias independentes, X 2m e Y 2n , ento a varivel
U=

X/m
Y /n

tem distribuio F de Snedecor com m e n graus de liberdade, denotada F (m, n). A

densidade dessa varivel dada por
fU (u) =

( m+n
)
m/2 n/2 m/21
2
(n + m u)(m+n)/2 , u > 0.
n u
m
n m
( 2 ) ( 2 )

Se X F (m, n), ento 1/X F (n, m).

48

Variveis aleatrias

11.2. Sejam X1 , . . . , Xn variveis aleatrias independentes e identicamente distribudas,

com distribuio N (, 2 ). Definimos
=
X

Pn

i=1

Xi

= Mdia amostral e

Pn
2
2
2
X)
i=1 Xi n X
S =
=
= Varincia amostral.
n1
n1
e S 2 so variveis aleatrias independentes, com X
N (, 2 /n) e (n
Ento, X
2

i=1 (Xi

Pn

1) S 2 / 2 2n1 . Da, segue que

)
(X
n
tn1 .
S

Exerccios
1. Quinze pessoas portadoras de determinada doena so selecionadas para se submeter
a um tratamento. Sabe-se que este tratamento eficaz na cura da doena em 80% dos
casos. Suponha que os indivduos submetidos ao tratamento curam-se (ou no) independentemente uns dos outros e considere X o nmero de curados dentre os 15 pacientes
submetidos ao tratamento.
(a) Qual a distribuio de X?
(b) Qual a probabilidade de que os 15 pacientes sejam curados?
(c) Qual a probabilidade de que pelo menos dois no sejam curados?
2. Um estudante preenche por adivinhao um exame de mltipla escolha com 5 respostas
possveis (das quais uma correta) para cada uma de 10 questes.
(a) Qual a distribuio do nmero de respostas certas?
(b) Qual a probabilidade de que o estudante obtenha 9 ou mais respostas certas?
(c) Qual a probabilidade de que acerte pelo menos duas questes?
3. Um aqurio tem 3 peixes exticos gordinhos e 7 desnutridos. O gato Flix pega ao
acaso 3 peixes do aqurio; os 3 so gordinhos e Flix se prepara para com-los. Nesse
momento, aparece o seu dono, um probabilista famoso, que diz: Flix, voc vai tentar
repetir 3 vezes isso que acaba de fazer. Se voc conseguir o feito de pegar os 3 gordinhos
em pelo menos duas das trs vezes, eu deixarei que voc os coma. Se no conseguir, vai
comer a sua rao de costume. Qual a probabilidade de que Flix coma os peixes?
4. O nmero de erros tipogrficos numa pgina de determinado livro uma varivel
aleatria com distribuio de Poisson de parmetro 1/2. Encontre a probabilidade de que
haja trs ou mais erros tipogrficos nesta pgina. Calcule esta probabilidade dado que h
pelo menos um erro nesta pgina.

49

Exerccios

5. A liga de futebol de um pas tem quatro times: time 1, time 2, time 3 e time 4. Um
time estrangeiro em excurso pelo pas vai jogar um amistoso contra cada um dos times
1, 2 e 3. Suponha que contra o time 1 este time tem probabilidade 1/4 de conquistar a
vitria, enquanto que essa probabilidade vale 1/2 quando o adversrio o time 2 e vale
2/5 quando o adversrio o time 3. Assuma tambm que os resultados dos trs amistosos
so independentes. Seja X o nmero de vitrias conquistadas pelo time estrangeiro nos
trs amistosos.
(a) Obtenha a funo de probabilidade de X.
(b) Qual a probabilidade de que o time estrangeiro obtenha pelo menos uma vitria?
Suponha agora que, dependendo do seu desempenho nos trs amistosos, o time estrangeiro decidir fazer um quarto jogo, contra o time 4. Caso conquiste trs vitrias nos trs
amistosos, jogar contra o time 4; caso obtenha exatamente duas vitrias, far o quarto
jogo com probabilidade 4/5 e no realizar o quarto jogo caso obtenha apenas uma vitria
ou no vena nenhum dos trs amistosos.
(c) Determine a probabilidade de que o quarto jogo seja realizado.
(d) Dado que o quarto jogo se realizou, qual a probabilidade de que o time estrangeiro
tenha vencido os trs amistosos iniciais?
Soluo. (a) Notamos que X assume os valores 0, 1, 2, 3 e consideramos os eventos
Vi : O time estrangeiro conquista a vitria contra o time i, i = 1, 2, 3.
Sabemos que V1 , V2 e V3 so independentes, com P (V1 ) = 1/4, P (V2 ) = 1/2 e P (V3 ) = 2/5.
Ento,
P (X = 0) = P (V1 c V2 c V3 c ) = P (V1 c ) P (V2 c ) P (V3 c ) =

9
3 1 3
= ,
4 2 5
40

P (X = 1) = P (V1 V2 c V3 c ) + P (V1 c V2 V3 c ) + P (V1 c V2 c V3 )

=

1 1 3 3 1 3 3 1 2
9
+
+
= ,
4 2 5 4 2 5 4 2 5
20

P (X = 2) = P (V1 V2 V3 c ) + P (V1 V2 c V3 ) + P (V1 c V2 V3 )

1 1 3 1 1 2 3 1 2
11
+
+
= ,
4 2 5 4 2 5 4 2 5
40
1 1 2
1
P (X = 3) = P (V1 V2 V3 ) =
= .
4 2 5
20
=

(b) A probabilidade de que o time estrangeiro obtenha pelo menos uma vitria
P (X 1) = 1 P (X = 0) =

31
.
40

(c) Denotando por F o evento de que o time estrangeiro faz o quarto jogo, temos
P (F | X = 3) = 1,

P (F | X = 2) = 4/5,

P (F | X = 1) = P (F | X = 0) = 0,

50

Variveis aleatrias

portanto, pela frmula da probabilidade total,

P (F ) = P (F | X = 3) P (X = 3) + P (F | X = 2) P (X = 2) +
+ P (F | X = 1) P (X = 1) + P (F | X = 0) P (X = 0)
=1

4 11
1
+
= 0,27.
20 5 40

(d) Pela frmula de Bayes,

P (X = 3 | F ) =

P (F | X = 3) P (X = 3)
1/20
5
=
=
0,185.
P (F )
27/100
27

6. Um revendedor de componentes eltricos os compra em lotes de 10 peas. Seu controle

de qualidade consiste em inspecionar 3 componentes selecionados aleatoriamente de um
lote e aceitar o lote somente se os 3 componentes no so defeituosos. Sabe-se que 30%
dos lotes tm 4 componentes defeituosos e 70% tm apenas 1 componente defeituoso. Dos
3 componentes selecionados de um lote, seja X o nmero de componentes defeituosos.
(a) Obtenha a funo de probabilidade de X.
(b) Qual a probabilidade de que um lote seja aceito?
7. Um nmero aleatrio N de dados so lanados. Suponha que
P (N = i) =

1
, i = 1, 2, . . .
2i

A soma dos resultados S. Encontre as probabilidades de que

(a) N = 2 dado que S = 3;
(b) S = 3 dado que N par.
8. Seja X uma varivel aleatria com densidade dada por
a (1 + x) se 0 < x 1,
2/3
se 1 < x 2,
f (x) =

0
caso contrrio.

Obtenha:
(a) o valor de a.

(b) P (0,5 < X 1,5).

9. Se Y tem distribuio uniforme em (0, 5), qual a probabilidade de que as razes da

equao 4 x2 + 4 x Y + Y + 2 = 0 sejam ambas reais?
10. Defina uma coleo de eventos Ea , 0 < a < 1, satisfazendo a propriedade de que
T
P (Ea ) = 1 para todo a, mas P ( a Ea ) = 0.
Sugesto: Seja X com distribuio uniforme em (0, 1) e defina cada Ea em termos de X.

51

Exerccios

11. Razo de Mill: Denote respectivamente por e a densidade e a funo de

distribuio de uma varivel aleatria com distribuio N (0, 1).
(a) Prove que para todo x > 0,
1
1
(x)
3 (x) 1 (x)
.
x x
x
!

A importncia desses limitantes decorre do fato de no haver uma frmula fechada para .
(b) Obtenha de (a) que
lim

Sugesto: (a) Use que 1

3
1
1 1 + 2 para y > 0 e que
4
y
y

d (y)
1
= 1 + 2 (y),
dy
y
y
"

1 (x)
= 1.
(x)/x

d
dy

"

1
1
3
3 (y) = 1 4 (y).
y y
y
!

12. O tempo de durao em horas de um componente eletrnico tem distribuio exponencial de parmetro 1/8. O departamento de controle de qualidade da fbrica que o
produz descarta todos os componentes que falham nas trs primeiras horas, e os restantes
so comercializados.
(a) Determine a densidade da durao em horas de um componente comercializado.
(b) Qual a probabilidade de um componente comercializado durar mais que 12 horas?
13. Uma fbrica utiliza dois mtodos para a produo de lmpadas: 70% delas so produzidas pelo mtodo A e o resto pelo mtodo B. A durao em horas das lmpadas tem
distribuio exponencial com parmetro 1/80 ou 1/100, conforme se utilize o mtodo A
ou o B. Em um grupo de 10 lmpadas selecionadas ao acaso, qual a probabilidade de que
6 delas durem pelo menos 90 horas?
14. Sabe-se que 0,6% dos parafusos produzidos em uma fbrica so defeituosos. Estime
a probabilidade de que, em um pacote com 1000 parafusos,
(a) haja exatamente 4 parafusos defeituosos.
(b) no haja mais do que 4 parafusos defeituosos.
(c) encontrem-se pelo menos 3 parafusos defeituosos.
15. Aproximadamente 80000 casamentos foram celebrados no Rio de Janeiro durante o
ano passado. Estime a probabilidade de que para pelo menos um desses casais ambos os
cnjuges tenham nascido no dia 30 de abril. Deixe claras as suas hipteses.
16. Doze por cento da populao canhota. Aproxime a probabilidade de que haja pelo
menos 20 canhotos em uma escola com 200 alunos. Esclarea as suas hipteses.

52

Variveis aleatrias

17. Em um museu, vendem-se mil entradas diariamente, sendo de 35% a proporo diria
de visitantes estrangeiros. Estime a probabilidade de que em uma semana mais de 5000
brasileiros visitem o museu.
18. O tempo de vida em horas de chips de computador produzidos por uma indstria tem
distribuio normal com parmetros = 1,4 . 106 e 2 = 9 . 1010 . Obtenha uma estimativa
para a probabilidade de que um lote de 100 chips contenha pelo menos 20 chips que durem
menos que 1,8 . 106 horas.
19. Uma urna contm trs bolas brancas e duas bolas azuis. Realizam-se trs extraes,
sem reposio. Sejam X o nmero de bolas brancas obtidas e Y o nmero de bolas azuis
extradas antes de obter a primeira bola branca. Determine a funo de probabilidade
conjunta de X e Y , bem como as marginais.
20. A diretoria de uma organizao feminina formada por quatro mulheres solteiras,
trs divorciadas, duas vivas e uma casada. Uma comisso de trs pessoas escolhida ao
acaso para elaborar folhetos de propaganda da organizao. Sejam X e Y o nmero de
mulheres solteiras e vivas na comisso, respectivamente.
(a) Determine a funo de probabilidade conjunta de X e Y , bem como as marginais.
(b) Calcule a probabilidade de que pelo menos uma viva integre a comisso.
(c) Qual a probabilidade de que haja na comisso mais solteiras que vivas?
21. Modelo de Maxwell-Boltzmann. Distribumos k bolas distinguveis em n urnas,
de forma que todas as configuraes so igualmente provveis. Permitimos que mais de
uma bola seja colocada numa mesma urna. Seja Xj o nmero de bolas na urna j.
Demonstre que
k!
P
nk para kj 0 com nj=1 kj = k.
k1 ! . . . kn !

(a) P (X1 = k1 , . . . , Xn = kn ) =
k
(b) P (X1 = i) =
i
(c)

lim

1
n

!  
i

n,k, k/n(0,)

1
n

P (X1 = i) =

ki

, i = 0, . . . , k.

e i
, i = 0, 1, . . .
i!

22. Modelo de Bose-Einstein. Distribumos k bolas indistinguveis em n urnas, de

forma que todas as configuraes so igualmente provveis. Permitimos que mais de uma
bola seja colocada numa mesma urna. Seja Xj o nmero de bolas na urna j.
Mostre que
!1

n+k1
(a) P (X1 = k1 , . . . , Xn = kn ) =
n1
n+ki2
(b) P (X1 = i) =
n2

para kj 0 com
!1

n+k1
n1

, i = 0, . . . , k.

Pn

j=1

kj = k.

53

Exerccios

1
(c)
lim
P (X1 = i) =
n,k, k/n(0,)
+1

+1

!i

, i = 0, 1, . . .

23. Considere a distribuio aleatria de k bolas em n urnas como explicada nos exerccios 21 e 22. Suponha que k n e seja A o evento de que nenhuma urna fique vazia.
Prove que, no caso do modelo de Maxwell-Boltzmann,
P (A) =

n
X

(1)

i=0

!

n
i

i
n

k

e, para o modelo de Bose-Einstein,

k1
P (A) =
n1

!1

n+k1
n1

24. Sejam X1 e X2 variveis aleatrias independentes e identicamente distribudas, com

P (X1 = 1) = P (X1 = 1) = 1/2. Considere X3 = X1 X2 . As variveis aleatrias X1 , X2
e X3 so independentes? So independentes duas a duas?
25. Uma urna contm X bolas, onde X uma varivel aleatria com distribuio de Poisson de parmetro . As bolas so pintadas, de maneira independente, de vermelho com
probabilidade p ou azul com probabilidade (1 p). Sejam Y o nmero de bolas vermelhas
e Z o nmero de bolas azuis. Prove que Y e Z so variveis aleatrias independentes,
com Y Poisson(p) e Z Poisson((1 p)).
Sugesto: Para y, z N, seja x = y + z. Justifique e use que
x y
e x
.
P (Y = y, Z = z) = P (Y = y, Z = z | X = x) P (X = x) =
p (1 p)z
x!
y
!

26. Sejam X0 , X1 , . . . variveis aleatrias i.i.d., com P (X0 = 1) = P (X0 = 1) = 1/2.

Q
Considere Zn = nj=0 Xj , n 0. Mostre que Z0 , Z1 , . . . so independentes.
Sugesto: Por induo em n, prove que para todo n 0,
P (Zn = 1) = P (Zn = 1) = 1/2 e
P (Z0 = 1, Z1 = 1, . . . , Zn = 1) = 1/2n+1 .
Da, use o tpico 2.10 para concluir que Z0 , Z1 , . . . so independentes.
27. Seja OA um segmento de R de comprimento a. Escolhem-se dois pontos P1 e P2
em OA de forma aleatria e independente. Denote por X1 e X2 os comprimentos dos
segmentos OP1 e OP2 , respectivamente.
Dentre P1 e P2 , sejam Y1 o ponto mais prximo a O e Y2 o ponto mais prximo a A.
Defina M1 e M2 os comprimentos dos segmentos OY1 e OY2 , respectivamente.

54

Variveis aleatrias

(a) Calcule a funo de distribuio da varivel aleatria M = distncia entre P1 e P2 .

(b) Encontre a densidade de M .
(c) Determine a probabilidade de que com os trs segmentos OY1 , Y1 Y2 e Y2 A seja
possvel construir um tringulo.
Soluo. (a) Temos que X1 e X2 so variveis aleatrias independentes, ambas com
distribuio uniforme em [0, a]. Ento, o par (X1 , X2 ) tem distribuio uniforme em
B = [0, a] [0, a]. Alm disso,
M1 = mn{X1 , X2 },
M2 = mx{X1 , X2 } e
M = M2 M1 = |X1 X2 |.
Queremos calcular FM (y) = P (M y) = P (|X1 X2 | y), y R.
Claramente, se y 0, ento FM (y) = 0.
Para y > 0, definimos o conjunto Ay = {(u, v) R2 : |u v| y}, portanto
FM (y) = P ((X1 , X2 ) Ay ) =

rea (Ay B)
.
rea (B)

Se y > a, ento Ay B = B, logo FM (y) = 1.

Por outro lado, se 0 < y a, ento (veja-se a Figura 3.4)
FM (y) =

2ay y 2
a2 (a y)2
=
.
a2
a2

Assim, a funo de distribuio de M dada por

se y 0,

FM (y) = (2ay y 2 )/a2 se 0 < y a,

se y > a.

(b) Como FM contnua e derivvel por partes, obtemos a densidade de M derivando FM :

fM (y) =

2(a y)/a2 se 0 < y < a,

0

caso contrrio.

Note que os valores de fM nos pontos 0 e a so arbitrrios.

(c) Recordamos que M1 = mn{X1 , X2 }, M2 = mx{X1 , X2 } e M = M2 M1 . Os
segmentos com os quais se deseja construir um tringulo tm comprimento M1 , M e
a M2 , logo poder constru-lo equivalente a pedir que
M1 < M + a M2 , M < M1 + a M2 e a M2 < M1 + M.
Assim, precisamos calcular P (M1 < a/2, M < a/2, M2 > a/2). Definimos o conjunto
C = {(u, v) R2 : mn{u, v} < a/2, |u v| < a/2, mx{u, v} > a/2}. Ento,
P (M1 < a/2, M < a/2, M2 > a/2) = P ((X1 , X2 ) C) =

rea (C B)
1
= .
rea (B)
4

55

Exerccios

C B

Ay B

a/2

a/2

Figura 3.4: Exerccio 27 Clculos de FM e do item (c).

28. Um casal combina de se encontrar em certo local perto das 12:30 h. Suponha que
o homem chega em uma hora uniformemente distribuda entre 12:15 h e 12:45 h e a mulher independentemente chega em uma hora uniformemente distribuda entre 12 h e 13 h.
Encontre as probabilidades de que
(a) o primeiro a chegar no espere mais que 5 minutos pelo segundo;
(b) a mulher chegue primeiro.
29. Sejam X e Y variveis aleatrias com densidade conjunta dada por

f (x, y) =

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

0

caso contrrio.

(a) Determine as distribuies marginais de X e Y .

