Escolar Documentos
Profissional Documentos
Cultura Documentos
1 De…nições Básicas 1
1.1 Modelo Matemático para um Experimento . . . . . . . . . . . . . . . 1
1.1.1 Espaços de Probabilidade . . . . . . . . . . . . . . . . . . . . 1
1.1.2 De…nição e Propriedades das Probabilidades . . . . . . . . . . 5
1.1.3 Probabilidade Condicional . . . . . . . . . . . . . . . . . . . . 11
1.1.4 Independência . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2 Variáveis Aleatórias 18
2.1 Conceito . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.2 Função de Distribuição . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.3 Variáveis Aleatórias Discretas . . . . . . . . . . . . . . . . . . . . . . 22
2.4 Variáveis Aleatórias Contínuas . . . . . . . . . . . . . . . . . . . . . . 23
2.5 Vetores Aleatórios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.5.1 Independência . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.6 Funções de Variáveis Aleatórias . . . . . . . . . . . . . . . . . . . . . 32
2.6.1 Transformações Mensuráveis . . . . . . . . . . . . . . . . . . . 32
2.6.2 Distribuições de Funções de Variáveis e Vetores Aleatórios . . 32
2.6.3 Método do Jacobiano . . . . . . . . . . . . . . . . . . . . . . . 34
2.6.4 Estatísticas de Ordem . . . . . . . . . . . . . . . . . . . . . . 36
3 Esperança Matemática 38
3.1 De…nição . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
3.1.1 Propriedades da Esperança Matemática . . . . . . . . . . . . . 39
3.2 Esperanças de Funções de Variáveis Aleatórias . . . . . . . . . . . . . 41
3.3 Momentos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
3.3.1 Propriedades da Variância . . . . . . . . . . . . . . . . . . . . 42
3.4 Esperanças de Funções de Vetores Aleatórios . . . . . . . . . . . . . . 44
3.5 A Função Geratriz de Momentos . . . . . . . . . . . . . . . . . . . . . 47
3.6 Lista . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
i
OBJETIVOS GERAIS: Habilitar o aluno a sintetizar informações que são
PROGRAMA
e propriedades.
tos.
ii
O método Jacobiano para o caso de dimensão 2. Exemplos.
certa.
Lei Fraca dos Grandes Números. Lei Forte dos Grandes Números. Exemplos.
Liapounov). Aplicações.
iii
BIBLIOGRAFIA
- 1981.
- Paris - 1968.
Interciência - 1978.
- 1997.
AVALIAÇOES
iv
Capítulo 1
De…nições Básicas
Suponha que vamos realizar um experimento cujo resultado não pode ser predito
de…nição:
= f(Ca; Ca); (Ca; Co); (Co; Ca); (Co; Co)g, onde o resultado (a; b) ocorre se a
1
Exemplo 4 Se o experimento consiste em lançar dois dados e observar as faces
superiores, então
8 9
>
> (1; 1) (1; 2) (1; 3) (1; 4) (1; 5) (1; 6) >
>
>
> >
>
>
> (2; 1) (2; 2) (2; 3) (2; 4) (2; 5) (2; 6) >
>
< =
(3; 1) (3; 2) (3; 3) (3; 4) (3; 5) (3; 6)
=
>
> (4; 1) (4; 2) (4; 3) (4; 4) (4; 5) (4; 6) >
>
>
> >
>
>
> (5; 1) (5; 2) (5; 3) (5; 4) (5; 5) (5; 6) >
>
: ;
(6; 1) (6; 2) (6; 3) (6; 4) (6; 5) (6; 6)
segundo dado.
= [0; 1).
patíveis se A \ B = ;.
(i) 2 A;
2
n
(iii) Se A1 ; A2 ; :::; An 2 A então [ Ai 2 A. (a classe é fechada pela união …nita)
i=1
(a) ; 2 A;
(b) se A e B 2 A então A B 2 A;
n
(b) se A1 ; A2 ; :::; An 2 A então \ Ai 2 A.
i=1
(i) 2 A;
enumerável)
3
Exercício 3 Mostre que toda -álgebra é uma álgebra, mas a recíproca não é ver-
dadeira.
álgebra.
(B) = \ (B)
2
de dada por ff1; 2g ; f1; 3; 4g ; f3; 5gg; (c) Construa a menor álgebra contendo
4
De…nição 7 A álgebra de Borel é gerada pela coleção de conjuntos abertos de
= R, B pode ser gerada por quaisquer dos intervalos (a; b), (a; b], [a; b) ou [a; b],
isto é,
= f( 1; x]; x 2 Rg,
Exemplo 7 Seja = f1; 2; 3; 4; 5; 6g e seja A = f;; f2g; f1; 3; 4; 5; 6g; f4; 6g; f1; 2; 3; 5g;
f1; 3g; f2; 4; 5; 6g; f5g; f1; 2; 3; 4; 6g; f1; 3; 5g; f4; 5; 6g; f1; 3; 4; 6g; f2; 5g; f1; 2; 3g; f2; 4; 6g; g.
#A
P (A) =
#
5
(Freqüentista) Baseia-se na freqüência relativa de um ”número grande” de realizações do
nA
P (A) = lim
n!1 n
Observação 4 O limite acima não pode ser entendido como um limite matemático,
pois dado " > 0 não há garantia de que existe n0 2 N tal que para todo n n0 se
tenha
nA
P (A) < ".
n
nA
É improvável que P (A) " para n N (grande), mas pode acontecer.
n
Outra di…culdade do conceito freqüentista é que o experimento nunca é realizado
Não nos preocuparemos com o problema de como de…nir probabilidade para cada
foi erigida pelo matemático russo Kolmogorov, responsável pela base matemática
solida da teoria.
