Captulo III Teoremas de Convergencia

III.1 Teorema do Limite Central

E comum estarmos interessados em estudar o comportamento probabilstico de somas de v.a.r.

Ate agora, vimos que, nalguns casos especiais de somas de v.a.r. independentes, e possvel iden-
ticar a distribuic ao dessas mesmas somas. Em particular, abordamos o fecho das distribuic oes
binomial, de Poisson e normal, para a soma de v.a.r. independentes:
1. aditividade da distribuic ao binomial, ao lidar-se com v.a.r. binomiais independentes com
probabilidade de sucesso comum
X
1
, X
2
, , X
k
v.a.r. indep., X
i
B(n
i
, p) =
k

i=1
X
i
B(n
1
+n
2
+ +n
k
, p);
2. aditividade da distribuicao de Poisson, ao lidar-se com v.a.r. de Poisson independentes
X
1
, X
2
, , X
k
v.a.r. indep., X
i
P(
i
) =
k

i=1
X
i
P(
1
+
2
+ +
k
);
3. estabilidade da distribuicao normal, ao lidar-se com v.a.r. normais independentes
X
1
, , X
k
v.a.r. indep., X
i
N(
i
,
i
) =
k

i=1
X
i
N
_

1
+ +
k
,
_

2
1
+ +
2
k
_
.
Contudo, nem todas as distribuic oes gozam da propriedade de fecho, pelo que nem sempre e facil
encontrar formas de calcular probabilidades de acontecimentos envolvendo somas de v.a.r. Feliz-
mente, a resposta a este problema para o caso de somas de v.a.r. independentes e identicamente
distribudas (i.i.d.) pode encontrar-se no Teorema do Limite Central.
Teorema do Limite Central: Seja X
1
, X
2
, . . . uma sucess ao de v.a.r. i.i.d. de media e
vari ancia
2
, nita e positiva, e sejam T
n
=
n

i=1
X
i
e X
n
=
1
n
n

i=1
X
i
as v.a.r. soma e media
aritmetica de n dessas vari aveis. Nestas condicoes, tem-se que
U
n
=
T
n
E(T
n
)
_
V (T
n
)
=
T
n
n

n
L

n+
U, onde U N(0, 1)
i.e.,
lim
n+
P(U
n
y) = P(U y), com U N(0, 1),
1
ou equivalentemente,
Z
n
=
X
n
E(X
n
)
_
V (X
n
)
=
X
n

n
L

n+
Z, onde Z N(0, 1)
i.e.,
lim
n+
P(Z
n
y) = P(Z y), com Z N(0, 1).
Assim, o Teorema do Limite Central diz que, sob certas condicoes, a sucess ao de v.a.r. centradas
e reduzidas U
n
e Z
n
convergem em lei para uma v.a.r. normal padrao.
Consequencia pratica do Teorema do Limite Central:
Note-se que, se uma sucessao U
n
de v.a.r. converge em lei para uma v.a.r. U
U
n
L

n+
U
ent ao, para n sucientemente grande, U
n
segue aproximadamente a lei de U
U
n
a
lei de U
com o sentido de que
P(U
n
y)

= P(U y).
Assim, das convergencias em lei apontadas pelo Teorema do Limite Central, segue que, se
X
1
, . . . , X
n
s ao v.a.r. i.i.d. de media e variancia nita positiva
2
, ent ao, quando n e su-
cientemente grande
1
U
n
=
T
n
n

