teoria das probabilidades ii - Departamento de Ciências Exatas ...
teoria das probabilidades ii - Departamento de Ciências Exatas ...
teoria das probabilidades ii - Departamento de Ciências Exatas ...
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
TEORIA DAS PROBABILIDADES II<br />
Prof. Nei Rocha<br />
Instituto <strong>de</strong> Matemática - UFRJ<br />
Rio <strong>de</strong> Janeiro<br />
2009-1
Sumário<br />
1 De…nições Básicas 1<br />
1.1 Mo<strong>de</strong>lo Matemático para um Experimento . . . . . . . . . . . . . . . 1<br />
1.1.1 Espaços <strong>de</strong> Probabilida<strong>de</strong> . . . . . . . . . . . . . . . . . . . . 1<br />
1.1.2 De…nição e Proprieda<strong>de</strong>s <strong>das</strong> Probabilida<strong>de</strong>s . . . . . . . . . . 5<br />
1.1.3 Probabilida<strong>de</strong> Condicional . . . . . . . . . . . . . . . . . . . . 11<br />
1.1.4 In<strong>de</strong>pendência . . . . . . . . . . . . . . . . . . . . . . . . . . . 16<br />
2 Variáveis Aleatórias 18<br />
2.1 Conceito . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18<br />
2.2 Função <strong>de</strong> Distribuição . . . . . . . . . . . . . . . . . . . . . . . . . . 19<br />
2.3 Variáveis Aleatórias Discretas . . . . . . . . . . . . . . . . . . . . . . 22<br />
2.4 Variáveis Aleatórias Contínuas . . . . . . . . . . . . . . . . . . . . . . 23<br />
2.5 Vetores Aleatórios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25<br />
2.5.1 In<strong>de</strong>pendência . . . . . . . . . . . . . . . . . . . . . . . . . . . 29<br />
2.6 Funções <strong>de</strong> Variáveis Aleatórias . . . . . . . . . . . . . . . . . . . . . 32<br />
2.6.1 Transformações Mensuráveis . . . . . . . . . . . . . . . . . . . 32<br />
2.6.2 Distribuições <strong>de</strong> Funções <strong>de</strong> Variáveis e Vetores Aleatórios . . 32<br />
2.6.3 Método do Jacobiano . . . . . . . . . . . . . . . . . . . . . . . 34<br />
2.6.4 Estatísticas <strong>de</strong> Or<strong>de</strong>m . . . . . . . . . . . . . . . . . . . . . . 36<br />
3 Esperança Matemática 38<br />
3.1 De…nição . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38<br />
3.1.1 Proprieda<strong>de</strong>s da Esperança Matemática . . . . . . . . . . . . . 39<br />
3.2 Esperanças <strong>de</strong> Funções <strong>de</strong> Variáveis Aleatórias . . . . . . . . . . . . . 41<br />
3.3 Momentos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41<br />
3.3.1 Proprieda<strong>de</strong>s da Variância . . . . . . . . . . . . . . . . . . . . 42<br />
3.4 Esperanças <strong>de</strong> Funções <strong>de</strong> Vetores Aleatórios . . . . . . . . . . . . . . 44<br />
3.5 A Função Geratriz <strong>de</strong> Momentos . . . . . . . . . . . . . . . . . . . . . 47<br />
3.6 Lista . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63<br />
4 Distribuição e Esperança Condicionais 65<br />
5 Convergência <strong>de</strong> Variáveis Aleatórias 71<br />
5.1 Tipos <strong>de</strong> Convergência . . . . . . . . . . . . . . . . . . . . . . . . . . 71<br />
5.2 Leis dos Gran<strong>de</strong>s Números . . . . . . . . . . . . . . . . . . . . . . . . 74<br />
5.3 Teorema Central do Limite . . . . . . . . . . . . . . . . . . . . . . . . 77<br />
i
OBJETIVOS GERAIS: Habilitar o aluno a sintetizar informações que são<br />
ministra<strong>das</strong> com vistas à elaboração <strong>de</strong> conceitos mais complexos; resolver problemas<br />
simples usando raciocínio probabilístico.<br />
PROGRAMA<br />
UNIDADE I - Espaços <strong>de</strong> Probabilida<strong>de</strong>. Mo<strong>de</strong>lo matemático para um experi-<br />
mento (mo<strong>de</strong>lo probabilístico). Álgebra <strong>de</strong> eventos e -álgebra <strong>de</strong> eventos: <strong>de</strong>…nição<br />
e proprieda<strong>de</strong>s.<br />
Axiomas da probabilida<strong>de</strong> ( -aditivida<strong>de</strong>), continuida<strong>de</strong> no vazio. Proprieda<strong>de</strong>s<br />
da probabilida<strong>de</strong>. Espaço <strong>de</strong> probabilida<strong>de</strong>: <strong>de</strong>…nição.<br />
UNIDADE II –Vetores Aleatórios<br />
Introdução: <strong>de</strong>…nição <strong>de</strong> uma variável aleatória, distribuição e proprieda<strong>de</strong>s.<br />
Funções <strong>de</strong> variáveis aleatórias: transformação <strong>de</strong> escala e posição, transformação<br />
integral da probabilida<strong>de</strong>. Caracterização adicional <strong>de</strong> variáveis aleatórias: momen-<br />
tos.<br />
Vetores aleatórios <strong>de</strong> dimensão 2. Distribuição: <strong>de</strong>…nição e proprieda<strong>de</strong>s. O caso<br />
discreto: função <strong>de</strong> probabilida<strong>de</strong> conjunta, funções <strong>de</strong> probabilida<strong>de</strong> marginais e<br />
condicionais. O caso contínuo: função <strong>de</strong> <strong>de</strong>nsida<strong>de</strong> conjunta, funções <strong>de</strong> <strong>de</strong>nsida<strong>de</strong><br />
marginais e condicionais. Variáveis aleatórias in<strong>de</strong>pen<strong>de</strong>ntes. Extensão para o caso<br />
<strong>de</strong> dimensão n 2. Distribuições especiais: Normal multivariada e Multinomial<br />
UNIDADE III –Funções univaria<strong>das</strong> <strong>das</strong> componentes <strong>de</strong> um vetor aleatório.<br />
Soma e diferença <strong>de</strong> variáveis aleatórias in<strong>de</strong>pen<strong>de</strong>ntes. Convolução.<br />
Produto e Quociente <strong>de</strong> variáveis aleatórias.<br />
UNIDADE IV –Distribuição conjunta <strong>de</strong> funções <strong>de</strong> variáveis aleatórias.<br />
<strong>ii</strong>
O método Jacobiano para o caso <strong>de</strong> dimensão 2. Exemplos.<br />
Extensão para o caso <strong>de</strong> dimensão n 2.<br />
UNIDADE V –Distribuições Especiais<br />
Distribuição <strong>de</strong> Qui-quadrado. De…nição, proprieda<strong>de</strong>s e aplicações (in<strong>de</strong>pendên-<br />
cia da média e variância amostrais para amostras da normal). Distribuição t:<br />
<strong>de</strong>…nição e proprieda<strong>de</strong>s. Distribuição F : <strong>de</strong>…nição e proprieda<strong>de</strong>s. Estatísticas<br />
<strong>de</strong> Or<strong>de</strong>m: <strong>de</strong>…nição e distribuições conjuntas e marginais, aplicações.<br />
UNIDADE VI – Esperança. De…nição Geral <strong>de</strong> Esperança. Proprieda<strong>de</strong>s da<br />
Esperança. Esperança Condicional: <strong>de</strong>…nição, proprieda<strong>de</strong>s. Cálculo da esperança<br />
e da variância por condicionamento (exemplos típicos: soma aleatória <strong>de</strong> variáveis<br />
aleatórias in<strong>de</strong>pen<strong>de</strong>ntes). Desigualda<strong>de</strong> <strong>de</strong> Jensen. Desigualda<strong>de</strong> <strong>de</strong> Tchebyshev.<br />
certa.<br />
UNIDADE VII –Lei dos Gran<strong>de</strong>s Números.<br />
Tipos <strong>de</strong> Convergência: convergência em probabilida<strong>de</strong> e convergência quase<br />
Lei Fraca dos Gran<strong>de</strong>s Números. Lei Forte dos Gran<strong>de</strong>s Números. Exemplos.<br />
UNIDADE VIII – Funções características, convergência em distribuição. Teo-<br />
rema Central do Limite. Funções características: <strong>de</strong>…nição e proprieda<strong>de</strong>s. Con-<br />
vergência em distribuição: <strong>de</strong>…nição e alguns resultados. Teorema Central do Lim-<br />
ite: para variáveis aleatórias in<strong>de</strong>pen<strong>de</strong>ntes e i<strong>de</strong>nticamente distribuí<strong>das</strong>. Teorema<br />
Central do Limite para variáveis aleatórias in<strong>de</strong>pen<strong>de</strong>ntes (condição <strong>de</strong> Lin<strong>de</strong>berg,<br />
Liapounov). Aplicações.<br />
<strong>ii</strong>i
- 1981.<br />
BIBLIOGRAFIA<br />
[1] James, B.- Probabilida<strong>de</strong>: Um Curso em Nível Intermediário - Projeto Eucli<strong>de</strong>s<br />
[2] Shiryayev, A. N. - Probability - Springer Verlag - 1984.<br />
[3] Metivier, M. - Notions Fondamentales <strong>de</strong> la Theorie <strong>de</strong>s Probabilites - Dunod<br />
- Paris - 1968.<br />
[4] Magalhães, M. N. - Probabilida<strong>de</strong> e Variáveis Aleatórias - Ed. Universida<strong>de</strong><br />
<strong>de</strong> São Paulo - 2004.<br />
[5] Hoel, P.G. e Stone, C. J. - Introdução à Teoria da Probabilida<strong>de</strong> - Editora<br />
Interciência - 1978.<br />
- 1997.<br />
[6] Ross, S. - Introduction to Probability Mo<strong>de</strong>ls - Sixth Edition. Aca<strong>de</strong>mic Press<br />
Prova 1 - 4 <strong>de</strong> maio <strong>de</strong> 2009.<br />
Prova 2 - 3 <strong>de</strong> julho <strong>de</strong> 2009.<br />
Reposição - 8 <strong>de</strong> julho <strong>de</strong> 2009.<br />
Prova Final - 10 <strong>de</strong> julho <strong>de</strong> 2009.<br />
AVALIAÇOES<br />
iv
Capítulo 1<br />
De…nições Básicas<br />
1.1 Mo<strong>de</strong>lo Matemático para um Experimento<br />
1.1.1 Espaços <strong>de</strong> Probabilida<strong>de</strong><br />
Suponha que vamos realizar um experimento cujo resultado não po<strong>de</strong> ser predito<br />
<strong>de</strong> antemão. Entretanto, suponha que saibamos todos os possíveis resultados <strong>de</strong><br />
tal experimento. Este conjunto <strong>de</strong> todos os resultados possíveis, que <strong>de</strong>notaremos<br />
por , é chamado <strong>de</strong> espaço amostral do experimento. Assim, temos a seguinte<br />
<strong>de</strong>…nição:<br />
De…nição 1 O conjunto <strong>de</strong> todos os resultados possíveis <strong>de</strong> um <strong>de</strong>terminado ex-<br />
perimento é chamado <strong>de</strong> espaço amostral.<br />
Exemplo 1 Se o experimento consiste em lançar uma moeda, então = fCa; Cog,<br />
on<strong>de</strong> Ca é ”cara” e Co é ”coroa”.<br />
Exemplo 2 Se o experimento consiste em lançar um dado e observar a face supe-<br />
rior, então = f1; 2; 3; 4; 5; 6g.<br />
Exemplo 3 Se o experimento consiste em lançar duas moe<strong>das</strong>, então<br />
= f(Ca; Ca); (Ca; Co); (Co; Ca); (Co; Co)g, on<strong>de</strong> o resultado (a; b) ocorre se a<br />
face da primeira moeda é a e a face da segunda moeda é b.<br />
1
Exemplo 4 Se o experimento consiste em lançar dois dados e observar as faces<br />
superiores, então<br />
8<br />
><<br />
=<br />
>:<br />
(1; 1) (1; 2) (1; 3) (1; 4) (1; 5) (1; 6)<br />
(2; 1) (2; 2) (2; 3) (2; 4) (2; 5) (2; 6)<br />
(3; 1) (3; 2) (3; 3) (3; 4) (3; 5) (3; 6)<br />
(4; 1) (4; 2) (4; 3) (4; 4) (4; 5) (4; 6)<br />
(5; 1) (5; 2) (5; 3) (5; 4) (5; 5) (5; 6)<br />
(6; 1) (6; 2) (6; 3) (6; 4) (6; 5) (6; 6)<br />
on<strong>de</strong> o resultado (i; j) ocorre se a face i aparece no primeiro dado e a face j no<br />
segundo dado.<br />
Exemplo 5 Se o experimento consiste em medir a vida útil <strong>de</strong> um carro, então um<br />
possível espaço amostral consiste <strong>de</strong> todos os números reais não-negativos, isto é,<br />
= [0; 1).<br />
De…nição 2 Qualquer subconjunto A do espaço amostral , isto é A , ao qual<br />
atribuímos uma probabilida<strong>de</strong>, é dito um evento aleatório.<br />
Obviamente, como ; e os conjuntos ; e são eventos aleatórios. O<br />
conjunto vazio ; é <strong>de</strong>nominado evento impossível e o conjunto é <strong>de</strong>nominado<br />
evento certo. Se ! 2 o evento f!g é dito elementar (ou simples).<br />
De…nição 3 Dois eventos A e B são ditos mutuamente exclusivos ou incom-<br />
patíveis se A \ B = ;.<br />
Observação 1 É importante saber traduzir a notação <strong>de</strong> conjuntos para a lin-<br />
guagem <strong>de</strong> eventos: A [ B é o evento ”A ou B”; A \ B é o evento ”A e B” e<br />
A c é o evento ”não A”.<br />
De…nição 4 Seja A uma classe <strong>de</strong> subconjuntos <strong>de</strong> tendo as seguintes proprieda<strong>de</strong>s:<br />
(i) 2 A;<br />
(<strong>ii</strong>) Se A 2 A então A c 2 A; (a classe é fechada pela complementarieda<strong>de</strong>)<br />
2<br />
9<br />
>=<br />
>;
(<strong>ii</strong>i) Se A1; A2; :::; An 2 A então n<br />
[<br />
i=1 Ai 2 A. (a classe é fechada pela união …nita)<br />
Então a classe A <strong>de</strong> subconjuntos <strong>de</strong> é chamada uma álgebra.<br />
Exercício 1 Seja A uma álgebra. Mostre que:<br />
(a) ; 2 A;<br />
(b) se A e B 2 A então A B 2 A;<br />
(b) se A1; A2; :::; An 2 A então n<br />
\<br />
i=1 Ai 2 A.<br />
De…nição 5 Seja A uma classe <strong>de</strong> subconjuntos <strong>de</strong> tendo as seguintes proprieda<strong>de</strong>s:<br />
(i) 2 A;<br />
(<strong>ii</strong>) Se A 2 A então A c 2 A; (a classe é fechada pela complementarieda<strong>de</strong>)<br />
(<strong>ii</strong>i) Se A1; A2; ::: 2 A então 1<br />
[<br />
i=1 Ai 2 A. (a classe é fechada pela união in…nita<br />
enumerável)<br />
Então a classe A <strong>de</strong> subconjuntos <strong>de</strong> é chamada uma -álgebra.<br />
Proposição 1 Seja A uma -álgebra <strong>de</strong> subconjuntos <strong>de</strong> . Se A1; A2; ::: 2 A então<br />
1<br />
\<br />
i=1 Ai 2 A.<br />
Prova. (Em aula.)<br />
De…nição 6 Os membros <strong>de</strong> A são chamados (no contexto da <strong>teoria</strong> <strong>de</strong> Probabil-<br />
ida<strong>de</strong>) <strong>de</strong> eventos, ou subconjuntos <strong>de</strong> A-mensuráveis, ou apenas subconjuntos<br />
mensuráveis <strong>de</strong> se não houver confusão quanto à -álgebra referente. O par ( ;<br />
A) é dito ser um espaço mensurável.<br />
Exercício 2 Seja = R e A a classe <strong>de</strong> to<strong>das</strong> as uniões …nitas <strong>de</strong> intervalos do<br />
tipo ( 1; a], (b; c] e (d; 1). Mostre que<br />
(a) A é uma álgebra;<br />
(b) A não é uma -álgebra.<br />
3
Exercício 3 Mostre que toda -álgebra é uma álgebra, mas a recíproca não é ver-<br />
da<strong>de</strong>ira.<br />
Exercício 4 Mostre, com exemplo, que se A e B são -álgebras, A [ B não é<br />
necessariamente uma -álgebra.<br />
Exercício 5 Mostre que se A e B são -álgebras, A \ B é também uma -álgebra.<br />
Observação 2 Dada uma classe B <strong>de</strong> subconjuntos <strong>de</strong> , po<strong>de</strong>mos construir a<br />
menor álgebra contendo B, da seguinte forma:<br />
(i) Formamos a classe B1 contendo , ;, A e A c para todo A 2 B;<br />
(<strong>ii</strong>) Formamos a classe B2 <strong>de</strong> interseções <strong>de</strong> elementos <strong>de</strong> B1;<br />
(<strong>ii</strong>i) Formamos a classe B3 <strong>de</strong> uniões …nitas <strong>de</strong> elementos <strong>de</strong> B2.<br />
Claramente, B B1 B2 B3, e po<strong>de</strong>-se veri…car facilmente que B3 é uma<br />
álgebra.<br />
Observação 3 Po<strong>de</strong>mos construir (ainda que <strong>de</strong> forma abstrata) a menor álgebra<br />
contendo uma classe B <strong>de</strong> subconjuntos <strong>de</strong> , da seguinte forma: Consi<strong>de</strong>re to<strong>das</strong><br />
as álgebras contendo B. Denote-as (B), 2 . O conjunto é não-vazio,<br />
pois o conjunto <strong>de</strong> todos os subconjuntos <strong>de</strong> é uma álgebra. Então, a menor<br />
álgebra contendo B é dada por<br />
(B) = \ 2<br />
Exemplo 6 Seja = f1; 2; 3; 4; 5; 6g. (a) Construa a menor álgebra <strong>de</strong> subcon-<br />
juntos <strong>de</strong> ; (b) Construa a menor álgebra contendo a classe <strong>de</strong> subconjuntos<br />
<strong>de</strong> dada por ff1; 2g ; f1; 3; 4g ; f3; 5gg; (c) Construa a menor álgebra contendo<br />
todos os subconjuntos <strong>de</strong> (esta álgebra é chamada <strong>de</strong> conjunto <strong>das</strong> partes <strong>de</strong> ,<br />
e é <strong>de</strong>notada por P( )).<br />
4<br />
(B)
De…nição 7 A álgebra <strong>de</strong> Borel é gerada pela coleção <strong>de</strong> conjuntos abertos <strong>de</strong><br />
um espaço topológico. Os membros <strong>de</strong>sta álgebra são chamados Borelianos.<br />
As álgebras em R d , d > 1, e R são gera<strong>das</strong> por intervalos nestes espaços e<br />
são <strong>de</strong>nota<strong>das</strong> por B(R d ) = B d e B = B 1 = B(R), respectivamente. Por exemplo, se<br />
= R, B po<strong>de</strong> ser gerada por quaisquer dos intervalos (a; b), (a; b], [a; b) ou [a; b],<br />
isto é,<br />
e assim por diante.<br />
B = f(a; b); 1 a < b +1g<br />
= f[a; b); 1 < a < b +1g<br />
= f[a; b]; 1 < a < b < +1g<br />
= f( 1; x]; x 2 Rg,<br />
De…nição 8 Seja A uma ( )álgebra em . Um membro A <strong>de</strong> A é dito um<br />
átomo, se A 6= ; e se B A implica que ou B = ; ou B = A. Portanto, átomos<br />
são os membros mais …nos <strong>de</strong> uma ( )álgebra.<br />
Exemplo 7 Seja = f1; 2; 3; 4; 5; 6g e seja A = f;; f2g; f1; 3; 4; 5; 6g; f4; 6g; f1; 2; 3; 5g;<br />
f1; 3g; f2; 4; 5; 6g; f5g; f1; 2; 3; 4; 6g; f1; 3; 5g; f4; 5; 6g; f1; 3; 4; 6g; f2; 5g; f1; 2; 3g; f2; 4; 6g; g.<br />
Então os átomos associados à A são f2g, f5g, f1; 3g e f4; 6g.<br />
1.1.2 De…nição e Proprieda<strong>de</strong>s <strong>das</strong> Probabilida<strong>de</strong>s<br />
Há várias interpretações da probabilida<strong>de</strong>. Discutiremos as três mais correntes:<br />
(Clássica) Baseia-se no conceito <strong>de</strong> equiprobabilida<strong>de</strong>, ou seja, <strong>de</strong> resultados equiprováveis.<br />
Seja A um evento e o espaço amostral …nito, então<br />
P (A) = #A<br />
#<br />
on<strong>de</strong> #A é a cardinalida<strong>de</strong> <strong>de</strong> A e # a cardinalida<strong>de</strong> <strong>de</strong> .<br />
5
(Freqüentista) Baseia-se na freqüência relativa <strong>de</strong> um ”número gran<strong>de</strong>” <strong>de</strong> realizações do<br />
experimento. Seja A um evento, então<br />
nA<br />
P (A) = lim<br />
n!1 n<br />
on<strong>de</strong> nA é o número <strong>de</strong> ocorrências do evento A em n realizações.<br />
Observação 4 O limite acima não po<strong>de</strong> ser entendido como um limite matemático,<br />
pois dado " > 0 não há garantia <strong>de</strong> que existe n0 2 N tal que para todo n n0 se<br />
tenha<br />
É improvável que P (A)<br />
nA<br />
n<br />
P (A)<br />
nA<br />
n<br />
< ".<br />
" para n N (gran<strong>de</strong>), mas po<strong>de</strong> acontecer.<br />
Outra di…culda<strong>de</strong> do conceito freqüentista é que o experimento nunca é realizado<br />
in…nitas vezes, logo não há como avaliar a probabilida<strong>de</strong> <strong>de</strong> forma estrita.<br />
