Documente Academic
Documente Profesional
Documente Cultură
Departamento de Estatstica
Contedo
1 Variveis Aleatrias 1
3.1 Introduo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
i
ii CONTEDO
4.3 Varincia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
Variveis Aleatrias
Um experimento que pode gerar diferentes resultados se realizado mais de uma vez sob
as mesmas condies chamado de experimento aleatrio. Como exemplo de experimentos
aleatrios temos: o lanamento de um dado e a observao da face superior; a observao
do tempo de durao de um certo dispositivo eletrnico; lanamentos consecutivos de uma
moeda at que saia a face cara.
A1 . F ;
A2 . Se A F Ac F ;
A3 . Se Ai F i
i=1 Ai F .
Exemplo 1.3
Considere o experimento de lanar de um dado e observar a sua face superior. Para esse
experimento defina = {1, 2, 3, 4, 5, 6}. Apresente duas possveis -lgebras para esse
espao amostral .
Soluo:
A primeira -lgebra F1 ser definida pelo conjunto das partes de , que tem 26 =
64 elementos. Entre eles est o nico subconjunto com zero elementos, , todos os 6
subconjuntos com 1 elemento, {1}, {2}, {3}, {4}, {5} e {6}, todos os 15 subconjuntos com
2 elementos, {1, 2}, {1, 3}, {1, 4}, {1, 5}, {1, 6}, {2, 3}, {2, 4}, {2, 5}, {2, 6}, . . . , {5, 4} e {5, 6},
assim por diante at o nico subconjunto com 6 elementos, que o prprio = {1, 2, 3, 4, 5, 6}.
F1 = { , {1}, {2}, . . . , {6}, {1, 2}, {1, 3}, . . . {5, 6}, {1, 2, 3}, . . . {4, 5, 6},
{1, 2, 3, 4} . . . {3, 4, 5, 6}, {1, 2, 3, 4, 5} . . . {2, 3, 4, 5, 6}, {1, 2, 3, 4, 5, 6} }.
Ax1 . P() = 1;
Em alguns livros, por exemplo James (2004), os autores fazem distino entre evento e
evento aleatrio. Enquanto evento qualquer subconjunto do espao amostral o termo Evento
Aleatrio definido como qualquer evento ao qual atribudo uma probabilidade, ou seja, os
eventos da -lgebra. Neste texto, por se tratar de um primeiro curso de probabilidade, no
vamos fazer essa distino. Sempre que qualquer um dos dois termos for mencionado ele se
refere a um evento ao qual atribudo uma probabilidade.
P3 . Se A B P(A) P(B);
P4 . P(A B) = P(A) + P(B) P(A B) (ou P(A B) = P(A) + P(B) P(A B));
Ai
P
P5 . P Ui=1 i=1 P(Ai ).
Demonstrao:
Para a demonstrao da Proposio 1.5 veja Proposio 1.1 de Magalhes (2011).
Soluo:
Vamos primeiro resolver para r = 5.
Qual o experimento aleatrio que est sendo realizado? O experimento pode ser
definido como sortear 5 datas de aniversrios (aniversrio dos indivduos), entre as 365
possveis. Ento o espao amostral para esse experimento pode ser representado por:
= {(1, 1, 1, 1, 1), (1, 1, 1, 1, 2), , (1, 1, 1, 2, 1), . . . , (2, 4, 123, 201, 250), . . . , (365, 365, 365)}.
4 CAPTULO 1. VARIVEIS ALEATRIAS
Como queremos calcular uma probabilidade devemos definir o evento para o qual
queremos encontrar a probabilidade. Que evento esse?
Mais fcil do que contar o nmero de elementos de E ser contar o nmero de elementos
de E c . Como podemos usar P(E c ) para encontrar P(E), veja Proposio 1.5, vamos resolver
por esse caminho. Para isso precisamos definir E c :
Em situaes como essa, em geral, o interesse no est no funcionrio em si, mas, sim, em
alguma caracterstica deste funcionrio, por exemplo, sua altura, se tem curso superior ou no,
nmero de dependentes. Dessa forma, poderamos calcular a altura mdia dos funcionrios
da amostra, o nmero mdio de dependentes, a proporo de funcionrios com curso superior,
etc. Ento, a cada amostra possvel, ou seja, a cada ponto do espao amostral associamos um
nmero. Essa a definio de varivel aleatria.
1.2. VARIVEIS ALEATRIAS 5
Dito de outra forma, uma varivel aleatria uma funo real (isto , que assume valores
em R) definida no espao amostral de um experimento aleatrio. Isso significa que uma
varivel aleatria uma funo que associa a cada elemento de um nmero real.
Como uma varivel aleatria X uma funo muitas vezes estaremos interessados na
sua imagem, Im(X ), que definida pelo conjunto de valores que a varivel aleatria pode
assumir. Veja os exemplos a seguir.
Exemplo 1.8
Considere o experimento de lanar trs vezes uma moeda. Seja X a varivel aleatria definida
pelo nmero de caras nos trs lanamentos.
Soluo:
Para definir o espao amostral vamos representar por K a cara e por C a coroa.
(a) = {K K K , K K C , K C K , K CC , C K K , C K C , CC K , CCC }.
(b) X (K K K ) = 3, X (K K C ) = 2, X (K C K ) = 2, X (K CC ) = 1, X (C K K ) = 2,
X (C K C ) = 1, X (CC K ) = 1, X (CCC ) = 0.
Soluo:
Vamos supor que se o dardo for lanado fora do alvo o experimento repetido. Nesse caso
podemos representar cada sada do experimento pelo ponto no plano representado pelo local
em que o dardo foi lanado dentro do alvo. Assim o espao amostral ser:
q
= (i, j) | i + j 40 .
2 2
p
Lembre-se que i2 + j 2 a distncia do ponto (i, j) origem, isto , ao centro do alvo.
Como a v.a. X definida justamente p pela distncia entre o dardo e o centro alvo podemos
concluir que, (i, j) , X (i, j) = i2 + j 2 . Alm disso, a menor distncia possvel 0 e a
maior 40, logo 0 X (i, j) 40 e Im(X ) = [0, 40].
J a v.a. Y , que definida pelos pontos ganhos, s pode assumir os valores 40, 30, 20
ou 10, de acordo com a pontuao indicada na figura. Ento Im(Y ) = {10, 20, 30, 40}.
Exemplo 1.10
Considere o experimento de observar, durante um dia, o nmero de nascimentos e o sexo dos
bebs em uma certa maternidade. Para esse experimento considere o evento A = nasceram
mais homens que mulheres no dia de observao.
Soluo:
(a) Vamos representar cada elemento de por um par ordenado (x, y) de forma que
x indique o nmero de nascimentos de bebs do sexo feminino e y o nmero de
nascimentos de bebs do sexo masculino. Como tanto x quanto y indicam uma contagem,
ambos tm que ser nmeros naturais. Logo, = {(x, y) N2 }.
(b) O evento A definido pelo subconjunto de tal que cada elemento representa mais
nascimentos de meninos do que de meninas. Por exemplo, {(0, 1), (2, 4), (1, 3)} A e
{(5, 2), (0, 0), (1, 0)} * A. Podemos ento definir A = {(x, y) N2 | x < y}.
(d) Para verificar que IA v.a. preciso verificar que a imagem inversa de qualquer intervalo
I R pertence -lgebra F . Seja I R um intervalo qualquer. Se 0 I e 1 I,
ento IA1 (I) = F . Se 0 / I e1 / I, ento IA1 (I) = F . Se 0 / I e 1 I, ento
1
IA (I) = A F . Se 0 I e 1 / I, ento IA1 (I) = Ac F . Logo, IA varivel aleatria.
Seja X uma varivel aleatria definida no espao de probabilidade (, F , P). Veja que,
pela prpria definio de varivel aleatria, qualquer que seja o intervalo I R
E = { | X () I}
um evento e logo P(E) bem definido. Ou seja, podemos calcular P(E). Por abuso de
notao costuma-se escrever essa probabilidade da seguinte maneira,
P(E) = P({ | X () I}) = P(X I),
que a probabilidade da v.a. X assumir valores no intervalo I.
FX (x) = P (X x) x R.
interessante notar que a funo FX est definida para todo nmero real x,
independente dos valores que a varivel aleatria X possa assumir. Alm disso tambm
vale notar que FX : R [0, 1].
Exemplo 1.13
Considere o experimento de lanar uma moeda. Para esse experimento seja X a v.a. indicadora
da ocorrncia da face cara, isto ,
1 , se sair cara;
X=
0 , se sair coroa.
Encontre a funo de distribuio de X e esboce seu grfico.
8 CAPTULO 1. VARIVEIS ALEATRIAS
Soluo:
Queremos encontrar FX (x) = P(X x) x R. Veja que Im(X ) = {0, 1},
0 1
vamos pensar em FX (x) para valores de x separadamente nos conjuntos (, 0), {0}, (0, 1),
{1} e (1, ). Primeiro veja que se x (, 0).
x 0 1
X no pode assumir valores menores que x, veja que todos os elementos de Im(X ) esto
direta de x na reta acima. Ento FX (x) = 0 sempre que x < 0.
0 x 1
A nica possibilidade de X assumir valores menores que x quando X = 0, veja a reta acima.
Ento FX (x) = P(X x) = P(X = 0) = 1/2 sempre que 0 < x < 1.
0 1 x
0 , se x < 0;
FX (x) = 1/2 , se 0 x < 1;
, se x 1.
0.5
1
Exemplo 1.14
Considere o experimento e a v.a. descritos no Exemplo 1.8. Encontre e esboce o grfico da
funo de distribuio de X , definida pelo nmero de caras em 3 lanamentos de uma moeda.
Soluo:
J vimos que Im(X ) = {0, 1, 2, 3}. Vamos primeiro determinar FX (x) para x (, 0).
1.3. FUNO DE DISTRIBUIO ACUMULADA 9
x 0 1 2 3
Veja que se x < 0 no tem como a v.a. X assumir valores menores ou iguais a x, pois todos
os elementos da Im(X ) so maiores que x. Por isso, se x < 0 temos FX (x) = P(X x) = 0. J
se x = 0, temos FX (0) = P(X 0) = P(X = 0) = P(sair K K K ) = 1/8.
0 x 1 2 3
0 1 x 2 3
0 1 2 x 3
0 1 2 3 x
1
7/8
0 , se x < 0;
, 0 x < 1;
1/8 se
1/2
FX (x) = 1/2 , se 1 x < 2;
, 2 x < 3;
7/8 se
, x 3.
1 se 1/8
0
1 0 1 2 3 4
10 CAPTULO 1. VARIVEIS ALEATRIAS
Exemplo 1.15
Suponha o experimento de sortear de forma aleatria um ponto no intervalo (0, 1). Para esse
experimento defina X como sendo o ponto sorteado. Encontre a funo de distribuio de X .
Soluo:
Veja que Im(X ) = (0, 1). Dado x (0, 1) qualquer, P(X x) = x. Se x 0, P(X x) = 0, pois
no h nmeros possveis de serem sorteados menores que 0. J se x 1, P(X x) = 1, pois
todos os nmeros possveis de serem sorteados so menores ou iguais a 1.
0 x 1
0 , se x 0;
FX (x) = x , se 0 < x < 0;
1 , se x 1.
0 1
Proposio 1.16 Propriedades da Funo de Distribuio
Seja FX a funo de distribuio de alguma varivel aleatria X . Ento FX satisfaz as
seguintes propriedades.
(a) P(X a) (b) P(X > a) (c) P(a < X b) (d) P(X = a)
(e) P(X < a) (f) P(X a) (g) P(a < X < b) (h) P(a X b)
Soluo:
A ideia transformar o evento para o qual queremos calcular a probabilidade em um evento
do tipo {X c}, pois nesse caso sabemos que P(X c) = FX (c). Para isso vamos usar as
propriedades da probabilidade (Proposio 1.5).
(c) P(a < X b) = P({X b} {X > a}) = P(X b) P({X a}) = FX (b) FX (a).
(d) P(X = a) = P({X a} {X a}) = P(X a) P(X < a) = FX (a) limh0+ P(X
a h) = FX (a) FX (a ), que o tamanho do salto da funo FX no ponto a.
(e) P(X < a) = P(X a) P(X = a) = FX (a) P(X = a), lembrando que P(X = a) o
tamanho do salto da funo FX no ponto a.
(f) P(X a) = 1 P(X < a) = 1 (FX (a) P(X = a)) = 1 FX (a) + P(X = a).
(g) P(a < X < b) = P(X < b) P(X a) = FX (b) P(X = b) FX (a).
(h) P(a X b) = P(X b) P(X < a) = FX (b) (FX (a) P(X = a)) = FX (b) FX (a) +
P(X = a).
O Exemplo 1.18 acima nos mostra que conhecendo a funo de distribuio de uma
varivel aleatria podemos calcular qualquer probabilidade envolvendo essa varivel. Ou
seja, o comportamento de uma varivel aleatria fica perfeitamente determinado atravs da
sua funo de distribuio.
Exemplo 1.19
Seja X a v.a. que representa o tempo de vida (em dias) de um dispositivo eltrico. Suponha
que
, x < 0;
FX (x) =
0
1 ex/20 , x 0.
Soluo:
(c) P(dispositivo durar mais de 30 dias) = P(X > 30) = 1 P(X 30) = 1 FX (30) =
1 (1 e30/20 ) = e3/2 = 0, 2231.
(d) P(dispositivo durar entre 10 e 30 dias) = P(10 X 30) = P(X 30) P(X < 10) =
P(X 30) (P(X 10) P(X = 10)) = FX (30) (FX (10) 0) = FX (30) FX (10) =
1 e30/20 1 + e10/20 = e1/2 e3/2 = 0, 6065 0, 2231 = 0, 3834.
Exemplo 1.20
Seja X uma v.a. cuja funo de distribuio definida por:
0 , x < 1;
, 1 x < 1;
1/5
FX (x) = 2/5 , 1 x < 2;
, 2 x < 4;
4/5
, x 4.
1
(c) Calcule: P(X > 0), P(X = 0), P(X = 2), P(X < 2), P(0 < X < 4) e P(X > 0 | X 2).
Soluo:
(c) P(X > 0) = 1 P(X 0) = 1 FX (0) = 1 1/5 = 4/5.
P(X > 0 | X 2) = P(X > 0 X 2)/ P(X 2) = P(0 < X 2)/ P(X 2) =
(P(X 2) P(X 0)) / P(X 2) = (FX (2) FX (0)) /FX (2) = (4/5 1/5) /(4/5) =
(3/5)/(4/5) = 3/4.
Cada varivel aleatria pode ser classificada como: discreta, contnua, singular ou mista.
Neste curso, por se tratar de um curso introdutrio da Teoria das Probabilidades, estudaremos
apenas as variveis discretas e contnuas.
1.4. CLASSIFICAO DE VARIVEIS ALEATRIAS 13
(b) Usando uma tabela de duas entradas, podemos representar os valores de X da seguinte
forma:
A(8, 8) B(9, 2) C (8, 9) D(9, 5) E(9, 0)
A(8, 8) = 9, 0
8,8+9,2
2 8, 85 9, 15 8, 90
B(9, 2) 9, 05 9, 35 9, 10
C (8, 9) 9, 20 8, 95
D(9, 5) 9, 25
E(9, 0)
14 CAPTULO 1. VARIVEIS ALEATRIAS
(c) Como Im(X ) um conjunto finito, em particular tem 10 elementos, podemos dizer que X
varivel aleatria discreta.
0 , se x < 8, 85; 1
1/10 , se 8, 85 x < 8, 90; 0.9
2/10 , se 8, 90 x < 8, 95; 0.8
3/10 , se 8, 95 x < 9, 00; 0.7
, 9, 00 x < 9, 05;
0.6
4/10 se
FX (x) = 5/10 , se 9, 05 x < 9, 10; 0.5
, 9, 10 x < 9, 15;
0.4
6/10 se 0.3
, 9, 15 x < 9, 20;
7/10 se 0.2
8/10 , se 9, 20 x < 9, 25; 0.1
9/10 , se 9, 25 x < 9, 35; 0
1 , se x 9, 35.
8.85 8.9 8.95 9 9.05 9.1 9.15 9.2 9.25 9.35
1 7
P (X 9) = P((A, B) , (A, D) , (B, C ) , (B, D) , (B, E) , (C , D) , (D, E)) = 7 = .
10 10
Ento se uma varivel aleatria tem grfico do tipo escada, j sabemos de que se trata
de uma varivel aleatria discreta.
Precisamos ter ateno com o termo funo absolutamente contnua, que no a mesma
coisa que funo contnua. Mas para facilitar o entendimento de variveis aleatrias contnuas
no contexto de um primeiro curso de Probabilidade, podemos usar o resultado apresentado
na Proposio 1.24.
1.4. CLASSIFICAO DE VARIVEIS ALEATRIAS 15
Proposio 1.24
Seja F uma funo que satisfaz:
(i) F contnua em R;
(ii) F diferencivel em R, exceto em um conjunto finito de pontos.
Ento F absolutamente contnua.
Demonstrao:
A demostrao desta proposio ser omitida.
Ento, combinando os resultados da Definio 1.23 e da Proposio 1.24, toda vez que
uma varivel aleatria X apresentar funo de distribuio F satisfazendo as condies (i) e
(ii) da Proposio 1.24, podemos afirmar que X varivel aleatria contnua. Veja que a volta
no verdadeira, ou seja, podem existir variveis aleatrias contnuas tais que sua funo de
distribuio F no satisfaa (i) ou (ii). Mas esses casos no sero tratados nesse curso.
Nos Exemplos 1.15 e 1.19 as variveis aleatrias definidas so contnuas. Veja que
em ambos os exemplos a funo de distribuio FX contnua. Alm disso FX s no
diferencivel em um conjunto finito de pontos: no Exemplo 1.15 FX s no diferencivel em
dois pontos, x = 0 e x = 1, e no Exemplo 1.19 a funo Fx s no diferencivel no ponto
x = 0.
em que k uma constante, determine os possveis valores de k para que F seja a funo
de distribuio acumulada de uma varivel aleatria contnua X . Em seguida, determine a
imagem de X .
Soluo:
Para que F seja funo de distribuio de uma varivel aleatria contnua necessrio que
no haja saltos no grfico de F . Para que isso ocorra o valor de k tem que ser tal que
limx1 F (x) = limx1+ F (x) e limx2 F (x) = limx2+ F (x). Isto , 1/2 = k e 2k = 1, ou seja,
k = 1/2. Para terminar, a imagem de F formada pelos valores do domnio onde a funo
crescente, ou seja, Im(X ) = [0, 2].
Para terminar esse captulo, vejamos um exemplo de uma varivel aleatria que no
nem discreta nem contnua.
Exemplo 1.27
Seja X varivel aleatria com funo de distribuio definida por:
0 ,x < 0
FX (x) = x , 0 x < 1/2
1 , x x < 1/2
1/2
0 0.5
(b) Para verificar o que se pede precisamos verificar as propriedades da Proposio 1.16.
Primeiro veja pelo grfico que limx FX (x) = 1 e limx FX (x) = 0.
Veja que FX funo crescente no intervalo (0, 1/2) e constante no restante da
reta. Ento FX funo no decrescente.
Veja que o nico ponto de descontinuidade de FX o (1/2, 1/2). Precisamos ento
mostras que nesse ponto FX contnua direita.
Seja {xi } uma sequencia tal que xi 1/2 e xi 1/2, isto , {xi } uma sequncia
que converge para 1/2 pela direita, ento FX (xi ) = 1 i. Logo a sequncia {FX (xi )}
constante e igual a 1 e por isso FX (xi ) 1 = FX (0.5). Assim mostramos que FX
contnua a direita em 0.5.
1.4. CLASSIFICAO DE VARIVEIS ALEATRIAS 17
(d) Veja que Im(X ) = [0, 1/2]. Como esse conjunto no enumervel, X no varivel
aleatria discreta.
18 CAPTULO 1. VARIVEIS ALEATRIAS
Captulo 2
J vimos no Captulo 1 que uma varivel aleatria chamada de discreta se a sua imagem
um conjunto finito ou enumervel. Nesse caso o grfico da sua funo de distribuio do
tipo escada e o tamanho do degrau localizado em X = x exatamente P(X = x).
Para encontrar a funo de probabilidade de uma varivel aleatria temos que primeiro
encontrar a sua imagem e em seguida calcular a probabilidade de ocorrer cada elemento
da imagem. Todos os valores reais que no pertencem a imagem tem probabilidade nula de
ocorrer, logo para esses valores a funo de probabilidade tambm nula.
Suponha que nosso interesse esteja no mximo das faces dos dois dados. Neste caso, defina
a varivel aleatria X = mximo das 2 faces.
(a) = {(i, j) | i, j = 1, 2, 3, 4, 5, 6}
= {(1, 1), (1, 2), . . . , (1, 6), (2, 1), (2, 2), . . . , (2, 6), . . . , (6, 6)}.
(b) A Tabela 2.1 abaixo apresenta X () para todo .
1/36 , se x = 1
11/36
3/36 , se x = 2
se x = 3
9/36
5/36 ,
pX (x) = se x = 4
7/36
7/36 ,
se x = 5
5/36
9/36 ,
se x = 6
3/36
11/36 ,
1/36
0 , caso contrrio. 0
0 1 2 3 4 5 6 7
Tambm podemos definir a funo de probabilidade pX em forma de uma tabela:
x 1 2 3 4 5 6
1 3 5 7 9 11
pX (x)
36 36 36 36 36 36
2.1. FUNO DE PROBABILIDADE 21
(f) Como j conhecemos P(X = x) para todo x Im(X ) basta construir uma funo escada,
com os degraus ocorrendo em cada ponto de Im(X ) e o tamanho do degrau equivalente
P(X = x). Uma vez o grfico pronto podemos definir a expresso para FX .
0 , se x < 1; 1
1/36 , se 1 x < 2;
, 2 x < 3;
4/36 se 25/36
FX (x) = 9/36 , se 3 x < 4;
, 4 x < 5;
16/36
16/36 se
, 5 x < 6;
25/36 se 9/36
1 , se x 6. 4/36
1/36
0 1 2 3 4 5 6 7
Demonstrao:
As propriedades a serem demonstradas so decorrentes dos axiomas da probabilidade, veja
Definio 1.4.
(i) Como P(A) 0 para todo A F , tambm verdade que P(X = x) 0 para todo x R.
Logo, pX (x) = P(X = x) 0 para todo x R.
P P
(ii) Veja que xIm(X ) pX (x) = xIm(X ) P(X = x) = P xIm(X ) {X = x} = P() = 1.
Exemplo 2.4 Verifique as duas propriedades listadas na Proposio 2.3 para a funo de
probabilidade da varivel aleatria do Exemplo 2.2.
(c) Usando a funo de distribuio calculada no item anterior, calcule P(X 3, 5).
Soluo:
(b)
0 se x<1
1x<2
0,25 se
FX (x) = 0,70 se 2x<3
3x<4
0,85 se
x4
1,00 se
Exemplo 2.6
Uma varivel aleatria discreta X tem a seguinte funo de probabilidade
k
(x+2)! , se x = 0 ou x = 1
pX (x) =
0 , se x 6= 0 e x 6= 1
Soluo:
(a) Os valores possveis da v.a. so 0 e 1, isto , Im(X ) = {0, 1}. Ento, temos que ter
k k k k 3k + k 6 3
pX (0) + pX (1) = 1 + =1 + =1 =1 k = = .
2! 3! 2 6 6 4 2
Logo, pX (0) = 3/2
2 = 3
4 e pX (1) = 3/2
6 = 14 .
0 , se x < 0; 3/4
(c) Para encontrar pX precisamos encontrar P(X = x) para todo x Im(X ). O espao
amostral desse experimento o mesmo do Exemplo 2.2, ou seja, ele tem 36 elementos e
todos tm mesma probabilidade de ocorre.
pX (2) = P(X = 2) = P({(1, 1)}) = 1/36.
pX (3) = P(X = 3) = P({(1, 2), (2, 1)}) = 2/36.
pX (4) = P(X = 4) = P({(1, 3), (3, 1), (2, 2)}) = 3/36.
pX (5) = P(X = 5) = P({(1, 4), (4, 1), (2, 3), (3, 2)}) = 4/36.
pX (6) = P(X = 6) = P({(1, 5), (5, 1), (2, 4), (4, 2), (3, 3)}) = 5/36.
pX (7) = P(X = 7) = P({(1, 6), (6, 1), (2, 5), (5, 2), (3, 4), (4, 3)}) = 6/36.
pX (8) = P(X = 8) = P({(2, 6), (6, 2), (3, 5), (5, 3), (4, 4)}) = 5/36.
pX (9) = P(X = 9) = P({(3, 6), (6, 3), (4, 5), (5, 4)}) = 4/36.
pX (10) = P(X = 10) = P({(4, 6), (6, 4), (5, 5)}) = 3/36.
pX (11) = P(X = 11) = P({(5, 6), (6, 5)}) = 2/36.
pX (12) = P(X = 12) = P({(6, 6)}) = 1/36.
Para qualquer outro valor x R temos pX (x) = 0. Em forma de tabela podemos
representar pX por:
x 2 3 4 5 6 7 8 9 10 11 12
1 2 3 4 5 6 5 4 3 2 1
pX (x)
36 36 36 36 36 36 36 36 36 36 36
P
Veja que pX (x) 0 para todo x e que xIm(X ) pX (x) = 36
1 2
+ 36 + 363
+ 4
36 + 5
36 + 6
36 +
5 4 3 2 1
36 + 36 + 36 + 36 + 36 = 1. Logo as propriedades foram verificadas.
Para terminar esse item s falta o grfico de pX .
6/36
5/36
4/36
3/36
2/36
1/36
0
2 3 4 5 6 7 8 9 10 11 12
(d) Como j conhecemos P(X = x) para todo x Im(X ) basta construir uma funo escada,
com os degraus ocorrendo em cada ponto de Im(X ) e o tamanho do degrau equivalente
P(X = x). Uma vez o grfico pronto podemos definir a expresso para FX .
24 CAPTULO 2. VARIVEIS ALEATRIAS DISCRETAS
0 , se x < 2; 35/36
, 2 x < 3;
33/36
1/36 se
, 3 x < 4;
30/36
3/36 se
6/36 , se 4 x < 5; 26/36
10/36 , se 5 x < 6; 21/36
, 6 x < 7;
FX (x) =
15/36 se
21/36 , se 7 x < 8; 15/36
, 8 x < 9;
26/36 se
, 9 x < 10;
10/36
30/36 se
33/36 , se 10 x < 11; 6/36
35/36 , se 11 x < 12; 3/36
1/36
1 , se x 12.
2 4 6 8 10 12
= {C , EC , EEC , EEEC }
onde {C } representa situao em que o homem acertou a chave de primeira, {EC } ele
errou na primeira tentativa e acertou na segunda, {EEC } ele errou as duas primeiras
tentativas e acertou na terceira e {EEEC } representa a situao em que ele testou
todas as chaves at achar aquela que abre a porta.
2.1. FUNO DE PROBABILIDADE 25
(b) Veja que o homem pode experimentar de 1 a 4 chaves antes de abrir a porta. Logo
Im(X ) = {1, 2, 3, 4}.
1/4 , se x = 1, 2, 3, 4 1/4
pX (x) =
0 , caso contrrio.
ou
x 1 2 3 4
P(X = x) 1/4 1/4 1/4 1/4 0
1 2 3 4
(d)
1
0 , se x < 1; 3/4
, 1 x < 2;
1/4 se
1/2
FX (x) = 1/2 , se 2 x < 3;
, 3 x < 4;
3/4 se 1/4
, x 4.
1 se
1 2 3 4
Exemplo 2.9
Suponha agora que o homem com as 4 chaves no tenha controle das chaves que j foram
experimentadas e por isso a cada nova tentativa ele escolhe, de forma aleatria, uma entre
as quatro chaves.
(d) Qual a probabilidade do homem experimentar no mximo duas chaves para abrir a
porta?