6
Seja um espaço amostral e A uma -álgebra para um dado experimento. Uma
P : A ! [0; 1]
A1) P (A) 0.
A2) P ( ) = 1.
supor -aditividade:
1 X
1
A3’) Se A1 ; A2 ; ::: 2 A são disjuntos dois a dois, então P [ Ai = P (Ai ).
i=1
i=1
7
(b) A é uma -álgebra de subconjuntos de ,e
mas:
Teorema 1 P (;) = 0.
…nitamente aditiva.
8
1
Teorema 6 Para qualquer seqüência de eventos A1 ; A2 ; :::; An 2 A, P [ Ai
i=1
X1
P (Ai ) (desigualdade de Boole).
i=1
n X
n X X
P [ Ai = P (Ai ) P (Ai \ Aj ) + P (Ai \ Aj \ Ak )
i=1
i=1 i<j i<j<k
X
P (Ai \ Aj \ Ak \ Al ) + ::: + ( 1)n+1 P (A1 \ A2 \ ::: \ An )
i<j<k<l
Para ver isto, de…nimos antes o que se entende por uma seqüência crescente (decres-
cente) de eventos.
1
lim En = [ Ei .
n!1 i=1
então
9
Prova. (Em aula.)
n-ésima geração. Mostre que limn!1 P (Xn = 0) existe e interprete o seu signi…cado.
10
1.1.3 Probabilidade Condicional
P (A \ B)
P (A j B) = , A 2 A. (1.1)
P (B)
exemplo,
P (Ac j B) = 1 P (A j B).
dade condicional de
P (A \ B) = P (B):P (A j B)
= P (A):P (B j A)
(b) P (A1 \ A2 \ ::: \ An ) = P (A1 ):P (A2 j A1 ):P (A3 j A1 \ A2 ):::P (An j A1 \
11
Prova. (Em aula.)
de se retirar 3 reis. (Use o teorema acima para resolver o problema e compare com
An .
n
B = [ (Ai \ B) .
i=1
12
Teorema da Probabilidade Total
para todo B 2 A.
P (Ai )P (B j Ai )
P (Ai j B) = X . (1.3)
P (Aj ):P (B j Aj )
j
Exercício 8 Seja uma caixa contendo 3 moedas: duas honestas e uma de duas
caras. Retirar uma moeda ao acaso e jogá-la. Pergunta: qual a probabilidade condi-
cional da moeda ter sido a de duas caras, dado que o resultado …nal foi cara?
13
Exercício 9 Uma caixa contém 10 bolas das quais 6 são brancas e 4 vermelhas.
(a) a probabilidade de que uma quarta bola removida da caixa seja vermelha;
(b) a probabilidade de que as três bolas removidas sejam brancas, sabendo-se que
Exercício 11 Pedro quer enviar uma carta à Marina. A probabilidade de que Pedro
probabilidade de que o carteiro a entregue é de 0,9. Dado que Marina não recebeu a
resultado é registrado. Se ocorre coroa, dois dados são lançados e a soma dos pontos
Exercício 13 Num certo certo país, todos os membros de comitê legislativo ou são
(b) Dado que a pessoa selecionada é comunista, qual a probabilidade de ela ter
vindo do comitê 1?
14
Exercício 14 Um executivo pediu à sua secretária que …zesse uma ligação para
(a) Calcule a probabilidade de que o executivo tenha de fato conseguido falar com
(b) No caso de ele não ter conseguido falar com o Sr.X, calcule a probabilidade
4 têm dois anéis de esmeralda. Escolhe-se um cofre ao acaso, abre-se um dos com-
cada questão tem cinco respostas possíveis, das quais exatamente uma é correta. O
15
estudante seleciona a resposta correta se ele sabe a resposta. Caso contrário, ele
(a) Qual a probabilidade de que o estudante escolha a resposta correta para uma
dada questão?
(b) Se o estudante escolhe a resposta correta para uma dada questão, qual a
1.1.4 Independência
P (A \ B) = P (A):P (B).
(e também Ac e B, e ainda Ac e B c ).
16
para todo i; j 2 I, i 6= j.
ou estocasticamente) independentes se
para todo 1 i1 < i2 < ::: < im n, para todo m = 2; 3; :::; n (isto é, se todas as
são independentes.
Exercício 19 Um dado não viciado é lançado uma vez. Se a face que aparece é
ímpar, uma moeda não viciada é lançada repetidas vezes. Se a face é par, uma
1
moeda com probabilidade p 6= 2
de dar cara é lançada repetidamente. Os sucessivos
17
Capítulo 2
Variáveis Aleatórias
2.1 Conceito
obtido. Então = f(Ca; Ca); (Ca; Co); (Co; Ca); (Co; Co)g. Se de…nirmos X =
X(! 1 ) = 2;
X(! 2 ) = X(! 3 ) = 1;
X(! 4 ) = 0.
X(!) = ! 2 .
18
! = (x; y), temos
p
X(!) = x2 + y 2 .
X(!) = !.
que ela seja uma variável aleatória, precisamos garantir que todo evento relacionado
uma função real de…nida no espaço tal que o conjunto [! 2 : X(!) x] (daqui
para frente escrito de forma simpli…cada [X x]) é evento aleatório para todo x 2 R;
isto é,
X: !R
Exemplo 13 Sejam = f1; 2; 3; 4g e A = f;; f1; 2g; f3; 4g; g e considere os con-
não é.
por
19
Exercício 20 Duas moedas honestas são lançadas. Seja a variável X que conta o
X e represente-a gra…camente.
do intervalo [a; b] com a < b. Seja X a variável aleatória que representa a co-
represente-a gra…camente.