(Subjetiva) Baseia-se em crenças e/ou informações do observador a respeito do fenômeno<br />
em estudo. Por exemplo, seja o evento C ”chove em Moscou”.<br />
Para alguém no Rio <strong>de</strong> Janeiro po<strong>de</strong>mos ter a seguinte avaliação: P (C) = 0; 5.<br />
Para alguém <strong>de</strong> Leningrado, po<strong>de</strong>mos ter: P (C) = 0; 8, se chove em Leningrado<br />
e P (C) = 0; 2, se não chove em Leningrado.<br />
Para alguém <strong>de</strong> Moscou, tem-se: P (C) = 1, se está chovendo em Moscou e<br />
P (C) = 0, se não está chovendo em Moscou.<br />
Não nos preocuparemos com o problema <strong>de</strong> como <strong>de</strong>…nir probabilida<strong>de</strong> para cada<br />
experimento. Assentaremos a base axiomática da <strong>teoria</strong> <strong>das</strong> <strong>probabilida<strong>de</strong>s</strong> tal como<br />
foi erigida pelo matemático russo Kolmogorov, responsável pela base matemática<br />
solida da <strong>teoria</strong>.<br />
6
Seja um espaço amostral e A uma -álgebra para um dado experimento. Uma<br />
medida <strong>de</strong> probabilida<strong>de</strong> P é uma aplicação<br />
tendo os seguintes axiomas:<br />
A1) P (A) 0.<br />
A2) P ( ) = 1.<br />
P : A ! [0; 1]<br />
A3) (Aditivida<strong>de</strong> …nita) Se A1; A2; :::; An 2 A são disjuntos dois a dois, isto é,<br />
nX<br />
P (Ai).<br />
Ai \ Aj = ; para todo i 6= j, então P n<br />
[<br />
i=1 Ai =<br />
Uma função P satisfazendo os axiomas 1, 2 e 3 é chamada probabilida<strong>de</strong> …ni-<br />
tamente aditiva. Entretanto, para os nossos objetivos, será mais conveniente<br />
supor -aditivida<strong>de</strong>:<br />
A3’) Se A1; A2; ::: 2 A são disjuntos dois a dois, então P 1<br />
[<br />
i=1 Ai =<br />
i=1<br />
1X<br />
P (Ai).<br />
Mo<strong>de</strong>lo Probabilístico: Terminamos a formulação do mo<strong>de</strong>lo matemático para<br />
um experimento, ou mo<strong>de</strong>lo probabilístico. É constituído <strong>de</strong><br />
a) Um conjunto não-vazio , <strong>de</strong> resultados possíveis, o espaço amostral.<br />
b) Uma -álgebra A <strong>de</strong> eventos aleatórios.<br />
c) Uma probabilida<strong>de</strong> P <strong>de</strong>…nida em A.<br />
Vamos agora retirar nosso mo<strong>de</strong>lo do contexto <strong>de</strong> um experimento e reformulá-lo<br />
como um conceito matemático abstrato.<br />
De…nição 9 Um espaço <strong>de</strong> probabilida<strong>de</strong> é um trio ( ; A; P ) on<strong>de</strong><br />
(a) é um conjunto não-vazio,<br />
7<br />
i=1
mas:<br />
(b) A é uma -álgebra <strong>de</strong> subconjuntos <strong>de</strong> , e<br />
(c) P é uma probabilida<strong>de</strong> <strong>de</strong>…nida em A.<br />
Com base nos axiomas <strong>de</strong> probabilida<strong>de</strong>, po<strong>de</strong>-se <strong>de</strong>monstrar os seguintes teore-<br />
Teorema 1 P (;) = 0.<br />
Prova. (Em aula.)<br />
Proposição 2 O Axioma 3’implica o Axioma 3, isto é, se P é -aditiva, então é<br />
…nitamente aditiva.<br />
Prova. (Em aula.)<br />
Teorema 2 Para todo A 2 A, temos P (A c ) = 1 P (A).<br />
Prova. (Em aula.)<br />
Teorema 3 Para todo A 2 A, temos 0 P (A) 1.<br />
Prova. (Em aula.)<br />
Teorema 4 Sejam A e B 2 A. Se A B, então<br />
(a) P (B A) = P (B) P (A);<br />
(b) P (A) P (B).<br />
Prova. (Em aula.)<br />
Teorema 5 Sejam A e B 2 A. Então P (A [ B) = P (A) + P (B) P (A \ B).<br />
Prova. (Em aula.)<br />
8
Teorema 6 Para qualquer seqüência <strong>de</strong> eventos A1; A2; :::; An 2 A, P 1<br />
[<br />
1X<br />
P (Ai) (<strong>de</strong>sigualda<strong>de</strong> <strong>de</strong> Boole).<br />
i=1<br />
Prova. (Em aula.)<br />
Teorema 7 Sejam A1; A2; :::; An 2 A. Então<br />
P n<br />
[<br />
i=1 Ai =<br />
nX<br />
P (Ai) X<br />
P (Ai \ Aj) + X<br />
P (Ai \ Aj \ Ak)<br />
i=1<br />
X<br />
i
Prova. (Em aula.)<br />
Exemplo 8 Consi<strong>de</strong>re uma população <strong>de</strong> indivíduos capazes <strong>de</strong> gerar proles do<br />
mesmo tipo. O número <strong>de</strong> indivíduos inicialmente presentes, <strong>de</strong>notado por X0, é<br />
o tamanho da geração zero. Todos as proles da geração zero constituem a primeira<br />
geração e o seu número é <strong>de</strong>notado por X1. Em geral, Xn <strong>de</strong>nota o tamanho da<br />
n-ésima geração. Mostre que limn!1 P (Xn = 0) existe e interprete o seu signi…cado.<br />
10
1.1.3 Probabilida<strong>de</strong> Condicional<br />
De…nição 11 Seja ( ; A; P ) um espaço <strong>de</strong> probabilida<strong>de</strong>. Se B 2 A e P (B) > 0,<br />
a probabilida<strong>de</strong> condicional <strong>de</strong> A dado B é <strong>de</strong>…nida por<br />
P (A j B) =<br />
P (A \ B)<br />
, A 2 A. (1.1)<br />
P (B)<br />
Note que P (A j B), A 2 A, é realmente uma probabilida<strong>de</strong> em A (veri…que os<br />
axiomas!). Conseqüentemente as proprieda<strong>de</strong>s <strong>de</strong> probabilida<strong>de</strong> são manti<strong>das</strong>, por<br />
exemplo,<br />
P (A c j B) = 1 P (A j B).<br />
Observe que, dado B, se <strong>de</strong>…nirmos PB(A) = P (A j B), então po<strong>de</strong>mos <strong>de</strong>…nir<br />
um novo espaço <strong>de</strong> probabilida<strong>de</strong> dado por (B; G; PB), on<strong>de</strong> G := fA \ B : A 2 Ag.<br />
Exercício 6 Certo experimento consiste em lançar um dado equilibrado duas vezes,<br />
in<strong>de</strong>pen<strong>de</strong>ntemente. Dado que os dois números sejam diferentes, qual é a probabili-<br />
da<strong>de</strong> condicional <strong>de</strong><br />
(a) pelo menos um dos números ser 6;<br />
(b) a soma dos números ser 8?<br />
Teorema 9 Sejam A; B 2 A com P (A) > 0 e P (B) > 0. Então<br />
Prova. (Em aula.)<br />
P (A \ B) = P (B):P (A j B)<br />
= P (A):P (B j A)<br />
Teorema 10 (a) P (A \ B \ C) = P (A):P (B j A):P (C j A \ B).<br />
(b) P (A1 \ A2 \ ::: \ An) = P (A1):P (A2 j A1):P (A3 j A1 \ A2):::P (An j A1 \<br />
A2 \ :::An 1), para todo A1; A2; :::; An 2 A e para todo n = 2; 3; :::.<br />
11
Prova. (Em aula.)<br />
Exercício 7 Selecionar três cartas sem reposição ao acaso. Qual a probabilida<strong>de</strong><br />
<strong>de</strong> se retirar 3 reis. (Use o teorema acima para resolver o problema e compare com<br />
o uso da análise combinatória.)<br />
De…nição 12 Seja um conjunto não-vazio. Uma partição <strong>de</strong> é uma família<br />
<strong>de</strong> conjuntos A1, A2, ..., An tais que<br />
(i) n<br />
[<br />
i=1 Ai =<br />
(<strong>ii</strong>) Ai \ Aj = ;, para todo i 6= j.<br />
Ou seja, os conjuntos A1, A2, ..., An são disjuntos dois a dois e a sua união é<br />
o conjunto . Dizemos também que foi particionado pelos conjuntos A1, A2, ...,<br />
An.<br />
Para todo evento B 2 A temos<br />
Partição do Espaço Amostral<br />
B = n<br />
[<br />
i=1 (Ai \ B) .<br />
12
Teorema da Probabilida<strong>de</strong> Total<br />
Como os Ai são disjuntos, então os Ci = Ai \B são disjuntos. Com isto po<strong>de</strong>mos<br />
<strong>de</strong>monstrar os seguintes teoremas:<br />
Teorema 11 (Teorema da Probabilida<strong>de</strong> Total) Se a seqüência (…nita ou enu-<br />
merável) <strong>de</strong> eventos aleatórios A1, A2, ...formar uma partição <strong>de</strong> , então<br />
para todo B 2 A.<br />
Prova. (Em aula.)<br />
P (B) = X<br />
P (Ai):P (B j Ai) (1.2)<br />
i<br />
Teorema 12 (Fórmula <strong>de</strong> Bayes) Se a seqüência (…nita ou enumerável) <strong>de</strong> even-<br />
tos aleatórios A1, A2, ... formar uma partição <strong>de</strong> , então<br />
Prova. (Em aula.)<br />
P (Ai j B) = P (Ai)P (B j Ai)<br />
X<br />
. (1.3)<br />
P (Aj):P (B j Aj)<br />
j<br />
Exercício 8 Seja uma caixa contendo 3 moe<strong>das</strong>: duas honestas e uma <strong>de</strong> duas<br />
caras. Retirar uma moeda ao acaso e jogá-la. Pergunta: qual a probabilida<strong>de</strong> condi-<br />
cional da moeda ter sido a <strong>de</strong> duas caras, dado que o resultado …nal foi cara?<br />
13
Exercício 9 Uma caixa contém 10 bolas <strong>das</strong> quais 6 são brancas e 4 vermelhas.<br />
Removem-se três bolas sem observar suas cores. Determine:<br />
(a) a probabilida<strong>de</strong> <strong>de</strong> que uma quarta bola removida da caixa seja vermelha;<br />
(b) a probabilida<strong>de</strong> <strong>de</strong> que as três bolas removi<strong>das</strong> sejam brancas, sabendo-se que<br />
pelo menos uma <strong>de</strong>las é branca.<br />
Exercício 10 Durante o mês <strong>de</strong> novembro a probabilida<strong>de</strong> <strong>de</strong> chuva é <strong>de</strong> 0,3. O<br />
Fluminense ganha um jogo em um dia com chuva com probabilida<strong>de</strong> <strong>de</strong> 0,4; e em<br />
um dia sem chuva com a probabilida<strong>de</strong> <strong>de</strong> 0,6. Se ganhou um jogo em novembro,<br />
qual a probabilida<strong>de</strong> <strong>de</strong> que choveu nesse dia?<br />
Exercício 11 Pedro quer enviar uma carta à Marina. A probabilida<strong>de</strong> <strong>de</strong> que Pedro<br />
escreva a carta é <strong>de</strong> 0,80. A probabilida<strong>de</strong> <strong>de</strong> que o correio não a perca é <strong>de</strong> 0,9. A<br />
probabilida<strong>de</strong> <strong>de</strong> que o carteiro a entregue é <strong>de</strong> 0,9. Dado que Marina não recebeu a<br />
carta, qual é a probabilida<strong>de</strong> <strong>de</strong> que Pedro não a tenha escrito?<br />
Exercício 12 Uma moeda é lançada. Se ocorre cara, um dado é lançado e o seu<br />
resultado é registrado. Se ocorre coroa, dois dados são lançados e a soma dos pontos<br />
é registrada. Qual a probabilida<strong>de</strong> <strong>de</strong> ser registrado o número 2?<br />
Exercício 13 Num certo certo país, todos os membros <strong>de</strong> comitê legislativo ou são<br />
comunistas ou são republicanos. Há três comitês. O comitê 1 tem 5 comunistas, o<br />
comitê 2 tem 2 comunistas e 4 republicanos, e o comitê 3 consiste <strong>de</strong> 3 comunistas e<br />
4 republicanos. Um comitê é selecionado aleatoriamente e uma pessoa é selecionada<br />
aleatoriamente <strong>de</strong>ste comitê.<br />
(a) Ache a probabilida<strong>de</strong> <strong>de</strong> que a pessoa selecionada seja comunista.<br />
(b) Dado que a pessoa selecionada é comunista, qual a probabilida<strong>de</strong> <strong>de</strong> ela ter<br />
vindo do comitê 1?<br />
14
Exercício 14 Um executivo pediu à sua secretária que …zesse uma ligação para<br />
o escritório do Sr.X. Admitindo que: a probabilida<strong>de</strong> <strong>de</strong> a secretária conseguir a<br />
ligação é <strong>de</strong> 50%; a probabilida<strong>de</strong> <strong>de</strong> o Sr.X se encontrar no escritório naquele<br />
momento é <strong>de</strong> 80%; a probabilida<strong>de</strong> <strong>de</strong> o executivo não se ausentar enquanto a<br />
secretária tenta fazer o que ele pediu é <strong>de</strong> 90%.<br />
(a) Calcule a probabilida<strong>de</strong> <strong>de</strong> que o executivo tenha <strong>de</strong> fato conseguido falar com<br />
o Sr.X pelo telefone.<br />
(b) No caso <strong>de</strong> ele não ter conseguido falar com o Sr.X, calcule a probabilida<strong>de</strong><br />
condicional <strong>de</strong> que isso tenha ocorrido porque a ligação não se completou.<br />
Exercício 15 São da<strong>das</strong> duas urnas A e B. A urna A contém 1 bola azul e 1<br />
vermelha. A urna B contém 2 bolas vermelhas e 3 azuis. Uma bola é extraída ao<br />
acaso <strong>de</strong> A e colocada em B. Uma bola então é extraída ao acaso <strong>de</strong> B. Pergunta-se:<br />
(a) Qual a probabilida<strong>de</strong> <strong>de</strong> se retirar uma bola vermelha <strong>de</strong> B?<br />
(b) Qual a probabilida<strong>de</strong> <strong>de</strong> ambas as bolas retira<strong>das</strong> serem da mesma cor?<br />
Exercício 16 Suponha que temos 4 cofres, cada um com dois compartimentos. Os<br />
cofres 1 e 2 têm um anel <strong>de</strong> brilhante num compartimento e um anel <strong>de</strong> esmeralda<br />
no outro. O cofre 3 têm dois anéis <strong>de</strong> brilhante em seus compartimentos, e o cofre<br />
4 têm dois anéis <strong>de</strong> esmeralda. Escolhe-se um cofre ao acaso, abre-se um dos com-<br />
partimentos ao acaso e encontra-se um anel <strong>de</strong> brilhantes. Calcule a probabilida<strong>de</strong><br />
<strong>de</strong> que o outro compartimento contenha:<br />
(a) um anel <strong>de</strong> esmeralda;<br />
(b) um anel <strong>de</strong> brilhantes.<br />
Exercício 17 Um estudante se submete a um exame <strong>de</strong> múltipla escolha no qual<br />
cada questão tem cinco respostas possíveis, <strong>das</strong> quais exatamente uma é correta. O<br />
15
estudante seleciona a resposta correta se ele sabe a resposta. Caso contrário, ele<br />
seleciona ao acaso uma resposta <strong>de</strong>ntre as 5 possíveis. Suponha que o estudante<br />
saiba 70% <strong>das</strong> questões. Pergunta-se:<br />
(a) Qual a probabilida<strong>de</strong> <strong>de</strong> que o estudante escolha a resposta correta para uma<br />
dada questão?<br />
(b) Se o estudante escolhe a resposta correta para uma dada questão, qual a<br />
probabilida<strong>de</strong> <strong>de</strong> que ele sabia a resposta?<br />
1.1.4 In<strong>de</strong>pendência<br />
De…nição 13 Seja ( ; A; P ) um espaço <strong>de</strong> probabilida<strong>de</strong>. Os eventos aleatórioa A<br />
e B são (estocasticamente) in<strong>de</strong>pen<strong>de</strong>ntes se<br />
P (A \ B) = P (A):P (B).<br />
Observação 5 Eventos <strong>de</strong> probabilida<strong>de</strong> 0 ou 1 são in<strong>de</strong>pen<strong>de</strong>ntes <strong>de</strong> qualquer outro.<br />
Teorema 13 A é in<strong>de</strong>pen<strong>de</strong>nte <strong>de</strong> si mesmo se e somente se P (A) = 0 ou 1.<br />
Prova. (Em aula.)<br />
Teorema 14 Se A e B são in<strong>de</strong>pen<strong>de</strong>ntes, então A e B c também são in<strong>de</strong>pen<strong>de</strong>ntes<br />
(e também A c e B, e ainda A c e B c ).<br />
Prova. (Em aula.)<br />
Observação 6 Se A \ B = ;, então A e B não são in<strong>de</strong>pen<strong>de</strong>ntes (a menos que<br />
um <strong>de</strong>les tenha probabilida<strong>de</strong> zero).<br />
De…nição 14 Os eventos aleatórios Ai, i 2 I (I um conjunto <strong>de</strong> índices), são<br />
in<strong>de</strong>pen<strong>de</strong>ntes dois a dois (ou a pares) se<br />
P (Ai \ Aj) = P (Ai):P (Aj)<br />
16
para todo i; j 2 I, i 6= j.<br />
De…nição 15 (a) Os eventos aleatórios A1; :::; An (n 2) são chamados (coletiva<br />
ou estocasticamente) in<strong>de</strong>pen<strong>de</strong>ntes se<br />
P (Ai1 \ Ai2 \ ::: \ Aim) = P (Ai1):P (Ai2):::P (Aim)<br />
para todo 1 i1 < i2 < ::: < im n, para todo m = 2; 3; :::; n (isto é, se to<strong>das</strong> as<br />
combinações satisfazem a regra produto).<br />
(b) Os eventos aleatórios A1; A2; ::: in<strong>de</strong>pen<strong>de</strong>ntes se para todo n 2, A1; :::; An<br />
são in<strong>de</strong>pen<strong>de</strong>ntes.<br />
Observação 7 In<strong>de</strong>pendência a pares não implica in<strong>de</strong>pendência coletiva. Con-<br />
forme o exercício a seguir.<br />
Exercício 18 Seja = fw1; w2; w3; w4g e suponha P (fwg) = 1=4 para todo w 2 .<br />
Sejam os eventos A = fw1; w4g, B = fw2; w4g e C = fw3; w4g. Veri…que que A, B<br />
e C são in<strong>de</strong>pen<strong>de</strong>ntes dois a dois, mas<br />
P (A \ B \ C) 6= P (A):P (B):P (C).<br />
Teorema 15 Se os eventos Ai, i 2 I, são in<strong>de</strong>pen<strong>de</strong>ntes, então os eventos Bi, i 2 I,<br />
são também in<strong>de</strong>pen<strong>de</strong>ntes, on<strong>de</strong> cada Bi é igual a Ai ou A c i (ou um ou outro).<br />
Prova. (Em aula.)<br />
Observação 8 Toda família <strong>de</strong> eventos in<strong>de</strong>pen<strong>de</strong>ntes é in<strong>de</strong>pen<strong>de</strong>nte.<br />
Exercício 19 Um dado não viciado é lançado uma vez. Se a face que aparece é<br />
ímpar, uma moeda não viciada é lançada repeti<strong>das</strong> vezes. Se a face é par, uma<br />
moeda com probabilida<strong>de</strong> p 6= 1<br />
2<br />
<strong>de</strong> dar cara é lançada repetidamente. Os sucessivos<br />
lançamentos são in<strong>de</strong>pen<strong>de</strong>ntes. Se os primeiros n lançamentos resultaram em cara,<br />
qual a probabilida<strong>de</strong> <strong>de</strong> que a moeda não viciada foi usada?<br />
17
Capítulo 2<br />
Variáveis Aleatórias<br />
2.1 Conceito<br />
Informalmente, uma variável aleatória é um característico numérico do resultado <strong>de</strong><br />
um experimento. Por exemplo:<br />
Exemplo 9 Seja o lançamento <strong>de</strong> duas moe<strong>das</strong> e a observação do número <strong>de</strong> caras<br />
obtido. Então = f(Ca; Ca); (Ca; Co); (Co; Ca); (Co; Co)g. Se <strong>de</strong>…nirmos X =<br />
número <strong>de</strong> caras observa<strong>das</strong>, e !1 = (Ca; Ca), !2 = (Ca; Co), !3 = (Co; Ca),<br />
!4 = (Co; Co), temos<br />
X(!1) = 2;<br />
X(!2) = X(!3) = 1;<br />
X(!4) = 0.<br />
Exemplo 10 Escolher ao acaso um ponto em [0; 1]. Seja X o quadrado do ponto<br />
obtido. Então = [0; 1] e<br />
X(!) = ! 2 .<br />
Exemplo 11 Escolher ao acaso um ponto no círculo unitário. Seja X a distância<br />
entre o ponto escolhido e a origem. Então = f(x; y) : x 2 + y 2 1g e, com<br />
18
! = (x; y), temos<br />
X(!) = p x 2 + y 2 .<br />
Exemplo 12 Joga-se um dado e observa-se a face superior. Então = f1; 2; 3; 4; 5; 6g<br />
e<br />
X(!) = !.<br />
Entretanto, nem toda função <strong>de</strong> em R traduz uma variável aleatória. Para<br />
que ela seja uma variável aleatória, precisamos garantir que todo evento relacionado<br />
à variável aleatória possa ser mensurado. Daí a <strong>de</strong>…nição seguinte:<br />
De…nição 16 Uma variável aleatória X em um espaço <strong>de</strong> probabilida<strong>de</strong> ( ; A; P ) é<br />
uma função real <strong>de</strong>…nida no espaço tal que o conjunto [! 2 : X(!) x] (daqui<br />
para frente escrito <strong>de</strong> forma simpli…cada [X x]) é evento aleatório para todo x 2 R;<br />
isto é,<br />
X : ! R<br />
é uma variável aleatória se [X x] 2 A para todo x 2 R.<br />
Exemplo 13 Sejam = f1; 2; 3; 4g e A = f;; f1; 2g; f3; 4g; g e consi<strong>de</strong>re os con-<br />
