CE-715 PROBABILIDADE E ESTATSTICA

MATEMTICA I
NOTAS DE AULAS
Estas notas seguem de muito perto a bibliografia referenciada
abaixo e que correspondem aos livros textos deste Curso.
Sugere-se a sua aquisio. O nico objetivo destas notas
facilitar as atividades dos alunos em sala de aula, pois no
precisaro anotar contedos e enunciados de exerccios. De
forma que o aluno tem um maior conforto em sala de aula e o
professor poder explicar os temas de forma mais rpida. De
nenhuma maneira a leitura ou consulta da bibliografia est
descartada, isto dever do aluno.
Anselmo Chaves Neto

BIBLIOGRAFIA

[1] JAMES, BARRY R. - Probabilidade, um curso em nvel intermedirio, 2a. ed., IMPA (RJ),
1996.
[2] DEGROOT, M.H. Probability and Statistics, ed. Addison-Wesley Publishing
Company, Inc., 1975.
[3] MOOD A. M., GRAYBILL F., BOES, D. C. Introduction to the Theory of Statistics,
McGraw-Hill Book Company, 17 imp., 1986.
[4] BICKEL, P. J. & DOKSUM, K.A. Mathematical Statistics, Basic Ideas and Selected
Topics, ed. Holden Day Inc., 1977.
[5] MEYER, P.L. - Probabilidade, Aplicaes Estatstica, Ed. Livros Tcnicos e
Cientficos Editora S.A., 1972.
[6] SPIEGEL, M.L. - Probabilidade e Estatstica, Coleo Schaum, Ed. McGraw-Hill., 1978.
[7] Montgomery, D. C. & Runger, G. C. Estatstica Aplicada e Probabilidade para
Engenheiros, 2a. ed., LTC Livros Tcnicos e Cientficos Editora S.A., Rio de Janeiro
(021-2221-9621/fax 021-2221-3202), 2003.
[8] Triola, M. F. Introduo Estatstica, 7ed., ., LTC Livros Tcnicos e Cientficos
Editora S.A., Rio de Janeiro (021-2221-9621/fax 021-2221-3202), 1999.

SUMRIO
1. CONCEITOS INICIAIS ...........................................................................................4
1.1- CONJUNTOS ................................................................................................................................................ 4
1.2 - AMOSTRAS ORDENADAS E NO-ORDENADAS: Princpio Fundamental da Contagem,
Diagrama em rvore e Anlise Combinatria ................................................................................................... 7
1.2.1 - Princpio Fundamental da Contagem.................................................................................................. 7
1.2.2 - Amostras Ordenadas............................................................................................................................. 7
1.2.3 - Amostras no-ordenadas ...................................................................................................................... 9

2. PROBABILIDADE E MODELOS DE PROBABILIDADE .....................................12

2.1 - CONCEITOS FUNDAMENTAIS ............................................................................................................. 12
2.2 - PROPRIEDADES DA PROBABILIDADE .............................................................................................. 15
2.3. PROBABILIDADE CONDICIONAL E INDEPENDNCIA DE EVENTOS: ...................................... 17
2.3.1 - Probabilidade Condicional ................................................................................................................. 17
2.3.2 Teorema da Multiplicao ou da Probabilidade Composta............................................................... 18
2.3.3 - Independncia de eventos ................................................................................................................... 18
2.4 - EVENTOS ALEATRIOS ........................................................................................................................ 19
2.4.1 - Eventos Mutuamente Exclusivos........................................................................................................ 19
2.4.2 - Eventos Independentes....................................................................................................................... 19
2.4.3 - Propriedades de Eventos Independentes........................................................................................... 19
2.5- PARTIO DO ESPAO AMOSTRAL .............................................................................................. 21
2.5.1- Teorema da Probabilidade Total ........................................................................................................ 21
2.5.2- Teorema de Bayes................................................................................................................................. 22

3. VARIVEL ALEATRIA ......................................................................................25

3.1- VARIVEL ALEATRIA ......................................................................................................................... 25
3.2 - FUNO DE PROBABILIDADE (f.p.) E FUNO DENSIDADE de PROBABILIDADE (f.d.p.). 26
3.2.1- Distribuio de Probabilidades ........................................................................................................... 27
3.3. ESPERANA E VARINCIA DE UMA VARIVEL ALEATRIA.................................................... 38
3.3.1. Definies............................................................................................................................................... 38
3.4. ESPERANA DE FUNES DE VARIVEL ALEATRIA E DESIGUALDADES......................... 46
3.4.1
Esperana de uma Funo de Varivel Aleatria ......................................................................... 46
3.4.2
Desigualdades ................................................................................................................................... 46
3.4.3
Momentos.......................................................................................................................................... 48
3.5. VETORES ALEATRIOS: DISCRETOS E CONTNUOS................................................................... 49
3.5.1- Independncia de variveis aleatrias ................................................................................................ 50
3.5.2- Funo de variveis aleatrias: transformao de variveis ............................................................ 53
3.6 - FUNO GERATRIZ DE MOMENTOS................................................................................................ 55
3.7 - FUNO CARACTERSTICA ................................................................................................................ 59

3
4. LEI DOS GRANDES NMEROS..........................................................................62
4.1- Convergncia em Seqncias de Variveis Aleatrias.............................................................................. 62
4.2-Lei dos Grandes Nmeros: Lei Fraca e Lei Forte ...................................................................................... 64
4.2.1- Introduo............................................................................................................................................. 64
4.2.2- Lei Fraca dos Grandes Nmeros......................................................................................................... 64
4.2.3- Lei Forte dos Grandes Nmeros ......................................................................................................... 66

5. TEOREMA CENTRAL DO LIMITE .......................................................................68

6. DISTRIBUIES AMOSTRAIS............................................................................70
6.1 NOES DE POPULAO E AMOSTRA............................................................................................... 70
6.2 ESTATSTICA: MOMENTOS AMOSTRAIS........................................................................................ 71
6.3. AMOSTRAGEM DA DISTRIBUIO NORMAL.................................................................................. 72

7. SUFICINCIA .......................................................................................................75
7.1- INTRODUO............................................................................................................................................ 75
7.2- TEOREMA DE NEYMAN-FISHER OU TEOREMA DA FATORIZAO........................................ 79
7.3- FAMLIA EXPONENCIAL UNIPARAMTRICA ................................................................................. 81
7.4- FAMLIA EXPONENCIAL K-PARAMTRICA.................................................................................... 83

BIBLIOGRAFIA ........................................................................................................85

1. CONCEITOS INICIAIS
1.1- CONJUNTOS
Um conjunto pode ser considerado como uma coleo de objetos chamados elementos
do conjunto. Em geral denota-se conjunto por letras maisculas A, B, C,...., N,... e a sua
representao feita por enumerao dos elementos, p.ex. D = {1,2,3,4,5,6} ou por
compreenso, p.ex. Z+ = {x R x > 0}.
EXEMPLOS:
1) Conjunto dos nmeros naturais = {0, 1, 2, 3, ... };
2) Conjunto dos nmeros das faces de um dado D = {1, 2, 3, 4, 5, 6};
3) Conjunto das faces de uma moeda F = {cara, coroa}.
RELAO DE PERTINNCIA
A relao existente entre elemento e conjunto a de pertinncia.
EXEMPLOS:
1) 3 N

2) -1 Z

3)

2 N

4)

2 R

SUBCONJUNTO
Seja o conjunto A, tal que todo elemento de A tambm elemento do conjunto B. Ento
dizemos que A subconjunto de B.
RELAO DE INCLUSO
A relao existente entre subconjunto e conjunto a de incluso.
EXEMPLOS:
1) Seja B = {1, 2, 3, 4, 5, 6} e A = {2, 4, 6}, ento A est contido em B ou B contm A e
representa-se por: A B ou B A .
CONJUNTO VAZIO
O conjunto que no possui nenhum elemento chamado de vazio e representado por .

CONJUNTO UNIVERSO
O conjunto que contiver todos os demais conjuntos chamado de conjunto universo e
representado por U.
OPERAES COM CONJUNTOS
Entre conjuntos existem as seguintes operaes:
1a.) UNIO
O conjunto de todos os elementos (pontos) que pertencem ao conjunto A ou
pertenam ao conjunto B ou a ambos chamado UNIO de A e B e denotado por AB.
U
Diagrama de Venn

A
B
2a.) INTERSECO
O conjunto dos elementos que pertencem ao conjunto A e ao conjunto B
chamado interseo entre A e B e representado por A B.
EXERCCIO:
Represente por um diagrama de Venn a intercesso dos conjuntos A e B.
3a.) DIFERENA
O conjunto formado pelos elementos de A e que no pertencem a B chamado
diferena entre A e B e denotado por A - B. Se B A, ento A - B chamado de
complemento de B em relao a A e representado por BAc e se A o conjunto universo A - B
chamado de complemento e representado por Bc.
EXERCCIO:
Represente por um diagrama de Venn a diferena dos conjuntos A - B e U - B.

6
CONJUNTO DAS PARTES DE UM CONJUNTO
Dado o conjunto A, chamamos conjunto das partes de A ao conjunto formado por todos os
subconjuntos de A e o representamos por P (A). Assim, definimos o conjunto das partes por P
(A) = {X X A}.
EXERCCIOS:
1) Dado o conjunto A = {a,b,c}, pede-se o conjunto das partes de A;
2) Mostre que o nmero de elementos de P (A) (cardinal de A) sempre 2n, onde n o
nmero de elementos de A.
CONJUNTOS DISJUNTOS
Os conjuntos A e B so chamados de disjuntos quando a sua interseo um conjunto vazio,
ou seja, A B = .
EXERCCIOS:
1.1.1) Mostre que os conjuntos A = {2,4,6} e B = {1,3,5} so disjuntos.
1.1.2) Prove, usando as operaes com conjuntos, as seguintes propriedades de conjuntos:
a)
b)
c)
d)
e)
f)
g)
h)
i)
j)
k)

AB = BA
A(BC) = (AB)C = ABC
AB = BA
A(BC) = (A B) C = A B C
A( BC) = (A B) (AC)
A(BC) = (AB) (AC)
A - B = A Bc
Se A B, ento Ac Bc ou Bc Ac
(AB)c = Ac Bc
( A B)c = AcBc
A = (A B) (ABc)

- Lei Comutativa da Unio

- Lei Associativa da Unio
- Lei Comutativa da Interseo
- Lei Associativa da Interseo
- Lei distributiva da Interseo
- Lei distributiva da Unio
- 1a. Lei de De Morgan
- 2a. Lei de De Morgan

1.1.3) Seja A o conjunto de todos os reais cujos quadrados so iguais a 25. Descreva A.
1.1.4) Sejam os conjuntos A = {x x inteiro impar} e B = {x x2-8x+15=0}, mostre
que B A .
1.1.5) Seja o conjunto = {0, 1, 2}. Quantos elementos tem o conjunto das partes de ?
Descreva o conjunto das partes de , P().
1.1.6) Verifique se os conjuntos A = {1, 2, 3, 4} e B = {10, 20, 30} so disjuntos.
1.1.7) Prove que se A B e B C, ento A C.
1.1.8) lgebra de subconjuntos, A, do conjunto no-vazio uma classe de subconjuntos de
satisfazendo os axiomas:
A1) A
A2) Se A A Ac A
A3) Se A A e B A AB A

7
Desta forma, mostre que valem ainda para a lgebra de conjuntos as seguintes propriedades:
A4) A
A5) n, A1, A2, ......, An A tem-se

Ai A e
i =1

i =1

1.2 - AMOSTRAS ORDENADAS E NO-ORDENADAS: Princpio Fundamental

da Contagem, Diagrama em rvore e Anlise Combinatria
1.2.1 - Princpio Fundamental da Contagem
Se um acontecimento pode ocorrer por vrias etapas sucessivas e independentes de tal
modo que:
m1 o nmero de possibilidades da 1a. etapa;
m2 o nmero de possibilidades da 2a. etapa;
.....................................................................
.....................................................................
mk o nmero de possibilidades da ka. Etapa.
Ento, o nmero total de possibilidades do acontecimento ocorrer m1. m2.m3. ..... .mk.
EXERCCIO
No Brasil, as placas de automveis so formadas por trs letras seguidas por quatro
algarismos. Usando o alfabeto de 26 letras, quantas placas diferentes possvel formar?
R. 263.104 = 175.760.000
1.2.2 - Amostras Ordenadas
Suponha que se tenha os conjuntos A e B. Se A tem m elementos (pontos) distintos a1, a2,
..... , am e B tem p elementos distintos b1, b2, ..... , bp; ento, o nmero de pares (ai,bj) i = 1,2,
..... ,m j = 1,2, .... ,p, que podem ser formados, tomando-se um ponto de A e um ponto de B
m.p (pelo Princpio Fundamental da Contagem). Suponha, ainda que se tenha n conjuntos A1,
A2, .... ,An cada um tendo m1,m2, ...... ,mn elementos distintos, respectivamente. Ento, o
nmero de n-uplas (x1,x2, ..... ,xn) que podem ser formadas com um elemento xi de cada
conjunto Ai m1.m2.m3. ..... .mn (Princpio Fundamental da Contagem). Quando cada
conjunto Ai, i = 1,2, .... , n, o mesmo conjunto A com N elementos distintos, tem-se Nn nuplas, pois N.N.N. ..... .N = Nn.

8
EXERCCIO 1: Amostragem com Reposio
Suponha que uma caixa contenha N bolas distintas numeradas de 1 a N. Extrai-se uma bola da
caixa, registra-se o seu nmero e a seguir repe-se a bola na caixa. Repete-se o procedimento
n vezes. Pergunta-se:
1o.)
2o.)
3o.)
4o.)

Que tipo de nmero cada extrao produz?

Como voc pode representar o resultado final da operao?
Quantas n-uplas podem ser formadas com os n nmeros obtidos nas extraes.
Suponha que a caixa tenha apenas trs bolas, represente as possveis n-uplas resultantes
de n=2 extraes.

5o.) Qual o nome do procedimento onde se retira n elementos com possvel repetio de uma
populao com N elementos distintos? O resultado (x1,x2, ... ,xn) dos registros das extraes
recebe que denominao?
EXERCCIO 2: Amostragem sem Reposio
Seja o experimento do exerccio 1, anterior, onde se retira n bolas da caixa com N bolas
numeradas de 1 a N. Mas, agora, no se recoloca a bola na caixa depois de registrar-se o seu
nmero. Assim, quando se vai retirar a 2a. bola existem N-1 bolas na caixa. Se novamente
registrarmos o nmero de cada bola na n-upla (x1, x2, ...... ,xn) pergunta-se?
1o.) Qual o nmero registrado na 1a. extrao? E na 2a. extrao? E na na. Extrao?
2o.) Os elementos da n-upla (x1,x2, .... ,xn) so todos distintos ou podem se repetir?
3o.) Quantas n-uplas distintas podem ser formadas?
4o.) Qual o nome do procedimento onde se retira n elementos sem repetio de uma
populao com N elementos distintos? O resultado (x1,x2, ... ,xn) dos registros das extraes
recebe que denominao?
EXERCCIO 3: Diagrama em rvore
Represente esquematicamente o experimento de se extrair um elemento do conjunto A = {a1,
a2, .... ,am} e um elemento do conjunto B = {b1, b2, ..... ,bn}, quanto a possvel dupla formada
responda as perguntas seguintes:
1o.) Quantas e quais so as duplas que podem ser formadas?
2o.) Mostre que voc pode obter o resultado por meio de um Diagrama em rvore.
3o.) Suponha G = {g1,g2} um conjunto com duas gravatas distintas e C = {c1,c2,c3,c4} um
conjunto com quatro camisas distintas. Quantas so as maneiras de se combinar uma das
camisas e uma das gravatas?
4o.) Suponha a situao anterior das camisas e gravatas, quantas so as maneiras de se
combinar a camisa, a gravata e um palet do conjunto P = {p1,p2,p3}?

1.2.3 - Amostras no-ordenadas

Suponha que se deseja calcular o nmero de amostras sem reposio com tamanho n, ou
seja, com n elementos, tomadas de uma populao (conjunto) com N elementos N n. Podese observar o seguinte:
1o.) O nmero de amostras sem reposio, portanto com todos os elementos distintos, de
tamanho n tomadas da populao dado por AnN = N.(N-1).(N-2). ... .(N-n+1).
2o.) Cada amostra (subconjunto) distinta (x1,x2, ... , xn) com n objetos distintos pode ser rearranjada de n! modos distintos e, portanto tem-se:

N AnN
N .( N 1).( N 2 )....( N n + 1)
N!
=
=
=
n!
n!
n!( N n )!
n
N
diferentes amostras de tamanho n que podem ser
n
extradas, sem reposio e sem considerao de ordem, de um conjunto com N objetos
distintos.

combinaes distintas ou melhor

Como se pode observar, nos arranjos (permutaes) intervm a ordem dos objetos
(elementos). Assim, abc um arranjo distinto de bca. Quando se est interessado apenas nos
objetos, sem distino da ordem (posio) que eles ocupam, os grupos so chamados de
combinaes. Ento, abc e bca representam a mesma combinao.
EXERCCIOS:

1.2.1) Suponha que se tenha n caixas distintas e n bolas distintas. Qual o nmero total de
maneiras de se distribuir as n bolas nas n caixas de modo que cada caixa contenha exatamente
uma bola?
Soluo:

n 1

n
Para a primeira caixa temos n escolhas, na segunda caixa, n 1 escolhas, ..., na ltima caixa
temos 1 escolha. Pelo princpio multiplicativo existem n(n 1) ... 1 = n! maneiras de distribuir
as bolas.
1.2.2) Um Departamento composto por 25 professores titulares, 15 professores
adjuntos
e 35 professores assistentes. Uma comisso de 6 membros deve ser selecionada ao acaso do
corpo discente do Departamento. Determine:
a) O nmero de comisses distintas que podem ser formadas com esses professores;
b) O nmero de comisses que podem ser constitudas somente com professores assistentes;

10
Soluo:

Como no h restrio quanto aos membros das comisses, temos que combinar os 75
6
=
professores de 6 em 6, ou seja, temos C 75

75! 75 74 73 72 71 70
=
= 201359550
69!6!
6 5 43 2

comisses.
Obs.: Para entender o motivo do resultado acima basta observar que para formar uma fila

a primeira pessoa pode ser escolhida de 75 modos, a segunda de 74,..., a sexta de 70. No
entanto, cada grupo de seis pessoas foi contado P6 = 6! vezes. Como a ordem no
relevante, o resultado fica estabelecido.
Agora

os

35

assistentes

so

considerados,

portanto

temos

6
C35
=

35!
=
29!6!

35 34 33 32 31 30
= 1623160 comisses.
6 5 43 2

1.2.3) Considere uma mo de pquer com cinco cartas de um baralho com 52 cartas.
Calcule:
a) O nmero possvel de mos diferentes de se obter;
b) O nmero de four, isto , quatro cartas de mesmo valor;
1.2.4) Suponha que se distribui n bolas em n caixas, de modo que a caixa 1 fique vazia, uma
das outras n-1 caixas contenha 2 bolas e as outras n-2 caixas contenham apenas 1 bola.
Calcule o nmero de maneiras de se fazer isto.
1.2.5) O cdigo Morse consiste de uma seqncia de pontos e traos em que repeties so
permitidas.
a) Quantas letras se podem codificar usando exatamente n smbolos?
b)
Qual o nmero de letras que se pode codificar usando n ou menos smbolos?
1.2.6) Uma pessoa possui n moedas no bolso, das quais somente uma de R$0,50. Se ele
olhar o valor das moedas de uma em uma, qual o nmero mximo de tentativas que dever
fazer at achar a sua moeda de R$0,50?
1.2.7) Um nibus parte com duas pessoas e para em trs pontos diferentes. Supondo que os
passageiros possam descer em qualquer dos pontos com igual possibilidade, determinar:
a) o nmero de maneiras de se distribuir os passageiros nos pontos tal que os dois
passageiros no desembarquem na mesma parada?
b) o nmero de maneiras possveis dos passageiros desembarcarem nos pontos?
1.2.8) Suponha que se tenha r caixas numeradas 1,2,3, ... ,r onde so colocadas n < r bolas
numeradas 1,2,3, ... ,n, aleatoriamente, uma de cada vez. Determine:
a) o nmero total de maneiras de se colocar as n bolas nas r caixas, que tipo de
amostragem pode ser associado a este experimento?
b) o nmero de maneiras de se colocar as n bolas nas r caixas at que se pare na n-sima
bola com 2 bolas numa caixa e no mximo uma bola nas outras caixas.

11

1.2.9) Uma caixa contm N bolas numeradas de 1 a N. Seleciona-se ao acaso n bolas da caixa
(com n < N), registrando o seu nmero e repondo a bola na caixa. O processo repetido n
vezes. Pergunta-se: qual o nmero total de maneiras de se agrupar estas n bolas em uma
das tentativas? Qual o tipo de amostragem correspondente a este experimento?
1.2.10) Se o Anselmo e o Festa esto dispostos aleatoriamente numa fila entre n - 2 outras
pessoas determine:
a) o nmero de modos em que podem ficar exatamente k pessoas entre eles;
b) o nmero total de modos em que podem ficar o Anselmo e o Festa e as outras n - 2
pessoas?
1.2.11) Um domin um bloco retangular dividido em dois sub-retngulos. Cada subretngulo possui um nmero. Sejam x e y esses nmeros (no necessariamente distintos).
Como o bloco simtrico, o domin (x, y) o mesmo que (y, x). Quantos blocos
diferentes de domin se podem fazer usando n nmeros diferentes?
1.2.12) Suponha que se distribui n bolas em n caixas.
a) de quantos modos poderemos colocar as n bolas nas n caixas, de maneira que
exatamente uma caixa fique vazia?
b) dado que a caixa 1 est vazia, de quantos modos se tem somente uma caixa vazia?
1.2.13) O cdigo gentico especifica um aminocido atravs de uma seqncia de trs de trs
nucleotdeos. Cada nucleotdeo pode ser de um dos quatro tipos T, A, C e G, sendo
permitido a repetio. Quantos aminocidos podem ser codificados desta maneira?
1.2.14) Descreva um espao amostral para cada um dos seguintes experimentos aleatrios: (a)
3 jogadas de uma moeda; (b) nmero de fumantes em um grupo de 500 adultos de sexo
masculino; (c) jogar uma mesma moeda at que aparea coroa; (d) nmero de partculas
nucleares que entram em um contador Geiger; (e) jogada de uma moeda e um dado.
Associando cara ao nmero 0 e coroa ao 1, temos como resultados possveis as triplas
ordenadas do conjunto = {( x1 , x 2 , x3 ) | xi = 0 xi = 1} , que tem 2 3 = 8 elementos.
= {0,1,2,3,...,500}.
= {(1), (0,1), (0,0,1), (0,0,0,1),...} = {( x1 , x 2 ,..., x n ) | n N , xi = 0 , i = 1,...n 1, x n = 1}
= {0,1,2,3,...} = N .
= {( x, y ) | x = 0 x = 1, y = 1,2,...,6}.
1.2.15) De um baralho comum de 52 cartas extrai-se uma carta ao acaso. Descreva o espao
amostral: (a) no levando em conta os naipes; (b) levando-se em conta os naipes.
Soluo:
= {A,2,3,4,5,6,7,8,9,10, D, V , R} .