1. P (X > a) = 1 P (X a) = 1 FX (a)
2. P (a < X b) = P (X b) P (X a) = P (X b) P (X a) =
FX (b) FX (a)
20
4. P (a < X < b) = P (a < X b) P (X = b)
= FX (b ) FX (a).
6. P (a X b) = P (a < X b) + P (X = a)
cional ao próprio ponto. Seja X a variável aleatória que representa o número obtido
menor do que 5?
(a) P (X > 81 )
21
2.3 Variáveis Aleatórias Discretas
R tal que X(!) 2 fx1 ; x2 ; :::g para todo ! 2 . A função p(xi ) de…nida por
[
Observação 9 Note que [X x] = [X = xi ] e assim
i:xi x
X X
F (x) = P (X = xi ) = p(xi ).
i:xi x i:xi x
e
X
1
p(xi ) = 1. (2.4)
i=1
atirar até atingir o alvo pela primeira vez. Seja X a variável aleatória que representa
(2.3) e (2.4).
(b) A probabilidade de serem necessários cinco tiros para que ele acerte o alvo.
ímpar).
22
Exercício 26 Seja X o número de caras obtidas em 4 lançamentos de uma moeda
distribuição FX (x) é contínua. Isto é, se existe uma função fX (x), dita função de
de modo que
Zx
FX (x) = fX (t)dt.
1
dFX (x)
fX (x) = .
dx
23
é uma função de distribuição e obtenha a função de densidade de Z. Calcule também
P (Z > 41 jZ 3
4
).
De…nição 20 Uma variável aleatória X é dita mista se tem partes nas diferentes
(c) P (X = 1);
24
Exercício 31 Mostre que se X é uma v. a . do tipo contínuo com função de
então:
(b) FX (0) = 12 ;
1
fX (x) = , 1<x<1
2(1 + jxj)2
probabilidade
10e 10z , z > 0
fZ (z) =
0, z 0
Obtenha a função de distribuição de Z e esboce o seu grá…co.
é de…nida por
25
\
n
Observação 12 fX1 x1 ; :::; Xn xn g = f! : Xi (!) xi g 2 A.
i=1
F1, F2 e F3 que não são funções de distribuições de nenhum vetor aleatório, con-
1, em S = f(x; y) : x 0, y 0 e x+y 1g
F (x; y) =
0, caso contrário
Então F (x; y) satisfaz F1, F2 e F3, mas P f0 < X 1; 0 < Y 1g = 1 < 0! Logo
F (x; y) não satisfaz F4 e, portanto, não pode ser função de distribuição conjunta.
26
Exemplo 15 Sejam X e Y duas variáveis aleatórias com função de distribuição
1 e x y, x 0 e y 0
F (x; y) =
0, caso contrário
(1 e x )(1 e y ), x 0 ey 0
F (x; y) =
0, caso contrário
27
A função de probabilidade marginal de uma variável, digamos Xk , é obtida a
em k, isto é,
X
n X
pXk (xk ) = P (Xk = xk ) = p(x)
i=1 xi
i6=k
X
n X
= P (X1 = x1 ; :::; Xn = xn ).
i=1 xi
i6=k
marginais de X e de Y.
representada por f (x). Então, podemos considerar que um vetor aleatório é contínuo
Observe que isto é uma generalização do caso univariado, e, como antes, valem
as propriedades
@n
Além disso, decorre do cálculo que F (x)
@x1 :::@xn X
= f (x).
28
Observação 15 Assim, podemos perceber que
xy x 1
, se x = 1; 2; 3 e 0 < y 1
f (x; y) = 3
0, caso contrário
(a) Veri…que que esta função é de fato uma função mista de probabilidade.
2.5.1 Independência
dentes se
Y
n
P fX1 2 B1 ; X2 2 B2 ; :::; Xn 2 Bn g = P fXi 2 Bi g
i=1
29
Observação 16 (i) (Propriedade de Hereditariedade de Variáveis Aleatórias In-
= P fX1 2 B1 g P fX2 2 B2 g
toração.
então
Y
n
FX (x) = FX (x1 ; :::; xn ) = FXi (xi ) para todo (x1 ; :::; xn ) 2 Rn .
i=1
30
Proposição 6 (Critério para independência no caso contínuo)
densidade marginal de X é
Z 1
fX (x) = f (x; y)dy.
1
creto.
Exemplo 21 Dizemos que o vetor aleatório (X; Y ) possui distribuição normal bi-
31
onde 1 > 0, 2 > 0, 1< < 1, 1 2Re 2 2 R. Mostre que se = 0, então X
2 2
e Y são independentes e X N ( 1; 1) eY N ( 2; 2 ). (Se 6= 0, então X e Y
não são independentes, pois sua densidade conjunta não é produto das densidades
marginais.
Exemplo 22 Seja G 2 Rn uma região tal que V olG > 0, onde V olG é o volume
R R
n-dimensional de G, de modo que V olG = ::: 1dx1 :::dxn . Dizemos que X =
G
X g
( ; F) ! (Rd ; B d ) ! (R; B)
temos
FY (y) = P fY yg = P fg(X) yg
FY (y) = P fX 2 By g
= PX fBy g
32
ou seja, conhecendo a distribuição conjunta de X1 ; X2 ; :::; Xn , podemos obter a dis-
se simples, pois
X
pY (y) = pX (xi )
i:g(xi )=y
(b) Quando X é contínuo, o problema é mais complexo pois Y pode ser discreto
ou contínuo.
33
Observação 18 Se f1 e f2 são densidades de variáveis aleatórias, sua convolução
f1 f2 é de…nida como
Z 1
f1 f2 (x) = f1 (x t)f2 (t)dt.