juntos A = f1; 2g e B = f1; 3g. Então 1A é variável aleatória em ( ; A), mas 1B<br />
não é.<br />
2.2 Função <strong>de</strong> Distribuição<br />
De…nição 17 A função <strong>de</strong> distribuição (acumulada) da variável aleatória X,<br />
representada por FX, ou simplesmente por F quando não houver confusão, é <strong>de</strong>…nida<br />
por<br />
FX(x) = P (X x), x 2 R. (2.1)<br />
19
Exercício 20 Duas moe<strong>das</strong> honestas são lança<strong>das</strong>. Seja a variável X que conta o<br />
número <strong>de</strong> caras observa<strong>das</strong>. Construa a função <strong>de</strong> distribuição da variável aleatória<br />
X e represente-a gra…camente.<br />
Exercício 21 Seja um experimento que consiste em selecionar um ponto ao acaso<br />
do intervalo [a; b] com a < b. Seja X a variável aleatória que representa a co-<br />
or<strong>de</strong>nada do ponto. Construa a função <strong>de</strong> distribuição da variável aleatória X e<br />
represente-a gra…camente.<br />
Proposição 3 Proprieda<strong>de</strong>s da Função <strong>de</strong> Distribuição. Se X é uma variável<br />
aleatória, sua função <strong>de</strong> distribuição F goza <strong>das</strong> seguintes proprieda<strong>de</strong>s:<br />
F1) Se x1 x2 então F (x1) F (x2); isto é, F é não-<strong>de</strong>crescente.<br />
F2) Se xn # y, então F (xn) # F (y); isto é, F é contínua à direita.<br />
F3) limx! 1 F (x) = 0 e limx!+1 F (x) = 1.<br />
Prova. (Em aula)<br />
Tendo em mente que FX(x) = P (X x), po<strong>de</strong>mos observar que<br />
1. P (X > a) = 1 P (X a) = 1 FX(a)<br />
2. P (a < X b) = P (X b) P (X a) = P (X b) P (X a) =<br />
FX(b) FX(a)<br />
3. P (X = a) = P (X a) P (X < a) = FX(a) FX(a ). Ou seja, P (X = a)<br />
é o tamanho do salto da função <strong>de</strong> distribuição em x = a. Se a função for<br />
contínua no ponto x = a então P (X = a) = 0.<br />
20
4. P (a < X < b) = P (a < X b) P (X = b)<br />
= P (X b) P (X a) P (X = b) = FX(b) FX(a) [FX(b) FX(b )]<br />
= FX(b ) FX(a).<br />
5. P (a X < b) = P (a < X < b) + P (X = a)<br />
= FX(b ) FX(a) + [FX(a) FX(a )] = FX(b ) FX(a ).<br />
6. P (a X b) = P (a < X b) + P (X = a)<br />
= FX(b) FX(a) + [FX(a) FX(a )] = FX(b) FX(a ).<br />
Exercício 22 Um dado ten<strong>de</strong>ncioso é tal que a probabilida<strong>de</strong> <strong>de</strong> um ponto é propor-<br />
cional ao próprio ponto. Seja X a variável aleatória que representa o número obtido<br />
no lançamento do dado. Pe<strong>de</strong>-se:<br />
(a) A função <strong>de</strong> distribuição da variável aleatória X, esboçando o seu grá…co.<br />
(b) A probabilida<strong>de</strong> <strong>de</strong> ocorrer 5, dado que ocorreu um número ímpar?<br />
(c) A probabilida<strong>de</strong> <strong>de</strong> ocorrer um número par, dado que ocorreu um número<br />
menor do que 5?<br />
Exercício 23 Seja F (x) a função<br />
8<br />
< 0, se x < 0<br />
F (x) = x +<br />
:<br />
1<br />
2 , se 0 x 1<br />
2<br />
1, se x > 1<br />
2<br />
Mostre que F é <strong>de</strong> fato uma função <strong>de</strong> distribuição e calcule:<br />
(a) P (X > 1<br />
8 )<br />
(b) P ( 1<br />
8<br />
(c) P (X < 2<br />
5<br />
< X < 2<br />
5 )<br />
j X > 1<br />
8 )<br />
21
2.3 Variáveis Aleatórias Discretas<br />
De…nição 18 A variável aleatória X é discreta se toma um número …nito ou enu-<br />
merável <strong>de</strong> valores, isto é, se existe um conjunto …nito ou enumerável fx1; x2; :::g<br />
R tal que X(!) 2 fx1; x2; :::g para todo ! 2 . A função p(xi) <strong>de</strong>…nida por<br />
é chamada função <strong>de</strong> probabilida<strong>de</strong> <strong>de</strong> X.<br />
Observação 9 Note que [X x] = [<br />
Além disso, observe que<br />
e<br />
p(xi) = P (X = xi), i = 1; 2; 3; ::: (2.2)<br />
F (x) = X<br />
i:xi x<br />
i:xi x<br />
[X = xi] e assim<br />
P (X = xi) = X<br />
i:xi x<br />
p(xi).<br />
p(xi) 0, i = 1; 2; 3; ::: (2.3)<br />
1X<br />
p(xi) = 1. (2.4)<br />
i=1<br />
Exercício 24 A probabilida<strong>de</strong> <strong>de</strong> um indivíduo acertar um alvo é 2/3. Ele <strong>de</strong>ve<br />
atirar até atingir o alvo pela primeira vez. Seja X a variável aleatória que representa<br />
o número <strong>de</strong> tentativas até que ele acerte o alvo. Pe<strong>de</strong>-se:<br />
(a) A função <strong>de</strong> probabilida<strong>de</strong> <strong>de</strong> X, mostrando que ela aten<strong>de</strong> as proprieda<strong>de</strong>s<br />
(2.3) e (2.4).<br />
(b) A probabilida<strong>de</strong> <strong>de</strong> serem necessários cinco tiros para que ele acerte o alvo.<br />
Exercício 25 Seja X uma variável aleatória com função <strong>de</strong> probabilida<strong>de</strong><br />
P (X = x) = cx 2 , on<strong>de</strong> c é uma constante e k = 1; 2; 3; 4; 5. Calcule F (x) e P(X ser<br />
ímpar).<br />
22
Exercício 26 Seja X o número <strong>de</strong> caras obti<strong>das</strong> em 4 lançamentos <strong>de</strong> uma moeda<br />
honesta. Construa a função <strong>de</strong> probabilida<strong>de</strong> e a função <strong>de</strong> distribuição <strong>de</strong> X es-<br />
boçando os seus grá…cos.<br />
2.4 Variáveis Aleatórias Contínuas<br />
De…nição 19 A variável aleatória X é (absolutamente) contínua se sua função <strong>de</strong><br />
distribuição FX(x) é contínua. Isto é, se existe uma função fX(x), dita função <strong>de</strong><br />
<strong>de</strong>nsida<strong>de</strong> <strong>de</strong> probabilida<strong>de</strong>, com as seguintes proprieda<strong>de</strong>s<br />
<strong>de</strong> modo que<br />
fX(x) 0 para todo x 2 R e<br />
Z1<br />
1<br />
FX(x) =<br />
fX(x)dx = 1<br />
Zx<br />
1<br />
fX(t)dt.<br />
Observação 10 Pelo Teorema Fundamental do Cálculo, observe que<br />
fX(x) = dFX(x)<br />
.<br />
dx<br />
Observação 11 Como FX(x) é contínua, observe que<br />
1. P (X = x) = FX(x) FX(x ) = 0 para todo x 2 R.<br />
2. P (a<br />
Zb<br />
X b) = P (a < X b) = P (a X < b) = P (a < X < b) =<br />
fX(x)dx.<br />
a<br />
3. dFX(x) = fX(x)dx.<br />
Exercício 27 Veri…que que<br />
8<br />
><<br />
0, z < 0<br />
FZ(z) =<br />
>:<br />
1, z 1<br />
z2 , 0 z < 1<br />
2<br />
1 3(1 z) 2 1 , 2<br />
23<br />
z < 1
é uma função <strong>de</strong> distribuição e obtenha a função <strong>de</strong> <strong>de</strong>nsida<strong>de</strong> <strong>de</strong> Z. Calcule também<br />
P (Z > 1<br />
4 jZ<br />
3<br />
4 ).<br />
Exercício 28 Veri…que que<br />
8<br />
< 0, y < 0<br />
p<br />
FY (y) = y, 0 y 1<br />
:<br />
1, y > 1<br />
é uma função <strong>de</strong> distribuição e calcule a função <strong>de</strong> <strong>de</strong>nsida<strong>de</strong> <strong>de</strong> Y. Use-a para<br />
calcular P ( 1<br />
4<br />
< Y < 3<br />
4 ).<br />
De…nição 20 Uma variável aleatória X é dita mista se tem partes nas diferentes<br />
classi…cações (parte discreta e parte contínua).<br />
Exercício 29 (Exemplo <strong>de</strong> Variável Aleatória Mista: Discreta e Contínua ao mesmo<br />
tempo) A função <strong>de</strong> distribuição <strong>de</strong> uma variável aleatória X é dada por:<br />
8<br />
0, x < 0<br />
><<br />
x,<br />
0 x < 1<br />
2<br />
FX(x) = , 1 x < 2<br />
3<br />
11<br />
>:<br />
, 2 x < 3<br />
12<br />
1, x 3<br />
Obtenha:<br />
(a) o grá…co <strong>de</strong> FX(x);<br />
(b) P (X < 3);<br />
(c) P (X = 1);<br />
(d) P (X > 1=2);<br />
(e) P (2 < X < 4).<br />
Exercício 30 Seja X uma variável com função <strong>de</strong> distribuição<br />
8<br />
< 0, x < 2<br />
FX(x) =<br />
:<br />
1 x+2 + , 4 8 2 x < 0<br />
(a) Classi…que X e faça um grá…co <strong>de</strong> F.<br />
(b) Calcule P (X > 1) e P (X 4jX > 0).<br />
3<br />
4<br />
+ 1<br />
4 (1 e x ), x 0<br />
(c) Decomponha F nas partes discreta e absolutamente contínua.<br />
24
Exercício 31 Mostre que se X é uma v. a . do tipo contínuo com função <strong>de</strong><br />
<strong>de</strong>nsida<strong>de</strong> par, ou seja, simétrica em torno <strong>de</strong> x = 0, isto é, fX(x) = fX( x),<br />
então:<br />
(a) FX(x) = 1 FX( x);<br />
(b) FX(0) = 1<br />
2 ;<br />
(c) P ( x < X < x) = 2FX(x)<br />
Zx<br />
1, x > 0;<br />
fX(t)dt, x > 0.<br />
(d) P (X > x) = 1<br />
2<br />
0<br />
Exercício 32 Suponha que X seja uma variável aleatória com f.d.p. dada por<br />
fX(x) =<br />
(a) Obtenha a função <strong>de</strong> distribuição <strong>de</strong> X.<br />
(b) Ache P ( 1 < X < 2).<br />
(c) Ache P (jXj > 1).<br />
1<br />
, 1 < x < 1<br />
2(1 + jxj) 2<br />
Exercício 33 Z é uma variável aleatória contínua com função <strong>de</strong> <strong>de</strong>nsida<strong>de</strong> <strong>de</strong><br />
probabilida<strong>de</strong><br />
fZ(z) = 10e 10z , z > 0<br />
0, z 0<br />
Obtenha a função <strong>de</strong> distribuição <strong>de</strong> Z e esboce o seu grá…co.<br />
2.5 Vetores Aleatórios<br />
De…nição 21 Um vetor X = (X1; :::; Xn) com Xi variáveis aleatórias <strong>de</strong>…ni<strong>das</strong> no<br />
mesmo espaço <strong>de</strong> probabilida<strong>de</strong> ( ; A; P ) é chamado vetor aleatório se<br />
X 1 (B) 2 A para todo B 2 B n .<br />
De…nição 22 A função <strong>de</strong> distribuição conjunta F = FX <strong>de</strong> um vetor aleatório X<br />
é <strong>de</strong>…nida por<br />
FX(x) = FX(x1; :::; xn) = P (X1 x1; :::; Xn xn).<br />
25
Observação 12 fX1 x1; :::; Xn xng =<br />
n\<br />
f! : Xi(!) xig 2 A.<br />
Proposição 4 Proprieda<strong>de</strong>s da Função <strong>de</strong> Distribuição Conjunta. Se X<br />
é um vetor aleatório em ( ; A; P ), então para qualquer x 2 R n , sua função <strong>de</strong><br />
i=1<br />
distribuição F goza <strong>das</strong> seguintes proprieda<strong>de</strong>s:<br />
F1) F (x) é não-<strong>de</strong>crescente em cada uma <strong>de</strong> suas coor<strong>de</strong>na<strong>das</strong>.<br />
F2) F (x) é contínua à direita em cada uma <strong>de</strong> suas coor<strong>de</strong>na<strong>das</strong>.<br />
F3) Se para algum j, xj ! 1, então F (x) ! 0 e, ainda, se para todo j, xj !<br />
+1, então F (x) ! 1.<br />
F4) F (x) é tal que para todo ai; bi 2 R, ai < bi, 1 i n, temos<br />
Prova. (Em aula)<br />
P fa1 < X1 b1; a2 < X2 b2; :::; an < Xn bng 0.<br />
Observação 13 A proprieda<strong>de</strong> F4 parece tão óbvia que po<strong>de</strong>ríamos questionar a<br />
necessida<strong>de</strong> <strong>de</strong> mencioná-la. No caso unidimensional ela não é necessária, mas no<br />
caso muldimensional ela é essencial, pois há funções que aten<strong>de</strong>m as proprieda<strong>de</strong>s<br />
F1, F2 e F3 que não são funções <strong>de</strong> distribuições <strong>de</strong> nenhum vetor aleatório, con-<br />
forme o exemplo abaixo.<br />
Exemplo 14 Consi<strong>de</strong>re a seguinte função:<br />
F (x; y) =<br />
1, em S = f(x; y) : x 0, y 0 e x + y 1g<br />
0, caso contrário<br />
Então F (x; y) satisfaz F1, F2 e F3, mas P f0 < X 1; 0 < Y 1g = 1 < 0! Logo<br />
F (x; y) não satisfaz F4 e, portanto, não po<strong>de</strong> ser função <strong>de</strong> distribuição conjunta.<br />
26
Exemplo 15 Sejam X e Y duas variáveis aleatórias com função <strong>de</strong> distribuição<br />
conjunta FX;Y (x; y). Mostre que<br />
P fa < X b; c < Y dg = F (b; d) F (b; c) F (a; d) + F (a; c)<br />
Exemplo 16 Veri…que se a seguinte função<br />
F (x; y) = 1 e x y , x 0 e y 0<br />
0, caso contrário<br />
é uma função <strong>de</strong> distribuição <strong>de</strong> algum vetor aleatório.<br />
Exemplo 17 Veri…que se a seguinte função<br />
F (x; y) = (1 e x )(1 e y ), x 0 e y 0<br />
0, caso contrário<br />
é uma função <strong>de</strong> distribuição <strong>de</strong> algum vetor aleatório.<br />
Observação 14 A partir da função <strong>de</strong> distribuição conjunta, po<strong>de</strong>-se obter o com-<br />
portamento <strong>de</strong> cada variável isoladamente. A função <strong>de</strong> distribuição individualizada<br />
é <strong>de</strong>nominada função <strong>de</strong> distribuição marginal e é obtida da seguinte forma:<br />
FXk (xk) = lim<br />
xi!1<br />
i6=k<br />
F (x)<br />
em que o limite é aplicado em to<strong>das</strong> as coor<strong>de</strong>na<strong>das</strong>, exceto k.<br />
Se as variáveis do vetor aleatório são discretas, temos um vetor aleatório discreto<br />
e <strong>de</strong>…nimos sua função <strong>de</strong> probabilida<strong>de</strong> conjunta da seguinte forma:<br />
É imediato veri…car que<br />
p(x) = p(x1; :::; xn) = P (X1 = x1; :::; Xn = xn).<br />
p(x) 0, para todo x 2 R n e<br />
X<br />
p(x) = 1.<br />
x<br />
27
A função <strong>de</strong> probabilida<strong>de</strong> marginal <strong>de</strong> uma variável, digamos Xk, é obtida a<br />
partir da conjunta, somando-se os valores possíveis em to<strong>das</strong> as coor<strong>de</strong>na<strong>das</strong>, exceto<br />
em k, isto é,<br />
pXk (xk) = P (Xk = xk) =<br />
=<br />
nX X<br />
p(x)<br />
i=1<br />
i6=k<br />
nX X<br />
P (X1 = x1; :::; Xn = xn).<br />
i=1<br />
i6=k<br />
xi<br />
Exemplo 18 Duas moe<strong>das</strong> equilibra<strong>das</strong> são lança<strong>das</strong> <strong>de</strong> forma in<strong>de</strong>pen<strong>de</strong>nte e <strong>de</strong>…n-<br />
imos as variáveis aleatórias X e Y da seguinte forma: X = número <strong>de</strong> caras nos<br />
dois lançamentos e Y = função indicadora <strong>de</strong> faces iguais nos dois lançamentos.<br />
Obtenha a função <strong>de</strong> probabilida<strong>de</strong> conjunta <strong>de</strong> X e Y e as funções <strong>de</strong> probabilida<strong>de</strong><br />
marginais <strong>de</strong> X e <strong>de</strong> Y.<br />
Denominamos vetor aleatório contínuo, o vetor aleatório cujas componentes são<br />
variáveis aleatórias contínuas. Dada a função <strong>de</strong> distribuição conjunta <strong>de</strong> um vetor<br />
aleatório, sucessivas <strong>de</strong>riva<strong>das</strong> parciais produzem a função <strong>de</strong> <strong>de</strong>nsida<strong>de</strong> conjunta,<br />
representada por f(x). Então, po<strong>de</strong>mos consi<strong>de</strong>rar que um vetor aleatório é contínuo<br />
se existe uma função f : R n ! R+ tal que<br />
Z x1<br />
FX(x) =<br />
1<br />
xi<br />
Z xn<br />
::: f(y)dy1:::dyn.<br />
1<br />
Observe que isto é uma generalização do caso univariado, e, como antes, valem<br />
as proprieda<strong>de</strong>s<br />
Z 1<br />
1<br />
Z 1<br />
::: f(x)dx1:::dxn = 1<br />
1<br />
f(x) 0, para todo x 2 R n e<br />
@ Além disso, <strong>de</strong>corre do cálculo que n<br />
@x1:::@xn FX(x) = f(x).<br />
28
Observação 15 Assim, po<strong>de</strong>mos perceber que<br />
P (X1 2 dx1; :::; Xn 2 dxn) = f(x)dx1:::dxn.<br />
Exemplo 19 Sejam três variáveis aleatórias X, Y e Z com função <strong>de</strong> <strong>de</strong>nsida<strong>de</strong><br />
conjunta dada por<br />
f(x; y; z) = kxy2 z, se 0 < x 1, 0 < y 1 e 0 < z p 2<br />
0, caso contrário<br />
Encontre o valor <strong>de</strong> k e ache a função <strong>de</strong> <strong>de</strong>nsida<strong>de</strong> marginal <strong>de</strong> X.<br />
Exemplo 20 (Função Mista) Consi<strong>de</strong>re duas variáveis aleatórias X e Y, sendo X<br />
discreta e Y contínua, com função mista <strong>de</strong> probabilida<strong>de</strong> dada por<br />
f(x; y) =<br />
xyx 1<br />
, se x = 1; 2; 3 e 0 < y 1<br />
3<br />
0, caso contrário<br />
(a) Veri…que que esta função é <strong>de</strong> fato uma função mista <strong>de</strong> probabilida<strong>de</strong>.<br />
(a) Mostre que<br />
8<br />
0, se x < 1 ou y < 0<br />
y<br />
, se 1 x < 2 e 0 3<br />
><<br />
y < 1<br />
F (x; y) = , se x 3 e 0 3<br />
1,<br />
se 1 x < 2 e y 3<br />
2<br />
>:<br />
, se 2 x < 3 e y 3<br />
1, se x 3 e y 1<br />
y < 1<br />
1<br />
1<br />
2.5.1 In<strong>de</strong>pendência<br />
y+y 2<br />
3 , se 2 x < 3 e 0 y < 1<br />
y+y 2 +y 3<br />
De…nição 23 Sejam X1; X2; :::; Xn, n 2, variáveis aleatórias <strong>de</strong>…ni<strong>das</strong> no mesmo<br />
espaço <strong>de</strong> probabilida<strong>de</strong> ( ; A; P ), <strong>de</strong> modo que X = (X1; :::; Xn) é um vetor aleatório<br />
em ( ; A; P ). As variáveis aleatórias X1; X2; :::; Xn são (coletivamente) in<strong>de</strong>pen-<br />
<strong>de</strong>ntes se<br />
P fX1 2 B1; X2 2 B2; :::; Xn 2 Bng =<br />
para todo Bi 2 A, i = 1,2,...,n.<br />
29<br />
nY<br />
P fXi 2 Big<br />
i=1
Observação 16 (i) (Proprieda<strong>de</strong> <strong>de</strong> Hereditarieda<strong>de</strong> <strong>de</strong> Variáveis Aleatórias In-<br />
<strong>de</strong>pen<strong>de</strong>ntes) Observe que para toda família <strong>de</strong> variáveis aleatórias in<strong>de</strong>pen<strong>de</strong>ntes<br />
X1; X2; :::; Xn qualquer subfamília é também formada por variáveis aleatórias in<strong>de</strong>-<br />
pen<strong>de</strong>ntes, pois, por exemplo<br />
P fX1 2 B1; X2 2 B2g = P fX1 2 B1; X2 2 B2; X3 2 R; :::; Xn 2 Rg<br />
= P fX1 2 B1g P fX2 2 B2g P fX3 2 Rg :::P fXn 2 Rg<br />
= P fX1 2 B1g P fX2 2 B2g :1:::1<br />
= P fX1 2 B1g P fX2 2 B2g<br />
(<strong>ii</strong>) Se as variáveis aleatórias X1; X2; :::; Xn são in<strong>de</strong>pen<strong>de</strong>ntes, então funções <strong>de</strong><br />
famílias disjuntas <strong>das</strong> variáveis são também in<strong>de</strong>pen<strong>de</strong>ntes. Por exemplo:<br />
(a) X1 + X2 + X3 e e X4 são in<strong>de</strong>pen<strong>de</strong>ntes.<br />
(b) min(X1; X2) e max(X3; X4) são in<strong>de</strong>pen<strong>de</strong>ntes.<br />
(c) X1:X2 e X2 + X3 não são necessariamente in<strong>de</strong>pen<strong>de</strong>ntes!<br />
A proposição a seguir nos fornece o critério para in<strong>de</strong>pendência <strong>de</strong> variáveis<br />
aleatórias a partir da função <strong>de</strong> distribuição conjunta. Trata-se do critério <strong>de</strong> fa-<br />
toração.<br />
Proposição 5 (a) Se X1; X2; :::; Xn, n 2, são variáveis aleatórias in<strong>de</strong>pen<strong>de</strong>ntes,<br />
então<br />
FX(x) = FX(x1; :::; xn) =<br />
nY<br />
i=1<br />
FXi (xi) para todo (x1; :::; xn) 2 R n .<br />
(b) Reciprocamente, se existem funções F1; F2; :::; Fn tais que limx!1 Fi(x) = 1<br />
nY<br />
para todo i e FX(x1; :::; xn) =<br />
i=1<br />
são variáveis aleatórias in<strong>de</strong>pen<strong>de</strong>ntes e Fi = FXi<br />
Prova. (Em aula)<br />
Fi(xi) para todo (x1; :::; xn) 2 R n então X1; X2; :::; Xn<br />
30<br />
para todo i = 1,2,...,n.