Soluo:
(a) Representando por C a seleo da chave correta e E a seleo de uma chave errada,
(b) Veja que, diferente do Exemplo 2.8, o homem pode experimentar mais de 4 chaves antes
de encontrar a correta. Para esse exemplo temos Im(X ) = {1, 2, 3, 4, 5, 6, . . .} = N. Veja
que esse um exemplo de varivel aleatria discreta com imagem infinita. Podemos
dizer que X discreta uma vez que Im(X ), apesar de infinito, um conjunto enumervel.
(c) Como a Im(X ) um conjunto infinito no vamos encontrar o valor de pX (x) para cada
x Im(X ). Vamos tentar encontrar uma expresso geral que represente pX . Para isso
vamos comear calculando pX em alguns pontos.
Veja que no importa quantas chaves j foram testadas em cada nova tentativa a
probabilidade do homem pegar a chave certa 1/4 e de pegar uma chave errada
de 3/4.
P(X = 1) = P(C ) = 1/4.
P(X = 2) = P(EC ) = 3/4 1/4 = 3/42 .
P(X = 3) = P(EEC ) = 3/4 3/4 1/4 = 32 /43 .
P(X = 4) = P(EEEC ) = 3/4 3/4 3/4 1/4 = 33 /44 .
P(X = 5) = P(EEEEC ) = 3/4 3/4 3/4 3/4 1/4 = 34 /45 .
De forma geral,
P(X = x) = 3/4 3/4 3/4 . . . 3/4 1/4 = 3x1 /4x .
Logo, a funo de probabilidade de X e o seu grfico so definidos por:
1/4
3x1
4x , se x = 1, 2, 3, 4, 5, . . .
pX (x) = 3/42
0 , caso contrrio.
32 /43
33 /44
34 /45
..
.
0
...
1 2 3 4 5 6 7
No caso de Im(X ) ser um conjunto infinito no temos como representar pX atravs de
uma tabela.
Exemplo 2.10
Verifique as propriedades de pX para a varivel aleatria X definida no Exemplo 2.9.
Soluo:
No Exemplo 2.9 encontramos
3x1
4x , se x = 1, 2, 3, 4, 5, . . .
pX (x) =
0 , caso contrrio.
P
Queremos mostrar que pX (x) 0 para todo x R e que xIm(X ) pX (x) = 1.
Primeiro veja que como 3x1 /4x 0 sempre que x N, logo a primeira propriedade foi
verificada: pX (x) 0 para todo x R.
2.1. FUNO DE PROBABILIDADE 27
P
Para mostrar que xIm(X ) pX (x) = 1 vamos precisar de alguns resultados de sries.
x
!
3x1 1 3 x 1X 3 x
X X X X
1 3
pX (x) = x
= = = 1 =
4 3 4 3 4 3 4
xIm(X ) x=1 x=1 x=1 x=0
1 1 1
= 1 = (4 1) = 1.
3 1 3/4 3
r i = 1/(1 r) sempre que |r| < 1.
P
Veja na Equao A.4 do Apndice A que
i=0
Exemplo 2.11
Suponha que um dado seja lanado quatro vezes. Seja X = o nmero de lanamentos cujo
resultado foi 6.
(a) Defina um espao amostral para o experimento e diga quantos elementos ele tem.
Soluo:
(a) Nesse caso ser conveniente considerar que a ordem com que os dados foram lanados
importa. Podemos definir o espao amostral por:
(1, 1, 1, 1), (1, 1, 1, 2), . . . (1, 1, 1, 6), (1, 1, 2, 1), (1, 1, 2, 2), . . . (1, 1, 2, 6),
..
.
= (5, 6, 3, 1), (5, 6, 3, 2), . . . (5, 6, 3, 6), (5, 6, 4, 1), (5, 6, 4, 2), . . . (5, 6, 4, 6),
..
.
(6, 6, 5, 1), (6, 6, 5, 2), . . . (6, 6, 5, 6).(6, 6, 6, 1), (6, 6, 6, 2), . . . (6, 6, 6, 6).
(c) Queremos encontrar P(X = x) para todo x Im(X ). Primeiro veja que o espao amostral
equiprovvel, isto , cada elemento tem mesma probabilidade de ocorrer uma
vez que estamos supondo o dado justo. Isto , P(1, 1, 1, 1) = P(6, 6, 6, 6) = P(1, 2, 3, 4) =
1/1296. Ou melhor, P() = 1/1296 para qualquer .
Vamos pensar em cada valor de x separadamente.
Primeiro veja que P(X = 0) = P(nenhuma face 6 nos 4 lanamentos). Sabemos que em
cada lanamento do dado a probabilidade de sair o 6 1/6 e a probabilidade de sair
outra face qualquer 5/6. Ento, P(X = 0) = 56 56 56 56 = 1296
625
. Outra maneira de
pensar seria definir o evento {nenhuma face 6 nos 4 lanamentos} e verificar que neste
evento existem 5 5 5 5 = 652 elementos.
Se quisermos calcular P(X = 4) = P(todas as faces 6 nos 4 lanamentos) = 61 16 61 16 =
1296 . Pensando em eventos no espao amostral, s existem um elemento no evento {todas
1
a face 6, o importante que ela tenha ocorrido uma nica vez. Ento P(X = 1) =
4 16 65 56 56 = 1296
500
, pois temos 4 possibilidades para o lanamento em que ocorreu
a face 6.
Agora vejamos P(X = 2) = P(2 faces 6 e 2 faces diferentes de 6 nos 4 lanamentos).
Nesse caso estamos pensando no evento em que dois lanamentos resultaram em 6 e os
outros dois em faces diferentes de 6. A probabilidade dos dois primeiros lanamentos ser
6 e os outros dois serem diferentes de 6 61 61 56 65 = 1296
25
. Mas podemos escolher de
4
2 = 6 maneiras diferentes quais os dois lanamentos que resultaram em 6 e quais os
dois que resultaram em uma face diferente de 6. Logo, P(X = 2) = 6 6 6 6 6 = 1296
1 1 5 5 150
.
Seguindo a mesma linha de raciocnio conclumos que P(X = 3) = P(3 faces 6 e 1 faces
diferentes de 6 nos 4 lanamentos) = 4 16 61 16 56 = 1296
20
.
Ento,
x 0 1 2 3 4
pX (x) 625/1296 500/1296 150/1296 20/1296 1/1296
Dada uma varivel aleatria discreta X , podemos obter outras variveis aleatrias
discretas atravs de funes de X e, da mesma forma que calculamos a funo de probabilidade
de X , podemos calcular a funo de probabilidade dessas novas variveis.
O importante ficar claro que se X varivel aleatria ento qualquer funo real de
X tambm ser varivel aleatria. Isto , se X varivel aleatria ento Y = g(X ) tambm
varivel aleatria, com g funo real. Veja que Y continua sendo uma funo do espao
amostral na reta, definida pela composio da funo g com a funo X :
X : R Y = g(X ()) : R R
7 X () 7 X () 7 g(X ()).
e
Exemplo 2.12
Considere a varivel aleatria X cuja funo de probabilidade dada na tabela abaixo:
x -2 -1 0 1 2 3
pX (x) 0,1 0,2 0,2 0,3 0,1 0,1
Defina Y = g(X ) = X 2 .
Soluo:
(a) Como Y = X 2 podemos aproveitar os valores de Im(X ) para definir o conjunto Im(Y ).
Temos Im(X ) = {2, 1, 0, 1, 2, 3}, sempre que X assumir o valor x Im(X ) a v.a. Y ir
assumir o valor x 2 . Assim, Im(Y ) = {4, 1, 0, 9}.
(b) Para calcular as probabilidades desses valores, temos que identificar os valores de X
que originaram cada um deles.
P (Y = 0) = P (X = 0) = 0, 2
P (Y = 1) = P (X = 1) + P (X = 1) = 0, 5
P (Y = 4) = P (X = 2) + P (X = 2) = 0, 2
P (Y = 9) = P (X = 3) = 0, 1
y 0 1 4 9
pY (y) 0,2 0,5 0,2 0,1
Demonstrao:
(i) Para mostrar que Y varivel aleatria discreta basta mostrar que Im(Y ) um conjunto
finito ou enumervel. Como X v.a. discreta sabemos que Im(X ) um conjunto finito ou
enumervel. Como Im(Y ) = g(Im(X )) = {y R | x Im(X ) com y = g(x)} podemos
afirmar que a cardinalidade de Im(X ) sempre maior ou igual cardinalidade de Im(Y ),
pois cada elemento de Im(Y ) associado a um ou mais elementos em Im(X ). Ento,
como Im(X ) um conjunto finito ou enumervel, Im(Y ) s pode ser um conjunto finito
ou enumervel. Com isso conclumos que Y v.a. discreta.
P
(ii) pY (y) = P(Y = y) = P(g(X ) = y) = pX (x) .
{x | g(x)=y}
Exemplo 2.14
No Exemplo 2.11 definimos X = nmero de faces 6 em 4 lanamentos de um dado. Defina
agora Y = nmero de faces diferentes de 6 em 4 lanamentos de um dado.
Soluo:
(a) Veja que podemos definir Y = 4X , pois em quatro lanamentos o nmero de resultados
diferentes de 6 o total de lanamentos, 4, menos o nmero de resultados iguais a 6.
(b) Vimos no Exemplo 2.11 que Im(X ) = {0, 1, 2, 3, 4}. Veja que quando X = x temos
Y = 4 x, logo, Im(Y ) = {4, 3, 2, 1, 0}.
x 0 1 2 3 4
pX (x) 625/1296 500/1296 150/1296 20/1296 1/1296
Veja que P(Y = y) = P(4 X = y) = P(X = 4 y). Ento, P(Y = 0) = P(X = 4), P(Y =
1) = P(X = 3), P(Y = 2) = P(X = 2), P(Y = 3) = P(X = 1) e P(Y = 4) = P(X = 0). Logo,
y 0 1 2 3 4
pY (y) 1/1296 20/1296 150/1296 500/1296 625/1296
Exemplo 2.15
No Exemplo 2.9 definimos X = nmero de chaves testadas at abrir a porta, considerando que
a cada nova tentativa qualquer uma das quatro chaves podem ser selecionadas com mesma
probabilidade. Considerando as mesmas condies do experimento, defina agora Y = nmero
de chaves erradas at abrir a porta.
Soluo:
(a) Veja que Y = X 1, pois sempre a ltima chave testada ser a chave correta e todas
as anteriores sero erradas.
(b) No Exemplo 2.9 encontramos Im(X ) = {1, 2, 3, 4, . . .}. Ento, Im(Y ) = {0, 1, 2, 3, . . .}.
3x1
4x , se x = 1, 2, 3, 4, . . .
pX (x) =
0 , caso contrrio.
P
(d) Claramente pY (y) 0 para todo y R. Basta ento verificar que yIm(Y ) pY (y) = 1.
3y 1 3 y 1X 3 y 1
X X X
1 1
pY (y) = y+1
= = = = 4 = 1.
4 4 4 4 4 4 1 3/4 4
yIm(Y ) y=0 y=0 y=0
Novamente usamos o resultado da Equao A.4 do Apndice A, que nos mostra que
r i = 1/(1 r) sempre que |r| < 1.
P
i=0
A ideia de valor mdio diz respeito mdia dos valores da varivel aleatria se o
experimento fosse realizado infinitas vezes. Suponha que X seja varivel aleatria discreta
tal que Im(X ) = {x1 , x2 , x3 , . . .}. Suponha tambm que ao realizar o experimento n vezes a
varivel X assuma os seguintes valores na seguinte ordem: x2 , x4 , x3 , x4 , x2 , x1 , x2 , . . . Ento
o valor mdio de X nas n realizaes do experimento :
x2 + x4 + x3 + x4 + x2 + x1 + x2 . . . n1 x1 + n2 x2 + n3 x3 + n4 x4 . . .
= ,
n n
onde ni representa o nmero de vezes que a varivel X assumiu o valor xi .
Podemos ver, ento, que a esperana de X uma mdia dos seus valores, ponderada
pelas respectivas probabilidades.
Veja que quando Im(X ) um conjunto finito, E(X ) definida por um somatrio com finitas
parcelas e, nesse caso, o somatrio sempre converge. Logo E(X ) existe e E(X ) R. J quando
Im(X ) um conjunto infinito e enumervel o somatrio que define E(X ) tem infinitas parcelas,
32 CAPTULO 2. VARIVEIS ALEATRIAS DISCRETAS
ou seja, trata-se de uma srie. Esta srie pode convergir para um nmero real ou no. Sempre
que essa srie convergir para um nmero real dizemos que E(X ) existe e E(X ) R. Caso
contrrio, dizemos que E(X ) no existe. Veja ento que podem existir variveis aleatrias que
no tem esperana.
Qual o nmero mdio de produtos vendidos por cada vendedor em um dia de trabalho
e qual a comisso diria mdia de cada um deles?
Soluo:
O nmero mdio de produtos vendidos em um dia por um funcionrio E(P). Veja que
Im(P) = {0, 1, 2, 3, 4, 5, 6}, ento
E(P) = 0 0, 1 + 1 0, 4 + 2 0, 2 + 3 0, 1 + 4 0, 1 + 5 0, 05 + 6 0, 05 = 2, 05
ou seja, o nmero mdio de produtos vendidos em um dia por cada funcionrio 2,05 unidades.
Dessa forma vimos que Im(C ) = {0, 10, 20, 70, 120, 170, 220} e tambm conhecemos a
probabilidade de C assumir cada um desses valores. Podemos ento calcular E(C ):
E(C ) = 0 0, 1 + 10 0, 4 + 20 0, 2 + 70 0, 1 + 120 0, 1 + 170 0, 05 + 220 0, 05 = 46, 5
ou seja, a comisso mdia diria de cada vendedor de R$ 46,50.
Note que a esperana de X tem a mesma unidade de medida dos valores de X . Para o
Exemplo 2.18 acima a unidade de medida da varivel aleatria P unidades de produtos, logo
E(P) tambm ter essa mesma unidade de medida. O mesmo vale para a varivel aleatria C
do mesmo exemplo, sua unidade de medida reais, assim como a unidade de medida de E(C ).
2.3. ESPERANA DE VARIVEIS ALEATRIAS DISCRETAS 33
Exemplo 2.19
Em um jogo de dados Cludio paga R$20,00 para Lcio e lana 3 dados. Se sair a face 1 em
um dos dados, Cludio ganha R$20,00 e sai do jogo sem prejuzo ou lucro. Se sair a face 1
em dois dos dados, Cludio ganha R$ 50,00. Se sair a face 1 nos trs dados, Cludio ganha
R$80,00. Se no sair a face 1, Cludio no ganha nada. Calcule o ganho mdio de Cludio
no jogo. Voc acha que vale a pena participar desse jogo?
Soluo:
Para calcularmos o ganho mdio de Cludio vamos definir a varivel aleatria X = ganho
do Cludio e depois encontrar E(X ). Veja que Im(X ) = {20, 0, 30, 60}. Precisamos agora
encontrar pX , isto , P(X = x) para todo x Im(X ).
pX (20) = P(X = 20) = P(no sair a face 1) = 5/6 5/6 5/6 = 125/216.
pX (0) = P(X = 0) = P(sair a face 1 em um dado) = 3 1/6 5/6 5/6 = 75/216.
pX (30) = P(X = 30) = P(sair a face 1 em dois dados) = 3 1/6 1/6 5/6 = 15/216.
pX (60) = P(X = 60) = P(sair a face 1 nos trs dados) = 1/6 1/6 1/6 = 1/216.
P
Veja que pX (x) = 1.
xIm(X )
125 75 15 1 1990
E(X ) = 20 +0 + 30 + 60 = 9, 12.
216 216 216 216 216
Ou seja, em mdia Cludio perde R$ 9,12 com o jogo. Isso significa que se Cludio
tivesse bastante dinheiro para jogar muitas partidas seguidas desse jogo, ao final ele teria
um prejuzo em torno de R$9,12. No vale a pena participar do jogo.
Exemplo 2.20
Voltando ao Exemplo 2.11, considere X = o nmero de lanamentos cujo resultado foi 6 em
quatro lanamentos de um dado. Calcule a esperana de X , ou seja, o nmero mdio de faces
iguais a 6 em quatro lanamentos de um dado.
Soluo:
No Exemplo 2.11 chegamos no resultado:
x 0 1 2 3 4
pX (x) 625/1296 500/1296 150/1296 20/1296 1/1296
Ento temos
625 500 150 20 1 861
E(X ) = 0 +1 +2 +3 +4 = 0, 6636.
1296 1296 1296 1296 1296 1296
Ou seja, o nmero mdio de faces iguais a 6 em quatro lanamentos de um dado 0,6636
face, menor que 1 face.
Exemplo 2.21
Calcule E(X ) para X = nmero de chaves testadas at conseguir abrir a porta, definida nos
Exemplos 2.8 e 2.9.
34 CAPTULO 2. VARIVEIS ALEATRIAS DISCRETAS
Soluo:
Vamos comear com X definida no Exemplo 2.8, onde X = nmero de chaves testadas at
abrir a porta, considerando que a cada nova tentativa as chaves j testadas so descartadas.
Para esse caso encontramos Im(X ) = {1, 2, 3, 4} e pX (x) = 1/4 para todo x Im(X ). Ento,
1 1 1 1 10
E(X ) = 1 +2 +3 +4 = = 2, 5.
4 4 4 4 4
Ou seja, se as chaves j testadas forem descartadas nas prximas tentativas, em mdia o
homem precisa de 2,5 tentativas para abrir a porta.
P
Primeiro veja que S1 = 1, pois S1 = xIm(X ) pX (x) e pelas propriedades da funo de
probabilidade sabemos que essa soma tem que ser 1.
Para as variveis aleatrias definidas nos Exemplos 2.8, 2.9, 2.11 e 2.19 veja na Figura
2.1 os grficos das funes de probabilidade junto com a esperana, j calculada para cada
varivel aleatria.
Observando os grficos da Figura 2.1 podemos ver que a esperana de uma varivel
aleatria X o centro de gravidade da distribuio de probabilidades. Sendo assim, a
esperana uma medida de posio. Com isso temos o resultado intuitivo de que E(X ) est
sempre entre o menor e o maior valor do conjunto Im(X ), resultado apresentado na Proposio
2.22 a seguir.
Proposio 2.22
Seja X varivel aleatria discreta, xmin = min{Im(X )} e xmax = max{Im(X )}. Se E(X ) R
ento, xmin E(X ) xmax .
Demonstrao:
Primeiro vamos mostrar que xmin E(X ).
X X X
E(X ) = xpX (x) xmin pX (x) = xmin pX (x) = xmin .
xIm(X ) xIm(X ) xIm(X )
| {z }
1
2.3. ESPERANA DE VARIVEIS ALEATRIAS DISCRETAS 35
E(X ) E(X )
...
1 2 3 4 1 2 3 4 5 6 7
(a) Exemplo 2.8 (b) Exemplo 2.9
E(X ) E(X )
0 1 2 3 4 20 0 30 60
(c) Exemplo 2.11 (d) Exemplo 2.19
J vimos que possvel obter uma nova varivel aleatria Y a partir de funo de uma
varivel X , Y = g(X ). Tambm vimos que atravs da funo de probabilidade de X podemos
obter a funo de probabilidade de Y . Sendo assim, podemos calcular a esperana de Y uma
vez que conhecemos a sua funo de probabilidade.
Demonstrao:
36 CAPTULO 2. VARIVEIS ALEATRIAS DISCRETAS
X X X
E (Y ) = ypY (y) = y P(Y = y) = y P(g(X ) = y) =
yIm(Y ) yIm(Y ) yIm(Y )
X X X X
= y P(X = x) = y P(X = x) =
yIm(Y ) {x|g(x)=y} yIm(Y ) {x|g(x)=y}
X X X
= g(x)pX (x) = g(x)pX (x).
yIm(Y ) {x|g(x)=y} xIm(X )
Exemplo 2.24
Considere as variveis aleatrias X e Y = X 2 definidas no Exemplo 2.12. Encontre E(Y ) a
partir de pY e a partir de pX , usando o resultado da Proposio 2.23.
Soluo:
No Exemplo 2.12 foi dado pX e encontramos pY , as duas funes de probabilidade esto
apresentadas a seguir.
x -2 -1 0 1 2 3 y 0 1 4 9
pX (x) 0,1 0,2 0,2 0,3 0,1 0,1 pY (y) 0,2 0,5 0,2 0,1
= (2)2 0, 1 + (1)2 0, 2 + 02 0, 2 + 12 0, 3 + 22 0, 1 + 32 0, 1
= 2, 2.
Exemplo 2.25
Seja X varivel aleatria discreta com funo de distribuio definida por:
0 , x < 2
, 2 x < 1
1/8
FX (x) = 5/8 ,1 x < 2
,2 x < 4
7/8
, x 4.
1
Soluo:
Primeiro vamos encontrar Im(X ) e pX . Veja que Im(X ) = {2, 1, 2, 4} e que pX (x) em cada
x Im(X ) est definido na tabela a seguir:
x -2 1 2 4
pX (x) 1/8 1/2 1/4 1/8
2.3. ESPERANA DE VARIVEIS ALEATRIAS DISCRETAS 37
E(aX + b) = a E(X ) + b.
Demonstrao: X
E(aX + b) = (ax + b)pX (x) =
xIm(X )
X
= (axpX (x) + bpX (x)) =
xIm(X )
X X
= axpX (x) + bpX (x) =
xIm(X ) xIm(X )
X X
= a xpX (x) +b pX (x) = a E(X ) + b.
xIm(X ) xIm(X )
| {z } | {z }
E(X ) 1
Exemplo 2.27
No Exemplo 2.9 definimos X = nmero de chaves testadas at abrir a porta, considerando que
a cada nova tentativa qualquer uma das quatro chaves podem ser selecionadas com mesma
probabilidade. No Exemplo 2.21 encontramos E(X ) = 4. Considere Y = nmero de chaves
erradas at abrir a porta definida no Exemplo 2.15. Calcule Y de duas maneiras diferentes,
primeiro usando pY encontrada no Exemplo 2.15 e depois usando o resultado da Proposio
2.26.
Soluo:
3y
4y+1
, se y = 0, 1, 2, 3, . . .
No Exemplo 2.15 encontramos pY (y) =
0 , caso contrrio.
3y
Veja primeiro que S2 =
P P
y=0 4y+1 = yIm(Y ) pY (y) = 1. Vamos agora encontrar S1 ,
para isso faremos a troca de varivel z = y + 1.
X 3y X 3z1 4 X 3z 4 X 3z 4
S1 = (y + 1) y+1 = z z = z z+1 = z z+1 = E(Y ).
4 4 3 4 3 4 3
y=0 z=1 z=1 z=0
| {z }
E(Y )
Assim temos,
4 4 1
E(Y ) = E(Y ) 1 1 = E(Y ) E(Y ) 1 = E(Y ) E(Y ) = 3.
3 3 3
Exemplo 2.28
Considere X1 e X2 variveis aleatrias discretas com funes de probabilidade pX1 e pX2
definidas por:
, x = 1, 2, 8, 9
, x = 3, 7
0, 05
, x = 3, 7
0, 1
, x = 4, 6
0, 1
pX1 (x) = , x = 4, 6 pX2 (x) =
0, 3
,x = 5
0, 15
,x = 5
0, 2
, caso contrrio.
0, 3
, caso contrrio;
0
0
(b) Esboce e compare os grficos de pX1 e pX2 . O que voc pode perceber de diferente entre
essas duas variveis?
Soluo:
pX1 pX2
E(X1 ) E(X2 )
1 2 3 4 5 6 7 8 9 1 2 3 4 5 6 7 8 9
Uma diferena que pode ser notada de imediato a a disperso dos valores para cada
varivel aleatria. Veja que X1 tem valores mais dispersos em torno da mdia que X2 ,
isto , mais espalhados. Ou seja, os valores de Im(X2 ) so mais concentrados em torno
da mdia do que so os valores de Im(X1 ). Exitem vrias maneiras de medir a disperso
de uma varivel aleatria, vamos definir inicialmente uma dessas medidas de disperso,
chamada de varincia.
Veja que Var(X ) definida como E(g(X )), com g(X ) = (X E(X ))2 . O termo X E(X )
chamado de desvio em torno da mdia. Sendo assim, a varincia a mdia dos desvios
quadrticos em torno da mdia E(X ).
Proposio 2.30
Seja X varivel aleatria discreta tal que E(X ) R e E(X 2 ) R. Ento, Var(X ) R e
Demonstrao:
40 CAPTULO 2. VARIVEIS ALEATRIAS DISCRETAS
X
Var (X ) = (x E (X ))2 pX (x)
xIm(X )
X
= x 2 2x E(X ) + (E(X ))2 pX (x) =
xIm(X )
X
= x 2 pX (x) 2x E(X )pX (x) + (E(X ))2 pX (x) =
xIm(X )
X X X
= x 2 pX (x) 2x E(X )pX (x) + (E(X ))2 pX (x) =
xIm(X ) xIm(X ) xIm(X )
X X X
= x 2 pX (x) 2 E(X ) xpX (x) + (E(X ))2 pX (x) =
xIm(X ) xIm(X ) xIm(X )
| {z } | {z } | {z }
E(X 2 ) E(X ) 1
O resultado da Proposio 2.30 pode ser lido, de maneira informal, como a varincia
a esperana do quadrado menos o quadrado da esperana.
Exemplo 2.32
Calcule Var(X1 ), DP(X1 ), Var(X2 ) e DP(X2 ) para as variveis definidas no Exemplo 2.28 e
comente os resultados.
Soluo:
Primeiro as contas para a varvel X1 :
E(X12 ) = 12 0, 05 + 22 0, 05 + 32 0, 1 + 42 0, 15 + 52 0, 3 +
62 0, 15 + 72 0, 1 + 82 0, 05 + 92 0, 05
= 28, 6.
Var(X1 ) = E(X12 ) E(X1 )2 = 28, 6 52 = 3, 6.
p p
DP(X1 ) = Var(X1 ) = 3, 6 1, 9.
E(X22 ) = 32 0, 1 + 42 0, 3 + 52 0, 2 + 62 0, 3 + 72 0, 1 = 26, 4.
Var(X2 ) = E(X22 ) E(X2 )2 = 26, 4 52 = 1, 4.
p p
DP(X2 ) = Var(X2 ) = 1, 4 1, 2.
Vejamos mais algumas propriedades da varincia, agora para qualquer que seja a
varivel aleatria.
Proposio 2.34 Propriedades da Varincia e do Desvio-padro
Seja X varivel aleatria tal que Var(X ) R. Ento valem as seguintes propriedades:
(i) Var(X ) 0
(ii) DP(X ) 0
(iii) Var(aX + b) = a2 Var(X )
(iv) DP(aX + b) = |a| DP(X )
Demonstrao:
(i) Veja que Var(X ) = E(g(X )), com g(X ) = (X E(X ))2 . Veja tambm que g(X ) varivel
aleatria no negativa, isto , xmin = min{Im(g(X ))} 0. Logo, pela propriedade
apresentada na Proposio 2.22, podemos afirmar que E(g(X )) xmin 0. Ento,
Var(X ) 0.
p
(ii) Como Var(X ) 0, DP(X ) = Var(X ) 0.
(iii)
Var(aX + b) = E (aX + b E(aX + b))2
2
= E aX + b a E(X )
b
= E (aX a E(X ))2
= E a2 (X E(X ))2
= a2 E (X E(X ))2
= a2 Var(X ).
p p p
(iv) DP(aX + b) = Var(aX + b) = a2 Var(X ) = |a| Var(X ) = |a| DP(X ).
Exemplo 2.35
Considere a v.a. Y com funo de probabilidade dada por
y 3 1 0 2 5 8 9
pY (y) 0, 25 0, 30 0, 20 0, 10 0, 07 0, 05 0, 03
e seja Z = 2Y 3. Vamos calcular a esperana e a varincia de Y e Z .
42 CAPTULO 2. VARIVEIS ALEATRIAS DISCRETAS
Soluo:
E(Y ) = 3 0, 25 1 0, 30 + 0 0, 20 + 2 0, 10 + 5 0, 07 + 8 0, 05 + 9 0, 03 = 0, 17.