(b) Mostre que P (X zY ) = 3 z 2 2 z 3 para z (0, 1).
(c) Usando o item (b), obtenha a distribuio de X/Y .
30. Lanamos seis vezes uma moeda honesta de forma independente. Seja Y a diferena
entre o nmero de caras e coroas obtidas. Encontre a distribuio de Y .
31. Seja U uma varivel aleatria com distribuio uniforme no intervalo aberto (0, 1).
Dado p (0, 1), obtenha a distribuio da varivel aleatria
log U
X = log1p U =
,
log(1 p)
h

"

onde [a] denota a parte inteira de a.

32. Seja X uma varivel aleatria com distribuio exponencial de parmetro . Definimos uma nova varivel aleatria por Y = [X] + 1, onde [X] denota a parte inteira de X.
Obtenha a distribuio de Y .

56

Variveis aleatrias

33. Seja X uma varivel aleatria com distribuio uniforme no intervalo [0, 10]. Determine a funo de distribuio das seguintes variveis aleatrias:
(a) Y = X 2 + 2.
(b) W = mx{2, mn{4, X}}.
(c) Z = |X 4|.
Observao. Cumpre observar que W dada no item (b) uma varivel aleatria, pois
uma funo contnua da varivel aleatria X. Note entretanto que W no discreta (j
que pode assumir qualquer valor no intervalo [2, 4]) e nem absolutamente contnua (pois
assume os valores 2 e 4 com probabilidades positivas). A varivel W uma mistura dos
dois tipos. Mais detalhes a respeito de tipos de variveis aleatrias so encontrados na
Seo 2.2 de James [8].
34. Encontre a densidade de Y = e2X , onde X tem distribuio exponencial de parmetro 1.
Soluo. A densidade de X dada por
f (x) = ex , x > 0.
Consideremos a funo : (0, ) (0, 1) dada por (x) = e2x . Ento, decrescente,
diferencivel e
y = (x) = e2x

x = 1 (y) =

1
log y,
2

dx
1
= .
dy
2y
A densidade de Y = e2X , portanto,
g(y) = f (



 dx 


(y))  
 dy

1
, 0 < y < 1.
2 y

35. Distribuio Log-normal. Seja Y = eX , onde X tem distribuio N (0, 1). Encontre a densidade de Y .
36. Seja X uma varivel aleatria com distribuio uniforme em (0, /2). Obtenha a
densidade de Y = sen X.
37. Determine a densidade de Y = arcsen X quando
(a) X tem distribuio uniforme em (0, 1);
(b) X tem distribuio uniforme em (1, 1).
38. Encontre a densidade de Y = |X|, onde X tem distribuio N (0, 1).

57

Exerccios

39. Seja X uma varivel aleatria com densidade dada por

|x|
e
, x R,
2

f (x) =

onde > 0. Determine a distribuio da varivel aleatria Y = |X|.

40. Seja X uma varivel aleatria com densidade dada por

1/2

se 1 < x < 0,

f (x) = ex /2 se x 0,

caso contrrio.

Obtenha a densidade de Y = X 2 .
41. Sejam X e Y variveis aleatrias i.i.d. com funo densidade comum

f (x) =

1/x2 se x > 1,
0

caso contrrio.

(a) Calcule a densidade conjunta de Z e W , onde Z = XY e W = X/Y .

(b) So Z e W independentes?
Soluo. (a) Notamos que a densidade conjunta de X e Y dada por

fX,Y (x, y) =

1/(x2 y 2 ) se x > 1, y > 1,

0

caso contrrio.

Sejam B0 = {(x, y) R2 : x > 1, y > 1} e B = {(z, w) : z > w > 0, zw > 1}.

Consideremos a funo : B0 B
definida por (x, y) = (xy, x/y). Ento, uma

1
funo bijetora, (z, w) = ( zw, z/w) e o Jacobiano de 1 igual a 1/(2w). Como
(Z, W ) = (X, Y ), a densidade conjunta de Z e W dada por

1
fX,Y ( zw, z/w)
se z > w > 0, zw > 1,
fZ,W (z, w) =
2w

0
caso contrrio.

Assim,
fZ,W (z, w) =

1/(2z 2 w) se z > w > 0, zw > 1,

caso contrrio.

(b) Observamos que

R
z
1/z
1/(2z 2 w) dw

fZ (z) =
Logo,

fZ (z) =

se z > 1,
caso contrrio.

log(z)/z 2 se z > 1,
0

caso contrrio.

58

Variveis aleatrias

Ademais,
fW (w) =

R
2

1/w 1/(2z w) dz

2
w 1/(2z w) dz

Portanto,

1/2

se 0 < w 1,
se w > 1,
caso contrrio.

se 0 < w 1,

fW (w) = 1/(2w2 ) se w > 1,

caso contrrio.

Visto que a densidade conjunta no o produto das marginais, conclumos que Z e W

no so independentes.
42. Sejam X e Y variveis aleatrias independentes, ambas com distribuio exponencial
de parmetro 1. Calcule a densidade conjunta de U = |X Y | e V = X + Y , bem como
as marginais.
Soluo. Sejam A = {(x, y) R2 : x > 0, y > 0}, A? = {(u, v) R2 : 0 < u < v} e
definimos a funo : A A? por (x, y) = (|x y|, x + y). Observamos que no
bijetora, mas podemos utilizar o mtodo resumido no Teorema 2.10 da Seo 2.7 de
James [8]. Definimos A(1) = {(x, y) A : y x > 0} e A(2) = {(x, y) A : y x < 0}.
Ento, 1 := |A(1) e 2 := |A(2) so funes bijetoras com inversas
1
1 (u, v)

vu u+v
,
=
2
2


1
2 (u, v)

u+v vu
=
,
.
2
2


Aplicando o teorema, obtemos que, para 0 < u < v, a densidade conjunta de U e V

fU,V (u, v) = fX,Y

vu u+v
,
2
2

1
+ fX,Y
2

u+v vu 1
,
.
2
2
2


Portanto,
fU,V (u, v) =

ev se 0 < u < v,
0

caso contrrio.

Com respeito s marginais, um clculo simples mostra que U Exp(1) e V Gama(2, 1).
43. Sejam X e Y variveis aleatrias com funo densidade conjunta f . Usando o Mtodo
do Jacobiano, determine a densidade de Z = XY . Escreva a densidade de Z no caso em
que X e Y so independentes, com densidades fX e fY , respectivamente.
Soluo. Consideremos a transformao e sua inversa

=x

z = xy

=w

= z/w

com Jacobiano J(w, z) = 1/w. (Recorde-se de que P (W = 0) = 0).

59

Exerccios

Ento, a densidade conjunta de W e Z



g(w, z) = f w,

z
w

1
.
|w|

Portanto, a densidade de Z = XY dada por

fZ (z) =

z 1
f x,
dx.
x |x|


Assim, se X e Y so independentes com densidades respectivas fX e fY ,

fZ (z) =

fX (x) fY

z 1
dx.
x |x|

 

No clculo de um caso particular, caso se prefira aplicar diretamente a frmula obtida,

preciso estar atento aos valores que Z assume e aos limites da integral.
44. Sejam X e Y variveis aleatrias independentes, com distribuio comum N (0, 1).

Mostre que U = (X + Y )/ 2 e V = (X Y )/ 2 tambm so independentes e N (0, 1).

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

Prove que R = X 2 + Y 2 e = arctg(Y /X) tambm so independentes, U (0, 2) e

R tem distribuio de Rayleigh, ou seja, tem densidade
fR (r) = r er

2 /2

, r > 0.

46. Sejam X e Y variveis aleatrias independentes, X Gama(r, ) e Y Gama(s, ),

onde > 0, r > 0 e s > 0. Mostre que P = X + Y e Q = X/(X + Y ) tambm so
independentes, P Gama(r + s, ) e Q Beta(r, s).
47. Sejam X e Y variveis aleatrias com funo densidade conjunta
f (x, y) =

6y se 0 < y < x < 1,

0

caso contrrio.

(a) Determine as densidades marginais de X e Y . So X e Y independentes?

(b) Calcule a funo densidade de Z = Y /X.
48. Sejam X e Y variveis aleatrias com funo densidade conjunta

f (x, y) =

x ey se 0 < x < y < ,

0

caso contrrio.

(a) Obtenha as densidades marginais de X e Y . So X e Y independentes?

(b) Determine a densidade de Z = Y X.

60

Variveis aleatrias

49. As variveis aleatrias X e Y representam, respectivamente, a renda e o consumo por

ms, em milhes de reais, dos trabalhadores de uma empresa. Suponha que a densidade
conjunta de X e Y dada por

1 x1/2 y 1/2 se 0 < y < x < 3,

f (x, y) = 6

0
caso contrrio.
(a) A renda e o consumo so independentes?
(b) Determine a funo densidade do quociente entre o consumo e a renda desses
trabalhadores.
50. Seja X a varivel aleatria que representa o peso em toneladas de uma certa mercadoria que uma loja armazena no incio de cada ms de forma a satisfazer a demanda dos
clientes. Seja Y o peso em toneladas da mercadoria vendida durante o ms. Suponha que
a funo densidade conjunta de X e Y dada por

1
se 0 < y < x < 10,
10 x
f (x, y) =

0
caso contrrio.
(a) Obtenha a densidade do peso da mercadoria que sobra armazenada ao final do
ms.
(b) Calcule a probabilidade de que o peso da mercadoria armazenada ao incio do ms
seja superior a 8 toneladas e o peso da mercadoria vendida inferior a 4 toneladas.
(c) Dado que em um ms as vendas no superaram 5 toneladas, qual a probabilidade
de que ao final do ms restem armazenadas mais do que 3 toneladas?
51. Sejam X e Y variveis aleatrias com funo densidade conjunta dada por

f (x, y) =

k xy se x 0, y 0 e x + y 1,
0

caso contrrio.

(a) Obtenha k.
(b) Calcule as densidades marginais de X e Y .
(c) So X e Y independentes?
(d) Calcule as seguintes probabilidades: P (X Y ), P (X 1/2 | X + Y 3/4) e
P (X 2 + Y 2 1).
(e) Obtenha a densidade conjunta de U = X +Y e V = X Y , bem como as marginais.
52. Trs pessoas A, B e C chegam ao mesmo tempo a uma central telefnica que possui
dois aparelhos telefnicos. Os dois aparelhos so utilizados imediatamente por A e B. A
pessoa C substitui a primeira pessoa que finalize a sua ligao e cada pessoa se retira da
central uma vez terminado o seu telefonema. Sejam X1 , X2 e X3 os tempos das ligaes
de A, B e C, respectivamente. Suponha que X1 , X2 e X3 so variveis aleatrias i.i.d.
com distribuio exponencial de parmetro .

61

Respostas

(a) Determine a densidade de Z = mx{X1 , X2 } mn{X1 , X2 }.

(b) Calcule P (Z < X3 ).
(c) O que representa a probabilidade calculada no item (b)?
53. Escolhe-se ao acaso um ponto P = (X, Y ) do quadrado unitrio (0, 1) (0, 1). Seja
o ngulo formado entre o eixo x e o segmento que une a origem e P . Encontre a densidade
de .
54. Sejam 1 e 2 variveis aleatrias independentes, ambas com distribuio uniforme
em (0, 2). Ento, P1 = (X1 , Y1 ) = (cos 1 , sen 1 ) e P2 = (X2 , Y2 ) = (cos 2 , sen 2 )
so dois pontos escolhidos de forma aleatria e independente na circunferncia de raio
unitrio. Considere Z = (X1 X2 )2 + (Y1 Y2 )2 o quadrado da distncia entre P1 e P2 .
Calcule a densidade da varivel aleatria Z.
Sugesto: Defina
=

|1 2 |

se |1 2 | < ,

2 |1 2 | se |1 2 | < 2

e mostre que para 0 < y < ,

P ( y) = P (|1 2 | y) + P (2 y |1 2 | < 2) =

y
.

(Ou seja, tem distribuio uniforme em (0, )). Ento, use que Z = 2 2 cos .

Respostas
1. (a) Binomial (n = 15, p = 0,8) (b) 0,035 (c) 0,83
2. (a) Binomial (n = 10, p = 1/5) (b) 4,2 . 106 (c) 0,62
3. 358/1203 0,000207
4. 0,014; 0,036
6. (a) P (X = 0) = 0,54, P (X = 1) = 0,36, P (X = 2) = 0,09, P (X = 3) = 0,01
(b) 0,54
7. (a) 24/169 (b) 1/24
8. (a) 2/9 (b) 19/36
9. 3/5
12. (a) f (y) = (1/8) exp{(y 3)/8}, y > 3 (b) 0,325

62

Variveis aleatrias

13. 0,068
14. (a) 0,1339 (b) 0,2851 (c) 0,9380
15. 0,45
16. 0,8363
17. 0
18. 1
0
1/10
2/5
1/10
3/5

X \Y
1
2
3
pY (y)

19.

20. (a)

1
1/10
1/5
0
3/10

0
1/30
1/5
1/5
1/30
7/15

X \Y
0
1
2
3
pY (y)

1
1/10
4/15
1/10
0
7/15

2
1/10
0
0
1/10

pX (x)
3/10
3/5
1/10
1

2
1/30
1/30
0
0
1/15

pX (x)
1/6
1/2
3/10
1/30
1

(b) P (Y 1) = 8/15 (c) P (X > Y ) = 8/15

24. X1 , X2 e X3 no so independentes, mas so independentes duas a duas.
28. (a) 1/6 (b) 1/2
29. (a) X Beta(2, 4) e Y Beta(4, 2) (c) X/Y Beta(2, 2)
! 
1 6

6
30. P (Y = k) =
(k + 6)/2

, k = 6, 4, 2, 0, 2, 4, 6

31. P (X = k) = p (1 p)k , k = 0, 1, . . .
32. Geomtrica(1 e )

33. (a) FY (y) =

y 2/10 se 2 y < 102,

(b) FW (w) =

se y < 2,

1
0

se y 102.
se w < 2,

w/10 se 2 w < 4,
1

se w 4.

63

Respostas

(c) FZ (z) =

0
z/5

se z < 0,
se 0 z < 4,

z/10 + 2/5 se 4 z < 6,

1

se z 6.

35. fY (y) = y 1 (2)1/2 exp{(log y)2 /2}, y > 0

36. fY (y) = 2/( 1 y 2 ), 0 < y < 1

37. (a) fY (y) = cos y, 0 < y < /2 (b) fY (y) = (1/2) cos y, /2 < y < /2
38. fY (y) = (2/)1/2 exp{y 2 /2}, y > 0
39. Y Exp()

40. fY (y) =


1 
1 + e y se 0 y < 1,
4 y

1
e y
se y 1,
4 y
0
caso contrrio.

47. (a) fX (x) = 3 x2 , 0 < x < 1, fY (y) = 6 y (1 y), 0 < y < 1;

X e Y no so independentes.
(b) fZ (z) = 2 z, 0 < z < 1
48. (a) fX (x) = x ex , x > 0, fY (y) =
X e Y no so independentes.

1 2 y
y e , y > 0;
2

(b) fZ (z) = ez , z > 0

1 2
1
x , 0 < x < 3, fY (y) = y 1/2 (33/2 y 3/2 ), 0 < y < 3;
9
9
X e Y no so independentes.
3
(b) fY /X (z) = z 1/2 , 0 < z < 1
2

49. (a) fX (x) =

50. (a) fZ (z) = (1/10) log(10/z), 0 < z < 10

(b) P (X > 8, Y < 4) = 0,0893
(c) P (X Y > 3 | Y 5) = 0,375
51. (a) k = 24 (b) fX (x) = fY (x) = 12 x (1 x)2 , 0 x 1 (c) No
(d) P (X Y ) = 1/2, P (X 1/2 | X + Y 3/4) = 1/9 e P (X 2 + Y 2 1) = 1
(e) g(u, v) = 3 (u2 v 2 ), u v u 1;
fU (u) = 4 u3 , 0 u 1; fV (v) = 1 3 v 2 + 2 |v 3 |, 1 v 1

64

Variveis aleatrias

52. (a) Z Exp() (Primeiro, obtenha a densidade conjunta de Y1 = mn{X1 , X2 } e

Y2 = mx{X1 , X2 } e depois use o Mtodo do Jacobiano para mostrar que Y1 e Z so
independentes com Y1 Exp(2) e Z Exp()).
(b) 1/2 (Note que X3 e Z so independentes, ambas com distribuio Exp()).
(c) a probabilidade de que, dentre as trs pessoas, C seja a ltima a sair da central
telefnica.
53. fY /X (z) =

1/2

1/(2 z 2 ) se z > 1,

54. fZ (z) =

se 0 < z 1,

0
1

2 z z 2 /4

caso contrrio.
, z (0, 4)

f () =

1/(2 cos2 ) se 0 < /4,

1/(2 sen2 ) se /4 < < /2,
0

caso contrrio.

Captulo 4

Esperana

1. Definies e propriedades
1.1. A esperana (mdia, valor esperado) de uma varivel aleatria X definida por
X = E(X) =

x P (X = x)

x
Z

x f (x) dx

se X discreta,
se X contnua com densidade f.

Observao. A esperana est definida somente quando a soma (integral) bem definida.
Assim,
E(X) =

x0
Z

x P (X = x)

x0

(x) P (X = x) se X discreta,

x<0

x f (x) dx

x<0

(x) f (x) dx

se X contnua com densidade f

e portanto E(X) est definida desde que ambas as somas (integrais) no sejam +. Em
caso contrrio, dizemos que E(X) no existe (ou que X no tem valor esperado).
Observamos que, em particular, E(X) est bem definida se P (X 0) = 1.
Como um exemplo de uma varivel aleatria cuja esperana no existe, seja X
assumindo valores em Z = Z \ {0} com funo de probabilidade dada por
P (X = x) =

1
, x Z .
2 |x| (1 + |x|)

Para ver por que esta uma funo de probabilidade, note que

X
1
1
1
=

= 1.
k (1 + k) k=1 k 1 + k

k=1

Como

x>0

x P (X = x) =

x<0

(x) P (X = x) = , E(X) no existe.

1.2. Para qualquer funo g a valores reais,

E[g(X)] =

g(x) P (X = x)

x
Z

g(x) f (x) dx

se X discreta,
se X contnua com densidade f.