Proposição 6 (Critério para in<strong>de</strong>pendência no caso contínuo)<br />
(a) Se X1; X2; :::; Xn, n 2, são variáveis aleatórias in<strong>de</strong>pen<strong>de</strong>ntes e possuem<br />
<strong>de</strong>nsida<strong>de</strong>s fX1; :::; fXn, então a função<br />
nY<br />
fX(x1; :::; xn) =<br />
i=1<br />
fXi (xi), (x1; :::; xn) 2 R n<br />
é <strong>de</strong>nsida<strong>de</strong> conjunta <strong>das</strong> variáveis aleatórias X1; X2; :::; Xn.<br />
(b) Reciprocamente, se X1; X2; :::; Xn têm <strong>de</strong>nsida<strong>de</strong> conjunta f satisfazendo<br />
nY<br />
fX(x1; :::; xn) = fi(xi) para todo (x1; :::; xn) 2 Rn on<strong>de</strong> fi(xi) 0 e R 1<br />
1 fi(x)dx =<br />
i=1<br />
1 para todo i, então X1; X2; :::; Xn são variáveis aleatórias in<strong>de</strong>pen<strong>de</strong>ntes e fi é a<br />
<strong>de</strong>nsida<strong>de</strong> <strong>de</strong> Xi para todo i = 1,2,...,n.<br />
Prova. (Em aula)<br />
Proposição 7 (a) Se F (x; y) é a função <strong>de</strong> distribuição conjunta <strong>de</strong> X e Y, então<br />
a função <strong>de</strong> distribuição marginal <strong>de</strong> X é<br />
FX(x) = lim<br />
y!1 FX;Y (x; y) = FX;Y (x; +1).<br />
(b) Se f(x; y) é a função <strong>de</strong> <strong>de</strong>nsida<strong>de</strong> conjunta <strong>de</strong> X e Y, então a função <strong>de</strong><br />
<strong>de</strong>nsida<strong>de</strong> marginal <strong>de</strong> X é<br />
Prova. (Em aula)<br />
Z 1<br />
fX(x) = f(x; y)dy.<br />
1<br />
Exercício 34 Enuncie o resultado análogo da proposição anterior para o caso dis-<br />
creto.<br />
Exemplo 21 Dizemos que o vetor aleatório (X; Y ) possui distribuição normal bi-<br />
variada quando tem <strong>de</strong>nsida<strong>de</strong> dada por<br />
f(x; y) =<br />
2<br />
1<br />
p<br />
1 2 1 2 :<br />
(<br />
"<br />
: exp<br />
1<br />
2 (1 2 )<br />
x 1<br />
1<br />
31<br />
2<br />
2<br />
x 1<br />
1<br />
y 2<br />
2<br />
+ y 2<br />
2<br />
2 #)
on<strong>de</strong> 1 > 0, 2 > 0, 1 < < 1, 1 2 R e 2 2 R. Mostre que se = 0, então X<br />
e Y são in<strong>de</strong>pen<strong>de</strong>ntes e X N( 1; 2 1) e Y N( 2; 2 2). (Se 6= 0, então X e Y<br />
não são in<strong>de</strong>pen<strong>de</strong>ntes, pois sua <strong>de</strong>nsida<strong>de</strong> conjunta não é produto <strong>das</strong> <strong>de</strong>nsida<strong>de</strong>s<br />
marginais.<br />
Exemplo 22 Seja G 2 R n uma região tal que V olG > 0, on<strong>de</strong> V olG é o volume<br />
n-dimensional <strong>de</strong> G, <strong>de</strong> modo que V olG = R R<br />
::: 1dx1:::dxn. Dizemos que X =<br />
G<br />
(X1; X2; :::; Xn) é uniformemente distribuído em G se X tem <strong>de</strong>nsida<strong>de</strong><br />
fX(x1; :::; xn) =<br />
1<br />
V olG , se (x1; :::; xn) 2 G<br />
0, se (x1; :::; xn) =2 G<br />
2.6 Funções <strong>de</strong> Variáveis Aleatórias<br />
2.6.1 Transformações Mensuráveis<br />
Suponha que a entrada <strong>de</strong> um sistema é mo<strong>de</strong>lado por um vetor aleatório X e nosso<br />
objetivo seja caracterizar a saída do sistema Y = g(X), on<strong>de</strong> g : R d ! R <strong>de</strong>pen<strong>de</strong><br />
<strong>das</strong> proprieda<strong>de</strong>s do sistema. A aplicação<br />
( ; F) X ! (R d ; B d )<br />
g<br />
! (R; B)<br />
<strong>de</strong> ( ; F) a (R; B) <strong>de</strong>…ne uma saída (output). Y é uma variável aleatória.<br />
2.6.2 Distribuições <strong>de</strong> Funções <strong>de</strong> Variáveis e Vetores Aleatórios<br />
Seja X = (X1; X2; :::; Xn) um vetor aleatório em ( ; A; P ), e consi<strong>de</strong>re o problema<br />
<strong>de</strong> <strong>de</strong>terminar a distribuição <strong>de</strong> Y = g(X), com g uma função mensurável. Então,<br />
temos<br />
FY (y) = P fY yg = P fg(X) yg<br />
De…nindo By = f(x1; x2; :::; xn) : g(x1; x2; :::; xn) yg, temos<br />
FY (y) = P fX 2 Byg<br />
= PX fByg<br />
32
ou seja, conhecendo a distribuição conjunta <strong>de</strong> X1; X2; :::; Xn, po<strong>de</strong>mos obter a dis-<br />
tribuição <strong>de</strong> qualquer função mensurável <strong>de</strong> X.<br />
Observação 17 (a) Quando X é discreto, Y é também discreto e o problema torna-<br />
se simples, pois<br />
pY (y) = X<br />
i:g(xi)=y<br />
pX(xi)<br />
(b) Quando X é contínuo, o problema é mais complexo pois Y po<strong>de</strong> ser discreto<br />
ou contínuo.<br />
Exemplo 23 Se X e Y são in<strong>de</strong>pen<strong>de</strong>ntes, cada uma com distribuição uniforme em<br />
[0,1], mostre que Z = X=Y tem função <strong>de</strong> distribuição<br />
8<br />
><<br />
0, se z 0<br />
z<br />
FZ(z) =<br />
, se 0 < z < 1<br />
2<br />
>: 1<br />
1 , se z 1<br />
2z<br />
e função <strong>de</strong> <strong>de</strong>nsida<strong>de</strong><br />
fZ(z) = F 0<br />
Z(z) =<br />
8<br />
0, se z 0<br />
>< 1<br />
, se 0 < z < 1<br />
2<br />
>:<br />
1<br />
, se z 1<br />
2z2 Proposição 8 (a) Se X e Y têm <strong>de</strong>nsida<strong>de</strong> conjunta f(x; y), então a variável<br />
aleatória Z = X + Y tem <strong>de</strong>nsida<strong>de</strong> dada por<br />
Z 1<br />
Z 1<br />
fZ(z) = f(z t; t)dt = f(t; z t)dt.<br />
1<br />
(b) Se X e Y são in<strong>de</strong>pen<strong>de</strong>ntes com <strong>de</strong>nsida<strong>de</strong>s fX e fY então Z = X + Y tem<br />
<strong>de</strong>nsida<strong>de</strong> dada por<br />
Prova. (Em aula.)<br />
Z 1<br />
Z 1<br />
fZ(z) = fX(z t)fY (t)dt = fX(t)fY (z t)dt.<br />
1<br />
1<br />
33<br />
1
Observação 18 Se f1 e f2 são <strong>de</strong>nsida<strong>de</strong>s <strong>de</strong> variáveis aleatórias, sua convolução<br />
f1 f2 é <strong>de</strong>…nida como<br />
Z 1<br />
f1 f2(x) = f1(x t)f2(t)dt.<br />
1<br />
Portanto, pela proposição anterior, se X e Y são in<strong>de</strong>pen<strong>de</strong>ntes e absolutamente<br />
contínuas, fX fY é a <strong>de</strong>nsida<strong>de</strong> da soma X + Y .<br />
2.6.3 Método do Jacobiano<br />
Sejam G0 R n e G R n duas regiões abertas e seja g : G0 ! G uma função<br />
bijetora on<strong>de</strong><br />
g(x1; :::; xn) = (g1(x1; x2; :::; xn); :::; gn(x1; x2; :::; xn)) = (y1; :::; yn).<br />
Então existe a função inversa h = g 1 en G, on<strong>de</strong><br />
x1 = h1(y1; :::; yn); :::; xn = hn(y1; :::; yn).<br />
Suponha também que existam as <strong>de</strong>riva<strong>das</strong> parciais<br />
@xi<br />
@yj<br />
= @hi(y1; :::; yn)<br />
, 1 i; j n,<br />
@yj<br />
e que elas sejam contínuas em G. De…nimos o jacobiano J(x; y) pelo <strong>de</strong>terminante<br />
2<br />
3<br />
J(x; y) = @xi<br />
@yj<br />
6<br />
= <strong>de</strong>t 4<br />
Pelo cálculo <strong>de</strong> várias variáveis, sabemos que se o jacobiano for não-nulo para todo<br />
y 2 G, então<br />
Z<br />
Z<br />
:::<br />
A<br />
Z<br />
f(x1:::; xn)dx1:::dxn =<br />
Z<br />
:::<br />
g(A)<br />
@x1<br />
@y1<br />
.<br />
@xn<br />
@y1<br />
. ..<br />
@x1<br />
@yn<br />
.<br />
@xn<br />
@yn<br />
f(h1(y1; :::; yn):::; hn(y1; :::; yn)) jJ(x; y)j dy1:::dyn<br />
para qualquer f integrável em A, on<strong>de</strong> A G0. Com isso, no contexto <strong>de</strong> probabil-<br />
ida<strong>de</strong>, temos o seguinte teorema:<br />
34<br />
7<br />
5
Teorema 16 Sejam Y1; Y2; :::; Yn variáveis aleatórias transforma<strong>das</strong>, isto é, Yi =<br />
gi(X1; X2; :::; Xn) para i=1,2,...,n. Então a <strong>de</strong>nsida<strong>de</strong> conjunta <strong>de</strong> Y1; Y2; :::; Yn é<br />
fY(y1:::; yn) = fX(h1(y1; :::; yn):::; hn(y1; :::; yn)) jJ(x; y)j , y 2 G<br />
0, y =2 G<br />
on<strong>de</strong> fX é a função <strong>de</strong> <strong>de</strong>nsida<strong>de</strong> conjunta <strong>de</strong> X.<br />
Prova. (Em aula.)<br />
Exemplo 24 Sejam X e Y variáveis aleatórias in<strong>de</strong>pen<strong>de</strong>ntes, cada uma com dis-<br />
tribuição exponencial com parâmetro 1, mostre que Z = X + Y e W = X<br />
Y são<br />
também in<strong>de</strong>pen<strong>de</strong>ntes com <strong>de</strong>nsida<strong>de</strong>s<br />
e<br />
fZ(z) = ze z , z > 0<br />
0, z 0<br />
8<br />
< 1<br />
, w > 0<br />
fW (w) = (w + 1) 2<br />
:<br />
0, w 0<br />
Observação 19 Seja a função g : R n ! R k com k < n. Então g não é bijetora.<br />
Então para obtermos a distribuição <strong>de</strong> Y = g(X), basta:<br />
(a) Completar a transformação g através <strong>de</strong> variáveis auxiliares convenientes:<br />
Yk+1 = gk+1(X); :::; Yn = gn(X).<br />
(b) Obter a conjunta <strong>de</strong> Y1; Y2; :::; Yn usando o método do jacobiano fY(y1:::; yn) =<br />
f(h1(y1; :::; yn):::; hn(y1; :::; yn)) jJ(x; y)j.<br />
(c) Obter a marginal conjunta <strong>de</strong> Y1; Y2; :::; Yk como R 1<br />
1 ::: R 1<br />
1 fY(y1:::; yn)dyk+1:::dyn.<br />
Exemplo 25 A função <strong>de</strong> <strong>de</strong>nsida<strong>de</strong> conjunta <strong>de</strong> X e Y é dada por<br />
fX;Y (x; y) = 1<br />
(x + y)1(0;2](x)1(0;1](y).<br />
3<br />
35<br />
.