E(Y 2 ) = 90, 25+10, 30+00, 20+40, 10+250, 07+640, 05+810, 03 = 10, 33.
x= nmero de aparelhos 0 1 2 3 4 5
pX (x) 0,1 0,1 0,2 0,3 0,2 0,1
Soluo:
Seja X o nmero de aparelhos vendidos. Vamos calcular a mdia e o desvio padro de X , isto
, do nmero de aparelhos vendidos.
E (X ) = 0 0, 1 + 1 0, 1 + 2 0, 2 + 3 0, 3 + 4 0, 2 + 5 0, 1
= 2, 7 aparelhos
E X2 = 02 0, 1 + 12 0, 1 + 22 0, 2 + 32 0, 3 + 42 0, 2 + 52 0, 1
= 10, 2 aparelhos2
Exemplo 2.37
Seja X a varivel aleatria definida no Exemplo 2.25, isto , X tal que
0 , x < 2
, 2 x < 1
1/8
FX (x) = 5/8 , 1 x < 2
,2 x < 4
7/8
, x 4.
1
No Exemplo 2.25 calculamos E(X ), E(X 2 ), E(5 2X ) e E(|X |). Agora calcule Var(X ), Var(X 2 ),
Var(5 2X ) e Var(|X |).
2.4. VARINCIA E DESVIO-PADRO DE VARIVEL ALEATRIA 43
Soluo:
Os resultados encontrados no Exemplo 2.25 foram: E(X ) = 5
4, E(X 2 ) = 4, E(5 2X ) = 5
2 e
E(|X |) = 74 .
Exemplo 2.38
Seja uma v.a. X com funo de probabilidade dada na tabela a seguir:
x 1 2 3 4 5
pX (x) p2 p2 p p p2
(a) Encontre o valor de p para que pX (x) seja, de fato, uma funo de probabilidade.
Soluo:
P
(a) Como pX (x) = 1, temos que ter:
x
3p2 + 2p = 1 3p2 + 2p 1 = 0
2 4 + 12 2 4 p = 1
p= = ou
p = 13
6 6
(c) Aqui temos que notar o seguinte fato sobre a funo mdulo, ilustrado na Figura 2.2.
Valores y = |x| no eixo vertical menores que k (abaixo da linha horizontal slida)
correspondem a valores de x no intervalo (k, k) e valores y no eixo vertical maiores
que k correspondem ou a x > k ou a x < k. Mais precisamente,
|x | k xk ou x k
|x | k k x k
|x| = k
k k
E(X ) = 1 p2 + 2 p2 + 3 p + 4 p + 5 p2
1 2 4 5
= + +1+ +
9 9 3 9
29
= = 3, 2222
9
E(X 2 ) = 12 p2 + 22 p2 + 32 p + 42 p + 52 p2
1 4 16 25
= + +3+ +
9 9 3 9
105 35
= =
9 3
2
35 29 14
Var(X ) = =
3 9 81
Exemplo 2.39 Jogo de dados
Um jogador A paga R$5,00 a B e lana um dado. Se sair face 3, ganha R$20,00. Se sair face
4, 5, ou 6, perde. Se sair face 1 ou 2, tem o direito de jogar novamente. Desta vez, lana
dois dados. Se sarem duas faces 6, ganha R$50,00. Se sair uma face 6, recebe o dinheiro
de volta. Nos demais casos, perde. Seja L o lucro lquido do jogador A nesse jogo. Calcule a
funo de probabilidade de L e o lucro esperado do jogador A.
2.4. VARINCIA E DESVIO-PADRO DE VARIVEL ALEATRIA 45
Soluo:
Sabemos que o dado honesto e que os lanamentos so independentes. O diagrama de
para o espao amostral desse experimento est apresentado na Figura 2.3.
-5+20 = 15
1/
6
},
{3
{4, 5, 6}, 1/2
-5 -5
25/
{1
36
6},
,2
},
1/ hum
{ne
3 n
-5+50=45
Para calcular a probabilidade dos eventos associados aos lanamentos dos dois dados
(parte inferior da rvore), usamos o fato de que a probabilidade da interseo de eventos
independentes o produto das probabilidades.
Lucro ` -5 0 15 45
P(L = `) 1
2 + 2
6 5
6 5
6 = 158
216
2
6 2 1
6 5
6 = 20
216
1
6 = 36
216
2
6 1
6 1
6 = 2
216
Assim,
158 36 2 160
E(L) = 5 + 15 + 45 = = 0, 74.
216 216 216 216
46 CAPTULO 2. VARIVEIS ALEATRIAS DISCRETAS
Captulo 3
3.1 Introduo
1. (a) Lana-se uma moeda viciada e observa-se o resultado obtido e (b) pergunta-se a um
eleitor se ele vai votar no candidato A ou B.
2. (a) Lana-se uma moeda n vezes e observa-se o nmero de caras obtidas e (b) de uma
grande populao, extrai-se uma amostra de n eleitores e pergunta-se a cada um deles
em qual dos candidatos A ou B eles votaro e conta-se o nmero de votos do candidato
A.
3. (a) De uma urna com P bolas vermelhas e Q bolas brancas, extraem-se n bolas sem
reposio e conta-se o nmero de bolas brancas e (b) de uma populao com P pessoas
a favor do candidato A e Q pessoas a favor do candidato B, extrai-se uma amostra de
tamanho n sem reposio e conta-se o nmero de pessoas a favor do candidato A na
amostra.
Na prtica, existem muitas outras situaes que podem se encaixar nos modelos acima
e mesmo em outros modelos. O que veremos nesse captulo so alguns modelos de variveis
aleatrias discretas que podem descrever situaes como as listadas anteriormente. Nesse
contexto, um modelo ser definido por uma varivel aleatria e sua funo de probabilidade,
explicitando-se claramente as hipteses de validade. De posse desses elementos, poderemos
analisar diferentes situaes prticas para tentar encaix-las em algum dos modelos dados.
Suponha que seu professor de Estatstica decida dar de presente a um dos alunos um
livro de sua autoria. No querendo favorecer qualquer aluno em especial, ele decide sortear
aleatoriamente o ganhador, dentre os 45 alunos da turma. Para isso, ele numera os nomes
dos alunos que constam do dirio de classe de 1 a 45, escreve esses nmeros em pedaos
iguais de papel, dobrando-os ao meio para que o nmero no fique visvel, e sorteia um desses
papis depois de bem misturados. Qual a probabilidade de que voc ganhe o livro? Qual
a probabilidade de que o aluno que tirou a nota mais baixa na primeira prova ganhe o livro?
E o que tirou a nota mais alta?
Vamos denotar a distribuio Uniforme Discreta com parmetro n por Unif(n). Nesse
caso, se quisermos indicar que uma varivel aleatria X segue a distribuio Uniforme Discreta
com parmetro n podemos simplesmente escrever: X Unif(n) (l-se: a varivel aleatria X
tem distribuio Uniforme Discreta com parmetro n).
1
pX (xi ) = P(X = xi ) = i = 1, 2, . . . , n. (3.1)
n
3/n
1/n
2/n
1/n
0 0
x1 x2 x3 ... xn x1 x2 x3 ... xn
(a) Funo de Probabilidade (b) Funo de Distribuio
Esperana e Varincia
1 1 1
E(X ) = x1 + x2 + + xn = x, (3.2)
n n n
ou seja, E(X ) a mdia aritmtica dos valores possveis de X .
1 1 1
Var(X ) = E [X E(X )]2 = (x1 x)2 + (x2 x)2 + + (xn x)2 = X2 (3.3)
n n n
Exemplo 3.2 Lanamento de uma moeda
Considere o lanamento de uma moeda. Vamos definir a seguinte varivel aleatria X
associada a esse experimento:
0 , se ocorre cara
X=
1 , se ocorre coroa
Soluo:
Para que essa v.a. tenha distribuio uniforme, necessrio supor que a moeda seja honesta
e, nesse caso,
1
pX (0) = pX (1) =
2
0+1 1
E(X ) = =
2 2
1 1 2 1 1 2
Var(X ) = 0 + 1
2 2 2 2
1 1 1 1 1
= + =
2 4 2 4 4
50 CAPTULO 3. ALGUMAS DISTRIBUIES DISCRETAS
1+2+3+4+5
(b) E(T ) = = 3 horas
5
12 + 22 + 32 + 42 + 52
Var(T ) = 9 = 2 = DP(T ) = 1, 41 horas
5
(c) Seja E o evento tcnico vai ter que fazer hora extra. Ento
3
P(E) = P(T > 2) = = 0, 6
5
Logo, a probabilidade de que ele no tenha que fazer hora extra 0,4.
Suponha que seja realizado um ensaio de Bernoulli e, baseado nesse experimento, seja
definida a varivel aleatria X :
X=
1 , se ocorre sucesso
0 , se ocorre fracasso
3.3. DISTRIBUIO DE BERNOULLI 51
Primeiro veja que para qualquer ensaio de Bernoulli sempre possvel definir uma v.a.
de Bernoulli, como j comentado acima. Veja tambm que Im(X ) = {0, 1}, uma vez que X
v.a. indicadora (Definio 1.11), P(X = 1) = p, probabilidade de sucesso, e P(X = 0) = 1 p,
probabilidade de fracasso. Como p uma probabilidade, o espao paramtrico o intervalo
[0, 1]. comum denotar a probabilidade de fracasso por q, isto , q = 1 p e 0 q 1.
Vamos denotar a distribuio de Bernoulli com parmetro p por Bern(p). Nesse caso,
se quisermos indicar que uma varivel aleatria X segue a distribuio de Bernoulli com
parmetro p podemos simplesmente escrever: X Bern(p) (l-se: a varivel aleatria X tem
distribuio de Bernoulli com parmetro p).
1p 1p
0 0
0 1 0 1
(a) Funo de Probabilidade (b) Funo de Distribuio
Esperana e Varincia
E(X ) = 0 (1 p) + 1 p = p
E(X 2 ) = 02 (1 p) + 12 p = p
Var(X ) = E(X 2 ) [E(X )]2 = p p2 = p(1 p)
E(X ) = p (3.6)
Var(X ) = p(1 p) (3.7)
Seja p a probabilidade de cara, 0 < p < 1. J vimos que se p = 1/2 ento X uniforme
discreta. Encontre a distribuio de X qualquer que seja o valor de p.
Soluo:
Como Im(X ) = {0, 1}, X tem distribuio de Bernoulli com parmetro p, qualquer que seja
p. Nesse caso o sucesso definido como a sada cara, e ocorre com probabilidade p, e o
fracasso a sada coroa.
Note que se p = 1/2 X pode ser considerada uma v.a. de Bernoulli ou uniforme discreta,
para os outros valores de p X s pode ser considerada v.a. de Bernoulli. Nesse caso, a
Bernoulli com parmetro p = 1/2 equivalente distribuio uniforme.
Soluo:
Primeiro veja que o experimento correspondente ao sorteio aleatrio de uma dessas
declaraes em que observado se a declarao sorteada ou no fraudulenta um
experimento de Bernoulli.
Veja que Im(IA ) = {0, 1} e por isso podemos dizer que esta v.a. tem distribuio de
Bernoulli. O parmetro p a probabilidade de sucesso, que por definio o evento
3.4. DISTRIBUIO BINOMIAL 53
associado ao valor 1 da varivel aleatria. Da forma com que IA foi construda o sucesso
para esse ensaio de Bernoulli encontrar uma declarao fraudulenta. Ento p = 0, 1.
Esse exemplo ilustra o fato de que sucesso, nesse contexto, nem sempre significa uma
situao feliz na vida real. Aqui, sucesso definido de acordo com o interesse estatstico no
problema. Em uma situao mais dramtica, sucesso pode indicar a morte de um paciente,
por exemplo.
Soluo:
Como visto antes, cada lanamento da moeda representa um experimento de Bernoulli e como
o interesse est no nmero de caras, vamos definir sucesso = cara.
X =0
Temos a seguinte equivalncia de eventos:
{X = 0} C1 C2 C3 C4
resulta que
P (C1 C2 C3 C4 ) = P(C1 ) P(C2 ) P(C3 ) P(C4 )
= (1 p) (1 p) (1 p) (1 p)
= (1 p)4
X =1
O evento X = 1 corresponde ocorrncia de 1 cara e, consequentemente, de 3 coroas.
Uma sequncia possvel de lanamentos
K1 C2 C3 C4 .
Vamos calcular a probabilidade desse resultado. Como antes, os lanamentos so
eventos independentes e, portanto,
P(K1 C2 C3 C4 ) = P(K1 ) P(C2 ) P(C3 ) P(C4 )
= p (1 p) (1 p) (1 p)
= p(1 p)3
Mas qualquer sequncia com 1 cara resulta em X = 1, ou seja, a face cara pode estar em
qualquer uma das quatro posies e todas essas sequncias resultam em X = 1. Alm
disso, definida a posio da face cara, as posies das faces coroas j esto determinadas
so as posies restantes. Ento, temos a seguinte equivalncia:
{X = 1} {K1 C2 C3 C4 } {C1 K2 C3 C4 }
{C1 C2 K3 C4 } {C1 C2 C3 K4 }
P(X = 1) = P(K1 C2 C3 C4 )
+ P(C1 K2 C3 C4 )
+ P(C1 C2 K3 C4 )
+ P(C1 C2 C3 K4 )
= p (1 p) (1 p) (1 p)
+(1 p) p (1 p) (1 p)
+(1 p) (1 p) p (1 p)
+(1 p) (1 p) (1 p) p
= 4p(1 p)3
X =2
O evento X = 2 corresponde ocorrncia de 2 caras e, consequentemente, de 2 coroas.
Qualquer uma dessas sequcias tem probabilidade p2 (1 p)2 .
As sequncias de lanamentos com 2 caras e 2 coroas so as seguintes:
K1 K2 C3 C4
K1 C2 K3 C4
K1 C2 C3 K4
C1 C2 K 3 K 4
C1 K 2 C3 K 4
C1 K 2 K 3 C4
3.4. DISTRIBUIO BINOMIAL 55
{X = 2} (K1 K2 C3 C4 ) (K1 C2 K3 C4 )
(K1 C2 C3 K4 ) (C1 C2 K3 K4 )
(C1 K2 C3 K4 ) (C1 K2 K3 C4 )
e, portanto,
X =3eX =4
Os casos X = 3 e X = 4 so anlogos aos casos X = 1 e X = 0, respectivamente; basta
trocar caras por coroas e vice-versa. Assim,
P(X = 3) = 4p3 (1 p)
P(X = 4) = p4
Soluo:
O importante a notar aqui o seguinte: como cada bola sorteada recolocada na urna
antes da prxima extrao, a composio da urna sempre a mesma e o resultado de
uma extrao no afeta o resultado de outra extrao qualquer. Dessa forma, em todas
as extraes a probabilidade de bola branca (e tambm bola verde) a mesma e podemos
considerar as extraes como independentes. Assim, temos uma situao anloga do
exemplo anterior: temos trs repeties de um experimento (sorteio de uma bola), essas
repeties so independentes, em cada uma delas h dois resultados possveis bola branca
(sucesso) ou bola verde (fracasso) e as probabilidades de sucesso e fracasso so as mesmas.
Assim, cada extrao equivale a um experimento de Bernoulli e como o interesse est nas
bolas brancas, vamos considerar sucesso = bola branca e da observao anterior resulta que
4
P(sucesso) =
10
X =0
Esse resultado equivale extrao de bolas verdes em todas as trs extraes.
{X = 0} {V1 V2 V3 }
Logo,
P(X = 0) = P(V1 V2 V3 )
= P(V1 ) P(V2 ) P(V3 )
3
6 6 6 6
= =
10 10 10 10
X =1
Esse resultado equivale extrao de uma bola branca e, por consequncia, duas bolas
verdes. A bola branca pode sair em qualquer uma das trs extraes e, definida a
posio da bola branca, as posies das bolas verdes ficam totalmente estabelecidas.
Logo,
2
4 6
P(X = 1) = 3
10 10
X =2eX =3
Os casos X = 2 e X = 3 so anlogos aos casos X = 1 e X = 0, respectivamente; basta
trocar bola branca por bola verde e vice-versa. Assim,
2 3
4 6 4
P(X = 2) = 3 e P(X = 3) =
10 10 10
Esses dois exemplos ilustram a distribuio binomial, que depende de dois parmetros:
o nmero de repeties n e a probabilidade de sucesso p de cada ensaio de Bernoulli. No
Exemplo 3.8, n = 4 e temos uma probabilidade de sucesso qualquer p. No Exemplo 3.9, n = 3
4
ep= .
10
3.4. DISTRIBUIO BINOMIAL 57
Vamos denotar a distribuio Binomail com parmetros n e p por Binom(n, p). Nesse
caso, se quisermos indicar que uma varivel aleatria X segue a distribuio Binomial com
parmetros n e p podemos simplesmente escrever: X B(n, p) ou X bin(n, p) (l-se: a
varivel aleatria X tem distribuio Binomial com parmetros n e p).
Funo de Probabilidade
Nessa seo ser apresentada a funo de probabilidade de X B(n, p). Para isso
precisamos definir P(X = x) para x = 0, 1, 2, . . . , n. Veja que o evento {X = x} corresponde a
todas as sequncias de resultados com x sucessos e n x fracassos. Como as repeties so
independentes, cada uma dessas sequncias tem probabilidade
px (1 p)nx . O nmero total
n
de tais sequncias dado pelo coeficiente binomial , apresentado na Definio 3.12.
x
n x
pX (x) = P(X = x) = p (1 p)nx , x = 0, 1, 2, . . . , n. (3.8)
x
Vamos verificar que a expresso apresentada na Equao 3.8 realmente uma funo
de
P probabilidade. Para isso preciso mostrar que pX (x) 0 para qualquer x R e
p
xIm(X ) X (x) = 1. imediato ver, da Equao 3.8, que pX (x) 0. Para mostrar que a
soma das probabilidades 1, usaremos o Teorema 3.13 do binmio de Newton.
?
Onde a passagem = uma aplicao direta do Binmio de Newton, Teorema 3.13.
Assim, a Equao 3.8 realmente define uma funo de probabilidade.
Esperana e Varincia
Vamos, agora, calcular E X 2 . Usando raciocnio anlogo ao usado no clculo da
esperana, temos que:
n n
X n k X n!
E X 2
= k 2
p (1 p)nk = k2 pk (1 p)nk =
k k! (n k)!
k=0 k=1
n
X n!
= k2 pk (1 p)nk =
k (k 1)! (n k)!
k=1
n
X n!
= k pk (1 p)nk =
(k 1)! (n k)!
k=1
n
X n (n 1)!
= k p pk1 (1 p)nk =
(k 1)! (n k)!
k=1
n
X (n 1)!
= np k pk1 (1 p)nk
(k 1)! (n k)!
k=1
e, portanto,
ou seja,
X B(n, p) Var (X ) = np (1 p) (3.10)
Soluo:
Podemos pensar os tiros como experimentos de Bernoulli independentes, em que o sucesso
acertar no alvo e a probabilidade de sucesso 0,20. Ento, o problema pede P(X 1), em
que X = nmero de acertos em 10 tiros. Logo, X bin(10; 0, 20) e
Soluo:
Note que s podem ocorrer vitrias ou derrotas, o que significa que temos repeties de um
experimento de Bernoulli com probabilidade 0,6 de sucesso (vitria do jogador A). Assumindo
a independncia das provas, se definimos X = nmero de vitrias de A, ento X bin(8; 0, 6)
e o problema pede P (X 5) , isto , probabilidade de A ganhar mais partidas que B.
P (X 5) = P (X = 5) + P (X = 6) + P (X = 7) + P (X = 8)
8 8
= (0, 6)5 (0, 4)3 + (0, 6)6 (0, 4)2 +
5 6
8 7 1 8
+ (0, 6) (0, 4) + (0, 6)8 (0, 4)0
7 8
= 0, 5940864
Soluo:
Temos que
np = 4, 5
np(1 p) = 3, 15
3.4. DISTRIBUIO BINOMIAL 61
4, 5(1 p) = 3, 15
1 p = 0, 7
p = 0, 3
n = 4, 5/0, 3 = 15.
p(n + 1) 1 k0 p(n + 1)
Note que, se p(n + 1) for inteiro, ento a distribuio bimodal, com moda em k01 =
p(n + 1) e k02 = p(n + 1) 1 pois
62 CAPTULO 3. ALGUMAS DISTRIBUIES DISCRETAS
Para o caso em que p = 0, 5, esses resultados implicam que a distribuio ser unimodal
quando n + 1 for mpar e bimodal quando n + 1 for par, ou seja, se p = 0, 5, a distribuio
unimodal para n par e bimodal para n mpar. Alm disso, se p = 0, 5, a distribuio ser
simtrica, pois
n k nk n
P(X = k) = 0, 5 (1 0, 5) = 0, 5nk (1 0, 5)n(nk) = P(X = n k)
k nk
Esses resultados esto ilustrados na Figura 3.3, onde temos grficos da distribuio
binomial para diferentes valores dos parmetros n e p. Note que a distribuio assimtrica
quando p 6= 0, 5 e a assimetria positiva quando p < 0, 5 e negativa quando p > 0, 5.
0.4 0.4
0.3 0.3
0.2 0.2
0.1 0.1
0 0
0 1 2 3 4 5 6 7 8 9 10 0 1 2 3 4 5 6 7 8 9 10
(a) B(n = 10, p = 0, 5) (b) B(n = 7, p = 0, 5)
0.4 0.4
0.3 0.3
0.2 0.2
0.1 0.1
0 0
0 1 2 3 4 5 6 7 8 9 10 0 1 2 3 4 5 6 7 8 9 10
(c) B(n = 7, p = 0, 2) (d) B(n = 7, p = 0, 8)
Assim como na seo anterior, nessa comear esta com um exemplo antes da
formalizao da nova distribuio.
3.5. DISTRIBUIO HIPERGEOMTRICA 63
Soluo:
No exemplo 3.9 as bolas eram retiradas com reposio, agora estamos supondo que as
extraes sejam feitas sem reposio. O que muda? A primeira observao a de que as
probabilidades em cada extrao dependem das extraes anteriores, ou seja, no temos mais
independncia ou probabilidades constantes. A segunda observao que cada subconjunto
de 3 bolas igualmente provvel, j que as extraes so aleatrias. O nmero total de
subconjuntos de 3 bolas retiradas das 10 bolas da urna 10
3 e, portanto, cada subconjunto
1
tem probabilidade 10 .
3
X =0
Ter 0 bola branca na amostra, significa que todas as 3 bolas so verdes. Como h 6
bolas vedes, o nmero de maneiras que podemos retirar 3 bolas verdes dado por 63 .
Logo, 6
3
P(X = 0) = 10
3
X =1
Ter 1 bola branca na amostra, significa que as outras 2 so verdes. Como h 4 bolas
brancas, o nmero de maneiras que podemos retirar 1 bola branca dado por 41 .
Analogamente, como
h 6 bolas verdes, o nmero de maneiras que podemos retirar 2
bolas verdes 62 . Pelo Princpio Fundamental da Multiplicao, o nmero de maneiras
que podemos retirar 1 bola branca e 2 bolas verdes 41 62 . Logo,
4
1 62
P(X = 1) = 10
3
X =2eX =3
Analogamente,
4
2 61 4
3 60
P(X = 2) = 10
e P(X = 3) = 10
3 3
Suponhamos que nossa amostra seja, agora, de 5 bolas. Como s h 4 bolas brancas,
no possivel obter uma amostra formada apenas por bolas brancas. Mas, vamos pensar, por
64 CAPTULO 3. ALGUMAS DISTRIBUIES DISCRETAS
Para determinar os valores possveis de X , isto , Im(X ), temos que considerar diferentes
possibilidades para a composio da populao em termos dos nmeros de sucessos e
fracassos relativos ao tamanho da amostra.
Se for possvel ter uma amostra s com sucessos ou s com fracassos, isto , se r n
e N r n, ento os possveis valores de X variam de 0 (amostra formada s por
fracassos) a n (amostra formada s por sucessos).
Se for possvel ter uma amostra s com sucessos, mas no s com fracassos, isto , se
r n e N r < n, ento o nmero mximo de fracassos na amostra N r e, portanto,
o nmero mnimo de sucessos n (N r). Logo, os valores de X variam de n (N r)
a n.
Se for possvel ter uma amostra s com fracassos, mas no s com sucessos, isto , se
N r > n e r < n, ento o nmero mnimo de sucessos na amostra 0 e o nmero
mximo r.
Funo de Probabilidade
Para provar que a Equao 3.14 realmente define uma funo de probabilidade, note
inicialmente que P (X = x) 0 P
x R. Alm disso temos que provar que a probabilidade do
espao amostral 1, isto , que x|xIm(X ) P (X = x) = 1, ou seja
n
r N r
r N r P
n n
x=0 x nx
X x nx X r N r N
= 1 = = 1 = =
N N x nx n
x=0 k=0
n n
Ento basta provar
n
X r N r N
= . (3.15)
k nx n
x=0
Demonstrao:
Veja que se m = 0 e n = 0 a igualdade trivialmente satisfeita. Vamos analisar ento o caso
em que m > 0 ou n > 0.
Seja C um conjunto no vazio com m + n elementos. Veja que C pode ser partido em
dois conjuntos disjuntos com m e n elementos, respectivamente. Vamos denotar tais conjuntos
por Cn e Cm , onde Cn tem n elementos, Cm tem m elementos, Cn Cm = e Cn Cm = C .
m
Fixando 0 k s, veja que representa o nmero de subconjuntos de Cm com
k
n
k elementos e representa o nmero de subconjuntos de Cn com s k elementos.
s k
m n
Logo, representa o nmero de subconjuntos de C com s elementos tais que k
k sk
elementos pertencem Cm e os outros s k elementos pertencem Cm .
s
P m n
Ento, representa o nmero de subconjuntos de C com s elementos,
k=0 k sk
m+n
isto , .
s
Podemos ver que a Equao 3.15 nada mais que a frmula de Euler com k = x, m = r,
n = N r e s = n, o que resulta que
n
X r N r r+N r N
= =
k nk n n
k=0
e isso completa prova de que a Equao 3.14 realmente define uma funo de probabilidade.
3.5. DISTRIBUIO HIPERGEOMTRICA 67
Esperana e Varincia
r N r r N r
n n
X x nx ? X x nx
E (X ) = x = x
N N
x=0 x=1
n n
?
Na passagem = acontece a mudana do ndice pois quando x = 0 o somatrio se anula.
Continuando,
r N r
n n
X x nx 1 X r N r
E (X ) = x = x =
N N x nx
x=1 x=1
n n
n n
1 X r! N r 1 X r(r 1)! N r
= x = x
N x! (r x)! n x N x(x 1)! (r x)! n x
x=1 x=1
n n
n1 n1
r X (r 1)! N r r X r1 N r
E (X ) = =
N y! (r 1 y)! n 1 y N y n1y
y=0 y=0
n n | {z }
?
Veja que na expresso destacada por ? podemos aplicar a Frmula de Euler, Proposio 3.19,
com n = N r, m = r 1, s = n 1. Assim seguimos com
r N 1 n! (Nn)!
(N 1)! rn 1)!
(n (N1)!
rn
E (X ) = =r =
=
N n1 N! (n 1)!
(N n)!
N(N 1)!
1)!
(n
N
n
Logo,
r
X hiper(N, r, n) E (X ) = n (3.16)
N
?