= {AC , AO , AP , AE ,2 C ,2 O ,2 P ,2 E ,..., RC , RO , R P , RE }.

12

2. PROBABILIDADE E MODELOS DE PROBABILIDADE

2.1 - CONCEITOS FUNDAMENTAIS

Considere o experimento de jogar um dado equilibrado e observar o nmero da face

superior. Observa-se no experimento que:
a) Os resultados possveis de ocorrer formam o conjunto = {1,2,3,4,5,6}.
DEF. 1 ESPAO AMOSTRAL, , de um experimento realizado sob condies fixas, o
conjunto de todos os resultados possveis do experimento, entendendo-se por resultado
possvel todo resultado elementar e indivisvel do experimento.
DEF. 2 RESULTADO COMPOSTO todo resultado formado por mais de um resultado
elementar e indivisvel.

b) Observa-se no experimento que o resultado nmero par no elementar e indivisvel,

pois composto por trs resultados deste tipo {2,4,6}, logo nmero par um resultado
composto.
c) Cada resultado pode ser associado ao espao amostral como um subconjunto dele. O
resultado nmero par o subconjunto NP = {2, 4, 6} .Assim, todo resultado do
experimento subconjunto do espao amostral.
EXERCCIOS

2.1.1) Considere, agora, outro experimento que consiste na escolha, ao acaso, de um ponto
eqidistante dos extremos do segmento de reta AB com comprimento de 2 cm, contido no
eixo das abscissas de um Sistema Cartesiano e com A colocado na origem do sistema.
a) Descreva o espao amostral do experimento;
b) Descreva o resultado 1 distncia entre o ponto escolhido e o ponto mdio do segmento
2 na forma de subconjunto do espao amostral;
c) Descreva o resultado 2 distncia entre o ponto escolhido e a origem ;
d) Descreva o resultado 3 a 1a. coordenada do ponto escolhido tem comprimento menor que
a 2a ".
2.1.2) Uma caixa dgua cilndrica que abastece certo local no recebe o suprimento de gua
de forma completamente previsvel. Em um dia qualquer, a entrada de suprimento de gua
igualmente provvel para 1,5 m 1,75 m ou 2,00 m. A demanda de gua , tambm, varivel e
pode necessitar das quantidades equivalentes a 1,25 m, 1,50 m ou 1,75m na caixa d1gua. A
demanda equiprovvel.
a) Quais so as possveis combinaes do fluxo de entrada de gua e do fluxo de sada?
b)Assumindo que o nvel da gua na caixa seja 1,75 m no incio de um dia, qual so os
possveis nveis da gua no final do dia?

13
c) Qual a probabilidade de que no final do dia exista, pelo menos 2,25 m na altura da gua
remanescente?
DEF. 3 -LGEBRA, A, de subconjuntos do conjunto no-vazio a classe de
subconjuntos de satisfazendo as propriedades:
1a.) A
2a.) Se A A Ac A

3a.) Se A1, A2, A3, ..... A

i= 1

DEF. 4 Seja o espao amostral do experimento. Todo subconjunto A ser chamado de

evento, o conjunto evento certo, o subconjunto o evento impossvel e se o
evento {} dito elementar e indivisvel.
DEF. 5 DEFINIO CLSSICA DE PROBABILIDADE (quando finito).
Seja A um subconjunto do espao amostral , A P (). Ento, se todos os resultados
elementares de so equiprovveis a medida da probabilidade de ocorrncia do evento A
#A
, A A.
dada por P(A) =
#
DEF. 6 Seja A um evento do espao amostral , ento se atribuirmos uma probabilidade ao
evento A ele chamado de evento aleatrio.
DEF. 7 DEFINIO GEOMTRICA DE PROBABILIDADE (Gnedenko)
Suponha que um segmento seja parte de um outro segmento L e que se tenha escolhido ao
acaso um ponto de L. Se admitirmos que a probabilidade deste ponto pertencer a

proporcional ao comprimento de
e no depende do lugar que ocupa em L, ento a
probabilidade de que o ponto selecionado esteja em :

P( ) =

comp.
compL

Analogamente suponha que uma figura plana g seja parte de uma outra figura plana G e que
se escolha ao acaso um ponto de G. Admitindo-se que a probabilidade deste ponto pertencer a
g seja proporcional rea de g e no depende do lugar que g ocupa em G, ento a
probabilidade de que o ponto selecionado esteja em g :
P (g ) =

areag
areaG

14
Analogamente tem-se P ( v ) =

volv
, onde um volume contido no volume maior V.
volV

DEF. 8 DEFINIO FREQUENTISTA DE PROBABILIDADE (Von Mises)

A probabilidade de ocorrncia do evento A em n ensaios definida, segundo Von Mises, por:
1
P ( A) = lim (nmero de ocorrncias de A em n ensaios)
n n
DEF. 9 DEFINIO AXIOMTICA DE PROBABILIDADE (Kolmogorov)
Probabilidade ou medida de probabilidade na -lgebra A a funo P definida em A e que
satisfaz os axiomas seguintes:

A1) P(A) 0
A2) P()=1
A3) Se A e B A e so disjuntos P(A B) = P(A) + P(B)
Se A1, A2, A3, ... , An
A3) Se A1, A2, A3, ...

A e so disjuntos P (U Ai ) = P ( Ai )
i =1

i =1

A e so disjuntos P (U Ai ) = P ( AI )
i =1

i =1

DEF. 10 ESPAO DE PROBABILIDADE

o trio (, A, P), onde , A e P so definidas acima.
EXERCCIOS:

2.1.2) Um dado lanado. Pergunta-se a probabilidade dos eventos:

a) A= sair um nmero mpar.
b) B= sair um nmero menor que 3.
c) C= sair um nmero maior que 10.
d) = sair um nmero inteiro maior ou igual a 1 e menor ou igual a 6.
2.1.3) Uma carta retirada ao acaso de um baralho com 52 cartas.
a) Qual a probabilidade de sair a carta de espadas?
b) Qual a probabilidade de sair um rei?
2.1.4) Suponha que 4 cartas estejam numeradas de 1 a 4. Das 4 cartas retira-se uma de cada
vez, ao acaso e sem reposio, at retirar-se o 1o. nmero par. Conta-se o nmero de retiradas
necessrias. Descreva um espao de probabilidade para o experimento.
2.1.5) Seja o experimento, onde se escolhe ao acaso um ponto do crculo unitrio centrado na
origem.
a) Qual a probabilidade de ocorrer o evento A = distncia entre ponto escolhido e a origem
1 2 ?
b) Qual a probabilidade de ocorrer o evento B = 1 a coordenada do ponto escolhido > que a
2 a ?

15
2.2 - PROPRIEDADES DA PROBABILIDADE

Alm das propriedades enunciadas na definio axiomtica, a funo P goza, ainda, das
seguintes:
P1) Se A um evento aleatrio, ento a probabilidade de A no ocorrer dada por
P ( A C ) = 1 P ( A) .
P2) Se A um evento aleatrio, ento 0 P(A) 1.
P3) Se A1 A2 P(A1) P(A2) e P(A2 - A1) = P(A2) - P(A1).
P4) P(A1 U A2) = P(A1) + P(A2) - P(A1 A2).
n

P5) P (U Ai ) P ( Ai )
i =1

i =1

P6) P (U Ai ) P ( Ai ) .
i =1

i =1

P7) P ( A1 A2 An ) = P (U Ai ) =
i =1

(1)

r 1

Sr = S1 S2 + S3 + (1) r 1 Sn .

r =1

P8) P( AI ) 1 P( AiC ) .
i =1

i =1

i =1

i =1

P9) P ( Ai ) 1 P ( AiC ) .
P10) Continuidade em Probabilidade: Seja a seqncia {Ai} i = 1,2,3, ... onde Ai
ento
a) se Ai A P(Ai) P(A) e b) se Ai A P(Ai) P(A).

A i,

EXERCCIOS

2.2.1) Peas que saem de uma linha de produo so marcadas defeituosas (D) ou no
defeituosas (P). As peas so inspecionadas e suas condies registradas. Isto feito at que
duas peas defeituosas consecutivas sejam fabricadas ou que quatro peas tenham sido
inspecionadas, aquilo que ocorrer em primeiro lugar. Descreva o espao amostral para este
experimento.
2.2.2) Uma caixa com N lmpadas contm r lmpadas (r < N) com filamento partido. Essas
lmpadas so verificadas uma a uma at que uma lmpada defeituosa seja encontrada.
a) Descreva o espao amostral do experimento.
b) Suponha que as lmpadas acima sejam verificadas uma a uma, at que todas as defeituosas
tenham sido encontradas. Descreva o espao amostral para este experimento.
2.2.3) Considere 4 objetos a, b, c, d. Suponha que a ordem em que tais objetos sejam listados
represente o resultado de um experimento. Sejam os eventos A e B definidos por:
A = {a est na 1a. posio}
B = {b est na 2a. posio}
a) Enumere todos os elementos do espao amostral do experimento.
b) Enumere todos os elementos dos eventos: A B e A B.

16
2.2.4) Um lote contm peas pesando 5, 10, 15, ... , 50 g. Admite-se que ao menos 2 peas de
cada peso sejam encontradas no lote. Duas peas so retiradas do lote. Seja X o peso da 1a.
pea escolhida e Y o peso da 2a.. Portanto, o par de nmeros (X, Y) representa um resultado
simples do experimento. Empregando o plano XY, marque o espao amostral e os seguintes
eventos:
a) {X = Y}
b) {Y > X}
c) {Y = 2X}
2.2.5) Durante um perodo de 24 h, em algum momento X, uma chave posta na posio
ligada. Depois em algum momento futuro Y (dentro do perodo de 24h) a chave virada
para a posio desligada. Suponha que X e Y sejam medidas em horas, no eixo dos tempos,
com o incio do perodo na origem da escala. O resultado do experimento constitudo pelo
par de nmeros (X, Y).
a) Descreva o espao amostral.
b) Descreva e marque no plano XY os seguintes eventos:
i) O circuito est ligado por uma hora ou menos.
ii) O circuito est ligado no tempo Z, onde Z algum instante no perodo de 24 h.
iii) O circuito ligado antes do tempo t1 e desligado depois do tempo t2 (onde t1< t2 so
2 instantes durante o perodo de 24 h especificado).
iv) O circuito permanece ligado duas vezes mais tempo do que desligado.
2.2.6) Sejam A, B, C trs eventos associados a um experimento. Exprima em notao de
conjunto as seguintes afirmaes verbais:
a) Ao menos um dos eventos ocorre;
b) Exatamente um dos eventos ocorre;
c) Exatamente dois dos eventos ocorrem;
d) No mais de dois eventos ocorrem simultaneamente.
2.2.7) Demonstre o Teorema Se A, B e C forem trs eventos quaisquer,ento:
P(AUBUC) = P(A)+ P(B)+P(C) - P(A B) - P(A C) - P( B C) + P(A B C) .
2.2.8) Sejam os eventos A e B possveis de ocorrer. Prove que a probabilidade de que ocorra
exatamente um dos eventos dado por P[(A Bc ) U( B A c ) ]=P(A)+P(B)-2P(A B).
2.2.9) Certo tipo de motor eltrico falha nas seguintes situaes:
A. emperramento dos mancais;
B. queima dos rolamentos;
C. desgaste das escovas;
Suponha que o emperramento seja duas vezes mais provvel do que a queima e esta quatro
vezes mais provvel do que o desgaste das escovas. Qual ser a probabilidade de que o motor
falhe devido a cada uma dessas circunstncias?
2.2.10) Suponha que A e B sejam eventos tais que P(A) = x, P(B) = y e P(A B) = z .
Exprima cada uma das seguintes probabilidades em termos de x, y e z:

17
a) P(A c UB c )

b) P(A c B)

c) P(A c UB)

d) P(A c B c )

2.2.11) Suponha que A, B e C sejam eventos tais que P(A)=P(B)=P(C)=1/4,

P(A B) = P(C B) = 0 e P(A C) = 1 / 8. Calcule a probabilidade de que ao menos um dos
eventos A, B ou C ocorra.
2.2.12) O seguinte grupo de pessoas est numa sala: 5 homens com mais de 21 anos, 4
homens com menos de 21 anos, 6 mulheres com mais de 21 anos e 3 mulheres com menos de
21anos de idade. Uma pessoa escolhida ao acaso. Definem-se os seguintes eventos: A={a
pessoa maior de 21 anos};B={a pessoa menor de 21 anos};C={a pessoa homem};D={a
pessoa mulher}. Calcule:
a)P(BUD)

b)P(A c C c )

2.2.13) Em uma sala 10 pessoas esto usando emblemas numerados de 1 a 10. Trs pessoas
so escolhidas ao acaso e convidadas a sarem da sala simultaneamente. O nmero do seu
emblema anotado. Qual a probabilidade de que o menor nmero de emblema seja 5? Qual a
probabilidade de que o maior nmero do emblema seja 5?
2.2.14) Uma remessa de 1500 arruelas contm 400 peas defeituosas e 1100 perfeitas.
Duzentos arruelas so escolhidas ao acaso (sem reposio) e classificadas.
a) Qual a probabilidade de que sejam encontradas exatamente 90 peas defeituosas?
b) Qual a probabilidade de que sejam encontradas ao menos 2 peas defeituosas?
2.2.15) Suponha que os trs dgitos 1, 2 e 3 sejam escritos em ordem aleatria. Qual a
probabilidade de que ao menos um dgito ocupe seu lugar prprio? Qual a probabilidade de
que os dgitos 1, 2, 3 e 4 ocupem os seus lugares prprios quando so escritos em ordem
aleatria? Qual a probabilidade de que os dgitos 1, 2, 3, 4, .... ,n ocupem os seus lugares
prprios na mesma situao de escrita em ordem aleatria?
2.2.16) Prove as propriedades de probabilidade enunciadas anteriormente, inclusive P10
Continuidade em Probabilidade.
2.3. PROBABILIDADE CONDICIONAL E INDEPENDNCIA DE EVENTOS:
2.3.1 - Probabilidade Condicional
DEF. Sejam o espao de probabilidade ( , A, P) e os eventos A, B A com P(B) > 0, a
probabilidade condicional do evento A dado B definida por:

P(AB)=

P(A B)
P( B)

A A

OBS: 1a.) Se P(B) = 0, P(AB) pode ser arbitrariamente definida. A maioria dos livros faz
P(AB) = 0, mas conveniente pela independncia se fazer P(AB)=P(A).

18
2a.) Como P(AB) uma probabilidade, vale para ela todas as propriedades de
probabilidade.
P(A B)
, ento a probabilidade da ocorrncia simultnea dos
P( B)
eventos A e B dada por: P(A B) = P(A).P(B | A) = P(B).P(A | B) .

3a.) Como P(AB)=

2.3.2 Teorema da Multiplicao ou da Probabilidade Composta

Seja o espao de probabilidade (, A, P), ento:

I. P(A B) = P(A ). P( B / A )

A,B A

II. P(A1 A2 ... An ) = P(A 1 ).P(A 2 | A 1 ).P(A 3 | A 1 A 2 )...P(A n | A 1 A 2 ...A n 1 )

A 1 , A 2 A 3 ,... A .
EXERCCIOS

2.3.1) Dez fichas numeradas de 1 a 10 so misturadas em uma urna. Duas fichas, numeradas
(x, y), so extradas da urna, sucessivamente e sem reposio. Qual a probabilidade
de x + y =10?
2.3.2) Um lote formado de 10 artigos bons, 4 com defeitos menores e 2 com defeitos graves.
Um artigo escolhido ao acaso. Ache a probabilidade de que:
a) Ele no tenha defeitos:
b) Ele no tenha defeitos graves:
c) Ele seja perfeito ou tenha defeitos graves:
d) Resolva os itens c e b aplicando a definio de probabilidade:
2.3.3 - Independncia de eventos

DEFINIO: Seja o espao de probabilidade (,A,P). Os eventos aleatrios A e B so

estocasticamente independentes se P(A B) = P(A ). P( B) , ou seja, P(B|A)=P(B) e P(A|B) =
P(A).

EXERCCIOS:

2.3.3) Se do lote de artigos do problema anterior, dois artigos forem escolhidos (sem
reposio), ache a probabilidade de que:
a) Ambos sejam perfeitos;
b) Ambos tenham defeitos graves;
c) Ao menos 1 seja perfeito;
d) No mximo 1 seja perfeito;
e) Exatamente 1 seja perfeito;

19
f) Nenhum tenha defeitos graves;
g) Nenhum deles seja perfeito.
2.3.4) Um nmero inteiro escolhido ao acaso, dentre os nmeros 1,2,...,50. Qual ser a
probabilidade de que o nmero escolhido seja divisvel por 6 ou por 8? Qual a
probabilidade do nmero escolhido ser divisvel por 6 e por 8?
2.4 - EVENTOS ALEATRIOS
2.4.1 - Eventos Mutuamente Exclusivos

Os eventos A e B, com A,B A, so mutuamente exclusivos (disjuntos) se P(A B) = 0 ou

seja A B = .
2.4.2 - Eventos Independentes

Os eventos A e B, com A,B A, so independentes se P(A|B)=P(A) e P(B|A)=P(B).

2.4.3 - Propriedades de Eventos Independentes

1a.) O evento aleatrio A A independente de si mesmo se e somente se P(A) = 0 ou

P(A) = 1.
2a.) Se A e B so eventos aleatrios independentes pertencentes a A, ento A e Bc, Ac e B, Ac
e Bc tambm so independentes.
3 ) Se A e B so eventos aleatrios mutuamente exclusivos pertencentes a A, ento A e B so
independentes somente se P(A) = 0 ou P(B) = 0.
EXERCICIOS:

2.4.1) Uma propriedade de eventos aleatrios independentes que o evento A

independente de si mesmo se e somente se P(A) = 0 ou P(A) = 1. Prove esta propriedade.

2.4.2) Uma caixa contm etiquetas numeradas 1, 2, 3, ... ,n. Duas etiquetas so escolhidas ao
acaso. Determine a probabilidade de que os nmeros das etiquetas escolhidas sejam inteiros
consecutivos se:
a) As etiquetas forem escolhidas sem reposio.
b) As etiquetas forem escolhidas com reposio.

20
2.4.3) Dentre 6 nmeros positivos e 8 negativos, escolhe-se ao acaso 4 nmeros (sem
reposio) e multiplicam-se esses nmeros. Qual ser a probabilidade de que o produto seja
um nmero positivo?
2.4.4) Um lote contm n peas, das quais se sabe serem r defeituosas. Se a ordem da
inspeo das peas se fizer ao acaso, qual a probabilidade de que a pea inspecionada em ksimo lugar (k r) seja a ltima pea defeituosa mantida no lote?
2.4.5) A urna 1 contm x 1 bolas brancas e y 1 bolas vermelhas. A urna 2 contm x 2 bolas
brancas e y 2 bolas vermelhas. Uma bola escolhida ao acaso da urna 1 e posta na urna 2. A
seguir uma bola escolhida ao acaso da urna 2. Qual seria a probabilidade de que esta bola
seja branca?
2.4.6) Duas vlvulas defeituosas se misturam com duas vlvulas perfeitas. As vlvulas so
ensaiadas, uma a uma, at que ambas as defeituosas sejam encontradas.
a) Qual a probabilidade de que a ltima vlvula defeituosa seja encontrada no segundo
ensaio?
b) Qual a probabilidade de que a ltima vlvula defeituosa seja encontrada no terceiro
ensaio?
c) Qual ser a probabilidade de que a ltima vlvula defeituosa seja encontrada no
quarto ensaio?
d) Some os nmeros de (a), (b) e (c) acima. O resultado ser surpreendente?
2.4.7) Uma caixa contm 4 vlvulas defeituosas e 6 perfeitas. Duas vlvulas so extradas
juntas. Uma delas ensaiada e se verifica ser perfeita. Qual a probabilidade de que a outra
vlvula tambm seja perfeita?
2.4.8) No problema anterior, as vlvulas so verificadas extraindo-se uma vlvula ao acaso,
ensaiando-se e repetindo-se o procedimento at que todas as 4 vlvulas defeituosas sejam
encontradas. Qual ser a probabilidade de que a quarta vlvula defeituosa seja encontrada
a) no quinto ensaio
b) no dcimo ensaio.
2.4.9) Suponha que A e B sejam eventos independentes associados a um experimento. Se a
probabilidade de A ou B ocorrerem for igual a 0,6 enquanto a probabilidade de ocorrncia de
A for igual a 0,4 determine a probabilidade da ocorrncia de B
2.4.10) Vinte peas, 12 das quais so defeituosas e 8 perfeitas so inspecionadas uma aps
outra. Se essas peas forem extradas ao acaso, qual ser a probabilidade de que:
a) as duas primeiras peas sejam defeituosas:
b) as duas primeiras peas sejam perfeitas
c) das duas primeiras peas inspecionadas, uma seja perfeita e a outra defeituosa.
2.4.11) Sejam A e B dois eventos associados a um experimento. Suponha que P(A) = 0,4
enquanto P(AUB) = 0,7. Seja P(B) = p.
a) Para qual valor de p, A e B sero mutuamente excludentes?
b) Para qual valor de p, A e B so independentes?
2.4.12) Um dado lanado e, independentemente, uma carta extrada de um baralho
completo (52 cartas). Qual ser a probabilidade de que: a) O dado mostre um nmero PAR e a

21
carta seja de um naipe vermelho? b) O dado mostre um nmero PAR ou a carta seja de um
naipe vermelho?
2.4.13) Um nmero binrio constitudo apenas dos dgitos 0 e 1. (Por exemplo, 1011, 1100,
etc.). Esses nmeros tm importante papel na utilizao de computadores eletrnicos.
Suponha que um nmero binrio seja formado por n dgitos. Suponha que a probabilidade de
que um digito incorreto aparea seja p e que os erros em diferentes dgitos sejam
independentes uns dos outros. Qual ser a probabilidade de formar-se um nmero incorreto?
2.4.14) Um dado atirado n vezes. Qual a probabilidade de que a face 6 aparea ao menos
uma vez em n jogadas?
2.4.15) Cada uma de 2 pessoas joga trs moedas equilibradas. Qual a probabilidade de que
elas obtenham o mesmo nmero de caras?
2.4.16) Prove as trs propriedades de eventos independentes enunciadas anteriormente.