Mostre que a <strong>de</strong>nsida<strong>de</strong> <strong>de</strong> Z = X + Y é dada por<br />
8<br />
z<br />
><<br />
fZ(z) =<br />
>:<br />
2<br />
, 0 z < 1<br />
z<br />
3<br />
, 1 z < 2<br />
3<br />
z(3 z)<br />
, 2 z 3<br />
3<br />
0, caso contrário<br />
Exemplo 26 (Jacobiano sem bijeção) Seja X uma variável contínua com <strong>de</strong>nsida<strong>de</strong><br />
fX(x) = 1<br />
2 e jxj , 1 < x < 1. Mostre que a <strong>de</strong>nsida<strong>de</strong> <strong>de</strong> Y = X 2 é dada por<br />
fY (y) = 1<br />
2 p y e p y 1(0;1)(y).<br />
Exemplo 27 Seja X uma variável contínua com <strong>de</strong>nsida<strong>de</strong> uniforme em [ 2; 5].<br />
Encontre a <strong>de</strong>nsida<strong>de</strong> <strong>de</strong> Y = X 2 .<br />
Exemplo 28 Seja X uma variável contínua com <strong>de</strong>nsida<strong>de</strong><br />
8<br />
1<br />
>< x, 0 x < 2<br />
4<br />
fX(x) = 1<br />
, 2 x 6<br />
>: 8<br />
0, caso contrário<br />
(a) Determine a função <strong>de</strong> distribuição <strong>de</strong> Y = min(3; X).<br />
(b) Faça a <strong>de</strong>composição <strong>de</strong> FY nas suas partes discreta, contínua e singular.<br />
2.6.4 Estatísticas <strong>de</strong> Or<strong>de</strong>m<br />
Se X1; X2; :::; Xn são variáveis aleatórias i.i.d. com função <strong>de</strong> distribuição FX, então<br />
os Xi formam uma amostra aleatória <strong>de</strong> tamanho n, retirada <strong>de</strong> uma população<br />
com distribuição FX. As Xi or<strong>de</strong>na<strong>das</strong> crescentemente são estatísticas <strong>de</strong> or<strong>de</strong>m da<br />
amostra e representamos X(1); X(2); :::; X(n) tais que<br />
X(1)(!) X(2)(!) ::: X(n)(!)<br />
Temos assim os seguintes resultados para as distribuições <strong>de</strong> estatísticas <strong>de</strong> or<strong>de</strong>m<br />
para variáveis aleatórias contínuas.<br />
36
Proposição 9 Se X1; X2; :::; Xn são variáveis aleatórias i.i.d. com função <strong>de</strong> dis-<br />
tribuição FX e função <strong>de</strong> <strong>de</strong>nsida<strong>de</strong> fX, então<br />
fX (1);X (2);:::;X (n) (x1:::; xn) = n!fX(x1):::fX(xn) para x1 < x2 < ::: < xn<br />
Prova. (Em aula.)<br />
Proposição 10 Se X1; X2; :::; Xn são variáveis aleatórias i.i.d. com função <strong>de</strong> dis-<br />
tribuição FX e função <strong>de</strong> <strong>de</strong>nsida<strong>de</strong> fX, então<br />
fX (k) (x) = n<br />
Prova. (Em aula.)<br />
n 1<br />
k 1<br />
fX(x) [FX(x)] k 1 n k<br />
[1 FX(x)]<br />
para x 2 R<br />
Proposição 11 Se X1; X2; :::; Xn são variáveis aleatórias i.i.d. com função <strong>de</strong> dis-<br />
tribuição FX e função <strong>de</strong> <strong>de</strong>nsida<strong>de</strong> fX, então para k < l, temos<br />
fX (k);X (l) (x; y) =<br />
n(n 1)<br />
para x < y.<br />
n 2<br />
k 1<br />
Prova. (Em aula.)<br />
n k 1<br />
l k 1<br />
fX(x)fX(y) [FX(x)] k 1 [FX(y) FX(x)] l k 1 n l<br />
[1 FX(y)]<br />
Corolário 1 Se X1; X2; :::; Xn são variáveis aleatórias i.i.d. com função <strong>de</strong> dis-<br />
tribuição FX e função <strong>de</strong> <strong>de</strong>nsida<strong>de</strong> fX, então a <strong>de</strong>nsida<strong>de</strong> conjunta <strong>de</strong> U = min1 i n Xi<br />
e V = max1 i n Xi é dada por<br />
fU;V (u; v) = n(n 1) [FX(v) FX(u)] n 2 fX(u)fX(v), u < v<br />
0, caso contrário<br />
Prova. (Em aula.)<br />
37
Capítulo 3<br />
Esperança Matemática<br />
3.1 De…nição<br />
De…nição 24 Seja X uma variável aleatória com função <strong>de</strong> distribuição FX. A<br />
esperança <strong>de</strong> X, <strong>de</strong>notada E(X), é <strong>de</strong>…nida como<br />
E(X) =<br />
quando a integral está bem <strong>de</strong>…nida.<br />
Z1<br />
1<br />
xdFX(x) (3.1)<br />
Observação 20 (a) '(x) = x é contínua. A integral (3.1) é <strong>de</strong> Riemann-Stieltjes.<br />
Z1<br />
(b) A esperança está bem <strong>de</strong>…nida se pelo menos uma <strong>das</strong> integrais xdFX(x)<br />
ou<br />
Z0<br />
1<br />
xdFX(x) for …nita.<br />
Z1<br />
(c) Se ambas as integrais xdFX(x) e<br />
é integrável, ou seja, X é integrável se<br />
0<br />
E(jXj) =<br />
Z1<br />
1<br />
Z0<br />
1<br />
xdFX(x) forem …nitas, dizemos que X<br />
jxj dFX(x) < 1.<br />
(d) Se X é uma variável aleatória discreta tomando valores no conjunto fx1; x2; x3; :::g<br />
e com função <strong>de</strong> probabilida<strong>de</strong> p(xi) = P (X = xi), então<br />
E(X) =<br />
1X<br />
xip(xi).<br />
i=1<br />
38<br />
0
(e) Se X é uma variável aleatória contínua com função <strong>de</strong> <strong>de</strong>nsida<strong>de</strong> <strong>de</strong> probabilida<strong>de</strong><br />
fX(x), então<br />
então<br />
E(X) =<br />
Z1<br />
1<br />
xfX(x)dx<br />
(f) Se X é tal que sua função <strong>de</strong> distribuição se <strong>de</strong>compõe F = Fd + Fac + Fs,<br />
E(X) =<br />
1X<br />
xip(xi) +<br />
i=1<br />
Z1<br />
1<br />
xfX(x)dx +<br />
Z1<br />
1<br />
xdFs(x).<br />
Exercício 35 Um dado é lançado sucessivamente, até que a face 6 ocorra pela<br />
primeira vez. Seja X a variável que conta o número <strong>de</strong> lançamentos até a ocorrência<br />
do primeiro 6. Calcule a esperança <strong>de</strong> X.<br />
Exercício 36 Suponha que X seja uma variável aleatória com f.d.p. dada por<br />
(a) Obtenha o valor <strong>de</strong> C.<br />
(b) Obtenha a esperança <strong>de</strong> X.<br />
(c) Ache P (jXj 1).<br />
f(x) = C(9 x2 ), 3 x 3<br />
0, caso contrário<br />
3.1.1 Proprieda<strong>de</strong>s da Esperança Matemática<br />
1. E(C) = C, on<strong>de</strong> C é uma constante.<br />
2. Se a X b, então a E(X) b.<br />
3. E(aX b) = aE(X) b.<br />
4. E[X E(X)] = 0.<br />
5. Se X Y , então E(X) E(Y ).<br />
6. Se X é uma variável aleatória tal que 0 jXj Y , on<strong>de</strong> Y é variável aleatória<br />
integrável, então X é integrável.<br />
39
Exercício 37 Seja X uma variável aleatória simétrica em torno <strong>de</strong> , isto é, P fX<br />
+ xg = P fX xg para todo x 2 R. Mostre que se X é integrável, então<br />
E(X) = .<br />
Observe pelo exercício seguinte, que sem a hipótese <strong>de</strong> integrabilida<strong>de</strong>, o resul-<br />
tado não se veri…ca, pois:<br />
Exercício 38 Seja X uma variável aleatória Cauchy com parâmetros M e b, isto<br />
é, a <strong>de</strong>nsida<strong>de</strong> <strong>de</strong> X é dada por<br />
f(x) =<br />
b<br />
[b 2 + (x M) 2 ]<br />
para todo x 2 R, b > 0 e M 2 R. Mostre que M é ponto <strong>de</strong> simetria <strong>de</strong> X, mas<br />
E(X) não existe.<br />
Exercício 39 Sejam X e Y variáveis aleatórias in<strong>de</strong>pen<strong>de</strong>ntes com distribuição<br />
uniforme em [0; 1]. Sejam Z = min(X; Y ) e W = max(X; Y ). Calcule E(Z) e<br />
E(W ).<br />
Proposição 12 (Desigualda<strong>de</strong> <strong>de</strong> Jensen) Seja ' uma função convexa <strong>de</strong>…nida na<br />
reta. Se a variável aleatória X é integrável, então<br />
Prova. (Em aula)<br />
E['(X)] '[E(X)].<br />
Observação 21 Se ' é uma função côncava, então E['(X)] '[E(X)]. (Mostre<br />
isso!)<br />
Exemplo 29 Pela <strong>de</strong>sigualda<strong>de</strong> <strong>de</strong> Jensen, temos, por exemplo, que<br />
(a) E [jXj] jE(X)j.<br />
40
(b) E(X 2 ) E 2 (X).<br />
(c) E jXj p<br />
(d) E 1<br />
X<br />
(E jXj) p<br />
1<br />
EX .<br />
jEXj p . on<strong>de</strong> p 1.<br />
3.2 Esperanças <strong>de</strong> Funções <strong>de</strong> Variáveis Aleatórias<br />
De…nição 25 Seja X uma variável aleatória e (x) uma função real mensurável.<br />
Então a esperança da variável aleatória Y = (X) é dada por<br />
E(Y ) =<br />
Z1<br />
1<br />
ydF (X)(y).<br />
A fórmula acima nem sempre é muito fácil <strong>de</strong> ser usada, pois <strong>de</strong>vemos obter<br />
a distribuição <strong>de</strong> Y a partir da distribuição da variável X e só então obter E(Y ).<br />
No entanto é possível mostrar pela Teoria da Medida que a esperança da variável<br />
aleatória Y = (X) é dada por<br />
E (X) =<br />
Z1<br />
1<br />
ydF (X)(y) =<br />
Z1<br />
1<br />
(x)dFX(x)<br />
on<strong>de</strong> a existência <strong>de</strong> uma <strong>das</strong> integrais implica a existência da outra bem como a<br />
igualda<strong>de</strong> <strong>das</strong> duas. Ou seja,<br />
E[ (X)] =<br />
E[ (X)] =<br />
3.3 Momentos<br />
Z1<br />
1<br />
1X<br />
i=1<br />
(xi)p(xi) (se X é discreta)<br />
(x)fX(x)dx (se X é contínua)<br />
De…nição 26 Seja X uma variável aleatória. De…ne-se o k-ésimo momento or-<br />
dinário da variável aleatória X, mk, como<br />
mk = E(X k ) =<br />
41<br />
Z1<br />
1<br />
x k dFX(x).
Assim,<br />
mk =<br />
mk =<br />
1X<br />
i=1<br />
1<br />
Z<br />
1<br />
x k i P (X = xi) se X é v.a.d.<br />
x k fX(x)dx se X é v.a.c.<br />
De…nição 27 Seja X uma variável aleatória. De…ne-se o k-ésimo momento <strong>de</strong><br />
X em torno <strong>de</strong> b, Mk, como<br />
E[(X b) k ] =<br />
Z1<br />
1<br />
(x b) k dFX(x).<br />
De…nição 28 Seja X uma variável aleatória. De…ne-se o k-ésimo momento cen-<br />
tral da variável aleatória X, Mk, como<br />
Assim,<br />
Mk =<br />
Mk =<br />
Mk = E[(X E(X)) k ].<br />
1X<br />
[xi E(X)] k P (X = xi) se X é v.a.d.<br />
i=1<br />
1<br />
Z<br />
1<br />
[x E(X)] k fX(x)dx se X é v.a.c.<br />
De…nição 29 Seja X uma variável aleatória. De…ne-se a variância da variável<br />
aleatória X, <strong>de</strong>notada por V ar(X) ou 2 X , como<br />
V ar(X) = E[(X E(X)) 2 ].<br />
Observação 22 Observe que V ar(X) = E[(X E(X)) 2 ] = E[X 2 2XE(X) +<br />
E 2 (X)] = E[X 2 ] 2E 2 (X) + E 2 (X) = E(X 2 ) E 2 (X).<br />
3.3.1 Proprieda<strong>de</strong>s da Variância<br />
1. V ar(C) = 0, on<strong>de</strong> C é uma constante.<br />
2. V ar(aX b) = a 2 V ar(X).<br />
42
De…nição 30 De…ne-se o <strong>de</strong>svio-padrão da variável aleatória X, <strong>de</strong>notado por<br />
DP (X) ou X, como<br />
DP (X) = p V ar(X).<br />
Observação 23 Pelas <strong>de</strong>…nições acima, vemos que<br />
m1 = E(X)<br />
M1 = 0<br />
M2 = V ar(X) = m2 m 2 1.<br />
Proposição 13 (Desigualda<strong>de</strong> básica <strong>de</strong> Markov) Seja X uma variável aleatória<br />
não-negativa e seja > 0 uma constante. Então<br />
Prova. Em aula.<br />
P (X ) E(X) .<br />
Proposição 14 (Desigualda<strong>de</strong> <strong>de</strong> Markov) Seja X uma variável aleatória qualquer<br />
e seja > 0 uma constante. Então para todo t > 0,<br />
Prova. Em aula.<br />
P (jXj )<br />
E jXjt<br />
t .<br />
Proposição 15 (Desigualda<strong>de</strong> Clássica <strong>de</strong> Tchebychev) Seja X uma variável aleatória<br />
integrável e seja > 0 uma constante. Então<br />
Prova. Em aula.<br />
P (jX E(X)j )<br />
V ar(X)<br />
2 .<br />
Exercício 40 Suponha que X seja uma variável aleatória tal que P (X 0) = 1 e<br />
P (X 10) = 1.<br />
Mostre que E(X) 2.<br />
5<br />
43
Exercício 41 Suponha que X seja uma variável aleatória tal que E(X) = 10,<br />
P (X 7) = 0; 2 e P (X 13) = 0; 3. Prove que V ar(X) 9<br />
2 .<br />
Proposição 16 Se Z 0 e EZ = 0, então P fZ = 0g = 1, ou seja, Z = 0 quase<br />
certamente.<br />
Prova. Em aula.<br />
Observação 24 A proposição acima implica que, quando V arX = 0, então X é<br />
constante quase certamente, pois P fX = EXg = 1.<br />
3.4 Esperanças <strong>de</strong> Funções <strong>de</strong> Vetores Aleatórios<br />
Teorema 17 Seja X = (X1; X2; :::; Xn) um vetor aleatório em ( ; A; P ) e :<br />
R n ! R mensurável a Borel. Então<br />
E (X) =<br />
Z1<br />
1<br />
ydF (X)(y) =<br />
Z1<br />
1<br />
Z<br />
:::<br />
1<br />
1<br />
(x)dFX(x)<br />
on<strong>de</strong> a última integral é uma integral n-dimensional <strong>de</strong> Stieltjes.<br />
Prova. (Teoria da Medida)<br />
Observação 25 (i) Se X for discreto tomando valores em fx1; x2; :::g temos<br />
E (X) =<br />
1X<br />
i=1<br />
(xi)pX(xi).<br />
(<strong>ii</strong>) Se X for contínuo com <strong>de</strong>nsida<strong>de</strong> fX(x) temos<br />
E (X) =<br />
Z1<br />
1<br />
Z<br />
:::<br />
1<br />
1<br />
(x)fX(x)dx1:::dxn.<br />
(<strong>ii</strong>i) E[ 1(X) + ::: + n(X)] = E[ 1(X)] + ::: + E[ n(X)].<br />
44
Proposição 17 Se X1; X2; :::; Xn<br />
nY<br />
são variáveis aleatórias in<strong>de</strong>pen<strong>de</strong>ntes e integráveis,<br />
então Xi é integrável e<br />
i=1<br />
Prova. (Em aula)<br />
E [X1:X2:::Xn] =<br />
nY<br />
E[Xi].<br />
O exemplo a seguir nos mostra que a recíproca da proposição anterior não é<br />
sempre verda<strong>de</strong>ira, isto é, EXY = EX:EY não implica X e Y in<strong>de</strong>pen<strong>de</strong>ntes.<br />
Exemplo 30 Sejam X e Y variáveis aleatórias tomando valores 1; 0; 1 com dis-<br />
tribuição conjunta dada por p( 1; 1) = p( 1; 1) = p(1; 1) = p(1; 1) = p(0; 0) =<br />
1.<br />
Então EXY = EX:EY , mas X e Y não são in<strong>de</strong>pen<strong>de</strong>ntes, pois P (X = 0; Y =<br />
5<br />
0) 6= P (X = 0):P (Y = 0).<br />
De…nição 31 A covariância entre duas variáveis aleatórias X e Y é <strong>de</strong>…nida como<br />
i=1<br />
Cov(X; Y ) = E [(X EX) (Y EY )]<br />
= E [XY ] E [X] E [Y ]<br />
Duas variáveis aleatórias X e Y são ditas não-correlaciona<strong>das</strong> se Cov(X; Y ) =<br />
0. Segue-se que variáveis aleatórias in<strong>de</strong>pen<strong>de</strong>ntes são não-correlaciona<strong>das</strong>, mas<br />
a recíproca não é necessariamente verda<strong>de</strong>ira.<br />
Observação 26 Há certos casos em que não correlação implica em in<strong>de</strong>pendência.<br />
O caso mais importante é o da Normal: Se X e Y possuem distribuição conjunta nor-<br />
mal bivariada e são não-correlaciona<strong>das</strong>, então = 0 e como vimos anteriormente<br />
X e Y são in<strong>de</strong>pen<strong>de</strong>ntes.<br />
Proposição 18 A variância da variável aleatória Y = nP<br />
Xi é dada por<br />
V ar<br />
" nX<br />
i=1<br />
Xi<br />
#<br />
=<br />
i=1<br />
nX<br />
V ar [Xi] + 2 X<br />
Cov(Xi; Xj).<br />
i=1<br />
45<br />
i
Prova. (Em aula)<br />
Corolário 2 Se X1; X2; :::; Xn são variáveis aleatórias não-correlaciona<strong>das</strong>, então<br />
"<br />
nX<br />
#<br />
nX<br />
V ar = V ar [Xi] .<br />
Prova. (Em aula)<br />
i=1<br />
De…nição 32 Dada uma variável aleatória X, a variável aleatória Z =<br />
Xi<br />
i=1<br />
X EX<br />
uma padronização <strong>de</strong> X (também chamada <strong>de</strong> redução ou normalização <strong>de</strong> X).<br />
Observe que EZ = 0 e V arZ = 1.<br />
De…nição 33 Chama-se coe…ciente <strong>de</strong> correlação entre X e Y, <strong>de</strong>notado por<br />
X;Y ou (X; Y ), a correlação entre as sua variáveis padroniza<strong>das</strong>, isto é,<br />
X;Y =<br />
Cov(X; Y )<br />
X: Y<br />
= E<br />
X EX<br />
X<br />
Y EY<br />
Exercício 42 Mostre que (X; Y ) = (aX + b; cY + d) para a > 0 e c > 0.<br />
X e Y.<br />
A proposição seguinte nos informa que X;Y representa a <strong>de</strong>pendência linear entre<br />
Proposição 19 Sejam X e Y variáveis aleatórias com variâncias …nitas e positivas.<br />
Então:<br />
(i) 1 X;Y 1.<br />
(<strong>ii</strong>) X;Y = 1 se e somente se P fY = aX + bg = 1 para algum a > 0 e b 2 R.<br />
(<strong>ii</strong>i) X;Y = 1 se e somente se P fY = aX + bg = 1 para algum a < 0 e b 2 R.<br />
Prova. (Em aula)<br />
Proposição 20 (Desigualda<strong>de</strong> <strong>de</strong> Cauchy-Schwarz) E jXY j p EX 2p EY 2 .<br />
Prova. (Em aula)<br />
46<br />
Y<br />
.<br />
X<br />
é
3.5 A Função Geratriz <strong>de</strong> Momentos<br />
De…nição 34 Seja X uma variável aleatória. De…ne-se a função geratriz <strong>de</strong><br />
momentos <strong>de</strong> X, mX(t), como<br />
Assim,<br />
mX(t) =<br />
mX(t) =<br />
mX(t) = E[e tX ], com t 2 R.<br />
1X<br />
e txiP (X = xi) se X é v.a.d.<br />
i=1<br />
1<br />
Z<br />
1<br />
e tx fX(x)dx se X é v.a.c.<br />
Proprieda<strong>de</strong>s da Função Geratriz <strong>de</strong> Momentos<br />
1. mX(0) = E[e 0 ] = E[1] = 1.<br />
2. Se X tem função geratriz <strong>de</strong> momentos mX(t) e se Y = aX + b, então<br />
mY (t) = e bt mX(at).<br />
3. Se X tem função geratriz <strong>de</strong> momentos mX(t), então<br />
ou seja<br />
dk dtk mX(t) = E[X<br />
t=0<br />
k ].<br />
d k<br />
dt k mX(0) = mk (o k-ésimo momento ordinário <strong>de</strong> X).<br />
4. A função geratriz <strong>de</strong> momentos <strong>de</strong>…ne <strong>de</strong> forma unívoca a distribuição da<br />
variável aleatória, ou seja, dada m(t) existe apenas uma função <strong>de</strong> distribuição F (x)<br />
que a gera. No entanto, se mX(t) = mY (t), então po<strong>de</strong>mos apenas a…rmar que as<br />
variáveis X e Y têm a mesma distribuição, mas X e Y po<strong>de</strong>m ser diferentes com<br />
probabilida<strong>de</strong> 1. Para ver isto, suponha que X N (0; 1) e seja Y = X. Então<br />
Y N (0; 1) e, portanto, mX(t) = mY (t), mas P (X = Y ) = P (X = X) = P (X =<br />
0) = 0, ou seja P (X 6= Y ) = 1.<br />
47
De…nição 35 Seja X = (X1; X2; :::; Xn) um vetor aleatório. De…ne-se a função<br />
geratriz <strong>de</strong> momentos <strong>de</strong> X, mX(t1; :::; tn), como<br />
mX(t1; :::; tn) = E[exp ft1X1 + ::: + tnXng], com (t1; :::; tn) 2 R n .<br />
Observação 27 (i) mX(0; :::; 0) = E[e 0 ] = E[1] = 1.<br />
(<strong>ii</strong>) Se X tem função geratriz <strong>de</strong> momentos mX(t1; :::; tn), então<br />
@ k1+k2+:::+kn<br />
@t k1<br />
1 @t k2<br />
2 :::@t kn<br />
n<br />
mX(t1; t2; :::; tn)<br />
t=0<br />
= E[X k1<br />
1 X k2<br />
2 :::X kn<br />
n ].<br />
Exercício 43 Seja X a variável aleatória que conta o número <strong>de</strong> lançamentos <strong>de</strong><br />
uma moeda honesta até que ocorra a primeira cara. Ache a função geratriz <strong>de</strong><br />
momentos <strong>de</strong> X e use-a para calcular E(X) e V ar(X).<br />
Exercício 44 Seja X uma variável aleatória contínua com função <strong>de</strong> <strong>de</strong>nsida<strong>de</strong> <strong>de</strong><br />
probabilida<strong>de</strong> dada por<br />
(<br />
1 x<br />
e 5 , se x 0<br />
fX(x) = 5<br />
0, caso contrário<br />
Ache a função geratriz <strong>de</strong> momentos <strong>de</strong> X e use-a para calcular E(X) e V ar(X).<br />
Exercício 45 Suponha que X seja uma variável aleatória com função geratriz <strong>de</strong><br />
momentos dada por<br />
Ache a esperança e a variância <strong>de</strong> X.<br />
mX(t) = e t2 +3t , 1 < t < 1.<br />
Exercício 46 Seja Y uma variável aleatória contínua com função <strong>de</strong> <strong>de</strong>nsida<strong>de</strong> <strong>de</strong><br />
probabilida<strong>de</strong> dada por<br />
fY (y) = ye y , se y > 0<br />
0, caso contrário<br />
Ache a função geratriz <strong>de</strong> momentos <strong>de</strong> Y e use-a para calcular E(Y ) e V ar(Y ).<br />
48
Teorema 18 Sejam X1; X2; :::; Xn v.a.’s in<strong>de</strong>pen<strong>de</strong>ntes e para i = 1; 2; :::; n, seja<br />
mXi (t) a função geratriz <strong>de</strong> momentos <strong>de</strong> Xi. Seja Y = X1 + X2 + ::: + Xn, então<br />