n
a
N(0, 1) e Z
n
=
X
n

n
a
N(0, 1)
ou, equivalentemente,
T
n
a
N(n,

n) e X
n
a
N(, /

n).
Observac oes: Jamais deve confundir-se a consequencia pratica do Teorema do Limite Central
com a estabilidade da lei normal. A estabilidade da lei normal fornece-nos a lei exacta das
vari aveis T
n
ou X
n
exigindo em troca mais quanto `a lei comum das v.a.r. i.i.d. que tem de
ser normal e menos quanto ao n umero de v.a.r. envolvidas na soma podemos ter n qualquer.
1
n e sucientemente grande signica, de um modo geral, se n > 30
2
Por outro lado, a consequencia pr atica do Teorema do Limite Central fornece-nos apenas uma
lei aproximada para as vari aveis T
n
ou X
n
exigindo em troca menos no que respeita ` a lei comum
das v.a.r. i.i.d. nao necessitamos sequer de saber qual ela e mas bem mais quanto ao n umero
de v.a.r. envolvidas na soma n > 30.
Importa referir que o Teorema do Limite Central e v alido para somas e medias aritmeticas de
v.a.r. quer discretas, quer contnuas. Contudo, ao aproximar-se uma v.a.r. discreta por uma
v.a.r. contnua, por forma a melhorar esta aproxima cao, deve efectuar-se o que se designa por
correccao de continuidade.
Correccao de continuidade: A logica da correcc ao de continuidade prende-se com o facto de
que, ao aproximar-se uma v.a.r. discreta X por uma v.a.r. contnua Z (aproximante), n ao faz
qualquer sentido aproximar
P(X = a) > 0, a S
X
pela correspondente probabilidade no ponto da v.a.r. contnua aproximante, uma vez que
P(Z = a) = 0, porque Z e v.a.r. contnua.
Assim, se X for uma v.a.r. discreta tal que o m odulo da diferenca entre dois valores consecutivos
do suporte e igual a 1 (i.e., que assume valores de 1 em 1), entao, para quaisquer pontos a e b
do suporte de X, devem efectuar-se as seguintes aproximac oes:
1. P(X = a)

= P(a 0.5 Z a + 0.5)

2. P(X a)

= P(Z a + 0.5)
3. P(X < a)

= P(Z a 0.5)
4. P(X a)

= P(Z a 0.5)
5. P(X > a)

= P(Z > a + 0.5)

6. P(a X b)

= P(a 0.5 Z b + 0.5)

7. P(a < X b)

= P(a + 0.5 Z b + 0.5)

8. P(a X < b)

= P(a 0.5 Z b 0.5)

9. P(a < X < b)

= P(a + 0.5 Z b 0.5)

3
Exerccio 1. Numa instalac ao fabril funcionam, em condic oes de inteira independencia, 100
m aquinas de um mesmo tipo. Sabe-se que cada m aquina tem um consumo hor ario medio de
combustvel de 20 litros, com desvio padr ao de 2 litros. Calcule a probabilidade do consumo
hor ario de combustvel das 100 m aquinas ser superior a 2030 litros.
Resolucao: Seja a v.a.r. X = consumo hor ario de combustvel, em litros, de uma maquina da
referida f abrica. Tem-se que E(X) = 20 e
X
= 2 (V (X) =
2
= 4), mas desconhecemos a lei
de X.
Seja a v.a.r. T = consumo hor ario de combustvel, em litros, das 100 m aquinas. Tem-se que,
T = X
1
+X
2
+ +X
100
=
100

i=1
X
i
,
onde
X
i
= consumo horario de combustvel, em litros, da m aquina i,
com E(X
i
) = 20 e V (X
i
) = 4, i = 1, 2, ..., 100.
Como X
1
, X
2
, . . . , X
100
s ao v.a.r. independentes e identicamente distribudas com media 20 e
vari ancia 4, e n = 100 > 30, ent ao, pelo Teorema do Limite Central,
T =
100

i=1
X
i
a
N(100 20,

100 4)
i.e.,
T
a
N(2000, 20).
Assim
P(T > 2030)

= P(T

> 2030), onde

2
T

N(2000, 20)
= P
_
T

2000
20
>
2030 2000
20
_
= P (Z > 1.5) , onde Z =
T

2000
20
N(0, 1)
= 1 P (Z 1.5) = 1 F
Z
(1.5) = 1 0.9332 = 0.0668.
Como veremos de seguida, o Teorema do Limite Central justica tambem as aproxima coes nor-
mais das distribui coes binomial e de Poisson.
2
Como T e v.a.r. contnua nao e necessario efectuar a correccao de continuidade.
4
III.2 Aproximacoes normais das distribuic oes binomial e de Poisson
Sejam X
1
, X
2
, . . . , X
n
, . . . v.a.r. independentes, p ]0, 1[ e R
+
. Ja vimos que,
X
i
B(p), i = 1, 2, . . . , n = T
n
=
n

i=1
X
i
B(n, p)
X
i
P(/n), i = 1, 2, . . . , n = T
n
=
n

i=1
X
i
P().
Por outro lado, pelo Teorema do Limite Central,
X
i
B(p), i = 1, 2, . . . =
3
U
n
=
T
n
np
_
np (1 p)
L