2.5- PARTIO DO ESPAO AMOSTRAL

2.5.1- Teorema da Probabilidade Total
PARTIO DO ESPAO AMOSTRAL

A1
A3

...

A2

Sejam A1, A2, A3, ... eventos aleatrios mutuamente exclusivos e exaustivos, isto , os Ai
so disjuntos e U Ai = , ento os eventos Ai formam uma PARTIO DO ESPAO
AMOSTRAL .
importante observar DUAS COISAS, admitindo-se que a seqncia A1, A2, A3, ... seja
FINITA ou INFINITA ENUMERVEL:
1) Ai e A iC formam uma PARTIO, Ai A.
2) evento B A temos B = U ( Ai B ) , pois os Ai so disjuntos, ento os B Ai tambm
i

so disjuntos e B = U B AI logo
i

P (B ) =

P( A
i

B) =

P( A
i

) P ( B / A i)

22

A4

A1

A3

A2

A5

TEOREMA DA PROBABILIDADE TOTAL

Se a seqncia (finita ou infinita enumervel) de eventos aleatrios A1, A2, A3, ... forma uma
PARTIO do espao amostral , ento a probabilidade de um evento B contido em
dada por:
P(B) = P(A i ) P(B | A i )
i

OBS: O Teorema da Probabilidade Total utilizado quando se conhecem todas as P(Ai) e as

P(B/Ai), mas se desconhece diretamente P(B).
2.5.2- Teorema de Bayes

Com base no Teorema da Probabilidade Total possvel calcular a probabilidade do evento Aj

dada ocorrncia do evento B, pela frmula:
P(A j | B) =

P(A j B)
P(B)

P( A j ) P( B | A j )
P(B)

P( A j ) P( B | A j )
P( A i ) P( B | A i )
i

Esta expresso conhecida como FRMULA DE BAYES (Teorema de Bayes).

EXERCCIOS

2.5.1) De um lote com 20 peas defeituosas e 80 perfeitas so extradas 2 peas, sem

reposio. Determine a probabilidade do evento B={a 2a. pea extrada defeituosa}.
2.5.2) A probabilidade de que um aluno saiba a resposta de certa questo, em um exame de
mltipla escolha p. Das opes de resposta para cada questo, somente uma correta. Se o
aluno no sabe a resposta para a questo, ele seleciona ao acaso uma resposta dentre as m
opes. Se a probabilidade do aluno responder corretamente dado que ele sabe a resposta
0,88; pergunta-se:

23
a) Se o aluno responder corretamente a questo, qual a probabilidade de que ele tenha
chutado a resposta?
b) Se o aluno responder incorretamente a questo, qual a probabilidade de que ele no
tenha chutado a resposta?
c) Se o aluno responder corretamente a questo, qual a probabilidade de que ele no tenha
chutado a resposta?
d) Se o aluno o aluno responder incorretamente a questo, qual a probabilidade de que
tenha chutado a resposta?
2.5.3) Trs candidatos A1, A2 e A3 disputam uma eleio. Uma prvia eleitoral mostra que
suas chances de vencer so respectivamente 0,5, 0,3 e 0,2. As probabilidades de que eles
venham a promover mudanas substanciais caso eleitos so respectivamente 0,7, 0,6 e 0,3 .
Qual a probabilidade de que as mudanas substanciais ocorram, aps a posse do eleito?
2.5.4) Durante o ms de novembro a probabilidade de chuva 0,3. O meu time ganha um jogo
em dia de chuva com probabilidade 0,4 e em dia sem chuva com probabilidade 0,6. Se o meu
time ganha o jogo em novembro, qual a probabilidade de que tenha chovido no dia?
2.5.5) Em um experimento sobre sabor de vinho a uma equipe de 5 especialistas (someliers)
servido um entre 2 vinhos, um do vale do rio S. Francisco (PE/BA) e o outro do vale dos
Vinhedos (RGS). O vinho selecionado por lanamento de uma moeda honesta. Suponha que
cada especialista tenha uma probabilidade de adivinhar corretamente, independentemente
dos outros especialistas. Ento, pergunta-se:
a) Se 4 dos 5 juizes afirmarem que o vinho do Vale do S. Francisco, qual a
probabilidade de que na verdade o vinho gacho tenha sido servido?
b) Nas mesmas condies do item a, qual a probabilidade de que o vinho do Vale do S.
Francisco tenha sido servido?
2.5.6) Cinco em 100 homens so daltnicos e 25 em 1000 mulheres so daltnicas. Uma
pessoa escolhida ao acaso daltnica. Qual a probabilidade de que seja homem?
2.5.7) Suponha que temos duas urnas 1 e 2, cada urna tem duas gavetas. A urna 1 contm uma
moeda de ouro em uma gaveta e uma moeda de prata na outra; enquanto a urna 2 contm uma
moeda de ouro em cada gaveta. Uma urna escolhida ao acaso, a seguir uma de suas gavetas
aberta ao acaso. Verifica-se que a moeda encontrada nessa gaveta de ouro. Qual a
probabilidade de que a moeda provenha da urna 2?
2.5.8) Um saco contm 3 moedas, uma das quais foi cunhada com duas caras, enquanto as
outras duas moedas so normais. Uma moeda tirada ao acaso e jogada quatro vezes em
seqncia. Se sair CARA toda vez, qual ser a probabilidade de que essa seja a moeda de duas
caras?
2.5.9) Em uma fbrica de parafusos, as mquinas A, B e C produziram 25, 35 e 40% do total
produzido, respectivamente. Da produo de cada mquina 5, 4 e 2% respectivamente, so
parafusos defeituosos. Escolhe-se ao acaso um parafuso e se verifica ser defeituoso. Qual ser
a probabilidade de que o parafuso venha da mquina A? da B? da C?
2.5.10) Trs componentes C1, C2 e C3 de um mecanismo so postos em srie (linha reta).
Suponha que esses componentes sejam dispostos em ordem aleatria. Seja R o evento {C2

24
est direita de C1} e seja S o evento {C3 est direita de C1}. Os eventos R e S so
independentes? Por qu?
2.5.11) Jogam-se dois dados. Desde que as faces mostrem nmeros diferentes, qual ser a
probabilidade de que uma face seja 4?
2.5.12) Sabe-se que na fabricao de um artigo, defeitos do tipo D1 ocorrem com
probabilidade 0,1 e defeitos do tipo D2 com probabilidade 0,05, independentemente dos
outros tipos de defeitos. Qual ser a probabilidade de que um artigo no tenha ambos os tipos
de defeitos?
2.5.13) Enuncie e prove o Teorema da Probabilidade Total.
2.5.14) Enuncie e prove o Teorema de Bayes.
2.5.15) Na busca pelo ouro dos Incas os conquistadores espanhis vasculharam todo o Peru,
muitas vezes foram bem sucedidos outras vezes no. Uma vez, certo conquistador se viu sob o
seguinte dilema. Os 1/3 dos incas de uma aldeia que foram interrogados responderam que o
El Dorado estaria no final do caminho na direo nordeste, 1/3 disseram que estaria no final
do caminho na direo leste e 1/3 no final do caminho da direo sudeste. Antes de escolher o
caminho a ser percorrido o conquistador encontrou o Grande Feiticeiro inca. O feiticeiro, que
tudo sabia e podia, afirmou que no final de um dos caminhos realmente existia o El Dorado,
mas no final de cada um dos outros dois existia uma regio povoada por ndios antropfagos,
onas, cobras e com chuvas intensas. Nenhuma expedio, dos incas ou de outro povo, que se
aventurou at o final de qualquer deles teve algum membro de volta. Ento, o feiticeiro
props o seguinte jogo. Independentemente do caminho que o conquistador escolhesse de
incio, ele mostraria num passe de mgica o que havia no final de uma das duas direes no
escolhidas. Mas, mostraria um dos caminhos perigosos para que o conquistador se desse conta
do que o esperava. Ento, o conquistador teria chance de mudar a sua escolha inicial ou
permanecer com ela. Qual a probabilidade do conquistador alcanar a lendria cidade do El
Dorado?

25

3. VARIVEL ALEATRIA
3.1- VARIVEL ALEATRIA
DEF. Uma varivel X em um espao de probabilidade (, A, P) uma funo real definida
no espao , tal que o evento [ X x ] evento aleatrio x R, isto a funo X: R
varivel aleatria se o evento [ X x ] A, x R.
EXEMPLO

Seja uma famlia com duas crianas.

a) Escreva todas as situaes possveis de ocorrer quanto ao sexo das crianas;
b) Associe a cada situao possvel um nmero real;
A funo X() uma varivel aleatria. Associa a cada evento contido no espao amostral
um nmero real.
c) O campo de variao de varivel aleatria X o conjunto {0, 1, 2}.
DEF. VARIVEL ALEATRIA DISCRETA

A v.a. X chamada de DISCRETA quando o seu contradomnio um conjunto finito ou

infinito enumervel, ou melhor, se existe um conjunto finito ou infinito enumervel {x1, x2,
x3, ...} R tal que X() {x1, x2, x3, ...} .
DEF. VARIVEL ALEATRIA CONTNUA

A v.a. X chamada de CONTNUA quando o seu contradomnio um conjunto infinito.

DEF. FUNO DISTRIBUIO OU FUNO DISTRIBUIO ACUMULADA DE
UMA VARIVEL ALEATRIA X

A funo distribuio (f.d.) ou funo distribuio acumulada da v.a. X definida por:

FX(x) = PX(X x).
PROPRIEDADES DA FUNO DISTRIBUIO
1a.) A funo distribuio da v.a. X, FX(x) = PX(X x), no decrescente, isto , se x < y
ento FX(x) < FX(y).
2a.) A funo distribuio da v.a. X, FX(x) = PX(X x), contnua direita, isto , se xn x
FX(xn) FX(x).
3a.) O valor da funo distribuio da v.a. X, FX(x) = PX(X x) em - Fx(-) = 0 e em
FX() = 1, ou seja, se xn - FX(xn) 0 e se xn FX(xn) 1.

26
EXERCCIOS

3.1.1) Prove as trs propriedades da funo distribuio, f.d., ou seja, FX no-decrescente,

contnua direita e que F(- ) =0 e F( ) =1.
3.2 - FUNO DE PROBABILIDADE (f.p.) E FUNO DENSIDADE de
PROBABILIDADE (f.d.p.)

Uma vez que uma v.a. assume um valor do seu contradomnio com uma certa probabilidade,
tem-se que as probabilidades so associadas a valores da varivel aleatria discreta por uma
funo de probabilidade (f.p.) e as probabilidades so associadas a intervalos de valores de
uma varivel aleatria contnua por uma funo densidade de probabilidade (f.d.p.).
DEF. A funo de probabilidade da v.a. X, discreta, representada por P(X=x) = p(x) uma

funo tal que para X() {x1,x2,x3, ...} A, tem-se p(xi) 0 e

p(x ) = 1 .
i

i =1

DEF. A funo densidade de probabilidade da v.a. X, contnua, representada por fX(x) uma

funo tal que fX(x) 0 e

f ( x ) dx = 1 e como a f.d. da v.a. X P(X < x) = FX(x) =

tem-se que f(x) =

f (t )dt

F X ( x)
.
x

DETERMINAO da DISTRIBUIO de PROBABILIDADE da v.a. X.

A distribuio de probabilidades de uma v.a. X fica determinada por qualquer das seguintes
funes. Usa-se, geralmente, a mais apropriada.

A funo distribuio FX;

A funo de probabilidade P(X = x) = p(x);
A funo densidade de probabilidade fx(x);
A funo caracterstica X(x) = E(eitx).

DEF. Seja uma v.a. X, discreta, que assume valores no conjunto {x1, x2, x3, ... ,}. Chama-se
VALOR MDIO ou ESPERANA MATEMTICA de X ao valor: = E(X) =
n

x P( X = x ) .
i =1

DEF. Chama-se VARINCIA da v.a. X ao valor: 2 = V(X) = E[X E(X)]2 =

n

(x
i =1

) 2 P(X = x i ) (no caso discreto).

DEF. A raiz quadrada da varincia da v.a. X denominada desvio padro e definido por =
V(X) .

27
Uma relao muito importante V(X) = E(X2) [E(X)]2, onde E(X2) =

x
i =1

2
i

P(X = x i ) .

Da mesma forma, se a v.a. contnua tem-se a esperana de X dada por E(X) = =

2
2
xf (x)dx e a varincia por E(x - ) = =

( x )

f ( x )dx .

importante observar que a varincia mede a disperso (espalhamento) dos dados em torno
da mdia = E(X) e o desvio padro faz isto tambm, mas na mesma unidade de medida dos
dados.
3.2.1- Distribuio de Probabilidades
Distribuio de Bernoulli

Uma v.a. X tem uma distribuio de Bernoulli com parmetro quando assume apenas os
valores 1 e 0 com probabilidade e (1-), respectivamente. O nmero 1, em geral, representa
sucesso.
EXEMPLOS:

1) Face de uma moeda: cara ou coroa.

2) Sexo de uma criana: masculino ou feminino.
3) Qualidade de uma pea: perfeita ou defeituosa.
A v.a. X chamada varivel de Bernoulli e a probabilidade de sucesso,
PX(x) = PX (X = x) = X (1-)1-x

x = 0, 1 0 < < 1
E( X ) =
Os parmetros de uma varivel de Bernoulli so:
V ( X ) = (1 )
EXERCCIOS:

3.2.1.1) Qual a esperana e a varincia da v.a. X ~ b(1,1/4)?

Distribuio Binomial

Uma v.a. Y tem distribuio binomial com parmetros n e quando assume valores no
conjunto {0, 1, 2, 3, ... ,n} e a sua f.p. dada pela expresso:
E (Y ) = n
n
PY ( y ) = PY (Y = y ) = y (1 ) n y
y

V (Y ) = n (1 )

A v.a. Binomial corresponde ao nmero de sucessos em n provas tipo Bernoulli,

independentes.
EXEMPLOS:

28
1) Y conta o nmero de meninos em uma famlia com n =5 crianas, com = .
2) Y conta o nmero de peas defeituosas em um lote com n = 20 peas, com probabilidade
de defeitos = 0,001.
3) Y conta o nmero de alunos aprovados em Probabilidade I em uma turma com 90 alunos,
com probabilidade = 70% = 0,70.
EXERCCIOS:

3.2.1.2) Qual a esperana e a varincia de uma v.a. com distribuio binomial?

3.2.1.3) De um lote que contm 25 peas das quais 5 so defeituosas, so escolhidas 4 ao
acaso. Seja Y o nmero de defeituosas encontradas na amostra tomada do lote. Estabelea a
distribuio de probabilidade de Y, quando:
a) As peas forem escolhidas com reposio;
b) As peas forem escolhidas sem reposio;
c) Calcule a esperana matemtica de Y no experimento do item a;
d) Calcule o desvio padro de Y no experimento do item a.
3.2.1.4) Seja X uma v.a. Bernoulli com parmetro = 0,80, ou seja, X assume o valor 1 com
probabilidade igual a 0,80 e X assume o valor 0 com probabilidade igual a 0,20.
a) Escreva a expresso da f.p. da v.a. X;
b) Calcule o desvio padro de X.
3.2.1.5) Uma moeda honesta lanada 5 vezes.
a) Qual a probabilidade de ocorrer CARA na 1a. vez?
b) Qual a probabilidade de ocorrer CARA na 2a. vez?
c) Os eventos cara na 1 vez e cara na 2 vez so de que tipo?
d) Qual a probabilidade de ocorrer CARA exatamente 4 vezes nos 5 lanamentos?
e) Qual a probabilidade de ocorrer CARA exatamente 2 vezes nos 5 lanamentos?
f) Qual a probabilidade de ocorrer pelo menos 3 caras nos 5 lanamentos?
g) Qual a probabilidade de ocorrer no mximo 2 caras?
h) Qual a probabilidade de ocorrer 1 ou 3 caras nos 5 lanamentos?
3.2.1.6) Seja X ~ b(10; 0,30). Calcule:
a) P(X = 1);
b) P(X = 2);
c) P(X > 1);
d) P(1 < X < 3);
d) P(X 2);
e) A esperana e o desvio padro de X.

29
Distribuio Hipergeomtrica

Uma v.a. X tem uma distribuio chamada HIPERGEOMTRICA se a sua funo de

probabilidade dada por:
K N K

x n x
PX ( X = x ) =
N

n
x = 0, 1, 2, ... , n

E(X) = n

K= 0, 1, 2, ... , N
n = 1, 2, 3, ... , N

V(X) = n

K
N

K N K N n
N N N 1

N= 1, 2, 3, ...
EXERCCIOS

3.2.1.7) Retiram-se 4 cartas ao acaso de um baralho com 52 cartas, sem reposio. Seja a
varivel X que conta o nmero de reis na amostra.
a) Qual a distribuio da v.a. X?
b) Calcule a probabilidade de no sair rei na amostra.
c) Qual o nmero esperado de reis?
d) Qual o desvio padro da v.a. X?
3.2.1.8) Seja uma lagoa onde existem exatamente N peixes, sendo que deste total K peixes so
de uma certa espcie. Uma rede lanada e so pescados n peixes. Seja a varivel X que
conta o nmero de peixes da certa espcie pescados na rede. Qual a distribuio da varivel
X?
Distribuio de Poisson

Uma v.a. X tem uma distribuio de Poisson quando a sua f.p. da forma:
x . e
P x ( X = x) =
x = 0,1,2,3,...
x!
>0
A esperana e a varincia de X so dadas por E(X) = = e V(X) = 2 =
EXERCCIOS

3.2.1.9) Suponha que o nmero de erros tipogrficos em uma nica pgina de um livro tenha
uma distribuio de Poisson com parmetro =1. Calcule a probabilidade de que:
a) Uma pgina qualquer contenha exatamente 1 erro;
b) Uma pgina qualquer no contenha erros;
c) Uma pgina qualquer contenha pelo menos 1 erro;
d) Uma pgina qualquer contenha 2 ou 3 erros;

30
e) No mximo 1 erro na pgina;
f) Qual o nmero esperado de erros por pgina?
g) Qual o desvio padro do nmero de erros por pgina?
3.2.1.10) Seja X ~ P(2), portanto = 2. Calcule:
a)
b)
c)
d)

P x (2 x 4) ;
PX ( x 1) ;
P x (1 x 3) ;
A esperana e a varincia da v.a. X.

3.2.1.11) Um PBX recebe uma mdia de 5 chamadas por minuto. Supondo que as chamadas
que chegam constituam uma distribuio de Poisson.
a) Calcule a probabilidade de no receber chamadas durante um intervalo de 1 minuto.
b) Calcule a probabilidade de se obter no mximo 2 chamadas em 4 minutos ( = 20);
c) Calcule a probabilidade de se obter exatamente 2 chamadas em 4 minutos;
d) Calcule a probabilidade de se obter no mximo 2 chamadas em 10 minutos ( = 50);
e) Qual o nmero esperado de chamadas em um perodo de 4 minutos?
Distribuio Normal (Gaussiana)

Uma v.a. X tem distribuio Normal ou Gaussiana quando a sua f.d.p. tem a forma:
fX(x) =

1
2

( x ) 2
2 2

x , e +

Na distribuio Normal a probabilidade da v.a. X assumir um valor entre a e b (a < b) dado

b

por:

P(a < X < b) =

f ( x)dx
a

Como difcil trabalhar-se com todos os membros da famlia Normal, prefere-se trabalhar
com a Normal Reduzida ou Normal Padro. Esta v.a. representada por Z e tem a seguinte
f.d.p.
z2

1 2
e
z
fZ(z) =
2
A distribuio de Z tem mdia e varincia iguais a, respectivamente, = 0 e 2 = 1 e essa
v.a. obtida da transformao Z = (X - )/, onde X ~ N(, 2).
EXERCCIOS

3.2.1.12) Seja a v.a. X ~ N (10,4). Calcule:

a)
b)
c)
d)

P(8 < X < 10),

P(X 12),
P(X 5) e P(11 < X < 13);
Qual a mdia e a varincia da varivel X;
Calcule P(| X-10| 1);
Calcule P(|X-5| 2) .

31

3.2.1.13) O peso dos frangos de corte criados em um galinheiro pode muito bem ser
representado por uma distribuio normal, com mdia de 2,0 kg e desvio padro de 0,1 kg.
Um frigorfico comprou 4.000 desses frangos e pretende classific-los de acordo com o peso
do seguinte modo: 20% dos mais leves como pequenos, os 50% seguintes como mdios, os
20% seguintes como grandes e os 10% mais pesados como extras. Quais os limites de peso
para cada classificao?
Distribuio Qui-quadrado

Uma v.a. X tem distribuio Qui-quadrado com n graus de liberdade (G.LS). Quando a sua
f.d.p. dada por:
n

1 1 2 2 1 2 x
. . x . e
x>0
f x ( x) =
n 2
( )
2

n
n
n N * e ( ) o valor de funo gama no ponto
( (m) = x m 1e x dx ) m > 0 e no caso
2
2
0
1
2

de m inteiro tem-se (m+1) = m! e (m+ ) =

1.3.5.......(2m 1)
2m

A v.a. Qui-quadrado tem por mdia o nmero de graus de liberdade ( = n) e por varincia
duas vezes o nmero de graus de liberdade, 2 = 2n.
EXERCCIOS:
2
) com 10 G.LS., calcule:
3.2.1.14) Seja X uma v.a. com distribuio Qui-quadrado (X ~ 10
a) P(X < 18,31);
b) P(X > 18,31);
c) P(X 6,74);
d) P(3,25 X 20,48) ;
e) P(3,94 X 18,31) ;

3.2.1.15) Seja X uma varivel com distribuio qui-quadrado com 20 G.LS. Determine:
a) P(8,26 X 37,57) ;
b) P(9,59 X 34,17) ;
c) P(X >23,83);
d) P(X <34,17);
e) O valor de X nas figuras que o professor desenhar no quadro negro.
3.2.1.16) Qual a esperana e a varincia da v.a. X ~ 2 com o nmero de graus de liberdade
= 15.
Distribuio t de Student

32
Sejam as variveis Z ~ N(0,1) e U ~ 2. Ento a v.a. T =

Z
tem distribuio t de
U

Student com graus de liberdade. A v.a. T tem mdia E(T) = = 0 e varincia V(T) = 2 =

, e muito parecida com a Normal Padro. Tem a varincia um pouco maior. A f.d.p. da

v.a. T ~ t dada por:

[( + 1) / 2] 1
f(t) =
( / 2)

1
(1 +

t
)

+1
2

, t R e >0,

= E(T) = 0 e V(T) =

>2
2

EXERCCIOS

n
2 (varincia amostral) a estimativa de 2 com
n 1
X
base em uma amostra com n observaes, ento a varivel T =
tem distribuio t n 1 ,
s
ou seja, T ~ tn-1. Neste caso, se o tamanho da amostra n = 11, calcule:

3.2.1.17) Se X ~ N( , 2 ) e se s2 =

a) P(-2,23 T 2,23) ;
b) P(T >2,76);
c) P(-1,813 T 1,813) .
3.2.1.18) Seja a v.a. T ~ t 20 ,calcule:
a)
b)
c)
d)

P(T >2,53);
P(T > 1,725);
P(T < -2,53);
P(T < -1,725).