para todo valor <strong>de</strong> t tal que mXi (t) existe para i = 1; 2; :::; n, temos<br />
Prova. (Em aula.)<br />
mY (t) =<br />
nY<br />
i=1<br />
mXi (t).<br />
Exercício 47 Suponha que X e Y sejam in<strong>de</strong>pen<strong>de</strong>ntes e i<strong>de</strong>nticamente distribuí<strong>das</strong><br />
e que a f.g.m. <strong>de</strong> cada uma seja dada por<br />
mX(t) = mY (t) = e3t<br />
, para t > 1=2.<br />
1 + 2t<br />
Ache a f.g.m. da variável aleatória Z = 3X Y + 4.<br />
Exemplo 31 Suponha um experimento realizado uma única vez tendo probabilida<strong>de</strong><br />
p <strong>de</strong> sucesso e q = 1 p <strong>de</strong> fracasso. Denote a variável aleatória X = 0 se fra-<br />
casso ocorre e X = 1 se sucesso ocorre. Então a variável aleatória X é dita ter<br />
distribuição <strong>de</strong> Bernoulli com parâmetro p, representado por X Ber(p), e sua<br />
função <strong>de</strong> probabilida<strong>de</strong> é dada por<br />
Assim se X Ber(p), então<br />
P (X = x) = p x (1 p) 1 x , x = 0; 1.<br />
mX(t) = pe t + q,<br />
E(X) = p,<br />
V ar(X) = pq.<br />
Exemplo 32 Sejam n ensaios in<strong>de</strong>pen<strong>de</strong>ntes <strong>de</strong> Bernoulli, cada um tendo a mesma<br />
probabilida<strong>de</strong> p <strong>de</strong> sucesso e q = 1 p <strong>de</strong> fracasso. Seja X a variável aleatória que<br />
49
conta o número <strong>de</strong> sucessos nas n realizações. A variável aleatória X é dita ter<br />
distribuição Binomial com parâmetros n e p, <strong>de</strong>notado por X B(n; p), e sua<br />
função <strong>de</strong> probabilida<strong>de</strong> é dada por<br />
P (X = x) = n<br />
x<br />
(a) Se X B(n; p), então<br />
(b) Se Xi<br />
::: + Xn B(n; p).<br />
p x q n x , x = 0; 1; 2; 3; :::; n.<br />
mX(t) = (pe t + q) n ,<br />
E(X) = np,<br />
V ar(X) = npq.<br />
Ber(p), para i = 1; 2; :::; n, in<strong>de</strong>pen<strong>de</strong>ntes, então X = X1 + X2 +<br />
(c) Se Xi B(ni; p), para i = 1; 2; :::; k, in<strong>de</strong>pen<strong>de</strong>ntes, então X = X1 + X2 +<br />
::: + Xk B( P k<br />
i=1 ni; p).<br />
Exemplo 33 Sejam ensaios sucessivos e in<strong>de</strong>pen<strong>de</strong>ntes <strong>de</strong> Bernoulli, cada um tendo<br />
a mesma probabilida<strong>de</strong> p <strong>de</strong> sucesso e q = 1 p <strong>de</strong> fracasso. Seja X a variável<br />
aleatória que conta o número <strong>de</strong> realizações até que o primeiro sucesso ocorra. A<br />
variável aleatória X é dita ter distribuição Geométrica com parâmetro p, <strong>de</strong>no-<br />
tado por X Geo(p), e sua função <strong>de</strong> probabilida<strong>de</strong> é dada por<br />
Assim, se X Geo(p), então<br />
P (X = x) = q x 1 p, x = 1; 2; 3; 4; :::<br />
mX(t) =<br />
pet ,<br />
1 qet para t < ln q<br />
E(X) = 1<br />
p ,<br />
V ar(X) = q<br />
.<br />
p2 50
Exercício 48 As cinco primeiras repetições <strong>de</strong> um experimento custam R$ 10; 00<br />
cada. To<strong>das</strong> as repetições subseqüentes custam R$ 5; 00 cada. Suponha que o experi-<br />
mento seja repetido até que o primeiro sucesso ocorra. Se a probabilida<strong>de</strong> <strong>de</strong> sucesso<br />
<strong>de</strong> uma repetição é igual a 0; 9, e se as repetições são in<strong>de</strong>pen<strong>de</strong>ntes, qual é custo<br />
esperado da operação?<br />
Exemplo 34 Sejam ensaios sucessivos e in<strong>de</strong>pen<strong>de</strong>ntes <strong>de</strong> Bernoulli, cada um tendo<br />
a mesma probabilida<strong>de</strong> p <strong>de</strong> sucesso e q = 1 p <strong>de</strong> fracasso. Seja X a variável<br />
aleatória que conta o número <strong>de</strong> realizações até que o r-ésimo sucesso ocorra. A<br />
variável aleatória X é dita ter distribuição Binomial Negativa com parâmetros<br />
r e p, <strong>de</strong>notado por X BN(r; p), e sua função <strong>de</strong> probabilida<strong>de</strong> é dada por<br />
P (X = x) =<br />
x 1<br />
r 1<br />
Para enten<strong>de</strong>r o resultado acima, observe que se Xi<br />
p r q x r , x = r; r + 1; r + 2; r + 3; :::.<br />
in<strong>de</strong>pen<strong>de</strong>ntes então X = X1 + X2 + ::: + Xr BN(r; p).<br />
Assim, se X BN(r; p), então<br />
mX(t) =<br />
E(X) = r<br />
p ,<br />
V ar(X) = rq<br />
.<br />
p2 pe t<br />
1 qe t<br />
r<br />
, para t < ln q<br />
Geo(p), para i = 1; 2; :::; r,<br />
Exercício 49 Deseja-se colocar três satélites em órbitas em torno da terra. Em<br />
cada tentativa, a probabilida<strong>de</strong> <strong>de</strong> um bem sucedido lançamento <strong>de</strong> satélite é <strong>de</strong> 0; 8.<br />
Suponha que tentativas <strong>de</strong> lançamento sejam feitas até que os três satélites entrem<br />
em órbita.<br />
(a) Qual é a probabilida<strong>de</strong> <strong>de</strong> que exatamente 5 tentativas sejam necessárias?<br />
(b) Qual o número esperado <strong>de</strong> lançamentos até que isso ocorra?<br />
51
Exemplo 35 Seja X uma variável aleatória <strong>de</strong>…nida em f0; 1; 2; 3; :::g tendo função<br />
<strong>de</strong> probabilida<strong>de</strong> dada por<br />
P (X = x) = e<br />
x!<br />
x<br />
, para x = 0; 1; 2; 3; ::: e > 0.<br />
Então X é dita ter distribuição <strong>de</strong> Poisson <strong>de</strong> parâmetro , X P( ).<br />
(a) Se X P( ), então<br />
mX(t) = e (et 1) ,<br />
E(X) = ,<br />
V ar(X) = .<br />
(b) Se Xi P( i), para i = 1; 2; :::; n, in<strong>de</strong>pen<strong>de</strong>ntes, então X = X1 + X2 + ::: +<br />
Xn P( P n<br />
i=1 i).<br />
(c) Quando temos agora um processo fXtg t 0 que conta o número <strong>de</strong> ocorrências<br />
no intervalo [0; t], então dizemos que Xt é um processo <strong>de</strong> Poisson se sua distribuição<br />
em [0; t] é P( t), ou seja,<br />
P (Xt = x) = e t ( t) x<br />
x!<br />
, para x = 0; 1; 2; 3; ::: e > 0.<br />
Exercício 50 O número <strong>de</strong> petroleiros que chegam a uma re…naria em cada dia<br />
ocorre a uma taxa média <strong>de</strong> 2. As atuais instalações po<strong>de</strong>m aten<strong>de</strong>r, no máximo, a<br />
três petroleiros por dia. Se mais <strong>de</strong> três aportarem num dia, o excesso é enviado a<br />
outro porto.<br />
(a) Em um dia, qual a probabilida<strong>de</strong> <strong>de</strong> se enviar petroleiros para outro porto?<br />
(b) De quanto <strong>de</strong>verão ser aumenta<strong>das</strong> as instalações para permitir aten<strong>de</strong>r a<br />
todos os navios que chegarem pelo menos em 95% dos dias?<br />
Exemplo 36 Diz-se que a variável aleatória X tem distribuição uniforme no inter-<br />
valo [a; b], <strong>de</strong>notado por X U[a; b] se sua função <strong>de</strong> <strong>de</strong>nsida<strong>de</strong> <strong>de</strong> probabilida<strong>de</strong> é<br />
52
dada por<br />
Assim, se X U[a; b], então<br />
(<br />
1<br />
, se a x b<br />
fX(x) = b a<br />
0, caso contrário.<br />
mX(t) = ebt e at<br />
t(b a) .<br />
Exemplo 37 Diz-se que a variável aleatória X tem distribuição exponencial com<br />
parâmetro , <strong>de</strong>notado por X Exp( ), se a função <strong>de</strong> <strong>de</strong>nsida<strong>de</strong> <strong>de</strong> probabilida<strong>de</strong><br />
<strong>de</strong> X é dada por<br />
fX(x) =<br />
(a) Assim se X Exp( ) então<br />
mX(t) =<br />
E(X) = 1<br />
V ar(x) = 1 2<br />
e x , x 0<br />
0, caso contrário<br />
t<br />
, para t <<br />
(b) Se Xt é um processo <strong>de</strong> Poisson com parâmetro t e T é a variável aleatória<br />
representando o tempo <strong>de</strong> espera entre as ocorrências do processo Xt, então T<br />
Exp( ).<br />
Exercício 51 Suponha que a vida útil <strong>de</strong> certo tipo <strong>de</strong> lâmpada tenha distribuição<br />
exponencial com parâmetro = 3, quando a vida é expressa em dias. Uma lâmpada<br />
solitária é ligada em uma sala no instante t=0. Um dia <strong>de</strong>pois, você entra na sala<br />
e …ca ali durante 8 horas, saindo no …nal <strong>de</strong>sse período.<br />
(a) Qual a probabilida<strong>de</strong> <strong>de</strong> que você entre na sala quando já está escura?<br />
(b) Qual a probabilida<strong>de</strong> <strong>de</strong> você entrar na sala com a lâmpada ainda acesa e sair<br />
<strong>de</strong>pois <strong>de</strong> a lâmpada queimar?<br />
53
Exemplo 38 Diz-se que X Gama( ; ), se sua f.d.p. é dada por<br />
f(x) = ( ) x 1 exp [ x] para x > 0,<br />
on<strong>de</strong> ( ) = R 1<br />
0 x 1 e x dx, lembrando que ( ) = ( 1) ( 1) <strong>de</strong> modo que se<br />
n 2 N, então (n) = (n 1)!. Além disso, temos ( 1<br />
2 ) = p .<br />
(a) Assim, se X Gama( ; ), então<br />
mX(t) =<br />
E(X) =<br />
V ar(x) = 2<br />
t<br />
, para t <<br />
(b) Se Xi Gama( i; ), para i = 1; 2; :::; n, in<strong>de</strong>pen<strong>de</strong>ntes, então X = X1 +<br />
X2 + ::: + Xn Gama( P n<br />
i=1 i; ).<br />
(c) Se Xi Exp( ), para i = 1; 2; :::; n, in<strong>de</strong>pen<strong>de</strong>ntes, então X = X1 + X2 +<br />
::: + Xn Gama(n; ).<br />
Exemplo 39 Diz-se que a variável aleatória X tem distribuição Qui-Quadrado com<br />
2 n graus <strong>de</strong> liberda<strong>de</strong> (X n) se X Gama( n 1 ; 2 2 ).<br />
Y<br />
2<br />
n.<br />
(a) Assim, se X<br />
(b) Se Xi<br />
2 n, então<br />
mX(t) =<br />
E(X) = n<br />
V ar(x) = 2n<br />
1<br />
1 2t<br />
n<br />
2<br />
, para t < 1<br />
2<br />
2<br />
1, para i = 1; 2; :::; n, in<strong>de</strong>pen<strong>de</strong>ntes, então X = X1+X2+:::+Xn<br />
2 (c) Se X + Y = Z, com X e Y in<strong>de</strong>pen<strong>de</strong>ntes com X n1 e Z 2<br />
n1+n2 , então<br />
2 n2 .<br />
54
Exemplo 40 Diz-se que a variável aleatória Z tem distribuição normal (ou Gaus-<br />
siana) padrão com média zero e variância 1, <strong>de</strong>notado por Z N (0; 1), se a função<br />
<strong>de</strong> <strong>de</strong>nsida<strong>de</strong> <strong>de</strong> probabilida<strong>de</strong> <strong>de</strong> Z é dada por<br />
(a) Assim, se Z N (0; 1), então<br />
fZ(z) = 1<br />
p 2 e z2<br />
2 , 1 < z < 1<br />
mZ(t) = e t2<br />
2<br />
E(Z) = 0<br />
V ar(Z) = 1<br />
(b) Se Z N (0; 1), então Y = Z 2 2 1.<br />
(c) Se Zi<br />
::: + Z 2 n<br />
2<br />
n.<br />
N (0; 1), para i = 1; 2; :::; n, in<strong>de</strong>pen<strong>de</strong>ntes, então Y = Z 2 1 + Z 2 2 +<br />
Exemplo 41 Diz-se que a variável aleatória X tem distribuição normal (ou Gaus-<br />
siana) com média e variância 2 , <strong>de</strong>notado por X N ( ; 2 ), se a função <strong>de</strong><br />
<strong>de</strong>nsida<strong>de</strong> <strong>de</strong> probabilida<strong>de</strong> <strong>de</strong> X é dada por<br />
fX(x) = 1 p 2 e<br />
(a) Se X N ( ; 2 ), então Z = X<br />
(b) Assim, se X N ( ; 2 ), então<br />
mX(t) = e<br />
E(X) =<br />
V ar(X) = 2 .<br />
(x )2<br />
2 2 , 1 < x < 1<br />
N (0; 1).<br />
t+ 1<br />
2 2 t 2<br />
(c) Se Xi N ( i; 2 i ), para i = 1; 2; :::; n, in<strong>de</strong>pen<strong>de</strong>ntes, então X = X1 + X2 +<br />
::: + Xn N ( P n<br />
i=1 i; P n<br />
i=1<br />
2<br />
i ).<br />
55
(d) Se Xi N ( ; 2 ), para i = 1; 2; :::; n, in<strong>de</strong>pen<strong>de</strong>ntes, então X = X1 + X2 +<br />
::: + Xn N (n ; n 2 ).<br />
N ( ;<br />
(e) Se Xi N ( ; 2 ), para i = 1; 2; :::; n, in<strong>de</strong>pen<strong>de</strong>ntes, então Xn = X1+X2+:::+Xn<br />
2<br />
n<br />
n ).<br />
(f) Se Xi N ( i; 2 i ), para i = 1; 2; :::; n, in<strong>de</strong>pen<strong>de</strong>ntes, então X = a1X1 +<br />
a2X2 + ::: + anXn + b N ( P n<br />
i=1 ai i + b; P n<br />
i=1 a2 i<br />
(g) Se Xi N ( ; 2 ), para i = 1; 2; :::; n, in<strong>de</strong>pen<strong>de</strong>ntes, então (n 1)S 2<br />
2<br />
n 1, on<strong>de</strong> S2 =<br />
P n<br />
i=1 Xi Xn<br />
n 1<br />
2<br />
2<br />
i ).<br />
(a variância amostral). Observe também que<br />
E (S 2 ) = 2 , daí a correção da variância amostral para a divisão dos <strong>de</strong>svios-<br />
quadráticos por n 1 ao invés <strong>de</strong> n.<br />
Exemplo 42 A distribuição dos comprimentos dos elos da corrente <strong>de</strong> bicicleta é<br />
normal, com média 2 cm e variância 0; 01 cm 2 . Para que uma corrente se ajuste à<br />
bicicleta, <strong>de</strong>ve ter comprimento total entre 58 e 61 cm. Qual é a probabilida<strong>de</strong> <strong>de</strong><br />
uma corrente com 30 elos não se ajustar à bicicleta?<br />
Exercício 52 As durações <strong>de</strong> gravi<strong>de</strong>z têm distribuição normal com média <strong>de</strong> 268<br />
dias e <strong>de</strong>svio-padrão <strong>de</strong> 15 dias.<br />
(a) Selecionada aleatoriamente uma mulher grávida, <strong>de</strong>termine a probabilida<strong>de</strong><br />
<strong>de</strong> que a duração <strong>de</strong> sua gravi<strong>de</strong>z seja inferior a 260 dias.<br />
(b) Se 25 mulheres escolhi<strong>das</strong> aleatoriamente são submeti<strong>das</strong> a uma dieta es-<br />
pecial a partir do dia em que engravidam, <strong>de</strong>termine a probabilida<strong>de</strong> <strong>de</strong> os prazos<br />
<strong>de</strong> duração <strong>de</strong> suas gravi<strong>de</strong>zes terem média inferior a 260 dias (admitindo-se que a<br />
dieta não produza efeito).<br />
(c) Se as 25 mulheres têm realmente média inferior a 260 dias, há razão <strong>de</strong><br />
preocupação para os médicos <strong>de</strong> pré-natal? Justi…que a<strong>de</strong>quadamente.<br />
56<br />
2
Exercício 53 O peso <strong>de</strong> uma <strong>de</strong>terminada fruta é uma variável aleatória com dis-<br />
tribuição normal com média <strong>de</strong> 200 gramas e <strong>de</strong>svio-padrão <strong>de</strong> 50 gramas. Determine<br />
a probabilida<strong>de</strong> <strong>de</strong> um lote contendo 100 unida<strong>de</strong>s <strong>de</strong>ssa fruta pesar mais que 21 kg.<br />
Exercício 54 Um elevador po<strong>de</strong> suportar uma carga <strong>de</strong> 10 pessoas ou um peso total<br />
<strong>de</strong> 1750 libras. Assumindo que apenas homens tomam o elevador e que seus pesos<br />
são normalmente distribuídos com média 165 libras e <strong>de</strong>svio-padrão <strong>de</strong> 10 libras,<br />
qual a probabilida<strong>de</strong> <strong>de</strong> que o peso limite seja excedido para um grupo <strong>de</strong> 10 homens<br />
escolhidos aleatoriamente?<br />
Exemplo 43 Um vetor X = (X1; X2; :::; Xn) T é dito ter distribuição normal multi-<br />
variada com média = ( 1; 2; :::; n) T 2R n e matriz <strong>de</strong> covariância = [ ij] on<strong>de</strong><br />
ij = Cov(Xi; Xj) com matriz simétrica n n positiva <strong>de</strong>…nida e não-singular,<br />
se a função <strong>de</strong> <strong>de</strong>nsida<strong>de</strong> <strong>de</strong> X é dada por<br />
(<br />
1<br />
1<br />
fX(x) = exp<br />
2 x<br />
(2 ) n<br />
2 j j 1<br />
2<br />
(a) Se X N ( ; ), então<br />
mX(t) = exp<br />
T<br />
1 x<br />
T t+ 1<br />
2 tT t .<br />
)<br />
, para x 2R n .<br />
(b) Quando n = 2, então X = (X1; X2) T é dito ter distribuição normal bivariada<br />
e sua <strong>de</strong>nsida<strong>de</strong> é dada por<br />
=<br />
fX(x1; x2)<br />
2<br />
1<br />
p<br />
1 2 1 2 :<br />
(<br />
"<br />
: exp<br />
1<br />
2 (1 2 )<br />
x1 1<br />
1<br />
2<br />
2<br />
x1 1<br />
1<br />
x2 2<br />
2<br />
+ x2 2<br />
on<strong>de</strong> 2 1 = V ar(X1) > 0, 2 2 = V ar(X2) > 0, 1 < < 1 com = (X1; X2) o<br />
coe…ciente <strong>de</strong> correlação entre X1 e X2, 1 = E(X1) 2 R e 2 = E(X2) 2 R. Assim<br />
mX(t1; t2) = E e t1X1+t2X2<br />
(<br />
= exp 1t1 + 2t2+ 1<br />
2X 2X<br />
)<br />
titj ij<br />
2<br />
57<br />
i=1<br />
j=1<br />
2<br />
2 #)
on<strong>de</strong> = [ ij] on<strong>de</strong> ij = Cov(Xi; Xj).<br />
(b.1) A f.g.m <strong>de</strong> X1 é dada por<br />
mX1(t1) = mX(t1; 0)<br />
= exp 1t1+ 1<br />
2 t2 1 11<br />
= exp 1t1+ 1<br />
2 t2 1 2 1<br />
Logo a marginal <strong>de</strong> X1 é normal com média 1 e variância 2 1.<br />
(b.2) A f.g.m <strong>de</strong> X2 é dada por<br />
mX2(t2) = mX(0; t2)<br />
= exp 2t2+ 1<br />
2 t2 2 22<br />
= exp 2t2+ 1<br />
2 t2 2 2 2<br />
Logo a marginal <strong>de</strong> X2 é normal com média 2 e variância 2 2.<br />
Exemplo 44 Diz-se que a variável aleatória X tem distribuição Beta com parâmet-<br />
ros e ( > 0 e > 0), <strong>de</strong>notado por X Beta( ; ),se a função <strong>de</strong> <strong>de</strong>nsida<strong>de</strong><br />
<strong>de</strong> probabilida<strong>de</strong> <strong>de</strong> X é dada por<br />
8<br />
<<br />
fX(x) =<br />
:<br />
( + )<br />
( ) ( ) x 1 (1 x) 1 , 0 < x < 1<br />
0, c.c.<br />
(a) Assim, R 1<br />
0 x 1 (1 x) 1 dx = ( ) ( )<br />
( + ) .<br />
(b) Se X Beta( ; ), então<br />
E(X) =<br />
+<br />
V ar(X) = ( + ) 2 ( + + 1) .<br />
(A função geratriz <strong>de</strong> momentos não é útil nesse caso.)<br />
(c) Se X Beta(1; 1), então X U (0; 1).<br />
58
Exemplo 45 Diz-se que a variável aleatória X tem distribuição t-Stu<strong>de</strong>nt com n<br />
graus <strong>de</strong> liberda<strong>de</strong>, <strong>de</strong>notado por X tn Stu<strong>de</strong>nt,se a função <strong>de</strong> <strong>de</strong>nsida<strong>de</strong> <strong>de</strong><br />
probabilida<strong>de</strong> <strong>de</strong> X é dada por<br />
fX(x) =<br />
( n+1<br />
2 )<br />
(n ) 1=2<br />
( n<br />
x2<br />
+<br />
)(1 2<br />
n ) (n+1)=2 , para x 2 R<br />
(a) Se X t1 Stu<strong>de</strong>nt, então X é dita ter distribuição <strong>de</strong> Cauchy-Padrão.<br />
Assim se X Cauchy P adr~ao, então<br />
fX(x) =<br />
1<br />
(1 + x2 , para x 2 R<br />
)<br />
Observação: Já vimos que se X Cauchy P adr~ao, então X não possui média.<br />
Logo não existe esperança matemática para a distribuição t-Stu<strong>de</strong>nt com 1 grau <strong>de</strong><br />
liberda<strong>de</strong>.<br />
(b) Se Z N (0; 1) e W 2 n são variáveis aleatórias in<strong>de</strong>pen<strong>de</strong>ntes, então<br />
X =<br />
Z<br />
W<br />
n<br />
1=2<br />
tn Stu<strong>de</strong>nt.<br />
h<br />
(c) Se X tn Stu<strong>de</strong>nt, com n > 1, então E jXj ki<br />
< 1 para k < n e<br />
h<br />
E jXj ki<br />
= 1 para k n. Em outras palavras, os primeiros n 1 momentos<br />
existem, mas os momentos <strong>de</strong> or<strong>de</strong>m superior a n 1 não existem. Com isso, X<br />
não possui função geratriz <strong>de</strong> momentos. Além disso, para n > 1,<br />
N ( ;<br />
n<br />
) e (n 1)S2<br />
2<br />
E [X] = 0<br />
V ar [X] =<br />
n<br />
n 2 .<br />
2 (d) Se Xi N ( ; ), para i = 1; 2; :::; n, in<strong>de</strong>pen<strong>de</strong>ntes, então vimos que Xn<br />
2<br />
2<br />
n 1, on<strong>de</strong> Xn = X1+X2+:::+Xn e S n<br />
2 Pn i=1<br />
=<br />
Xi<br />
2<br />
Xn<br />
n 1<br />
Po<strong>de</strong>-se mostrar que Xn e S 2 são in<strong>de</strong>pen<strong>de</strong>ntes. Com isso, tendo em mente que<br />
Xn<br />
p n<br />
N (0; 1) e<br />
59<br />
(n 1)S2<br />
2<br />
2<br />
n 1<br />
.