66

Esperana

1.3. Dizemos que a varivel aleatria X integrvel se E(X) finita. Isto equivalente
a que E|X| < .
1.4. Para n 1, o n-simo momento de uma varivel aleatria X E(X n ) (se existe).
1.5. A varincia de uma varivel aleatria X integrvel com esperana dada por
Var(X) = E((X )2 ) = E(X 2 ) 2 .
1.6. Se a e b so constantes, ento
E(a X + b) = a E(X) + b

Var(a X + b) = a2 Var(X).

1.7. Se E|X|t finita para algum t > 0, ento E|X|s finita para todo 0 s t.
1.8. (a) Se X uma varivel aleatria inteira e no-negativa, ento
E(X) =

P (X n).

n=1

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

Z
0

P (X > t) dt.

1.9. Critrio para integrabilidade: Seja X uma varivel aleatria qualquer. Ento,

P (|X| n) E|X| 1 +

n=1

P (|X| n).

n=1

Assim, X integrvel se e somente se

n=1

P (|X| n) < .

1.10. (a) Se X e Y tm uma funo de probabilidade conjunta p(x, y), ento

E[(X, Y )] =

XX
x

(x, y) p(x, y).

(b) Se X e Y tm uma funo densidade conjunta f (x, y), ento

E[(X, Y )] =

Z Z

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

1.11. Se P (X Y ) = 1, ento E(X) E(Y ).

1.12. E

X
n
i=1

Xi =

n
X
i=1

E(Xi ).

67

Distribuio e esperana condicionais

1.13. Se X1 , . . . , Xn so independentes, ento

E

Y
n

n
Y

Xi =

i=1

E(Xi ).

i=1

1.14. A covarincia entre duas variveis aleatrias X e Y integrveis dada por

Cov(X, Y ) = E((X X )(Y Y )) = E(XY ) E(X) E(Y ).
Assim, Cov(X, Y ) = 0 se X e Y so independentes. (Porm a recproca no sempre
verdadeira).
X
n

1.15. Cov

i=1

reais.
1.16. Var

ai X i ,

X
n

m
X
j=1

Xi =

i=1

1.17. Var

X
n

bj Y j

n
X

n X
m
X

Var(Xi ) + 2

i=1

Xi =

n
X

ai bj Cov(Xi , Yj ), onde os ai e bj so nmeros

i=1 j=1

Cov(Xi , Xj ).

1i<jn

Var(Xi ) se X1 , . . . , Xn so independentes.

i=1

i=1

Observao. Recorde-se de que 1.12 e 1.16 so teis para determinar a esperana e a

varincia de muitas variveis aleatrias pelo uso de funes indicadoras.
1.18. Sejam X e Y variveis aleatrias com varincias finitas e positivas. O coeficiente
de correlao entre X e Y definido por
(X, Y ) =
onde X =

Var(X) e Y =

Cov(X, Y )
=E
X Y
q



X X
X



Y Y
Y



Var(Y ).

Propriedades:
(i) |(X, Y )| 1.
(ii) Se (X, Y ) = 1, ento os valores de X e Y pertencem a uma reta.

2. Distribuio e esperana condicionais

2.1. Caso discreto: Se X e Y so variveis aleatrias discretas, a funo de probabilidade
condicional de X dado que Y = y definida por
pX|Y (x | y) = P (X = x | Y = y) =

p(x, y)
,
pY (y)

68

Esperana

para todos os valores de y tais que pY (y) > 0. Neste caso, a esperana condicional de X
dado que Y = y
E(X | Y = y) =

x pX|Y (x | y).

X
x

2.2. Caso contnuo: Se X e Y so conjuntamente contnuas com funo densidade

conjunta f (x, y), a funo densidade condicional de X dado que Y = y definida para
todos os valores de y tais que fY (y) > 0 por
fX|Y (x | y) =

f (x, y)
.
fY (y)

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

E(X | Y = y) =

x fX|Y (x | y) dx.

2.3. Para B R,
P (X = x | Y = y) no caso discreto,

P (X B | Y = y) =

xB

fX|Y (x | y) dx

no caso contnuo.

2.4. A esperana condicional de X dado que Y = y simplesmente a esperana de X com

respeito distribuio condicional de X dado que Y = y. Assim, desfruta de propriedades
anlogas s da esperana comum. Por exemplo,
E(a X1 + b X2 | Y = y) = a E(X1 | Y = y) + b E(X2 | Y = y);
E(g(X) | Y = y) =

g(x) P (X = x | Y = y)

x
Z

g(x) fX|Y (x | y) dx

no caso discreto,
no caso contnuo.

2.5. Princpio da substituio para a esperana condicional:

E ((X, Y ) | Y = y) = E ((X, y) | Y = y) .
Corolrio: E (g(X) h(Y ) | Y = y) = h(y) E (g(X) | Y = y).
2.6. Propriedade fundamental: E (E(X | Y )) = E(X).
(a) E(X | Y ) uma varivel aleatria (uma funo de Y ) cuja esperana igual a E(X).

69

Funes geradoras

(b) E(X) =

E(X | Y = y) P (Y = y)

y
Z

E(X | Y = y) fY (y) dy

se Y discreta,
se Y contnua com densidade fY .

(c) P (A) =

P (A | Y = y) P (Y = y)

y
Z

P (A | Y = y) fY (y) dy

se Y discreta,
se Y contnua com densidade fY .

3. Funes geradoras
3.1. A funo geradora de momentos da varivel aleatria X definida por
MX (t) = E(etX ) =

X tx

e P (X = x)

x
Z

etx f (x) dx

se X discreta,
se X contnua com densidade f,

para todo t R tal que a esperana seja finita.

Observao. Suporemos que o domnio de MX contm um intervalo em torno de t = 0.
3.2. Propriedades:
dn MX (t) 

= E(X n ), n 1.
=
dtn t=0


1.

(n)
MX (0)

2. Para a, b R, MaX+b (t) = etb MX (at).

3. A funo geradora de momentos determina unicamente a distribuio. Isso significa
que se X e Y so variveis aleatrias tais que MX (t) = MY (t) para |t| < c, onde
c > 0 uma constante, ento FX (x) = FY (x) para todo x R.
4. Se X1 , . . . , Xk so variveis aleatrias independentes com funes geradoras de momentos respectivas MX1 (t), . . . , MXk (t), ento a funo geradora de momentos de
X1 + + Xk dada por
MX1 + +Xk (t) = MX1 (t) . . . MXk (t).
3.3. Sejam X1 , . . . , Xk variveis aleatrias independentes.
Se Xi Binomial(ni , p), i = 1, . . . , k, ento

Pk

i=1

Xi Binomial(

Se Xi Binomial Negativa(ri , p), i = 1, . . . , k, ento

P
( ki=1 ri , p).

Pk

Pk

i=1

i=1

ni , p).

Xi Binomial Negativa

70

Esperana

Se Xi Poisson(i ), i = 1, . . . , k, ento

Pk

Se Xi Gama(i , ), i = 1, . . . , k, ento

i=1

Pk

i=1

Se Xi Normal(i , i2 ), i = 1, . . . , k, ento

Pk

i ).

Pk

i , ).

Xi Poisson(

Pk

Xi Gama(

i=1

i=1

i=1

Xi Normal(

Pk

i=1

i ,

Pk

i=1

i2 ).

Observao. Se X uma varivel aleatria inteira e no-negativa, prefervel trabalhar

com a funo geradora de probabilidade de X, que definida por
GX (s) = E(s ) =
X

sn P (X = n), s [1, 1].

n=0

Note que GX uma srie de potncias com raio de convergncia maior ou igual a 1, j
que GX (1) = P (X < ) = 1. A funo geradora de probabilidade tambm determina
unicamente a distribuio. Ademais, a funo geradora de probabilidade da soma de variveis aleatrias independentes igual ao produto das funes geradoras de probabilidade
individuais.
Outras propriedades:
(n)

(i) P (X = n) =

GX (0)
, n 0.
n!

(n)

(n)

(n)

(ii) GX (1) = E [X(X 1) . . . (X n + 1)] , n 1, onde GX (1) = lim GX (s) quando

s1

o raio de convergncia de GX igual a 1.

A funo caracterstica de uma varivel aleatria X a funo X : R C definida por

X (t) = E(eitX ) = E (cos (tX)) + i E (sen (tX)) , t R,
onde o smbolo i representa a unidade imaginria

1. A principal vantagem de trabalhar

com a funo caracterstica reside no fato de ser definida para todo t R.

N R
nx

R
x

N
n

!1

x 1 r xr
p q , x = r, r + 1, . . .
r1

p et
1 q et

!r

nR
N

r
p
R
n
N




R
1
N

rq
p2

q
p2

1
p

, x = 1, 2, . . .

pq

p et
1 q et

x1

e(e 1)

npq



n2 1
12

e x
, x = 0, 1, . . .
x!

np

(p et + q)n

n x nx
p q , x = 0, 1, . . . , n
x

n+1
2

et (en t 1)
n (et 1)

1
, x = 1, . . . , n
n

2
X

N n
N 1

Tabela 4.1: Distribuies discretas. Como de costume, q = 1 p. Para a distribuio uniforme discreta, a frmula indicada para
MX (t) vlida para t 6= 0. Para as distribuies geomtrica e binomial negativa, o domnio de MX (, log(1 p)). Para
a distribuio hipergeomtrica, os valores possveis so mx(0, n N + R) x mn(n, R) e a funo geradora de momentos foi
substituda por um asterisco pois no til.

Hipergeomtrica(n, R, N )

Binomial Negativa(r, p)

Geomtrica(p)

Poisson()

Binomial(n, p)

Uniforme Discreta(n)

MX (t)

pX (x)

Funes geradoras
71

1
b 1 + [(x a)/b]2

o,

xR

para t <

X (t) = ei a tb |t|

para t <
t

a
a+b

ab
(a + b + 1)(a + b)2

1
2

(b a)2
12

2
X

a+b
2

Tabela 4.2: Distribuies contnuas. Para a distribuio uniforme, a frmula indicada para MX (t) vlida para t 6= 0. A funo
geradora de momentos da distribuio Beta foi substituda por um asterisco pois no til. Para a distribuio de Cauchy, indicada
a funo caracterstica.

Cauchy(a, b)

1
xa1 (1 x)b1 , 0 x 1
B(a, b)

Beta(a, b)

Exponencial()

Gama(, )

ex , x 0

Normal(, 2 )

1 x
x
e
,x0
()

1
2
2
e(x) /(2 ) , x R
2

Uniforme(a, b)
2 t2 /2

eb t ea t
t (b a)

1
,axb
ba
e t+

MX (t)

fX (x)

72
Esperana

73

Desigualdades

4. Desigualdades
4.1. Desigualdade de Markov: Se X 0, ento, para qualquer > 0,
P (X )

E(X)
.

4.2. Desigualdade de Markov Generalizada: Seja X uma varivel aleatria qualquer.

Para todo t > 0,
P (|X| )

E|X|t
, > 0.
t

4.3. Desigualdade de Chebyshev: Seja X uma varivel aleatria com E(X) < .
Ento, para qualquer > 0,
P (|X E(X)| )

Var(X)
.
2

4.4. Limitantes de Chernoff: Para quaisquer varivel aleatria X e a R,

P (X a) eta MX (t) para todo t > 0;
P (X a) eta MX (t) para todo t < 0.
4.5. Desigualdade de Jensen: Seja : R R uma funo convexa. Se a varivel
aleatria X integrvel, ento
E((X)) (E(X)).
Observao. A desigualdade de Jensen vlida se convexa em um intervalo (a, b) tal
que P (a < X < b) = 1, em que se admite a possibilidade de a = ou b = +.
4.6. Desigualdade de Cauchy-Schwarz: Se as variveis aleatrias X e Y tm varincias finitas, ento
|E(XY )| (E(X 2 ) E(Y 2 ))1/2 .

Exerccios
1. Duas bolas so escolhidas aleatoriamente de uma urna contendo 4 bolas azuis, 3 vermelhas e 2 laranjas. Suponha que ganhamos 10 reais para cada bola azul selecionada,
ganhamos 1 real para cada bola laranja, porm perdemos 8 reais para cada bola vermelha.
Seja X o nosso lucro.

74

Esperana

(a) Determine a funo de probabilidade de X.

(b) Obtenha o valor esperado e a varincia de X.
2. Considere o seguinte jogo. Um indivduo aposta em um dos nmeros de 1 a 6. Trs
dados honestos so ento lanados, de maneira independente, e, se o nmero apostado
aparecer i vezes, i = 1, 2, 3, o apostador ganha i reais; caso o nmero apostado no aparea
em nenhum dos dados, o apostador perde 1 real. Seja X o ganho do apostador no jogo.
Determine a funo de probabilidade de X e, com base na esperana de X, julgue se o
jogo honesto ou no para o apostador.
3. Exatamente uma de seis chaves de aspecto semelhante abre uma determinada porta.
Testa-se uma chave aps a outra. Qual o nmero mdio de tentativas necessrias para se
conseguir abrir a porta?
4. Seja X uma varivel aleatria com distribuio de Poisson com parmetro , > 0.
Obtenha
h

(a) E (1 + X)1 .
(b) E(2X ).
(c) E(X!).
Para quais valores de a varivel aleatria X! integrvel?
5. Seja X uma varivel aleatria com distribuio geomtrica de parmetro p. Mostre
que
 
p log p
1
=
.
E
X
1p
Sugesto: Use que

(1 p)x1 dp =

(1 p)x
.
x

6. Seja Z uma varivel aleatria com distribuio normal padro. Para x R fixado,
defina

Z se Z > x,
X=
0 caso contrrio.
1
2
Mostre que E(X) = ex /2 .
2
7. Demonstre o critrio para integrabilidade enunciado em 1.9 (p. 66).
Sugesto: Considere a varivel aleatria Y = [|X|] (parte inteira de |X|) e observe que Y
assume valores inteiros e no-negativos e satisfaz 0 Y |X| Y + 1.
8. Uma urna contm trs bolas brancas e duas bolas vermelhas. Retiram-se duas bolas
da urna, uma aps a outra, sem reposio. Seja X igual a 0 ou 1, conforme a primeira
bola retirada seja vermelha ou branca, e seja Y igual a 0 ou 1, conforme a segunda bola
retirada seja vermelha ou branca. Determine:

75

Exerccios

(a) a funo de probabilidade conjunta de X e Y , bem como as marginais;

(b) se X e Y so independentes;
(c) E(2X + 8Y );
(d) a covarincia entre X e Y .
Soluo. (a) Utilizando uma rvore, podemos obter o espao amostral, probabilidades e
valores de X e Y correspondentes:
B
3/5

@
2/5
@
@

!
1/2!
!
!
aa
a
1/2a

!
3/4!
!
!
aa
a
1/4a

X=1

Y =1

Prob. = 3/10

X=1

Y =0

Prob. = 3/10

X=0

Y =1

Prob. = 3/10

X=0

Y =0

Prob. = 1/10

onde B e V denotam respectivamente bola branca e bola vermelha.

Dessa forma, a funo de probabilidade conjunta de X e Y e as marginais ficam:
0
1/10
3/10
2/5

X \Y
0
1
pY (y)

1
3/10
3/10
3/5

pX (x)
2/5
3/5
1

(b) X e Y no so independentes:
P (X = 0, Y = 0) =
(c) Temos

1
2 2
4
6= P (X = 0) P (Y = 0) = . = .
10
5 5
25

E(X) = E(Y ) = 0 .
portanto, pela linearidade da esperana,

2
3
3
+ 1. = ,
5
5
5

E(2X + 8Y ) = 2 E(X) + 8 E(Y ) = 6.

(d) Visto que E(XY ) = 1 . 1 . 3/10 = 3/10, obtemos
Cov(X, Y ) = E(XY ) E(X) E(Y ) =

3
.
50

9. Cada lanamento de um dado no honesto resulta em cada um dos nmeros mpares 1,

3, 5 com probabilidade C e em cada um dos nmeros pares 2, 4, 6 com probabilidade 2C.
(a) Determine C.
Suponha que o dado lanado e considere as seguintes variveis aleatrias:
(

1 se o resultado um nmero par,

0 caso contrrio;

1 se o resultado um nmero maior que 3,

0 caso contrrio.

X=
Y =

76

Esperana

(b) Determine a funo de probabilidade conjunta de X e Y , bem como as marginais.

X e Y so independentes?
(c) Obtenha P (X = 0 | Y = 1).
(d) Calcule E(2X 12 Y + 6).
(e) Calcule Var(X + Y ).
10. Seja X uma varivel aleatria contnua com funo densidade de probabilidade
f (x) =

1 |x| se |x| < 1,

0

caso contrrio.

(a) Prove que f uma funo densidade de probabilidade.

(b) Determine E(X) e Var(X).
(c) Calcule P (|X| k), onde k um nmero 0 < k < 1.
(d) Utilizando a desigualdade de Chebyshev, obtenha uma cota superior para a probabilidade anterior.
(e) Para k = 0,2 e k = 0,8, obtenha os valores numricos da probabilidade calculada
em (c) e da cota obtida em (d). Comente.
11. Em um problema envolvendo variveis aleatrias independentes X e Y , um estudante
calcula, corretamente, que
E(Y ) = 2, E(X 2 Y ) = 6, E(XY 2 ) = 8, E((XY )2 ) = 24.
Voc pode ajud-lo, determinando o valor de E(X)?
12. Sejam X e Y variveis aleatrias com funo densidade conjunta
f (x, y) =

2 e2x /x se 0 y x < ,
0

caso contrrio.

Calcule Cov(X, Y ).
13. Sejam X e Y variveis aleatrias com funo densidade conjunta
1
f (x, y) = (x + y)e(x+y) , x 0, y 0.
2
(a) X e Y so independentes?
(b) Calcule a funo densidade de Z = X + Y .
h

(c) Obtenha E (X + Y )1 .
14. Sejam X, Y e Z variveis aleatrias independentes, com varincias iguais e positivas.
Determine o coeficiente de correlao entre X + Y e X + Z.