n+
U, U N(0, 1)
X
i
P(/n), i = 1, 2, . . . =
4
U
n
=
T
n

n+
U, U N(0, 1)
pelo que, se o n umero de v.a.r. i.i.d. envolvidas na soma T
n
e sucientemente grande,
Se X
i
B(p), i = 1, 2, . . . , n, entao
U
n
=
T
n
np
_
np (1 p)
a

n>20
N(0, 1), i.e., T
n
a

n>20
N
_
np,
_
np (1 p)
_
,
com correcc ao de continuidade.
Se X
i
P(/n), i = 1, 2, . . . , n, entao
U
n
=
T
n

n>30
N(0, 1), i.e., T
n
a

n>30
N
_
,

_
,
com correcc ao de continuidade.
Em conclusao, vimos que:
Se X B(n, p), p ]0, 1[, n > 20, ent ao
X
a
N
_
np,
_
np (1 p)
_
, (1)
com correcc ao de continuidade.
3
Se X B(p), p ]0, 1[ entao E(X) = p e V (X) = p (p 1) > 0.
4
Se X P(/n), R
+
entao E(X) = V (X) = /n > 0.
5
Se X P(), R
+
, ent ao
X
a
N
_
,

_
, (2)
com correcc ao de continuidade.
Observac oes:
1. A aproximac ao normal da lei Binomial em (1) e v alida para p ]0, 1[. Contudo, como veremos
de seguida, para os casos de p 0.1 e de p 0.9 dispomos de melhores aproximacoes da lei
Binomial. Assim, na pr atica, usamos a aproxima cao normal da lei Binomial apenas quando
0.1 < p < 0.9.
2. Para valores do par ametro 20, dispomos da tabela da func ao de repartic ao da lei de
Poisson. Assim, usaremos a aproximac ao normal da lei de Poisson em (2) apenas quando > 20.
Exerccio 2. O tempo (em horas) que Joao Pestana dorme por noite e uma v.a.r. com dis-
tribuic ao uniforme no intervalo ]7, 12[. Admita que o n umero de horas que o Joao Pestana dorme
e independente de noite para noite.
(a) Calcule a probabilidade de, em 40 noites, Jo ao Pestana dormir mais de 11 horas em pelo
menos 6 dessas noites.
(b) Qual a probabilidade de Jo ao Pestana dormir mais de 990 horas em 100 noites?
Resolucao: (a) Seja a v.a.r. X = tempo (em horas) que Jo ao Pestana dorme por noite. Uma
vez que X U(]7, 12[), ent ao a func ao densidade de probabilidade de X e dada por
f
X
(x) =
_
_
_
1
12 7
, 7 < x < 12
0 , caso contr ario
=
_
_
_
0.2 , 7 < x < 12
0 , caso contr ario
,
com E(X) =
7 + 12
2
= 9.5 e V (X) =
(12 7)
2
12
= 2.083.
Queremos calcular P(Y 6), onde
Y = n umero de noites em que Joao Pestana dorme mais de 11 horas, em 40 noites.
Note-se que, dada a experiencia de Bernoulli
= Contabilizar o n
o
de horas que o Joao Pestana dorme numa noite e registar se
esse n
o
e ou nao superior a 11 horas,
6
repete-se 40 vezes nas mesmas condicoes, e queremos contar o n
o
de vezes que ocorre {X > 11}
(o Joao dorme mais de 11 horas numa noite).
Assim, Y pode ser vista como
Y = n umero de vezes que ocorre {X > 11} em 40 repetic oes de , nas mesmas condic oes
e tem-se que Y B(40, p), com p = P(X > 11) = 0.2, uma vez que
P(X > 11) =
_
+
11
f
X
(x) dx =
_
12
11
1
5
dx +
_
+
12
0 dx
=
1
5
[x]
12
11
=
1
5
(12 11) = 0.2.
A distribuic ao Binomial com n = 40 > 20 nao est a tabelada. Assim, como 0.1 < p = 0.2 < 0.9,
procedemos `a aproximac ao normal da distribuic ao Binomial, com correccao de continuidade:
Y B(n, p), n = 40 > 20 e 0.1 < p = 0.2 < 0.9 =Y
a
N(np,
_
np(1 p))
i.e., como np = 40 0.2 = 8 e np(1 p) = 40 0.2 0.8 = 6.4,
Y
a
N(8,