temos<br />
Assim<br />
T =<br />
Xn<br />
p n<br />
0<br />
(n 1)S<br />
B<br />
@<br />
2 1<br />
n<br />
2<br />
1<br />
C<br />
A<br />
T = Xn<br />
S<br />
p n<br />
1=2<br />
= Xn<br />
p n<br />
tn 1 Stu<strong>de</strong>nt.<br />
: S = Xn<br />
S<br />
p n<br />
Exercício 55 Seja X1; X2; :::; Xn uma amostra aleatória retirada <strong>de</strong> uma população<br />
com distribuição normal com média e variância 2 . Então:<br />
(a) Se é <strong>de</strong>sconhecida e 2 é conhecida, o intervalo <strong>de</strong> con…ança para a média<br />
populacional com 1 <strong>de</strong> probabilida<strong>de</strong> ( é dito o nível <strong>de</strong> con…ança) é dado por<br />
P Xn p n z =2 Xn + p n z =2 = 1 .<br />
on<strong>de</strong> z =2 é o valor encontrado na tabela da normal padrão tal que 1 =2 = P (Z<br />
z =2).<br />
(b) Se é <strong>de</strong>sconhecida e 2 é <strong>de</strong>sconhecida, o intervalo <strong>de</strong> con…ança para a<br />
média populacional com 1 <strong>de</strong> probabilida<strong>de</strong> ( é dito o nível <strong>de</strong> con…ança) é<br />
dado por<br />
P Xn<br />
S<br />
p n tn 1; =2 Xn + S p n tn 1; =2 = 1 .<br />
on<strong>de</strong> tn 1; =2 é o valor encontrado na tabela da t-Stu<strong>de</strong>nt com n 1 graus <strong>de</strong> liberda<strong>de</strong><br />
tal que 1 =2 = P (T tn 1; =2).<br />
(c) O intervalo <strong>de</strong> con…ança para 2 é dado por<br />
P<br />
(n 1)S 2<br />
2<br />
n 1;1 =2<br />
2 (n 1)S 2<br />
2<br />
n 1; =2<br />
!<br />
= 1 .<br />
on<strong>de</strong> 2 n 1; =2 é o valor encontrado na tabela da Qui-Quadrado com n 1 graus <strong>de</strong><br />
liberda<strong>de</strong> tal que =2 = P ( 2 n 1; =2 ).<br />
60
Exempli…cação do resultado acima: Suponha que o peso <strong>de</strong> um <strong>de</strong>termi-<br />
nado produto produzido por uma fábrica tenha distribuição normal com média e<br />
variância 2 ambas <strong>de</strong>sconheci<strong>das</strong>. Uma amostra aleatória <strong>de</strong> tamanho 10 <strong>de</strong>ssa<br />
produção é retirada tendo sido obtidos os seguintes resultados: P 10<br />
i=1 xi = 159 e<br />
P 10<br />
i=1 x2 i = 2531. Assim, temos<br />
xn = 15; 9 e s = 0; 57.<br />
Desejamos construir um intervalo <strong>de</strong> con…ança para e 2 com 95% <strong>de</strong> con…abili-<br />
da<strong>de</strong>. Então para temos<br />
Assim:<br />
P 15; 9<br />
P x10<br />
Agora para 2 temos<br />
S<br />
p 10 t9;0;25 x10 + S<br />
p 10 t9;0;975 = 0; 95<br />
0; 57<br />
0; 57<br />
p (2; 262) 15; 9 + p (2; 262) = 0; 95<br />
10 10<br />
P<br />
P (15; 49 16; 31) = 0; 95.<br />
9s 2<br />
2<br />
9;0;975<br />
2<br />
9s 2<br />
2<br />
9;0;025<br />
= 0; 95<br />
Os valores tabelados são: 2 9;0;975 = 19; 0 e 2 9;0;025 = 2; 7. Com isso<br />
ou seja<br />
P<br />
9 (0; 57) 2<br />
19<br />
P 0; 15<br />
2<br />
2<br />
9 (0; 57) 2<br />
!<br />
= 0; 95<br />
2; 7<br />
1; 07 = 0; 95.<br />
Exemplo 46 Diz-se que a variável aleatória X tem distribuição F-Sne<strong>de</strong>cor com<br />
m e n graus <strong>de</strong> liberda<strong>de</strong>, <strong>de</strong>notado por X F (m; n), se a função <strong>de</strong> <strong>de</strong>nsida<strong>de</strong> <strong>de</strong><br />
probabilida<strong>de</strong> <strong>de</strong> X é dada por<br />
8<br />
<<br />
fX(x) = (<br />
:<br />
m n ) ( 2<br />
0, c.c.<br />
1(m<br />
+ n)<br />
2<br />
2 ) mm=2nn=2 (m=2) 1 x<br />
(mx + n)<br />
61<br />
(m+n)=2 , para x > 0
(a) Se U 2 m e V 2 n são variáveis in<strong>de</strong>pen<strong>de</strong>ntes, então<br />
X = U=m<br />
V=n<br />
F (m; n).<br />
Com isso m é o grau <strong>de</strong> liberda<strong>de</strong> do numerador e n o do <strong>de</strong>nominador.<br />
X =<br />
(b) Se X F (m; n), então Y = 1<br />
X<br />
F (n; m).<br />
(c) Se X tn Stu<strong>de</strong>nt, então Y = X 2 F (1; n). (Basta ter em mente que<br />
Z<br />
W<br />
n<br />
1=2 on<strong>de</strong> Z N (0; 1) e W 2 n in<strong>de</strong>pen<strong>de</strong>ntes e que X 2 =<br />
Z 2 2 1 e W 2 n também in<strong>de</strong>pen<strong>de</strong>ntes.)<br />
(d) Se X F (m; n), então<br />
E [X] =<br />
n<br />
, se n > 2.<br />
n 2<br />
V ar [X] = 2n2 (m + n<br />
m(n 2)<br />
2)<br />
2 (n<br />
, se n > 4.<br />
4)<br />
Z 2<br />
1<br />
W<br />
n<br />
com<br />
(e) Se X1; X2; :::; Xn1 uma amostra aleatória retirada <strong>de</strong> uma população com dis-<br />
tribuição normal com média 1 e variância 2 1 ambas <strong>de</strong>sconheci<strong>das</strong> e se Y1; Y2; :::; Yn2<br />
uma amostra aleatória retirada <strong>de</strong> uma outra população com distribuição normal com<br />
média 2 e variância 2 2 também ambas <strong>de</strong>sconheci<strong>das</strong>, e se as duas amostras são<br />
in<strong>de</strong>pen<strong>de</strong>ntes então<br />
on<strong>de</strong> S 2 1 =<br />
(n1 1)S 2 1<br />
2<br />
1<br />
Pn1 i=1 Xi Xn1<br />
n1 1<br />
2<br />
(n1 1)S 2 1<br />
2<br />
1<br />
n1 1<br />
(n2 1)S 2 2<br />
2<br />
2<br />
n2 1<br />
2<br />
n1 1 e (n2 1)S2 2<br />
2<br />
2<br />
e S2 Pn2 i=1<br />
2 =<br />
Yi<br />
n2<br />
Yn2<br />
1<br />
= S2 1<br />
S2 :<br />
2<br />
2<br />
2<br />
2<br />
1<br />
2<br />
2<br />
n2 1<br />
F (n1 1; n2 1)<br />
in<strong>de</strong>pen<strong>de</strong>ntes. Assim<br />
Exercício 56 Se X1; X2; :::; Xn1 uma amostra aleatória retirada <strong>de</strong> uma população<br />
com distribuição normal com média 1 e variância 2 1 ambas <strong>de</strong>sconheci<strong>das</strong> e se<br />
62
Y1; Y2; :::; Yn2 uma amostra aleatória retirada <strong>de</strong> uma outra população com distribuição<br />
normal com média 2 e variância 2 2 também ambas <strong>de</strong>sconheci<strong>das</strong>, e se as duas<br />
amostras são in<strong>de</strong>pen<strong>de</strong>ntes então o intervalo <strong>de</strong> con…ança para a razão<br />
variâncias populacionais com 1 <strong>de</strong> probabilida<strong>de</strong> é dada por<br />
P S2 2<br />
S2 F(n1 1;n2 1); =2<br />
1<br />
2<br />
2<br />
2<br />
1<br />
S2 2<br />
S2 F(n1 1;n2 1);1 =2 = 1 .<br />
1<br />
2<br />
2<br />
2<br />
1<br />
entre as<br />
Exempli…cação do resultado acima: Suponha que tenhamos retirado duas<br />
amostras <strong>de</strong> duas populações on<strong>de</strong> n1 = 5, P5 i=1 (xi x5) 2 = 8; 24, n2 = 3,<br />
P3 i=1 (yi y5) 2 = 3; 42, Assim S2 1 = 8;24<br />
4 = 2; 06 e S2 2 = 3;42<br />
2 = 1; 71. Os valores<br />
tabelados ao nível <strong>de</strong> signi…cância <strong>de</strong> 10% ( = 0; 1) é dado por<br />
tendo em mente que<br />
Assim<br />
F(4;2);0;95 = 19; 25, F(4;2);0;05 =<br />
P<br />
F(n1 1;n2 1); =2 =<br />
1; 71<br />
(0; 1441)<br />
2; 06<br />
2<br />
2<br />
2<br />
1<br />
P 0; 1196<br />
1<br />
F(2;4);0;95<br />
1<br />
= 1<br />
6; 94<br />
F(n2 1;n1 1);1 =2<br />
.<br />
= 0; 1441<br />
1; 71<br />
(19; 25) = 0; 90<br />
2; 06<br />
2<br />
2<br />
2<br />
1<br />
15; 98 = 0; 90.<br />
Como 1 pertence ao intervalo <strong>de</strong> con…ança para a razão entre as variâncias, não há<br />
evidência <strong>de</strong> que as populações tenham variâncias diferentes com 90% <strong>de</strong> con…abili-<br />
da<strong>de</strong>.<br />
3.6 Lista<br />
Questão 1) Sejam X e Y variáveis aleatórias in<strong>de</strong>pen<strong>de</strong>ntes com <strong>de</strong>nsida<strong>de</strong> Gama<br />
<strong>de</strong> parâmetros ( ; ) e ( ; ), respectivamente. Mostre que:<br />
63
(a) W = X<br />
X+Y<br />
tem <strong>de</strong>nsida<strong>de</strong> Beta <strong>de</strong> parâmetros ( ; ).<br />
(b) T = X + Y tem <strong>de</strong>nsida<strong>de</strong> Gama <strong>de</strong> parâmetros ( + ; ).<br />
(c) W e T são in<strong>de</strong>pen<strong>de</strong>ntes.<br />
Questão 2) Sendo X N(0; 1) e Y 2 n in<strong>de</strong>pen<strong>de</strong>ntes, mostre que T = X q Y<br />
n<br />
tem distribuição t-Stu<strong>de</strong>nt com n graus <strong>de</strong> liberda<strong>de</strong>.<br />
Questão 3) Sendo X 2 m e Y 2 n in<strong>de</strong>pen<strong>de</strong>ntes.<br />
<strong>de</strong> liberda<strong>de</strong>.<br />
(a) Mostre que W = (X=m)<br />
(Y=n)<br />
(b) Ache a distribuição <strong>de</strong> 1<br />
W .<br />
(c) Mostre que V = m<br />
n W<br />
1+ m<br />
n<br />
tem distribuição F-Sne<strong>de</strong>cor com (m; n) graus<br />
W tem distribuição Beta.<br />
Questão 4) Consi<strong>de</strong>re X1; X2; :::; Xn variáveis aleatórias in<strong>de</strong>pen<strong>de</strong>ntes com<br />
<strong>de</strong>nsida<strong>de</strong> Exp( i), i = 1; 2; :::; n. Mostre que P fXk = min(X1; X2; :::; Xn)g =<br />
k<br />
P n<br />
i=1 i .<br />
Questão 5) Certo supermercado tem duas entra<strong>das</strong>, A e B. Fregueses entram<br />
pela entrada A conforme um processo <strong>de</strong> Poisson com taxa média <strong>de</strong> 15 fregueses<br />
por minuto. Pela entrada B, entram fregueses conforme outro processo <strong>de</strong> Poisson,<br />
in<strong>de</strong>pen<strong>de</strong>nte do primeiro, a uma taxa média <strong>de</strong> 10 por minuto.<br />
(a) Seja Xt o número total <strong>de</strong> fregueses que entram no supermercado até o<br />
instante t (inclusive), para t 0. Obtenha a distribuição <strong>de</strong> Xt.<br />
(b) Seja T1 o tempo em que o primeiro freguês entra pela entrada A e V1<br />
o tempo em que o primeiro freguês entra pela entrada B. Ache a distribuição <strong>de</strong><br />
min (T1; V1), o mínimo dos dois tempos.<br />
(c) Determine a probabilida<strong>de</strong> <strong>de</strong> que o primeiro freguês a entrar no mercado<br />
entre pela entrada A.<br />
64
Capítulo 4<br />
Distribuição e Esperança<br />
Condicionais<br />
Seja X uma variável aleatória em um espaço <strong>de</strong> probabilida<strong>de</strong> ( ; A; P ), e seja A<br />
um evento aleatório tal que P (A) > 0. De…nimos a distribuição condicional <strong>de</strong> X<br />
dado o evento A por<br />
P (X 2 B j A) =<br />
P ([X 2 B] \ A)<br />
P (A)<br />
para B 2 B, a -álgebra dos borelianos da reta. Os axiomas abaixo se veri…cam<br />
Axioma 1) P (X 2 B j A) 0.<br />
Axioma 2) P (X 2 R j A) = 1.<br />
Axioma 3) Se B1; B2; ::: são borelianos disjuntos dois a dois, então P (X 2<br />
1[<br />
1X<br />
Bi j A) = P (X 2 Bi j A).<br />
i=1<br />
i=1<br />
A função <strong>de</strong> distribuição associada à distribuição condicional é chamada função<br />
<strong>de</strong> distribuição condicional <strong>de</strong> X dado A:<br />
FX(x j A) = P (X x j A) =<br />
P ([X x] \ A)<br />
, x 2 R.<br />
P (A)<br />
A esperança condicional <strong>de</strong> X dado A é a esperança da distribuição condicional<br />
65
<strong>de</strong>…nida por<br />
se esta esperança existe.<br />
E(X j A) =<br />
= E [X:1A]<br />
=<br />
Z 1<br />
xdFX(x j A)<br />
1<br />
E [1A]<br />
1<br />
P (A) E [X:1A] ,<br />
Observe, pelo Teorema da Probabilida<strong>de</strong> Total, que<br />
P (X 2 B) = X<br />
P (An)P (X 2 B j An), para todo B 2 B.<br />
E [X] =<br />
n<br />
FX(x) = X<br />
P (An)P (X x j An)<br />
n<br />
= X<br />
P (An)FX(x j An), para todo x 2 R.<br />
n<br />
Z 1<br />
Z " #<br />
1 X<br />
xdFX(x) = xd P (An)FX(x j An)<br />
1<br />
= X<br />
P (An)<br />
n<br />
1<br />
n<br />
Z 1<br />
xdFX(x j An) = X<br />
P (An)E(X j An).<br />
1<br />
Exemplo 47 Seja X U [ 1; 1] e sejam A1 = [X 0] e A2 = [X < 0]. Pe<strong>de</strong>-se<br />
(a) A distribuição condicional <strong>de</strong> X dado A1.<br />
(b) A distribuição condicional <strong>de</strong> X dado A2.<br />
(c) E(X j An) para n = 1; 2.<br />
Exemplo 48 Seja X uma variável aleatória exponencial com parâmetro . Encon-<br />
tre E [X j X > 2].<br />
Se X e Y são v.a.’s discretas, a função <strong>de</strong> probabilida<strong>de</strong> condicional <strong>de</strong> X dado<br />
Y = y é <strong>de</strong>…nida para todo y tal que P (Y = y) > 0 como<br />
P fX = xjY = yg =<br />
66<br />
n<br />
P fX = x; Y = yg<br />
.<br />
P fY = yg
A função <strong>de</strong> distribuição condicional <strong>de</strong> X dado Y = y é <strong>de</strong>…nida como<br />
F (xjy) = P fX xjY = yg<br />
e a esperança condicional <strong>de</strong> X dado Y = y como<br />
E [XjY = y] =<br />
Z1<br />
1<br />
xdF (xjy) = X<br />
xP fX = xjY = yg .<br />
Se X e Y têm função <strong>de</strong> <strong>de</strong>nsida<strong>de</strong> conjunta fX;Y (x; y), a função <strong>de</strong> <strong>de</strong>nsida<strong>de</strong><br />
condicional <strong>de</strong> X dado Y = y é <strong>de</strong>…nida para todo y tal que fY (y) > 0 como<br />
f(xjy) = fX;Y (x; y)<br />
fY (y)<br />
e a função <strong>de</strong> distribuição condicional <strong>de</strong> X dado Y = y é <strong>de</strong>…nida como<br />
F (xjy) = P fX xjY = yg =<br />
x<br />
Zx<br />
1<br />
f(tjy)dt:<br />
A esperança condicional <strong>de</strong> X dado Y = y é <strong>de</strong>…nida, neste caso, como<br />
E [XjY = y] =<br />
Z1<br />
1<br />
xdF (xjy) =<br />
Z1<br />
1<br />
xf(xjy)dx.<br />
Observação 28 Qualquer que seja a natureza <strong>das</strong> variáveis aleatórias X e Y , temos<br />
portanto<br />
E [XjY = y] =<br />
Z1<br />
1<br />
xdF (xjy) .<br />
Proposição 21 Os seguintes resultados envolvendo esperanças condicionais se ver-<br />
i…cam:<br />
(a) E [X] =<br />
1R<br />
1<br />
(b) P (X 2 B) =<br />
(c) FX(x) =<br />
1R<br />
1<br />
Prova. (Em aula.)<br />
E (XjY = y) dFY (y).<br />
1R<br />
1<br />
P (X 2 B j Y = y)dFY (y), para todo B 2 B.<br />
FX (xjY = y) dFY (y).<br />
67
Observação 29 Para qualquer função mensurável, <strong>de</strong>…nimos<br />
E [ (X)jY = y] =<br />
Z1<br />
Exemplo 49 Sejam X e Y com <strong>de</strong>nsida<strong>de</strong> conjunta<br />
fX;Y (x; y) =<br />
Calcule E [XjY ] e E [X].<br />
1<br />
(x)dFX (xjy) :<br />
6xy(2 x y), 0 < x < 1 e 0 < y < 1<br />
0, caso contrário<br />
Exemplo 50 Sejam X e Y com <strong>de</strong>nsida<strong>de</strong> conjunta<br />
fX;Y (x; y) =<br />
Calcule E e X=2 jY e E e X=2 jY = 1 .<br />
1<br />
2ye xy , 0 < x < 1 e 0 < y < 2<br />
0, caso contrário<br />
Proposição 22 E [XjY ] é uma função da variável aleatória Y (e portanto ela<br />
própria uma v.a.) que assume o valor E [XjY = y] para Y = y. A esperança condi-<br />
cional tem as seguintes proprieda<strong>de</strong>s:<br />
(1) E [ (X)] = E fE [ (X)jY ]g.<br />
(2) E nP<br />
i=1<br />
i (Xi)jY = y = nP<br />
i=1<br />
(3) Se 0 então E [ (X)jY ] 0.<br />
(4) E [g(X; Y )jY = y] = E [g(X; y)jY = y].<br />
iE [ (Xi)jY = y] on<strong>de</strong> i 2 R para todo i.<br />
(5) E [ (X)jY = y] = E [ (X)] se X e Y são in<strong>de</strong>pen<strong>de</strong>ntes.<br />
(6) E [g(X)h(Y )jY = y] = h(y)E [g(X)jY = y].<br />
(7) E [g(X)h(Y )] = E fh(Y )E [g(X)jY ]g.<br />
(8) E [ jY = y] = on<strong>de</strong> 2 R.<br />
(9) E [ (Y )jY = y] = (y).<br />
(10) E [XjY ] = E fE [XjW; Y ] jY g.<br />
(11) Se X1 X2, então E [X1jY ] E [X2jY ].<br />
68
(12) (Desigualda<strong>de</strong> <strong>de</strong> Jensen) Seja uma função convexa. Então E [ (X)jY ]<br />