Novamente, na passagem = acontece a mudana do ndice pois quando x = 0 o somatrio se
anula. Continuando,
r N r
n n n
X x nx 1 X 2 r N r 1 X 2 r(r 1)! N r
E X2 = x2 = x = x
N N x nx N x(x
1)! (r x)! n x
x=1 x=1 x=1
n n n
Como x 6= 0 podemos simplificar a expresso acima. As contas abaixo segue j com a troca
de varivel y = x 1 e com a retirada da constante r de dentro do somatrio.
n1 n1
r X (r 1)! N r r X r1 N r
E(X ) = (y + 1) = (y + 1)
N y! (r 1 y)! n 1 y N y n1y
y=0 y=0
n n
n1 X n1
r X r1 N r r1 N r
= y +
N y n1y y n1y
y=0 y=0
n
N 1 n1 r 1 N 1 (r 1) r 1 N 1 (r 1)
r n1
n1 X j n j X j n j
j
1 1
= +
N N 1 N 1
j=0 j=0
n n1 n1
| {z } | {z }
S1 S2
Ou seja,
r N rN n
X hiper(N, r, n) Var (X ) = n (3.17)
N N N 1
Exemplo 3.20 Equipe de programadores
Entre os 16 programadores de uma empresa, 12 so do sexo masculino. A empresa
decide sortear 5 programadores para fazer um curso avanado de programao. Qual a
probabilidade dos 5 sorteados serem do sexo masculino? Quantos
3.6. DISTRIBUIO GEOMTRICA 69
Soluo:
Sucesso = sexo masculino. Se X = nmero de homens sorteados, ento X hiper(16; 12; 5)
e o problema pede
12 11 10 9 8
12
5 33
Pr (X = 5) = = = = 0, 181319
16 15 14 13 12 14 13
16
5
Considere as seguintes situaes: (i) uma moeda com probabilidade p de cara lanada
at que aparea cara pela primeira vez; (ii) em uma populao muito grande (pense na
populao mundial), p% das pessoas sofrem de uma rara doena desconhecida e portadores
precisam ser encontrados para estudos clnicos. Quais so as semelhanas entre essas
daus situaes? No primeiro caso, matematicamente falando, poderamos ter que fazer
infinitos lanamentos. No segundo caso, muito grande pode ser uma aproximao para
infinitos. Em ambos os casos, temos repeties de um experimento de Bernoulli. No primeiro
caso, as repeties certamente podem ser consideradas independentes. No segundo caso,
tambm podemos assumir independncia, desde que esqueamos os fatores genticos por um
momento. Ento, temos repeties independentes de um experimento de Bernoulli e estamos
70 CAPTULO 3. ALGUMAS DISTRIBUIES DISCRETAS
Veja que os possveis valores dessa varivel aleatria so: 1 (primeiro sucesso na
primeira repetio), 2 (primeiro sucesso na segunda repetio e, portanto, fracasso na
primeira), 3 (primeiro sucesso na terceira repetio e, portanto, fracasso nas duas primeiras),
etc. Logo, Im(X ) = N. Esse um exemplo de v.a. discreta em que o espao amostral,
enumervel, infinito.
O espao paramtrico para o parmetro p o intervalo [0, 1], uma vez que p a
probabilidade de sucesso em cada ensaio de Bernoulli realizado.
Vamos denotar a distribuio Geomtrica com parmetro p por Geom(p). Nesse caso,
se quisermos indicar que uma varivel aleatria X segue a distribuio Geomtrica com
parmetro p podemos simplesmente escrever: X Geom(p) (l-se: a varivel aleatria
X tem distribuio Geomtrica com parmetro p).
Funo de Probabilidade
{X = x} = {F1 F2 Fx1 Sx }
Para mostrar que a Equao 3.18 realmente define uma funo de probabilidade, temos
que mostrar que a soma das probabilidades, isto , a probabilidade do espao amostral 1
(obviamente, P(X = x) 0). Para isso faremos uso do resultado sobre sries geomtricas
apresentado a seguir.
X
ri =
1
se | r | < 1.
1r
i=0
Demonstrao:
A demonstrao encontra-se na Seo A.1 do Apndice A.
P
Vamos s contas. Queremos mostrar que P(X = x) = 1.
x=1
X
X
X
P(X = x) = (1 p)x1 p = p (1 p)x1 .
x=1 x=1 x=1
Esperana e Varincia
X
X
X
X
E(X ) = xp(1 p)x1 = (x 1 + 1)p(1 p)x1 = (x 1)p(1 p)x1 + p(1 p)x1
x=1 x=1 x=1 x=1
| {z }
S1
Veja que S1 = 1, pois trata-se da soma da funo de probabilidade para todos os valores em
Im(X ) para X Geom(p). Seguimos ento fazendo a seguinte troca de varivel: y = x 1.
X
y ? X
y
X
y1
X
E(X ) = yp(1p) +1 = yp(1p) +1 = yp(1p)(1p) +1 = (1p) yp(1 p)y1 +1
y=0 y=1 y=1 y=1
| {z }
S2
72 CAPTULO 3. ALGUMAS DISTRIBUIES DISCRETAS
?
A passagem = justificada pois quando y = 0 o somatrio se anula. Veja que S2 justamente
E(X ) para X Geom(p), isto , aquilo que estamos calculando. Ento podemos escrever.
1
E(X ) = (1 p) E(X ) + 1 (1 1 + p) E(X ) = 1 E(X ) =
p
Logo,
1
X Geom(p) E(X ) = (3.19)
p
(1 1 + p) E(X 2 ) = 22p+p
p
p E(X 2 ) = p
2p
E(X 2 ) = 2p
p2
.
Logo,
1p
X Geom(p) Var(X ) = (3.20)
p2
3.6. DISTRIBUIO GEOMTRICA 73
Como j identificamos X Geom(0, 20), para calcular o nmero mdio de tiros que o
atirador far basta usar o resultado da Equao 3.19 e calcular E(X ).
1 1
E(X ) = = = 5.
p 0, 20
Exemplo 3.24 Lanamento de dado
Joga-se um dado equilibrado. Qual a probabilidade de serem necessrios 10 lanamentos
at a primeira ocorrncia de um seis?
Soluo:
Nesse caso, sucesso a ocorrncia de face seis. Logo, P(sucesso) = p = 16 e P(fracasso) =
1 p = 56 . Seja X = nmero de lanamentos at o primeiro seis. Ento, X geom 16 e o
9 1
problema pede P (X = 10) = 65 6 = 0, 03230.
Nessa seo vamos apresentar o conceito de falta de memria de uma varivel aleatria
discreta. Em seguida vamos mostrar que a distribuio geomtrica segue tal propriedade.
Queremos mostrar nessa seo que uma varivel aleatria com distribuio geomtrica
tem a propriedade de falta de memria. Seja X geo(p) e x m(X ), isto , x um inteiro
positivo. Ento,
x
X x
X
P(X > x) = 1 P(X x) = 1 P(X = i) = 1 p(1 p)i1
i=1 i=1
x x1
X ? X
= 1p (1 p)i1 = 1 p (1 p)j
i=1 j=0
| {z }
S1
?
Na passagem = foi feita a seguinte troca de varivel: j = i 1. O somatrio S1 a soma at
o termo x 1 de uma progresso geomtrica, e, de acordo com a Equao A.2 do Apndice A,
1 (1 p)x1+1 1 (1 p)x
conclumos que S1 = = . Continuando,
p p
1 (1 p)x
P(X > x) = 1 p = 1 (1 (1 p)x ) = (1 p)x .
1 (1 p)
Na prtica isso significa que se j foram realizados m ensaios de Bernoulli sem nenhum
sucesso, a probabilidade do primeiro sucesso ocorrer no m + n-simo ensaio exatamente
a probabilidade do primeiro sucesso ocorrer no n-simo ensaio, contado desde o incio do
experimento. Ou seja, se jogamos uma moeda 5 vezes a no saiu nenhuma cara, no significa
que tem mais chance de sair cara no prximo lanamento do que no 1o lanamento do
experimento.
no seguinte sentido: em vez de fixarmos o primeiro sucesso, vamos fixar um nmero qualquer
r de sucessos, ou seja, definimos
Para definir os possveis valores de X , isto , Im(X ), devemos notar que para ter r
sucessos, so necessrios no mnimo r repeties. Logo, Im(X ) = r, r + 1, r + 2, . . . . Esse
mais um exemplo de v.a. discreta cuja imagem um conjunto infinito.
Veja que o parmetro r pode assumir qualquer valor inteiro positivo, logo seu espao
paramtrico o conjunto N . J para o parmetro p, o espao paramtrico o intervalo [0, 1],
uma vez que p a probabilidade de sucesso em cada ensaio de Bernoulli realizado
Funo de Probabilidade
X = k repeties
S1 , . . . , Sr1 , Fr , . . . , Fk1 , Sk
A probabilidade de tal sequncia dada pelo produto das probabilidades, j que as repeties
76 CAPTULO 3. ALGUMAS DISTRIBUIES DISCRETAS
so independentes, isto :
Mas existem k1
r1 maneiras de arrumar r 1 sucessos em k 1 posies e as sequncias
resultantes tm todas a probabilidade acima. Como elas constituem eventos mutuamente
exclusivos, a probabilidade da unio delas, que P (X = k) , a soma das probabilidades, ou
seja:
P (X = k) = pr (1 p)kr + pr (1 p)kr + + pr (1 p)kr
em que o nmero de parcelas k1
r1 . Logo
k 1 r
P (X = k) = p (1 p)kr k r
r1
Como nas sees anteriores, queremos agora mostrar que a Equao 3.22 realmente
define uma funo de probabilidade. Como P (X = x) 0, para todo x R, fica faltando
apenas mostrar que
X X x 1 r
P (X = x) = p (1 p)xr = 1.
x=r x=r
r 1
Parmetro Distribuio
Binomial Binomial negativa
Nmero de repeties fixo varivel aleatria
Nmero de sucessos varivel aleatria fixo
Soluo:
Seja X = nmero de peas fabricadas at a obteno de 5 boas (sucesso). Temos que P(pea
boa) = 0, 80 e P(pea defeituosa) = 0, 20. Logo, X BinNeg (5; 0, 80) . O problema pede
P(X = 8) = 74 (0, 80)5 (0, 20)3 = 0, 0917504.
Esperana e Varincia
Nessa seo iremos calcular a esperana e varincia de X BinNeg(r, p). Antes disse
veja na Proposio 3.28 a seguir um resultado que ser usado tanto na conta de E(X ) quanto
na conta de E(X 2 ).
Proposio 3.28
Sejam k e r nmero inteiros positivos. Ento,
k k 1
r =k .
r r1
Demonstrao:
Veja que se k < r ambos os lados da igualdade so iguais a 0, logo a afirmao verdadeira.
Vamos ento tratar o caso em que k x.
k k! k(k 1)! (k 1)! k 1
r =r =r =k =k .
r r!(k r)! r(r
1)!(k r)! (r 1)!(k r)! r1
Veja que S2 = E(Y 1), com Y BinNeg(r + 1, p). Usando o resultado da Equao
3.23 e as propriedades de linearidade do valor esperado, apresentadas na Proposio 2.26,
conclumos que
r+1 r r+1 r 2 + r rp
S1 = E(Y 1) = E(Y ) 1 = 1 E(X ) =
2
1 = .
p p p p2
r - 1 sucessos aqui
r S
Y = k fracassos
n
Quando definimos o nmero binomial k , supusemos que n > 0 e 0 < k < n e vimos
que
n n! n(n 1) (n k + 1)(n k)! n(n 1) (n k + 1)
= = =
k k!(n k)! k!(n k)! k!
De forma anloga, definimos
n (n)(n 1) (n k + 1)
=
k k!
que pode ser escrito como
n [(1)(n)] [(1)(n + 1)] [(1)(n + k 1)]
=
k k!
(1)k n(n + 1) (n + k 1)
=
k!
Vamos, agora, analisar a expresso (3.26):
k +r1 r k k +r1 r (k + r 1)! r
P(Y = k) = p (1 p) = p (1 p)k = p (1 p)k
r1 k k!(r 1)!
(k + r 1)(k + r 2) (k + r k + 1)(k + r k)(k + r k 1)! r
= p (1 p)k
k!(r 1)!
(k + r 1)(k + r 2) (k + r k + 1)(k + r k) r
= p (1 p)k
k!
r(r + 1) (r + k 2)(r + k 1) r
= p (1 p)k
k!
[(1)(r)] [(1)(r 1)] [(1)(r k + 1] r
= p (1 p)k
k!
k r
= (1) pr (1 p)k
k
Logo, uma outra forma de escrever a distribuio binomial negativa
k r
P(Y = k) = (1) pr (1 p)k k = 0, 1, 2, . . .
k
da o nome binomial negativa. Note que essa distribuio corresponde varivel Y =nmero
de fracassos antes do r-simo sucesso.
1 2 3 n
0 1
1
t = n
?
Na passagem = fz-se uso da Equao A.24 do Apndice A.6. Temos, assim, uma
aproximao para a funo de probabilidade Binomial. Ou seja, se X B(n, p) com n muito
grande, p 0 e = np limitado, isto , um nmero real, ento
x
P(X = x) e .
x!
A expresso acima tambm uma funo de probabilidade, como veremos mais a frente.
A varivel aleatria com essa funo de probabilidade leva o nome de Poisson, como mostra
a Definio 3.29 a seguir.
3.8. DISTRIBUIO DE POISSON 81
x
P(X = x) = pX (x) = e x = 0, 1, 2, . . .
x!
Veja que X representa o nmero de ocorrncias de um certo evento no intervalo (0, 1].
Ento X pode assumir qualquer valore natural, pois podemos ter 0, 1, 2, . . . ocorrncias do
evento. Assim Im(X ) = N. Esse mais um exemplo de v.a. discreta cuja imagem um conjunto
infinito.
Vamos denotar a distribuio de Poisson com parmetro por Poi(). Nesse caso,
se quisermos indicar que uma varivel aleatria X segue a distribuio de Poisson com
parmetros podemos simplesmente escrever: X Poi() (l-se: a varivel aleatria X
tem distribuio de Poisson com parmetro ).
Veja que as combinaes da conta acima so bem custosas de serem encontradas. Por exemplo,
para chegar resposta precisamos encontrar
150 150! 150 149 . . . 142
= =
9 141!9! 9 8 ... 1
Com a ajuda de um computador chegamos resposta final P(X < 10) = 0, 7808835.
Vejamos agora como usar a aproximao da Binomial pela Poisson para encontrar a
resposta do problema. Para isso vamos usar a expresso apresentada na Equao 3.28
considerando = np = 150 0, 05 = 7, 5.
7, 5x
9
X 7, 50 7,5 7, 58 7,5 7, 59 7,5
P(X < 10) e7,5 = e + ... + e + e = 0, 7764076.
x! 0! 8! 9!
x=0
Funo de Probabilidade
Para mostrar que a Equao 3.29 realmente define uma funo de probabilidade, temos
P
que provar que P(X = x) = 1. Para isso vamos rever o resultado da srie de Taylor em
x=0
torno de x0 = 0 para f(x) = ex , Equao A.26 do Apndice A.6, de onde conclumos que
x
X xk
e = .
k!
k=0
Esperana e Varincia
?
A passagem = se justifica pois o somatrio se anula quando x = 0, por isso podemos mudar
??
o ndice do somatrio para comear em 1. Na passagem = foi feita a seguinte troca de
varivel: y = x 1. O somatrio destacado pela chave vale 1 pois ele a soma da funo de
probabilidade de uma varivel aleatria de Poisson para todos os valores na imagem.
Portanto,
X Poi() E (X ) = (3.30)
A unidade de tempo no foi definida porque ela pode ser qualquer uma. O importante
que o valor de esteja de acordo com a unidade de tempo adotada. Veja alguns exemplos
nos itens a seguir.
Soluo:
50 5
P(X = 0) = e = e5 0, 006737947.
0!
Vamos agora encontrar Var(X ). Para isso vamos primeiro calcular E(X 2 ).
x x
X
2 ?
X
2
X x1
2
E(X ) = x e = x e = x2 e
x! x! x(x 1)!
x=0 x=1 x=1
X x1 ?? X y X y X y
= x e = (y + 1) e = y e + e
(x 1)! y! y! y!
x=1 y=0 y=0 y=0
| {z } | {z }
S1 S2
?
A passagem = se justifica pois o somatrio se anula quando x = 0, por isso podemos mudar o
??
ndice do somatrio para comear em 1. Na passagem = foi feita a seguinte troca de varivel:
y = x 1. Veja que S1 = E(Y ), com Y Poi(), logo, S1 = . J S2 = 1 pois ele a soma
da funo de probabilidade de uma varivel aleatria de Poisson para todos os valores na
imagem. Assim chegamos em,
E(X 2 ) = ( + 1) = 2 + .
Logo,
Var(X ) = E(X 2 ) E(X )2 = 2 + 2 =
Soluo:
Seja Y = nmero de cortes num rolo de 4.000 ps. Ento a unidade usada 4.000 ps. Como
ocorre em mdia 1 corte a cada 2.000 ps, o nmero mdio de cortes em 4.000 ps so 2.
Logo, Y Poi(2).
k+1
e
P(X = k + 1)
k = 0, 1, 2, . . .
(k + 1)!
k
= =
P(X = k) k + 1
e
k!
Temos, assim, uma forma recursiva de calcular probabilidades de Poisson.
P(X = k0 + 1)
1 1 k0 1
P(X = k0 ) k0 + 1
e tambm
P(X = k0 )
1 1 k0
P(X = k0 1) k0
1 k0
e como k0 tem que ser inteiro, temos que ter k0 = [], ou seja, a moda ocorre em k0 = [], o
maior inteiro menor ou igual a .
1
P(X = ) = e = e = P(X = 1)
! ( 1)!
Nas Figuras 3.6(a) e 3.6(b) ilustra-se a distribuio de Poisson para dois valores do
parmetro: = 2 (distribuio bimodal, com modas 1 e 2) e = 4, 3 (distribuio unimodal,
com moda 4)
Exemplo 3.33
Um grupo de 30 polticos, sendo 12 do partido de esquerda, resolve formar, de forma aleatria,
uma comisso com 5 polticos. Qual a probabilidade dos polticos de esquerda serem maioria
na comisso?
86 CAPTULO 3. ALGUMAS DISTRIBUIES DISCRETAS
0.3 0.3
0.2 0.2
0.1 0.1
0 0
0 1 2 3 4 5 6 7 8 9 10 0 1 2 3 4 5 6 7 8 9 10
(a) Poi( = 2) (b) Poi( = 4, 3)
Soluo:
Defina X = nmero de polticos de esquerda na comisso. Veja que X hiper(N = 30, r =
12, n = 5). Queremos P(X 3) = P(X = 3) + P(X = 4) + P(X = 5).
12 30 12 12 18
x 5x x 5x
P(X = x) = =
30 30
5 5
12 18 12! 18!
3 53 3!9! 2!16! = . . . = 0, 2362
P(X = 3) = =
30 30!
5 5!25!
12 18 12! 18!
54
= 4!8! 1!17! = . . . = 0, 0625
4
P(X = 4) =
30 30!
5 5!25!
12 18 12! 18!
55
= 5!7! 0!18! = . . . = 0, 0055
5
P(X = 5) =
30 30!
5 5!25!
Exemplo 3.34
Sabe-se que a eficcia de uma vacina para uma certa doena de 92%. Isso significa que a
probabilidade de um indivduo que tomou a vacina ser imunizado de 92%.
(b) Quantos indivduos, em mdia, devem ser vacinados at que seja encontrado um que
no tenha sido imunizado?
Soluo:
(a) Nesse item queremos a probabilidade de 0 ou 1 paciente entre 10 vacinados no ter sido
imunizado. Defina X = nmero de pacientes no imunizados entre os 10 que tomaram
3.9. MAIS EXEMPLOS 87
(b) J nesse item queremos o nmero mdio de pacientes vacinados at encontrar o 1o que
no foi imunizado. Defina Y = nmero de pacientes vacinados at encontrarmos 1 no
imunizados. Veja que Y geo(p = 0, 08). Queremos E(Y ) = 1/p = 12, 5. Ou seja, em
mdia so vacinados 12,5 pacientes at que se encontre o 1o que no foi imunizado.
Exemplo 3.35
Uma rodovia registra, em mdia, 2 acidentes por dia. Considere a varivel aleatria X =
nmero de acidentes na rodovia.
(a) Indique uma distribuio adequada para a varivel aleatria X . Justifique sua resposta.
(b) Qual a probabilidade de nas prximas 6 horas acontecer pelo menos 1 acidente.
Soluo:
0, 50 0,5
P(X 1) = 1 P(X = 0) = 1 e = 1 0.6065307 = 0.3934693.
0!
Exemplo 3.36
Suponha que em uma cidade 15% dos cidados votaram no vereador Joo. A fim de avaliar
a satisfao de seus eleitores, Joo decide fazer uma pesquisa direcionada. Para isso Joo
aborda, de forma aleatria e com reposio, cidados na rua a fim de encontrar seus eleitores
e realizar a pesquisa.
(a) Qual a probabilidade de nas 10 primeiras abordagens Joo no encontrar eleitor algum
seu?
(b) Se Joo planeja entrevistar 20 dos seus eleitores, em mdia, quantos cidados sero
abordados?
Soluo:
(a) Esse item podemos fazer de duas maneiras diferentes. Vamos apresentar aqui as duas
alternativas de soluo.
Primeira soluo. Seja Y = nmero de eleitores de Joo entre os 10 primeiros cidados
abordados. Veja que Y B(n = 10, p = 0, 15). Queremos P(Y = 0).
10
P(Y = 0) = 0, 150 0, 85100 = 0, 8510 = 0, 1968744.
0
88 CAPTULO 3. ALGUMAS DISTRIBUIES DISCRETAS
Para esse exemplo as contas da soluo anterior so mais fcies, mas vale pena ver
que o mesmo problema pode ser resolvido de formas totalmente diferentes.
Segunda soluo. Considere X = nmero de cidados abordados at encontrar o
primeiro eleitor de Joo. Veja que X geo(p = 0, 150). Queremos P(X > 10) =
1 P(X 10).
P(X > 10) = 1 P(X 10) = 1 (P(X = 1) + P(X = 2) + . . . + P(X = 10))
10
X 10
X 10
X
x
= 1 P(X = x) = 1 0, 15(0, 85) = 1 0, 15 (0, 85)x
x=1 x=1 x=1
1 0, 8510
= 1 0, 15 = 0, 8510 = 0, 1968744
0, 15
(b) Precisamos definir quantas abordagens em mdia so realizadas at que Joo encontre
20 de seus eleitores. Defina W = nmero de abordagens at Joo encontrar 20 de seus
eleitores. Veja que W BinNeg(r = 20, p = 0, 15). Queremos E(W ) = r/p = 20/0, 15 =
133, 33. Ou seja, em mdia, Joo vai precisar abordar em torno de 134 indivduos para
conseguir encontrar 20 de seus eleitores.
Exemplo 3.37 Problema dos pontos - Exemplo 2.16 de Magalhes (2011)
Ensaios do tipo sucesso-fracasso so realizados de forma independente, sendo p a
probabilidade de sucesso. Qual a probabilidade de ocorrerem n sucessos antes de m
fracassos?
Soluo:
Veja a probabilidade de ocorrerem n sucessos antes de m fracassos exatamente a
probabilidade de ocorrerem n sucessos antes da n + m-sima tentativa. Ento podemos
encontrar a resposta do problema calculando a probabilidade do n-simo sucesso acontecer
antes da n + m-sima tentativa. Para isso defina X = como o nmero de ensaios antes do
n-simo sucesso. Veja que X BinNeg(n, p). Queremos encontrar P(X < n + m),
n+m1
X x 1
P(X < n + m) = pn (1 p)xn .
x=n
n 1
Vejamos um caso numrico. Supondo que os ensaios sejam o lanamento de uma moeda
justa, ou seja, p = 1/2. Vamos definir a ocorrncia de cara como sucesso. Suponha que
queremos saber a probabilidade de sair 5 caras antes da 3 corroa, ou seja, n = 5 e m = 3.
x 1 1 5 1 x5
X7 5 0 5 1 5 2
4 1 1 5 1 1 6 1 1
P(X < 8) = = + + 0.2265625.
n1 2 2 4 2 2 4 2 2 4 2 2
x=5
y + 4 15 1y
2
X 5 0 5 1 5 2
4 1 1 5 1 1 6 1 1
P(Y < 3) = = + + 0.2265625.
4 2 2 4 2 2 4 2 2 4 2 2
y=0
Captulo 4
Veja que a Proposio 4.3 nos mostra que a probabilidade de X [a, b] a rea embaixo
da curva da sua funo densidade. Quando a = b a proposio ainda se aplica e temos uma
demonstrao para o seguinte resultado j visto no Captulo 1:
Z a
P(X = a) = P(a X a) = fX (t)dt = 0.
a
Mais que isso, conhecendo uma das funes FX ou fX temos como encontrar a outra,
veja como. A Definio 4.1 nos mostra como encontrar FX se conhecermos fX :
Z x
FX (x) = fX (t)dt.
Exemplo 4.4
Seja X uma varivel aleatria cuja funo de distribuio tem seu grfico esboado a seguir.
Apresente um esboo para o grfico da funo densidade dessa varivel aleatria.
Soluo:
Exemplo 4.5
Seja X uma varivel aleatria cuja funo densidade tem seu grfico esboado a seguir.
Apresente um esboo para o grfico da funo de distribuio dessa varivel aleatria.
Soluo:
Exemplo 4.6
Seja X varivel aleatria contnua cuja funo densidade definida por:
a(1 + x) , se 1 x < 0
fX (x) = a(1 x) , se 0 x 1
, caso contrrio.
0
(c) Quais valores a varivel aleatria X pode assumir? Ou seja, qual a imagem de X ?
Exemplo 4.7
Seja X varivel aleatria cuja funo de distribuio definida por:
0 , se x < 2
(x 2)/4 , se 2 x < 4
FX (x) = 1/2 , se 4 x < 6
, se 6 x < 8
(x 4)/4
, se x 8
1
(b) Quais valores a varivel aleatria X pode assumir? Ou seja, qual a imagem de X ?
Exemplo 4.8
Seja X varivel aleatria contnua tal que sua funo densidade definida por:
c(4x 2x 2 ) , se 0 < x < 2
f(x) =
0 , caso contrrio.
(d) Encontre FX .
Soluo:
4.2. ESPERANA DE VARIVEIS ALEATRIAS CONTNUAS 93
Exemplo 4.9
O tempo de vida em horas de um certo dispositivo eletrnico pode ser considerado uma
varivel aleatria com funo densidade definida por
1 x/100
fX (x) = e , x 0.
100
(a) Qual a probabilidade de um desses dispositivos eletrnicos durar entre 50 e 150 horas?
(b) Qual a probabilidade de um desses dispositivos eletrnicos durar menos de 100 horas?
Soluo:
Exemplo 4.10
O tempo de vida em horas de um certo tipo de tubo de rdio uma varivel aleatria com
funo densidade
100
x2
, se x > 100
f(x) =
0 , caso contrrio.
(a) Qual a probabilidade de um tubo desse tipo durar mais que 150h?
(b) Qual a probabilidade de exatos 2 entre 5 desses tubos terem que ser trocados antes de
150h de operao?
Soluo:
A ideia de valor mdio apresentada no Captulo 3, que diz respeito mdia dos valores
da varivel aleatria se o experimento fosse realizado infinitas vezes, tambm pode ser
introduzida para o caso de variveis aleatrias contnuas.
Porm no caso contnuo no possvel tirar a mdia dos valores da varivel aleatria
ponderados pela probabilidade de cada um ocorrer, uma vez que no h uma quantidade
enumervel de valores e a probabilidade de cada um ocorrer e sempre nula. Por isso, no caso
contnuo a definio ser diferente do caso discreto.
Vamos tentar generalizar. Sem perdas, suponha X varivel aleatria contnua com
funo densidade fX e Im(X ) = [0, 1]. Vamos dividir esse intervalo em subintervalos [x, x + dx],
com dx = 1/n e x = 0, 1/n, 2/n, . . . , n 1. Veja que se n for grande, ento
Seguindo a definio de esperana para o caso discreto, podemos supor para o caso
contnuo que, se n for grande,
X X
E(X ) x P(x X x + dx) xfX (x)dx
x x
94 CAPTULO 4. VARIVEIS ALEATRIAS CONTNUAS
Exemplo 4.12
Calcule E(X ) para os exemplos 4.8, 4.9 e 4.10.
Soluo:
Assim como no caso discreto, continuam valendo para o caso contnuo as seguintes
propriedades da esperana.
4.3. VARINCIA 95
Proposio 4.15
Seja X varivel aleatria contnua, xmin = min{Im(X )} e xmax = max{Im(X )}. Se E(X ) R
ento, xmin E(X ) xmax .