6.4).
Assim,
P(Y 6)

= P(Y

6 0.5), Y

N(8,

6.4)
= P
_
Y

6.4

5.5 8

6.4
_
= P (Z 0.99) , Z =
Y

6.4
N(0, 1)
= 1 P(Z < 0.99)
= 1 F
Z
(0.99), porque Z e v.a.r. contnua
= 1 (1 F
Z
(0.99)), pela simetria da lei N(0, 1)
= F
Z
(0.99) = 0.8389.
(b) Seja a v.a.r. T = tempo (em horas) que Jo ao Pestana dorme em 100 noites. Tem-se que,
T = X
1
+X
2
+ +X
100
=
100

i=1
X
i
,
7
onde
X
i
= tempo (em horas) que o Jo ao Pestana dorme na noite i,
com E(X
i
) = 9.5 e V (X
i
) = 2.083, i = 1, 2, . . . , 100.
Como X
1
, X
2
, . . . , X
100
s ao v.a.r. independentes e identicamente distribudas com media 9.5 e
vari ancia 2.083, e n = 100 > 30, ent ao, pelo Teorema do Limite Central,
T =
100

i=1
X
i
a
N(100 9.5,

100 2.083)
i.e., T
a
N(950, 14.43). Assim,
P(T > 990)

= P(T

> 990), onde

5
T

N(950, 14.43)
= P
_
T

950
14.43
>
990 950
14.43
_
= P (Z > 2.77) , onde Z =
T

950
14.83
N(0, 1)
= 1 P (Z 2.77)
= 1 F
Z
(2.77)
= 1 0.9972 = 0.0028.
Exerccio 3. Os n umeros de kits de teste vendidos semanalmente por duas sucursais de
uma empresa de biotecnologia s ao duas v.a.r. independentes com distribuicao de Poisson cujas
variancias sao iguais a 10 e 15, respectivamente.
(a) Qual a probabilidade de o n umero total de kits vendidos semanalmente pelas duas sucursais
da empresa se situar entre as 20 e as 30 unidades, exclusive?
(b) Admitindo que as sucursais facturam 200 e 225 euros (respectivamente) por cada kit de
teste vendido, determine o valor esperado e o desvio padrao da facturac ao total semanal das duas
sucursais desta empresa.
Resolucao: (a) Sejam X
1
e X
2
as v.a.r. que representam o n
o
de kits de teste vendidos se-
manalmente pela 1
a
e pela 2
a
sucursais da empresa de biotecnologia, respectivamente. Queremos
calcular
P(20 < T < 30),
5
Como T e v.a.r. contnua nao e necessario efectuar a correccao de continuidade.
8
onde
T = X
1
+X
2
= n
o
de kits de teste vendidos semanalmente pelas duas sucursais.
Como X
1
e X
2
s ao v.a.r. independentes e X
1
P(10), X
2
P(15), pela aditividade da lei de
Poisson,
T = X
1
+X
2
P(10 + 15)
i.e., T P(25).
Como o par ametro = 25 > 20, n ao aparece na tabela da distribuicao de Poisson, procederemos
` a aproximacao normal da lei de Poisson, com correc cao de continuidade. Assim,
P(20 < T < 30)

= P(20 + 0.5 Y 30 0.5), Y N(25,

25 = 5)
= P
_
20.5 25
5

Y 25
5

29.5 25
5
_
= P (0.9 Z 0.9) , Z =
Y 25
5
N(0, 1)
= F
Z
(0.9) F
Z
(0.9), porque Z e v.a.r. contnua
= F
Z
(0.9) (1 F
Z
(0.9)), pela simetria da lei N(0, 1)
= 2F
Z
(0.90) 1 = 2 0.8159 1 = 0.6318.
(b) Seja a v.a.r. F = facturac ao total semanal (em euros) das duas sucursais desta empresa.
Tem-se,
F = 200X
1
+ 225X
2
pelo que, o valor esperado da factura cao semanal e
E(F) = E(200X
1
+ 225X
2
) = 200E(X
1
) + 225E(X
2
) = 200 10 + 225 15 = 5375 euros.
Por outro lado,
V (F) = V (200X
1
+225X
2
) = 200
2
V (X
1
)+225
2
V (X
2
) = 4000010+5062515 = 1159375 euros
2
pelo que, o desvio padrao de F e
F
=
_
V (F) =

1159375 = 1076.7 euros.