1
bijetora onde
g(x1 ; :::; xn ) = (g1 (x1 ; x2 ; :::; xn ); :::; gn (x1 ; x2 ; :::; xn )) = (y1 ; :::; yn ).
1
Então existe a função inversa h = g en G, onde
Pelo cálculo de várias variáveis, sabemos que se o jacobiano for não-nulo para todo
y 2 G, então
Z Z Z Z
::: f (x1 :::; xn )dx1 :::dxn = ::: f (h1 (y1 ; :::; yn ):::; hn (y1 ; :::; yn )) jJ(x; y)j dy1 :::dyn
A g(A)
34
Teorema 16 Sejam Y1 ; Y2 ; :::; Yn variáveis aleatórias transformadas, isto é, Yi =
ze z , z > 0
fZ (z) =
0, z 0
e 8
<1
, w>0
fW (w) = (w + 1)2 .
: 0, w 0
1
fX;Y (x; y) = (x + y)1(0;2] (x)1(0;1] (y).
3
35
Mostre que a densidade de Z = X + Y é dada por
8 2
>
> z
>
> , 0 z<1
>
> 3
< z
, 1 z<2
fZ (z) = 3
>
> z(3 z)
>
> , 2 z 3
>
> 3
:
0, caso contrário
Exemplo 26 (Jacobiano sem bijeção) Seja X uma variável contínua com densidade
fX (x) = 21 e jxj
, 1 < x < 1. Mostre que a densidade de Y = X 2 é dada por
1 p
y
fY (y) = p e 1(0;1) (y).
2 y
Encontre a densidade de Y = X 2 .
36
Proposição 9 Se X1 ; X2 ; :::; Xn são variáveis aleatórias i.i.d. com função de dis-
fX(1) ;X(2) ;:::;X(n) (x1 :::; xn ) = n!fX (x1 ):::fX (xn ) para x1 < x2 < ::: < xn
n 1
fX(k) (x) = n fX (x) [FX (x)]k 1
[1 FX (x)]n k
para x 2 R
k 1
para x < y.
37
Capítulo 3
Esperança Matemática
3.1 De…nição
(d) Se X é uma variável aleatória discreta tomando valores no conjunto fx1 ; x2 ; x3 ; :::g
X
1
E(X) = xi p(xi ).
i=1
38
(e) Se X é uma variável aleatória contínua com função de densidade de probabilidade
fX (x), então
Z1
E(X) = xfX (x)dx
1
então
X
1 Z1 Z1
E(X) = xi p(xi ) + xfX (x)dx + xdFs (x).
i=1 1 1
primeira vez. Seja X a variável que conta o número de lançamentos até a ocorrência
Exercício 36 Suponha que X seja uma variável aleatória com f.d.p. dada por
C(9 x2 ), 3 x 3
f (x) =
0, caso contrário
2. Se a X b, então a E(X) b.
3. E(aX b) = aE(X) b.
4. E[X E(X)] = 0.
39
Exercício 37 Seja X uma variável aleatória simétrica em torno de , isto é, P fX
E(X) = .
b
f (x) =
[b2 + (x M )2 ]
E(W ).
E['(X)] '[E(X)].
isso!)
40
(b) E(X 2 ) E 2 (X).
De…nição 25 Seja X uma variável aleatória e (x) uma função real mensurável.
A fórmula acima nem sempre é muito fácil de ser usada, pois devemos obter
onde a existência de uma das integrais implica a existência da outra bem como a
X
1
E[ (X)] = (xi )p(xi ) (se X é discreta)
i=1
Z1
E[ (X)] = (x)fX (x)dx (se X é contínua)
1
3.3 Momentos
41
Assim,
X
1
mk = xki P (X = xi ) se X é v.a.d.
i=1
Z1
mk = xk fX (x)dx se X é v.a.c.
1
X em torno de b, Mk , como
Z1
k
E[(X b) ] = (x b)k dFX (x).
1
Mk = E[(X E(X))k ].
Assim,
X
1
Mk = [xi E(X)]k P (X = xi ) se X é v.a.d.
i=1
Z1
Mk = [x E(X)]k fX (x)dx se X é v.a.c.
1
2. V ar(aX b) = a2 V ar(X).
42
De…nição 30 De…ne-se o desvio-padrão da variável aleatória X, denotado por
DP (X) ou X, como
p
DP (X) = V ar(X).
m1 = E(X)
M1 = 0
M2 = V ar(X) = m2 m21 .
E(X)
P (X ) .
Prova. Em aula.
E jXjt
P (jXj ) t .
Prova. Em aula.
V ar(X)
P (jX E(X)j ) 2 .
Prova. Em aula.
43
Exercício 41 Suponha que X seja uma variável aleatória tal que E(X) = 10,
9
P (X 7) = 0; 2 e P (X 13) = 0; 3. Prove que V ar(X) 2
.
certamente.
Prova. Em aula.
X
1
E (X) = (xi )pX (xi ).
i=1
44
Proposição 17 Se X1 ; X2 ; :::; Xn são variáveis aleatórias independentes e inte-
Y
n
gráveis, então Xi é integrável e
i=1
Y
n
E [X1 :X2 :::Xn ] = E[Xi ].
i=1
0) 6= P (X = 0):P (Y = 0).
= E [XY ] E [X] E [Y ]
X e Y são independentes.
P
n
Proposição 18 A variância da variável aleatória Y = Xi é dada por
i=1
" #
X
n X
n X
V ar Xi = V ar [Xi ] + 2 Cov(Xi ; Xj ).
i=1 i=1 i<j
45
Prova. (Em aula)
X EX
De…nição 32 Dada uma variável aleatória X, a variável aleatória Z = é
X
Cov(X; Y ) X EX Y EY
X;Y = =E .