Demonstrao:
Primeiro vamos mostrar que xmin E(X ).
Z Z Z
E(X ) = xfX (x) xmin fX (x) = xmin fX (x) = xmin .
| {z }
1
Proposio 4.16 Propriedade de Linearidade da Esperana
Seja X varivel aleatria contnua tal que E(X ) R. Sejam a, b R. Ento,
E(aX + b) = a E(X ) + b.
Demonstrao:
Z
E(aX + b) = (ax + b)fX (x)dx =
Z
= (axfX (x) + bfX (x)) dx =
Z
Z
= axfX (x)dx + bfX (x)dx =
Z Z
= a xfX (x)dx +b fX (x)dx = a E(X ) + b.
| {z | {z
} }
E(X ) 1
4.3 Varincia
Se definimos h(x) = x 2 , a primeira integral nada mais que E(X 2 ), pela Proposio
4.13. A segunda integral E(X ) = e a terceira integral igual a 1, pela definio de funo
densidade. Logo,
Var(X ) = E(X 2 ) 2 2 + 2 = E(X 2 ) 2
o que nos leva ao resultado j visto para variveis discretas:
(i) Var(X ) 0
(ii) DP(X ) 0
Exemplo 4.18
Para a varivel aleatria apresentada no Exemplo 4.14 calcule: Var(X ), Var(3X + 1) e Var(X 2 ).
Soluo:
(a) Encontre o valor de k para que fX seja funo densidade de probabilidade de uma
varivel aleatria contnua e determine a equao que define fX .
Soluo:
(a) O valor de k pode ser encontrado de forma que a rea embaixo da curva seja 1. Para
isso vamos somar a rea do retngulo com a do tringulo para obter a rea do trapzio.
1
rea = 5 0, 1 + 5 (k 0, 1) = 1 k = 0, 3.
2
Para encontrar a expresso que define fX basta encontrar a equao da reta. Veja que
essa reta passa pelos pontos (1; 0, 1) e (6; 0, 3), o que fornece o seguinte sistema de
equaes:
0, 1 = a + b
0, 3 = a + 6b
Subtraindo a primeira equao da segunda, obtemos b = 0, 04 e a = 0, 06. Logo,
0, 06 + 0, 04x se 1 x 6
fX (x) =
0 casocontrrio
(b) Veja a Figura 4.3, em que a rea sombreada corresponde probabilidade pedida:
Z 3 3
x 2 9 4
P(2 X 3) = (0, 06+0, 04x)dx = 0, 06x + 0, 04 = 0, 06+0, 04 = 0, 16
2 2 2 2 2
(c) Veja a Figura 4.4; a podemos ver que, para x [1, 6], FX (x) a rea de um trapzio de
altura x 1; base maior igual a fX (x) e base menor igual a fX (1) = 0, 1. Logo,
(0, 06 + 0, 04x) + 0, 1
FX (x) = (x 1)
2
= (0, 08 + 0, 02x)(x 1)
ou seja,
0 se x < 1
FX (x) = 0, 02x 2 + 0, 06x 0, 08 se 1 x 6
se x > 6
1
0, 6 = 0, 02q2 + 0, 06q 0, 08
0, 02q2 + 0, 06q 0, 68 = 0
q2 + 3q 34 = 0
3 9 + 4 34
q =
2
Z 6
6
x3 x 4
2
E(X ) = x (0, 06 + 0, 04x) dx = 0, 06 + 0, 04
2
1 3 4 1
= (0, 02 216 + 0, 01 1296) (0, 02 + 0, 01)
= 4, 32 + 12, 96 0, 03 = 17, 25
11, 75 2 155, 25 138, 0625
Var(X ) = 17, 25 = = 1, 9097
3 9
(a) Encontre o valor de k para que fX seja uma funo densidade de probabilidade de uma
v.a. X (note que o tringulo issceles).
Soluo:
(b) A funo fX dada por 2 equaes dereta. A primeira uma reta de inclinao positiva
que passa pelos pontos (0, 0) e 2, 12 . A segunda uma reta de inclinao negativa,
que passa pelos pontos 2, 12 e (4, 0).
Para achar a equao de cada uma das retas, basta substituir as coordenadas dos dois
pontos na equao geral de uma reta f(x) = a + bx e resolver o sistema.
Para a primeira reta, temos o seguinte sistema:
0 = a+b0
1
= a+b2
2
Da primeira equao resulta que a = 0 ( o ponto onde a reta cruza o eixo y) e
substituindo esse valor de a na segunda equao, temos b = 14 .
Para a segunda reta, temos o seguinte sistema:
0 = a+b4
1
= a+b2
2
Subtraindo a segunda equao da primeira, resulta:
1 1
0 = (a a) + (4b 2b) b =
2 4
Substituindo na primeira equao, encontramos que a = 1.
Combinando essas duas equaes, obtemos a seguinte expresso para fX :
x
se 0 x < 2
4
fX (x) = x
1 se 2 x 4
4
se x < 0 ou x > 4
0
(e) O primeiro ponto a observar o seguinte: o ponto x = 2 divide a rea ao meio, ou seja,
x = 2 a mediana da distribuio. Como temos que P(X Q) = 0, 6, resulta que Q tem
que ser maior que 2. Veja a Figura 4.8:
1 k
0, 4 = (4 k) 1
2 4
1 k2
0, 4 = 4k k +
2 4
16 8k + k 2
0, 8 =
4
3, 2 = k 2 8k + 16
k 2 8k + 13, 2 = 0
8 64 4 13, 2 8 11, 2
k = =
2 2
A raiz 8+ 211,2 est fora do domnio de definio da funo; logo, essa soluo no serve.
A soluo para o problema, ento, :
8 11, 2
Q= = 2, 3267
2
(f) Assim como a funo densidade, a funo de distribuio tambm ser definida por 2
equaes: uma para os valores de x no intervalo [0, 2) e outra para valores de x no
intervalo [2, 4]. Para x [0, 2), FX (x) a rea do tringulo sombreado na Figura 4.9 e
para x [2, 4], Fx (x) a rea sombreada na Figura 4.10.
102 CAPTULO 4. VARIVEIS ALEATRIAS CONTNUAS
Figura 4.9 Clculo de FX (x) para 0 Figura 4.10 Clculo de FX (x) para 2
x<2 x<4
Logo,
1 x
FX (x) = (x 0) x [0, 2)
2 4
1 x
FX (x) = 1 (4 x) 1 .
2 4
Combinando os resultados obtidos, resulta a seguinte expresso para FX :
0 se x < 0
8 x2 se 0 x < 2
1
FX (x) =
1 18 (4 x)2 se 2 x 4
1 se x > 4
Veja a Figura 4.11; para 0 x < 2, o grfico de FX uma parbola cncava para cima;
para 2 x 4, o grfico de FX uma parbola cncava para baixo.
Proposio 4.21
Seja X uma varivel aleatria com funo densidade fX (x) simtrica em torno de , isto ,
fX ( x) = fX ( + x).
Ento, E(X ) = .
Demonstrao:
Seja X varivel aleatria com funo densidade fX (x) simtrica em torno de . Vamos calcular
a sua esperana de X .
=0
Nesse caso, fX (x) uma funo par, isto , fX (x) = fX (x). Por definio,
Z +
E(X ) = xfX (x)dx
Vamos denotar o integrando por h(x), isto , h(x) = xfX (x). Resulta da simetria de fX
que
h(x) = xfX (x) = xfX (x) = h(x)
ou seja, h(x) uma funo mpar e pelo Teorema A.10,
Z +
h(x)dx = 0
Provamos, assim, que se X uma varivel aletaria com densidade simtrica em torno
de x = 0 ento E(X ) = 0.
qualquer
Vamos definir uma nova varivel aleatria Y = X . Ento,
fY (y) = fX ( + y) = fX ( y) = fY (y)
104 CAPTULO 4. VARIVEIS ALEATRIAS CONTNUAS
Captulo 5
Note que, para dois subintervalos de mesmo comprimento contidos em [a, b], a rea ser
igual, uma vez que temos reas de retngulos com mesma altura. Assim, intervalos de mesmo
comprimento tm a mesma probabilidade. Esse fato leva denominao de tal densidade
como densidade uniforme.
A primeira condio a funo densidade uma funo no-negativa, logo isso implica
em k 0. A segunda condio que a rea e embaixo da curva de fX tem que ser 1, o resulta
em
1
1 = (b a) k k = .
ba
106 CAPTULO 5. ALGUMAS DISTRIBUIES CONTNUAS
Note que ambos os parmetros da densidade uniforme tm de ser finitos para que a
integral seja igual a 1. Alm disso, a b. Dessa forma, o espao paramtrico para o vetor de
parmetros (a, b) {a R, b R, a b}.
Vamos denotar a distribuio Uniforme com parmetros a e b por U(a, b). Nesse caso,
se quisermos indicar que uma varivel aleatria contnua X segue a distribuio Uniforme no
intervalo [a, b] podemos simplesmente escrever X U(a, b) (l-se: a varivel aleatria X tem
distribuio Uniforme no intervalo [a, b]).
FX (x) = P (X x)
e essa probabilidade dada pela rea sob a curva densidade esquerda de x, conforme
ilustrado na Figura 5.2.
1
Essa a rea de um retngulo com base (x a) e altura . Logo,
ba
0x a
, se x < a
FX (x) = , se a x b (5.1)
ba
1 , se x > b
Esperana e Varincia
a+b
X U(a, b) E (X ) = (5.2)
2
Logo,
2
a2 + b2 + ab a+b 4a2 + 4b2 + 4ab 3a2 6ab 3b2
Var(X ) = =
3 2 12
b2 2ab + a2 (b a)2
= = .
12 12
(b a)2
X U(a, b) Var (X ) = (5.3)
12
Exemplo 5.2 Latas de coca-cola
Latas de coca-cola so enchidas num processo automtico segundo uma distribuio uniforme
no intervalo (em ml) [345,355].
108 CAPTULO 5. ALGUMAS DISTRIBUIES CONTNUAS
(c) Qualquer lata com volume 4 ml abaixo da mdia pode gerar reclamao do consumidor
e com volume 4 ml acima da mdia pode transbordar no momento de abertura, devido
presso interna. Qual a proporo de latas problemticas?
Soluo:
Seja X = contedo da lata de coca-cola. Ento, X U[345, 355]
(a) Pede-se
355 353
P(X > 353) = = 0, 2
355 345
(b) Pede-se
346 345
P(X < 346) = = 0, 1
355 345
(c) Pede-se
Logo, a proporo de latas problemticas de 20%. Note que essa uma proporo
bastante alta!
Soluo:
a+b
= 7, 5
2
(b a) = 6, 75
2
12
Da segunda equao, resulta que (b a)2 = 81 e, portanto, |b a| = 81. Como estamos
supondo que a < b, resulta que b a = 9, o que nos leva ao sistema
a + b = 15
ba=9
Suponha que eventos ocorram ao longo do tempo e que o nmero de eventos ocorridos
dentro de um intervalo de tempo unitrio possa ser considerado uma varivel aleatria com
5.2. DISTRIBUIO EXPONENCIAL 109
Seja T o instante em que ocorre o primeiro evento. Veja que T varivel aleatria.
Quais os valores possveis para T , ou seja, quem Im(T )? Im(T ) = (0, ). Vamos encontrar
a distribuio da varivel aleatria T .
FT (t) = P(T t) = 1 P(T > t) = 1 P(no ocorrer evento algum em(0, t)).
Seja X = nmero de ocorrncias dentro do intervalo (0, t). Ento X Poi(t) e pX (x) =
(t)x t
e . Assim,
x!
P(T > t) = P(X = 0) = et FT (t) = 1 et .
Uma varivel aleatria com essa distribuio chamada de Exponencial, como mostra
a Definio 5.4 a seguir.
ex , x > 0
f(x) =
0 ,x 0
Usaremos a seguinte notao para indicar que uma varivel aleatria tem distribuio
exponencial com parmetro : X exp().
Esperana e Varincia
Vamos fazer as contas para encontrar E(X ) e Var(X ) para X exp(). Para o clculo
de E(X ) faremos primeiro uma integrao por partes e em seguida por substituio.
Z
x
Z
x x x ex 1
E(X ) = xe dx = xe + e dx = 0 lim xe = .
0 0 x 0
0
Portanto,
1
X exp() E (X ) = . (5.4)
Vamos agora calcular E(X 2 ) para depois encontrar Var(X ). Novamente faremos uma
integrao por partes.
Z Z
x 2 ex dx = x 2 ex + 2xex dx
2
E(X ) =
0 0
0
Z Z
2 x x
xex dx =
2 2 2
= 0 lim x e +2 xe dx = E(X ) = 2 .
x 0 0
2 1 1
Var(X ) = E(X 2 ) E(X )2 = = 2.
2 2
Portanto,
1
X exp() Var (X ) = . (5.5)
2
Exemplo 5.5 Relao entre Poisson e Exponencial
Suponha que o nmero de acidentes em uma rodovia seja uma varivel aleatria de Poisson
com mdia de 1 acidente a cada 3 dias.
(b) Qual a probabilidade de no ser registrado acidente algum na primeira semana do ms?
Soluo:
Cada um dos dois itens pode ser feito usando a distribuio Poisson ou Exponencial. Faremos
dos dois jeitos.
5.2. DISTRIBUIO EXPONENCIAL 111
(b) P(1 X 2)
Soluo:
(b)
Parametrizao Alternativa
Exemplo 5.7
Seja X varivel aleatria com distribuio exponencial. Calcule P(X > E(X )).
Soluo:
Vamos usar a notao alternativa, mas poderia ser resolvida pela notao tradicional sem
problema algum.
h i
P(X > E(X )) = 1 P(X E(X )) = 1 F (E(X )) = 1 1 e/ = e1
Note que essa a probabilidade de uma varivel aleatria exponencial ser maior que o seu
valor mdio; o que mostramos que essa probabilidade constante, qualquer que seja o
parmetro.
Nessa seo vamos apresentar o conceito de falta de memria de uma varivel aleatria
contnua. Em seguida vamos mostrar que a distribuio exponencial segue tal propriedade.
Queremos mostrar nessa seo que uma varivel aleatria com distribuio exponencial
tem a propriedade de falta de memria.
ea
= =
1 P(X a)
ea e)
= e
ea
=
= P(X > ).
Exemplo 5.9
Ao comprar um carro usado voc no perguntou para o antigo dono quando foi a ltima vez
que ele trocou a bateria. O fabricante da bateria diz que o tempo de vida de cada bateria
pode ser considerado uma varivel aleatria exponencial com mdia de 4 anos. Sabendo que
a bateria est funcionando quando o carro foi comprado, qual a probabilidade de voc no
precisar trocar essa bateria pelos prximos 2 anos?
Soluo:
Considere X = tempo de vida (em anos) da bateria e a = tempo (em anos) desde que a bateria
atual foi instalada at a compra do carro. O que queremos encontrar
Sabemos que X exp( = 1/4), mas no conhecemos o valor de a. Porm essa informao
no necessria, uma vez que a distribuio exponencial tem a propriedade de falta de
memria. Nesse caso temos, pela propriedade da falta de memria (Definio 5.8),
A Funo Gama
Veja que a funo no negativa, uma vez que a funo x 1 ex 0, qualquer que
seja > 0 e x > 0.
Alm disso, o que no ser demonstrado nessa apostila, () um nmero real sempre
Rque > 0, isto , a integral acima converge
R 1 qualquer que seja > 0. E se 0 a integral
1 x x dx = .
0 x e dx no converge, isto , 0 x e
(G1) Para
R mostrar essa propriedade basta fazer contas e mostrar que () =
0 x 1 ex dx, qualquer que seja > 0. Para isso, nas contas a seguir, logo de
incio faremos a substituio y = x/ (ou x = y), supondo > 0.
Z Z Z
1 x 1 y
() = x e dx = (y) e dy = y1 ey dy
0 0 0
(G2) Vamos tentar resolver a integral que define a funo por partes. Logo de incio faremos
ento: u = x 1 du = ( 1)x 2 dx e dv = ex dx v = ex .
Z Z
x 1 ex dx = x 1 ex + ex ( 1)x 2 dx
() =
0
Z0 0
Z
= ex ( 1)x 2 dx = ( 1) x 2 ex dx = ( 1)( 1).
0 0
114 CAPTULO 5. ALGUMAS DISTRIBUIES CONTNUAS
(G3) Por ltimo vamos considerar = n inteiro positivo. Usando o resultado da Propriedade
(G2) podemos demonstrar, por induo, que (n) = (n 1)!.
Primeiro veja que a afirmao verdadeira para n = 1, isto , que (1) = 0! = 1.
Z Z
11 x
(1) = x e dx = ex dx = 1.
0 0
Agora, supondo que verdade para n qualquer, isto, supondo que (n) = (n 1)!,
vejamos que isso implica em ser verdade para n + 1. Vamos comear usando o resultado
da Propriedade (G2).
(n + 1) = n(n) = n(n 1)! = n!
Funo Densidade
Para verificar que a funo apresentada na Definio 5.12 realmente define uma funo
densidade, notamos inicialmente que f(x) 0. Alm disso, fazendo o uso da propriedade (G1),
apresentada na Proposio 5.11, temos
Z Z Z
1 1 x
fX (x)dx = x e = x 1 ex = 1.
0 () ()
|0 {z }
()
Esperana e Varincia
Portanto,
X gama(, ) E (X ) = . (5.6)
Logo,
( + 1) 2 ( + 1) 2
Var(X ) = E(X 2 ) E(X )2 = = = 2
2 2 2
Portanto,
X gama(, ) Var (X ) = . (5.7)
2
Parametrizao Alternativa
Assim como no caso da distribuio exponencial, a distribuio gama tambm tem uma
parametrizao alternativa, onde em vez do parmetro usado o parmetro = 1 > 0.
Neste caso, a funo densidade passa a ser
x 1 ex/
1
, se x > 0
fX (x) = ()
0 , caso contrrio.
lim f(x) = 0
x
0 , se 1
lim f(x) =
x0
, se < 1
Derivada primeira
0 1 2 x/ 1 1 x/
f (x) = ( 1)x e x e
()
1 2 x/ 1
x e 1 x
()
= (5.8)
1
Como x > 0, resulta que f 0 (x) < 0, ou seja, se 1 a densidade gama uma funo
estritamente decrescente.
>1
f 0 (x) = 0 x = ( 1)
f 0 (x) > 0 x < ( 1) f crescente
0
f (x) < 0 x > ( 1) f decrescente
Logo,
x0 = ( 1) um ponto de mximo
Derivada segunda
" #
( 2)( 1)x 3 ex/ 1 ( 1)x 2 ex/ 1 ( 1)x 2 ex/
f 00 (x) =
1
() + 12 x 1 ex/
1 3 x/ 2 1 2
x e ( 2)( 1) ( 1)x + 2 x
()
=
( )
3 x/
h
1 x e i
( 2)( 1) 2( 1)x + x
2 2
()
= (5.9)
2
O sinal da derivada segunda depende do sinal da expresso entre colchetes, que uma
funo do segundo grau. Vamos denotar essa expresso por h(x), de modo que
= 4 2 ( 1)2 4 2 ( 2)( 1) = 4 2 ( 1) ( 1 + 2) = 4 2 ( 1)
5.3. DISTRIBUIO GAMA 117
<1
Nesse caso, o discriminante negativo e a equao no tem razes reais e ter sempre
o sinal do coeficiente do termo quadrtico, que 1. Assim, neste caso, a concavidade
para cima. Resumindo, se < 1 a densidade gama decrescente com concavidade
para cima.
=1
Nesse caso, o discriminante nulo e h(x) = x 2 0; logo, a concavidade para cima, ou
seja, se = 1 a densidade gama decrescente com concavidade para cima.
>1
Neste caso, o discriminante sempre positivo, ou seja, temos duas raizes reais distintas,
calculadas da seguinte forma:
2 1
( 2)( 1) ( 1)x + 2 x 2 = 0
( 2)( 1) 2( 1)x + x 2 = 0
2
2( 1)
x=
p 2
2( 1) 2 ( 1)( 1 + 2)
x=
2
x = ( 1) 1
x = 1 11
A raiz r2 sempre positiva. J a raiz r1 s ser positiva se 1 1 > 0, ou seja,
se > 2.
Considerando a funo de segundo grau h(x) que define o sinal da derivada segunda,
vemos que o coeficiente do termo quadrtico 1; assim, a funo negativa (sinal oposto
ao de a) para valores de x entre as razes, e positiva (mesmo sinal de a) fora das razes.
Veja a Figura 5.5; a podemos ver que, se > 2, a derivada segunda muda de sinal
em dois pontos dentro do domnio de definio da densidade gama. Isso no ocorre se
< 2 (ou = 2), uma vez que, neste caso a menor raz negativa (nula).
Mais precisamente, temos a seguinte situao:
? >2
>2 + +
0 r1 r2
1< <2 + +
r1 0 r2
=2 + +
r1 =0 r2
Figura 5.5 Ilustrao do sinal da derivada segunda da funo densidade gama para > 1.
? 1<2
f 00 (x) < 0 se 0 < x < r1
f 00 (x) > 0 se x > r2
ou seja, a funo densidade gama cncava para cima
se x
>
1 1 + 1 e cncava para baixo se 0 < x < 1 11 ,
o que indica a ocorrncia de apenas um ponto de inflexo em r2 .
Ponto de inflexo:
Ponto de mximo: r2 = 1 1+1
1<2 x0 = ( 1) Concavidade:
para cima se x > r2
para baixo se x < r2
Crescente
x < ( 1) Pontos de inflexo:
r1 = 1 11
>2 r2 = 1 1+1
Decrescente Concavidade:
x > ( 1) para cima se x < r1 ou x > r2
para baixo se r1 < x < r2
Em cada uma das Figuras 5.6 e 5.7, o parmetro est fixo e temos o grfico
da funo densidade para = 1, 2, 4. Nas Figuras 5.8 e 5.9, fixamos o parmetro e
5.3. DISTRIBUIO GAMA 119
variamos . Analisando esses grficos,podemos ver que tem grande influncia sobre a
forma da distribuio, enquanto afeta mais fortemente a disperso. Por essas razes,
chamado parmetro de forma da densidade gama e o parmetro de escala.
Distribuio Exponencial
1 11 1 x
fX (x) = x e = ex .
(1)
Alm disso,
1 1
E(X ) = e Var(X ) = .
2
Veja que os resultados acima batem com aqueles encontrados na seo 5.2.
120 CAPTULO 5. ALGUMAS DISTRIBUIES CONTNUAS
Distribuio de Erlang
Alm disso,
k k
E(X ) = e Var(X ) = .
2
Distribuio Qui-quadrado
Alm disso,
n/2 n/2
E(X ) = =n e Var(X ) = = 2n.
1/2 (1/2)2
A Funo Beta
()()
Beta(, ) = .
( + )
Demonstrao:
A demonstrao desta proposio utiliza integrao dupla e como esse conceito ainda no foi
visto pela maioria dos alunos, ela ser omitida.
(i) Beta uma funo real, isto , > 0 e > 0 tem-se Beta(, ) < .
Funo Densidade
Veja que se X beta(, ) os valores que essa varivel aleatria pode assumir so:
Im(X ) = (0, 1). Alm disso, se X beta(1, 1) ento X U(0, 1).
Note que fX apresentada na Definio 5.16 de fato funo densidade, uma vez que
fX (x) 0 x R e
Z Z 1
x 1 (1 x)1 dx
1
fX (x)dx =
0 Beta(, )
Z 1
x 1 (1 x)1 dx
1
=
Beta(, ) 0
1
= Beta(, ) = 1.
Beta(, )
Esperana e Varincia
Para os clculos a seguir vamos usar muito a relao entre as funes Beta e , alm
das propriedades da funo , j vistas na Propriedade 5.11. Vamos comear calculando E(X ).
Z Z 1 Z 1
1 1
x (1 x)1 dx
1 1
E(X ) = xfX (x)dx = x x (1 x) dx =
0 Beta(, ) Beta(, ) 0
1 ( + ) ( + 1)
() ( + ) ( + 1)
= Beta( + 1, ) = ( + + 1) = () ( + + 1)
Beta(, ) ()
()
)
( +
()
=
= .
() ( + )
+ )
( ( + )
Portanto,
X beta(, ) E (X ) = . (5.12)
+
O clculo para E(X 2 ) bem parecido com o que acabamos de fazer para E(X ).
Z Z 1
x 1 (1 x)1 dx
1
2
E(X ) = x fX (x)dx =
2
x2
0 Beta(, )
Z 1
x +1 (1 x)1 dx =
1 1
= Beta( + 2, )
Beta(, ) 0 Beta(, )
( + ) ( + 2)
() ( + ) ( + 2)
= =
() ( + + 2)
() () ( + + 2)
( + ) )
( + 1)() (
+ ( + 1)
()
= =
() ( + + 1)( + )( + ) ( + + 1)( + ) ( )
()
+
( + 1)
=
( + + 1)( + )
Ento,
( + 1) 2
Var(X ) = E(X 2 ) E(X )2 =
( + + 1)( + ) ( + )2
( + 1)( + ) 2 ( + + 1) 2 + + + 2
= =
( + + 1)( + )2 ( + + 1)( + )2
= .
( + + 1)( + )2
Portanto,
X beta(, ) Var (X ) = . (5.13)
( + + 1)( + )2
Exemplo 5.17
A percentagem de impurezas por lote, em um determinado produto qumico, uma varivel
aleatria com distribuio beta de parmetros = 3 e = 2. Um lote com mais de 40% de
impurezas no pode ser vendido.
5.5. DISTRIBUIO DE WEIBULL 123
(a) Qual a probabilidade de que um lote selecionado ao acaso no poder ser vendidos
por causa do excesso de impurezas?
(c) Qual a porcentagem mdia de impurezas nos lotes desse produto qumico?
Soluo:
(a) Seja Y =percentagem de impurezas em um lote. Queremos encontrar P(Y > 0, 4).
Pelo enunciado temos que Y beta(3, 2). Ento, a funo densidade de Y , para
0 < y < 1, definida por:
1 (3 + 2) 2
fY (y) = y31 (1 y)21 = y (1 y)
Beta(3, 2) (3)(2)
4!
= y2 (1 y) = 12y2 (1 y), 0 < y < 1.
2! 1!
Ento,
Z Z 1 Z 1
P(Y > 0, 4) = fY (y)dy = 12y (1 y)dy = 12
2
y2 y3 dy
0,4 0,4 0,4
1
y3 y4 1 1 0, 43 0, 44
= 12 = 12 + = 0, 8208.
3 4 0,4 3 4 3 4
(b) Seja W = nmeros de lotes selecionados ao acaso at que se encontre um que no pode
ser vendido por excesso de impureza. Queremos E(W ). Veja que W geo(p = 0, 8208).
Ento, E(W ) = p1 = 1, 218.
(c) Nesse item queremos E(Y ). Como Y beta(3, 2) sabemos que E(Y ) = 53 0, 6. Ou seja, a
porcentagem mdia de impurezas nos lotes desse produto qumico de 60%.
Assim como no caso das distribuies anteriores, a definio de uma varivel aleatria
com distribuio de Weibull ser feita a partir da definio da sua funo densidade.
Funo Densidade
Logo, de acordo com a Definio 5.18, a distribuio de Weibull tem dois parmetros,
e , e o espao paramtrico > 0 e > 0. Alm disso, Se X tem distribuio de Weibull
com parmetros e (X W eibull(, )), os valores que X pode assumir esto no intervalo
(0, ), isto , Im(X ) = (0, ).
Alguns autores (ver Rohatgi (2008), por exemplo) usam um novo parmetro em vez de
ou em vez de 1/ (ver Magalhes (2011), por exemplo).
Para mostrar que (5.14) define uma densidade, vamos mostrar que sua integral 1. Para
tal, note que podemos reescrever 5.14 como
x 1 x
f(x) = e , x>0 (5.15)
Funo de Distribuio
Por definio,
Z x 1 t
t
F (x) = e dt
0
Fazendo a mudana de varivel
t 1
t x
u= = du = , ento t = 0 = u = 0 e t = x = u = .