Distribuio F de Snedecor

Seja U uma varivel X 2m e V uma varivel X 2n . Ento a varivel X =

U /m
tem distribuio F
V /n

de Snedecor com m e n G.Ls. A esperana e a varincia da v.a. X so E(X) = =

2

V(X) = 2 =

[(m + n) / 2] m m / 2
x ( m 2) / 2
( )
(m / 2)(n / 2) n
[1 + (m / n) x] ( m + n ) / 2

2 n 2 ( m + n 2)
m(n 2) 2 (n 4)

n
n2

n>

. A f.d.p. da v.a. X f(x) =

x > 0 e m, n = 1,2,3, .......

EXERCCIOS

3.2.1.19) Escreva a f.d.p. da v.a. X, que tem distribuio Fm,n com m = 10 e n = 5 g.ls.
3.2.1.20) Escreva a esperana e a varincia da v.a. do exerccio anterior.

33

EXERCICIOS:

3.2.1.21) A distribuio da v.a. X que corresponde ao tamanho de sementes utilizadas na dieta

de uma espcie particular de pardal, segue aproximadamente a distribuio Normal com
mdia 1,5mm e varincia 0,99. Calcule P(X 1,9).
3.2.1.22) Suponha que a v.a. que representa o valor do Q.I. siga uma distribuio Normal, em
uma populao definida, com mdia 100 e desvio padro 15. Qual a proporo da populao
que ter Q.I. menor do que 90? Qual proporo da populao que ter Q.I. maior do que 145?
E qual ser a proporo daqueles que tero Q.I. entre 120 e 140?
Distribuio Uniforme no intervalo (a, b)

A varivel U tem distribuio Uniforme no intervalo (a, b) se a sua f.d.p. dada por
1
. A mdia e a varincia dessa v.a. so dadas, respectivamente por E(U) = =
fU (u) =
ba
(a+b)/2 e V(U) = 2 = (b-a)2/12.
EXERCCIOS

3.2.1.23) Qual a mdia e a varincia da distribuio Uniforme no intervalo (10, 30)?

3.2.1.24) Escreva a f.d.p. da v.a. U ~ U(0,1). Para que serve especificamente essa
distribuio? Qual a sua mdia e sua varincia?
3.2.1.25) Esboce o grfico da f.d. da v.a. X ~ b(4, ).
3.2.1.26) Esboce o grfico da f.d. de uma v.a. X contnua, qualquer.
3.2.1.27) Seja Y = F(x) a f.d. da v.a. X. Mostre que Y ~ U (0,1).
3.2.1.28) Seja Y ~ b(1, ). Escreva a f.p. de Y e mostre que P(Y = y) realmente uma f.p.
3.2.1.29) Verifique se f(x) realmente uma f.d.p. e faa o grfico da funo usando um
b
programa estatstico, sendo a funo f(x) = abxb-1 e ax x R+ a, b R+ (Weibull).
Soluo:

f ( x)dx = 1 (Condio para f.d.p.)

b 1 ax
ax
abx .e dx = e

= e e 0 = 1

Distribuio Exponencial com Parmetro

A v.a. X tem distribuio Exponencial com parmetro se a sua f.d.p. dada por f(x) = e-x
x > 0 > 0. A mdia e a varincia dessa v.a. so dadas, respectivamente por, E(X) = = 1/
e V(X) = 1/2.

34
EXERCCIOS

3.2.1.30) Seja a v.a. X que tem distribuio Exponencial com parmetro , X ~ ().
a)
b)
c)
d)
e)
f)

Escreva a f.d.p. da v.a. X;

Determine a f.d. de X;
Determine se realmente f(x) f.d.p e F(x) f.d..
Determine a esperana e a varincia da v.a. X;
Faa o grfico da f.d.p de X e da f.d. de X;
Dada a f.d. F(x) = 1 - e x , x > 0 e > 0, determine a f.d.p. da v.a. X.

3.2.1.31) Suponha uma caixa com D peas defeituosas e N-D peas perfeitas. Sejam os
experimentos seguintes:
1) Extrair n < N peas da caixa com reposio das peas;
2) Extrair n<N peas da caixa sem reposio das peas.
Seja a v.a. X que conta o nmero de peas defeituosas presentes na a.a.
a) Qual a distribuio de probabilidade de X quando se faz o experimento 1?
Soluo:
A varivel aleatria X tem distribuio de probabilidade binomial com f.p. dada
x
n x
n D N D

por P ( X = x) = . .
, x = 0, 1, 2, ..., n.
x N N
b) Qual a distribuio de probabilidade de X quando se faz o experimento 2?
R.: A varivel aleatria X tem distribuio de probabilidade hipergeomtrica com f.p. dada
D N D
.

x n x

, x = 0, 1, 2,..., n; 0 x D e 0 x n.
por P(X = x ) =
N

n
3.2.1.32) Seja a v.a. X com densidade fX(x) e seja a v.a. Y = bX+c, onde b > 0 e c R.
1
yc
) y R. Prove esta proposio.
Ento a v.a. Y tem densidade fY(y) = fX (
b
b
Prova:
Usando o Mtodo do Jacobiano, tem-se que fY(y) = fX(g-1(y)). |Jg(g-1(y))|. Se Y =
yc
yc
1
dx 1
e Jg(g-1(y)) =
= . Assim, fY(y) = fX(
). | | e, como b
bX + c, ento, g-1(y)=
b
dy b
b
b
yc
1
).
> 0, Y tem densidade fY(y) = .fX(
b
b
3.2.1.33) Qual o nome que dado para cada um dos parmetros c e b?
3.2.1.33A) Seja a v.a. com f.d.p. f(x) =

1
2

1
x2
2

x R, determine a f.d.p. de Y = +X.

35

3.2.1.34) Verifique se a funo f(x) = 1 com o intervalo [0,1] como contradomnio da v.a. X
f.d.p. (distribuio Uniforme (0, 1)).
3.2.1.35) Verifique se a funo f(x) = e-x com > 0 e x > 0 f.d.p. (Exponencial com
parmetro ).
3.2.1.36) Verifique se a funo f(x) =

1 e
2

| x |

com x R, R e R+ f.d.p.

(distribuio de Laplace ou exponencial dupla). Mostre que E(X) = e V(X) = 22.

Distribuio Lognormal

Uma v.a. X tem distribuio Lognormal quando a funo de X, Y= ln(X), tem distribuio
Normal. A f.d.p. da v.a. X com distribuio Lognormal :
f(x) =

x 2

1
2
e 2 2 (ln(x ) ) com x R+, R e R+
-

E(Y) = E(ln(X)) =

V(Y) = V(ln(X)) = 2.

Exerccios

.
2

3.2.1.37) Mostre que e x dx =

2

3.2.1.38) Mostre que (1/2) =

3.2.1.39) Verifique se a funo f(x) =

2
e- 2 2 (ln( x) ) com x R+, R e R+

x 2
uma f.d.p. (dist. Lognormal).
3.2.1.40) Mostre que E(Y) = E(ln(X)) = e V(Y) = V(ln(X)) = 2.
3.2.1.41) Mostre que existem as seguintes relaes entre os parmetros de Y, ( e 2) e os
parmetros de X, ( e ):
1

V(Y) = V(ln(X)) = 2 = ln[1+( )2] e = ln() - 2

2
ln(b)
)3.2.1.42) Mostre que se X tem distribuio lognormal, ento P(a < X < b) = (

ln(a )
(
), onde E(ln(X)) = e V(Y) = V(ln(X)) = 2.

3.2.1.43) Mostre que E(X) = e

1
(+ 2 )
2

e V(X) = e ( 2 + 2 ) e ( 2 + ) .

3.2.1.44) A v.a. Z tem distribuio de probabilidade conhecida como Normal Padro, ou seja,
Z ~ N(0,1) se a sua f.d.p. f(z) =
Prova:

1
2

e- 2 z

z R. Prove que f(z) realmente uma f.d.p.

36

Seja A =

.e

1
z2
2

dz , ento A =

1
2

.e

1
z2
2

dz .

1
2

.e

1
w2
2

dw ,

( z 2 + w2 )
1
2
.
e
dzdw
A =
2
Fazendo a troca z = r.sen e w = r.cos, tem-se que
1
2
r2
1
2
A =
.re 2 d dr
2 0 0

A2 =

re

1
r2
2

dr = 1

Assim,

A=

1
2

.e

1
z2
2

dz = 1

3.2.1.45) Um resultado muito importante na gerao de nmeros aleatrios o seguinte: Seja

Y = FX(x) a f.d. da v.a. X, ento Y tem distribuio Uniforme 0-1, ou seja, Y ~ U(0,1).
a) Prove este resultado.
b) Faa o grfico de Fx(x) e tambm de f(y).
3.2.1.46) Seja o experimento onde se conta o nmero de provas Bernoulli at a ocorrncia do
primeiro sucesso (inclusive). Esse experimento pode ser, p.ex., aquele onde se est
interessado no nmero de amostras a serem tomadas de um processo produtivo at que ocorra
da mdia amostral ficar fora dos limites de controle do processo. Suponha que a probabilidade
de sucesso seja .
a) Escreva o contradomnio da v.a. X que conta o nmero de provas at o sucesso;
R: x = 1, 2, 3, ...
b) Escreva a f.p. da v.a. X e o nome da distribuio dessa v.a.;
R: A varivel X tem uma distribuio geomtrica com funo de probabilidade dada
por P(X = x) = (1 )(x 1) x = 0, 1, 2, 3, ....
c) Verifique se a funo que voc escreveu no item anterior realmente uma f.p.;
Soluo:
0 1 e 0 (1 )(x 1) 1 0 .(1 )(x 1) 1 0 P(X = x) 1

(1 )( x 1) . = . (1 )0 + (1 )1 + (1 )2 + ... = . 1 = 1
(
)
P
X
x
=
=

x =1
x =1
1 (1 )

3.2.1.47) Seja X uma v.a. que tem distribuio Bernoulli com parmetro , ou seja, X ~
b(1,).
a) Escreva a f.p. da v.a. X;
b) Verifique se a funo do item anterior realmente uma f.p.;
c) Faa o grfico de p(x).

37
3.2.1.48) Seja Y uma v.a. que conta o nmero de sucessos em n provas do tipo Bernoulli. A
distribuio dessa v.a. conhecida como Binomial n - , ou seja, Y ~ b(n,).
a) Escreva a f.p. da v.a. Y;
b) Prove que a funo que voc escreveu realmente uma f.p.
1 | 1 x | 0 < x < 2
.
0
c/c

3.2.1.49) Seja a funo definida por f(x) =

a) Verifique se a funo f(x) realmente uma f.d.p.;

R:
O conjunto imagem da funo dado por Im(f) = {y IR/ 0 y 1}

f ( x)dx = [1 | 1 x |]dx = [1 (1 x)]dx + [1 ( x 1)]dx =

0

1 1
+ =1
2
2
0
1
b) Faa o grfico de f(x) usando um programa estatstico;
c) Faa o grfico da f.d. F(x) usando um programa estatstico.
= x dx + (2 x) dx =

3.2.1.50) Seja Y uma v.a. com distribuio Uniforme no intervalo (a, b).
a)
b)
c)
d)
e)
f)

Escreva a f.d.p. de Y;
Verifique se a funo que voc escreveu realmente f.d.p.;
Determine a f.d. de Y;
Verifique se a funo que voc determinou realmente f.d.;
Determine a f.d.p. de Y a partir da f.d. F(y);
Faa os grficos: da f.d.p e da f.d. de Y.

3.2.1.51) Seja X uma v.a. com distribuio Exponencial com parmetro .

a)
b)
c)
d)
e)

Escreva a f.d.p. da distribuio da v.a. X;

Verifique se a funo que voc escreveu realmente uma f.d.p.;
Determine a f.d. da v.a. X;
Verifique se a funo que voc determinou, em c, realmente f.d.;
Faa os grficos: de f(x) e de F(x).

3.2.1.52) Suponha uma caixa com D peas defeituosas e N D peas perfeitas. Sejam os
experimentos seguintes:
10.) Extrair n < N peas da caixa com reposio da pea anteriormente extrada;
20.) Extrair n < N peas da caixa sem reposio da pea anteriormente extrada.
Seja a v.a. X que conta o nmero de peas defeituosas presentes na amostra aleatria.
a)
b)
c)
d)

Qual a distribuio de X quando se faz o 10. experimento? Determine a f.p.;

Qual a distribuio de X quando se faz o 20. experimento? Determine a f.p.;
Verifique se a funo do item a realmente f.p.;
Verifique se a funo do item b realmente f.p.

38
3.2.1.53) Um lago profundo lago azul possui N peixes, sendo K de certa espcie. Um
pescador est autorizado a pescar cinco peixes com anzol.
a) Qual a probabilidade do pescador pescar exatamente um peixe da tal espcie?
b) Qual a probabilidade do pescador no pescar peixes da tal espcie?
3.2.1.54) Diz-se que o vetor X = [X1, X2, ..... ,Xk] tem distribuio multinomial com
parmetros p1, p2, ... ,pk e n onde pi (0,1) e

= 1 se p(x1,x2, ... xn) = P(X1 = x1, X2 = x2,

i =1

.... , Xk = xk) =

n!
x
p x1 p x2 ..... p k k
x1! x 2 !......x k ! 1 2

negativos e independentes tais que

para toda escolha de x1, x2, ... ,xk inteiros no-

= n.

i =1

a) Jogando-se um dado 12 vezes, qual a probabilidade de se obter exatamente uma vez a face
1, duas vezes a face 2, trs vezes a face 3, uma vez a face 4, duas vezes a face 5 e trs
vezes a face 6?
R:
12! 1
.
1!2!3!1!2!3! 6
P(X1=1,X2=2,X3=3,X4=1,X5=2,X6=3) = 0,00153
P(X1=1,X2=2,X3=3,X4=1,X5=2,X6=3)=

1 1 1

6 6 6

1 1

6 6

b) Uma caixa contm 5 bolas vermelhas, 4 brancas e 3 azuis. Extrai-se uma bola ao acaso,
anota-se a cor e repe-se a bola de volta na caixa. Determine a probabilidade de que, de 6
bolas extradas, 3 sejam vermelhas, 2 brancas e uma azul.
R:
3

P(X1=3,X2=2,X3=1) =

6! 5 4 3
. = 0,1206
3!2!1 12 12 12

c) Prove de acordo com o enunciado do problema que Xi ~ b(12, pi).

3.3. ESPERANA E VARINCIA DE UMA VARIVEL ALEATRIA

3.3.1. Definies
DEF. Seja uma v.a. X, discreta, que assume valores no conjunto {x1, x2, x3, ... ,}. Chama-se
VALOR MDIO ou ESPERANA MATEMTICA de X ao valor: = E(X) =
n

x P( X = x ) .
i =1

DEF. Chama-se VARINCIA da v.a. X ao valor: 2 = V(X) = E[X E(X)]2 =

n

(x
i =1

) 2 P(X = x i ) (no caso discreto).

39
DEF. A raiz quadrada da varincia da v.a. X denominada desvio padro e definido por =
V(X) .

Uma relao muito importante V(X) = E(X2) [E(X)]2, onde E(X2) =

x
i =1

2
i

P(X = x i ) .

Da mesma forma, se a v.a. contnua tem-se a esperana de X dada por E(X) = =

2
2
xf (x)dx e a varincia por V(X) = E(X-) = =

( x )

f ( x )dx .

importante observar que a varincia mede a disperso (espalhamento) dos dados em torno
da mdia = E(X) e o desvio padro faz isto tambm, mas na mesma unidade de medida dos
dados.
DEF. Se as v.as X e Y no so independentes, existe uma diferena entre E(X.Y) e
E(X).E(Y), esta diferena chamada de covarincia e definida por cov(X,Y) = E[(XE(X)).(Y-E(Y))] e se cov(X,Y) = 0, as v.as so chamadas de no-correlacionadas.
DEF. A covarincia entre as v.as X e Y padronizadas chamada de coeficiente de correlao
X E ( X ) Y E (Y )
= E[(
)]
)(

EXERCCIOS

3.3.1) Mostre que:

a) cov(X,Y) = E(X.Y) - E(X).E(Y)
b) realmente covarincia entre v.as padronizadas;
c) -1 1
d) (X,Y) = 1 se e somente se P(Y = aX+b) = 1 a > 0 e b R.
e) (X,Y) = -1 se e somente se P(Y = aX+b) = 1 a < 0 e b R.
3.3.2) Seja X uma varivel de Bernoulli, ou seja, X = 1 com probabilidade e X = 0 com
probabilidade 1 - .
a) Escreva a f.p. da varivel X;
b) Determine a esperana matemtica de X;
c) Determine a varincia de X;
d) Determine o desvio padro de X.
3.3.3) Sabe-se que uma determinada moeda apresenta cara 3 vezes mais freqentemente que
coroa. Essa moeda jogada 3 vezes; seja Y o nmero de caras que aparece.
a) Estabelea a distribuio de probabilidade (f.p.) de Y.
R:
y
( 3 y )
3 3 1
P(Y = y) =
, y = 0, 1, 2, 3.
y 4 4
b) Estabelea a Funo Distribuio (f.d.).

40
y

3 3 1
R: FY(k) = P(Y k) =
y = 0 y 4 4
k

( 3 y )

y = 0, 1, 2, 3.

c) Construa os grficos da f.p. e da f.d. da v.a. Y, usando um programa estatstico.

d) Determine a esperana (mdia) e a varincia da varivel Y.
R:
3 9
E(Y) = n = 3. = = 2,25
4 4
V(Y) = n..(1 ) =3.3/4.1/4 = 9/16 = 0,5625.
e) Determine o desvio padro da varivel Y.
R:
Y = V (Y ) = 0,5625 = 0,75
3.3.4) Uma sacola contm 3 moedas de prata e 1 de ouro. Retiram-se sucessivamente 3
moedas da sacola com reposio, olhando se ela de prata ou de ouro.
a) Descreva o espao amostral do experimento.
b) Seja a varivel aleatria X() que associa com um nmero real a quantidade de moedas de
ouro ocorridas no experimento, quais os valores que X() pode assumir?
c) A varivel X discreta ou contnua, por qu?
d) Escreva na tabela anterior uma coluna com a distribuio de probabilidade da varivel X
(Funo de Probabilidade).
e) Faa o grfico da funo de probabilidade.
f) Escreva na tabela anterior uma coluna com a Funo Distribuio da varivel aleatria X.
g) Faa o grfico da f.d.
h) Calcule a esperana e a varincia da varivel X.
i) Calcule o desvio padro da varivel X.
3.3.5) Seja uma famlia com 4 crianas e seja a varivel X que associada a um nmero de
crianas com olhos azuis na famlia. Sabe-se que nesta famlia a probabilidade de crianas
nascerem com olhos azuis de .
a) Calcule a probabilidade de no existir crianas com olhos azuis na famlia, ou de uma
criana com olhos azuis, ou duas crianas, ou trs crianas, ou quatro crianas.
b) Escreva a funo de probabilidade da varivel X, PX, e a funo distribuio.
c) Calcule a esperana e a varincia de X.
d) Calcule o desvio padro de X.
3.3.6) Classifique as variveis abaixo relacionadas em discreta ou contnua:
a) A varivel X correspondente ao nmero de filhos de um casal,{0,1,2,3,...}.
b) A varivel Y correspondente altura de uma pessoa adulta.
c) A varivel E correspondente ao erro de uma medida fsica.
d) A varivel W correspondente ao nmero de pessoas que chegam em casa s 9h.
e) A varivel T correspondente ao tempo de espera em fila de banco.
f) A varivel Z correspondente durao de uma lmpada eltrica.
3.3.7) Prove a relao V(X) = E(X2) - [E(X)]2, para o caso de X ser uma v.a. contnua.
Soluo:

41

(x )

V (X ) =

f ( x) dx

2
x f ( x) dx 2 X

V (X ) =

x. f ( x) dx + X

f ( x) dx

V ( X ) = E ( X 2 ) 2 X X + X .1 = E ( X 2 ) X = E(X2) [E(X)]2
2

3.3.8) A definio de Esperana Matemtica em termos da integral de Stieltjes E(X) =

xdF

(x) =

xf ( x)dx , ento prove a seguinte proposio: E(X) = [1 F ( x)]dx - F ( x)dx .

3.3.9) A proposio do exerccio 3.3.8 tem um corolrio muito importante, que : se a v.a. X
assume apenas valores no-negativos, ou seja, X() > 0 , ento F(x) = 0 para x < 0 e

[1 F ( x)]dx

P( X > x)dx . Prove esse corolrio.

0

3.3.10) Enuncie e demonstre as principais propriedades de Esperana Matemtica.

3.3.11) Enuncie e demonstre as principais propriedades da varincia.
3.3.12) Determine a esperana da v.a. X ~ E() partindo do corolrio enunciado
anteriormente.
3.3.13) A proposio do exerccio 3.3.10 tem um segundo corolrio, tambm muito
importante, que : se a v.a. X assume apenas valores interios no-negativos, ou seja, X() >
0 , ento F(x) = 0 para x < 0 e E(X) =

P( X > x)

x =0

P( X x) . Prove este segundo

x =1

corolrio.
3.3.14) Seja a v.a. X com distribuio Geomtrica, ou seja, X ~ G().
a) Determine a esperana de X usando o corolrio enunciado anteriormente;
b) Determine a esperana de X usando a forma clssica.
3.3.15) Dada a f.d.p. f(x) = 1 com o intervalo [0,1] como contradomnio de X. Determine:
a)
b)
c)
d)

A esperana de X;
A varincia de X;
A esperana de X2;
O desvio padro de X.

3.3.16) Dada a v.a. X com f.d.p. f(x) =

1
2

e-

| x |

com x R, R e R+ f.d.p.

(distribuio de Laplace ou exponencial dupla). Determine:

a) A esperana de X;

42
b) A varincia de X.
3.3.17) Calcule o desvio padro da v.a. X do exerccio anterior.
3.3.18) A v.a. Z tem distribuio de probabilidade conhecida como Normal Padro, ou seja, Z
~ N(0,1) se a sua f.d.p. f(z) =

1
2

e- 2 z

z R. Determine:

a) A esperana de Z;
Soluo:
1
1

z2
z2
1
1
2
.e 2 dz =
z
.
e
dz
E(Z) = z.