77

Exerccios

15. Sejam X e Y variveis aleatrias com varincias iguais a 2 > 0 e coeficiente de

correlao . Calcule a varincia da mdia aritmtica de X e Y . Conclua que a mdia
aritmtica de X e Y tem varincia menor ou igual a 2 .
16. Sejam X e Y variveis aleatrias independentes, com distribuio uniforme em [0, 1],
e considere U = mn{X, Y } e V = mx{X, Y }. Calcule Cov(U, V ).
Sugesto: No necessrio obter a densidade conjunta de U e V para determinar E(U V ).
17. Seja X1 , X2 , . . . uma seqncia de variveis aleatrias independentes, tal que, para
cada n 1, Xn Exp(n), ou seja, Xn tem densidade de probabilidade dada por
fXn (x) =

n enx se x > 0,
0

caso contrrio.

(a) Obtenha a distribuio de Y = mn{X1 , X2 , X3 }.



(b) Determine E e

P100
n=1

Xn

18. Um vaso contm 20 cartes, dois deles marcados 1, dois marcados 2, . . ., dois marcados 10. Cinco cartes so retirados ao acaso do vaso. Qual o nmero esperado de pares
que permanecem ainda no vaso?
(Este problema foi colocado e resolvido no sculo XVIII por Daniel Bernoulli, como um
modelo probabilstico para determinar o nmero de casamentos que permanecem intactos
quando ocorre um total de m mortes entre N casais; em nosso caso, m = 5 e N = 10).
Soluo. Seja X o nmero de pares que permanecem no vaso aps a retirada dos cinco
cartes. Ento,
X = X1 + X2 + + X10 ,
onde, para i = 1, 2, . . . , 10,
1 se o i-simo par permanece no vaso,
0 caso contrrio.

Xi =
Porm, para i = 1, 2, . . . , 10,

 

E(Xi ) = P (Xi = 1) =

18
5
 
20
5

21
.
38

Assim, obtemos
105
21
=
5,53.
38
19
Observao. Embora mais trabalhoso, pode-se obter a distribuio de X e calcular o valor
esperado pela definio. De fato,
E(X) = E(X1 ) + E(X2 ) + + E(X10 ) = 10 .

 

P (X = 5) =

10
25
5
 
20
5

168
,
323

78

Esperana

  

P (X = 6) =

10
1

9
3
 
20
5

23

  

P (X = 7) =

10
2

16
1

 
20
5

portanto
E(X) =

x P (X = x) =

140
,
323

15
,
323

105
5,53.
19

19. Um nibus parte com 20 pessoas e tem em seu trajeto 10 pontos diferentes, parando
em um ponto somente se uma ou mais pessoas solicitarem. Suponha que cada passageiro
escolhe com igual probabilidade o ponto em que vai parar e que as escolhas so independentes de passageiro para passageiro. Determine o nmero esperado de paradas feitas
pelo nibus.
Soluo. Se X o nmero de de paradas feitas pelo nibus, escrevemos
X = X1 + X2 + + X10 ,
onde

Xi =

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

0 caso contrrio.

Ento, para i = 1, . . . , 10,

E(Xi ) = P (Xi = 1)
= P (Pelo menos uma pessoa solicita a parada no ponto i)
= 1 P (Nenhuma pessoa solicita a parada no ponto i)
9
=1
10


20

Portanto, pela linearidade da esperana,



E(X) = 10 . E(X1 ) = 10 . 1 (0,9)20 8,78.

Observao. possvel, porm mais trabalhoso, obter a distribuio de X e calcular o
valor esperado pela definio. Para x = 1, . . . , 10,
!

X
10 x1
x
1
(1)j
(x j)20
P (X = x) =
x
j
10
j=0
!

20

onde o termo entre colchetes o nmero de maneiras com que podemos distribuir n = 20
bolas distintas em x urnas distintas de modo que nenhuma urna fique vazia (o qual pode
ser obtido pelo Princpio da Incluso-Excluso). Assim,
E(X) =

10
X
x=1

x P (X = x) 8,78.

Exerccios

79

20. Uma sorveteria oferece 36 sabores diferentes de sorvete. Uma pessoa encarregada
de escolher ao acaso 10 sorvetes dessa sorveteria, podendo repetir o sabor. Por ao acaso,
queremos dizer que todas as escolhas possveis tm a mesma probabilidade. Qual o nmero
esperado de sabores diferentes que sero escolhidos?
21. Seis pares diferentes de meias so colocados em uma lavadora (doze meias ao todo,
e cada meia tem um nico par), porm apenas sete meias retornam. Qual o nmero
esperado de pares de meias que retornam?
22. Um crculo de raio 1 lanado em uma folha de tamanho infinito dividida em quadrados iguais de lado com comprimento 1. Suponha que o centro do crculo est uniformemente distribudo no quadrado em que cai. Calcule o nmero esperado de vrtices do
quadrado que esto dentro do crculo.
23. Escolhem-se ao acaso e sem reposio 10 nmeros do conjunto {1, 2, . . . , 30}. Calcule
o valor esperado da soma dos nmeros escolhidos.
24. Uma marca de biscoitos lana uma promoo que consiste em oferecer um adesivo em
cada pacote de biscoito. Existem n adesivos diferentes e a probabilidade de um pacote
conter qualquer um dos adesivos a mesma. Qual o nmero esperado de pacotes que
devem ser comprados para juntar os n adesivos diferentes?
25. Suponha que 8 casais sentam-se ao acaso em um banco de 16 lugares. Determine a
esperana e a varincia do nmero de mulheres que esto sentadas ao lado dos maridos.
26. Um grupo de nove amigos que se renem para jogar futebol composto por 2 goleiros,
3 zagueiros e 4 atacantes. Se os jogadores so agrupados ao acaso em trs trios (grupos
de tamanho 3), encontre a esperana e a varincia do nmeros de trios formados por um
jogador de cada tipo.
27. So realizados n lanamentos independentes de uma moeda, com probabilidade p de
cara em cada lanamento (0 < p < 1). Uma seguida uma seqncia de lanamentos de
mesmo resultado; por exemplo, a seqncia CCKCKKC contm 5 seguidas. Obtenha a
esperana e a varincia do nmero de seguidas nos n lanamentos.
28. Esperana e varincia da distribuio hipergeomtrica.
Suponha que temos uma populao de N objetos, dos quais R so do tipo 1 e N R
so do tipo 2. Escolhem-se desta populao n objetos ao acaso, sem reposio (n N ).
Determine a esperana e a varincia do nmero de objetos do tipo 1 escolhidos.
29. Suponha que temos r bolas distintas que so aleatoriamente distribudas em n urnas
(r > 0, n > 0). Calcule a esperana e a varincia do nmero de urnas vazias aps a
distribuio.
30. Seja (X1 , . . . , Xn ) com distribuio multinomial de parmetros m, p1 , . . . , pn . Obtenha
a covarincia entre Xi e Xj para i 6= j.

80

Esperana

31. Em uma festa, esto presentes 8 meninos, 10 meninas e 12 adultos. Doze dessas
pessoas so sorteadas para participarem de uma brincadeira. Sejam X e Y o nmero de
meninos e meninas que participam da brincadeira, respectivamente. Calcule a covarincia
entre X e Y .
32. Considere
um grafo com n vrtices numerados 1, 2, . . . , n, e suponha que cada um

n
dos 2 pares de vrtices distintos ligado por um elo, independentemente, com probabilidade p. Seja Di o grau do vrtice i, isto , o nmero de elos que tm o vrtice i como
uma de suas extremidades.
(a) Qual a distribuio de Di ?
(b) Determine a correlao entre Di e Dj para i 6= j.
Sugesto: Defina Ii,j a funo indicadora do evento de que h um elo entre os vrtices i
e j.
33. Seja (X, Y ) um ponto escolhido aleatoriamente no quadrado (0, 1) (0, 1). Calcule
E(X|XY ).
Soluo. A densidade conjunta de X e Y dada por
fX,Y (x, y) =

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

0 caso contrrio.

Seja Z = XY . Usando o Mtodo do Jacobiano, obtemos a densidade conjunta de X e Z:

fX,Z (x, z) =

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

0

caso contrrio.

Ento, calculamos a densidade marginal de Z. Para 0 < z < 1,

fZ (z) =

Z 1
z

1/x dx = log z.

Portanto, para 0 < z < 1,

fX|Z (x|z) =

1
, z < x < 1.
x log z

Assim,
E(X|Z = z) =

x fX|Z (x|z) dx =

Finalmente,
E(X|XY ) =

Z 1
z

1
z1

dx =
.
log z
log z

XY 1
.
log(XY )

81

Exerccios

34. Sejam X e Y variveis aleatrias com funo densidade conjunta

f (x, y) =

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

0

caso contrrio.

Calcule E(X | Y ) e E(Y | X).

35. Sejam X e Y variveis aleatrias com funo densidade conjunta
f (x, y) =

2 exp{y 2 } se 0 < x < y,

0

caso contrrio.

(a) Obtenha a densidade condicional de X dado que Y = y.

(b) Calcule E(X 3 | Y = y).
36. Uma rede de supermercados encomendou um estudo sobre a relao entre a proporo X de clientes que compram apenas uma vez ao ms nos seus estabelecimentos
e o lucro mensal Y em milhes de reais. Os estatsticos contratados obtiveram que a
densidade conjunta de X e Y dada por
f (x, y) =

k (x + y) ey se 0 < x < 1, y > 0,

0

caso contrrio,

onde k uma constante.

(a) Obtenha o valor de k.
(b) Determine a esperana condicional de X dado que Y = y.
37. O tempo em minutos que um professor gasta para corrigir uma prova uma varivel
aleatria com funo densidade de probabilidade
1 x/5
e
se x > 0,
f (x) = 5

0
caso contrrio.

Suponha que provas de alunos diferentes tm tempos de correo independentes.

(a) Obtenha a densidade do tempo utilizado pelo professor para corrigir duas provas.
(b) Dado que o professor gastou 15 minutos para corrigir duas provas, qual a probabilidade de que tenha usado mais que 10 minutos na correo da primeira?
38. Uma farmcia possui uma quantidade X de centenas de unidades de um certo remdio
no incio de cada ms. Durante o ms, vendem-se Y centenas de unidades desse remdio.
Suponha que

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

f (x, y) =
0
caso contrrio
a funo densidade conjunta das variveis aleatrias X e Y .

82

Esperana

(a) Mostre que de fato f uma densidade.

(b) Calcule a probabilidade de que ao final do ms a farmcia tenha vendido pelo
menos a metade das unidades que havia inicialmente.
(c) Dado que foram vendidas cem unidades, qual a probabilidade de que havia pelo
menos duzentas unidades no comeo do ms?
39. Uma companhia telefnica deseja realizar uma anlise sobre a repercusso que as
novas tarifas tiveram no nmero de chamadas. Levando em conta que as chamadas se
classificam em locais, interurbanas e internacionais, um estudo realizado em um grupo de
famlias revelou que as propores de chamadas locais X e interurbanas Y durante um
ms tm a seguinte densidade conjunta
f (x, y) =

6 x se x 0, y 0 e x + y 1,
0

caso contrrio.

(a) Calcule a probabilidade de que a proporo de chamadas locais realizadas por uma
famlia em um ms seja superior a 70%.
(b) Obtenha a probabilidade de que em uma famlia a proporo de chamadas locais
em um ms seja inferior de interurbanas.
(c) Determine a densidade correspondente proporo total de chamadas locais e
interurbanas.
(d) Calcule a probabilidade de que a proporo de chamadas internacionais realizadas
por uma famlia em um ms seja superior a 20%.
(e) Dado que em um ms uma famlia no fez chamadas internacionais, qual a probabilidade de que pelo menos 60% das chamadas tenham sido locais?
40. Sejam X e Y variveis aleatrias independentes, com distribuio de Poisson com
parmetros respectivos e , e considere Z = X +Y . Determine a distribuio condicional
de X dado que Z = z.
41. Sejam X e Y variveis aleatrias independentes, com distribuies Binomial(m, p) e
Binomial(n, p), respectivamente, e considere Z = X + Y . Obtenha a distribuio condicional de X dado que Z = z.
42. Sejam X e Y variveis aleatrias independentes, com distribuio comum geomtrica
com parmetro p (0 < p < 1), e considere Z = X + Y . Determine a distribuio
condicional de X dado que Z = z.
43. Sejam X e Y variveis aleatrias independentes, com distribuio comum exponencial
de parmetro , e considere Z = X + Y . Obtenha a densidade condicional de X dado
que Z = z.
44. Duas pessoas chegam simultaneamente a um ponto de nibus. Suponha que o tempo
que a pessoa i espera pela sua conduo uma varivel aleatria Ti Exp(), com T1 e T2

83

Exerccios

independentes. Sejam X = mn{T1 , T2 } o tempo transcorrido at o primeiro passageiro

tomar seu nibus e Y = mx{T1 , T2 } o tempo transcorrido at que ambas as pessoas
tenham tomado a conduo. Determine a distribuio de
(a) X | Y = y;
(b) Y | X = x;
(c) (Y X) | X = x.
45. Sejam X1 , X2 e X3 variveis aleatrias i.i.d. com distribuio Exp(1) e sejam Y1 , Y2
e Y3 as estatsticas de ordem associadas. Defina Z1 = Y1 , Z2 = Y2 Y1 e Z3 = Y3 Y2 .
(a) Encontre a densidade conjunta de Z1 , Z2 e Z3 , bem como as marginais. So Z1 ,
Z2 e Z3 independentes?
(b) Determine a densidade condicional de Z2 dado Y1 .
(c) Calcule a densidade e a esperana condicionais de Y3 dado Y1 .
46. O nmero de clientes Y que chegam a um caixa eletrnico tem distribuio de Poisson
com parmetro X, sendo X a intensidade com que os clientes chegam ao caixa eletrnico.
Supondo que X tem distribuio Gama(, 1), encontre a funo de probabilidade da
varivel aleatria Y .
Soluo. Sabemos que X uma varivel aleatria com densidade
fX (x) =

1
x1 ex , x 0.
()

Por outro lado,

P (Y = k | X = x) =

ex xk
, k = 0, 1, . . .
k!

Logo, para k = 0, 1, . . . ,
P (Y = k) =
=

P (Y = k | X = x) fX (x) dx

Z
1
(k + )
xk+1 e2x dx =
.
k! () 0
k! () 2k+

Note que, em particular, se X Exp(1), ento

P (Y = k) =

1
2k+1

, k = 0, 1, . . .

47. Usando o resultado do exerccio anterior, prove que para n 1,

k+n1 1
= 2n .
2k
n

k=1

Sugesto: Tome = n e use que

k=1

k P (Y = k) = E(Y ) = E(E(Y |X)).

84

Esperana

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

Z
()

0
Z
0

P (NT = j | T = t) fT (t) dt =
P (Nt = j | T = t) e

()

dt =

P (NT = j | T = t) et dt

Z
0

P (Nt = j) et dt

j Z j (+)t
et (t)j t
e dt =
t e
dt
j!
j! 0

j (j + 1)
=
=
j! ( + )j+1

!j

A passagem () justificada pelo Princpio da substituio; () decorre da independncia

de Nt e T para todo t.
49. Numa fbrica empacotam-se palitos de fsforo em caixas mediante uma mquina que
no pode ser totalmente controlada. Para no perder clientes, a mquina se ajusta de
forma que todas as caixas contenham pelo menos 50 palitos. O nmero de palitos em
cada caixa uma varivel aleatria X com funo de probabilidade dada por
P (X = x) = (0,8) (0,2)x50 , x = 50, 51, . . .
Ademais, o nmero de palitos defeituosos em uma caixa que contm x fsforos tem distribuio Binomial(x, 1/10). Obtenha o nmero mdio de palitos defeituosos em uma
caixa.
Soluo. Seja D o nmero de palitos defeituosos em uma caixa. Sabemos que D dado
que X = x tem distribuio Binomial(x, 1/10), logo
E(D | X = x) = x/10.
Ento, utilizando a propriedade fundamental da esperana condicional,
E(D) = E(E(D | X)) = E(X/10) = E(X)/10.
Para obter E(X), observamos que a varivel aleatria Y = X 49 tem distribuio
geomtrica com parmetro 0,8, pois
P (Y = k) = P (X = k + 49) = (0,8) (0,2)k1 , k = 1, 2, . . .
Assim,
E(X) = E(Y ) + 49 =
e portanto E(D) = 5,025.

1
+ 49 = 50,25
0,8

85

Exerccios

50. Um inseto pe N ovos, onde N tem distribuio de Poisson com parmetro . Cada
ovo d origem a um novo inseto com probabilidade p (0 < p < 1), independentemente dos
demais. Seja X o nmero de novos insetos produzidos.
(a) Qual a distribuio de X dado que N = n?
(b) Obtenha a distribuio de X.
(c) Qual o valor esperado de X?
51. O nmero de partidas de futebol jogadas em uma semana em uma vila uma varivel
aleatria com mdia e varincia 2 . Os nmeros de gols marcados em cada jogo so
variveis aleatrias i.i.d. com mdia e varincia 2 e independentes do total de partidas
jogadas. Seja X o nmero total de gols marcados em uma semana. Calcule E(X) e
Var(X).
Sugesto: Escreva X = Yj=1 Xj , onde Xj o nmero de gols marcados no j-simo jogo e
Y o nmero de partidas jogadas numa semana. Use condicionamento em Y para obter
E(X) e E(X 2 ).
P

52. Seja N uma varivel aleatria com distribuio geomtrica de parmetro p (0, 1),
ou seja, N tem funo de probabilidade dada por
P (N = n) = p q n1 , n = 1, 2, . . . ,
onde q = 1 p.
(a) Mostre que a funo geradora de momentos de N dada por
M (t) =

p
p et
= t
, t < log q.
t
1qe
e q

(b) Usando o item (a), prove que E(N ) = 1/p.

Uma urna contm N bolas numeradas de 1 a N , onde N tem a distribuio dada
anteriormente. Bolas so escolhidas ao acaso dessa urna, uma por vez, at que a bola
com o nmero 1 seja selecionada. Suponha que as retiradas so feitas com reposio, isto
, cada bola escolhida reposta na urna antes da prxima retirada. Seja X o nmero de
retiradas feitas.
(c) Obtenha P (X = x | N = n).
(d) Determine E(X).
53. O nmero X de erros que uma digitadora comete por pgina uma varivel aleatria
com distribuio de Poisson com parmetro 2. Se uma pgina tem x erros, o nmero Y
de minutos necessrios para revisar e corrigir a pgina uma varivel aleatria com

86

Esperana

distribuio condicional
1/5 se y = x + 1,
3/5 se y = x + 2,
P (Y = y | X = x) =

1/5 se y = x + 3.