Logo,
Z x
Z x 1 t x
t
u u
x
F (x) = e dt = e du = e 0 =1e .
0 0
Portanto,
, x0
X W eibull(, ) FX (x) =
0
1 e(x/) , x>0
(5.16)
Esperana e Varincia
e, portanto,
+2 2 +1
X W eibull(, ) Var(X ) =
2
(5.18)
Novamente, a definio de uma varivel aleatria com distribuio de Pareto ser feita
a partir da definio da sua funo densidade.
Funo Densidade
Logo, de acordo com a Definio 5.19, a distribuio de Pareto tem dois parmetros,
e b, e o espao paramtrico > 0 e b > 0. Alm disso, Se X tem distribuio de Pareto
com parmetros e b (X Pareto(, b)), os valores que X pode assumir esto no intervalo
(b, ), isto , Im(X ) = (b, ).
126 CAPTULO 5. ALGUMAS DISTRIBUIES CONTNUAS
Para mostrar que f(x) realmente define uma funo densidade de probabilidade resta
provar que a integral 1, uma vez que f(x) 0.
Z +1 Z
b 1 x
dx = b x dx = b
b b x b
b
Essa integral converge apenas se < 0 ou equivalentemente, > 0, pois nesse caso
limx x = limx x1 = 0. Satisfeita esta condio, temos que
x = 0 b b = 1
b
b
Funo de Distribuio
Portanto,
0 , se x < b
X Pareto(, b) FX (x) = b
(5.19)
1 x , se x b
Esperana e Varincia
Se X Pareto(, b) ento
b +1
Z Z
x +1
E(X ) = x dx = b x dx = b .
b b x b + 1 b
5.6. DISTRIBUIO DE PARETO 127
Para que essa integral convirja, temos que ter + 1 < 0, ou seja, > 1. Satisfeita
esta condio,
b+1 b+1
b
E(X ) = b 0 = = .
+ 1 1 1
Portanto,
b
, se > 1
X Pareto(, b) E(X ) = 1 (5.20)
no existe , se 1
Para que essa integral convirja, temos que ter + 2 < 0, ou > 2. Satisfeita esta
condio,
b+2 b+2
b2
E(X ) = b 0 = = .
+ 2 2 2
Logo, se > 2,
b2 b 2 b2 ( 1)2 2 b2 ( 2)
Var(X ) = =
2 1 ( 1)2 ( 2)
b2 2 2 + 1 ( 2) b2 2 2 + 1 2 + 2
= =
( 1)2 ( 2) ( 1)2 ( 2)
b2
=
( 1)2 ( 2)
Portanto,
b2
, se > 2
X Pareto(, b)
( 1) ( 2)
Var(X ) = 2 (5.21)
no existe , se 1
128 CAPTULO 5. ALGUMAS DISTRIBUIES CONTNUAS
Captulo 6
Dada uma varivel aleatria contnua X com funo densidade fX , muitas vezes estamos
interessados em conhecer a densidade de uma outra varivel aleatria Y = g(X ) definida como
uma funo de X . Este o problema que vamos resolver nesse captulo.
Esse problema j foi abordado na Seo 2.2 para o caso de X ser variveis aleatrias
discretas. Na ocasio vimos que se X varivel aleatria discreta ento Y = g(X ) tambm
ser varivel aleatria discreta e o problema era resolvido definindo a funo de probabilidade
de Y a partir da funo de probabilidade de X .
Pcsso 3) A partir do grfico de g encontre Im(Y ). Marque esse conjunto no eixo Y do grfico de
g.
Pfsso 6) Uma vez encontrada a relao entre FY e FX , derive os dois lados da equao para
encontrar uma relao entre fY e fX .
A Im(Y ) encontrada no Passo Pcsso 3) est de acordo com a Im(Y ) encontrada a partir
de FY ou fY ?
Exemplo 6.1
Seja X exp() e Y = X + a, com a R e > 0. Encontre fY e esboce seu grfico.
Soluo:
Veja que Im(X ) = (0, ). Ento Im(Y ) = (a, ).
Veja que,
FY (y) = FX (y a).
, se y a.
=
0
6.1. MTODO DA FUNO DE DISTRIBUIO 131
Exemplo 6.2
Se X U(1, 1), calcule a funo densidade de Z = (X ) = eX .
Soluo:
As funo densidade e de distribuio de X U(1, 1) so
1 , se x 1
2 , se 1 < x < 1
0
fX (x) = e FX (x) = 1
(x + 1) , se 1 < x < 1
2
, se x 1.
0 , caso contrrio
1
Vamos s contas.
Portanto
(
e1 < z < e+1
1
fZ (z) = FZ0 (z) = 2z
0 caso contrrio.
Esse mtodo tambm nos permite demonstrar alguns resultados importantes, como o
apresentado na Proposio 6.3 a seguir.
Proposio 6.3
Seja X gama(, ), Y = cx e c R. Ento, Y gama(, /c).
Demonstrao:
A demonstrao ser feita simplesmente aplicando o Mtodo da Funo de Distribuio para
obter fY . Veja que podemos escrever FY em termos de FX
y y
FY (y) = P(Y y) = P(cX y) = P X = FX .
c c
Como no conhecemos FX , e sim fX , vamos derivar para encontrar uma relao entre fY e fX .
d d y 1 y
fY (y) = FY (y) = FX = fX .
dy dy c c c
Sabemos que
1 x
fX (x) = x e , para x > 0,
()
132 CAPTULO 6. FUNES DE VARIVEIS ALEATRIAS CONTNUAS
ento,
y y 1 y y
fX = e c, > 0.
c () c c
1
y1 e c y , y > 0.
1
=
c ()
Portanto,
1 1 1 1 y
1 y
fY (y) = fX = y e c , y>0
c c c c ()
(/c) 1 y
= y e c , y > 0.
()
Exemplo 6.5
Seja X varivel aleatria cuja funo densidade definida por:
(1 x)/2 , se 0 < x 1
fX (x) =
3(x 1)/2 , se 1 < x < 2
Soluo:
Sempre bom primeiro encontrar Im(X ) e Im(Y ). Veja que Im(X ) = (0, 2), logo Im(Y ) = (1, 1).
A partir do esboo do grfico de g(x) = 1 x fica fcil ver que o conjunto (0, 2) levando no
conjunto (1, 1) pela funo g.
d d
fY (y) = FY (y) = (1 FX (1 y)) = fX (1 y).
dy dy
Ento,
(1 (1 y))/2 , se 0 < (1 y) 1
fY (y) = fX (1 y) =
3((1 y) 1)/2 , se 1 < (1 y) < 2.
y/2 , se 0 y < 1
3y/2 , se 1 < y < 0.
=
3y/2 , se 1 < y < 0.
y/2 , se 0 y < 1
=
6.1. MTODO DA FUNO DE DISTRIBUIO 133
Exemplo 6.6
Se X U(1, 1), calcule a funo densidade das seguintes variveis aleatrias
(a) Y = g(X ) = X 2
(b) W = h(X ) = |X |
Soluo:
Como j vimos, as funo densidade e de distribuio de X U(1, 1) so:
1 , se x 1
, se 1 < x < 1
0
fX (x) = 2 e FX (x) = 1
(x + 1) , se 1 < x < 1
2
, se x 1.
0 , caso contrrio
1
e, portanto
d d
FX y dy FX y se 0 < y < 1
fY (y) = dy
0 caso contrrio
(
FX0 y 21 y FX0 y 21 y
se 0 < y < 1
=
0 caso contrrio
( 1 1
fX y 2y + fX y 2y se 0 < y < 1
=
0 caso contrrio
Como 0 y < 1 e 1 < y 0, resulta que fX y = fX y = 12 . Logo
1
se 0 < y < 1
fY (y) = 2 y
0 caso contrrio
134 CAPTULO 6. FUNES DE VARIVEIS ALEATRIAS CONTNUAS
e, portanto
Os dois exemplos a seguir mostram que, mesmo X sendo varivel aleatria contnua,
Y = g(X ) no necessariamente contnua.
Exemplo 6.7
Seja X U(0, 1) e
1 , se X p
Y =
0 , se X > p
para algum 0 < p < 1. Encontre a funo distribuio de Y e classifique esta varivel
aleatria.
Soluo:
Veja que Im(Y ) = {0, 1}. Logo, j de incio, sabemos que Y ser varivel aleatria discreta,
pois a sua imagem um conjunto finito.
Nesse caso podemos encontrar primeiro P(Y = 0) e P(Y = 1), depois encontramos a
funo de distribuio FY .
6.1. MTODO DA FUNO DE DISTRIBUIO 135
Soluo:
Primeiro faa o grfico da funo g(X ) = max{X , c}, veja Figura 6.1 abaixo. A partir do grfico
(
Z x , se x < 0
FX (x) = fX (t)dt = R0 x
0 (1+t)2 dt , se x 0.
1
Ento,
, se x < 0
FX (x) =
0
x
1+x , se x 0.
136 CAPTULO 6. FUNES DE VARIVEIS ALEATRIAS CONTNUAS
Exemplo 6.9
Seja X varivel aleatria tal que f(x) = x 3 /64, 0 x 4. Seja Y = min{ X , 2 X }.
Encontre a funo densidade de Y .
Soluo:
Primeiro faa o grfico da funo g e encontre, a partir da Im(X ) o conjunto Im(Y ). Veja na
Figura 6.2 abaixo o grfico da funo g. Veja que como Im(X ) = (0, 4), ento Im(Y ) = (0, 1).
Figura 6.2 Grfico da funo g(X ) = min{ X , 2 X }.
Assim,
0 , se y < 0
FY (y) = F y + 1 FX (2 y)
2 2 , se 0 y 1
X
1 , se y > 1.
6.1. MTODO DA FUNO DE DISTRIBUIO 137
Exemplo 6.10
Seja X varivel aleatria tal que
x+1
4 , se 1 < x 1
f(x) = 3x
4 , se 1 < x < 3
, caso contrrio.
0
Defina Y = |X | e encontre fY .
Soluo:
Primeiro faa o grfico da funo g e encontre, a partir da Im(X ) o conjunto Im(Y ). Veja na
Figura 6.3 abaixo o grfico da funo mdulo. Como Im(X ) = (1, 3), ento Im(Y ) = (0, 3).
Agora vamos analisar o caso em que 0 y 3, para isso vamos pensar separadamente
em 0 y 1 e 1 < y 3. Se 0 y 1,
Agora, se 1 < y 3,
Assim,
0 , se y<0
FX (y) FX (y) 0y1
FY (y) =
, se
F 1<y3
X
(y) , se
1 , se y > 3.
Quando a funo g inversvel, possvel obter uma expresso para a funo densidade
de Y = g(X ) atravs do resultado apresentado no Teorema 6.11 a seguir.
Demonstrao:
O item (i) conclumos que Im(Y ) = g(Im(X )) uma vez que Y a composio da funo X com
a funo g. Ento, os valores que Y pode assumir so os valores que g pode assumir partindo
do conjunto Im(X ).
d 1
Veja que no caso de g ser estritamente crescente, dy g (y) > 0 para todo y, ento
d 1 d 1
podemos escrever dy g (y) = dy g (y).
d 1
J quando g estritamente decrescente, dy g (y) < 0 para todo y, ento podemos
d 1 d 1
escrever dy g (y) = dy g (y).
Exemplo 6.12
Seja X U(0, 1) . Obtenha a funo densidade de Y = ln X .
Soluo:
A funo g(x) = ln x estritamente decrescente e podemos aplicar o Teorema 6.11. Ento,
como 0 < x < 1, segue que 0 < Y = ln X < (ver Figura 6.4).
dg1 (y)
= ey
dy
fY (y) = fX ey ey = 1 ey fY (y) = ey
y (0, )
uma vez que fX (x) = 1 no intervalo (0, 1). Note que Y exp(1)
Demonstrao:
Consideremos a transformao Y = aX + b, que define uma reta. Se X uma varivel
aleatria contnua com densidade fX , ento podemos aplicar o Teorema 6.11 para calcular a
funo densidade de Y = g(X ) = aX + b. Nesse caso, ento a funo inversa
Y b
X = g1 (Y ) =
a
cuja derivada
dg1 (y) 1
=
dy a
Logo, aplicando o Mtodo do Jacobiano, a funo densidade de Y
y b 1
fY (y) = fX a .
a
Exemplo 6.14
Se a funo de densidade da varivel aleatria X dada por
3x 2 , se 1 x 0
f(x) =
0 , caso contrrio,
Soluo:
Temos que a = 2 e b = 0, 6. Como 1 x 0, resulta que 2, 6 y 0, 6. Logo,
y + 0, 6 1
fY (y) = fX se 2, 6 y 0, 6
2 2
ou seja
2
y + 0, 6 1 3
fY (y) = 3 = (y + 0, 6)2 se 2, 6 y 0, 6
2 2 8
6.2. MTODO DO JACOBIANO 141
0,6
3 0,6 3
Z Z
3
E(Y ) = y (y + 0, 6)2 dy = y + 1, 2y2 + 0, 36y dy
2,6 8 8 2,6
4 0,6
3 y y3 y2
= + 1, 2 + 0, 36
8 4 3 2 2,6
3 h i
= 0, 25 (0, 6)4 + 0, 4 (0, 6)3 + 0, 18 (0, 6)2
8
3h i
0, 25 (2, 6)4 + 0, 4 (2, 6)3 + 0, 18 (2, 6)2
8
3
= [0, 0108 5, 6108] = 2, 10
8
0,6
3 0,6 4
Z Z
23
2
E(Y ) = y (y + 0, 6) dy =
2
y + 1, 2y3 + 0, 36y2 dy
2,6 8 8 2,6
5 0,6
3 y y4 y3
= + 1, 2 + 0, 36
8 5 4 3 2,6
3 h i
= 0, 2 (0, 6)5 + 0, 3 (0, 6)4 + 0, 12 (0, 6)3
8
3h i
0, 2 (2, 6)5 + 0, 3 (2, 6)4 + 0, 12 (2, 6)3
8
3 3
= [0, 00259 (12, 162592)] = 12, 16 = 4, 56
8 8
Var(Y ) = 4, 56 2, 12 = 0, 15
e isso nos d
3
E(Y ) = 2 E(X ) = 2 (0, 75) 0, 6 = 2, 1
5
Var(Y ) = 4 Var(X ) = 4 0, 0375 = 0, 15
Soluo:
Vamos primeiro resolver usando o Mtodo do Jacobiano. Veja que, apesar de g(x) = x 2
no ser montona em toda a reta, para x > 0 a funo estritamente crescente. Como
Im(X ) = (0, 2) (0, ), podemos aplicar o Mtodo do Jacobiano.
Primeiro veja que Im(Y ) = (0, 4), uma vez que Im(X ) = (0, 2). Para x Im(X ), g1 (y) =
d 1
ye dy g (y) = 2 y . Ento, de acordo com o Teorema 6.11,
1
1
fY (y) = fX y , se 0 < y < 4.
2 y
Veja que,
, se 0 < y 1 , se 0 < y 1
fX y =
1/3 1/3
4(2 y)/3 , se 1 < y < 2 4(2 y)/3 , se 1 < y < 4.
=
Ento,
1
, se 0 < y 1
6 y
fY (y) =
4(2 y)
, se 1 < y < 4.
6 y
Logo,
, se y < 0
0
FY (y) = FX ( y) , se 0 y 4
, se y > 4
1
Ento, derivando com relao y temos,
(
fX ( y) 21 y , se 0 y 4
fY (y) =
0 , caso contrrio.
Veja que essa expresso a mesma que chegamos pelo Mtodo do Jacobiano. Ento,
substituindo pela expresso de fX ( y) chegamos mesma resposta.
1. Defina uma partio de RX formada pelos intervalos I1 , I2 , ..., Ik tais que a funo g
montona em cada Ij , j = 1, ..., k.
3. Finalmente, obtenha
fY (y) = f1 (y) + f2 (y) + + fk (y)
Soluo:
Definindo a funo indicadora de um conjunto A como
1 se x A
IA (x) =
0 se x
/ A
(6.1)
1
podemos escrever a funo densidade de X como fX (x) = I(1,1) (x).
2
Como Z = eX funo estritamente crescente, podemos aplicar o Teorema ??
diretamente, obtendo
11 1 1
2 z = 2z e < z < e
+1
d
fZ (z) = fX (ln z) ln z =
dz
0 caso contrrio
Por outro lado, Y = X 2 no montona em (1, 1), mas o em (1, 0) e (0, 1). Assim,
aplicamos o Teorema ?? a cada subintervalo e somamos os resultados parciais:
(1, 0) X = Y:
1 1
=
1
4 y 0<y<1
d( y) 2 2 y
fI (y) = fX ( y) =
dy
0 caso contrrio
(0, 1) X= Y:
1 1 = 0<y<1
1
4 y
d y 2 2 y
fII (y) = fX ( y) =
dy
0 caso contrrio
(0, 1)
1
fY (y) = fI (y) + fII (y) = I(0,1) (y)
2 y
144 CAPTULO 6. FUNES DE VARIVEIS ALEATRIAS CONTNUAS
Captulo 7
A Distribuio Normal
Vamos denotar por N(0; 1) a densidade normal padro e, se uma varivel aletria tem
tal distribuio, comum represent-la pela letra Z , de modo que estabelecemos a notao
Z N(0; 1).
Analisando a expresso de (z), podemos ver que ela simtrica em torno de 0, ou seja,
ela uma funo par: (z) = (z). Na Figura 7.1 temos o grfico de (z).
Seja Z N(0, 1). Como (z) simtrica em torno do ponto x = 0, sabemos, por (??),
que E(Z ) = 0.
2 2
z z
z exp dz = dv v = exp
2 2
z = u dz = du
resulta que:
2 Z 2 Z 2
z z z
z exp = exp dz + z exp
2
dz (7.2)
2 0 0 2 0 2
Logo, r
Var(Z ) =
2
Var(Z ) = 1 (7.3)
2 2
Resumindo:
E(Z ) = 0
Z N(0; 1) (7.4)
Var(Z ) = 1
para a qual no existe uma antiderivada em forma de funo elementar. Assim, clculos com
a distribuio acumulada da normal padro requerem integrao numrica. Todos os pacotes
estatsticos possuem rotinas especiais para esse clculo. No EXCEL, a funo DIST.NORMP
calcula P (Z z) para qualquer z, onde Z N(0; 1).
7.2. CLCULO DE PROBABILIDADES DA NORMAL PADRO 147
Z b
P(a X b) = fX (x)dx
a
Isso, obviamente, continua valendo para a densidade normal. A diferena est no fato de
que o clculo de tais integrais no caso da densidades normais requer mtodos numricos e,
para facilitar esses clculos, podemos usar uma tabela em que alguns valores j se encontram
calculados. A tabela bsica fornece probabilidades associadas densidade normal padro.
Vamos estudar essa tabela e depois veremos como generalizar para uma normal qualquer.
A Tabela 1 ser usada para calcular probabilidades associadas a uma varivel aleatria
normal padro Z . Assim, com essa tabela, poderemos calcular probabilidades do tipo P(Z >
1), P(Z 3), P(1 Z 2), etc.
Exemplo 7.2
A partir da Tabela 1 do Apndice B calcule P(0 Z 1, 22).
Soluo:
Veja as Figuras 7.2 e 7.3. Essa probabilidade dada diretamente na Tabela 1, utilizando a
entrada correspondente linha 1,2 e coluna com o valor 2. O resultado
e 1a . Decimal 0 1 2 3
Figura 7.2 P(0 Z 1, 22) como Figura 7.3 P(0 Z 1, 22) - Uso
rea da tabela
Exemplo 7.3
A partir da Tabela 1 do Apndice B calcule P(1 Z 2).
Soluo:
Note que este exemplo trata da rea (probabilidade) entre duas abscissas positivas. Na
Figura 7.4 ilustra-se a rea (probabilidade) desejada. Note que esta rea pode ser obtida
pela diferena entre as reas das Figuras 7.5 e 7.7, cujos valores so encontrados na Tabela
1 conforme ilustram as Figuras 7.6 e 7.8.
e 1a. Decimal 0 1 2 3 4
e 1a. Decimal 0 1 2 3 4
Exemplo 7.4
A partir da Tabela 1 do Apndice B calcule P(Z 1).
Soluo:
Note que este exemplo trata da rea (probabilidade) direita () de uma abscissa positiva. Na
Figura 7.9 ilustra-se a rea (probabilidade) desejada. Note que esta rea pode ser obtida pela
diferena entre as reas das Figuras 7.10 e 7.11. A primeira rea corresponde probabilidade
P(Z 0) e igual a 0,5, pois a mdia = 0 o eixo de simetria e a rea total 1. Logo,
P(Z 0) = P(Z 0) = 0, 5. A segunda rea vem direto da Tabela 1.
Exemplo 7.5
A partir da Tabela 1 do Apndice B calcule P(Z 1).
Soluo:
Note que este exemplo trata da rea (probabilidade) esquerda () de uma abscissa positiva.
Na Figura 7.12 ilustra-se a rea (probabilidade) desejada. Note que esta rea pode ser obtida
pela soma das reas das Figuras 7.13 e 7.14. A primeira rea corresponde probabilidade
P(Z 0) e igual a 0,5, conforme visto no exemplo anterior.
7.2. CLCULO DE PROBABILIDADES DA NORMAL PADRO 151
Exemplo 7.6
A partir da Tabela 1 do Apndice B calcule P(Z 0, 5)
Soluo:
Note que este exemplo trata da rea (probabilidade) esquerda () de uma abscissa negativa
e, agora, comeamos a trabalhar com abscissas negativas. Na Figura 7.15 ilustra-se a rea
(probabilidade) desejada. Pela simetria da curva de densidade normal, resulta que essa rea
igual rea ilustrada na Figura 7.16.
Exemplo 7.7
A partir da Tabela 1 do Apndice B calcule P(Z 0, 5)
Soluo:
Note que este exemplo trata da rea (probabilidade) direira () de uma abscissa negativa.
Na Figura 7.17 ilustra-se a rea (probabilidade) desejada. Essa rea a soma das reas
representadas nas Figuras 7.18 e 7.19. Essa ltima rea, por sua vez, igual area
representada na Figura 7.20, pela simetria da curva de densidade.
Exemplo 7.8
A partir da Tabela 1 do Apndice B calcule P(2, 1 Z 1, 4)
Soluo:
Note que este exemplo trata da rea (probabilidade) entre duas abscissas negativas. Na
Figura 7.21 ilustra-se a rea (probabilidade) desejada. Por simetria, essa rea igual rea
ilustrada na Figura 7.22, j analisada no Exemplo 7.3.
Exemplo 7.9
A partir da Tabela 1 do Apndice B calcule P(2, 1 Z 1, 4)
Soluo:
Note que este exemplo trata da rea (probabilidade) entre duas abscissas, uma negativa e
outra positiva. Na Figura 7.23 ilustra-se a rea (probabilidade) desejada. Essa rea a soma
das reas representadas nas Figuras 7.24 e 7.25. Por simetria, essa ltima rea igual
7.2. CLCULO DE PROBABILIDADES DA NORMAL PADRO 153
Muitos livros trabalham com a tabela da funo de distribuio da normal padro, que,
como vimos, representamos pela letra grega fi maiscula, :
Exemplo 7.11
A partir da Tabela 2 do Apndice B calcule P(Z 1)
154 CAPTULO 7. A DISTRIBUIO NORMAL
Soluo:
Pela lei do complementar, temos que
Mas, como Z uma varivel aleatria contnua, sabemos que P(Z = z) = 0. Logo
Logo,
Exemplo 7.12
A partir da Tabela 2 do Apndice B calcule P(Z 0, 5)
Soluo:
Vimos, no Exemplo 7.6, que
P(Z 0, 5) = P(Z 0, 5)
Logo,
Exemplo 7.13
A partir da Tabela 2 do Apndice B calcule P(Z 0, 5)
Soluo:
Veja as Figuras 7.27 e 7.28.
Exemplo 7.14
A partir da Tabela 2 do Apndice B calcule P(0 Z 1, 22)
7.2. CLCULO DE PROBABILIDADES DA NORMAL PADRO 155
Soluo:
Veja as Figuras 7.2, 7.29 e 7.30.
Exemplo 7.15
A partir da Tabela 2 do Apndice B calcule P(1 Z 2)
Soluo:
Veja as Figuras 7.4, 7.31 e 7.32.
Exemplo 7.16
A partir da Tabela 2 do Apndice B calcule P(2, 1 Z 1, 4)
Soluo:
Usando os resultados do Exemplo 7.15, temos que
Exemplo 7.17
A partir da Tabela 2 do Apndice B calcule P(2, 1 Z 1, 4)
156 CAPTULO 7. A DISTRIBUIO NORMAL
Soluo:
Usando os resultados do Exemplo 7.12, temos que
X = g(Z ) = + Z ,
Usaremos a seguinte notao para indicar que uma v.a. X tem distribuio normal com
parmetros e 2 : X N(, 2 ).
2. Assntotas: lim f(x) = lim f(x) = 0; esse resultado segue diretamente dos resultados
x x
3. Ponto de mximo
Para calcular a primeira e segunda derivadas de f(x), devemos lembrar que (ex )0 = ex
e, pela regra da cadeia, (eg(x) )0 = eg(x) g0 (x). Aplicando esses resultados densidade
normal, obtemos que:
0 (x )2 x
f (x) =
1 1
exp 2(x ) = f(x) (7.6)
2 2 2 2 2 2 2
7.3. DISTRIBUIO NORMAL 157
Analisando a equao (7.6) e lembrando que f(x) > 0, pode-se ver que:
f 0 (x) = 0 x =
e assim, x = um ponto crtico. Como f 0 (x) > 0 para x < e f 0 (x) < 0 para x > ,
ento f crescente esquerda de e decrescente direita de . Segue, ento, que
x = um ponto de mximo e nesse ponto
f() =
1
(7.8)
2 2
4. Pontos de inflexo
Analisando a segunda derivada dada por (7.7), tem-se que:
00 x =+
f (x) = 0 (x ) = |x | =
2 2
x =
(7.9)
Alm disso,
00
f (x) > 0 (x )2 > 2 |x | >
x > ou x > (7.10)
x >+ ou x <
e
00
f (x) < 0 (x )2 < 2 |x | <
x <
<x <+
x <
(7.11)
Logo, f(x) cncava para cima se x > + ou x < e cncava para baixo quando
< x < + .
Na Figura 7.33 apresentado o grfico da densidade normal no caso em que = 3
e 2 = 1. A a linha pontilhada central representa o eixo de simetria e as linhas
pontilhadas laterais passam pelos pontos de inflexo 3 1.
Resumindo:
E(X ) =
X N ; 2 =
Var(X ) = 2
(7.14)
158 CAPTULO 7. A DISTRIBUIO NORMAL
Na Figura 7.36 apresentamos funo de distribuio associada s densidades N(0; 1), N(3; 1)
e N(3; 4). Note que, pela simetria da densidade em torno da mdia , sempre teremos F () =
0, 5. Esse fato ilustrado com as linhas pontilhadas na figura.
x x
P (X x) = P ( + Z x) = P Z = (7.16)
Nas Figuras 7.37 e 7.38 ilustra-se esse fato, utilizando as densidades Z N(0; 1) e
X N(3; 4). No grfico esquerda, a rea sombreada representa P(X 5) e no grfico
direita, a rea sombreada representa a probabilidade equivalente:
X 3 53
P(X 5) = P = P(Z 1)
2 2
160 CAPTULO 7. A DISTRIBUIO NORMAL
Isso significa que probabilidades de uma N(; 2 ) podem ser calculadas a partir da
operao de padronizao.
Se X N ; 2 , ento
X
Z= (7.17)
tem distribuio N(0; 1).