2
2

(z).e
2

E(Z) =

E(Z) =

z.e

1
z2
2

1
z2
2

dz +

dz +

1
2

z.e

1
z2
2

dz

z.e

1
z2
2

dz

E(Z) = 0
Ou, ainda, usando a distribuio normal no padronizada e propriedades da esperana:
X X
1
1
E(X - X) =
[E(X) - X] = 0
E(Z) = E(
)=
X
X
X
b) A varincia de Z;
Soluo:
V(Z) = E(Z2) [E(Z)]2
1

z2
1
2
z .e 2 dz 0 2
V(Z) =

2
Integrando por partes, tem-se que.
V(Z) = 1
Ou, usando a normal no padronizada e propriedades da varincia:
X X
1
1
1
2
=
V(Z) = V
.V ( X X ) =
.V ( X ) =
. X = 1
2
2
2
X
X
X X
c) O desvio padro de Z.
R:
Z = V (Z ) = 1 = 1
3.3.19) Uma v.a. X tem distribuio Normal ou Gaussiana, ou seja, X ~ N(, 2). Determine:
a) A esperana de X;
Soluo:
Inicialmente calcula-se a funo geratriz de momentos da distribuio Normal:

MX(t) =

tx

.e

( x )2

dx

Fazendo-se a mudana x = y + 2t + tem-se,

43

MX(t) =

t ( y + t + )

MX(t) = e

2 2

t + t

2 2

t + t

2
1
2

.e

.e

y2

( y + 2 t ) 2

2 2

dy

dy

MX(t) = e
Assim, tem-se que MX(t) = ( + 2t)MX(t) e MX(t) = [2 + ( + 2t)2]MX(t), ento
E(X) = MX(0) =
b) A varincia de X;
Soluo:
Sabe-se que
E(X2) = MX(0) = 2 + 2
Ento
V(X) = E(X2) [E(X)]2
V(X) = 2 + 2 2 = 2
c) O desvio padro de X.
R:

X = V (X ) = 2 =
1 | 1 x | 0 < x < 2
.
0
c/c

3.3.20) Seja a v.a. com f.d.p. definida por f(x) =

a) Calcule a esperana de X;
b) Calcule a varincia de X;
c) Calcule o desvio padro de X.

3.3.21) Seja Y uma v.a. com distribuio Uniforme no intervalo (a, b).
a) Calcule a esperana de Y;
b) Calcule a varincia de Y;
c) Calcule o desvio padro de Y.
3.3.22) Seja X uma v.a. com distribuio Poisson com parmetro .
a) Calcule a esperana de X;
b) Calcule a varincia de X;
c) Calcule o desvio padro de X.
3.3.23) Suponha uma caixa com N peas, sendo D peas defeituosas e N D peas perfeitas.
Sejam os experimentos seguintes:
10.) Extrair n < N peas da caixa com reposio da pea anteriormente extrada;
20.) Extrair n < N peas da caixa sem reposio da pea anteriormente extrada.
Seja a v.a. X que conta o nmero de peas defeituosas presente na amostra aleatria.

44
a)
b)
c)
c)

Determine a esperana de X quando se faz o 10. experimento;

Determine o desvio padro de X quando se faz o 10. experimento;
Determine a esperana de X quando se faz o 20. experimento;
Determine o desvio padro de X quando se faz o 20. experimento.

3.3.24) Seja a v.a. X relacionada ao tempo de espera entre ocorrncias de um Processo de

Poisson com parmetro . Qual a distribuio de probabilidade dessa v.a.?
3.3.25) Seja a v.a. Y que conta o nmero de provas tipo Bernoulli at a ocorrncia do sucesso
(tempo de espera at a ocorrncia do sucesso). Qual a distribuio de probabilidade dessa
v.a.?
3.3.26) Seja Y uma v.a. com distribuio Gama com parmetros e , ou seja, Y ~ (,).
a) Escreva a f.d.p. de Y;
R:
A funo densidade de probabilidade da v.a. Y dada por
1 y

y e ,y >0

, onde a funo gama definida por (n) = t n 1e t dt , n>0.

f ( y ) = ( )
0
0 , y 0

b) Determine a esperana e a varincia de Y;

c) Mostre a condio para a qual a Gama torna-se uma Exponencial;
Prova:
Fazendo-se = e = 1, a funo gama (1, ) torna-se a funo exponencial fX(x) =
.e-y, y > 0 e > 0.
d) Mostre as condies para as quais a Gama torna-se uma Qui-quadrado (na verdade tanto a
Exponencial quanto a Qui-quadrado so membros da ilustre famlia Gama).
Prova:
Fazendo-se = /2 e = 1/2, a funo gama (/2,1/2) torna-se a funo Qui

1 1 2 2 1 2 y
quadrado com graus de liberdade fY(y) =
. . y .e , y > 0 e > 0.
2

2
1

3.3.27) Uma v.a. X tem distribuio Logstica se a sua f.d. tem a forma F(x) =
1+ e

R, R e > 0.
a) Obtenha a f.d.p. de X;
Soluo:
x

dF ( x)
1

fX(x) =
e
.
=
2
x
dx

1 + e

1
.

( x )

45
x

1
e
fX(x) = .
2
x

1 + e

x R, R e > 0.

b) Determine a mdia e a varincia de X;

Soluo:
A mdia ser obtida considerando-se, sem perda de generalidade, = 1.

x.e x
dx
E(X) =
x 2
(
1
+
)
e

Fazendo-se a troca 1 e(x ) = t, tem-se que x = + ln(t 1) e dx = [1/(t 1)] dt, logo

[ + ln(t 1)] dt = t 2 dt + t 2 . ln(t 1) dt = + t 2 . ln(t 1) dt

E(X) =
1
1
1
t2
1
Considerando-se u = ln(t 1) e dv = t-2 dt e integrando por partes, tem-se

ln(t 1)
1
dt

E(X) =
t
t (t 1)
1
1
1
1
=
, ento
Usando-se fraes parciais, pode-se observar que
+
t (t 1)
t
t 1

ln(t 1)
ln(t 1)
1
1
E(X) =
+
dt +
dt =
ln(t ) + ln(t 1)
t
t
(t 1)
t
1
1

1
E(X) = + ln(t 1)1 ln(t )
t
1
Assim, tomando-se o limite, conclui-se que E(X) = e de forma semelhante encontra-se

2 2

V(X) =

3
c) Verifique se a f.d.p. simtrica em torno de algum valor;
Soluo:
Usando a f.d.p., possvel verificar se a distribuio simtrica em torno de k. Assim,
se f(k + x) = f(k x) o valor k deve satisfazer a igualdade adiante,
k + x

k x

1
1
e
e
.
= .
2
2
K + x
K x

1 + e
1 + e

e fazendo as simplificaes necessrias, pode-se escrever:

e

1+ e
e

.e

+e

.e

1+ e

=1+ e

.e

.e

.e

=1 e

46

x
x

. 1 e
= 1 e

= 1 = e0

=0 k =

Logo, a distribuio simtrica em torno de a sua esperana matemtica.

3.3.28) Uma v.a. X tem distribuio de Pareto se a sua f.d.p. tem a forma f(x) =
> 0 e x0 < x <
a) Prove que f(x) uma f.d.p.;
b) Determine a f.d. de X;
c) Determine a E(X);
d) Determine o desvio padro = V ( X ) .

x 0
x0 > 0,
x +1

3.4. ESPERANA DE FUNES DE VARIVEL ALEATRIA E

DESIGUALDADES
3.4.1 Esperana de uma Funo de Varivel Aleatria
Seja Y = (x) uma funo real mensurvel da v.a. X, assim Y = (x) tambm uma v.a. e sua
esperana dada pela proposio enunciada no exerccio 3.3.10:

E(Y) = E[(x)] =

[1 F ( x ) ( x)]dx

( x ) ( x ) dx

E, pode-se provar usando argumentos da Teoria da Medida que essa esperana dada por
E(Y) = E[(x)] = ydF ( x ) ( y )dx = ( x) F X ( x)dx e a existncia de uma das integrais implica na
existncia da outra e na igualdade das duas.
EXEMPLO 1
Seja X uma v.a. com distribuio Exponencial com parmetro , X ~ E(), e Y uma outra v.a.
funo de X, Y = 2X. A esperana de Y dada por:

E(Y) = ( x)dF X ( x) = 2 xf ( x)dx = 2 x e x = 2E(X) = 2/

EXEMPLO 2
Seja X uma v.a. com distribuio Poisson com parmetro , X ~ P() e Y uma outra v.a.
funo de X, Y = 2+X. A esperana de Y dada por:

E(Y) =

x =0

3.4.2

( x) P( X = x) = (2 + x)
x =0

x e
x!

= 2
x =0

x e
x!

Desigualdades

DESIGUALDADE BSICA DE TCHEBYCHEV

x
x =0

x e
x!

= 2.1 + E(X) = 2 +

47
Seja X uma v.a. no-negativa (X > 0), ento > 0, P(X > ) <

E(X).

Prova:

F(x)
1 FX(-)
F(-)

1 FX(-) = P(X > ) e E(X) =

P( X > x)dx

> P(X > ), logo P(X > ) <

E(X)

DESIGUALDADE CLSSICA DE TCHEBYCHEV

Seja X uma v.a. integrvel, ento > 0, P(|X E(X)| > ) <

V(X).

Prova:
Subtraindo E(X) de X e elevando ao quadrado, na desigualdade bsica tem-se:

P(|X E(X)| > ) = P[(X E(X))2 > 2] <

E(X E(X))2 =

V(X).

DESIGUALDADE DE MARKOV

Seja X uma v.a. qualquer ento, ento k > 0 tem-se P(|X| > ) <

E | X |k

> 0.

Prova:

P(|X| > ) = P(|X|k > k)<

E | X |k

> 0.

DESIGUALDADE DE JENSEN

Seja g uma funo convexa definida em R e X uma v.a. integrvel, ento E[g(X)] > g[E(X)].
Prova:
g(x)
g
r
g(x0)

x0

Considere o ponto de coordenadas (x0, g(x0)) na curva g e devido convexidade de g tem-se

uma reta r que toca a reta nesse ponto. Assim, para algum R, a equao da reta r :

48
y g(x0) = (x x0) e g(X) > r(X) = y = g(x0)+ (X x0) x,
logo, E[g(X)] > E[r(x)] = E[y] = g(x0)+ (E(X) x0)
e, fazendo x0 igual a E(X) resulta E[g(X)] > g[E(X)]
3.4.3

Momentos

DEF. O k-simo momento da v.a. X em torno de b R, existindo, definido por E(X b)k
k = 0, 1, 2, .....

Quando b = 0 tem-se o momento de ordem k definido por E(Xk);

Quando b = E(X) tem-se o k-simo momento central definido por E[X E(X)]k.

DEF. O k-simo momento absoluto da v.a. X definido por E|X|k, k = 1,2,3, .....
EXERCCIOS

3.4.3.1) Identifique qual tipo de momento :

A mdia ;
Soluo:
O momento de ordem k, centrado em b dado por Mk(X) = E[(X b)k]. Assim, para k
= 1 e b = 0, tem-se que M1(X) = E[(X 0)1] = E(X) = . Ento, o primeiro momento
em torno de 0 e como esperana matemtica de uma v.a. X (j que dito que mdia) ,
ento, o 10. momento da v.a. X (em torno da origem).
A varincia 2;
Para k = 2 e b = , tem-se M2(X) = E[(X )2] = V(X) = 2. Assim, 2 o 20.
momento central da v.a. X.

3.4.3.2) Qual o valor do 10. momento central?

3.4.3.3) Prove a seguinte proposio: Se a v.a. X integrvel e = E(X), ento o parmetro
minimiza o erro quadrtico mdio E(X )2 R, isto , E(X - )2 = minR E(X - )2 .
Prova:

Seja E[(X - )2] = E(X2) 2 + 2, ento

E ( X )
= 0 2 + 2 e com

E ( X )
= 0 = = E(X)

Verificao:
2
2 E (X )
= 2 > 0, logo o ponto de inflexo ponto de valor mnimo.
2
2

3.4.3.4) Prove a seguinte proposio: Seja m a mediana da v.a. X, ento m minimiza o erro
mdio absoluto E(|X - |), R, isto , E(|X - m|) = minRE(|X - |).

49

3.5. VETORES ALEATRIOS: DISCRETOS E CONTNUOS

DEF. Vetor aleatrio discreto o vetor X = [X1,X2, ... , Xn] que assume um nmero finito ou
infinito enumervel de valores, nas componentes X1, X2, ..., Xn que so v.as. A funo
distribuio de probabilidade de X FX(x) = P(X1<x1, X2<x2,...., Xn<xn) e a funo de
probabilidade conjunta de X dada por P(X = x) = P(X1 = x1, X2 = x2, ..... , Xn = xn) e ainda a
funo de probabilidade da v.a. Xi que P(Xi = xi) conhecida como funo de probabilidade
marginal de Xi.
EXEMPLO

A f.p. conjunta das v.as X1 e X2 P(X1 = x1, X2 = x2) = p(x1,x2) = k(x1 + 3x2 + 1) x1 =
0,1,2,3 e x2 = 0, 1, 2, 3, 4.
a) A tabela com os valores da funo de probabilidade conjunta :
x2
x1
0
1
2
3
P(X2 = x2)

k 4k 7k 10k
2k 5k 8k 11k
3k 6k 9k 12k
4k 7k 10k 13k
10k 22k 34k 46k

4
13k
14k
15k
16k
58k

P(X1 = x1)
35k
40k
45k
50k
170k

b) Se P(X1 = x1, X2 = x2) = p(x1,x2) = k(x1 + 3x2 + 1) a f.p. conjunta do vetor [X1, X2] o
valor da constante k obtida da equao p( x1 , x 2 ) = 1, ento 170k = 1 e k = 1/170.
x1

c) A f.p. marginal da v.a. X1 : P(X1 = x1) =

d) A f.p. marginal da v.a. X2 : P(X2 = x2) =

x2

0,206
0,235

0,265
0,294
0,059
0,129

0,200
0,271

0,341

x1 = 0
x1 = 1
x1 = 2
x1 = 3

x1 = 0
x1 = 1
x1 = 2
x1 = 3
x1 = 4

e) A probabilidade de X1 assumir o valor 1 e X2 assumir o valor 2 P(X1 = 1, X2 = 2) =

p(1,2) = k(1 + 3.2 + 1) = 8k = 8/170 = 0,047.
DEF. Seja o vetor aleatrio X = [X1, X2, ... , Xn] com funo distribuio FX(x) = P(X1<x1,

X2<x2 ,...., Xn<xn). Se existe uma funo f(x1,x2, ..., xn) 0 tal que F( x ) =

xn

x1

f (t )dt .....dt
...

ento o vetor X contnuo e f( x ) a f.d.p. conjunta das variveis aleatrias X1,X2, ...., Xn. A
funo f(x) conhecida como f.d.p. conjunta e a f.d.p da componente Xi conhecida como
funo densidade de probabilidade marginal de Xi.

50
3.5.1- Independncia de variveis aleatrias

Sejam X1, X2, .... , Xn v.as definidas no mesmo espao de probabilidade (, A, P), de modo
que X= [X1, X2, .... , Xn] um vetor aleatrio em (, A, P). Ento:
a) Critrio Geral de Independncia: se as v.as X1, X2, .... , Xn so independentes a f.d.
conjunta delas fatora no produto das f.ds marginais, ou seja, FX(x1,x2, ... ,xn) =
n

F
i =1

Xi

( x i ) x

Rn. Reciprocamente, se existem as f.ds marginais FX1, FX2, ... ,FXn e o

produto delas a f.d. conjunta F(x) ento as v.as X1, X2, .... , Xn so independentes, ou
seja, FX1(x1).FX2(x2). ... FXn(xn) =

F
i =1

Xi

( x i ) = FX(x1,x2,

... ,xn).

b) Critrio de Independncia no Caso Contnuo: se as v.as contnuas X1, X2, .... , Xn so

independentes a f.d.p. conjunta delas fatora no produto das f.ds marginais, ou seja,
fX(x1,x2, ... ,xn) =

f
i =1

Xi

( x i ) x

Rn. Reciprocamente, se existem as f.d.ps marginais fX1,

fX2, ... ,fXn e o produto delas a f.d.p. conjunta f(x) ento as v.as X1, X2, .... , Xn so
independentes, ou seja, f(x1).f(x2). ... .f(xn) =

f
i =1

Xi

( xi ) =

f(x1,x2, ... ,xn) = f(x).

c) Critrio de Independncia no Caso Discreto: sejam X1, X2, .... , Xn v.as discretas
assumindo, respectivamente, os valores: x11, x12, ..... x1k1; x21, x22, ....... x2k2; ..... ; xn1, xn2,
....... ,xnkn. Ento, as v.as so independentes se e somente se a f.p. conjunta fatora no
produto das marginais, ou seja, P(X1= x1i, X2 = x21, .... , Xn = xni) = P(X1= x1i).P(X2 = x2i).
....P(Xn = xni) 1i, 2i, ... ,ni.
EXERCCIOS

3.5.1) Enuncie e prove o Critrio Para Independncia de v.as no Caso Geral.

Enunciado:
Critrio Geral de Independncia: se as v.as X1, X2, .... , Xn so independentes a f.d. conjunta
n

delas fatora no produto das f.ds marginais, ou seja, FX(x1,x2,...,xn)= F X i ( xi ) x Rn.

i =1

Reciprocamente, se existem as f.ds marginais FX1, FX2, ... ,FXn e o produto delas a f.d.
conjunta F(x) ento as v.as X1, X2, .... , Xn so independentes, ou seja,
n

FX1(x1).FX2(x2)....FXn(xn)= F X i ( xi ) = FX(x1,x2, ... ,xn).

i =1

3.5.2) Enuncie e prove Critrio de Independncia no Caso Contnuo.

Enunciado:
Critrio de Independncia no Caso Contnuo: se as v.as contnuas X1, X2, .... , Xn so
independentes a f.d.p. conjunta delas fatora no produto das f.ds marginais, ou seja, fX(x1,x2,
... ,xn) =

f
i =1

Xi

( x i ) x

Rn. Reciprocamente, se existem as f.d.ps marginais fX1, fX2, ... ,fXn e

51
o produto delas a f.d.p. conjunta f(x) ento as v.as X1, X2, .... , Xn so independentes, ou
seja, f(x1).f(x2). ... .f(xn) =

f
i =1

Xi

( x i ) = f(x1,x2, ... ,xn) = f(x).

3.5.3) Prove a seguinte proposio: Se F(x,y) a f.d. conjunta de X e Y, ento a f.d. de X

dada por FX(x) = im y F ( x, y ) = F ( x, ) e FX(x) chama-se distribuio marginal de X. Se

f(x,y) a f.d.p. conjunta de X e Y, ento fX(x) =

f (x , y )dy

e fX(x) chama-se f.d.p.

marginal de X.
3.5.4) Sejam as v.as X ~ N(0,1) e Y = X + com > 0 e .
a) Qual a distribuio de Y?
Soluo:
A distribuio de Y ser obtida pela f.g.m.:

] = e .e

t.(X + )

tY

MY(t) = E(e ) = E[e

tX

MY(t) = e .
t

.e

1
2

.e

1 2
2 X

dx

1 2

2 X 2 tX

dx
2
Completando o quadrado para obter a forma (X t)2, tem-se

MY(t) = e

2 2

t + t

1
2
2 ( X t )

.e
dx
2
O integrando representa a f.d.p. de X ~ N(t,1), logo, a integral tem valor unitrio e

MY(t) = e

2 2

t + t

Esta ltima f.g.m. indica que Y ~ N (,2).

b) As v.as X e Y so independentes?
Soluo:
No, pois Y funo de X. Alm disso, o relacionamento direto e perfeito, j que no
caso, X e Y esto relacionados por uma reta na qual o coeficiente angular e o
coeficiente linear .
3.5.5) Descreva como voc faria para gerar um nmero aleatrio X ~(), partindo do gerador
tpico dos computadores que criam nmeros U ~ U(0,1)?
3.5.6) Seja a v.a. X com distribuio Cauchy. Escreva a f.d.p. de X e verifique se realmente
f.d.p.
Soluo:

Seja a f.d.p. de X fX(x) =

a
, a > 0 e xR, ento
a + x2

52

1
a
a
(a 2 + x 2 ) dx = (a 2 + x 2 ) dx
Fazendo a mudana de varivel x = a.tg(), tem-se que dx = a.sec2() d, logo

a
1
1
1
2
.a. sec ( ) d = d = .

2
2
2
[a + a tg ( )]

E, observando que = arc tg(x/a), tem-se

1
1
1 1
x
.arc tg = .arc tg ( ) .arc tg ( ) = . + . = 1

2 2
a
1

3.5.7) Seja a a.a. [x1,x2, .... , xn] da distribuio N(0,1). Determine a f.d.p. f(x).
3.5.8) Seja a a.a. [X1, X2, .... ,Xn] de uma populao Poisson com parmetro . Determine a
f.p. conjunta da a.a.
3.5.9) A densidade conjunta das v.as X1 e X2 dada por f(x1,x2) =

1
4

(1 + x1.x2) p/ |x1| < 1 e

|x2| < 1.
a) Mostre que X1 e X2 no so independentes;
b) Mostre que X 12 e X 22 so independentes.
3.5.10) Dada a funo de X e Y f(x,y) =

2
(x + 1)e-y p/ 0 < x < 1 e y > 0.
3

a) Verifique se f(x,y) uma f.d.p.;

Soluo:
1

2
y
y
0 0 3 .( x + 1).e dx dy = 0 e dy = 1 e f(x,y) > 0
b) Se f(x,y) for f.d.p. verifique se X e Y so independentes.
Soluo:

2
2

2
f X ( x) = .( x + 1).e y dy = .( x + 1). e y dy = .( x + 1)
3
3
3

0
0
1

2
3

2
f Y ( y ) = .( x + 1).e y dx = .e y . = e y
3
3
2

Como a densidade conjunta fatora no produto das marginas, f X ,Y ( x, y ) = f X ( x). f Y ( y ) , as

variveis X e Y so independentes pelo Critrio de Independncia de v.as contnuas.
3.5.11) Dada a funo F(x,y) = (1 e-x)(1 e-y)
de probabilidade.

x>0

y > 0, verifique se ela uma f.d.

3.5.12) Escreva as f.ds marginais das v.as do exerccio anterior, se F(x,y) for realmente f.d.