X: Y X Y
A proposição seguinte nos informa que X;Y representa a dependência linear entre
X e Y.
Então:
(i) 1 X;Y 1.
p p
Proposição 20 (Desigualdade de Cauchy-Schwarz) E jXY j EX 2 EY 2 .
46
3.5 A Função Geratriz de Momentos
Assim,
X
1
mX (t) = etxi P (X = xi ) se X é v.a.d.
i=1
Z1
mX (t) = etx fX (x)dx se X é v.a.c.
1
dk
mX (t) = E[X k ].
dtk t=0
ou seja
dk
mX (0) = mk (o k-ésimo momento ordinário de X).
dtk
variável aleatória, ou seja, dada m(t) existe apenas uma função de distribuição F (x)
que a gera. No entanto, se mX (t) = mY (t), então podemos apenas a…rmar que as
0) = 0, ou seja P (X 6= Y ) = 1.
47
De…nição 35 Seja X = (X1 ; X2 ; :::; Xn ) um vetor aleatório. De…ne-se a função
@ k1 +k2 +:::+kn
mX (t1 ; t2 ; :::; tn ) = E[X1k1 X2k2 :::Xnkn ].
@tk11 @tk22 :::@tknn t=0
uma moeda honesta até que ocorra a primeira cara. Ache a função geratriz de
Exercício 45 Suponha que X seja uma variável aleatória com função geratriz de
ye y , se y > 0
fY (y) =
0, caso contrário
48
Teorema 18 Sejam X1 ; X2 ; :::; Xn v.a.’s independentes e para i = 1; 2; :::; n, seja
para todo valor de t tal que mXi (t) existe para i = 1; 2; :::; n, temos
Y
n
mY (t) = mXi (t).
i=1
e3t
mX (t) = mY (t) = , para t > 1=2.
1 + 2t
P (X = x) = px (1 p)1 x , x = 0; 1.
mX (t) = pet + q,
E(X) = p,
V ar(X) = pq.
49
conta o número de sucessos nas n realizações. A variável aleatória X é dita ter
n
P (X = x) = px q n x , x = 0; 1; 2; 3; :::; n.
x
E(X) = np,
V ar(X) = npq.
aleatória que conta o número de realizações até que o primeiro sucesso ocorra. A
P (X = x) = q x 1 p, x = 1; 2; 3; 4; :::
pet
mX (t) = , para t < ln q
1 qet
1
E(X) = ,
p
q
V ar(X) = 2 .
p
50
Exercício 48 As cinco primeiras repetições de um experimento custam R$ 10; 00
mento seja repetido até que o primeiro sucesso ocorra. Se a probabilidade de sucesso
esperado da operação?
aleatória que conta o número de realizações até que o r-ésimo sucesso ocorra. A
x 1
P (X = x) = pr q x r , x = r; r + 1; r + 2; r + 3; :::.
r 1
r
pet
mX (t) = , para t < ln q
1 qet
r
E(X) = ,
p
rq
V ar(X) = 2 .
p
Suponha que tentativas de lançamento sejam feitas até que os três satélites entrem
em órbita.
51
Exemplo 35 Seja X uma variável aleatória de…nida em f0; 1; 2; 3; :::g tendo função
(a) Se X P( ), então
(et 1)
mX (t) = e ,
E(X) = ,
V ar(X) = .
(c) Quando temos agora um processo fXt gt 0 que conta o número de ocorrências
no intervalo [0; t], então dizemos que Xt é um processo de Poisson se sua distribuição
e t
( t)x
P (Xt = x) = , para x = 0; 1; 2; 3; ::: e > 0.
x!
três petroleiros por dia. Se mais de três aportarem num dia, o excesso é enviado a
outro porto.
valo [a; b], denotado por X U[a; b] se sua função de densidade de probabilidade é
52
dada por
( 1
, se a x b
fX (x) = b a
0, caso contrário.
Assim, se X U[a; b], então
ebt eat
mX (t) = .
t(b a)
de X é dada por
e x, x 0
fX (x) =
0, caso contrário
Exp( ).
Exercício 51 Suponha que a vida útil de certo tipo de lâmpada tenha distribuição
solitária é ligada em uma sala no instante t=0. Um dia depois, você entra na sala
(a) Qual a probabilidade de que você entre na sala quando já está escura?
(b) Qual a probabilidade de você entrar na sala com a lâmpada ainda acesa e sair
53
Exemplo 38 Diz-se que X Gama( ; ), se sua f.d.p. é dada por
1
f (x) = x exp [ x] para x > 0,
( )
R1 1
onde ( ) = 0
x e x dx, lembrando que ( ) = ( 1) ( 1) de modo que se
p
n 2 N, então (n) = (n 1)!. Além disso, temos ( 21 ) = .
V ar(x) = 2
::: + Xn Gama(n; ).
n graus de liberdade (X 2
n) se X Gama( n2 ; 12 ).
2
(a) Assim, se X n, então
n
1 2 1
mX (t) = , para t <
1 2t 2
E(X) = n
V ar(x) = 2n
2
(b) Se Xi 1, para i = 1; 2; :::; n, independentes, então X = X1 +X2 +:::+Xn
2
n.
2 2
(c) Se X + Y = Z, com X e Y independentes com X n1 eZ n1 +n2 , então
2
Y n2 .
54
Exemplo 40 Diz-se que a variável aleatória Z tem distribuição normal (ou Gaus-
siana) padrão com média zero e variância 1, denotado por Z N (0; 1), se a função
1 z2
fZ (z) = p e 2 , 1<z<1
2
t2
mZ (t) = e 2
E(Z) = 0
V ar(Z) = 1
::: + Zn2 2
n.