fE [XjY ]g.<br />
Prova. (Em aula.)<br />
De…nição 36 De…nimos V ar [XjY ] = E [X E(XjY )] 2 jY .<br />
Proposição 23 (a) V ar [XjY ] = E [X 2 jY ] [E(XjY )] 2 .<br />
(b) V ar [X] = E fV ar [XjY ]g + V ar fE(XjY )g.<br />
Prova. (Em aula.)<br />
Exemplo 51 Seja X U [0; 1]. Se X = x, então uma moeda com probabilida<strong>de</strong> x<br />
<strong>de</strong> sair cara é lançada n vezes in<strong>de</strong>pen<strong>de</strong>ntemente. Seja Y a v.a. que representa o<br />
número <strong>de</strong> caras obti<strong>das</strong>. Encontre a distribuição <strong>de</strong> Y , a esperança <strong>de</strong> Y , e mostre<br />
que E(Y ) = E [E(Y jX)].<br />
Exemplo 52 Seja X v.a.d. tomando valores 1; 2; 3; ... com <strong>probabilida<strong>de</strong>s</strong> respecti-<br />
vas p1; p2; p3; ::: Se X = n, um número Y real não-negativo é selecionado <strong>de</strong> acordo<br />
com uma função <strong>de</strong> <strong>de</strong>nsida<strong>de</strong> <strong>de</strong> probabilida<strong>de</strong> fn(y). Pe<strong>de</strong>-se<br />
(a) A <strong>de</strong>nsida<strong>de</strong> <strong>de</strong> Y .<br />
(b) Calcule P (1 X + Y 3).<br />
Exemplo 53 Consi<strong>de</strong>re partículas que chegam a um contador segundo um processo<br />
<strong>de</strong> Poisson com parâmetro > 0. Seja Xt o número <strong>de</strong> partículas que chegam até o<br />
tempo t > 0 e seja T1 o tempo <strong>de</strong> chegada da primeira partícula. Dado que chegou<br />
exatamente uma partícula até t, qual a distribuição do seu tempo <strong>de</strong> chegada? Qual<br />
a esperança condicional do tempo <strong>de</strong> chegada da primeira partícula, dado que chegou<br />
exatamente uma partícula até t?<br />
69
Exemplo 54 Seja o vetor aleatório (X; Y ) com distribuição normal bivariada, isto<br />
é, sua <strong>de</strong>nsida<strong>de</strong> conjunta é dada por<br />
f(x; y) =<br />
2<br />
1<br />
p<br />
1 2 1 2 :<br />
(<br />
"<br />
: exp<br />
1<br />
2 (1 2 )<br />
x 1<br />
1<br />
2<br />
2<br />
x 1<br />
1<br />
y 2<br />
2<br />
+ y 2<br />
on<strong>de</strong> 1 > 0, 2 > 0, 1 < < 1, 1 2 R e 2 2 R. Vimos que X N( 1; 2 1) e<br />
Y N( 2; 2 2). Mostre que XjY = y N( 1 + 1<br />
2 (y 2); 2 1 (1 2 )) e portanto<br />
E [XjY = y] = 1 + 1<br />
2 (y 2) e V ar(XjY = y) = 2 1 (1 2 ). Mostre também<br />
que Cov(X; Y ) = 1 2 e portanto é o cor…ciente <strong>de</strong> correlação entre X e Y .<br />
Exemplo 55 Sejam X e Y v.a.’s in<strong>de</strong>pen<strong>de</strong>ntes tais que X U [0; 2] e Y<br />
U [ 1; 1].<br />
(a) Calcule E [XjX + Y 2].<br />
(b) Calcule E [XjX + Y ].<br />
(c) Calcule E [XjX + Y = 2].<br />
Exemplo 56 Seja X1; X2; :::.uma seqüência <strong>de</strong> variáveis aleatórias in<strong>de</strong>pen<strong>de</strong>ntes e<br />
i<strong>de</strong>nticamente distribuí<strong>das</strong> e seja N uma variável aleatória inteira e não-negativa in-<br />
<strong>de</strong>pen<strong>de</strong>nte da seqüência X1; X2; :::. Seja Y = NP<br />
Xi. Mostre que E [Y ] = E [N] E [X]<br />
e V ar [Y ] = E [N] V ar [X] + E 2 [X] V ar [N].<br />
Exemplo 57 Sejam Y1; Y2; :::; Yn v.a. ’s não-negativas i.i.d. Mostre que<br />
E [Y1 + Y2 + ::: + YkjY1 + Y2 + ::: + Yn = y] = k<br />
y, k = 1; 2; :::; n:<br />
n<br />
Exemplo 58 Um número não-negativo X é escolhido com <strong>de</strong>nsida<strong>de</strong> fX(x) = xe x<br />
para x > 0. Se X = x, um número Y é escolhido no intervalo [0; x]. Ache<br />
P (X + Y 2).<br />
70<br />
i=1<br />
2<br />
2 #)
Capítulo 5<br />
Convergência <strong>de</strong> Variáveis<br />
Aleatórias<br />
5.1 Tipos <strong>de</strong> Convergência<br />
Consi<strong>de</strong>re um experimento com a variável aleatória X representando um caracterís-<br />
tico numérico. Repita n vezes in<strong>de</strong>pen<strong>de</strong>ntemente (n gran<strong>de</strong>).<br />
A Lei dos Gran<strong>de</strong>s Números estabelece que a média <strong>das</strong> n observações é aproxi-<br />
madamente igual a EX, quando n é gran<strong>de</strong>.<br />
Mas <strong>de</strong> que maneira X1+X2+:::+Xn<br />
n<br />
! EX quando n ! 1?<br />
Por exemplo, seja o experimento <strong>de</strong> lançar uma moeda honesta sucessiva e in-<br />
<strong>de</strong>pen<strong>de</strong>ntemente n vezes e seja Sn o número <strong>de</strong> caras obti<strong>das</strong> nos n lançamentos.<br />
Então<br />
Como Xi<br />
que<br />
Ber( 1<br />
Xn(!) =<br />
1, se ! = Ca<br />
0, se ! = Co<br />
P (Xn = 1) = 1<br />
2 = P (Xn = 0)<br />
2 ), temos E(Xi) = 1<br />
2<br />
Sn = X1 + X2 + ::: + Xn<br />
Sn<br />
n<br />
. E a Lei dos Gran<strong>de</strong>s Números estabelece<br />
! 1<br />
2 .<br />
71
Mas em que sentido? Há vários tipos <strong>de</strong> convergência em Teoria <strong>das</strong> Probabilida<strong>de</strong>s.<br />
Vejamos as principais:<br />
Sejam X e fXng n 1 variáveis aleatórias <strong>de</strong>…ni<strong>das</strong> num mesmo espaço <strong>de</strong> proba-<br />
bilida<strong>de</strong> ( ; A; P ).<br />
De…nição 37 Xn converge para X em probabilida<strong>de</strong>, se para todo " > 0<br />
Notação: Xn<br />
P<br />
! X.<br />
P fjXn Xj "g ! 0, quando n ! 1.<br />
Exemplo 59 Sejam X1; X2; ::: v.a.’s in<strong>de</strong>pen<strong>de</strong>ntes, tais que P (Xn = 1) = 1<br />
n e<br />
1<br />
P<br />
P (Xn = 0) = 1 . Mostre que Yn ! 0.<br />
n<br />
Exemplo 60 Sejam X1; X2; ::: v.a.’s in<strong>de</strong>pen<strong>de</strong>ntes, i<strong>de</strong>nticamente distribuí<strong>das</strong> com<br />
distribuição Exp(1). De…na<br />
para n > 1. Mostre que Yn<br />
P<br />
! 0.<br />
Yn = Xn<br />
ln n<br />
De…nição 38 Xn converge para X quase certamente, se<br />
P fXn ! X, quando n ! 1g = 1,<br />
ou seja, o evento A0 = f! : Xn(!) ! X(!)g é <strong>de</strong> probabilida<strong>de</strong> 1.<br />
Notação: Xn<br />
q:c:<br />
! X.<br />
Observação 30 Observe que a convergência quase certa é uma convergência pon-<br />
tual num conjunto <strong>de</strong> medida 1, ou seja, Xn(!) ! X(!) para quase todo !, exceto<br />
aqueles <strong>de</strong>ntro <strong>de</strong> um conjunto <strong>de</strong> medida nula. Por outro lado convergência em<br />
probabilida<strong>de</strong> não diz respeito à convergência pontual, ela apenas a…rma que para<br />
valores gran<strong>de</strong>s <strong>de</strong> n as variáveis Xn e X são aproximadamente iguais com proba-<br />
bilida<strong>de</strong> bem alta.<br />
72
Exemplo 61 Seja = [0; 1]. Um ponto é selecionado aleatoriamente do intervalo<br />
[0; 1] e seja a sequência <strong>de</strong> variáveis aleatórias dada por<br />
Mostre que Xn<br />
Xn(!) = ! + ! n .<br />
q:c:<br />
! X com X U [0; 1]. Observe também que Xn(1) q:c:<br />
9 X(1). Mas<br />
P f! 2 : Xn(!) 9 X(!), quando n ! 1g = 0.<br />
De…nição 39 Xn converge para X em Lp, se<br />
lim<br />
n!1 E fjXn Xj p g = 0.<br />
Quando p = 2, a convergência é dita em média quadrática.<br />
Notação: Xn<br />
Lp<br />
! X.<br />
Exemplo 62 Sejam X1; X2; ::: v.a.’s in<strong>de</strong>pen<strong>de</strong>ntes, tais que P (Xn = 1) = 1<br />
n e<br />
1<br />
Lp<br />
P (Xn = 0) = 1 . Mostre que Yn ! 0, para todo p.<br />
n<br />
De…nição 40 Sejam fXn; n 1g e X variáveis aleatórias com funções <strong>de</strong> dis-<br />
tribuição fFn; n 1g e F , respectivamente. Diremos que Xn converge em dis-<br />
tribuição (ou em lei) para X, se para todo ponto x em que F é contínua, tivermos<br />
Notação: Xn<br />
D<br />
! X.<br />
lim<br />
n!1 Fn(x) = F (x).<br />
Exemplo 63 Seja fXn; n 1g uma seqüência <strong>de</strong> v.a. in<strong>de</strong>pen<strong>de</strong>ntes com dis-<br />
tribuição uniforme em (0; b), b > 0. De…na Yn = max(X1; X2; :::; Xn) e Y = b.<br />
Então veri…que que Yn<br />
D<br />
! Y .<br />
Exemplo 64 Seja Xn = 1<br />
n<br />
para n 1 e X = 0. Mostre que Xn<br />
D<br />
! X, embora<br />
limn!1 Fn(0) = 0 6= 1 = F (0). Mas como 0 não é ponto <strong>de</strong> continuida<strong>de</strong> <strong>de</strong> F , isto<br />
não é problema.<br />
73
Observação 31 Po<strong>de</strong>-se mostrar que<br />
Xn<br />
q:c:<br />
! X =) Xn<br />
mas a recíproca não é verda<strong>de</strong>ira.<br />
Observação 32 Po<strong>de</strong>-se mostrar que se<br />
Xn<br />
Lp<br />
! X =) Xn<br />
mas a recíproca não é verda<strong>de</strong>ira.<br />
P<br />
! X =) Xn<br />
P<br />
! X =) Xn<br />
D<br />
! X;<br />
D<br />
! X;<br />
Observação 33 Não há qualquer relação <strong>de</strong> implicação entre convergência quase<br />
certa e convengência em Lp.<br />
Exercício 57 Consi<strong>de</strong>re o espaço <strong>de</strong> probabilida<strong>de</strong> ([0; 1] ; B [0; 1] ; ) on<strong>de</strong> é a me-<br />
dida <strong>de</strong> Lebesgue em [0; 1] (medida uniforme). Sejam X1; X2; ::: variáveis aleatórias<br />
<strong>de</strong>…ni<strong>das</strong> como<br />
(a) Veri…car se Xn<br />
Xn (!) = n 2 :1 1<br />
[0; ) (!) , ! 2 [0; 1] .<br />
n<br />
q:c:<br />
! X para alguma v.a. X.<br />
Exemplo 65 (b) Veri…car se Xn<br />
(c) Veri…car se Xn<br />
(d) Veri…car se Xn<br />
p<br />
! X para alguma v.a. X.<br />
D<br />
! X para alguma v.a. X.<br />
L1<br />
! X para alguma v.a. X.<br />
5.2 Leis dos Gran<strong>de</strong>s Números<br />
Sejam X1; X2; ::: v.a.’s integráveis em ( ; A; P ) e S1; S2; ::: suas somas parciais da<strong>das</strong><br />
por<br />
Sn = X1 + X2 + ::: + Xn.<br />
74
De…nição 41 X1; X2; ::: satisfazem a Lei Fraca dos Gran<strong>de</strong>s Números se para todo<br />
" > 0 temos<br />
ou seja, se<br />
P<br />
Sn ESn<br />
n<br />
" ! 0, quando n ! 1,<br />
Sn ESn<br />
n<br />
P<br />
! 0.<br />
De…nição 42 X1; X2; ::: satisfazem a Lei Forte dos Gran<strong>de</strong>s Números se para todo<br />
" > 0 temos<br />
ou seja, se<br />
Sn ESn<br />
P lim<br />
n!1 n<br />
Sn ESn<br />
n<br />
= 0 = 1,<br />
q:c:<br />
! 0.<br />
Teorema 19 (Lei Fraca <strong>de</strong> Tchebychev) Sejam X1; X2; ::: v.a.’s não-correlaciona<strong>das</strong><br />
dois a dois com variâncias …nitas e uniformemente limita<strong>das</strong> (isto é, existe c …nito,<br />
tal que para todo n V arXn < c). Então X1; X2; ::: satisfazem a Lei Fraca dos<br />
Gran<strong>de</strong>s Números:<br />
Prova. (Em aula)<br />
Sn ESn<br />
n<br />
P<br />
! 0.<br />
Corolário 3 (Lei dos Gran<strong>de</strong>s Números <strong>de</strong> Bernoulli, publicada em Ars Conjectandi,<br />
1713) Consi<strong>de</strong>re uma seqüência <strong>de</strong> ensaios binomiais in<strong>de</strong>pen<strong>de</strong>ntes tendo a mesma<br />
probabilida<strong>de</strong> p <strong>de</strong> sucesso em cada ensaio. Se Sn é o número <strong>de</strong> sucessos nos<br />
primeiros n ensaios, então<br />
Prova. (Em aula)<br />
Sn<br />
n<br />
P<br />
! p.<br />
75
Teorema 20 (Lei Fraca <strong>de</strong> Khintchin) Sejam X1; X2; ::: v.a.’s in<strong>de</strong>pen<strong>de</strong>ntes, i<strong>de</strong>n-<br />
ticamente distribuí<strong>das</strong> e integráveis, com média . Então X1; X2; ::: satisfazem a Lei<br />
Fraca dos Gran<strong>de</strong>s Números:<br />
Prova. (Em aula)<br />
Sn<br />
n<br />
P<br />
! .<br />
Exemplo 66 Sejam X1; X2; ::: v.a.’s in<strong>de</strong>pen<strong>de</strong>ntes, i<strong>de</strong>nticamente distribuí<strong>das</strong> com<br />
distribuição <strong>de</strong> Poisson com parâmetro . Qual o limite em probabilida<strong>de</strong> da seqüên-<br />
cia (Yn) n 1 , on<strong>de</strong><br />
Yn = X2 1 + X2 2 + ::: + X2 n<br />
?<br />
n<br />
Teorema 21 (Primeira Lei Forte <strong>de</strong> Kolmogorov) Sejam X1; X2; ::: v.a.’s in<strong>de</strong>pen-<br />
<strong>de</strong>ntes e integráveis, e suponha que<br />
1X<br />
n=1<br />
V arXn<br />
n 2<br />
< 1.<br />
Então X1; X2; ::: satisfazem a Lei Forte dos Gran<strong>de</strong>s Números:<br />
Sn<br />
n<br />
ESn<br />
n<br />
q:c:<br />
! 0.<br />
Prova. (Omitida, pois <strong>de</strong>manda resultados avançados <strong>de</strong> Teoria <strong>das</strong> Probabili-<br />
da<strong>de</strong>s.)<br />
Exemplo 67 Seja 0 < < 1<br />
2 . Prove que se X1; X2; ::: são v.a.’s in<strong>de</strong>pen<strong>de</strong>ntes, tais<br />
que P Xn = n = 1<br />
2 = P Xn = n , então<br />
X1 + X2 + ::: + Xn<br />
n<br />
q:c:<br />
! 0.<br />
Teorema 22 (Lei Forte <strong>de</strong> Kolmogorov) Sejam X1; X2; ::: v.a.’s in<strong>de</strong>pen<strong>de</strong>ntes, i<strong>de</strong>n-<br />
ticamente distribuí<strong>das</strong> e integráveis, com EXn = . Então X1; X2; ::: satisfazem a<br />
Lei Forte dos Gran<strong>de</strong>s Números:<br />
Sn<br />
n<br />
q:c:<br />
! .<br />
76
Prova. (Em aula)<br />
Exemplo 68 Sejam X1; X2; ::: v.a.’s in<strong>de</strong>pen<strong>de</strong>ntes, i<strong>de</strong>nticamente distribuí<strong>das</strong> com<br />
EX1 = 1 = V arX1. Mostre que<br />
nP<br />
Xi<br />
i=1<br />
r<br />
n nP<br />
X<br />
i=1<br />
2 i<br />
q:c: 1<br />
! p2 .<br />
5.3 Teorema Central do Limite<br />
Teorema 23 (Teorema Central do Limite para v.a.s i.i.d.) Seja fXn; n 1g uma<br />
seqüência <strong>de</strong> v.a.’s i.i.d., com média comum e variância comum 2 , on<strong>de</strong> 0 <<br />
2 < 1. Seja Sn = X1 + X2 + ::: + Xn. Então<br />
isto é,<br />
Prova. (Em aula.)<br />
Sn ESn<br />
p V arSn<br />
Sn n<br />
pn<br />
D<br />
! N (0; 1),<br />
D<br />
! N (0; 1).<br />
Exemplo 69 Fregueses chegam em certo supermercado segundo um processo <strong>de</strong><br />
Poisson com intensida<strong>de</strong> média <strong>de</strong> 10 por minuto. Sejam T1; T2; ::: os tempos entre<br />
chega<strong>das</strong> <strong>de</strong> fregueses, <strong>de</strong> modo que T1 + T2 + T3 + ::: + Tn é o tempo <strong>de</strong> chegada no<br />
n-ésimo freguês.<br />
(a) Utilizando o Teorema Central do Limite, ache um número entre 0 e 1 que<br />
seja aproximadamente igual à probabilida<strong>de</strong> do milésimo freguês chegar <strong>de</strong>pois <strong>de</strong><br />
100 minutos.<br />
(b) Como você calcularia o valor exato da probabilida<strong>de</strong> no item (a)?<br />
77
Observação 34 Se X1; X2; :::; Xn é uma seqüência <strong>de</strong> variáveis aleatórias in<strong>de</strong>pen-<br />
<strong>de</strong>ntes <strong>de</strong> Bernoulli com parâmetro p, então sabemos que Sn = X1 + X2 + ::: + Xn<br />
B(n; p). Assim, pelo Teorema Central do Limite, para n su…cientemente gran<strong>de</strong> Sn<br />
po<strong>de</strong> ser aproximada por uma distribuição Normal, já que<br />
Ou <strong>de</strong> outra forma<br />
Sn np<br />
p npq<br />
N (0; 1).<br />
Sn N (np; npq).<br />
Exemplo 70 Um par <strong>de</strong> dados honestos é lançado 180 vezes por hora (aproximada-<br />
mente).<br />
(a) Qual a probabilida<strong>de</strong> aproximada <strong>de</strong> que 25 ou mais lançamentos tenham tido<br />
soma 7 na primeira hora?<br />
(b) Qual a probabilida<strong>de</strong> aproximada <strong>de</strong> que entre 700 e 750 lançamentos tenham<br />
tido soma 7 durante 24 horas?<br />
78