53
3.5.2- Funo de variveis aleatrias: transformao de variveis

Em estatstica precisa-se da distribuio de funes de v.as que aparecem nos experimentos,

tais como: somas, mdias, diferenas, somas de quadrados, etc. Ento seja X a v.a. com f.d.p.
fX(x) e Y a v.a. que funo de X, Y = g(x), se a funo g for 1 a 1 (biunvoca), ento ela
possui inversa g-1 e fY(y) = fX(g-1(y)).Jg(g-1(y). E, quando X uma v.a. k-variada (vetor
aleatrio) do tipo [X1,X2, ....., Xk] e Y um vetor funo de X , do tipo [Y1,Y2, ...., Yk], tem-se
o Jacobino da transformao:
x1
y
1
x2
-1
Jg(g (y)) = y
1
...
xk

y1

x1
y2
x2
y2

...
xk
y2

x1
yk

x2
...
yk
...

...
xk
...

yk

com g-1(y) = x = [x1, x2, .... , xk] e xi = g-1i(yi)

...

Quando g no biunvoca, ento o suporte de X subdividido em regies onde g seja

biunvoca. O mtodo aplicado em cada uma das regies e a densidade de Y a soma das
densidades obtidas para as regies.
Formalmente, seja as regies G0 Rn e G Rn abertas e a funo g: G0 G uma
bijeo entre as regies, ou seja, g(x1, x2, .... ,xn) = [g1(x1,x2, ... ,xn), ..... ,gn(x1,x2, ... ,xn)] =
(y1,y2, ... ,yn). Ento, existe a funo inversa h = g-1 em G onde x1 = h1(y1, y2, ... ,yn), x2 =
h2(y1,y2, .... ,yn), .... , xn = hn(y1,y2, ... ,yn) e na existncia das derivadas parciais
hi ( y i , y 2 ,....., y n )
y i

x1
y
1
x2
Jg(g-1(y)) = y
1
...
xk

y1

x i
y i

contnuas em g tem-se o Jacobiano da transformao:

x1
y2
x2
y2
...

xk
y2

x1
yk

x2
...
yk
...

...

...

com g-1(y) = x = [x1, x2, .... , xk] e xi = g-1i(yi)

xk
...

yk

E, a f.d.p. conjunta de Y= [Y1, Y2, .... ,Yn] hY(y1,y2, ... ,yn) = f[h1(y),h2(y), ... ,hn(y)].|J(x,y)|
para y G e f sendo a f.d.p. conjunta de X.
Um outro modo de obter-se a distribuio de probabilidade de uma v.a. em funo de
outra varivel aleatria atravs da funo distribuio. Assim, se Y = f(X) com fX(x)
conhecida pode-se obter fY(y) escrevendo-se FY(y)=P(Y < y) = P[Y<f(X)] = P[X<f-1(Y)] =
FX(f-1(Y)) que conhecida. Ento, derivando-se, tem-se fY(y).
EXERCCIO

54
3.5.13) Seja X ~ (). Determine a f.d.p. da v.a. Y = ln(X), aplique o Mtodo da f.d. e o
Mtodo do Jacobiano.
3.5.14) Seja X ~ U(-1,1). Determine a f.d.p. da v.a. Y = X2, aplique o Mtodo da f.d. e o
Mtodo do Jacobiano.
Soluo:
Mtodo da funo distribuio:
FY(y) = P[Y y] = P[X2 y] = P( y X y )
y

FY(y) =

( x) dx =

1
dx =
2
y

Logo,
f Y ( y) =

FY ( y ) ( y 1 / 2 )
1
=
=
y
y
2 y

0<y<1e

( y ) dy = 1

Mtodo do Jacobiano (a funo biunvoca em duas regies):

fY(y) = fX(g1-1(y)).|J1(g1-1(y))| + fX(g2-1(y)).|J2(g2-1(y))|
1
1
1 1
1 1
1
| + fX( y ).|
|= .
+ .
=
0<y<1e
fY(y) = fX(- y ).|2 2 y
2 2 y 2 y
2 y
2 y
1

( y ) dy = 1

3.5.15) Sejam as v.as X1 e X2, onde X1 e X2 so independentes com distribuio N(0,1) e

N(0,4), respectivamente.
a) Qual a distribuio conjunta de X1 e X2?
b) Qual a distribuio de Y1 = X1 + X2 e a de Y2 = X1 - X2?
3.5.16) Seja X ~ N(0,1). Qual a f.d.p. de Y = X2?
3.5.17) Sejam X e Y v.as i.i.d. N(0,1). Determine as distribuies de Z = X2+Y2 e W = X/Y e
mostre que so independentes.
3.5.18) Se X1 e X2 so v.as independentes com distribuies (1,) e (2,), ento as v.as
Y1 = X1+X2 e Y2 = X1/(X1+X2) so independentes? Quais as suas distribuies?
3.5.19) Dado X ~ (,1) e Y = X/ determine a distribuio de Y (densidade).
3.5.20) (Problema da Agulha de Buffon). Uma barra de comprimento L jogada ao acaso
sobre um assoalho cujas tbuas so retas e tm largura constante igual a 2L. Seja X a v.a.
correspondente distncia do ponto mdio da agulha linha do assoalho mais prxima e a
v.a. correspondente ao ngulo entre a agulha e a linha. Determine a probabilidade da barra
interceptar uma linha do assoalho.
3.5.21) Se X e Y tm densidade conjunta f(x,y), ento determine as funes f.d.p. e f.d. das
seguintes variveis aleatrias:

55
a) Z = XY;
b) Z = X/Y;
c) Z = X-Y.
3.5.22) Sejam X1, X2 e X3 v.as i.i.d. com f.d.p. f(x) = e-x x >0. Mostre que T = X1+X2+X3, V
=

X1 + X 2
X1 + X 2 + X 3

eW=

X1
X1 + X 2

so independentes.

3.6 - FUNO GERATRIZ DE MOMENTOS

DEF. FUNO GERATRIZ DE MOMENTOS
Seja X uma v.a. definida sobre o espao de probabilidade (, A, P). Ento a funo
geratriz de momentos (f.g.m.) de X definida por: X(t) = E(etx) t , se a esperana
existe.
Obs.: A f.g.m. nem sempre existe, mas a funo caracterstica (f.c.) sempre existe.

No caso discreto tem-se X(t) = E(etx) =

tx

P( X = x)

E no caso contnuo tem-se X(t) = E(e ) =

tx

tx

f ( x )dx

A denominao f.g.m. devido ao resultado seguinte:

TEOREMA 1: Se a f.g.m. da v.a. X existe para t[-to ,to], to > 0, ento as derivadas de todas
as ordens existem no ponto t = 0 e a derivada n-sima de X(t) calculada em t = 0 fornece

E(Xn), ou seja, o momento de ordem n da v.a. , E(Xn) =

n X ( t )
t=0
t n

EXERCCIOS

3.6.1) Prove o resultado enunciado anteriormente.

3.6.2) Seja X ~ (). Determine:
a) a f.g.m. da v.a. X.
b) a esperana de X;
c) a varincia de X
TEOREMA 2: Seja a v.a. X definida no espao de probabilidade (,
X(t). Seja Y = aX + b, onde a e b , ento a f.g.m. de Y dada por
bt
X(at).
EXERCICIOS

A, P) e com f.g.m.

Y(t) = e

56
3.6.3) Prove o resultado enunciado anteriormente.
3.6.4) Seja Y ~ b(n,). Determine:
a) A f.g.m. de Y;
b) A mdia ou esperana de Y;
c) A varincia de Y.
DEF. Seja [X,Y] um vetor aleatrio. Se E( et1 X + t 2 Y ) existe para t1< h1 e t2< h2, com h1, h2
> 0, temos que X,Y(t1,t2) = E( et1 X + t 2 Y ) a f.g.m. da distribuio conjunta de X e Y.
TEOREMA 3: As v.as X e Y so independentes, se e somente se X,Y(t1,t2) =
XY(0,t2) = X(t1) Y(t2) para t1 e t2 .

XY(t1,0).

TEOREMA 4: Se as v.as X1, X2, .... Xn so independentes e X i existe Xi, ento a f.g.m.

de Y = X1 + X2 + .... + Xn dada por Y(t) =

i =1

Xi

(t )

t .

OBS. A f.g.m. de momentos tem a propriedade da unicidade e quando a f.g.m. existe os

momentos de todas as ordens existem e

m+n
t1m t 2n

X,Y(t1,t2)|t1=t2=0 = E(XmYn)

EXERCICIOS

3.6.5) Prove os dois resultados anteriores.

3.6.6) Seja X ~ P(). Determine a f.g.m. de X, sua esperana e varincia.
Soluo:
tX

X(t) = E(e ) =

tX

x .e

=e

(e )
t

x
t

= e .e ( e . ) = e .( e 1)

x!
x!
x =0
Pode-se assim calcular as derivadas de primeira e segunda ordem da f.g.m:
t
X(t) = .e [ .( e 1) + t ]
t
X(t) = .e [ .( e 1) + t ] .( .e t + 1)
x =0

Esperana:
E(X) = X(0) =
Varincia:
E(X2) = X(0) = 2 +
V(X) = E(X2) [E(X)]2
V(X) = 2 + 2
V(X) =

57
3.6.7) Seja X ~ N(,2). Determine a f.g.m. de X, sua esperana e varincia.
Soluo:
Funo geratriz de momentos da distribuio Normal:

MX(t) =

tx

.e

( x )2

2
2

dx

Fazendo-se a mudana x = y + 2t + , tem-se:

MX(t) =

t ( y + 2 t + )

MX(t) = e

2 2

t + t

2 2

t + t

2
1
2

.e

.e

y2

( y + 2 t ) 2

2 2

dy

dy

MX(t) = e
Assim, tem-se que MX(t) = ( + 2t)MX(t) e MX(t) = [2 + ( + 2t)2]MX(t),
E(X) = MX(0) =

ento

A varincia de X determinada sabendo-se que

E(X2) = MX(0) = 2 + 2,
Ento
V(X) = E(X2) [E(X)]2
V(X) = 2 + 2 2 = 2
3.6.8) Seja o vetor aleatrio [X, Y] com a f.d.p. conjunta dada por f(x,y) = x+y 0 < x < 1 e 0
< y < 1.
a) Determine E(X Ym) ;
b) E(X2) = E(X2Y0);
c) E(Y2) = E(X0Y2);
d) E(X) = E(XY0);
e) E(Y) = E(X0Y);
f) V(X);
g) V(Y);
h) E (XY);
i) Cov(X,Y) = E(XY) E(X)E(Y).
3.6.9) O vetor aleatrio [X1,X2] tem a f.d.p. conjunta f(x1,x2) =
os momentos de 1a. e 2a. ordem.
3.6.10) Seja X ~ b(1, ).

1
e
2

1 2
( x1 2 x1 x2 + 2 x22 )
2

. Determine

58
a) Determine a f.g.m. de X.
b) Calcule E(X) a partir da f.g.m.;
c) Calcule V(X) a partir da f.g.m..
3.6.11) Seja X ~ E().
d) Determine a f.g.m. de X.
e) Calcule E(X) a partir da f.g.m.;
f) Calcule V(X) a partir da f.g.m.
3.6.12) Seja Y ~ G().
a) Determine a f.g.m. de Y.
b) Calcule E(Y) a partir da f.g.m.;
c) Calcule V(Y) a partir da f.g.m..
3.6.13) Seja Y ~ U(a,b).
a) Determine a f.g.m. de Y.
Soluo:
b

e bt e at
1
Y (t ) = E (e ) = e .
dy =
(b a )t
b a
a
b) Calcule E(Y) a partir da f.g.m.;
Soluo:
tY

tY

(b.e bt a.e at ).t (e bt e at )

(b a)t 2
Como o limite de Y(t) quando t tende a zero uma indeterminao do tipo 0/0, pode-se
aplicar a regra de LHospital que consiste em derivar separadamente o numerador e o
denominador tantas vezes quantas forem necessrias at desaparecer a indeterminao, ou
seja:
(b 2 .e bt a 2 .e at ).t (e bt e at ) 0
Y ' (t ) = lim
= (indeterminao)
t 0
2.(b a)t
0
derivando novamente,
(b 3 .e bt a 3 .e at ).t + (b 2 .e bt a 2 .e at ) (b 2 .e bt a 2 .e at )
=
Y'' ( t ) = lim
t 0
2.(b a )
2.(b a )
logo
(b 2 a 2 ) b + a
E (Y) = Y'' (0) =
=
2.(b a )
2
Y ' (t ) =

c) Calcule V(Y) a partir da f.g.m..

Soluo:
Iniciando-se com a derivada primeira da f.g.m. de Y, tem-se:
(b 2 .e bt a 2 .e at ).t (e bt e at )
Y ' (t ) =
2.(b a)t

59
assim
(b 2 .e bt a 2 .e at ).t 2 2.[(b.e bt a.e at ).t (e bt e at )]
(b a).t 3
Considerando-se t 0 e usando-se a regra de LHospital, pode-se escrever:
(b + a) 2
E ( X 2 ) = Y ' ' (0) =
6
Portanto
Y ' ' (t ) =

V(X) = E(X2) [E(X)]2 =

(b + a) 2
(b a) 2
b + a
=

6
12
2

3.6.14) Seja Y ~ (,).

Determine a f.g.m. de Y.
Calcule E(Y) a partir da f.g.m.;
Calcule V(Y) a partir da f.g.m..
3.7 - FUNO CARACTERSTICA

DEF. Chama-se funo caracterstica, f.c., da v.a. X a funo : C definida por X(t)
=(t) = E(eitX) onde i = 1 e t .
PROPRIEDADES:

FC1) A f.c. da v.a. X limitada por 1, ou seja, |X(t)| < 1, tR.

FC2) O valor da f.c. em t = 0 1, ou seja, X(0) = 1.
FC3) Seja c o complexo conjugado de c ou seja se c = x + iy o seu complexo conjugado c =
x iy. Ento X (t ) = X(-t).
FC4) Se as v.as X e Y so independentes, ento X+Y(t) = X(t).Y(t) tR e
conseqentemente X1+X2+...+.Xn(t) =

i =1

Xi

(t ) .

FC5) Se a v.a. Y = aX + b, ento a f.c. de Y Y(t) = eitbX(at).

FC6) A f.c. de uma v.a. X determina a funo distribuio de X pois X(t)= e itx dFX(x).
FC7) Uma v.a. X tem distribuio simtrica em torno de zero se P(X < x) = P(X > -x) x
R (por definio). Assim, a v.a. X tem distribuio simtrica em torno de zero se e
somente se X(t) real tR.
FC8) A f.c., X(t), de uma v.a. X determina a f.d., FX(x), de X.
Entre outras propriedades.
TEOREMA

Se a f.c. da v.a. X X(t), integrvel absolutamente, ento a f.d.p. de X dada por

fX(x)=

1
2

itx

X (t )dt (frmula da inverso).

60

OBS. Do teorema anterior e da propriedade FC8, dele decorrente, tem-se que:

X(t) FX(x).
EXERCCIOS

3.7.1) Prove as propriedades de FC1 a FC5 e FC7 e o teorema anterior.

Prova de alguns dos itens:
FC1) A f.c. da v.a. X limitada por 1, ou seja, |X(t)| < 1, tR.
Prova:
|X(t)| = |E(eitX)| = E 2 cos(tX ) + E 2 sen(tX ) E. cos 2 (tX ) + E. sen 2 (tX )

|X(t)| E cos 2 (tX ) + sen 2 (tX ) = E[1] = 1 = 1

Obs.: A 1 desigualdade da 1 linha devida a Jensen.
FC5) Se a v.a. Y = aX + b, ento a f.c. de Y Y(t) = eitbX(at).
Prova:
Y(t) = E(eitY) = E[eit(aX + b)] = E[e(itaX) .e(itb)] = e(itb).E[e(itaX)] = eitbX(at)
FC7) Uma v.a. X tem distribuio simtrica em torno de zero se P(X < x) = P(X > -x)
x R (por definio). Assim, a v.a. X tem distribuio simtrica em torno de zero se
e somente se X(t) real tR.
Prova:
X simtrica em torno de zero se, e somente se, P(X x) = P( X x) x, ou seja,
FX = FX e X e X so identicamente distribudas. Mas FX = FX X = X, assim, X
simtrica em torno de zero se, e somente se, para todo t R,
X (t) = X (t) = X (t ) = E[e i ( t ).( X ) ] = E[e itX ] = X (t )
Como c = c se, e somente se, c real, tem-se que X simtrica em torno de zero se, e
somente se, X(t) real tR.
3.7.2) Determine a f.c. de uma v.a. X ~ b(1,).
3.7.3) Seja X(t) = peit + q, onde p = = P(X = 1) e q = 1 - , a f.c. de X ~ b(1,). Determine
a f.p. de X a partir de X(t).
3.7.4) Seja Y(t) = (peit + q)n , onde p = = P(X = 1) e q = 1 - , a f.c. de Y ~ b(n,).
Determine a f.p. de Y a partir de Y(t).
3.7.5) Determine a f.c. de uma v.a. Z ~ N(0,1) e a da v.a. X ~ N(, 2).
Soluo:

1
itx x 2 / 2
e
dx
X (t ) = e itx dFX ( x) =

2
completando o quadrado de modo a obter (x it)2, tem-se:

2
2
2
1
e ( x it ) / 2 dx = e t / 2
X (t ) = e t / 2 .

2
3.7.6) Seja Z(t) = e

t2
2

a f.c. de Z ~ N(0,1). Determine a f.d.p. de Z.

61
3.7.7) Determine a f.c. de uma v.a. X ~ P().
t

3.7.8) Seja X(t) = e (e 1) a f.c. de X ~ P(). Determine a f.p. de X a partir de X(t).

3.7.9) Partindo da f.c. da v.a. X ~ P(), determinada anteriormente, determine usando o
resultado X( k ) (0) = i k E ( X k ) =

k (t )
t k

t =0

a) a esperana de X;
b) a varincia de X.
3.7.10) Sejam as v.as X1 ~ P(1) e X2 ~ P(2) independentes. Determine:
a) a f.c. da v.a. Y = X1 + X2;
Soluo:
Como X1 e X2 so independentes, tem-se
E(Y) = E(X1 + X2) = E(X1) + E(X2) = 1 + 2
V(Y) = V(X1 + X2) = V(X1) + V(X2) = 1 + 2
Logo

e it .( 1 + 2 )
( 1 + 2 ) y .e (1 + 2 )
(1 + 2 )
.
=e
`Y(t) = E(e ) = e .
y!
y!
y =0
y =0
do estudo da convergncia de sries, pode-se escrever
it
it
`Y(t) = e (1 + 2 ) .e e .(1 + 2 ) = e (1 + 2 ).( e 1)

ity

ity

b) a f.p. da v.a. Y = X1 + X2.

R:
( + 2 ) y .e (1 + 2 )
P(Y = y) = 1
, y = 0, 1, 2, ...
y!
3.7.11) Seja a funo (t) = cos(at) com a > 0. Verifique se (t) f.c. de uma v.a. X, achando
a distribuio de probabilidade de X a partir da f.c., ou seja, usando o resultado conhecido
como Frmula da Inverso fX(x) =

1
2

itx

X (t )dt

3.7.12) Seja a v.a. Z ~ N(0,1). Determine:

a) a f.c. da v.a. X = Z + usando propriedade de f.c. (FC5);
b) a f.d.p. de X.
3.7.13) O vetor aleatrio [X1,X2] tem a f.d.p. conjunta f(x1,x2) =
os momentos de 1a. e 2a. ordem.
3.7.14) Seja X ~ N(0,2). Determine:
a) E(Xn);

1
e
2

1 2
( x1 2 x1 x2 + 2 x22 )
2

. Determine

62
b) E(|X|n);
3.7.15) Determine a f.c. de uma v.a. X cuja distribuio de probabilidade tem f.d.p. fX(x) =
a a | x|
e
2

x R e a > R+.

3.7.16) Determine a f.d.p. da distribuio de uma v.a. X cuja f.c. dada por X(t) =
> R+.

a2
a2 + t 2

3.7.17) Determine a f.c. de uma v.a. X cuja distribuio tem f.d.p. fX(x) = 1 - |x| , x [-1, 1].
3.7.18) Seja Sn = X1+X2+ ... +Xn, onde Xi ~ N(i, i2) e so independentes. Determine a
distribuio de Sn.
Soluo:
Usando a f.g.m., tem-se:
n
t Xi
S n (t ) = E e tS n = E e i =1 = E e tX 1 .e tX 2 .e tX 3 ...e tX n

( )

Pelo fato das variveis serem independentes, pode-se escrever:

S (t ) = E (e tX ).E (e tX ).E (e tX )...E (e tX ) = X (t ). X (t ). X (t )... X (t )

1

S (t ) = e

2t 2
1t + 1
2

S (t ) = e

n
t2
t . i +
i =1
2

.e

2t 2
2t + 2
2

.e

2t 2
3t + 3
2

...e

2t 2
nt + n
2

n
. i 2

i =1

A ltima expresso representa a f.g.m. de uma varivel com distribuio normal cuja mdia
n
n
2
a soma das mdias e cuja varincia a soma das varincias, ou seja, Sn ~ N i , i .
i =1 i =1

3.7.19) Seja Sn = X1+X2+ ... +Xn, onde Xi ~ b(i, 2) e so independentes. Determine a

distribuio de Sn.
3.7.20) Seja (X, Y) um vetor aleatrio com distribuio normal bivariada com mdias zero,
varincias 12 e 22 e coeficiente de correlao . Determine a f.c. do vetor.

4. LEI DOS GRANDES NMEROS

4.1- Convergncia em Seqncias de Variveis Aleatrias.
TIPOS DE CONVERGNCIA
D
1a.) Convergncia em Distribuio (Xn
X)

63
DEF. Sejam as v.as X, X1, X2, X3, ...., Xn, ....... com, respectivamente, as f.ds F, F1, F2, F3,
...... , Fn, ...... Ento, Xn converge em distribuio para X quando n se Fn(x) F(x) x
ponto de continuidade de F.
p
2a.) Convergncia em Probabilidade (Xn
X)

DEF. Seja {Xn}n>1 uma seqncia de v.as, ento a seqncia {Xn}n>1 converge em
probabilidade para uma v.a. X, se > 0, P{|Xn X| > } 0 quando n .
q.c.
3a.) Convergncia Quase Certa (Xn
X)

DEF. Seja {Xn}n>1 uma seqncia de v.as, ento a seqncia {Xn}n>1 converge quase
certamente para uma v.a. X, se > 0, P{Xn X quando n } = 1.
OBS. A convergncia quase certa convergncia pontual com probabilidade 1, ou seja, Xn()
converge para X() para quase todo . J a convergncia em probabilidade no significa
convergncia pontual, mas sim que para valores grandes de n as v.as Xn e X so
aproximadamente iguais com alta probabilidade. Ento, convergncia quase certa implica em
convergncia em probabilidade, mas a recproca no verdadeira. Para melhor entendimento
interessante o grfico abaixo.