Exemplo 41 Diz-se que a variável aleatória X tem distribuição normal (ou Gaus-
2 2
siana) com média e variância , denotado por X N( ; ), se a função de
1 (x )2
fX (x) = p e 2 2 , 1<x<1
2
2 X
(a) Se X N( ; ), então Z = N (0; 1).
2
(b) Assim, se X N( ; ), então
t+ 12 2 t2
mX (t) = e
E(X) =
2
V ar(X) = .
2
(c) Se Xi N ( i; i ), para i = 1; 2; :::; n, independentes, então X = X1 + X2 +
P Pn
::: + Xn N ( ni=1 i; i=1
2
i ).
55
2
(d) Se Xi N( ; ), para i = 1; 2; :::; n, independentes, então X = X1 + X2 +
::: + Xn N (n ; n 2 ).
2 X1 +X2 +:::+Xn
(e) Se Xi N( ; ), para i = 1; 2; :::; n, independentes, então Xn = n
2
N( ; ).
n
2
(f) Se Xi N ( i; i ), para i = 1; 2; :::; n, independentes, então X = a1 X1 +
P Pn
a2 X2 + ::: + an Xn + b N ( ni=1 ai i + b; i=1 a2i 2
i ).
(n 1)S 2
(g) Se Xi N ( ; 2 ), para i = 1; 2; :::; n, independentes, então 2
Pn 2
2 2 i=1 Xi Xn
n 1 , onde S = (a variância amostral). Observe também que
n 1
E (S 2 ) = 2
, daí a correção da variância amostral para a divisão dos desvios-
normal, com média 2 cm e variância 0; 01 cm2 . Para que uma corrente se ajuste à
de duração de suas gravidezes terem média inferior a 260 dias (admitindo-se que a
56
Exercício 53 O peso de uma determinada fruta é uma variável aleatória com dis-
a probabilidade de um lote contendo 100 unidades dessa fruta pesar mais que 21 kg.
de 1750 libras. Assumindo que apenas homens tomam o elevador e que seus pesos
qual a probabilidade de que o peso limite seja excedido para um grupo de 10 homens
escolhidos aleatoriamente?
(a) Se X N ( ; ), então
T 1
mX (t) = exp t+ tT t .
2
fX (x1 ; x2 )
1
= p :
2 1 2
1 2
( " #)
2 2
1 x1 1 x1 1 x2 2 x2 2
: exp 2)
2 +
2 (1 1 1 2 2
2 2
onde 1 = V ar(X1 ) > 0, 2 = V ar(X2 ) > 0, 1< < 1 com = (X1 ; X2 ) o
57
onde =[ ij ] onde ij = Cov(Xi ; Xj ).
2
Logo a marginal de X1 é normal com média 1 e variância 1.
2
Logo a marginal de X2 é normal com média 2 e variância 2.
Exemplo 44 Diz-se que a variável aleatória X tem distribuição Beta com parâmet-
ros e ( >0e > 0), denotado por X Beta( ; ),se a função de densidade
E(X) =
+
V ar(X) = .
( + )2 ( + + 1)
58
Exemplo 45 Diz-se que a variável aleatória X tem distribuição t-Student com n
( n+1
2
) x2 (n+1)=2
fX (x) = 1=2
(1 + ) , para x 2 R
(n ) ( n2 ) n
1
fX (x) = , para x 2 R
(1 + x2 )
Logo não existe esperança matemática para a distribuição t-Student com 1 grau de
liberdade.
2
(b) Se Z N (0; 1) e W n são variáveis aleatórias independentes, então
Z
X= 1=2
tn Student.
W
n
h i
(c) Se X tn Student, com n > 1, então E jXjk < 1 para k < n e
h i
k
E jXj = 1 para k n. Em outras palavras, os primeiros n 1 momentos
E [X] = 0
n
V ar [X] = .
n 2
2
(d) Se Xi N( ; ), para i = 1; 2; :::; n, independentes, então vimos que Xn
2
Pn 2
(n 1)S 2 2 X1 +X2 +:::+Xn 2 i=1 Xi Xn
N( ; )e 2 n 1 , onde Xn = n
eS = .
n n 1
Pode-se mostrar que Xn e S 2 são independentes. Com isso, tendo em mente que
Xn (n 1)S 2 2
N (0; 1) e 2 n 1
p
n
59
temos
Xn
p
n Xn Xn
T =0 = : =
2 11=2 S S
(n 1)S p p
B 2 C n n
@ A
n 1
Assim
Xn
T = tn 1 Student.
S
p
n
P Xn p z =2 Xn + p z =2 =1 .
n n
z =2 ).
2
(b) Se é desconhecida e é desconhecida, o intervalo de con…ança para a
dado por
S S
P Xn p tn 1; =2 Xn + p tn 1; =2 =1 .
n n
tal que 1 =2 = P (T tn 1; =2 ).
2
(c) O intervalo de con…ança para é dado por
!
(n 1)S 2 2 (n 1)S 2
P 2 2
=1 .
n 1;1 =2 n 1; =2
2
onde n 1; =2 é o valor encontrado na tabela da Qui-Quadrado com n 1 graus de
2
liberdade tal que =2 = P ( n 1; =2 ).
60
Exempli…cação do resultado acima: Suponha que o peso de um determi-
nado produto produzido por uma fábrica tenha distribuição normal com média e
2
variância ambas desconhecidas. Uma amostra aleatória de tamanho 10 dessa
P10
produção é retirada tendo sido obtidos os seguintes resultados: i=1 xi = 159 e
P10
i=1 x2i = 2531. Assim, temos
xn = 15; 9 e s = 0; 57.