(a) Encontre a probabilidade de que sejam necessrios 3 minutos para revisar e corrigir
uma pgina.
(b) Dado que foram usados 3 minutos na reviso e correo de uma pgina, qual a
probabilidade de que seja uma pgina sem erros?
(c) Usando a funo geradora de momentos, encontre a esperana de X.
(d) Determine E(Y | X = x).
(e) Obtenha E(Y ).
54. Seja Y uma varivel aleatria com distribuio de Poisson de parmetro . Suponha que, dado que Y = y, X uma varivel aleatria com distribuio exponencial de
parmetro y + 1. Obtenha E(X).
55. Escolhe-se ao acaso um ponto (X, Y ) no tringulo {(x, y) R2 : 0 < y < x < 1}.
(a) Calcule E(X|Y ).
(b) Obtenha E(Y |X) e E(Y 2 |X).
(c) Usando o item (b), determine E((X Y )2 |X).
56. Sejam X e Y variveis aleatrias tais que E(X|Y ) = Y e E(Y |X) = X. Prove que
P (X = Y ) = 1.
Sugesto: Mostre que E((X Y )2 ) = 0.
57. Sejam X e Y variveis aleatrias com funo densidade conjunta
f (x, y) =

1 (y+x/y)
e
, x > 0, y > 0.
y

(a) Determine a distribuio de Y .

(b) Obtenha a distribuio condicional de X dado que Y = y.
(c) Usando (a) e (b), calcule Cov(X, Y ).
58. Um dado honesto lanado repetidamente, de modo independente. Sejam X e Y o
nmero de lanamentos necessrios para obter um 6 e um 5, respectivamente. Obtenha
(a) E(X).
(b) E(X | Y = 1).
(c) E(X | Y = 5).

87

Exerccios

59. No labirinto mostrado na Figura 4.1, existem trs quartos, numerados 1, 2 e 3, e mais
dois quartos, um com um saboroso queijo e outro no qual est dormindo o gato Tom. O
rato Jerry est inicialmente no quarto 1. Suponha que, quando Jerry entra no quarto i, l
permanece por um tempo em minutos com distribuio Gama(4, 3i) e ento sai do quarto
escolhendo aleatoriamente uma das portas.
(a) Calcule a probabilidade de que Jerry encontre Tom antes do queijo.
(b) Obtenha o tempo esperado em minutos que Jerry demora at encontrar Tom ou o
queijo.
Sugesto: No item (a), para i = 1, 2, 3, defina pi a probabilidade de que Jerry encontre
Tom antes do queijo, partindo do quarto i. Condicionando na primeira escolha de Jerry,
escreva um sistema de equaes para p1 , p2 e p3 . O item (b) anlogo.
2
1

Tom
3
Queijo

Figura 4.1: Exerccio 59 Tom e Jerry.

60. Passeio aleatrio simtrico: Um homem caminha em um trecho com 5 quarteires
de uma avenida (Figura 4.2). Ele comea na esquina i e, com probabilidade uniforme,
decide ir um quarteiro direita ou um quarteiro esquerda. Quando chega prxima
esquina, novamente escolhe ao acaso a sua direo ao longo da avenida. Ele prossegue at
chegar esquina 5, que sua casa, ou esquina 0, que um bar. Quando chega casa
ou ao bar, permanece l. Para i = 1, 2, 3, 4, defina pi a probabilidade de que o homem,
comeando na esquina i, chegue casa antes do bar, e qi a probabilidade de que partindo
da esquina i chegue ao bar antes da casa.
(a) Obtenha p1 , p2 , p3 e p4 .
(b) Explique por que qi = p5i para i = 1, 2, 3, 4.
(c) Conclua que no h possibilidade de um passeio interminvel, qualquer que seja a
esquina da qual o homem parta.
1

0
Bar

1/2

1/2

5
Casa

Figura 4.2: Exerccio 60 Passeio aleatrio simtrico.

88

Esperana

61. Uma urna contm a bolas brancas e b bolas pretas. Aps uma bola ser retirada ao
acaso, ela devolvida urna se branca, mas se preta ento substituda por uma bola
branca de outra urna. Seja Mn o nmero esperado de bolas brancas na urna depois que
a operao anterior foi repetida n vezes.
(a) Obtenha a equao recursiva
1
Mn + 1, n 0.
= 1
a+b


Mn+1

(b) Use o item (a) para provar que

1
Mn = a + b b 1
a+b


n

, n 0.

(c) Qual a probabilidade de que a (n + 1)-sima bola retirada seja branca?

62. Um dado honesto lanado repetidamente, de modo independente. Calcule o nmero
esperado de lanamentos feitos at conseguir duas faces 6 consecutivas.
Sugesto: Condicione no tempo da primeira ocorrncia de uma face diferente de 6.
63. Uma moeda com probabilidade p de cara em cada lanamento lanada repetidamente, de modo independente. Seja Tr o nmero de lanamentos necessrios para obter
uma seqncia de r caras consecutivas.
(a) Determine E(Tr | Tr1 ).
(b) Escreva E(Tr ) em termos de E(Tr1 ).
(c) Quanto vale E(T1 )?
(d) Obtenha E(Tr ).
64. Uma caixa contm duas moedas: a moeda 1, com probabilidade de cara igual a 0,4,
e a moeda 2, com probabilidade de cara igual a 0,7. Uma moeda escolhida ao acaso da
caixa e lanada dez vezes. Dado que dois dos trs primeiros lanamentos resultaram em
cara, qual a esperana condicional do nmero de caras nos dez lanamentos?
Sugesto: Defina A o evento de que dois dos trs primeiros lanamentos resultam em cara
e Nj o nmero de caras nos j lanamentos finais. Ento, E(N10 | A) = 2 + E(N7 | A). Para
obter E(N7 | A), condicione na moeda que foi usada.
65. Demonstre o tpico 3.3 (p. 69).
66. Obtenha a funo geradora de momentos de Y = X 2 , onde X tem distribuio
N (0, 1). Conclua que a distribuio 21 idntica Gama(1/2, 1/2).
67. Sejam X e Y variveis aleatrias independentes tais que P (X = 1) = P (X = 1) =
1/2 e Y U (1, 1). Determine a distribuio de Z = X + Y de duas maneiras:

89

Exerccios

(a) Obtendo a funo de distribuio de Z por condicionamento em X.

(b) Calculando a funo geradora de momentos de Z.
68. Sejam X1 , . . . , Xn variveis aleatrias independentes com distribuio exponencial de
parmetro 1. Considere
Vn = mx{X1 , . . . , Xn }

W n = X1 +

Xn
X2 X3
+
+ +
.
2
3
n

Prove que Vn e Wn tm a mesma distribuio.

69. Sejam X e Y variveis aleatrias independentes tais que X N (0, 1) e Y N (0, 2).
Definimos Z = X + Y e W = X Y . Calcule as funes geradoras de momentos de Z e
W e mostre que Z e W so identicamente distribudas mas no independentes.
70. Sejam X1 , . . . , Xn variveis aleatrias i.i.d. com densidade comum definida por
f (x) =

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

0

caso contrrio.

1 Pn
Calcule a funo geradora de momentos da varivel aleatria Y =
log (1 Xj )
n j=1
e da conclua qual a sua distribuio.
71. Um aparelho de som formado por n componentes, sendo que o i-simo componente
tem probabilidade pi de falhar. Suponha que os componentes falham de maneira independente e seja X o nmero de componentes que falham. Sabe-se que se X = 0 ento
o aparelho funciona, se X = 1 a probabilidade de funcionar 0,7 e se X 2 o aparelho
no funciona.
(a) Obtenha a funo geradora de probabilidade de X em funo das pi s.
(b) Sendo n = 4, p1 = 0,1, p2 = 0,05, p3 = 0,15 e p4 = 0,1, calcule a probabilidade do
aparelho funcionar.
72. (a) Seja X uma varivel aleatria com distribuio geomtrica de parmetro p (0, 1).
Prove que para n 1,
E (X (X 1) . . . (X n + 1)) =

n! (1 p)n1
.
pn

(b) Seja X uma varivel aleatria com distribuio de Poisson com parmetro > 0.
Mostre que para n 1,
E (X (X 1) . . . (X n + 1)) = n .
Sugesto: Use a propriedade (ii) da funo geradora de probabilidade. Por exemplo, para
o item (a), prove que para n 1,
n! p (1 p)n1
dn GX (s)
=
, s < (1 p)1
dsn
(1 (1 p)s)n+1

90

Esperana

e faa s = 1 para chegar ao resultado.

73. Seja X uma varivel aleatria inteira e no-negativa, tal que
P (X = k) =

P (X = k 1),
k

para todo k 1, onde > 0 uma constante. Determine a distribuio de X.

Soluo. Sejam pk = P (X = k), k 0 e
GX (s) = E(sX ) =

pk sk , s [1, 1]

k=0

a funo geradora de probabilidade de X. Podemos diferenciar a srie de potncias em

todo ponto s (1, 1). Usando a igualdade dada no enunciado do exerccio, obtemos

X
d GX (s) X
=
k pk sk1 =
pk1 sk1 = GX (s).
ds
k=1
k=1

Portanto,

d
(log GX (s)) = ,
ds

logo podemos escrever

GX (s) = exp{ s + K},
onde K uma constante. Visto que lim GX (s) =
ento

s1

k=0

pk = 1, temos que K = e

GX (s) = exp{ (s 1)}.

Como a funo geradora de probabilidade determina unicamente a distribuio, conclumos que X Poisson().
74. Seja X uma varivel aleatria no-negativa. Demonstre que
E(X) (E(X 2 ))1/2 (E(X 3 ))1/3
Sugesto: Use a desigualdade de Jensen para uma varivel aleatria Y no-negativa e a
funo (y) = y n/(n1) e depois faa Y = X n1 .
75. (a) Seja Y uma varivel aleatria no-negativa tal que 0 < E(Y 2 ) < . Prove que
para a < E(Y ),
(E(Y ) a)2
P (Y > a)
.
E(Y 2 )
(b) Seja X uma varivel aleatria com esperana , varincia 2 e tal que 0 < M =
E(|X |4 ) < . Mostre que para 0 < x < ,
P (|X | > x)

( 2 x2 )2
.
M

91

Respostas

Sugesto: (a) Utilize a desigualdade de Cauchy-Schwarz com as variveis aleatrias Y e

I{Y >a} .
76. Sejam X e Y variveis aleatrias definidas no mesmo espao de probabilidade. Mostre
que para todo (x, y) R2 ,
FX,Y (x, y)

FX (x) FY (y).

Sugesto: Use a desigualdade de Cauchy-Schwarz.

Respostas
-16
1/12

x
pX (x)

1. (a)

-7
1/6

2
13/36

11
2/9

20
1/6

(b) E(X) = 4, Var(X) = 108,5

x
pX (x)

2.

-1
125/216

1
75/216

2
15/216

3
1/216

E(X) = 17/216, No
3. 7/2 (O nmero de tentativas tem distribuio uniforme discreta em {1, 2, . . . , 6}).
4. (a) (1 e )/ (b) e (c) e /(1 ) se 0 < < 1, se 1
X! integrvel para 0 < < 1.
9. (a) C = 1/9
X \Y
0
1
pY (y)

(b)

0
2/9
2/9
4/9

1
1/9
4/9
5/9

pX (x)
1/3
2/3
1

X e Y no so independentes.
(c) P (X = 0 | Y = 1) = 1/5
(d) E(2X 12 Y + 6) = 1
(e) Var(X + Y ) = 50/81
10. (b) 0, 1/6 (c) (1 k)2 (d) 1/(6 k 2 )
11. 1
12. 1/8
13. (a) No (b) fZ (z) = (1/2) ez z 2 , z 0 (c) 1/2

92

Esperana

14. 1/2
15. (1 + ) 2 /2
16. 1/36
17. (a) Exp(6) (b) 1/101
20. 8
21. 21/11
22.
23. 155
1
1
24. n 1 + + +
2
n


25. 1, 14/15
26. 6/7, 156/245
27. 1 + 2(n 1)pq, 2pq(2n 3 2pq(3n 5)) onde q = 1 p.
nR
R
,n
28.
N
N




R
1
N



N n
N 1

29. n(1 1/n)r , n(1 1/n)r [1 (1 1/n)r ] + n(n 1)[(1 2/n)r (1 1/n)2r ]
30. m pi pj
31. 96/145
32. (a) Binomial(n 1, p) (b) 1/(n 1)
34. E(X | Y ) = (2/3)(1 Y 3 )/(1 Y 2 ), E(Y | X) = (2/3) X
35. (a) Para y > 0: fX|Y (x|y) = 1/y, 0 < x < y (b) E(X 3 |Y = y) = y 3 /4
36. (a) k =

2 + 3y
2
(b) E(X|Y = y) =
3
3(1 + 2y)

37. (a) X, Y Exp(1/5), independentes, Z = X + Y fZ (z) =

(b) fX|Z (x|15) =

1
1
, 0 < x < 15 P (X > 10 | Z = 15) =
15
3

1
z ez/5 , z > 0
25

38. (b) P (Y X/2) = 1/2 (c) fX|Y (x|1) = 1/2, 1 < x < 3 P (X 2 | Y = 1) = 1/2
39. (a) P (X > 0,7) = 0,216 (b) P (X < Y ) = 0,25

93

Respostas

(c) Z = X + Y , fZ (z) = 3 z 2 , 0 z 1 (d) P (Z 0,8) = 0,512

(e) fX|Z (x|1) = 2 x, 0 x 1 P (X 0,6 | Z = 1) = 0,64
40. Binomial(z, /( + ))
41. Hipergeomtrica(m + n, m, z)
42. Uniforme Discreta(z 1)
43. Uniforme(0, z)
44. fX,Y (x, y) = 2 2 e(x+y) , 0 < x < y
(a) Para y > 0, fX|Y (x|y) =

ex
,0<x<y
1 ey

(b) Para x > 0, fY |X (y|x) = e(yx) , y > x

(c) (Y X) | X = x Exp()
45. (a) Z1 Exp(3), Z2 Exp(2) e Z3 Exp(1), independentes
(b) Z2 | Y1 Exp(2) (decorre imediatamente de (a))
(c) Para y1 > 0, fY3 |Y1 (y3 |y1 ) = 2 e2y1 y3 (ey1 ey3 ), y3 > y1 e E(Y3 |Y1 ) = 3/2 + Y1
50. (a) X|N = n Binomial(n, p) (b) Poisson(p) (c) p
51. E(X) = e Var(X) = 2 + 2 2
52. (c) Para n 1: P (X = x | N = n) = (1/n)(1 1/n)x1 , x = 1, 2, . . . (d) 1/p
53. (a) (9/5) e2 (b) 1/9 (c) 2 (d) E(Y | X = x) = x + 2 (e) 4
54. E(X) = (1 e )/
X
X2
Y +1
(b) E(Y |X) = ; E(Y 2 |X) =
2
2
3
2
X
(c) E((X Y )2 |X) =
3

55. (a) E(X|Y ) =

57. (a) Y Exp(1) (b) X | Y = y Exp(1/y) (c) 1

58. (a) 6 (b) 7 (c) 5,8192
59. (a) p1 = 1/2 p2 , p2 = 1/4 p1 + 2/4 p3 + 1/4, p3 = 2/4 p2 + 1/4
p1 = 0,3 (p2 = 0,6 e p3 = 0,55).
(b) 1 = 4/3 + 1/2 2 , 2 = 4/6 + 1/4 1 + 2/4 3 , 3 = 4/9 + 2/4 2
1 = 104/45 (2 = 88/45 e 3 = 64/45).

94

Esperana

60. (a) p1 = 1/2 p2 , p2 = 1/2 p1 + 1/2 p3 , p3 = 1/2 p2 + 1/2 p4 , p4 = 1/2 p3 + 1/2

pi = i/5, i = 1, 2, 3, 4.
(c) pi + qi = 1 para todo i = 1, 2, 3, 4.
61. (c) Mn /(a + b)
62. 42
63. (a) 1 + Tr1 + (1 p) E(Tr ) (b) E(Tr ) = 1/p + (1/p) E(Tr1 )
r
X
1
1
1 pr
(c)
(d)
=
i
p
pr (1 p)
i=1 p
64. 6,0705
66. MY (t) =

etx fX (x) dx =

1
, t < 1/2
1 2t

67. Z U (2, 2)
68. MVn (t) = MWn (t) =

n!
n! (1 t)
,t<1
= Qn
(n + 1 t)
i=1 (i t)

69. MZ (t) = MW (t) = e3t /2 , t R, portanto Z e W tm distribuio N (0, 3). Se fossem

independentes, teramos que MZ+W (t) = MZ (t) MW (t) para todo t.
2

2n
70. MY (t) =
2n t


71. (a) GX (s) =

Qn

n

i=1

para t < 2n, Y Gama(n, 2n)

(1 pi + pi s) , s R (b) 0,860715

Captulo 5

Modos de Convergncia e Teoremas Limites

A tabela seguinte resume os trs tipos de convergncia abordados nesse livro, as ferramentas teis no estudo de cada um deles e os principais teoremas limites relacionados.
Convergncia
Em distribuio

Ferramenta
Funo geradora /
caracterstica
Desigualdades de
Markov / Chebyshev
Lema de Borel-Cantelli

Em probabilidade
Quase certa

Teorema limite
Teorema Central do Limite
Lei Fraca dos Grandes
Nmeros
Lei Forte dos Grandes
Nmeros

1. Lema de Borel-Cantelli*
1.1. Lema de Borel-Cantelli (1909): Seja A1 , A2 , . . . uma seqncia de eventos em
um espao de probabilidade (, F, P ).
(a) Se

P (An ) < , ento P (An infinitas vezes) = 0.