D
p
q.c.

no converge

EXERCCIOS

4.1.1) Mostre que uma v.a. com distribuio b(n,) converge em distribuio para uma v.a.
com distribuio P() quando im (n) = , 0 < < .
n

4.1.2) Mostre usando a f.c. que Y ~ b(n,) converge em distribuio para uma v.a. P()
quando n
.
n
4.1.3) Mostre a convergncia em distribuio da distribuio Hipergeomtrica para a
Binomial.
n

1
4.1.4) Seja a seqncia {Yn}n>1 tal que P[Yn = r/n] = n r = 0, 1, 2, ..... , n e a varivel Xn
r
2
p
= Yn 1/2. Mostre que Xn 0 .

64
4.1.5) Sejam X1, X2, X3, ...., Xn, .......v.as i.i.d. com Xn ~ U(0, 1), e sejam Yn = min(X1, X2,
.... ,Xn), Zn = mx(X1, X2, .... ,Xn), Un = nYn e Vn = n(1 Zn). Mostre que quando n
:
a)
b)
c)
d)

Yn
Zn
Un
Vn

0;
p

1;

W , onde W tem distribuio exponencial com parmetro ;

p

, onde W tem distribuio exponencial com parmetro .

4.1.6) Seja {Xn}n>1 uma seqncia de v.as i.i.d. tais que P[Xn = 1] = 1/2 = P[Xn = -1] e seja
Yn =

2
i =1

D
X i . Mostre que Yn
U[-1, 1].

4.2-Lei dos Grandes Nmeros: Lei Fraca e Lei Forte

4.2.1- Introduo

Se as v.as X1, X2, ... ,Xn so i.i.d. e integrveis, ento

X 1 + X 2 + ..... + X n

E(X1).
n
n

EXEMPLO
Suponha o experimento de jogar um dado n vezes, independentemente, e contar o nmero de
faces 6 que ocorrem na face superior do dado lanado. Ento, a freqncia relativa de faces 6

convergir para 1/6 quando n vai para o infinito ou seja

Sn

1/6.
n
n

4.2.2- Lei Fraca dos Grandes Nmeros

DEF. Sejam as v.as X1, X2, X3, ..... integrveis em (, A, P) e seja a soma parcial com n
parcelas definida por Sn = X1+X2+X3+ ....+Xn que tambm uma v.a., ento as v.as X1, X2,

X3, .....satisfazem a Lei Fraca dos Grandes Nmeros se

equivalentemente P(|

S n E (S n ) p
0
n

ou

( X 1 + X 2 + ..... + X n ) [ E ( X 1 ) + E ( X 2 ) + .... + E ( X n )]
p
| >)
0 > 0.
n

LEI FRACA DOS GRANDES NMEROS DE TCHEBYCHEV

Sejam as v.as X1, X2, X3, ..... independentes de 2 em 2 com varincias finitas e
uniformemente limitadas, isto , c finito tal que n V(Xn) < c. Ento X1, X2, X3, .....
satisfazem a Lei Fraca dos Grandes Nmeros,

S n E (S n ) p
0 .
n

Um corolrio muito importante desse resultado a Lei Fraca de Bernoulli enunciada a seguir:

65
LEI FRACA DOS GRANDES NMEROS DE BERNOULLI

Seja a seqncia de ensaios binomiais independentes tendo a mesma probabilidade de

sucesso em cada ensaio. Se Sn o nmero de sucessos nos n primeiros ensaios, ento
Sn
p

.
n

LEI FRACA DOS GRANDES NMEROS DE KHINTCHIN

Sejam as v.as X1, X2, X3, ..... i.i.d. e integrveis com mesma mdia , ento

Sn
p

.
n

EXERCCIOS

4.2.1) Prove a Lei Fraca de Tchebychev.

4.2.2) Prove a Lei Fraca de Bernoulli.
4.2.3) Prove a Lei Fraca de Khintchin.
4.2.4) Sejam as v.as X1, X2, X3, ..... i.i.d. com distribuio P(). Determine o limite em
probabilidade da seqncia {Yn}n>1 onde Yn =

X 12 + X 22 + .... + X n2
.
n

e V(Xn)
4.2.5) Seja {Xn} uma seqncia de v.as. Demonstre que, se E(Xn)
n

0
n

p
, ento Xn
.

4.2.6) Sejam as v.as X1, X2, X3, ..... independentes tais que X1 = 0 e para i > 2, Xi uma v.a.
discreta com distribuio definida por: P(Xi = k) =

1
3 p / k = +1, + 2,...., +i
i
2
p/k =0
1
i 2

. Demonstre que

X
i =1

i
p

0 , quando n ,

se > 1/2.
1 / p / 0 < x <
, 0 < <. Seja
c/c

4.2.7) Sejam as v.as X1, X2, ....., Xn i.i.d. com f.d.p. f(x) =
0

D
Mn = mx(X1, X2, ..... ,Xn). Prove que Mn
X, onde a f.d. da v.a. X dada por FX(x) =

0 p / x <

1 p / x

4.2.8) Mostre que a Lei Fraca dos Grandes Nmeros pode ser expressa como
P[

Sn
< ]
n

= 1. Interprete o resultado.

im
n

66
1

4.2.9) Sejam X1, X2, X3, .......... v.as independentes cada uma com f.d.p. f(x) =

(1 + x 2 )

R. Prove que a LGN no se aplica neste caso.

4.2.10) Prove que a LGN seria vlida no caso anterior se a f.d.p. fosse substituda por f(x) =
c

1+ x 4

x R.

4.2.11) H necessidade de que existam todos os momentos de uma distribuio para que a
LGN seja vlida?
n

4.2.12) Sejam X1, X2, X3, .......... v.as i.i.d. N(0,1). Mostre que

X
i =1

2
i
p

1.

4.2.13) D um exemplo de uma seqncia de v.as que converge em distribuio, mas no em

probabilidade.
4.2.14) As v.as Xn, n = 1,2,3, .....tm a f.d.p. dada por f(xn) =
D
1,2,3,4, ....., n e 0 < < 1. Prove que Xn
X com FX(x) =

i
i
2n
p/ n < x<

n 2 n
n
0
c/c
0 p / x 0

x p / 0 < x < 1
1 p / x 1

i=

D
p
c , com c constante, ento Xn
c.
4.2.15) Se Xn

4.2.3- Lei Forte dos Grandes Nmeros

DEF. Sejam as v.as X1, X2, X3, ..... integrveis em (, A, P) e seja a soma parcial com n
parcelas definida por Sn = X1+X2+X3+ ....+Xn que tambm uma v.a., ento as v.as X1, X2,
S n E ( S n ) q.c.

0 ou
n
[ X E ( X 1 )] + [ X 2 E ( X 2 )] + ..... + [ X n E ( X n )] q.c.
equivalentemente 1

0.
n

X3, ..... satisfazem a Lei Forte dos Grandes Nmeros se

1A. LEI FORTE DOS GRANDES NMEROS DE KOLMOGOROV

Sejam as v.as X1, X2, X3, ..... independentes e integrveis, e suponha que

V (X n )

n =1

n2

<

(Critrio de Kolmogorov). Ento, as v.as satisfazem a Lei Forte dos Grandes Nmeros, isto
:
S n E ( S n ) q.c.

0 ou
n

seja

( X 1 + X 2 + ..... + X n ) [ E ( X 1 ) + E ( X 2 ) + .... + E ( X n )
q.c.

0.

n
n

Esse resultado tem conseqncias muito importantes, dadas pelos corolrios seguintes:
COROLRIO 1 (Para v.as uniformemente limitadas)

67
A 1a. Lei Forte de Kolmogorov satisfeita por toda seqncia de v.as independentes e
uniformemente limitadas.
PROVA: Se as v.as X1, X2, X3, .... so uniformemente limitadas, ento existe um c R finito
tal que |Xn| < c n. Neste caso, V(Xn) < E(X 2n ) < c2 e, como as varincias esto limitadas, a
condio da 1a. Lei Forte de Kolmogorov est satisfeita.
COROLRIO 2 (Lei Forte de Borel - 1909)

Sejam as v.as X1, X2, X3, ..... i.i.d. com distribuio de Bernoulli. Ento,

S n q.c.

onde
n

Sn = X1+X2+ .... +Xn.

LEI FORTE DOS GRANDES NMEROS DE KOLMOGOROV

Sejam as v.as X1, X2, X3, ..... i.i.d. e integrveis com E(Xn) = . Ento,

S n q.c.

onde Sn

= X1+X2+ .... +Xn.

EXERCCIOS

4.2.16) Prove a Lei Forte dos Grandes Nmeros de Borel.

4.2.17) Sejam as v.as X1, X2, X3, ..... , Xn uma seqncia de v.as independentes com f.p.
P(Xi = 0) = 1 1/i e P(Xi = 1) = 1/i . Mostre que essa seqncia satisfaz a Lei Forte
dos Grandes Nmeros (LFGN).
4.2.18) Seja a seqncia {Xk}k>1, tal que P(Xk = +k) = 1/2 e P(Xk = -k) = 1/2. Determine
o(s) valor(es) de para os quais a seqncia satisfaz a Lei Forte dos Grandes
Nmeros (LFGN).
4.2.19) Seja {Xn} uma seqncia de ensaios binomiais independentes com probabilidade pn
de sucesso no n-simo ensaio. Ento:
a)

Sn
n

converge para algum valor, qual?

b) Qual o tipo de convergncia?

4.2.20) Sejam X1, X2, ...v.as i.i.d. com Xi ~ U[0,1]. Determine o limite quase certo da mdia
geomtrica (

Xi)n

i =1

4.2.21) Sejam X1, X2, ...v.as i.i.d. com E(Xi) = 1 e V(Xi) = 1. Demonstre que
n

i =1

i =1

X i2

q.c.

1
2

68
4.2.22) Sejam X1, X2, ...v.as independentes tais que P(Xn = n) = 1/2 = P(Xn = - n) com 0 <
n

< 1. Ento,

i =1

q.c.

0.

5. TEOREMA CENTRAL DO LIMITE

Quando se tem uma seqncia de v.as independentes X1, X2, ...... definidas no mesmo espao
de probabilidade (, A, P) e sendo S1, S2, ........ a seqncia de somas parciais definidas por
Sn = X1+X2+X3+ ... +Xn ento o Teorema Central do Limite, T.C.L., trata da convergncia em
S E ( Sn )
S E ( Sn )
para uma distribuio N(0,1), ou melhor, n

distribuio da estatstica n
V ( Sn )
V ( Sn )
Z ~ N(0,1).
Existem diversas verses do T.C.L., pois medida que a Cincia Estatstica foi se
desenvolvendo, acompanhando o desenvolvimento da Matemtica, as restries foram caindo
e as verses do teorema tornaram-se mais fortes. A 1a. verso do T.C.L. surgiu em 1733 com
Abrham De Moivre (1667-1754) que apresentou uma prova considerando v.as de Bernoulli
com = 1/2 e Pierre-Simon, Marqus de Laplace (1749-1827) generalizou esse resultado para
0 < < 1.
TEOREMA CENTRAL DO LIMITE DE De MOIVRE-LAPLACE

Seja Sn o nmero de sucessos em n provas do tipo Bernoulli, independentes com

probabilidade de sucesso em cada prova, 0 < < 1 e seja tambm p = e q = 1 - . Ento
S n np
npq

Z ~ N(0,1).

TEOREMA CENTRAL DO LIMITE DE LINDEBERG

Sejam X1, X2, X3, ....v.as independentes tais que E(Xn) = n e V(Xn) = 2n , com 2n < e que
pelo menos um 2n > 0. Sejam Fn = FXn , Sn = X1 + X2 + ... + Xn e V(Sn) = 12 + 22 + ... + 2n .
Sn E ( Sn ) D
Ento,
para
que
Z
~
N(0,1),

suficiente
que

V ( Sn )
im
1
(
n V (S n )

(x )

i

i =1 | x

dFi ( x) = 0

> 0 (condio de Lindeberg).

i |> S n

Esse resultado deu origem a duas conseqncias muito importantes que so os dois corolrios
seguintes:
COROLRIO 1 (TEOREMA CENTRAL DO LIMITE DE LIAPUNOV)

Sejam X1, X2, X3, .... v.as independentes com E(Xi) = i e V(Xi) = i2 < e ainda Sn = X1 +
X2 + ... + Xn e V(Sn) = 12 + 22 + ... + 2n ento se existe um > 0 tal que a chamada condio

69

de

Liapunov

dada

por

im
1
(
n S2+
n

E| x
i =1

| 2 + )
0
n

satisfeita,

tem-se

Sn E ( Sn ) D
Z ~N(0,1).
V ( Sn )
COROLRIO 2 (TEOREMA CENTRAL DO LIMITE PARA v.as i.i.d.)

Sejam X1, X2, X3, .... v.as i.i.d. com E(Xi) = e V(Xi) = 2 com 0 < 2 < , ento
S n n

Z ~ N(0,1).

EXERCCIOS

5.1) Prove o T.C.L de De Moivre-Laplace.

5.2) Prove o T.C.L de Liapunov.
5.3) Prove o T.C.L. para v.as i.i.d.
5.4) Suponha uma seqncia de nmeros pseudo-aleatrios X1, X2, ..... ,Xn gerados
independentemente com distribuio U[0,1]. Escreva as verses da Lei dos Grandes Nmeros
e do Teorema Central do Limite para essa situao.
5.5) Seja {Xn}n>1uma seqncia de v.as independentes tais que Xn tem distribuio U[-0,n]
n. Verifique se a condio de Lindeberg est satisfeita e enuncie o Teorema Central do
Limite resultante.
5.6) Sejam Y1,Y2, ... v.as tendo distribuio de Laplace (exponencial dupla) f(y) =

1 | y | / 2
e
2n

R, com parmetro igual a zero e Sn = Y1+Y2+ .... +Yn. Prove que.

5.7) Sejam X1,Y1,X2,Y2, ....uma seqncia de v.as i.i.d., Xn ~ U[0,1], e as Yn tambm i.i.d.
com Yn ~ U[0,2].
a) Mostre que Sn/n converge quase certamente e ache o seu limite.
b) Mostre que

S n E (S n )
V (S n )

N(0,1).

70

6. DISTRIBUIES AMOSTRAIS
6.1 NOES DE POPULAO E AMOSTRA
DEF.1 POPULAO ALVO a totalidade de elementos que esto sob estudo e discusso
e das quais se deseja informao.
EXEMPLO 1

Suponha que se tenha armazenado num depsito 10 milhes de sementes de flores das quais
sabe-se que produzem flores brancas e vermelhas. Os 10 milhes de sementes a populao e
deseja-se a informao: quantas destes 10 milhes de sementes produzem flores brancas"?
DEF.2 AMOSTRA ALEATRIA: Sejam as variveis [X1, X2, ... ,Xn] que tm a f.d.p.
conjunta f X 1 , X 2 ,..., X n ( x1 , x 2 ,..., x n ) que pode ser fatorada nas f.d.p. marginais seguintes:
f x ( x) = f X 1 , X 2 ,..., X n ( x1 , x 2 ,..., x n ) = f X 1 ( x1 ). f X 2 ( x 2 )... f X n ( x n )

com f(.) sendo a densidade comum a todas as Xi. Ento (X1, X2, ... , Xn) definida como
amostra aleatria (a.a.) de tamanho n da populao com densidade f (.).
EXEMPLO 2

No exemplo tomado, pode-se associar 1 a flor branca e 0 a flor vermelha, ento existe um
nmero associado a cada elemento da populao. Se a amostragem de sementes feita de tal
forma que as variveis X1, X2, ... ,Xn so independentes, e desde que tm a mesma densidade
a amostra dita aleatria.
DEF. 3 POPULAO AMOSTRADA: Seja [X1, X2, ... ,Xn] a.a. da populao com
densidade f (.), ento esta populao chamada populao amostrada.

Resultados com base na a.a. s so vlidos para a populao amostrada, a menos que a
populao alvo seja a populao amostrada.
EXEMPLO 3

Suponha que um engenheiro deseja controlar, estatisticamente, determinada caracterstica de

qualidade de um item produzido por sua indstria. A indstria produz diariamente em trs
turnos de 6 horas. Ele, ento, extrai de forma aleatria uma amostra de tamanho n dos itens
produzidos no 1 turno. Neste caso tem-se:

Populao alvo: produo diria (trs turnos) da indstria;

Populao amostrada: produo do 1 turno indstria;
Os resultados so vlidos apenas para o 1. turno de trabalho.

71
EXEMPLO 4

Um pesquisador agrcola est estudando a produo de certa variedade de trigo em

determinado estado. Ele tem a sua disposio 5 fazendas, espalhada pelo Estado, nas quais ele
pode plantar trigo e observar a produo. A populao amostrada consiste das produes de
trigo nestas 5 fazendas, enquanto a populao alvo consiste das produes de trigo em todas
as fazendas do Estado.
6.2 ESTATSTICA: MOMENTOS AMOSTRAIS
DEF. 4 ESTATSTICA: Uma estatstica uma funo das variveis aleatrias observveis, e
por si prpria uma varivel aleatria observvel que no contm qualquer parmetro
desconhecido.
n

EXEMPLO 5: Seja a a.a. [X1, X2, ... ,Xn]. A mdia amostral x =

x
i =1

uma estatstica.

EXEMPLO 6

Seja a v.a. X ~ N(, 2 ) com e 2 desconhecidos, ento x - no estatstica porque

no observvel, funo do parmetro desconhecido .
DEF.5 MOMENTOS AMOSTRAIS: Seja [X1, X2, ... ,Xn] uma a.a. da densidade fX(x). Ento,
1 n
o k-simo momento amostral definido por Mk = x ik
n i =1
n
1
OBS 1: Se k = 1, M1= X = xi (mdia amostral) e, o k-simo momento amostral em
n i =1
torno de X definido por

1 n
(xi - x ) k
n i =1
OBS 2: Momentos amostrais so exemplos de estatsticas.
Mk =

RESULTADO 1
Seja [X1, X2, ... ,Xn] uma a.a. da populao com densidade fX(x). Ento, a esperana do ksimo momento amostral igual ao k-simo momento populacional, isto , E(Mk) = k =
1
1
E(X k ) e a varincia dada por: V(Mk) = [E(X 2 k ) [E(X k )] 2 ] = [2k (k) 2 ] , se M2k
n
n
existe.
EXERCCIO 1: Prove o resultado anterior.

72
DEF.6. VARINCIA AMOSTRAL: Seja [X1, X2, ... ,Xn] uma a.a. da f.d.p. fX(x), ento
1 n
s2 =
( xi x) 2 definida como varincia amostral.

n 1 i =1
OBS: Tanto s2 quanto M2 = 2 medem a disperso da amostra em torno da mdia, contudo s2
melhor que 2 porque no-viciado, E(s2) = m2 = 2, enquanto E(M2) = E( 2 ) m2
= 2 e ainda s2 tem menor varincia.
RESULTADO 2
Seja [X1, X2, ... ,Xn] uma a.a. da densidade fX(x), que tem mdia e varincia finita 2, ento

E ( x) =

V( x ) = x2 =

2
n

EXERCCIO 2: Prove o resultado 2.

RESULTADO 3: Seja [X1, X2, ... ,Xn] uma a.a. da densidade fX(x) e seja s2 a varincia
amostral, ento
1
n3 4

E(s2) = 2 e V(s2) = 4
n
n 1
EXERCCIO 3: Prove a primeira parte do resultado 3.
6.3. AMOSTRAGEM DA DISTRIBUIO NORMAL
RESULTADO 4
Seja x a mdia amostral da a.a. [X1, X2, ... ,Xn]
probabilidade N(,2). Ento, x N (,2/n).

de uma v.a. com distribuio de

EXERCCIO 4: Prove o resultado 4.

DEF. 7 DISTRIBUIO QUI-QUADRADO (2)

1 1 2 2 1 2 x
, x > 0. Ento, X dita ter
Seja X uma v.a. com f.d.p. fX(x) =
x e
( 2 ) 2
distribuio Qui-quadrado com graus de liberdade, onde um inteiro positivo.
OBS.: Se X ~ 2

E(X) = e V(X) = 2

RESULTADO 5: Se as v.as Xi, i = 1, 2, ... ,n so Gaussianas e independentemente

x i
distribudas com mdia i e varincia , ento a v.a. U = i
i
i =1
2
i

EXERCCIO 5: a) Prove o resultado citado na observao anterior.

b) Prove o resultado 5.

~ x n2 .

73
RESULTADO 6: Se [Z1, Z2,..., Zn] uma a.a. de uma v.a. com distribuio de probabilidade
N( 0,1), ento:
(I) z ~ N (0, 1 n )

(II) z e

(z
i =1

(III)

(z
i =1

z ) 2 so independentes

z ) 2 ~ x n21

1 n
( xi x) 2 a varincia amostral de uma v.a. com

n 1 i =1
(n 1) s 2
uma v.a. com distribuio n21 .
distribuio N(,2), ento U =
2

COROLRIO: Se s 2 =

EXERCCIO 6: a) Prove os resultados 6;

b) Prove o corolrio do resultado 6.
DEF. 8: DISTRIBUIO
Seja uma v.a. X com f.d.p. dada abaixo. Ento, X definida como uma v.a. com distribuio
de probabilidade com 1 e 2 graus de liberdade.
+2
1

2 1

1 2 2
2 2

fX (x) =

x ( 1 2) / 2

x >0

1 + 2

[1 + ( )x]
1

RESULTADO 7: Sejam U e V v.as independentes com U uma v.a. com distribuio 2 com

1 graus de liberdade e V uma outra v.a. 2 com 2 graus de liberdade. Ento a v.a. X =

U
V

1
2

tem distribuio com 1 e 2 graus de liberdade.

COROLRIO: Se [X1, X2, ... ,Xm+1] uma a.a. de tamanho m+1 de uma populao
N( x , x2 ) e se [Y1, Y2 ,..., Yn+1] uma a.a. de tamanho n+1 de uma populao N( y , y2 ) e se

as duas amostras so independentes, ento :

m +1

U=

(x
i =1

n +1

x) 2
2

~ 2m, V =

(y
i =1

y) 2
2

~ n2 , tal que

(x
i =1
n

(y
i =1

x) 2 / m
~ m, n.
y) / n
2

EXERCCIO 7: a) Prove o resultado 7

b) Prove o corolrio do resultado 7.
RESULTADO 8: Seja X uma v.a. com distribuio 1 , 2 ou seja X ~ 1 , 2 , ento:

E(X) =

2 2

2 >2

EXERCCIO 8: Prove o resultado 8.