2
Desejamos construir um intervalo de con…ança para e com 95% de con…abili-
S S
P x10 p t9;0;25 x10 + p t9;0;975 = 0; 95
10 10
0; 57 0; 57
P 15; 9 p (2; 262) 15; 9 + p (2; 262) = 0; 95
10 10
Assim:
2
Agora para temos
9s2 2 9s2
P 2 2
= 0; 95
9;0;975 9;0;025
2 2
Os valores tabelados são: 9;0;975 = 19; 0 e 9;0;025= 2; 7. Com isso
!
9 (0; 57)2 2 9 (0; 57)2
P = 0; 95
19 2; 7
ou seja
2
P 0; 15 1; 07 = 0; 95.
61
2 2
(a) Se U m eV n são variáveis independentes, então
U=m
X= F (m; n).
V =n
n
E [X] = , se n > 2.
n 2
2n2 (m + n 2)
V ar [X] = , se n > 4.
m(n 2)2 (n 4)
(e) Se X1 ; X2 ; :::; Xn1 uma amostra aleatória retirada de uma população com dis-
2
tribuição normal com média 1 e variância 1 ambas desconhecidas e se Y1 ; Y2 ; :::; Yn2
uma amostra aleatória retirada de uma outra população com distribuição normal com
2
média 2 e variância 2 também ambas desconhecidas, e se as duas amostras são
independentes então
62
Y1 ; Y2 ; :::; Yn2 uma amostra aleatória retirada de uma outra população com distribuição
2
normal com média 2 e variância 2 também ambas desconhecidas, e se as duas
2
2
amostras são independentes então o intervalo de con…ança para a razão 2
entre as
1
variâncias populacionais com 1 de probabilidade é dada por
S22 2
2 S22
P F(n 1;n2 1); =2 F(n 1;n2 1);1 =2 =1 .
S12 1 2
1 S12 1
1 1
F(4;2);0;95 = 19; 25, F(4;2);0;05 = = = 0; 1441
F(2;4);0;95 6; 94
1
F(n1 1;n2 1); =2 = .
F(n2 1;n1 1);1 =2
Assim
2
1; 71 2 1; 71
P (0; 1441) 2
(19; 25) = 0; 90
2; 06 1 2; 06
2
2
P 0; 1196 2
15; 98 = 0; 90.
1
dade.
3.6 Lista
63
X
(a) W = X+Y
tem densidade Beta de parâmetros ( ; ).
2 X
Questão 2) Sendo X N (0; 1) e Y n independentes, mostre que T = q
Y
n
tem distribuição t-Student com n graus de liberdade.
2 2
Questão 3) Sendo X m eY n independentes.
(X=m)
(a) Mostre que W = tem distribuição F-Snedecor com (m; n) graus
(Y =n)
de liberdade.
1
(b) Ache a distribuição de W
.
m
W
(c) Mostre que V = n
1+ m W
tem distribuição Beta.
n
Pn k
i
.
i=1
por minuto. Pela entrada B, entram fregueses conforme outro processo de Poisson,
64
Capítulo 4
Distribuição e Esperança
Condicionais
P ([X 2 B] \ A)
P (X 2 B j A) =
P (A)
Axioma 1) P (X 2 B j A) 0.
Axioma 2) P (X 2 R j A) = 1.
P ([X x] \ A)
FX (x j A) = P (X x j A) = , x 2 R.
P (A)
65
de…nida por
Z 1
E(X j A) = xdFX (x j A)
1
E [X:1A ]
=
E [1A ]
1
= E [X:1A ] ,
P (A)
X
P (X 2 B) = P (An )P (X 2 B j An ), para todo B 2 B.
n
X
FX (x) = P (An )P (X x j An )
n
X
= P (An )FX (x j An ), para todo x 2 R.
n
Z Z " #
1 1 X
E [X] = xdFX (x) = xd P (An )FX (x j An )
1 1 n
X Z 1 X
= P (An ) xdFX (x j An ) = P (An )E(X j An ).
n 1 n
P fX = x; Y = yg
P fX = xjY = yg = .
P fY = yg
66
A função de distribuição condicional de X dado Y = y é de…nida como
F (xjy) = P fX xjY = yg
condicional de X dado Y = y é de…nida para todo y tal que fY (y) > 0 como
fX;Y (x; y)
f (xjy) =
fY (y)
portanto
Z1
E [XjY = y] = xdF (xjy) .
1
i…cam:
R1
(a) E [X] = E (XjY = y) dFY (y).
1
R1
(b) P (X 2 B) = P (X 2 B j Y = y)dFY (y), para todo B 2 B.
1
R1
(c) FX (x) = FX (xjY = y) dFY (y).
1
67
Observação 29 Para qualquer função mensurável, de…nimos
Z1
E [ (X)jY = y] = (x)dFX (xjy) :
1
1
2
ye xy ,
0<x<1 e 0<y<2
fX;Y (x; y) =
0, caso contrário
própria uma v.a.) que assume o valor E [XjY = y] para Y = y. A esperança condi-
(8) E [ jY = y] = onde 2 R.
68
(12) (Desigualdade de Jensen) Seja uma função convexa. Então E [ (X)jY ]
fE [XjY ]g.