(b) Se

P (An ) = e A1 , A2 , . . . so independentes, ento P (An infinitas vezes) = 1.

n=1

n=1

Observao. Em vez da independncia, basta em (b) que A1 , A2 , . . . sejam independentes

aos pares. Outras generalizaes desse resultado podem ser encontradas na Seo 18 do
Captulo 2 de Gut [6].

2. Modos de Convergncia
2.1. Sejam X1 , X2 , . . . , X variveis aleatrias em um espao de probabilidade (, F, P ).
Dizemos que
(a) Xn converge para X quase certamente, denotado por Xn X, se o evento
q.c.

{ : Xn () X() quando n }
tem probabilidade 1.

96

Modos de Convergncia e Teoremas Limites

(b) Xn converge para X em probabilidade, denotado por Xn X, se para qualquer

P

> 0,
P (|Xn X| > ) 0 quando n .
(c) Xn converge para X em distribuio, denotado por Xn X, se
D

P (Xn x) P (X x) quando n ,
para todo ponto x em que FX (x) = P (X x) contnua.
Observao. Note que a convergncia em distribuio definida em termos das funes de
distribuio; a condio de que as variveis aleatrias sejam definidas no mesmo espao de
probabilidade suprflua. Outra terminologia para Xn X dizer que FXn converge
D

fracamente para FX .
2.2. Unicidade do limite:
(i) Se Xn X e Xn Y , ento P (X = Y ) = 1.
q.c.

q.c.

(ii) Se Xn X e Xn Y , ento P (X = Y ) = 1.
P

(iii) Se Xn X e Xn Y , ento FX (x) = FY (x) para todo x R.

D

2.3. Relaes entre os tipos de convergncia:

1. Xn X = Xn X = Xn X.
q.c.

Nenhuma outra implicao vale em geral.

2. Se Xn c, onde c uma constante, ento Xn c.
D

2.4. Condio necessria e suficiente para convergncia quase certa* :

Sejam X1 , X2 , . . . , X variveis aleatrias em um espao de probabilidade (, F, P ).
Ento,
Xn X P (|Xn X| > infinitas vezes) = 0 para todo > 0
q.c.

lim P
n

{|Xk X| > } = 0 para todo > 0.

k=n

Em particular, se pn () = P (|Xn X| > ) satisfaz

ento Xn X.
q.c.

n=1

pn () < para todo > 0,

97

Modos de Convergncia

2.5. Teorema da continuidade* :

Seja {Xn }n1 uma seqncia de variveis aleatrias com funes geradoras de momentos
correspondentes {Mn (t)}n1 , que existem para |t| < b. Suponhamos que lim Mn (t) =
n

M (t) para |t| a < b, onde M (t) a funo geradora de momentos da varivel aleatria X. Ento, Xn X.
D

Observao. O seguinte resultado til em muitas aplicaes do Teorema da continuidade:



cn n
= ec .
se c1 , c2 , . . . e c so nmeros reais tais que n
lim cn = c, ento n
lim 1 +
n
2.6. Outras condies para convergncia em distribuio:
(a) Sejam X1 , X2 , . . . e X variveis aleatrias inteiras e no-negativas. Ento,
D

Xn X

lim P (Xn = k) = P (X = k) para todo k N.

No caso geral de variveis aleatrias discretas assumindo valores em {x0 , x1 , . . . }, vale a

implicao = com xk no lugar de k.
(b) Teorema de Scheff: Sejam X1 , X2 , . . . e X variveis aleatrias contnuas, com
densidades respectivas f1 , f2 , . . . e f . Se fn (x) f (x) quando n para quase todo x,
ento Xn X.
D

A condio de que fn (x) f (x) para quase todo x significa que o conjunto {x : fn (x) 9
f (x)} tem medida de Lebesgue nula, o que ocorre, por exemplo, se esse conjunto finito
ou enumervel. A recproca do Teorema de Scheff falsa.
2.7. Preservao da convergncia por uma funo contnua:
Se Xn X e g : R R contnua, ento g(Xn ) g(X).
q.c.

q.c.

Asseres anlogas so vlidas para e .

P

2.8. Convergncia de somas de seqncias:

(i) Se Xn X e Yn Y , ento Xn + Yn X + Y .
q.c.

q.c.

q.c.

(ii) Se Xn X e Yn Y , ento Xn + Yn X + Y .
P

Essa afirmao em geral no vlida no caso de convergncia em distribuio. Para valer,

alguma hiptese adicional requerida, por exemplo,
(iii) Suponha que Xn X e Yn Y , com Xn e Yn independentes para todo n e X
D

e Y independentes. Ento, Xn + Yn X + Y .
D

98

Modos de Convergncia e Teoremas Limites

Observao. Nos itens (i) e (ii) de 2.8, a soma pode ser substituda por diferena, produto
ou quociente.
2.9. Teorema de Slutsky (1925): Se Xn X e Yn c, onde c uma constante,
D

ento
(a) Xn Yn X c,
D

(b) Xn Yn cX,
D

(c) Xn /Yn X/c se c 6= 0.

D

2.10. Mtodo Delta: Sejam Y1 , Y2 , . . . variveis aleatrias tais que

n (Yn )
D

N (0, 2 ), onde e 2 > 0 so constantes. Se g uma funo derivvel no ponto , ento

n (g(Yn ) g()) N (0, (g 0 ())2 2 ),

D

onde, no caso de g 0 () = 0, interpretamos a distribuio N (0, 0) como a massa pontual

em 0.

3. Teoremas Limites
3.1. Lei Fraca dos Grandes Nmeros de Khintchine (1929):
Seja X1 , X2 , . . . uma seqncia de variveis aleatrias i.i.d. com mdia finita . As somas
parciais Sn = X1 + X2 + + Xn satisfazem
Sn P
.
n
3.2. Lei Fraca dos Grandes Nmeros de Bernoulli (1713):
Consideremos uma seqncia de ensaios de Bernoulli independentes, tendo a mesma probabilidade p de sucesso em cada ensaio. Se Sn o nmero de sucessos nos n primeiros
ensaios, ento
Sn P
p.
n
3.3. Lei Fraca dos Grandes Nmeros de Chebyshev (1867):
Seja X1 , X2 , . . . uma seqncia de variveis aleatrias e consideremos Sn = X1 + X2 +
+ Xn . Se n
lim Var(Sn )/n2 = 0, ento
Sn E(Sn ) P
0.
n

(?)

99

Teoremas Limites

Em particular, (?) vlida se X1 , X2 , . . . so variveis aleatrias no-correlacionadas que

tenham varincias finitas e uniformemente limitadas.
3.4. Lei Forte dos Grandes Nmeros de Kolmogorov (1933):
Seja X1 , X2 , . . . uma seqncia de variveis aleatrias i.i.d. com mdia finita . As somas
parciais Sn = X1 + X2 + + Xn satisfazem
Sn q.c.
.
n
3.5. Lei Forte dos Grandes Nmeros de Borel (1909):
Seja X1 , X2 , . . . uma seqncia de variveis aleatrias i.i.d. tal que P (Xn = 1) = p,
P (Xn = 0) = 1 p. Ento,
Sn q.c.
p,
n
onde Sn = X1 + X2 + + Xn .
3.6. Teorema Central do Limite (Liapunov (1901), Lindeberg (1922)):
Seja X1 , X2 , . . . uma seqncia de variveis aleatrias i.i.d. com mdia e varincia 2
finita e positiva, e seja Sn = X1 + X2 + + Xn . Ento,
Sn n D

N (0, 1).
n
Isto , para qualquer a R,
lim P

!
1 Z a x2 /2
Sn n

a =
e
dx.
n
2

3.7. Teorema Central do Limite de De Moivre (1733) e Laplace (1812):

Seja Sn o nmero de sucessos em n ensaios de Bernoulli independentes, tendo a mesma
probabilidade p de sucesso em cada ensaio, onde 0 < p < 1. Ento,

Sn n p
D
N (0, 1).
n p (1 p)

3.8. Limite de binomiais para Poisson:

Se Xn Binomial(n, pn ), n 1, e n
lim n pn = > 0, ento
Xn Poisson().
D

100

Modos de Convergncia e Teoremas Limites

Observao. Tendo em vista o tpico 2.6 (a), no lugar da convergncia em distribuio

podemos escrever
lim P (Xn = k) =

e k
, k N
k!

(Teorema de Poisson (1832)).

4. Outros Teoremas Limites*

4.1. Uma Lei Forte sem supor distribuies idnticas (Kolmogorov (1933)):
Seja X1 , X2 , . . . uma seqncia de variveis aleatrias independentes e integrveis, e consideremos Sn = X1 + X2 + + Xn .
Se

n=1

Var(Xn )/n2 < , ento

Sn E(Sn ) q.c.
0.
n

4.2. Um Teorema Central do Limite sem supor distribuies idnticas:

Seja X1 , X2 , . . . uma seqncia de variveis aleatrias independentes, e seja Sn =
Para cada i, sejam i = E(Xi ) e i2 = Var(Xi ), e denotemos por mn =
a mdia e a varincia de Sn , respectivamente.

n
X
i=1

n
X

Xi .

i=1
n
X

i e s2n =

i2

i=1

Suponhamos que: (a) s2n quando n , e (b) existe uma constante M tal que
P (|Xi | M ) = 1 para todo i.
Ento,
Sn mn D
N (0, 1).
sn
Isto , para qualquer a R,
lim P


Sn mn
1 Z a x2 /2
a =
e
dx.
sn
2

Observao. Esse resultado segue de um Teorema Central do Limite mais geral que foi
provado por J. W. Lindeberg (1922). Para mais detalhes, veja-se, por exemplo, o livro de
Feller [3] (p. 254).

101

Convergncia de momentos

5. Convergncia de momentos*
5.1. Teorema da convergncia montona: Sejam X1 , X2 , . . . variveis aleatrias nonegativas. Se Xn X quase certamente quando n , ento
E(Xn ) E(X) quando n .
Observe que o limite pode ser infinito.
5.2. Lema de Fatou: Se X1 , X2 , . . . so variveis aleatrias no-negativas, ento


E lim
inf Xn lim
inf E(Xn ).
n
n
5.3. Teorema da convergncia dominada de Lebesgue: Suponha que |Xn | Y
para todo n, onde Y integrvel, e que Xn X. Ento, X e Xn so integrveis e
q.c.

lim E(Xn ) = E(X).

Observao. Em 5.3, a hiptese de que Xn X pode ser substituda por Xn X.

q.c.

No caso particular de Y ser uma constante, o resultado conhecido como Teorema da

convergncia limitada.

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

102

Modos de Convergncia e Teoremas Limites

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

Prove que qualquer seqncia finita de resultados ocorre infinitas vezes, com probabilidade 1.
3 . Sejam X1 , X2 , . . . variveis aleatrias independentes e identicamente distribudas, com
distribuio Bernoulli(1/2). Para n 1, definimos Yn o comprimento da seqncia de 0s
comeando em Xn , isto ,
Yn =

0 se Xn = 1,

k se Xn = = Xn+k1 = 0 e Xn+k = 1.

(a) Mostre que P (Yn = k) = 1/2k+1 para todo k 0.

(b) Prove que P (Yn = k infinitas vezes) = 1 para todo k 0.
(c) Mostre que P (Yn = n infinitas vezes) = 0.
4 . (Barndorff-Nielsen (1961)). Sejam A1 , A2 , . . . eventos em um espao de probabilidade
P
c
tais que n
lim P (An ) = 0 e
n=1 P (An An+1 ) < . Prove que P (An infinitas vezes) = 0.
5 . Sejam A1 , A2 , . . . eventos em um espao de probabilidade.
(a) Prove que P (An infinitas vezes) = 1 se para cada k
X

P (An | Ack Acn1 ) = .

n>k

Deduza da o item (b) do Lema de Borel-Cantelli.

(b) Mostre por meio de um exemplo que P (An infinitas vezes) = 1 no segue apenas
P
da divergncia de n P (An | Ac1 Acn1 ).
(c) Demonstre que P (An infinitas vezes) = 1 se e somente se
para todo evento A com P (A) > 0.

n=1

P (A An ) =

6 . Sejam X1 , X2 , . . . variveis aleatrias independentes e identicamente distribudas, com

distribuio exponencial de parmetro . Os itens (a) e (c) deste exerccio provam que,
com probabilidade 1,
1
Xn
= ,
lim sup

n log n
o que fornece uma descrio bastante precisa dos valores grandes de Xn quando n .
(a) Mostre que

Xn
1
P lim sup

n log n

= 1.

(b) Prove que, para qualquer > 0,

Xn
1+
P lim sup

n log n

= 1.

103

Exerccios

(c) Obtenha de (b) que

Xn
1
P lim sup

n log n

= 1.

Soluo. (a) Para n 1, seja An = {Xn (log n)/}. Como A1 , A2 , . . . so indeP

P
pendentes e
n=1 1/n = , temos, pelo Lema de Borel-Cantelli, que
n=1 P (An ) =
P (An infinitas vezes) = 1. Ento,
Xn
1
P lim sup

n log n

= 1.

(b) Fixado > 0, seja Bn = {Xn > (1 + ) (log n)/}, n 1. Visto que
n=1 P (Bn ) =
P
1+
< , obtemos pelo Lema de Borel-Cantelli que P (Bn infinitas vezes) = 0.
n=1 1/n
Da, segue que
!
Xn
1+
P lim sup

= 1.

n log n
P

(c) Observamos que, quando k ,

Xn
1 + 1/k
lim sup

n log n

portanto,

Xn
1
lim sup

n log n
(

1
Xn
P lim sup

n log n

= 1.

7 . Sejam X1 , X2 , . . . variveis aleatrias independentes e identicamente distribudas, com

distribuio N (0, 1). Os itens (a) e (c) deste exerccio mostram que, com probabilidade 1,
lim sup
n

Xn
= 1,
2 log n

o que descreve acuradamente os valores grandes de Xn quando n .

(a) Prove que
!

Xn
1 = 1.
P lim sup
n
2 log n
(b) Mostre que, para qualquer > 0,

Xn
P lim sup
1 + = 1.
n
2 log n
!

(c) Conclua de (b) que

!

Xn
P lim sup
1 = 1.
n
2 log n
Sugesto: Use a Razo de Mill (Exerccio 11(b) do Captulo 3).

104

Modos de Convergncia e Teoremas Limites

8 . Sejam X1 , X2 , . . . variveis aleatrias independentes e identicamente distribudas, com

P
distribuio N (0, 1), e considere Sn = ni=1 Xi . Mostre que
!

Sn
P lim sup
1 = 1.
n
2n log n
Sugesto: Observe que a independncia das Xi s no usada na obteno do item (c) do
exerccio 7.
Observao. Um resultado mais preciso conhecido como Lei do Logaritmo Iterado, a
qual estabelece que, para X1 , X2 , . . . variveis aleatrias independentes e identicamente
distribudas com mdia 0 e varincia 1,
!

Sn
= 1 = 1.
P lim sup
n
2n log log n
Encontram-se mais detalhes na Seo 1 do Captulo 8 de Gut [6].
9 . Sejam X1 , X2 , . . . variveis aleatrias positivas tais que E(Xn ) C para todo n 1,
onde C uma constante. Mostre que, para qualquer > 0,
log Xn
P lim sup
=1
n
n
!

e portanto

log Xn
P lim sup
0 = 1.
n
n
!

10. Seja {Xn }n1 uma seqncia de variveis aleatrias tal que cada Xn assume valores
em {0, 1/n, . . . , (n 1)/n, 1} com P (Xn = j/n) = 1/(n + 1) para j = 0, . . . , n. Mostre
D
que Xn U (0, 1).
Soluo. Seja X U (0, 1), logo
0 se x < 0,
FX (x) = x se 0 x < 1,

1 se x 1.

Para n 1,
0
se x < 0,
FXn (x) = k/(n + 1) se (k 1)/n x < k/n, k = 1, . . . , n,

1
se x 1.

Para x < 0 ou x 1, temos que FXn (x) = FX (x), portanto

lim FXn (x) = FX (x).

()

105

Exerccios

Se 0 x < 1, ento FXn (x) = k/(n + 1) onde k {1, . . . , n} tal que (k 1)/n x <
k/n. Como FX (x) = x, temos

k
k
k
k1
1
1

FXn (x) FX (x)

n+1
n+1 n
n+1
n
n+1

e ento tambm vale (). Assim, Xn X.

D

11. Seja {Xn }n1 uma seqncia de variveis aleatrias, sendo a densidade de Xn dada
por
n xn1
fXn (x) =
, 0 < x < .
n
D
Prove que Xn .
12. Suponha que Xn N (0, 1/n), n 1. Prove que Xn X 0.
D

13. Sejam X1 , X2 , . . . variveis aleatrias i.i.d. com distribuio exponencial de parmetro 1. Para n 1, definimos Yn = mx{X1 , . . . , Xn } log n. Mostre que a seqncia
{Yn }n1 converge em distribuio, determinando a distribuio limite.
14. Sejam X1 , X2 , . . . variveis aleatrias i.i.d. com distribuio uniforme em (0, 1), e seja
Nk Poisson(k) independente de X1 , X2 , . . . Considere
Yk =

se Nk = 0,

k mn{X1 , . . . , XNk } se Nk 1.

Prove que Yk converge em distribuio quando k , obtendo a distribuio limite.

15. Seja {Xn }n1 uma seqncia de variveis aleatrias tal que Xn Binomial(n, 1/n2 ).
P
Demonstre que Xn 1/n 0.
Soluo. Observamos que E(Xn ) = 1/n e Var(Xn ) = (1/n) (1 1/n2 ). Para qualquer
> 0, temos, pela desigualdade de Chebyshev,
P




Xn


1
1
 >

n
n 2


1
1 2
n

0.

Assim, Xn 1/n 0.
P

16. Seja {Xn }n1 uma seqncia de variveis aleatrias tais que
P (Xn = n) = 1 P (Xn = 1/n) = 1/n2 .
Mostre que Xn 0.
P

17. Seja {Xn }n1 uma seqncia de variveis aleatrias i.i.d. com distribuio uniforme
em [0, 1]. Definimos
Yn = mn{X1 , . . . , Xn }, Zn = mx{X1 , . . . , Xn }, Un = n Yn e Vn = n (1 Zn ), n 1.
Mostre que

106

Modos de Convergncia e Teoremas Limites

(a) Yn 0 e Zn 1.
P

(b) Un W e Vn W , onde W Exp(1).

