CÁLCULO

DE
PROBABILIDADE 2

AULA DE REVISÃO: PARTE 1

Profª Cátia R. Gonçalves

MAT/UnB

Profª Cátia Gonçalves - MAT/UnB Cálculo de Probabilidade 2 Aula 0 : Parte 1 1 / 10

I. Revisão: Cálculo de Probabilidade 1

(Ω, A, P): Espaço de Probabilidade

Ou seja,

I Ω : espaço amostral

I A : coleção não-vazia de subconjuntos de Ω, tal que

F A ∈ A =⇒ Ac ∈ A
∞
S
F A1 , A2 , · · · ∈ A =⇒ Ai ∈ A
i=1

I P: medida de probabilidade sobre A, isto é, P : A −→ R tal que

(i) P(A) ≥ 0, ∀ A ∈ A
(ii) P(Ω) = 1
∞  ∞
X
S
(iii) A1 , A2 , · · · ∈ A, Ai ∩ Aj = ∅, i 6= j =⇒ P Ai = P(Ai ).
i=1 i=1
(σ -aditividade).

Profª Cátia Gonçalves - MAT/UnB Cálculo de Probabilidade 2 Aula 0 : Parte 1 2 / 10

(A) Variáveis Aleatórias

Uma função X : Ω −→ R tal que

{X ≤ x} = {ω ∈ Ω : X (ω) ≤ x} ∈ A, ∀ x ∈ R
é chamada uma variável aleatória (v.a.) sobre (Ω, A, P)

Função de distribuição de X:
FX (x) = P(X ≤ x), ∀ x ∈ R.

Propriedades da f.d. FX :

(a) FX é monótona não-decrescente

(b) FX é contínua pela direita
(c) FX (−∞) = lim FX (x) = 0 e FX (+∞) = lim FX (x) = 1
x→−∞ x→+∞

Temos:

F P(a < X ≤ b) = FX (b) − FX (a), ∀ a < b

F P(X = a) = FX (a) − FX (a− ) = tamanho do salto de FX em x = a
Profª Cátia Gonçalves - MAT/UnB Cálculo de Probabilidade 2 Aula 0 : Parte 1 3 / 10
Tipos de Variáveis Aleatórias:

X : v.a. em (Ω, A, P)

(a) discreta: se ∃ {x1 , x2 , · · · } ⊂ R enumerável tal que

(i) P(X = xi ) > 0, ∀ i = 1, 2, · · · e P(X = x) = 0, x ∈

/ {x1 , x2 , · · · }
∞
X
(ii) P(X = xi ) = 1, ou seja, P(X ∈ {x1 , x2 , · · · }) = 1.
i=1

Função de Probabilidade de X:

pX (x) = P(X = x), ∀ x ∈ R.

,→ também determina a lei de probabilidade de X

Profª Cátia Gonçalves - MAT/UnB Cálculo de Probabilidade 2 Aula 0 : Parte 1 4 / 10

 Temos:
X
P(X ∈ B) = pX (xi ), ∀ B ∈ B(R)
,→B gerado por intervalos
i:xi ∈B

Em particular:
X
FX (x) = P(X ≤ x) = pX (xi ), ∀ x ∈ R.
i:xi ≤x

Reciprocamente, FX determina pX :

pX (x) = FX (x) − FX (x − ), ∀ x ∈ R.

Profª Cátia Gonçalves - MAT/UnB Cálculo de Probabilidade 2 Aula 0 : Parte 1 5 / 10

I Exemplos clássicos de distribuições discretas −→ tabela moodle
Profª Cátia Gonçalves - MAT/UnB Cálculo de Probabilidade 2 Aula 0 : Parte 1 6 / 10
 (b) contínua:

X é v.a. contínua se P(X = x) = 0, ∀ x ∈ R.

Assim

I X é v.a. contínua ⇐⇒ FX (x) é função contínua

pois, P(X = x) = FX (x) − FX (x − ).