Exemplo 7.20
Seja X N(2; 5), calcule P(1 X 7)
Soluo:
12 X 2 72
P(1 X 7) = P
5 5 5
= P (0, 45 Z 2, 24)
= (2, 24) (0, 45) = (2, 24) [1 (0, 45)] = 0, 9875 [1 0, 6700]
= tab(2, 24) + tab(0, 45) = 0, 4875 + 0, 1700
= 0, 6575
7.4. CLCULO DE PROBABILIDADES DA NORMAL 161
Exemplo 7.21
Seja X N(5, 1), calcule P(X > 7)
Soluo:
X 5 75
P(X > 7) = P >
1 1
= P(Z > 2)
= 1, 0 (2, 0) = 1, 0 0, 97725
= 0, 5 tab(2, 0) = 0, 5 0, 47725
= 0, 02275
Soluo:
Note que essa probabilidade corresponde probabilidade de X estar a uma distncia de k
desvios-padro da mdia.
k X + k
P( k X + k ) = P
= P(k Z k)
k =1
k =2
k =3
Essas probabilidades nos dizem que, para qualquer distribuio normal, 68,28% dos
valores esto a um desvio-padro da mdia, 95,44% esto a dois desvios-padro e 99,73% dos
valores esto a trs desvios-padro da mdia. Veja a Figura 7.39 para uma ilustrao desses
resultados.
162 CAPTULO 7. A DISTRIBUIO NORMAL
Em uma comunidade, as famlias com as 15% piores rendas iro receber um auxlio da
prefeitura.
Como antes, vamos apresentar vrios exemplos que ilustram essa situao.
Exemplo 7.23
Seja Z N(0; 1), determine o valor de k tal que P(Z k) = 0, 90.
Soluo:
Vamos traduzir esse problema: queremos encontrar a abscissa k da normal padro com 0, 90
de rea (probabilidade) esquerda dela. Como 0,9 a rea esquerda de k, resulta que k
tem que ser maior que zero, isto , temos que ter k > 0. Veja a Figura 7.40: esquerda de k
temos rea 0,90 e esquerda de 0 temos rea 0,5. Logo, entre 0 e k temos que ter rea 0,40.
7.5. ENCONTRANDO A ABSCISSA DA NORMAL PARA UMA PROBABILIDADE ESPECFICA163
P(Z k) = 0, 90
P(Z 0) + P(0 < Z k) = 0, 90
0, 5 + P(0 < Z k) = 0, 90
P(0 < Z k) = 0, 40
tab(k) = 0, 40
Esta ltima igualdade nos diz que k a abscissa correspondente ao valor 0,40 na Tabela 1.
Para identificar k, temos que buscar no corpo dessa tabela, o valor mais prximo de 0,40.
Na linha correspondente ao valor 1,2 encontramos as entradas 0,39973 e 0,40147. Como a
primeira est mais prxima de 0,40, olhamos qual a abscissa correspondente: a linha 1,2
e a coluna 8, o que nos d a abscissa de 1,28, ou seja, k = 1, 28 e P(Z 1, 28) = 0, 90,
completando a soluo.
Agora vamos olhar o mesmo exemplo, mas para uma distribuio normal qualquer.
Exemplo 7.24
Seja X N(3; 4), determine o valor de k tal que P(X k) = 0, 90.
Soluo:
Com a probabilidade esquerda de k maior que 0,5, resulta que k tem de ser maior que
a mdia. O primeiro passo na soluo escrever a probabilidade dada em termos da normal
164 CAPTULO 7. A DISTRIBUIO NORMAL
padro.
P(X k) = 0, 90
X 3 k 3
P = 0, 90
2 2
k 3
P Z = 0, 90
2
k 3
P(Z 0) + P 0 Z = 0, 90
2
k 3
0, 5 + P 0 Z = 0, 90
2
k 3
P 0Z = 0, 40
2
k 3
tab = 0, 40
2
k 3
= 1, 28 k = 5, 56
2
Exemplo 7.25
Seja X N(3; 4), determine o valor de k tal que P(X k) = 0, 05.
Soluo:
esquerda de k temos 5% da rea total; logo, k tem que estar no lado esquerdo, ou seja,
temos de ter k < 3 e a abscissa padronizada correspondente tem de ser negativa. Vamos
escrever a probabilidade dada em termos da normal padronizada:
P(X k) = 0, 05
X 3 k 3
P = 0, 05
2 2
k 3
P Z = 0, 05
2
k3
Figura 7.41 P(Z 2 ) = 0, 05 Figura 7.42 P(Z k3
2 ) = 0, 05
7.5. ENCONTRANDO A ABSCISSA DA NORMAL PARA UMA PROBABILIDADE ESPECFICA165
O valor mais prximo de 0,45 no corpo da Tabela 1 0,4495 que corresponde abscissa
1,64, e isso nos d que
k 3
= 1, 64 k = 0, 28
2
Exemplo 7.26
Seja X N(3; 4), determine o valor de k tal que P(| X 3 | k) = 0, 95.
Soluo:
Vamos relembrar as propriedades da funo mdulo. Para isso, veja a Figura 7.43. As duas
retas que definem a funo f(x) = |x| so y = x e y = x. Os segmentos traados no
grfico mostram que |x| = k x = k ou x = k. Os valores de y abaixo do segmento
horizontal correspondem a valores de y = |x| k e esses valores de y esto associados a
valores x tais que k x k. De forma anloga, valores de y acima do segmento horizontal
correspondem a valores de y = |x| > k e esses valores de y esto associados a valores x tais
que x > k ou x < k. Resumindo:
x=k
|x| = k ou (7.18)
x=-k
|x| < k k < x < k (7.19)
x>k
|x| > k ou (7.20)
x<-k
P(| X 3 | k) = 0, 95
P(k X 3 k) = 0, 95
P (3 k X k + 3) = 0, 95
3k 3 X 3 k +33
P = 0, 95
2 2 2
k k
P Z = 0, 95
2 2
k k
P Z = 0, 95
2 2
k k
P Z 0 +P 0Z = 0, 95
2 2
k
2P 0Z = 0, 95
2
k
P 0Z = 0, 475
2
k
tab = 0, 475
2
k
= 1, 96 k = 3, 92
2
curso, voc ver mais aplicaes no contexto da inferncia estatstica, em que decises tm
de ser tomadas com base nos resultados obtidos a partir de uma amostra.
(a) Quanto voc precisa de saldo mdio para se tornar um cliente VIP?
Soluo:
Seja X = saldo mdio; dado que X N(2000; 2502 ).
(a) Temos que determinar o valor de k tal que P(X k) = 0, 10. Note que isso equivale a
calcular o 90o percentil da distribuio. A rea esquerda de k tem de ser 0,90; logo,
k tem de ser maior que a mdia.
P(X k) = 0, 10
X 2000 k 2000
P = 0, 10
250 250
X 2000 k 2000
P = 0, 90
250 250
k 2000
P Z = 0, 90
250
k 2000
P(Z 0) + P 0 Z = 0, 90
250
k 2000
P 0Z = 0, 90 0, 50
250
k 2000
tab = 0, 40
250
k 2000
= 1, 28 k = 2320
250
Os clientes com saldo mdio maior ou igual a R$ 2.320, 00 tero tratamento VIP.
(b) Temos de determinar o valor de k tal que P(X k) = 0, 05. Note que isso equivale a
calcular o 5o percentil da distribuio. A rea esquerda de k tem de ser 0,05; logo, k
tem de ser menor que a mdia. Na soluo, teremos que usar a simetria da distribuio,
invertendo o sinal da abscissa, para lidarmos com rea na metade direita da funo de
densidade.
168 CAPTULO 7. A DISTRIBUIO NORMAL
P(X k) = 0, 05
X 2000 k 2000
P = 0, 05
250 250
k 2000
P Z = 0, 05
250
2000 k
P Z = 0, 05
250
2000 k
tab = 0, 45
250
2000 k
= 1, 64 k = 1590
250
Soluo:
Esse um exemplo clssico de aplicao da distribuio normal. Seja X o peso dos pacotes
em gramas. Ento, X N(; 400). Temos de ter P(X 500) = 0, 10. Note que o peso mdio
7.6. EXEMPLOS DE APLICAO DA DISTRIBUIO NORMAL 169
P(X 500) = 0, 10
X 500
P = 0, 10
20 20
500
P Z = 0, 10
20
500
P Z = 0, 10
20
500
P Z = 0, 10
20
500
tab = 0, 40
20
500
= 1, 28 = 525, 6
20
A mquina tem de ser regulada com um peso mdio de 525,6g para que apenas 10% dos
pacotes tenham peso inferior a 500g. Veja a Figura 7.46.
(b) Mantidas essas especificaes, qual dever ser a regulagem mdia da mquina para
que a rejeio por dimetro grande seja praticamente nula? Nesse caso, qual ser a
porcentagem de rejeio por dimetro pequeno?
Soluo:
Seja D = dimetro dos tubos. Ento D N(200, 22 ).
P(D < kI ) = 0, 10
D 200 kI 200
P < = 0, 10
2 2
kI 200
P Z < = 0, 10
2
kI 200
P Z > = 0, 10
2
200 kI
P Z > = 0, 10
2
200 kI
P 0Z < = 0, 40
2
200 kI
tab = 0, 40
2
200 kI
= 1, 28 kI = 197, 44
2
P(D > kS ) = 0, 15
D 200 kS 200
P > = 0, 15
2 2
kS 200
P 0Z < = 0, 35
2
kS 200
tab = 0, 35
2
kS 200
= 1, 03 kS = 202, 06
2
Logo, tubos com dimetro menor que 197,44 cm so rejeitados como pequenos e tubos
com dimetros maiores que 202,06 cm so rejeitados como grandes.
(b) Com a nova regulagem, temos que D N(; 22 ) e deve ser tal que
Com essa nova regulagem, a rejeio por dimetro grande nula, mas a rejeio por
dimetro pequeno muito alta! Veja as Figuras 7.47 e 7.48, nas quais ficam claros os
resultados obtidos.
Soluo:
Seja T = tempo de durao (em horas) das lmpadas; ento, T N(900; 752 ). Temos que
determinar t tal que P(T t) = 0, 05.
P(T t) = 0, 05
T 900 t 900
P = 0, 05
75 75
t 900
P Z = 0, 05
75
900 t
P Z = 0, 05
75
900 t
P 0Z = 0, 45
75
900 t
tab = 0, 45
75
900 t
= 1, 64 t = 777
75
As lmpadas devem ser trocadas com 777 horas de uso para que apenas 5% se queimem antes
da troca.
172 CAPTULO 7. A DISTRIBUIO NORMAL
Soluo:
Seja X = contedo da garrafa (em ml), ento X N(1000; 2 ).
Seja 0 o valor do desvio padro de X tal que P(X < 990) = 0, 01. Ento, qualquer
valor de tal que < 0 resulta em P(X < 990) < 0, 01. Veja a Figura 7.49.
7.7.1 Definio
Sabemos que fY (y) = F 0 (y) e, tambm, no caso da normal padro, 0 (z) = (z). Logo,
pela regra da cadeia,
ln y ln y
fY (y) = 0
1 1
= =
y y
" #
1 ln y 2
=
1 1
exp
2 2 y
ou ainda: " 2 #
ln y
fY (y) =
1 1
exp y>0
y 2 2 2
174 CAPTULO 7. A DISTRIBUIO NORMAL
7.7.2 Esperana
A esperana de Y :
" 2 #
Z
ln y
y
1 1
E(Y ) = exp dy
0 y 2 2 2
1
dt = dy
y
y = et
y = 0 t =
y = t=
e, portanto
" 2 # " #
Z Z 2
t t
et exp dt =
1 1 1 1
E(Y ) = exp + t dt
2 2 2 2 2 2
Z 2
t 2t + 2 2 2 t
1
= exp dt =
2 2 2 2
Z " #
t 2 2t + 2 + 2
1
= exp dt
2 2 2 2
Z " #
t 2 2t + 2 2
1
= exp exp 2 dt =
2 2 2 2 2
Z " 2 2 #
2 t 2 2t + 2 + + 2 + 2
exp 2
1
= exp dt
2 2 2 2 2
Z ( 2 ) 2 !
2 t + 2 + 2
exp 2
1
= exp exp dt
2 2 2 2 2 2 2
2 ! " Z ( 2 ) #
2 + 2 t + 2
1
= exp 2 + exp dt
2 2 2 2 2 2 2
Mas o termo entre os colchetes externos a integral de uma densidade normal com mdia
= + 2 e varincia 2 ; logo, essa integral 1 e, portanto:
2 !
2 + 2 2 + 2 + 2 2 + 4
E(Y ) = exp 2 + = exp
2 2 2 2 2
2
E(Y ) = exp + (7.21)
2
7.7. A DISTRIBUIO LOG-NORMAL 175
7.7.3 Varincia
Como antes, o termo entre os colchetes externos 1 porque a integral de uma densidade
normal com mdia + 2 2 e varincia 2 . Logo,
! 2
2 + 2 2 2
+ 2 + 4 2 + 4 4
E(Y ) = exp 2 +
2
= exp
2 2 2 2 2
E(Y 2 ) = exp 2 + 2 2
e
2
2
Var(Y ) = exp 2 + 2 exp +
2
=
2
2
= exp 2 + 2 exp 2 +
2
=
2
= exp 2 + 2 2 exp 2 + 2
" #
exp 2 + 2 2
= exp 2 + 2 1 =
exp 2 + 2
h i
= exp 2 + 2 exp 2 + 2 2 2 2 1 =
h i
= exp 2 + 2 exp 2 1
2
Definindo m = E(X ) = exp + 2 , temos que m2 = exp 2 + 2 . Logo,
h 2 i
Var(Y ) = m2 e 1 (7.22)
176 CAPTULO 7. A DISTRIBUIO NORMAL
Captulo 8
8.1 Momentos
k0 = E(X k ) (8.1)
desde que essa quantidade exista. O ksimo momento central de uma varivel aleatria
X , denotado por k , definido como
Note que E(X ) = 10 e Var(X ) = 2 = 20 (10 )2 . Temos tambm que, para qualquer
varivel aleatria, 1 = 0.
Soluo:
1 x
Z
k
E(X ) = xk x e dx
()
Z0
+k1 x
= x e dx
0 ()
Z
( + k) +k
x +k1 ex dx
+k () 0 ( + k)
=
( + k) ( + k) ( + 1) ( + k 1)
+k
= k
k
= =
() ()
177
178 CAPTULO 8. MOMENTOS E SUA FUNO GERADORA
Proposio 8.4
Seja X varivel aleatria com densidade simtrica em torno de . Ento,
E((X )k ) = 0
sempre que k for mpar.
Demonstrao:
Primeiro veja que se X tem densidade simtrica em torno de , ento as variveis aleatrias
Y = (X ) e W = (X ) tem mesma distribuio.
informaes sobre a localizao e sobre a variao em torno da mdia dessa varivel. Nessa
seo veremos a definio de dois novos coeficientes, que dependem do 3o e do 4o momento
central. Com eles veremos como esses dois outros momentos podem nos passar informaes
sobre a varivel aleatria.
E[(X )3 ]
3 =
3
supondo a existncia dos momentos envolvidos.
E[(X )4 ]
4 = 3
4
supondo a existncia dos momentos envolvidos.
180 CAPTULO 8. MOMENTOS E SUA FUNO GERADORA
Z
Se X contnua MX (t) = E etX = etx fX (x)dx.
dk
k
E X = k
Mx (t)
dt t=0
A demonstrao do Teorema 8.8 acima ser omitida pois precisamos de resultados ainda
no vistos nesse curso. Mas, a ttulo de curiosidade, ela pode ser encontrada no Teorema
5.10 de Magalhes (2011).
Antes de seguir com os exemplos veja que, qualquer que seja a varivel aleatria X ,
MX (0) = E(e0X ) = 1.
Esse resultado pode ser til para verificarmos se a funo geradora de momentos encontrada
est correta.
Exemplo 8.9 Distribuio de Bernoulli
Seja X Bern(p). Encontre a sua funo geradora de momentos e a partir dela calcule E(X )
e Var(X ).
Soluo:
Por definio MX (t) = E(etX ). Se X Bern(p),
1 1
X
tx x
X x
MX (t) = e p (1 p)1x
= pet (1 p)1x = 1 p + pet
x=0 x=0
Logo,
Se X Bern(p) MX (t) = 1 p + pet . (8.3)
e, portanto
182 CAPTULO 8. MOMENTOS E SUA FUNO GERADORA
Logo, n
Se X B(n, p) MX (t) = pet + (1 p) . (8.4)
Veja que MX (0) = 1. Para encontrar os dois primeiros momentos precisamos das duas
primeiras derivadas.
n1
MX0 (t) = npet pet + (1 p)
n1 n2 t
MX00 (t) = npet pet + (1 p) + n(n 1)pet pet + (1 p)
pe
t
t n1 t n2
= npe pe + (1 p) + n(n 1)p e pe + (1 p)
2 2t
e, portanto
E(X ) = MX0 (0) = np [p + (1 p)]n1 = np
Exemplo 8.11 Distribuio Geomtrica
Seja X geo(p). Encontre a sua funo geradora de momentos e a partir dela calcule E(X )
e Var(X ).
Soluo:
Por definio,
X
X
X
MX (t) = E(etX ) = etk p(1 p)k1 = et(j+1) p(1 p)j = pet etj (1 p)j
k=1 j=0 j=0
X j
= pet et (1 p)
j=0
Ento, se et (1 p) < 1, isto , para t < ln 1
1p temos que
pet
MX (t) = pet
1
.
1 et (1 p) 1 et (1 p)
=
8.3. FUNO GERADORA DE MOMENTOS 183
Logo,
pet
1
Se X geo(p) MX (t) = , t < ln .
1 et (1 p)
(8.5)
1p
O resultado apresentado na Proposio 8.12 acima pode ser usado para encontrar a
funo geradora de momentos de uma varivel aleatria definida como transformao linear
de outra, da qual j conhecemos a funo geradora de momentos. Veja uma aplicao desse
resultado no Exemplo 8.13 a seguir.
Exemplo 8.13 Distribuio Geomtrica Alternativa
Seja X a varivel aleatria definida como o nmero de fracassos at a ocorrncia do 1o
sucesso em ensaios de Bernoulli independentes, todos com probabilidade de sucesso p. Veja
que X segue a forma alternativa da distribuio Geomtrica, definida na Seo 3.6. Encontre
a sua funo geradora de momentos de X .
184 CAPTULO 8. MOMENTOS E SUA FUNO GERADORA
Soluo:
Para facilitar a resoluo do exerccio vamos definir X como transformao linear de uma
geomtrica e ento usar a Proposio 8.12 e o resultado do Exemplo 8.11.
pet 1
MW (t) = t
, para t < ln .
1 e (1 p) 1p
pet p
MX (t) = et
1
, para t < ln .
1 et (1 p) 1 et (1 p)
=
1p
Exemplo 8.14 Distribuio de Poisson
Seja X Poisson(). Encontre a sua funo geradora de momentos e a partir dela calcule
E(X ) e Var(X ).
Soluo:
Por definio,
k
X k X k X et t
tX tk
MX (t) = E(e ) = e e = e etk = e = e ee .
k! k! k!
k=0 k=0 k=0
Logo,
t
Se X Poisson() MX (t) = e(e 1) (8.6)
Veja que MX (0) = 1. Vamos calcular as derivadas de ordem primeira e ordem segunda
para calcular os respectivos momentos:
t t t
MX0 (t) = e(e 1) et = et e(e 1) = et+(e 1)
t
MX00 (t) = et+(e 1) 1 + et
Logo,
E(X 2 ) = M 00 (0) = e0+(e 1) 1 + e0 = (1 + ) = 2 +
0
X
Para que esse limite seja real, isto , a integral exista, necessrio que t > 0, ou
seja, t < . Sob essa condio podemos seguir e concluir que
e(t)x 1
MX (t) = =0 = .
( t) 0 ( t) t
Logo,
Se X exp() MX (t) = , t < . (8.7)
t
MX0 (t) = MX00 (t) = 2( t)
2
e =
( t)2 ( t)4 ( t)3
Soluo:
Por definio
Z Z
tX tx 1 x
MX (t) = E(e ) = e x e dx = x 1 e(t)x dx .
() 0 ()
|0 {z }
Veja que a integral destacada com as chaves pode ser considerara uma gama modificada
somente se t > 0, ou seja, t < . Sob essa condio podemos seguir e concluir que
()
MX (t) = .
() ( t) ( t)
=
Logo,
Se X Gama(, ) MX (t) = , t < .
( t)
(8.8)
Veja que MX (0) = 1. Veja tambm que quando = 1 o resultado da Equaes 8.8
coincide com a Equao 8.7, que apresenta a funo geradora de momentos da exponencial.
Para encontrar a funo geradora de momentos de uma varivel aleatria Normal vamos
primeiro encontrar a funo geradora de momentos da Normal Padro. Em seguida vamos usar
a Proposio 8.12 para encontrar a funo geradora de momentos de uma normal qualquer.
Veja os Exemplos 8.17 e 8.18 a seguir.
186 CAPTULO 8. MOMENTOS E SUA FUNO GERADORA
Soluo:
Por definio,
Z Z 2
tx 1 x 2 /2 x 2tx
e e
1
MZ (t) = dx = exp dx
2 2 2
Z 2
x 2tx + t 2 t 2
1
= exp dx
2 2
Z 2 2
x 2tx + t 2 t
1
= exp + dx
2 2 2
Z 2 2
x 2tx + t 2 t
1
= exp e dx
2 2 2
2Z " #
t (x t)2
1
= exp exp dx
2 2 2
| {z }
1
Logo,
t2
Se Z N(0, 1) MZ (t) = exp . (8.9)
2
Soluo:
Se X N(; 2 ) ento X = Z + , onde Z N(0; 1) com funo geradora de momentos
dada por MZ (t) = et /2 .
2
MX (t) = et MZ ( t) = et e
2 t 2 /2
.
Logo,
2t2
Se X N(, 2 ) MX (t) = exp t + . (8.10)
2
e, portanto,
E(X ) = MX0 (0) = MX (0) () =
8.3. FUNO GERADORA DE MOMENTOS 187
Logo,
E(X 2 ) = MX00 (0) = MX0 (0) () + 2 MX (0) = 2 + 2
e, portanto
Var(X ) = E(X 2 ) [E(X )]2 = 2 + 2 2 = 2
Logo,
E(X 3 ) = MX000 (0) = MX00 (0) + 2MX0 (0) 2 = ( 2 + 2 ) + 2 2 = 3 + 3 2
e, portanto, o coeficiente de assimetria
E(X )3 E(X 3 3X 2 + 3X 2 3 ) 3 + 3 2 3( 2 + 2 ) + 3 2 3
3 = = = =0
3 3 3
Derivada quarta (quarto momento curtose)
MX (t) = MX000 (t) + t 2 + MX00 (t) 2 + 2MX00 (t) 2 = MX000 (t) + t 2 + 3MX00 (t) 2
(iv)
Logo,
Alm do fato de ser possvel encontrar todos os momentos de uma varivel aleatria
a partir da sua funo geradora de momentos, essa funo tem mais uma caracterstica
importante: ela tambm define por completo a distribuio da varivel aleatria. Veja Teorema
8.19 a seguir.
Teorema 8.19 Se duas variveis aleatrias tm funes geradoras de momentos que existem,
e so iguais, ento elas tm a mesma funo de distribuio.
A demonstrao do Teorema 8.19 ser omitida, pois ela usa conceitos ainda no
estudados neste curso. Veja que o Teorema 8.19 nos mostra que se duas variveis aleatrias
tem mesma funo geradora de momentos ento estas variveis aleatrias so identicamente
distribudas. Isso significa que podemos identificar a distribuio de uma varivel aleatria
a partir da sua funo geradora de momentos, assim como identificamos a distribuio da
varivel aleatria a partir da sua funo de distribuio, funo densidade ou funo de
probabilidade.
Veja uma aplicao do Teorema 8.19 no Exemplo 8.20 a seguir. Nele apresentada uma
alternativa para a demonstrao da Proposio 6.3.
188 CAPTULO 8. MOMENTOS E SUA FUNO GERADORA
Exemplo 8.20
Seja X gama(, ), Y = cx e c R. Mostre, a partir da funo geradora de momentos,
que Y gama(, /c).
Soluo:
Como X gama(, ) j sabemos que a sua funo geradora de momentos definida por:
MX (t) = , t < .
( t)
MY (t) = E(etY ) = E(etcX ) = MX (tc) = , tc <
( tc)
Ou seja,
(/c)
MY (t) = , t < /c.
(/c t)
Veja que trata-se da funo geradora de momentos de uma varivel aleatria com distribuio
gama(, /c). Logo, Y gama(, /c).
Vamos usar o Teorema 8.19 para mostrar que a transformao linear de uma varivel
aleatria normal tambm varivel aleatria normal. Veja a Proposio 8.21 a seguir.
Demonstrao:
Como X N(, ) sabemos, pela Equao 8.10, que
2t2
MX (t) = exp t + .
2
Veja que trata-se da funo geradora de momentos de uma varivel aleatria com
distribuio Normal de mdia b + a e varincia a2 2 . Logo, Y N(b + a, a2 2 ).
0, pois X 0
Z Z Z
xfX (x)dx tfX (x)dx = t fX (x)dx = t P(X t).
xt xt xt
Exemplo 8.23 (Magalhes (2011) , Exemplo 4.27 )
Numa empresa com 100 funcionrios o nmero mdio de usurios simultneos de Internet,
num certo perodo do dia, de aproximadamente 30. Atualmente, existem 30 linhas telefnicas
disponveis para conexo. Avalie a necessidade de aumentar esse nmero.
Soluo:
Seja X = nmero de usurios simultneos na Internet. Veja que se temos 30 linhas disponveis,
a probabilidade de um usurio ficar sem Internet P(X > 30), que no sabemos calcular.
Se esse valor for grande, o aumento no nmero de linhas disponveis deve ser adotado.
Apesar de no sabermos calcular P(X > 30) podemos tentar usar a Desigualdade de
Markov para encontrar uma cota superior. Veja que X varivel aleatria no negativa, alm
disso sabemos que E(X ) = 30. Ento, usando a desigualdade,
P(X > 30) = P(X 31) E(X )/31 = 0, 9677.
Veja que j temos alguma informao! Vamos calcular as cotas superiores para a
probabilidade de um usurio ficar sem Internet para outros nmeros de linhas disponveis:
190 CAPTULO 8. MOMENTOS E SUA FUNO GERADORA
Baseado nessas informaes, voc faria algum investimento para aumentar a quantidade
de linhas disponveis?
E(|X |2 2
P(|X |2 t 2 ) = .
t2 t2
Juntando,
2
P(|X | t) .
t2
Corolrio 8.25 Seja X varivel aleatria qualquer tal que E(X ) = e Var(X ) = 2 existem e
so finitas. Ento,
2
P(|X | < t) 1 2 .
t
Demonstrao:
Primeiro veja que
2 2
P(|X | t) P(|X | t) .
t2 t2
Com isso podemos concluir que,
2
P(|X | < t) = 1 P(|X | t) 1 .
t2
Exemplo 8.26
Continuando o Exemplo 8.23, sabendo que o desvio padro no nmero de usurios simultneos
na Internet 10, melhore as aproximaes encontradas no Exemplo 8.23.
Soluo:
Nesse caso temos mais uma informaes, o desvio padro. Com isso podemos usar a
Desigualdade Clssica de Chebyshev.
8.4. ALGUMAS DESIGUALDADES IMPORTANTES 191
Veja que a probabilidade de um usurio ficar sem Internet se temos k linhas disponveis
2 100
P(X > k) = P(X k +1) = P(X 30 k 29) P(|X 30| k 29) = .
(k 29)2 (k 29)2
Logo,
100
P(X k + 1) .
(k 29)2
Exemplo 8.27
Seja X uma v.a. com mdia < e varincia 2 < . Encontre uma cota superior para
P(|X | 2 ) (ou uma cota inferior para P(|X | 2 )). Encontre tambm uma cota
superior para P(|X | 3 ) (ou uma cota inferior para P(|X | 3 )).
Soluo:
Se X uma v.a. com mdia < e varincia 2 < , ento
1
P(|X | 2 ) = 0, 25 P(|X | 2 ) 0, 75
22
ou seja, para qualquer v.a. com mdia e varincia finitas, a porcentagem de valores a
uma distncia de 2 desvios-padro da mdia de pelo menos 75%.