Recorde-se que se X P() entao E(X) = V (X) = .
9
III.3 Aproximacao Poisson da distribuicao Binomial
A distribui cao de Poisson pode ser vista como um limite especial da distribui cao binomial. De
facto, dada uma v.a.r. X tal que X B(n, p), suponha-se que n aumenta e que p diminui de
tal forma que E(X) = np se mantem constante, e seja essa constante. Ent ao tem-se
P(X = x) = C
n
x
p
x
(1 p)
nx
=
n(n 1) (n x + 1)
x!
_
np
n
_
x
_
1
np
n
_
n
_
1
np
n
_
x
=
n(n 1) (n x + 1)
x!
_

n
_
x
_
1

n
_
n
_
1

n
_
x
=
n
n
n 1
n

n x + 1
n

x
x!
_
1

n
_
n
_
1

n
_
x

1 1 1

x
x!
e

1
pelo que
lim
n+, p0, np=>0
P(X = x) =
e

x
x!
, x = 0, 1, 2, . . .
Tem-se ent ao que, para p sucientemente pequeno, i.e., para p 0.1, a distribuicao de Poisson
de parametro = np aproxima convenientemente a distribuicao Binomial de parametros n e p,
X B(n, p) e p 0.1 = X
a
P(np).
Assim, para todo o x R,
P(X = x)

= P(Y = x), Y P(np)

e
F
X
(x)

= F
Y
(x), Y P(np).
6
Como e obvio, so faremos uso desta aproximac ao no caso de estarmos perante uma distribuic ao
Binomial para a qual nao dispomos de tabela.
6
Caso np 20 consultamos a tabela da lei de Poisson. Caso contrario, i.e., se np > 20, procede-se de seguida
`a aproxima cao normal da distribuicao de Poisson com correccao de continuidade.
10
A aproximacao anterior, permite ainda adiantar uma aproxima cao Poisson da lei binomial de
par ametros n e p, com p 0.9. De facto,
X B(n, p), p 0.9 = Y = n X B(n, 1 p), com 1 p 0.1
= Y = n X
a
P(n(1 p)).
Pelo que,
P(X = x) = P(n X = n x)
= P(Y = n x)

= P(Z = n x), Z P(n(1 p))

e
P(X x) = P(n X n x)
= P(Y n x)

= P(Z n x), Z P(n(1 p)).

7
Exerccio 4. Tendo em conta o enunciado do Exerccio 3, determine a probabilidade de, em 30
noites, Joao Pestana dormir menos de 11.5 horas em pelo menos 20 dessas noites.
Resolucao. Queremos calcular P(Y 20), onde
Y = n umero de noites, em 30 noites, em que Joao Pestana dorme menos de 11.5 horas.
Note-se que, dada a experiencia de Bernoulli
= Contabilizar o n
o
de horas que o Joao Pestana dorme numa noite e registar se
esse n
o
e inferior a 11.5 horas,
repete-se 30 vezes nas mesmas condi coes, e queremos contar o n
o
de vezes que ocorre {X < 11.5}
(o Joao dorme menos de 11.5 horas numa noite).
Assim, Y pode ser vista como
Y = n umero de vezes que ocorre {X < 11.5} em 30 repetic oes de , nas mesmas condicoes
7
Caso n(1 p) 20 usamos a tabela da lei de Poisson. Caso contrario, i.e., se n(1 p) > 20, procede-se de
seguida `a aproxima cao normal da distribuicao de Poisson com correc cao de continuidade.
11
e tem-se que Y B(30, p), com p = P(X < 11.5) = 0.9, uma vez que
P(X < 11.5) =
_
11.5

f
X
(x) dx
=
_
7

0 dx +
_
11.5
7
1
5
dx
=
1
5
[x]
11.5
7
=
1
5
(11.5 7) = 0.9.
A distribuic ao Binomial com n = 30 > 20 nao esta tabelada. Assim, como p = 0.9 0.9,
procedemos `a mudanca de vari avel T = 30 Y B(30, 1 0.9), i.e., T B(30, 0.1),
P(Y 20) = P(30 Y 30 20) = P(T 10).
Como n = 30 > 20 e p = 0.1 0.1, procedemos ` a aproximac ao Poisson da distribuic ao Binomial:
T B(n, p), n = 30 > 20 e p = 0.1 0.1 =T
a
P(30 0.1).
Assim,
P(Y 20) = P(T 10)