D

18. Seja X uma varivel aleatria assumindo os valores 1 e 1 com probabilidade 1/2
e suponha que {Yn }n1 uma seqncia de variveis aleatrias independentes de X tais
que
1
P (Yn = 1) = 1 P (Yn = 0) = 1 .
n
Definimos a seqncia de variveis aleatrias {Xn }n1 por
Xn =

X se Yn = 1,

en se Yn = 0.

Responda se as seguintes afirmaes so verdadeiras ou falsas, justificando sua resposta.

(a) Xn X.
P

(b) lim E(|Xn X|) = 0.

n

19. Seja {Xn }n1 uma seqncia de variveis aleatrias com E(Xn2 ) < para todo n 1.
P
Prove que se lim E(Xn ) = e lim Var(Xn ) = 0, ento Xn .
n

20 . Sejam X1 , X2 , . . . variveis aleatrias independentes, com

P (Xn = 1) = pn

e P (Xn = 0) = 1 pn .

Prove que
(a) Xn 0 se e somente se lim pn = 0.
P

(b) Xn 0 se e somente se
q.c.

n=1

pn < .

Soluo. Recordamos que, pela definio de convergncia em probabilidade,

n

Xn 0 P (|Xn | > ) 0 para todo > 0.

P

Alm disso, o critrio para convergncia quase certa dado em 2.4 estabelece que
Xn 0 P (|Xn | > infinitas vezes) = 0 para todo > 0.
q.c.

(a) Se n
lim pn = 0, ento para qualquer > 0,
n

P (|Xn | > ) P (Xn 6= 0) = pn 0,

e portanto Xn 0. Reciprocamente, se Xn 0, ento
P

pn = P (|Xn | > 1/2) 0.

107

Exerccios

(b) Se

n=1

pn < , ento para qualquer > 0,

P (|Xn | > )

n=1

pn < .

n=1

Usando o Lema de Borel-Cantelli, conclumos que P (|Xn | > infinitas vezes) = 0 para
q.c.
todo > 0, logo Xn 0.
Por outro lado, se

n=1

pn = , ento

P (|Xn | > 1/2) =

n=1

pn = .

n=1

Como os eventos {|Xn | > 1/2} so independentes (pois as Xn s o so), temos, pelo Lema
de Borel-Cantelli, que P (|Xn | > 1/2 infinitas vezes) = 1. Isso mostra que Xn no converge
para 0 quase certamente.
21 . Sejam X2 , X3 , . . . variveis aleatrias independentes e identicamente distribudas,
com distribuio exponencial de parmetro 1. Para n 2, considere
Yn =

Xn
.
log n

(a) Mostre que Yn 0.

P

(b) Prove que P (|Yn | > 1/2 infinitas vezes) = 1.

(c) Conclua do item (b) que Yn no converge para 0 quase certamente.
22 . Seja {Xn }n1 uma seqncia de variveis aleatrias tais que
P (Xn = n3 ) =

1
,
n2

P (Xn = 0) = 1

1
.
n2

Prove que Xn 0, porm lim E(Xn ) 6= 0.

q.c.

23 . Sejam X1 , X2 , . . . , X variveis aleatrias em um mesmo espao de probabilidade.

q.c.
Demonstre que Xn X se

E(|Xn X|r ) < para algum r > 0.

n=1

24 . Suponha que Xn N (n , n2 ), n 1, e que n R e n > 0 quando

D
n . Prove que Xn N (, 2 ).
25 . Seja {Xn }n1 uma seqncia de variveis aleatrias i.i.d. com distribuio N (0, 2 ).
Fixado um nmero real , definimos a seqncia {Yn }n1 pela frmula
Y1 = X1 ,

Yn = Yn1 + Xn , n 2.

108

Modos de Convergncia e Teoremas Limites

(a) Mostre que Yn =

Pn1
i=0

i Xni , n 1.

(b) Obtenha a funo geradora de momentos de Yn e a sua distribuio.

(c) Calcule Cov(Ym , Yn ), 1 m n.
(d) Prove que se || < 1, ento
!

2
Yn N 0,
.
1 2
D

26 . Suponha que Xn Geomtrica(1/n), n 2, e seja Yn = Xn /n 1. Prove que

D
Yn Y onde Y Exp(1).
27 . Sejam X1 , X2 , . . . variveis aleatrias independentes e identicamente distribudas,
P
com distribuio de Poisson de parmetro . Considere Sn = ni=1 Xi . Usando o Teorema
da continuidade, demonstre que
Sn D
.
n
Sugesto: Prove e use que lim

x0

ex 1
= 1.
x

28. Seja {Xn }n1 uma seqncia de variveis aleatrias tal que Xn tem funo de distribuio
sen(2nx)
Fn (x) = x
, 0 x 1.
2n
(a) Mostre que Xn tem densidade e ento conclua que de fato Fn uma funo de
distribuio.
(b) Prove que Xn X onde X U [0, 1], mas a densidade de Xn no converge para
a densidade de X no intervalo (0, 1).
D

29. (a) Prove os itens (i) e (ii) do tpico 2.8 (p. 97).
(b) Fornea um exemplo no qual Xn X, Yn Y , porm a soma Xn + Yn no
converge em distribuio para X + Y .
D

30. Suponha que Zn N (0, 1) e Vn 2n so variveis aleatrias independentes. Mostre

que
Zn
D
N (0, 1).
Tn =
Vn /n
Sugesto: Recorde-se de que a distribuio 2n idntica Gama(n/2, 1/2) e obtenha
E(Vn ) e Var(Vn ).
31. Uma moeda honesta lanada infinitas vezes independentemente. Sejam X1 , X2 , . . .
as variveis aleatrias definidas por
Xi =

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

0 caso contrrio.

109

Exerccios

(a) Obtenha E(Xi ) e Var(Xi ).

(b) Mostre que
Cov(Xi , Xj ) =

1/16 se j = i + 1,
0

(c) Seja Sn =

n
X

se j > i + 1.

Xi , n 1. Determine E(Sn ) e Var(Sn ).

i=1

(d) Prove que Sn /n 1/4.

P

32. Considere uma seqncia infinita de lanamentos independentes de uma moeda, com
probabilidade p de cara em cada lanamento (0 < p < 1). Uma seguida uma seqncia
de lanamentos de mesmo resultado. Seja Rn o nmero de seguidas nos n primeiros
lanamentos. Demonstre que
Rn P
2 p (1 p).
n
Sugesto: Vejam-se os exerccios 27 do Captulo 4 e 19 do Captulo 5.
33. Suponha que distribumos r bolas distintas aleatoriamente em n urnas. Seja Nn o
nmero de urnas vazias aps a distribuio. Prove que se r, n de forma que r/n c,
ento
Nn P
ec .
n
Sugesto: Vejam-se os exerccios 29 do Captulo 4 e 19 do Captulo 5.
34. Sejam X1 , X2 , . . . variveis aleatrias independentes e identicamente distribudas,
com mdia comum e varincia finita. Prove que
n
2

!1
P

Xi Xj 2 .

X
1i<jn

35. Seja {Xn }n1 uma seqncia de variveis aleatrias i.i.d. com distribuio uniforme
em (0, 1). Definimos a mdia geomtrica de X1 , . . . , Xn por
Yn =

n
Y

Xi

1/n

i=1

Mostre que a seqncia {Yn }n1 converge q.c. para uma constante e encontre o valor dessa
constante.
Soluo. Seja Zi = log Xi , i 1. Ento, Z1 , Z2 , . . . so variveis aleatrias i.i.d. (j que
as Xi s o so), com
E(Z1 ) =

Z 1
0

log x dx = lim+
0

Z 1

log x dx =

1

lim+ (x log x x) 
0

= 1.

110

Modos de Convergncia e Teoremas Limites

Pela Lei Forte dos Grandes Nmeros de Kolmogorov,

Z1 + + Zn q.c.
1.
n
Portanto, como a funo x 7 ex contnua,
log Yn =

Yn e1 .
q.c.

36. Integrao numrica: Suponha que g uma funo contnua, no-negativa, definida em [0, 1], tal que supx g(x) 1. O seguinte procedimento visa a aproximar a integral
de g em [0, 1]. Escolhem-se n pontos uniformemente em [0, 1] [0, 1], e se define Un como
o nmero de pontos que caem abaixo da curva y = g(x). Prove que
Un q.c. Z 1

g(x) dx.
n
0
37. Uma vareta de comprimento 1 quebrada de maneira aleatria, o que significa que a
parte restante tem distribuio uniforme em (0, 1). A parte restante quebrada de modo
similar, e assim por diante.
(a) Seja Xn o comprimento da parte que sobra aps a vareta ter sido quebrada n vezes.
Descreva Xn como um produto.
(b) Mostre que a seqncia {log(Xn )/n}n1 converge quase certamente, respondendo
qual o limite.
(c) Obtenha uma aproximao para a probabilidade de que X36 e24 .
38. Seja {Xn }n1 uma seqncia de variveis aleatrias i.i.d. com distribuio uniforme
em [0, ]. Encontre constantes A e B tais que
sen

" Pn

q.c.
i=1 Xi
A
n

Pn

i=1

sen Xi q.c.
B.
n

39. Seja {Xn }n1 uma seqncia de variveis aleatrias i.i.d. com distribuio N (0, 1).
Definimos a seqncia {Yn }n1 por
Yn =

X12 + + Xn2
.
(X1 1)2 + + (Xn 1)2

Prove que Yn 1/2.

q.c.

40. Sejam X1 , . . . , Xn variveis aleatrias independentes e identicamente distribudas,

com mdia e varincia 2 , 0 < 2 < . Definimos
n =
X
Sn2

Pn

i=1

Xi

n )2
X
= Varincia amostral.
n1

i=1 (Xi

Pn

= Mdia amostral e

111

Exerccios
n ) e Var(X
n ).
(a) Determine E(X
(b) Mostre que
Sn2

Pn

i=1

n )2
Xi2 n (X
.
n1

(c) Obtenha E(Sn2 ).

(d) Prove que Sn2 2 .
q.c.

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

Pn

i=1

1
2

Xi 0.
q.c.

42 . Sejam X1 , X2 , . . . variveis aleatrias independentes e identicamente distribudas.

Mostre que as seguintes afirmaes so equivalentes:
(i) E|X1 | < ;
(ii)

n=1

P (|Xn | > n ) < para todo > 0;

(iii) P (|Xn | > n infinitas vezes) = 0 para todo > 0;

(iv) Xn /n 0 quando n .
q.c.

Sugesto: Use o critrio para integrabilidade enunciado em 1.9 do Captulo 4.

43 . Recproca para a Lei Forte de Kolmogorov: Sejam X1 , X2 , . . . variveis aleaP
trias independentes e identicamente distribudas, e considere Sn = ni=1 Xi .
(a) Suponha que Sn /n c, onde c uma constante.
q.c.

(a1) Mostre que Xn /n 0.

q.c.

(a2) Conclua que E|X1 | < e c = E(X1 ).

(b) Suponha que E|X1 | = .
(b1) Prove que P (|Xn | > n k infinitas vezes) = 1 para todo k = 1, 2, . . .
(b2) Mostre que

|Xn |
P lim sup
= =1
n
n
e portanto

|Sn |
P lim sup
= = 1.
n
n
Sugesto: Veja o exerccio 42 e use respectivamente em (a) e em (b) que
Xn
Sn
n 1 Sn1
=

n
n
n
n1


|Xn |
|Sn | |Sn1 |

+
.
n
n
n1

112

Modos de Convergncia e Teoremas Limites

44 . Uma seqncia de variveis aleatrias que satisfaz a Lei Fraca dos Grandes
Nmeros, porm no a Lei Forte: Sejam X1 , X2 , . . . variveis aleatrias independentes tais que P (X1 = 0) = 1 e, para cada n 2,
P (Xn = n) = P (Xn = n) =
Seja Sn =

Pn

i=1

1
,
2n log n

P (Xn = 0) = 1

1
.
n log n

Xi .

(a) Usando a desigualdade de Chebyshev, prove que Sn /n 0.

P

(b) Mostre que P (|Xn | > n/2 infinitas vezes) = 1.

(c) Conclua que Xn /n no converge para 0 quase certamente e portanto Sn /n no
converge para 0 quase certamente.
45 . Sejam X1 , X2 , . . . variveis aleatrias independentes tais que, para cada n 1,
P (Xn = n) = P (Xn = n) =
Seja Sn =

Pn

i=1

pn
,
2

P (Xn = 0) = 1 pn .

Xi . Demonstre que

pn <

n=1

Sn q.c.
0.
n

46. Uma marca de chocolate faz uma promoo: alguns dos pacotes incluem vales que
podem ser trocados por uma camiseta. O nmero de pacotes premiados que se vendem
ao dia em uma loja uma varivel aleatria com distribuio de Poisson de parmetro
0,3. Estime a probabilidade de que em 120 dias se vendam nessa loja mais de 30 pacotes
com prmio.
Soluo. Para 1 i 120, seja Xi o nmero de pacotes premiados vendidos na loja no
dia i. Sabemos que X1 , . . . , X120 tm distribuio de Poisson(0,3), logo
= E(X1 ) = 0,3 e 2 = Var(X1 ) = 0,3.
Supomos que X1 , . . . , X120 so independentes, e seja S120 =
premiados vendidos na loja durante os 120 dias.

P120

i=1

Xi o total de pacotes

Pelo Teorema Central do Limite,

P (S120 > 30) = P

S120 120 . 0,3

30 120 . 0,3

>
0,3 . 120
0,3 . 120

P (Z > 1) 0,8413,
onde Z N (0, 1).

Exerccios

113

47. O nmero mdio de canetas que se vendem diariamente em uma papelaria 30, sendo
a varincia 10. Estes valores so 20 e 12 para o nmero de cadernos vendidos. Sabe-se,
ademais, que a covarincia entre as vendas dirias de ambos produtos 9. Estime a
probabilidade de que o nmero total de ambos produtos vendidos durante 90 dias esteja
compreendido entre 4400 e 4600.
48. Uma mquina empacota lotes de parafusos. O dono da mquina deseja que pelo menos
90% dos lotes tenham mais de 1000 parafusos sem defeito. Sabendo que a probabilidade
de que um parafuso seja defeituoso 0,02, qual o menor nmero de parafusos que deve
colocar por lote?
49. Trs emissoras de televiso tm uma rdua competio para obter altos nveis de
audincia. O nmero mdio dirio de prmios milionrios distribudos por cada uma
dessas emissoras de 5, 3 e 4, sendo 0,5, 0,4 e 0,3 os desvios padres, respectivamente.
Estime a probabilidade de que o nmero total de prmios milionrios distribudos em dois
meses seja superior a 730.
50. O salrio em reais dos funcionrios de uma empresa tem distribuio de Pareto, com
densidade
5 7005/2
, x 700.
f (x) =
2 x7/2
Qual a probabilidade de que o salrio mdio de um grupo de 1000 funcionrios seja maior
que 1200 reais?
51. Um dado honesto lanado infinitas vezes independentemente. Seja Xi o resultado
do i-simo lanamento, e considere Sn = X1 + + Xn . Obtenha
(a) n
lim P (Sn > 3 n);
(b) n
lim P (Sn > 3,5 n);
(c) um valor aproximado para P (S100 > 320).
52. Uma moeda honesta lanada independentemente, at se obterem 450 caras. Estime
a probabilidade de que no mximo 960 lanamentos sejam feitos.
Sugesto: Seja N o nmero de lanamentos necessrios para obter 450 caras. H duas
abordagens:
(i) Escrever N como a soma de 450 variveis aleatrias independentes com distribuio
geomtrica de parmetro 1/2.
(ii) Supor que a seqncia de lanamentos da moeda infinita e usar que {N 960} =
P
{ 960
i=1 Xi 450}, onde Xi a funo indicadora de que ocorre cara no i-simo
lanamento.
53. Uma pessoa distribui jornais aos transeuntes na esquina de uma metrpole. Suponha
que cada pessoa que passa pelo entregador pega um exemplar do jornal com probabilidade

114

Modos de Convergncia e Teoremas Limites

1/3, independentemente das demais. Seja N o nmero de pessoas que passam pelo entregador at o tempo em que ele entrega suas primeiras 600 cpias. Estime a probabilidade
de que N seja maior que 1740.
54. Considere um experimento que consiste em lanamentos independentes e sucessivos
de um dado honesto. Se o resultado 1, 2 ou 3, anotamos em uma folha de papel o
nmero 1, se a face do dado igual a 4, anotamos o nmero 2, e se igual a 5 ou 6,
anotamos o nmero 3. Seja N o nmero de lanamentos necessrios para que o produto
dos nmeros anotados ultrapasse 100000. Estime a probabilidade de que N 25.
55. Usando o Teorema Central do Limite para variveis aleatrias com distribuio de
Poisson, mostre que
lim e

nn
n n2
+ +
1+ +
1!
2!
n!

1
= .
2

56. Sejam X1 , X2 , . . . variveis aleatrias independentes e identicamente distribudas,

n = Sn /n = Pni=1 Xi /n. Prove
com distribuio Bernoulli(p), p (0, 1), e consideremos X
que
i
h
D
n (1 X
n ) p (1 p)
N (0, p (1 p) (1 2p)2 ).
n X
Soluo. Pelo Teorema Central do Limite de De Moivre e Laplace,


n Xn p
Sn n p
D

N (0, 1),
=
p (1 p)
n p (1 p)
logo, pelo Teorema de Slutsky,


D
n p
n X
N (0, p (1 p)).

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

Se p = 1/2, interpretamos a distribuio N (0, 0) como a massa pontual em 0.