1
P(|X | 3 ) = 0, 1111 P(|X | 3 ) 0, 8889
32
ou seja, para qualquer v.a. com mdia e varincia finitas, a porcentagem de valores a
uma distncia de 3 desvios-padro da mdia de pelo menos 88, 89%.
Compare esses valores com aqueles obtidos no Exemplo 7.22 e ilustrados na Figura 7.39 para
uma distribuio normal.
192 CAPTULO 8. MOMENTOS E SUA FUNO GERADORA
Apndice A
Convergncia
r=1
Nesse caso, a srie a + a + a + e a nsima soma parcial
sn = a + a + + a = (n + 1)a
para a qual temos lim sn = lim (n + 1)a = a dependendo do sinal de a. Resulta,
n n
ento, que a srie geomtrica (A.1) diverge.
r = 1
Nesse caso, a srie a a + a a + a a + e a sequncia das somas parciais
a, 0, a, 0, a, que, obviamente, diverge. Logo, a srie geomtrica diverge se r = 1.
|r| =
6 1
A nsima soma parcial
sn = a + ar + ar 2 + . . . + ar n
Multiplicando ambos os lados por r, obtemos que
rsn = ar + ar 2 + ar 3 + . . . + ar n + ar n+1
e, portanto,
sn rsn = (a + ar + ar 2 + . . . + ar n ) (ar + ar 2 + ar 3 + . . . + ar n + ar n+1 ) = a ar n+1
Logo,
sn (1 r) = a(1 r n+1 )
Como r 6= 1,podemos escrever
a(1 r n+1 )
sn = (A.2)
1r
193
194 APNDICE A. ALGUNS RESULTADOS DE CLCULO
X a
ar i = se | r | < 1. (A.3)
1r
i=0
? r>1
Nesse caso, lim r n+1 = o que implica que a sequncia das somas parciais
n
diverge, o mesmo ocorrendo com a srie geomtrica.
? r < 1
Nesse caso, r n+1 oscila entre valores negativos e positivos de magnitude crescente,
o que implica novamente que a sequncia das somas parciais diverge, o mesmo
ocorrendo com a srie geomtrica.
! Srie geomtrica
ar i diverge se |r| 1 e converge se |r| < 1. Temos
P
A srie geomtrica
i=0
tambm que
X a
ar i = se | r | < 1. (A.4)
1r
i=0
X
i
X
i a X
ar = a + ar = =a+ ar i se | r | < 1
1r
i=0 i=1 i=1
ou
X a ar
ar i = a= se | r | < 1 (A.5)
1r 1r
i=1
Derivadas
Derivada primeira
A.1. SRIES GEOMTRICAS 195
!
d X
i d
r = (1 + r + r 2 + r 3 + r 4 + + r n + )
dr dr
i=0
= 1 + 2r + 3r 2 + 4r 3 + + nr n1 + = h i
= 1 + (r + r) + (r 2 + 2r 2 ) + (r 3 + 3r 3 ) + r n1 + (n 1)r n1 +
h i
= (1 + r + r 2 + r 3 + + r n1 + ) + r + 2r 2 + 3r 3 + + (n 1)r n1 +
X
= (r i + ir i )
i=0
X
= (1 + i)r i
i=0
Como a srie geomtrica convergente para | r | < 1, podemos igualar as derivadas, isto
:
!
X
i d X
i d 1
(1 + i)r = r = se | r | < 1
dr dr 1 r
i=0 i=0
ou seja,
X
(1 + i)r i =
1
se | r | < 1 (A.6)
i=0
(1 r)2
Mas podemos escrever
(1 + i) i! (1 + i)! 1+i
(1 + i) = = =
i! i! 1! i
resultando que
X 1+i
ri =
1
se | r | < 1 (A.7)
i (1 r)2
i=0
Derivada segunda
!
d2 X i d2
r = (1 + r + r 2 + r 3 + r 4 + + r n1 + r n + r n+1 ) =
dr 2 dr 2
i=0
d
= 1 + 2r + 3r 2 + 4r 3 + (n 1)r n2 + nr n1 + (n + 1)r n + =
dr
= 2 1 + 3 2 r + 4 3 r 2 + + (n 1)(n 2)r n3 + n(n 1)r n2 + (n + 1)nr n1 +
X
= (i + 2)(i + 1)r i
i=0
ou
X
(i + 2)(i + 1)r i =
2
(A.8)
(1 r)3
i=0
196 APNDICE A. ALGUNS RESULTADOS DE CLCULO
Terceira derivada
!
d3 X
i d3
r (1 + r + r 2 + r 3 + r 4 + r 5 + + r n1 + r n + r n+1 ) =
=
dr 3 dr 3
i=0
d2 n2 n1 n
= 1 + 2r + 3r 2
+ 4r 3
+ 5r 4
+ + (n 1)r + nr + (n + 1)r + =
dr 2
2 1 + 3 2 r + 4 3 r 2 + 5 4 r 3 + + (n 1)(n 2)r n3
d
+n(n 1)r n2 + (n + 1)nr n1 +
=
dr
= 3 2 1 + 4 3 2 r + 5 4 3 r 2 + + (n 1)(n 2)(n 3)r n4 +
+n(n 1)(n 2)r n3 + (n + 1)n(n 1)r n2 +
X
= (i + 3)(i + 2)(i + 1)r i
i=0
Igualando as derivadas:
X
i d3 1 d 2
(i + 3)(i + 2)(i + 1)r = 3 =
dr 1r dr (1 r)3
i=0
2 3 (1 r)2 (1) 3!
= =
(1 r)6 (1 r)4
Logo,
X
X (i + 3)(i + 2)(i + 1)i!
i
ri =
(i + 3)(i + 2)(i + 1) 1 1
r =
3! (1 r)4 3! i! (1 r)4
i=0 i=0
X 3+i i X 3+i i 1
r = r = (A.10)
i 3 (1 r)4
i=0 i=0
A.2. A FUNO LOGARTMICA NATURAL 197
Resultado geral
Continuando a derivar (note que podemos tomar derivadas de qualquer ordem!), obtm-
se o seguinte resultado geral:
X k +i i X k +i i 1
r = r =
(1 r)k+1
(A.11)
i k
i=0 i=0
Definio e propriedades
Pelo Teorema Fundamental do Clculo, vemos que ln(x) uma antiderivada de x1 , isto
d 1
ln(x) = x>0
dx x
Isso significa que ln(x) diferencivel e sua derivada positiva no seu domnio de definio.
Resulta, ento, que ln(x) uma funo contnua (porque ela diferencivel) e crescente
(porque sua derivada sempre positiva).
1. ln(1) = 0
ln(pr ) = r ln(p) + C
ln(pr ) = r ln(p)
Grfico
Como ln(x) contnua e crescente, e ln(1) = 0, resulta que para x > 1, ln x > 0 e para
0 < x < 1, ln x < 0. Alm disso,
d2 d 1 1
ln(x) = = 2 <0
dx 2 dx x x
Logo, a funo ln(x) cncava para baixo. Vamos ver, agora, o comportamento assinttico de
ln(x).
Para x > 0, a funo f(x) = x1 positiva e, portanto, a integral definida pode ser
interpretada como rea sob a curva. Analisando a Figura A.1, podemos ver que a rea sob a
curva de f entre 1 e 4 a rea dos retngulos em cinza escuro mais a rea em cinza claro. Os
A.2. A FUNO LOGARTMICA NATURAL 199
trs retngulos (cinza escuro) tm vrtices superiores direita sobre a curva. Isso significa
que a rea sob a curva entre 1 e 4 maior que a rea dos trs retngulos, ou seja,
Z 4
1 1 1 1 13
dt > + + = >1
1 t 2 3 4 12
Logo,
ln(4) > 1
e se M um nmero racional positivo qualquer,
M ln(4) > M = ln 4M > M
Como M qualquer racional positivo, isso significa que podemos fazer ln(x) to grande quanto
desejado, bastando para isso tomar x suficientemente grande, donde se conclui que
lim (ln x) =
x
1 1
Como ln = ln(x), segue que ln x = ln e, portanto,
x x
1
lim (ln x) = lim+ ln
x0+ x0 x
1 1
Mas quando x 0+ , e, pelo resultado acima, ln x1 e, portanto, ln .
x x
Isso significa que
lim (ln x) =
x0+
Teorema A.2
A cada nmero real x existe um nico nmero real positivo y tal que ln y = x.
Demonstrao:
Demonstrao
Se x = 0, ento ln(1) = 0 e 1 o nico valor de y para o qual ln(y) = 0, uma vez que
ln estritamente crescente.
Se x > 0, como lim ln(x) = , podemos escolher um nmero b tal que ln(1) < x < ln(b).
x
Como ln contnua, o Teorema do Valor Intermedirio garante a existncia de um nmero
y entre 1 e b tal que ln(y) = x e esse nmero nico porque ln crescente.
Se x < 0, como lim+ ln(x) = , existe um nmero b > 0 tal que ln(b) < x < ln(1). Como
x0
antes, o Teorema do Valor Intermedirio e a continuidade de ln garantem a existncia
de um nico nmero y entre b e 1 tal que ln(y) = x.
O teorema acima nos permite definir uma funo de R em R+ , uma vez que a cada x R
podemos associar um nico nmero y R+ .
A.3. A FUNO EXPONENCIAL NATURAL 201
O nmero neperiano
ln e = 1
ln(er ) = r ln(e) = r
202 APNDICE A. ALGUNS RESULTADOS DE CLCULO
Definio A.5
Se x qualquer nmero real, ento ex o nico nmero real y tal que ln(y) = x.
exp(x) = ex (A.14)
ep
Se p e q so nmeros reais, ento = epq
eq
Demonstrao
ep ep
= ln(ep ) ln(eq ) = p q = ln(epq ) = epq
eq eq
ln
Derivada e grfico
H
A.4. FUNO EXPONENCIAL DE BASE A 203
Vamos aplicar este resultado para a funo f(x) = ln(x). Sabemos que f diferencivel
com derivada f 0 (x) = , positiva para todo x > 0. Vimos tambm que f 1 (x) = g(x) = ex . Pelo
1
x
teorema A.6, resulta que a funo g(x) = ex tambm diferencivel e sua derivada dada
por
g0 (x) = 0 = 1 = 1 = ex
1 1 1
f (g(x)) g(x) ex
ou seja, a funo exponencial sua prpria derivada! Como ex > 0, segue que as derivadas
primeira e segunda so positivas; logo, ex uma funo crescente com concavidade para cima.
Alm disso,
Note que, como a funo ex a inversa da funo ln(x), o grfico da funo exponencial
uma reflexo do grfico da funo logartmica atravs da reta y = x. Veja a Figura A.4.
ln ar = r ln a = ar = er ln a
Iremos usar este resultado para definir a funo exponencial com base a.
204 APNDICE A. ALGUNS RESULTADOS DE CLCULO
ax = ex ln a
A.5. A FUNO LOGARTMICA DE BASE A 205
au
3. Se u e v so nmeros reais quaisquer e a > 0, ento av = auv .
Demonstrao
au eu ln a
= eu ln av ln a = e(uv) ln a = auv
av ev ln a
=
Para calcular a derivada da funo exponencial com base a, vamos usar a regra da
cadeia e o fato de a derivada da funo exp ser a prpria funo:
d x d x ln a d
(a ) = e = ex ln a (x ln a) = (ln a) ex ln a
dx dx dx
ou seja
d x
(a ) = ax ln a (A.18)
dx
Se a > 1, ln a > 0 e ax uma funo crescente para x R (note que ax > 0 para todo
a, pela definio). Se 0 < a < 1, ln a < 0 e ax uma funo decrescente para x R.
lim ax = lim ex ln a =
x x
lim ax = lim ex ln a = 0
x x
e se 0 < a < 1
lim ax = lim ex ln a = 0
x x
lim ax = lim ex ln a =
x x
loga x = y x = ay (A.19)
ln x
loga x = y x = ay ln x = y ln a y =
ln a
Como y = loga x, segue que
ln x
loga x = (A.20)
ln a
Se p > 0 e q > 0 so nmeros reais, ento loga pq = loga p + loga q.
Demonstrao
ln pq ln p + ln q ln p ln q
loga pq = = = + = loga p + loga q
ln a ln a ln a ln a
p
Se p > 0 e q > 0 so nmeros reais, ento loga q = loga p loga q.
Demonstrao
p ln qp ln p ln q ln p ln q
loga = = = = loga p loga q
q ln a ln a ln a ln a
A.6. LIMITES ENVOLVENDO AS FUNES EXPONENCIAL E LOGARTMICA 207
Derivada e grfico
ou seja,
d 1
loga x = (A.21)
dx x ln a
ln(x + h) ln(x)
f 0 (x) = lim
h
h0
1 x +h
= lim ln
h0 h x
1
x +h h
= lim ln
h0 x
1
h h
= lim ln 1 +
h0 x
Mas h i
1 1
(1 + h) h = exp ln (1 + h) h
ou seja,
1
lim (1 + h) h = e (A.22)
h0
Fazendo 1
h = n na expresso acima, obtemos que
1 n
lim 1 + =e (A.23)
n n
x n
lim 1+ = ex
n n
Demonstrao
x
Fazendo t = , resulta que
n
x n x h ix
lim 1 + = lim (1 + t) t = lim (1 + t)1/t
n n t0 t0
Logo, x n
lim 1+ = ex (A.24)
n n
A.6. LIMITES ENVOLVENDO AS FUNES EXPONENCIAL E LOGARTMICA 209
lim x k ex = 0
x
Demonstrao
Vamos mostrar esse resultado usando demonstrao por induo e usando, tambm, a
regra de LHpital.
? k =1
x
lim xex = lim
x x ex
que tem a forma e, portanto, podemos aplicar LHpital, que diz que
x x0
lim xex = lim
1
x x e x
= lim x
x (e )0 = lim x = 0
x e
xk
= (k + 1) lim x = (k + 1) 0 = 0
x e
A interpretao desse resultado pode ser vista na Figura A.7 para o caso de x 3 : para
valores de x maiores que a abscissa do ponto de interseo representado em verde, o valor
de ex sempre maior que x 3 e, portanto o limite de ex x zero. Dito de outra forma, a funo
3
x3
Figura A.7 Ilustrao do resultado lim
x ex
=0
Frmula de Taylor
Vamos ver, agora, a frmula de Taylor para a funo f(x) = ex . Lembrando que a derivada
de f(x) a prpria f(x) e que f(0) = 1, podemos escrever:
x2 xn
ex = 1 + x + + + + Rn+1
2! n!
onde
ez
Rn+1 = x n+1
(n + 1)!
para algum z entre 0 e x. Se x > 0, ento 0 < z < x, o que implica que ez < ex e, portanto
ex
0 < Rn+1 < x n+1
(n + 1)!
Mas
ex x n+1
lim x n+1 = ex lim = ex 0 = 0
n (n + 1)! n (n + 1)!
e, pelo teorema do sanduche, lim Rn+1 = 0. Se x < 0, como z est entre x e 0, segue que
z < 0; logo, ez < 1 e
n+1
x
0 < |Rn+1 | < 0
(n + 1)!
Logo, tambm neste caso lim Rn+1 = 0.
n
Segue, ento, que f(x) = ex representada pela srie de Taylor, ou seja, podemos
escrever
X xk
ex = (A.26)
k!
k=0
Demonstrao:
Demonstrao
Podemos escrever
Z Z 0 Z
f(x)dx = f(x)dx + f(x)dx
0
= f(t)dt + f(x)dx
0 0
= f(t)dt + f(x)dx = 0
0 0
Para integrais duplas de funes definidas em coordenadas cartesianas, temos que ter
a partio da regio de definio R da funo de duas variveis f(x, y), conforme ilustrado na
Figura A.10. Nesse caso, a integral dupla definida como
Z Z
f(x, y)dA =
lim
f (ui , vi ) Ai
P
0
R
e calculada atravs de integrais parciais, isto , calcula-se primeiro a integral com respeito
a y, mantendo x constante, e depois integra-se o resultado com relao a x :
Z Zb d Z "Z b
#
d
f(x, y)dydx = f(x, y)dy dx
a c a c
Vamos considerar uma regio polar elementar (ver Figura A.12). A rea total de um
podemos escrever:
A = rr
214 APNDICE A. ALGUNS RESULTADOS DE CLCULO
e calculada como Z Z Z Z
f(r, )dA = f(r, )rdrd (A.31)
R R
et
2 /2
Exemplo A.11
Soluo:
A 2
t
funo f(t) = exp desempenha papel importante em probabilidade. Para
2
calcular sua integral, no podemos aplicar o Teorema Fundamental do Clculo pois f(t) no
possui antiderivada. Mas podemos ver que f(t) uma funo par. Sabemos, ento, que
Z Z
t2 t2
exp dt = 2 exp dt
2 0 2
r2
Fazendo = w, ento rdr = dw e w varia de 0 a . Logo,
2
Z Z Z "Z #
Z Z 2 2
r 2 2
exp rddr = exp (w) ddw = d exp (w) dw =
0 0 2 0 0 0 0
Z
= exp(w)dw = ew 0 =
0 2 2 2
A.9. A FUNO GAMA 215
e, portanto,
Z 2
t
exp dt = 2 (A.33)
2
ou ainda
Z
t2
1
exp dt = 1 (A.34)
2 2
A funo gama tem a seguinte propriedade recursiva: ( +1) = (). Para demonstrar
esse resultado, iremos usar integrao por partes.
Z
( + 1) = ex x dx
0
Fazendo
u = x du = x 1
216 APNDICE A. ALGUNS RESULTADOS DE CLCULO
dv = ex dx v = ex
Logo,
Z
x ex 0 ex x 1 dx =
( + 1) =
Z 0
( + 1) = 0 + ex x 1 dx =
0
( + 1) = () (A.36)
(2) = 1 (1) = 1 = 1!
(3) = 2 (2) = 2 1 = 2!
(4) = 3 (3) = 3 2 1 = 3!
(5) = 4 (4) = 4 3 2 1 = 4!
Em geral, se n inteiro,
(n) = (n 1)! (A.37)
Exemplo A.12 1
2
Soluo:
P
or definio,
Z Z x
x 1/21 e
dx
1
= e x dx =
2 0 0 x
t2
x=
2
obtemos
dx = tdt
x = 0t=0
x t
Logo,
Z t 2 /2
Z t 2 /2
r
1 e
q tdt = 2
= e dt = 2
2 0 t2 0 2
2
ou seja:
1
= (A.38)
2
Apndice B
217
218 APNDICE B. TABELAS DA DISTRIBUIO NORMAL
Tabela 1: Z N(0; 1)
Valores de p
p = P(0 Z z)
a
Casa inteira 2 decimal
a
e 1 Decimal 0 1 2 3 4 5 6 7 8 9
0,0 0,0000 0,0040 0,0080 0,0120 0,0160 0,0199 0,0239 0,0279 0,0319 0,0359
0,1 0,0398 0,0438 0,0478 0,0517 0,0557 0,0596 0,0636 0,0675 0,0714 0,0753
0,2 0,0793 0,0832 0,0871 0,0910 0,0948 0,0987 0,1026 0,1064 0,1103 0,1141
0,3 0,1179 0,1217 0,1255 0,1293 0,1331 0,1368 0,1406 0,1443 0,1480 0,1517
0,4 0,1554 0,1591 0,1628 0,1664 0,1700 0,1736 0,1772 0,1808 0,1844 0,1879
0,5 0,1915 0,1950 0,1985 0,2019 0,2054 0,2088 0,2123 0,2157 0,2190 0,2224
0,6 0,2257 0,2291 0,2324 0,2357 0,2389 0,2422 0,2454 0,2486 0,2517 0,2549
0,7 0,2580 0,2611 0,2642 0,2673 0,2704 0,2734 0,2764 0,2794 0,2823 0,2852
0,8 0,2881 0,2910 0,2939 0,2967 0,2995 0,3023 0,3051 0,3078 0,3106 0,3133
0,9 0,3159 0,3186 0,3212 0,3238 0,3264 0,3289 0,3315 0,3340 0,3365 0,3389
1,0 0,3413 0,3438 0,3461 0,3485 0,3508 0,3531 0,3554 0,3577 0,3599 0,3621
1,1 0,3643 0,3665 0,3686 0,3708 0,3729 0,3749 0,3770 0,3790 0,3810 0,3830
1,2 0,3849 0,3869 0,3888 0,3907 0,3925 0,3944 0,3962 0,3980 0,3997 0,4015
1,3 0,4032 0,4049 0,4066 0,4082 0,4099 0,4115 0,4131 0,4147 0,4162 0,4177
1,4 0,4192 0,4207 0,4222 0,4236 0,4251 0,4265 0,4279 0,4292 0,4306 0,4319
1,5 0,4332 0,4345 0,4357 0,4370 0,4382 0,4394 0,4406 0,4418 0,4429 0,4441
1,6 0,4452 0,4463 0,4474 0,4484 0,4495 0,4505 0,4515 0,4525 0,4535 0,4545
1,7 0,4554 0,4564 0,4573 0,4582 0,4591 0,4599 0,4608 0,4616 0,4625 0,4633
1,8 0,4641 0,4649 0,4656 0,4664 0,4671 0,4678 0,4686 0,4693 0,4699 0,4706
1,9 0,4713 0,4719 0,4726 0,4732 0,4738 0,4744 0,4750 0,4756 0,4761 0,4767
2,0 0,4772 0,4778 0,4783 0,4788 0,4793 0,4798 0,4803 0,4808 0,4812 0,4817
2,1 0,4821 0,4826 0,4830 0,4834 0,4838 0,4842 0,4846 0,4850 0,4854 0,4857
2,2 0,4861 0,4864 0,4868 0,4871 0,4875 0,4878 0,4881 0,4884 0,4887 0,4890
2,3 0,4893 0,4896 0,4898 0,4901 0,4904 0,4906 0,4909 0,4911 0,4913 0,4916
2,4 0,4918 0,4920 0,4922 0,4925 0,4927 0,4929 0,4931 0,4932 0,4934 0,4936
2,5 0,4938 0,4940 0,4941 0,4943 0,4945 0,4946 0,4948 0,4949 0,4951 0,4952
2,6 0,4953 0,4955 0,4956 0,4957 0,4959 0,4960 0,4961 0,4962 0,4963 0,4964
2,7 0,4965 0,4966 0,4967 0,4968 0,4969 0,4970 0,4971 0,4972 0,4973 0,4974
2,8 0,4974 0,4975 0,4976 0,4977 0,4977 0,4978 0,4979 0,4979 0,4980 0,4981
2,9 0,4981 0,4982 0,4982 0,4983 0,4984 0,4984 0,4985 0,4985 0,4986 0,4986
3,0 0,4987 0,4987 0,4987 0,4988 0,4988 0,4989 0,4989 0,4989 0,4990 0,4990
3,1 0,4990 0,4991 0,4991 0,4991 0,4992 0,4992 0,4992 0,4992 0,4993 0,4993
3,2 0,4993 0,4993 0,4994 0,4994 0,4994 0,4994 0,4994 0,4995 0,4995 0,4995
3,3 0,4995 0,4995 0,4995 0,4996 0,4996 0,4996 0,4996 0,4996 0,4996 0,4997
3,4 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4998
3,5 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998
3,6 0,4998 0,4998 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999
3,7 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999
3,8 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999
3,9 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000
4,0 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000
Tabela 2: Z N(0; 1)
Valores de p
p = (z) = P(Z z)
a
Casa inteira 2 decimal
a
e 1 Decimal 0 1 2 3 4 5 6 7 8 9
0,0 0,5000 0,5040 0,5080 0,5120 0,5160 0,5199 0,5239 0,5279 0,5319 0,5359
0,1 0,5398 0,5438 0,5478 0,5517 0,5557 0,5596 0,5636 0,5675 0,5714 0,5753
0,2 0,5793 0,5832 0,5871 0,5910 0,5948 0,5987 0,6026 0,6064 0,6103 0,6141
0,3 0,6179 0,6217 0,6255 0,6293 0,6331 0,6368 0,6406 0,6443 0,6480 0,6517
0,4 0,6554 0,6591 0,6628 0,6664 0,6700 0,6736 0,6772 0,6808 0,6844 0,6879
0,5 0,6915 0,6950 0,6985 0,7019 0,7054 0,7088 0,7123 0,7157 0,7190 0,7224
0,6 0,7257 0,7291 0,7324 0,7357 0,7389 0,7422 0,7454 0,7486 0,7517 0,7549
0,7 0,7580 0,7611 0,7642 0,7673 0,7704 0,7734 0,7764 0,7794 0,7823 0,7852
0,8 0,7881 0,7910 0,7939 0,7967 0,7995 0,8023 0,8051 0,8078 0,8106 0,8133
0,9 0,8159 0,8186 0,8212 0,8238 0,8264 0,8289 0,8315 0,8340 0,8365 0,8389
1,0 0,8413 0,8438 0,8461 0,8485 0,8508 0,8531 0,8554 0,8577 0,8599 0,8621
1,1 0,8643 0,8665 0,8686 0,8708 0,8729 0,8749 0,8770 0,8790 0,8810 0,8830
1,2 0,8849 0,8869 0,8888 0,8907 0,8925 0,8944 0,8962 0,8980 0,8997 0,9015
1,3 0,9032 0,9049 0,9066 0,9082 0,9099 0,9115 0,9131 0,9147 0,9162 0,9177
1,4 0,9192 0,9207 0,9222 0,9236 0,9251 0,9265 0,9279 0,9292 0,9306 0,9319
1,5 0,9332 0,9345 0,9357 0,9370 0,9382 0,9394 0,9406 0,9418 0,9429 0,9441
1,6 0,9452 0,9463 0,9474 0,9484 0,9495 0,9505 0,9515 0,9525 0,9535 0,9545
1,7 0,9554 0,9564 0,9573 0,9582 0,9591 0,9599 0,9608 0,9616 0,9625 0,9633
1,8 0,9641 0,9649 0,9656 0,9664 0,9671 0,9678 0,9686 0,9693 0,9699 0,9706
1,9 0,9713 0,9719 0,9726 0,9732 0,9738 0,9744 0,9750 0,9756 0,9761 0,9767
2,0 0,9772 0,9778 0,9783 0,9788 0,9793 0,9798 0,9803 0,9808 0,9812 0,9817
2,1 0,9821 0,9826 0,9830 0,9834 0,9838 0,9842 0,9846 0,9850 0,9854 0,9857
2,2 0,9861 0,9864 0,9868 0,9871 0,9875 0,9878 0,9881 0,9884 0,9887 0,9890
2,3 0,9893 0,9896 0,9898 0,9901 0,9904 0,9906 0,9909 0,9911 0,9913 0,9916
2,4 0,9918 0,9920 0,9922 0,9925 0,9927 0,9929 0,9931 0,9932 0,9934 0,9936
2,5 0,9938 0,9940 0,9941 0,9943 0,9945 0,9946 0,9948 0,9949 0,9951 0,9952
2,6 0,9953 0,9955 0,9956 0,9957 0,9959 0,9960 0,9961 0,9962 0,9963 0,9964
2,7 0,9965 0,9966 0,9967 0,9968 0,9969 0,9970 0,9971 0,9972 0,9973 0,9974
2,8 0,9974 0,9975 0,9976 0,9977 0,9977 0,9978 0,9979 0,9979 0,9980 0,9981
2,9 0,9981 0,9982 0,9982 0,9983 0,9984 0,9984 0,9985 0,9985 0,9986 0,9986
3,0 0,9987 0,9987 0,9987 0,9988 0,9988 0,9989 0,9989 0,9989 0,9990 0,9990
3,1 0,9990 0,9991 0,9991 0,9991 0,9992 0,9992 0,9992 0,9992 0,9993 0,9993
3,2 0,9993 0,9993 0,9994 0,9994 0,9994 0,9994 0,9994 0,9995 0,9995 0,9995
3,3 0,9995 0,9995 0,9995 0,9996 0,9996 0,9996 0,9996 0,9996 0,9996 0,9997
3,4 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9998
3,5 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998
3,6 0,9998 0,9998 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999
3,7 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999
3,8 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999
3,9 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
4,0 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
Swokowski, E. W. (1979) Calculus with Analytic Geometry. Prindle, Weber & Schmidt, 2a. ed.
221
ndice Remissivo
222