= P(T

10), T

P(3)
= F
T
(10) = 0.9997
III.4 Aproximacao Binomial da distribuicao Hipergeometrica
No caso particular da distribuic ao Hipergeometrica, seja X uma v.a.r. tal que X H(N, M, n)
e suponha-se que M e N aumentam de tal forma que
M
N
se mantem constante, e seja p =
M
N
,
p ]0, 1[, essa constante. Ent ao, para x, n e p xos,
P(X = x) =
C
M
x
C
NM
nx
C
N
n
M
N
=p

M+, N+
C
n
x
p
x
(1 p)
nx
.
De facto, haver ou n ao reposic ao deixa de ser relevante quando a dimensao da amostra n e
muito pequena quando comparada com a dimens ao da populac ao N. Assim, se N e grande e n
pequeno em rela cao a N (i.e., se n < 0.1N), a distribuic ao binomial aproxima convenientemente
a distribuic ao Hipergeometrica:
X H(N, M, n), n < 0.1N = X
a
B(n, p), p =
M
N
.
Assim, para todo o x R,
P(X = x)

= P(Y = x), Y B(n, p), p =

M
N
12
e
F
X
(x)

= F
Y
(x), Y B(n, p), p =
M
N
.
8
Em suma, tem-se as seguintes aproximac oes distribucionais:
V.a.r. original Condic oes de aproximacao V.a.r. aproximativa
X H(N, M, n) n 0.1N Y B(n, M/N)
X B(n, p) n > 20 e p 0.1 Y P(np)
X B(n, p) n > 20 e 0.1 < p < 0.9 Y N(np,
_
np (1 p))
X B(n, p) n > 20 e p 0.9 n Y com Y P(n(1 p))
X P() > 20 Y N(,

)
nas quais as aproximac oes normais das v.a.r. discretas devem ser efectuadas com correcc ao de
continuidade.
Exerccio 5. Um ecologista formou uma reserva animal onde colocou um viveiro com duas
especies de peixes: 200 trutas e 600 salmoes. Sabe-se que 10% das trutas s ao machos e 70% dos
salm oes s ao femeas.
(a) Qual a probabilidade de que um peixe macho, extrado ao acaso do viveiro, seja um salm ao?
(b) Extraram-se 60 peixes ao acaso do viveiro. Determine a probabilidade de terem sido ex-
trados no m aximo 10 machos.
Admita que a capacidade de reprodu cao das trutas femeas (i.e., o n umero de descendentes a que
cada femea d a origem) e uma v.a.r. seguindo a lei de Poisson de par ametro 1.8. Considera-se
que as trutas se reproduzem independentemente. Suponha ainda que as reservas alimentares,
para descendentes, de que o ecologista disp oe apenas d ao para alimentar 276 novas trutas.
(c) Qual a probabilidade de que tais reservas alimentares sejam insucientes para alimentar as
novas trutas?
Resolucao: Dado um viveiro com 200 trutas e 600 salm oes, considere-se a e.a. = extrair,
8
Caso n 20 consultamos a tabela da lei Binomial. Caso contrario, i.e., se n > 20, entao procede-se de
seguida `a aproxima cao normal da distribuic ao Binomial com correccao de continuidade caso p ]0.1, 0.9[ ou `a
aproximacao Poisson da mesma, caso p / ]0.1, 0.9[.
13
ao acaso, um peixe do viveiro e registar o seu tipo. O espaco de resultados associado a e
= {todos os peixes do viveiro}.
Como e nito, # = 800, e h a equiprobabilidade tem-se que
P(A) =
#A
#
=
#A
800
, A .
Dados os acontecimentos T = O peixe extrado e truta, S = O peixe extrado e salm ao e
M = O peixe extrado e macho, tem-se = T S = M M e
P(T) =
200
800
= 0.25, P(S) =
600
800
= 0.75, P(M/T) = 0.1, e P(M/S) = 0.7.
(a) Tem-se P(M/S) = 0.7 =P(M/S) = 1 P(M/S) = 1 0.7 = 0.3, e
P(S/M) =
P(S M)
P(M)
=
P(M/S)P(S)
P(M)
=
0.3 0.75
0.25
= 0.9
onde
P(M) = P(M ) = P(M (T S)) = P((M T) (M S))
= P(M T) +P(M S), porque M T e M S s ao ac. incompatveis
= P(M/T)P(T) +P(M/S)P(S)
= 0.1 0.25 + 0.3 0.75 = 0.25
(b) Dada a experiencia de Bernoulli
= extrair, ao acaso, um peixe do viveiro e registar se e ou n ao macho,
repete-se 60 vezes, sem reposi cao, querendo-se contabilizar o n
o
de vezes que ocorre M (o
peixe e macho). Assim, queremos calcular
P(X 10),
onde
X = n
o
de peixes macho nos 60 peixes extrados do viveiro, um a um, sem reposi cao
= n
o
de vezes que ocorre M em 60 repetic oes de , nao nas mesmas condi coes.
14
e tal que
X H(N, M, n), com N = 800 peixes, M = 800 0.25 = 200 peixes macho, e n = 60.
Como
n
N
=
60
800
= 0.075 < 0.1, i.e., a dimensao da amostra n = 60 e muito pequena quando
comparada com a dimensao da populacao N = 800, procedemos ` a aproximacao da distribui cao
Hipergeometrica pela distribuic ao binomial:
X H(800, 200, 60),
n
N
=
60
800
= 0.075 0.1 = X
a
B(60, p), com p =
M
N
= 0.25.
Assim,
P(X 10)