(a) A densidade de Y .
de Poisson com parâmetro > 0. Seja Xt o número de partículas que chegam até o
tempo t > 0 e seja T1 o tempo de chegada da primeira partícula. Dado que chegou
exatamente uma partícula até t, qual a distribuição do seu tempo de chegada? Qual
69
Exemplo 54 Seja o vetor aleatório (X; Y ) com distribuição normal bivariada, isto
1
f (x; y) = p :
2 1 2
1 2
( " #)
2 2
1 x 1 x 1 y 2 y 2
: exp 2)
2 +
2 (1 1 1 2 2
2
onde 1 > 0, 2 > 0, 1< < 1, 1 2Re 2 2 R. Vimos que X N ( 1; 1) e
2 2 2
Y N ( 2; 2 ). Mostre que XjY = y N( 1 + 1
2
(y 2 ); 1 (1 )) e portanto
2 2
E [XjY = y] = 1 + 1
2
(y 2) e V ar(XjY = y) = 1 (1 ). Mostre também
U [ 1; 1].
e V ar [Y ] = E [N ] V ar [X] + E 2 [X] V ar [N ].
k
E [Y1 + Y2 + ::: + Yk jY1 + Y2 + ::: + Yn = y] = y, k = 1; 2; :::; n:
n
x
Exemplo 58 Um número não-negativo X é escolhido com densidade fX (x) = xe
P (X + Y 2).
70
Capítulo 5
Convergência de Variáveis
Aleatórias
A Lei dos Grandes Números estabelece que a média das n observações é aproxi-
Por exemplo, seja o experimento de lançar uma moeda honesta sucessiva e in-
Então
1, se ! = Ca
Xn (!) =
0, se ! = Co
1
P (Xn = 1) = = P (Xn = 0)
2
Sn = X1 + X2 + ::: + Xn
que
Sn 1
! .
n 2
71
Mas em que sentido? Há vários tipos de convergência em Teoria das Probabilidades.
Vejamos as principais:
bilidade ( ; A; P ).
P
Notação: Xn ! X.
1
Exemplo 59 Sejam X1 ; X2 ; ::: v.a.’s independentes, tais que P (Xn = 1) = e
n
1 P
P (Xn = 0) = 1 . Mostre que Yn ! 0.
n
P fXn ! X, quando n ! 1g = 1,
tual num conjunto de medida 1, ou seja, Xn (!) ! X(!) para quase todo !, exceto
probabilidade não diz respeito à convergência pontual, ela apenas a…rma que para
72
Exemplo 61 Seja = [0; 1]. Um ponto é selecionado aleatoriamente do intervalo
Xn (!) = ! + ! n .
q:c: q:c:
Mostre que Xn ! X com X U [0; 1]. Observe também que Xn (1) 9 X(1). Mas
1
Exemplo 62 Sejam X1 ; X2 ; ::: v.a.’s independentes, tais que P (Xn = 1) = e
n
1 Lp
P (Xn = 0) = 1 . Mostre que Yn ! 0, para todo p.
n
tribuição (ou em lei) para X, se para todo ponto x em que F é contínua, tivermos
D
Notação: Xn ! X.
1 D
Exemplo 64 Seja Xn = n
para n 1 e X = 0. Mostre que Xn ! X, embora
não é problema.
73
Observação 31 Pode-se mostrar que
q:c: P D
Xn ! X =) Xn ! X =) Xn ! X;
Lp P D
Xn ! X =) Xn ! X =) Xn ! X;
certa e convengência em Lp .
de…nidas como
q:c:
(a) Veri…car se Xn ! X para alguma v.a. X.
p
Exemplo 65 (b) Veri…car se Xn ! X para alguma v.a. X.
D
(c) Veri…car se Xn ! X para alguma v.a. X.
L
(d) Veri…car se Xn !1 X para alguma v.a. X.
por
Sn = X1 + X2 + ::: + Xn .
74
De…nição 41 X1 ; X2 ; ::: satisfazem a Lei Fraca dos Grandes Números se para todo
ou seja, se
Sn ESn P
! 0.
n
De…nição 42 X1 ; X2 ; ::: satisfazem a Lei Forte dos Grandes Números se para todo
ou seja, se
Sn ESn q:c:
! 0.
n
dois a dois com variâncias …nitas e uniformemente limitadas (isto é, existe c …nito,
tal que para todo n V arXn < c). Então X1 ; X2 ; ::: satisfazem a Lei Fraca dos
Grandes Números:
Sn ESn P
! 0.
n
75
Teorema 20 (Lei Fraca de Khintchin) Sejam X1 ; X2 ; ::: v.a.’s independentes, iden-
Sn ESn q:c:
! 0.
n n
dades.)
Exemplo 67 Seja 0 < < 12 . Prove que se X1 ; X2 ; ::: são v.a.’s independentes, tais
1
que P Xn = n = = P Xn = n , então
2
X1 + X2 + ::: + Xn q:c:
! 0.
n
Sn q:c:
! .
n
76
Prova. (Em aula)
Teorema 23 (Teorema Central do Limite para v.a.s i.i.d.) Seja fXn ; n 1g uma
2
seqüência de v.a.’s i.i.d., com média comum e variância comum , onde 0 <
2
< 1. Seja Sn = X1 + X2 + ::: + Xn . Então
Sn ESn D
p ! N (0; 1),
V arSn
isto é,
Sn n D
p ! N (0; 1).
n
Poisson com intensidade média de 10 por minuto. Sejam T1 ; T2 ; ::: os tempos entre
n-ésimo freguês.
100 minutos.
77
Observação 34 Se X1 ; X2 ; :::; Xn é uma seqüência de variáveis aleatórias indepen-
B(n; p). Assim, pelo Teorema Central do Limite, para n su…cientemente grande Sn
Sn np
p N (0; 1).
npq
Ou de outra forma
Sn N (np; npq).
Exemplo 70 Um par de dados honestos é lançado 180 vezes por hora (aproximada-
mente).
(b) Qual a probabilidade aproximada de que entre 700 e 750 lançamentos tenham
78