57. Seja Xn Gama(n, 1), n 1. Prove que
Xn n D

N (0, 1).
Xn
58. Sejam X1 , X2 , . . . variveis aleatrias independentes e identicamente distribudas,
com distribuio exponencial dupla de Laplace, ou seja, X1 tem densidade
fX1 (x) =

1 |x|
e , x R.
2

115

Exerccios

Mostre que

Xi
n Pni=1 2
i=1 Xi

N (0, 1/2).
D

59. Sejam X1 , X2 , . . . variveis aleatrias independentes e identicamente distribudas,

P
com distribuio uniforme em (, ), > 0. Para n 1, definimos Sn = ni=1 Xi e
Yn = mx{X1 , . . . , Xn }. Demonstre que
S
D
n N (0, 1/3).
n Yn
60. Sejam {Xn }n1 uma seqncia de variveis aleatrias i.i.d. e g : R R uma funo.
Suponha que E(g(X1 )) = e Var(g(X1 )) = 2 , 0 < 2 < . Alm disso, suponha que Tn
uma funo Tn = Tn (X1 , . . . , Xn ) (uma estatstica) que satisfaz
Tn =

n
X

g(Xi ) + Rn ,

i=1

P
onde Rn / n 0. Prove que
Tn n D

N (0, 1).
n
61. Seja {Xn }n1 uma seqncia de variveis aleatrias i.i.d. com distribuio uniforme
n = n1 Pni=1 Xi . Demonstre que
em [0, 2], onde > 0. Definimos X


D
n log
n log X
N (0, 1/3).
62. Seja {Xn }n1 uma seqncia de variveis aleatrias i.i.d. com mdia e varincia 2
n = n1 Pn Xi .
finita e positiva. Definimos X
i=1
(a) Mostre que


 2
D
n 2
n X
N (0, 4 2 2 ).

(b) Prove que se > 0, ento



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

Pn

i=1

1
1
, P (Xn = 0) = 1 , n 1.
2n
n

Xi e demonstre que
Sn q.c.
0
n

Sn
D
N (0, 1).
log n

116

Modos de Convergncia e Teoremas Limites

64 . Sejam X1 , X2 , . . . variveis aleatrias tais que X1 integrvel e Xn X quase

certamente quando n . Prove que
E(Xn ) E(X) quando n .
65 . (Teorema de Beppo Levi). Suponha que X1 , X2 , . . . so variveis aleatrias integrveis tais que supn E(Xn ) < . Mostre que se Xn X quase certamente quando n ,
ento X integrvel e
E(Xn ) E(X) quando n .
66 . Sejam A1 , A2 , . . . eventos em um espao de probabilidade.
(a) Usando o Lema de Fatou, demonstre que


P lim inf An lim inf P (An ).

n

(b) Usando o Teorema da convergncia limitada, prove que se existe A = n

lim An ,
ento P (A) = lim P (An ).
n

67 . Mostre que se Y1 , Y2 , . . . so variveis aleatrias no-negativas, ento

E

Yn =

n=1

E(Yn ).

n=1

68 . Suponha que Y1 , Y2 , . . . so variveis aleatrias tais que | nk=1 Yk | X para todo n,

P
P
onde X integrvel. Prove que se
n=1 Yn e
n=1 Yn converge quase certamente, ento
as Yn s so integrveis, e
!
P

Yn =

n=1

E(Yn ).

n=1

69 . Suponha que Y1 , Y2 , . . . so variveis aleatrias tais que

P
que
n=1 |Yn | converge quase certamente e integrvel, e
E

X
n=1

Yn =

n=1

E|Yn | < . Demonstre

E(Yn ).

n=1

70 . Equao de Wald: Sejam X1 , X2 , . . . variveis aleatrias, todas com a mesma

mdia . Seja N uma varivel aleatria inteira e no-negativa tal que, para todo n,
o evento {N = n} independente de Xn+1 , Xn+2 , . . . Suponha que vlida uma das
seguintes condies:
(i) Xn 0 para todo n

ou

(ii) E(N ) < e supn E|Xn | < .

117

Respostas

Mostre que
N
X

Xn = E(N ).

n=1

Sugesto: Defina In = I{N n} = 1

Pn1
i=0

I{N =i} e escreva

PN

n=1

Xn =

n=1

Xn In .

Respostas

13. FYn (y) =

(1 ey /n)n se y > log n,

0

caso contrrio.

Yn Y com FY (y) = exp{ exp{y}}, y R.

D

14. FYk (y) =

se y < 0,

1 + ek ey se 0 y < k,

se y k.

Yk Y com Y Exp(1).
D

18. (a) Verdadeira (Para qualquer > 0, {|Xn X| > } {Yn = 0}).
(b) Falsa ( lim E(|Xn X|) = lim en /n = ).
n

24. Use o Teorema da continuidade.

25. (a) Prove por induo em n.

(b) N 0, 2

Pn1
i=0

2i

(c) 2 nm

Pm1
i=0

2i

(d) Use o Teorema da continuidade.

26. Use o Teorema da continuidade.
30. Use o Teorema de Slutsky.
31. (a) 1/4, 3/16 (c) n/4, (5n 2)/16 (d) Use a Desigualdade de Chebyshev.
37. (b) 1 (c) 0,977
38. A = 1 e B = 2/
39. Use duas vezes a Lei Forte dos Grandes Nmeros.
n ) = e Var(X
n ) = 2 /n (c) E(Sn2 ) = 2
40. (a) E(X
(d) Use duas vezes a Lei Forte dos Grandes Nmeros.
41. Use a Lei Forte dos Grandes Nmeros enunciada em 4.1.
47. 0,904

118

Modos de Convergncia e Teoremas Limites

48. 1027
49. 0,0339
50. 0,1562
51. (a) 1 (b) 1/2 (c) 0,96
52. 0,97
53. 0,84
54. 0,494
60. Utilize o Teorema Central do Limite para a seqncia {g(Xi )}i1 e o Teorema de
Slutsky.
61. Mtodo Delta.
62. Mtodo Delta.
63. Use os tpicos 4.1, 4.2, o Teorema de Slutsky e o fato de que
n .

Pn

i=1

1/i log n quando

Apndice
Conjuntos
Denotamos por N = {0, 1, 2, . . . } o conjunto dos nmeros naturais, Z = {. . . , 1, 0, 1, . . . }
o conjunto dos nmeros inteiros, R o conjunto dos nmeros reais e C o conjunto dos
nmeros complexos.
Um conjunto A finito se existe uma correspondncia biunvoca entre A e o conjunto
{1, . . . , n} para algum n 1. (O conjunto vazio tambm finito).
Um conjunto A infinito enumervel se existe uma correspondncia biunvoca entre A
e N.
Um conjunto A infinito no-enumervel se no finito nem enumervel.
A cardinalidade de um conjunto A, denotada por |A|, o nmero de elementos de A.
Seqncias
Para uma seqncia {xn }n1 de nmeros reais, escrevemos xn x quando n
lim xn = x;
xn x significa que x1 x2 e xn x; xn x significa que x1 x2 e xn x.
Seja {xn }n1 uma seqncia de nmeros reais. O limite inferior e o limite superior dessa
seqncia so definidos respectivamente por
` = lim inf xn = sup inf xk = lim inf xk
n
n kn

n1 kn

` = lim sup xn = inf sup xk = lim sup xk .

n

n1 kn

n kn

Pode-se mostrar que ` ` so respectivamente o nfimo e o supremo do conjunto dos

pontos limites da seqncia. Observamos que ` = se e somente se dados M R e

n 1, existe k n tal que xk > M . A seqncia tem limite ` R {, } quando

n se e somente se ` = ` = `.

Cumpre ainda notar que, para uma seqncia A1 , A2 , . . . de eventos,

Ilim inf n An = lim inf IAn
n

e Ilim supn An = lim sup IAn .

n

120

Apndice

Sries
Dada uma seqncia {an }n1 de nmeros reais, dizemos que a srie
a seqncia das somas parciais sn =

Pn

k=1

n=1

an converge se

ak , n 1, tem limite finito quando n .

Caso contrrio, a srie diverge.

Se os termos so no-negativos (an 0 para todo n), claro que as somas parciais formam
uma seqncia no-decrescente, e ento a srie converge se e somente se a seqncia das
somas parciais limitada. Escrevemos

n=1

an < ou = conforme a srie convirja

ou no.
Algumas sries importantes:

X
n=0

x =
n

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

xn
= ex para todo x R.
n!
n=0
1 < se p > 1,
p
= se p 1.
n=1 n

< se p > 1,
1
p
= se p 1.
n=2 n (log n)

Um critrio bastante til estabelece que as sries de termos positivos

an e

n bn

so

convergentes ou divergentes simultaneamente se o limite lim an /bn um nmero diferente

n

de zero.
Dada uma seqncia {an }n0 de nmeros reais, a srie
de potncias. Definimos
R=

1
lim sup

q
n

com 1/0 e 1/ 0. Ento,

n=0

|an |

n=0

an xn chamada uma srie

an xn converge se |x| < R e diverge se |x| > R.

Denomina-se R o raio de convergncia da srie de potncias.

Teorema de Abel: Se an 0 para todo n e
lim
x1

seja essa soma finita ou no.

X
n=0

n=0

an x n =

an xn converge para x (1, 1), ento

n=0

an ,

121
Teorema: Uma srie de potncias pode ser derivada ou integrada termo a termo qualquer
nmero de vezes dentro do intervalo de convergncia.
Funes
Uma funo f : X R (onde X R) chamada crescente se, quaisquer que sejam x, y
X, x < y implica f (x) < f (y). Se x < y (com x, y X) implica apenas f (x) f (y), f
no-decrescente. De modo anlogo, define-se funo decrescente e funo no-crescente.
Uma funo denominada estritamente montona se crescente ou decrescente.
Um conjunto A R convexo se, sempre que contm os pontos x e y, tambm contm
x + (1 ) y para 0 1. Uma funo : A R convexa se para quaisquer
x, y A e 0 1,
( x + (1 ) y) (x) + (1 ) (y).
Em palavras, convexa se cada ponto na corda entre (x, (x)) e (y, (y)) est acima
do grfico de . Para uma funo : (a, b) R duas vezes diferencivel, 00 (x) 0 para
todo x (a, b) uma condio necessria e suficiente para convexidade.
Convergncia uniforme no Teorema Central do Limite
Seja X1 , X2 , . . . uma seqncia de variveis aleatrias i.i.d. com mdia e varincia 2
finita e positiva. Em aplicaes do Teorema Central do Limite, usa-se freqentemente
que, para n grande, Sn =

Pn

i=1

Xi tem aproximadamente distribuio normal com mdia

n e varincia n 2 . Essa afirmao justificada pelo seguinte resultado: Se Zn Z e

D

FZ contnua em R, ento FZn converge para FZ uniformemente em R.

Distribuio Normal Padro

Parte inteira e primeira decimal de z

1 Z z x2 /2
e
dx para z 0.
Funo tabelada: (z) =
2

0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1,0
1,1
1,2
1,3
1,4
1,5
1,6
1,7
1,8
1,9
2,0
2,1
2,2
2,3
2,4
2,5
2,6
2,7
2,8
2,9
3,0
3,1
3,2
3,3
3,4
3,5
3,6
3,7
3,8
3,9

0
1
0,5
0,504
0,5398 0,5438
0,5793 0,5832
0,6179 0,6217
0,6554 0,6591
0,6915 0,695
0,7257 0,7291
0,758 0,7611
0,7881 0,791
0,8159 0,8186
0,8413 0,8438
0,8643 0,8665
0,8849 0,8869
0,9032 0,9049
0,9192 0,9207
0,9332 0,9345
0,9452 0,9463
0,9554 0,9564
0,9641 0,9649
0,9713 0,9719
0,9772 0,9778
0,9821 0,9826
0,9861 0,9864
0,9893 0,9896
0,9918 0,992
0,9938 0,994
0,9953 0,9955
0,9965 0,9966
0,9974 0,9975
0,9981 0,9982
0,9987 0,9987
0,999 0,9991
0,9993 0,9993
0,9995 0,9995
0,9997 0,9997
0,9998 0,9998
0,9998 0,9998
0,9999 0,9999
0,9999 0,9999
1,
1,

2
0,508
0,5478
0,5871
0,6255
0,6628
0,6985
0,7324
0,7642
0,7939
0,8212
0,8461
0,8686
0,8888
0,9066
0,9222
0,9357
0,9474
0,9573
0,9656
0,9726
0,9783
0,983
0,9868
0,9898
0,9922
0,9941
0,9956
0,9967
0,9976
0,9982
0,9987
0,9991
0,9994
0,9995
0,9997
0,9998
0,9999
0,9999
0,9999
1,

Segunda decimal de
3
4
5
0,512 0,516 0,5199
0,5517 0,5557 0,5596
0,591 0,5948 0,5987
0,6293 0,6331 0,6368
0,6664 0,67
0,6736
0,7019 0,7054 0,7088
0,7357 0,7389 0,7422
0,7673 0,7704 0,7734
0,7967 0,7995 0,8023
0,8238 0,8264 0,8289
0,8485 0,8508 0,8531
0,8708 0,8729 0,8749
0,8907 0,8925 0,8944
0,9082 0,9099 0,9115
0,9236 0,9251 0,9265
0,937 0,9382 0,9394
0,9484 0,9495 0,9505
0,9582 0,9591 0,9599
0,9664 0,9671 0,9678
0,9732 0,9738 0,9744
0,9788 0,9793 0,9798
0,9834 0,9838 0,9842
0,9871 0,9875 0,9878
0,9901 0,9904 0,9906
0,9925 0,9927 0,9929
0,9943 0,9945 0,9946
0,9957 0,9959 0,996
0,9968 0,9969 0,997
0,9977 0,9977 0,9978
0,9983 0,9984 0,9984
0,9988 0,9988 0,9989
0,9991 0,9992 0,9992
0,9994 0,9994 0,9994
0,9996 0,9996 0,9996
0,9997 0,9997 0,9997
0,9998 0,9998 0,9998
0,9999 0,9999 0,9999
0,9999 0,9999 0,9999
0,9999 0,9999 0,9999
1,
1,
1,

z
6
0,5239
0,5636
0,6026
0,6406
0,6772
0,7123
0,7454
0,7764
0,8051
0,8315
0,8554
0,877
0,8962
0,9131
0,9279
0,9406
0,9515
0,9608
0,9686
0,975
0,9803
0,9846
0,9881
0,9909
0,9931
0,9948
0,9961
0,9971
0,9979
0,9985
0,9989
0,9992
0,9994
0,9996
0,9997
0,9998
0,9999
0,9999
0,9999
1,

7
0,5279
0,5675
0,6064
0,6443
0,6808
0,7157
0,7486
0,7794
0,8078
0,834
0,8577
0,879
0,898
0,9147
0,9292
0,9418
0,9525
0,9616
0,9693
0,9756
0,9808
0,985
0,9884
0,9911
0,9932
0,9949
0,9962
0,9972
0,9979
0,9985
0,9989
0,9992
0,9995
0,9996
0,9997
0,9998
0,9999
0,9999
0,9999
1,

8
0,5319
0,5714
0,6103
0,648
0,6844
0,719
0,7517
0,7823
0,8106
0,8365
0,8599
0,881
0,8997
0,9162
0,9306
0,9429
0,9535
0,9625
0,9699
0,9761
0,9812
0,9854
0,9887
0,9913
0,9934
0,9951
0,9963
0,9973
0,998
0,9986
0,999
0,9993
0,9995
0,9996
0,9997
0,9998
0,9999
0,9999
0,9999
1,

9
0,5359
0,5753
0,6141
0,6517
0,6879
0,7224
0,7549
0,7852
0,8133
0,8389
0,8621
0,883
0,9015
0,9177
0,9319
0,9441
0,9545
0,9633
0,9706
0,9767
0,9817
0,9857
0,989
0,9916
0,9936
0,9952
0,9964
0,9974
0,9981
0,9986
0,999
0,9993
0,9995
0,9997
0,9998
0,9998
0,9999
0,9999
0,9999
1,

0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1,0
1,1
1,2
1,3
1,4
1,5
1,6
1,7
1,8
1,9
2,0
2,1
2,2
2,3
2,4
2,5
2,6
2,7
2,8
2,9
3,0
3,1
3,2
3,3
3,4
3,5
3,6
3,7
3,8
3,9

Referncias Bibliogrficas
[1] BACHX, A. C.; POPPE, L. M. B.; TAVARES, R. N. O. Preldio anlise combinatria. So Paulo: Companhia Editora Nacional, 1975.
[2] DANTAS, C. A. B. Probabilidade: um curso introdutrio. 2. ed. So Paulo: Editora
da Universidade de So Paulo, 2004. (Coleo Acadmica).
[3] FELLER, W. An introduction to probability theory and its applications, Volume I.
3rd. ed. New York: John Wiley & Sons, 1968.
[4] FERNNDEZ-ABASCAL, H.; GUIJARRO, M.; ROJO, J. L.; SANZ, J. A. Ejercicios
de clculo de probabilidades. Resueltos y comentados. Barcelona: Editorial Ariel,
1995.
[5] GRIMMETT, G. R.; STIRZAKER, D. R. Probability and random processes. 3rd. ed.
New York: Oxford University Press, 2001.
[6] GUT, A. Probability: a graduate course. New York: Springer, 2005.
[7] HOEL, P. G.; PORT, S. C.; STONE, C. J. Introduction to probability theory. Boston:
Houghton Mifflin, 1971.
[8] JAMES, B. R. Probabilidade: um curso em nvel intermedirio. 3. ed. Rio de Janeiro:
Instituto Nacional de Matemtica Pura e Aplicada, 2004. (Projeto Euclides).
[9] LIMA, E. L. Curso de anlise, Volume 1. 12. ed. Rio de Janeiro: Instituto Nacional
de Matemtica Pura e Aplicada, 2004. (Projeto Euclides).
[10] MORGADO, A. C. O.; CARVALHO, J. B. P.; CARVALHO, P. C. P.; FERNANDEZ, P. Anlise combinatria e probabilidade. 9. ed. Rio de Janeiro: Sociedade Brasileira de Matemtica, 2006. (Coleo do Professor de Matemtica).
[11] ROSS, S. M. A first course in probability. 8th. ed. Upper Saddle River, N. J.: Prentice
Hall, 2008.
[12] SANTOS, J. P. O.; MELLO, M. P.; MURARI, I. T. C. Introduo anlise combinatria. Rio de Janeiro: Editora Cincia Moderna, 2008.

NOTAS DE AULA um espao para publicao de material didtico-instrucional,

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

CAPES-PROEX