Neste caso, temos

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

= P(a ≤ X ≤ b) = FX (b) − FX (a)

Profª Cátia Gonçalves - MAT/UnB Cálculo de Probabilidade 2 Aula 0 : Parte 1 7 / 10

 Se existir fX : R −→ R tal que

(i) fX (x) ≥ 0, ∀ x ∈ R
Z x
(ii) FX (x) = fX (y ) dy , ∀ x ∈ R.
−∞

então dizemos que X é uma v.a. absolutamente contínua

e fX é a densidade de X.

I Neste caso, temos

Z b
P(a < X ≤ b) = fX (x) dx, ∀ a < b
a
e

Z
P(X ∈ B) = fX (x) dx, ∀ B ∈ B(R).
B

I Reciprocamente,

fX (x) = FX0 (x) nos pontos x onde FX é derivável .

Profª Cátia Gonçalves - MAT/UnB Cálculo de Probabilidade 2 Aula 0 : Parte 1 8 / 10
Profª Cátia Gonçalves - MAT/UnB Cálculo de Probabilidade 2 Aula 0 : Parte 1 9 / 10
 Exemplos de v.a.'s contínuas que não são absolutamente contínuas são raros.

I Nosso curso: contínua ←→ absolutamente contínua.

I Exemplos clássicos de distribuições abs. contínuas −→ tabela moodle

I Uma função f : R −→ R é função de densidade se, e só se,

(i) f (x) ≥ 0, ∀ x ∈ R
Z +∞
(ii) f (x) dx = 1
−∞

I Dada uma função de densidade f sobre R, sempre existe uma v.a.

absolutamente contínua X que tem f como sua densidade.

Profª Cátia Gonçalves - MAT/UnB Cálculo de Probabilidade 2 Aula 0 : Parte 1 10 / 10

 CÁLCULO
DE
PROBABILIDADE 2

AULA DE REVISÃO: PARTE 2

Profª Cátia R. Gonçalves

MAT/UnB

Profª Cátia Gonçalves - MAT/UnB Cálculo de Probabilidade 2 Aula 0 : Parte 2 1/9

(B) Vetores Aleatórios - Distribuição Conjunta

Sejam X1 , X2 , · · · , Xn v.a.'s denidas em (Ω, A, P).

A função vetorial

X̃ = (X1 , X2 , · · · , Xn ) : Ω −→ Rn
é chamada um vetor aleatório sobre (Ω, A, P).

Função de distribuição conjunta de X1 , X2 , · · · , Xn :

FX1 ,··· ,Xn (x1 , · · · , xn ) = P(X1 ≤ x1 , X2 ≤ x2 , · · · , Xn ≤ xn ), ∀ (x1 , · · · , xn ) ∈ Rn .

| {z } | {z }
FX̃ (x̃) x̃

Note que:
 n

T
P(X1 ≤ x1 , · · · , Xn ≤ xn ) = P {Xi ≤ xi }
i=1

= P ( (X1 , · · · , Xn ) ∈ (−∞, x1 ] × · · · × (−∞, xn ] )

Profª Cátia Gonçalves - MAT/UnB Cálculo de Probabilidade 2 Aula 0 : Parte 2 2/9
 (a) Caso Discreto:
X1 , · · · , Xn v.a.'s discretas =⇒ (X1 , · · · , Xn ) vetor aleatório discreto.

I n=2

Função de probabilidade conjunta de X1 , X2 :

pX1 ,X2 (x, y ) = P(X1 = x, X2 = y ), ∀ (x, y ) ∈ R2

Temos

(i) ∃ {(xi , yj ), i = 1, 2, . . . , j = 1, 2 . . .} ⊂ R2 t.q. pX1 ,X2 (xi , yj ) > 0, ∀ i, j

e pX1 ,X2 (x, y ) = 0 se (x, y ) ∈
/ {(xi , yj ), i = 1, 2 . . . , j = 1, 2, . . .}
∞ X
X ∞
(ii) pX1 ,X2 (xi , yj ) = 1
i=1 j=1

Neste caso,

pX1 ,X2 (xi , yj ), ∀ (x, y ) ∈ R2

X X
FX1 ,X2 (x, y ) =
i:xi ≤x j:yj ≤y

Profª Cátia Gonçalves - MAT/UnB Cálculo de Probabilidade 2 Aula 0 : Parte 2 4/9

 Funções de probabilidade marginais:

I marginal de X1 :
∞
X
pX1 (x) = P(X1 = x) = P(X1 = x, X2 = yj )
j=1
∞
X
= pX1 ,X2 (x, yj )
j=1

Not.
X
= pX1 ,X2 (x, y ), ∀ x ∈ R.
y
I marginal de X2 :
∞
X
pX2 (y ) = P(X2 = y ) = P(X1 = xi , X2 = y )
i=1
∞
X
= pX1 ,X2 (xi , y )
i=1
Not.
X
= pX1 ,X2 (x, y ), ∀ y ∈ R.
x
Profª Cátia Gonçalves - MAT/UnB Cálculo de Probabilidade 2 Aula 0 : Parte 2 5/9
 (b) Caso Absolutamente Contínuo:
n=2
Se existir fX1 ,X2 : R2 −→ R tal que
(i) fX1 ,X2 (x, y ) ≥ 0, ∀ (x, y ) ∈ R2
Z x Z y
(ii) FX1 ,X2 (x, y ) = fX1 ,X2 (u, v ) dudv , ∀ (x, y ) ∈ R2
−∞ −∞

então dizemos que (X1 , X2 ) é um vetor absolutamente contínuo

e fX1 ,X2 é chamada a densidade conjunta de X1 e X2 .

Neste caso:

∂ 2 FX1 ,X2
fX1 ,X2 (x, y ) = (x, y ), a menos de um conjunto enumerável de (x, y ).
∂x∂y
ZZ
P( (X1 , X2 ) ∈ B ) = fX1 ,X2 (x, y ) dxdy , ∀ B ∈ B(R2 ).
B

Profª Cátia Gonçalves - MAT/UnB Cálculo de Probabilidade 2 Aula 0 : Parte 2 6/9

 Densidades Marginais:

I marginal de X1 :
Z ∞
fX1 (x) = fX1 ,X2 (x, y ) dy , ∀ x ∈ R.
−∞

I marginal de X2 :
Z ∞
fX2 (y ) = fX1 ,X2 (x, y ) dx, ∀ y ∈ R.
−∞

Distribuição conjunta determina as marginais. Recíproca é falsa !!!

Profª Cátia Gonçalves - MAT/UnB Cálculo de Probabilidade 2 Aula 0 : Parte 2 7/9

 Independência:

(a) de eventos:

I Dois eventos num espaço de probabilidade (Ω, A, P) são

independentes se
P(A ∩ B) = P(A)P(B).

I Dizemos que A1 , A2 , · · · , An são independentes

(ou coletivamente independentes ) se

P(Ai1 ∩ Ai2 ∩ · · · ∩ Aik ) = P(Ai1 )P(Ai2 ) · · · P(Aik ),

∀ 1 ≤ i1 , · · · , ik ≤ n, ∀ 2 ≤ k ≤ n.

Profª Cátia Gonçalves - MAT/UnB Cálculo de Probabilidade 2 Aula 0 : Parte 2 8/9

 (b) de variáveis aleatórias:

Sejam X1 , · · · , Xn v.a.'a denidas em (Ω, A, P).

I Dizemos que X1 , · · · , Xn são independentes, se

n
Y
P(X1 ∈ B1 , X2 ∈ B2 , · · · , Xn ∈ Bn ) = P(Xi ∈ Bi ), ∀ B1 · · · Bn ∈ B(R).
i=1

ou equivalentemente, se, e só se,

n
Y
FX1 ,··· ,Xn (x1 , · · · , xn ) = FXi (xi ), ∀ (x1 , · · · , xn ) ∈ Rn .
i=1

I Caso Discreto:
n
X1 , · · · , Xn são independentes ⇐⇒ pX1 ,··· ,Xn (x1 , · · · , xn ) =
Y
pXi (xi ),
i=1
I Caso Contínuo:
n
X1 , · · · , Xn são independentes ⇐⇒ fX1 ,··· ,Xn (x1 , · · · , xn ) =
Y
fXi (xi ),
i=1

Profª Cátia Gonçalves - MAT/UnB Cálculo de Probabilidade 2 Aula 0 : Parte 2 9/9