= P(X

10), com X

B(60, 0.25).
Contudo, a distribuicao Binomial com n = 60 > 20 nao est a tabelada. Assim, como
0.1 < p = 0.25 < 0.9, procedemos `a sua aproximac ao pela distribuic ao normal, com correc cao de
continuidade:
X

B(n, p), n = 60 > 20 e 0.1 < p = 0.25 < 0.9 =X

a
N(np,
_
np(1 p))
i.e., como np = 60 0.25 = 15 e np(1 p) = 60 0.25 0.75 = 11.25,
X

a
N(15,

11.25).
Assim,
P(X 10)

= P(X

10)

= P(Y 10 + 0.5), com Y N(15,

11.25)
= P
_
Y 15

11.25

10.5 15

11.25
_
= P(Z 1.34), com Z =
Y 15

11.25
N(0, 1)
= F
Z
(1.34) = 1 F
Z
(1.34), pela simetria da lei N(0, 1)
= 1 0.9099 = 0.0901.
(c) As reservas alimentares, para descendentes, de que o ecologista disp oe apenas dao para
alimentar 276 novas trutas, pelo que a probabilidade de que tais reservas alimentares sejam
insucientes para alimentar as novas trutas e
P(T 277),
15
onde
T = n
o
total de descendentes de todas as trutas femea do viveiro.
Ora, a percentagem de femeas de entre as 200 trutas do viveiro e de
P(M/T) = 1 P(M/T) = 0.9 = 90%,
pelo que, nas 200 trutas do viveiro existem 200 0.9 = 180 trutas femeas.
Sabemos que a v.a.r.
D = n umero de descendentes de cada truta femea
e tal que D P(1.8) e que as trutas se reproduzem de forma independente. Assim, as v.a.r.
D
i
= n umero de descendentes da femea i, i = 1, 2, ..., 180
s ao v.a.r. independentes e D
i
P(1.8), pelo que, pela aditividade da lei de Poisson,
T = D
1
+D
2
+ +D
180
P(1.8 + 1.8 + + 1.8
. .
180 parcelas
).
i.e., T P(324).
Como = 324 > 20, esta distribuic ao de Poisson nao est a tabelada, pelo que procedemos ` a
sua aproximac ao pela distribuic ao normal com correcc ao de continuidade:
T P(), = 324 > 20 =T
a
N(,

)
i.e.,
T
a
N(324,

324).
Assim,
P(T 277)

= P(T

277 0.5), com T

N(324, 18)
= P
_
T

324
18

276.5 324
18
_
= P(Z 2.64), com Z =
T 324
18
N(0, 1)
= 1 P(Z < 2.64)
= 1 F
Z
(2.64), porque Z e v.a.r. contnua
= 1 (1 F
Z
(2.64)), pela simetria da lei N(0, 1)
= F
z
(2.64) = 0.9959.
16