2 22 (1 + 2 2)
e V(X) =
1 ( 2 2) 2 ( 2 4)

2 > 4

74

Uma distribuio de muita importncia na prtica aquela definida pela razo entre uma v.a.
com distribuio Normal Padro e a raiz quadrada de uma v.a. com distribuio QuiZ
, com Z e U independentes.
quadrado, ou seja, X =
U

DEF. 8 DISTRIBUIO t DE STUDENT

Uma a v.a. X com f.d.p. dada abaixo definida como tendo distribuio de probabilidade t
de Student com G.Ls.
+1

(
f X ( x) =

1 + x

( +1) / 2

xR

RESULTADO 9: Se as v.as Z ~ N(0, 1) e U ~ 2 so independentes, ento X =

Z
U

~ t.

EXERCCIO 9: Prove o resultado 9.

RESULTADO 10: Se X uma v.a. com distribuio t, ento E(X) = 0 e V(X) =

2.
EXERCCIO 10: Prove o resultado 10.

, >

75

7. SUFICINCIA
7.1- INTRODUO
CONCEITO
Dada uma populao com f.p. ou f.d.p pertencente a classe f = {fX(x ) ; } onde o
espao paramtrico, um estimador ou uma estatstica, T = t(X1,X2, ... ,Xn), pode ser
interpretada como o procedimento destinado a retirar da a.a., (X1,X2, ... ,Xn), informao
sobre o valor desconhecido do parmetro . Esta estatstica existindo, chamada de suficiente
para . Assim uma estatstica suficiente permite um resumo das informaes trazidas pela
amostra, ou seja, resume os dados sem perder nenhuma informao sobre o parmetro .
Portanto, conhecida uma estatstica suficiente, os dados da amostra passam a ser irrelevantes,
pois nada mais dizem sobre , ficaram exaustos quando se calculou a estatstica T suficiente.
DEF. ESTATSTICA SUFICIENTE:
Seja [X1, X2, ... ,Xn] uma a.a. da populao com f.p. ou f.d.p na classe f = {fX(x); };
uma estatstica T suficiente para se e somente se a distribuio de (X1 , X2 ,... , Xn)
condicionada por T=t no depender de , para qualquer que seja o valor t do domnio de T.
EXERCCIOS :

7.1) Seja [ X1, X2, X3 ] uma a.a. de uma populao de Bernoulli com parmetro .
a) Escreva a f.p. da v.a Xi com distribuio de Bernoulli. A v.a Xi discreta ou contnua,
por qu?
R:
A funo de probabilidade de Xi dada por P(Xi = xi) = x i .(1 ) 1 x i , xi = 0,1 0<< 1.
A v.a. discreta pois seu contradomnio o conjunto finito {0,1}.
b) Qual o espao amostral do experimento de retirar essas trs observaes da b(1,)?
R:
= {(0,0,0); (0,0,1); (0,1,0); (0,1,1); (1,1,1); (1,1,0); (1,0,1); (1,0,0)}
# = 23 = 8 elementos
c) Qual a probabilidade associada a cada amostra?
R:
1 x 3
1 x 1 x
1 x 2 x
P(X = x) = x1 .(1 )
. 2 .(1 )
. 3 .(1 )
3

Xi

P(X = x) = i =1 .(1 )

3 X i
i
=
1

d) Qual o espao paramtrico de ?

R:
= { IR/ 0 < < 1}

76

e) Seja a estatstica T =

x
i =1

representando o nmero de sucessos no conjunto das 3

observaes amostrais. Qual a distribuio da varivel aleatria T?

R:
3

A varivel aleatria T tem distribuio binomial, ou seja, T =

x
i =1

~ b(3, ).

f) No item anterior, qual a probabilidade do resultado ( X1, X2, X3 ) condicionado a T=t?

R:
3

3
Xi

i =1

i =1 .(1 )
P( X ; T = t )
P( X )
P(X/T=t) =
=
=
P(T = t )
P(T = t )
3 t
. .(1 ) ( 3 t )
t
Xi

t .(1 ) (3 t )
3 t
. .(1 ) ( 3 t )
t

1
3

t

g) Qual a concluso que pode ser tirada sobre a estatstica T =

x
i =1

R:
3

Por definio, T =

x
i =1

suficiente para estimar o parmetro , pois P(X/T = t)

independente de .
h) Como o parmetro representa a probabilidade de um sucesso, P(Xi=1) = , i =
3

1,2,3 tem-se que o nmero total de sucessos T= xi nos fornece o qu, sobre ?
i =1

R:
Fornece toda a informao que a amostra aleatria [ X1, X2, X3 ] contm sobre , sendo
portanto completamente irrelevante conhecer a ordem com ocorrem os sucessos ou
qualquer outra caracterstica da amostra.

7.2) Na situao do exerccio anterior, seja T0 = X1 + X3.

a) Qual a distribuio de T0 = X1 + X3?
R:
2
Tem-se que T0 ~ b(2,), ou seja, P(T0 = to) = . t0 .(1 ) ( 2 t0 ) , t0 = 0,1,2 e 0 < <
t0

1.
b) A estatstica T0 = X1 + X3 suficiente para ?
R:
P( x t 0 ) P( x).P (t 0 | x)
t .(1 ) (3t )
P(x | T0=t0) =
=
=
p (t 0 )
P(t 0 )
2 t0
. .(1 ) ( 2t0 )
t0
P(x / T0 = t0) =

(t t ) .(1 ) (1t + t
0

0)

2

t0
Logo, T0 no suficiente para pois a probabilidade condicional depende de .

77

7.3) INSPEO POR AMOSTRAGEM: Uma mquina produz n itens sucessivamente. Cada
item produzido bom com probabilidade e defeituoso com probabilidade 1 - , onde um
parmetro desconhecido. Suponha que no h dependncia entre a qualidade dos itens
produzidos e seja Xi = 1 se o i-simo item bom e Xi = 0 em caso contrrio. Assim sendo,
, se x = 1
tem-se que P ( X = x) =
1 , se x = 0 .

a) Qual a distribuio de probabilidade da v.a. Xi?

R:
P(Xi = xi) = x i .(1 ) 1 x i , xi = 0, 1 ; 0 < < 1, ou seja, Xi ~ b(1,)
n

b) Qual a distribuio de probabilidade da v.a T =

X
i =1

R:
n

T=

X
i =1

n
~ b(n, ), ou seja, P(T = t) = . t .(1 ) ( n t ) ; t = 0, 1, 2, ..., n e 0<< 1.
t

c) Determine a distribuio conjunta da a.a. X = [X1, X2,..., Xn].

R:
n

P(X = x) =

Xi

i =1

.(1 )

n X i
i =1

, Xi = 0,1 ; 0 < < 1

n

d) Verifique se a estatstica T =

X
i =1

suficiente para .

R:
n

n
Xi

i =1

P( X ; T = t )
P( X )
i =1 .(1 )
P(X|T = t) =
=
=
P(T = t )
P(T = t )
n t
. .(1 ) ( n t )
t
Xi

Logo, T =

X
i =1

1
n

t

suficiente para pois P(X|T = t) independente de .

7.4) No contexto do exerccio 7.1, verifique se a estatstica S = X1.X2 + X3 suficiente para

estimar , seguindo a seqncia de itens lista a seguir e assumindo que [X1, X2, X3] uma
amostra aleatria de tamanho n = 3 com Xi ~ b (1,).
a) Qual o contradomnio da v.a. S? Relacione os eventos (ou seja o domnio) e o
contradomnio de S.
R:
Contradomnio da v.a. S (S uma funo) : Cd(S) = {0, 1, 2}
O domnio de S ou seja o conjunto de partida com os eventos :
D(S) = {[0,0,0,]; [0,0,1]; [0,1,0]; [0,1,1]; [1,1,1]; [1,1,0]; [1,0,1]; [1,0,0]}
b) Calcule P(X1 = x1; X2 = x2; X3 = x3) para todos os 8 eventos do domnio de S. Construa
uma tabela que mostre tudo o que pedido.
R:

78

Distribuio de probabilidade amostral

X
P(X)

[0,0,0,] [0,0,1,] [0,1,0,] [0,1,1,]

[1,1,1,] [1,1,0,] [1,0,1,] [1,0,0,]
3
2
2
2
3
(1).2 (1 ).2 (1 )2
(1 ) (1 ) (1 ) (1 ).

c) Calcule P(S = 0), P(S = 1) e P(S = 2), ou seja, determine a distribuio de probabilidade
de S, P(S = s). Construa uma tabela que mostre os valores.
R:
Distribuio de probabilidade da estatstica S
S
P(S)

0
(1 ) + 2.(1 )2
3

1
(1 ) + 3.(1 )2
2

2
3

e) Calcule a distribuio conjunta de X= [X1, X2, X3] condicionada a S = s.

R:
Tomando-se, por exemplo, P(X = [0,0,0]|S = 0), tem-se
(1 ) 3
P( X = [0,0,0])
1
P(X = [0,0,0]|S = 0) =
=
=
(dep. de )
3
2
P( S = 0)
(1 ) + 2.(1 ) 1 +
verifica-se que a distribuio condicional assume valores diferentes dependendo de S.
f) Qual a concluso que se pode tirar sobre S?
R:
A concluso a de que S no suficiente para estimar , pois a distribuio condicional de
T dado S depende de .
7.5) Seja [X1, X2, ... ,Xn] uma a.a. de uma populao P() onde > 0. Mostre diretamente que
n

X
i =1

uma estatstica suficiente para , respondendo os itens :

a) A v.a Xi discreta ou contnua? Por qu?

R:
Xi uma v.a. discreta, porque assume valores em um conjunto enumervel.
b) Escreva a f.p. da v.a Xi.
R:
xi .e
P(Xi = xi) =
,
xi = 0,1, 2, 3, ... ; R+
.x i !
c) Escreva a f.p. conjunta para X = [X1, X2,..., Xn].
R:
P(X = x) = P(X1 = x1 ; X2 = x2; ...; Xn = xn)
x1 .e x2 .e
xn .e
P(X = x) =
.
. ... .
.x1 !
.x 2 !
.x n !

79
n

P(X = x) =

xi
i =1

.e n

xi = 0,1, 2, 3, ... ; R+

. ( x i !)
i =1

d) Calcule a probabilidade conjunta de X , condicionada a T = t.

R:
P( x t ) P( x).P(t | x)
=
P(X |T = t) =
p(t )
P(t )
n

xi
i =1

.e n

P(X | T = t) =

(x !)

xi !
i =1

i =1

(n ) .e

.e n

i =1

(xi !)
t

xi

i =1

(n ) xi .e n
i =1

t!

xi !
i =1

e) O que se conclui sobre T =

X
i =1

xi

i =1

. ( xi !)
i =1

R:
n

Conclui-se que T =

X
i =1

suficiente para pois P(X |T = t) no depende de .

7.2- TEOREMA DE NEYMAN-FISHER OU TEOREMA DA FATORIZAO

Seja uma a.a. [X1, X2, ... ,Xn] de uma distribuio f(x;), . A estatstica T(X)
suficiente para se e somente se existem funo g(t, ), definida para todo t e para todo
, e h(X) definida em Rn tal que :
P(X,) = g(T(X),).h(X)

EXERCCIOS

7.7) PROCESSO DE POISSON: Suponha que as chegadas de n consumidores em um servio

sejam contadas seguindo um Processo de Poisson com parmetro de chegada . Seja Xi o
tempo de espera at a chegada do i-simo consumidor.
a) Qual a distribuio do tempo de espera Xi?
b) Escreva de maneira formal a f.d.p da v.a Xi.
c) Escreva a f.d.p da v.a Xi usando a funo indicadora I, que vale 1 quando X > 0 e 0 em
caso contrrio (contradomnio de Xi).
d) Qual a funo densidade conjunta da a.a. (X1, X2,...,Xn) da populao X ~ E()?
e) Verifique se a estatstica T =

X
i =1

Fischer.

suficiente para , usando o Teorema de Neyman-

80

7.8) Seja (X1, X2 , ... , Xn) a.a. de uma populao com f.p. P().
a) Escreva a f.p. da varivel aleatria Xi.
R:
xi .e
P(Xi = xi) =
xi = 0,1, 2, 3, ... ; R+
.x i !
b) Escreva a f.p. da v.a Xi, usando a funo indicadora I (que descrever o
contradomnio de X).
R:
xi .e
P(Xi = xi) =
I A ( xi ) , A = N
.x i !
c) Qual a f.p. conjunta da a.a. [X1, X2,..., Xn]?
R:
n

P(X = x) =

xi
i =1

.e n

(x !)

. I A ( x i ) , A = N
i =1

i =1

d) Determine, usando o Teorema de Neyman-Fischer, a estatstica suficiente para .

R:
Da f.p. conjunta, observa-se que
n

g(T(X),)=

xi
i =1

.e

e h(X)=

( xi )

i =1
n

(x !)

, portanto fatorou em g(T(X),) e h(X).

i =1

7.9) Seja [X1, X2 ,..., Xn] uma a.a. de uma distribuio N(0, 2), 0 < < .
a)
b)
c)
d)

Escreva a f.d.p da varivel aleatria X.

Escreva a f.d.p da v.a X usando a varivel indicadora I para o seu domnio.
Qual a funo de densidade conjunta da a.a. [X1,X2,...,Xn]?
Qual a estatstica suficiente para ?

7.10) Seja [X1, X2, ... , Xn] uma a.a. de tamanho n de uma distribuio Geomtrica com
parmetro , G().
a) Escreva a f.p. da varivel aleatria Xi.
b) Escreva a f.p. da varivel aleatria Xi, usando a varivel indicadora para o seu
contradomnio.
c) Qual a f.p. conjunta da a.a. (X1, X2 , ... , Xn)?
d) Determine a estatstica suficiente para estimar .
7.11) Seja [X1, X2 , ... , Xn] uma a.a. de uma distribuio U[0, ].

81
a)
b)
c)
d)

Escreva a f.d.p da varivel aleatria X.

Escreva a f.d.p da v.a Xi usando a varivel indicadora I para o seu contradomnio.
Qual a funo densidade conjunta para a a.a. [X1,X2 , ... , Xn]?
Determine a estatstica suficiente para .

7.12) Seja [X1,X2 , ... , Xn] uma a.a. da v.a. X ~ N(, 2), com ambos os parmetros
desconhecidos. Seja = [, 2] o vetor de parmetros.
a) Escreva a f.d.p da varivel aleatria Xi.
R:
f(xi) =

.e

1 x
i

, xi R ; R e R+

b) Escreva a f.d.p da varivel aleatria Xi usando a varivel indicadora I para o seu

contradomnio.
R:
f(xi) =

.e

1 x
i

I A ( x i ) , A = (,) , R e R+

c) Qual a funo de densidade conjunta da a.a. (X1,X2 ,..., Xn)?

R:
1
f(x) =
2

xi

2
.e i =1

( x i ) , A = (,) , R e R+

i =1

d) Determine usando o Teorema de Neyman-Fischer a estatstica suficiente para

= [, 2].
R:
Desenvolvendo o somatrio do expoente de e na funo densidade conjunta,
n

i =1

i =1

tem-se que a estatstica suficiente para = [, 2] T(X) = [ xi , xi 2 ].

7.3- FAMLIA EXPONENCIAL UNIPARAMTRICA

DEF. Uma v.a. em R possui distribuio da famlia exponencial uniparamtrica se a sua f.p.
ou f.d.p da forma f(x) = {exp[c()T(x) + d() + S(x)]}.IA(x), onde , intervalo aberto
de R e o conjunto A = {x f(x) > 0 } independente de .
EXEMPLO 1: A distribuio binomial, b(n,) pertence a famlia exponencial, pois :

n
n
n x
f(x) = x (1 ) = exp ln + x ln + (n x ) ln (1 ) IN*(x)
x
x


n
= exp ln + x ln + n ln (1 ) x ln (1 ) IN*(x)
x

n
f(x) = exp ln + x ln
+ n ln(1 ) I N ( x)
1
x

82

EXEMPLO 2: A distribuio U [0, ] no pertence a famlia exponencial, pois :

1
0x
fX(x) =

e fX(x) = exp{-ln} no corresponde a forma de famlia exponencial, uma vez que o limite na
extremidade b do intervalo depende de .
Se [X1, X2 , ... , Xn] uma a.a. de uma populao com f.p. ou f.d.p da famlia exponencial,
ento a estatstica T(X) uma estatstica suficiente para , pelo Teorema da Fatorizao.
EXERCCIOS
7.13) Seja [X1, X2 , ... , Xn] uma a.a. de uma distribuio Normal N(,) com fixo e
conhecido.
a) Escreva a funo densidade de probabilidade conjunta.
b) Escreva a f.d.p conjunta na forma da famlia exponencial.
c) Identifique as funes c(), T(x), d() e S(x).
d) Qual a estatstica suficiente para ?

7.14) Suponha [X1, X2 , ... , Xn] uma a.a. de uma populao com uma das seguintes
densidades. Ache a estatstica suficiente para , com a fixo e conhecido, e identifique
c(), T(x), d() e S(x).
R:
a) Beta(,a)
( + a) ( 1)
f ( xi ) =
.x i
.(1 x i ) ( a 1) ; 0 < xi < 1 , > 0 , a > 0
( ).(a)
( 1)

( a 1)

n
( + a) n

n
I A ( xi )
Ento f ( x) =
.
x
.
(
1
x
)

i
i

i =1

i =1
( ).(a) i =1
Assim, tem-se que
n
n
( + a )
d()= n. ln
;
T(x)=
ln(
x
)
;
c(

)=
(

1
)
e
S(x)
=(a-1)
ln(1 xi )

i =1
i =1
( ).(a )

e a estatstica suficiente para T(x) =

ln( x ) .
i =1

b) Weibull(,a)
( a 1) x a
f ( x i ) = .a.xi
.e
, xi > 0 , > 0 e a > 0
(x ) n
n
Ento f ( x) = ( .a ) . x i
.e i =1 I A ( x i )
i =1
i =1
n
n

a
f ( x) = expn. ln ( .a ) + (a 1). ln( x i ) + . ( xi ) .I A ( x i )

i =1
i =1


Assim, tem-se que
n
n

a
d() = n. ln ( .a ) ; T(x) = ( xi ) ; c() = ; S(x) = (a 1). ln( x i )
i =1
i =1

( a 1)

83
e a estatstica suficiente para T(x) =

(x
i =1

a
i

).

c) Pareto (,a)
.a
f ( x i ) = +1 ; xi > a , > 0
x
ento,
n
n .a n
I ( xi )
f ( x) =
( +1) A
i =1
n
x i
i =1

n

f ( x) = expn. ln ( ) + n . ln a ( + 1). ln( x i ) .I A ( x i ) .

i =1

Assim, tem-se que
d() = n. ln ( ) + n . ln a ; T(x) =

ln( xi ) ; c() = ; S(x) = - ln( xi )

i =1

e a estatstica suficiente para T(x) =

i =1

ln( x ) .
i =1

7.4- FAMLIA EXPONENCIAL K-PARAMTRICA

DEF. A famlia de distribuies {P; } dita famlia exponencial com k parmetros ou
k-paramtrica, se existem as funes de valor real c1, c2,..., ck e d(), e ainda T1, T2, ..., Tk
funes de varivel real, e tambm S, definidas em Rn e um conjunto A Rn tal que a f.d.p
(ou f.p.) P pode ser escrita na forma :
K

p(x,) = exp c i ()Ti ( x ) + d () + S( x ) I A ( x )

i =1
e pelo Teorema da Fatorizao o vetor T(x) = [T1(x),..., Tk(x)] suficiente para = (1, 2,...,
k ).
EXERCCIOS :

7.15) Seja [X1, X2 , ... , Xn] uma a.a. de uma distribuio N(,2), onde = 2 .

a) Qual o espao paramtrico do parmetro ?
b) Escreva a f.d.p de Xi.
c) Escreva a f.d.p conjunta da amostra.
d) Escreva a f.d.p conjunta na forma da famlia exponencial.
e) Qual a estatstica suficiente para ?

7.16) Seja (X1,X2 , ... , Xn) uma a.a. de uma distribuio (,), onde = o vetor de

parmetros.
a) Qual o espao paramtrico de ?
R:
= { (,)R2| > 0 e > 0}

84

b) Escreva a f.d.p da v.a Xi.

R:

1
f (x i ) =
.x i .e x i .I ( 0, ) ( x i ) , > 0 e > 0
( )
c) Escreva a f.d.p conjunta da amostra.
R:

f (x) =

( )

. x i
i =1

.e

xi
i =1

. I ( 0, ) ( x i ) , > 0 e > 0
i =1

d) Escreva a f.d.p conjunta na forma da famlia exponencial e identifique ci(), Ti(x), d()
e S(x).
R:
n
n

f ( x ) = expn. ln
(
1
).
ln(x i ) + (). x i I ( 0, ) ( x i )

i =1

i =1
( )
Desta forma, tem-se
n
c1() = ; T1(x) = x i ; c2() = ; T2(x) =
i=1

ln( x ) ;
i =1

n

e
S(x)
=
ln( x i ) .
d() = n. ln

i =1
( )

e) Qual a estatstica suficiente para ?

R:
n x
i

A estatstica suficiente para T ( X ) = n i =1

.
ln(
x
)

i
i =1

85

BIBLIOGRAFIA
[1] JAMES, BARRY R. - Probabilidade, um curso em nvel intermedirio, 2 ed.
IMPA (RJ), 1996.
[2] DEGROOT, M.H. Probability and Statistics, ed. Addison-Wesley Publishing
Company, Inc., 1975.
[3] MOOD A. M., GRAYBILL F., BOES, D. C. Introduction to the Theory of Statistics,
McGraw-Hill Book Company., 17 imp., 1986.
[4] BICKEL, P. J. & DOKSUM, K.A. Mathematical Statistics, Basic Ideas and Selected
Topics, ed. Holden Day Inc., 1977.
[5] MEYER, P.L. - Probabilidade, Aplicaes Estatstica, Ed. Livros Tcnicos e
Cientficos Editora S.A., 1972.
[6] SPIEGEL, M.L. - Probabilidade e Estatstica, Coleo Schaum, Ed. McGraw-Hill., 1978.
[7] Montgomery, D.C. & Runger, G. C. Estatstica Aplicada e Probabilidade para
Engenheiros, 2ed., LTC Livros Tcnicos e Cientficos Editora S.A., Rio de Janeiro
(021-2221-9621/fax 021-2221-3202), 2003.
[8] Triola, M. F. Introduo Estatstica, 7ed., ., LTC Livros Tcnicos e Cientficos
Editora S.A., Rio de Janeiro (021-2221-9621/fax 021-2221-3202), 1999.