Probabilidades

Ence
Frederico Cavalcanti PRBI010 107

5. Estatsticas de Ordem.

Definio 5.1
Sejam X
i
, i = 1,2,3,...,n variveis aleatrias independentes e identicamente distribudas.
Seja a varivel aleatria

( ) r
Y , r = 1,2,3,...,n

o r-simo valor obtido na realizao da varivel n-dimensional ( )
1 2 n
X , X ,..., X . A
varivel aleatria
( ) r
Y chamada varivel aleatria de ordem.

Assim, podemos escrever que
( ) ( ) ( ) ( )
. Y ... Y ... Y Y
n r 2 1
Para ilustrar,
suponhamos que na realizao da varivel tri-dimensional ( )
1 2 3
X , X , X foram obtidos
os valores x 4, x 3 e x 8
1 2 3
= = = . Neste caso as variveis de ordem associadas tri-
dimensional em questo assumem os valores
( ) ( )
(3) 1 2
y 3, y 4 e y 8 = = = .

Convm lembrar que cada uma das variveis
( ) r
Y , r = 1,2,3,...,n , define uma
transformada do espao R
n
para o espao R
1
. Por exemplo, a varivel
( ) 2
Y transformou
a tripla (4,3,8) R
3
no real 4 R
1
.

Assim, a varivel aleatria
( ) r
Y , r = 1,2,3,...,n ou equivalentemente, a varivel aleatria
n-dimensional
( ) ( ) ( ) ( ) 1 2 r n
(Y , Y ,..., Y ,..., Y ) define, a partir de ( )
1 2 n
X , X ,..., X , uma
transformada de R em R .
n n



5.1 - Distribuio do r-simo valor,
( ) r
Y , r 1, 2,..., n = .
Seja t um real arbitrrio e consideremos o evento ( )
i
A X t = . Uma vez realizada a
varivel aleatria ( )
1 2 n
X , X ,..., X , se o evento A ocorrer menos do que r vezes, ento
certa a ocorrncia do evento
( )
( )
r
Y t > .

Para fixar melhor a equivalncia entre os eventos, suponhamos que n = 10 e r = 6. Se o
evento A ocorrer apenas 3 vezes, ento 7 dentre as 10 variveis assumiro um valor
maior que t, inclusive
( ) 6
Y .

Por outro lado o evento complementar
( )
( )
r
Y t equivalente ao evento A ocorrer r
ou mais vezes nas n realizaes de( )
1 2 n
X , X ,..., X ". Tendo em vista que as variveis
X , i 1,2,..., n
i
= so independentes o nmero de ocorrncias do evento A naquelas n
realizaes uma v.a. Binomial n P A , ( ) , e, como ( ) ( ) ( )
i
i X
P A P X t F t = = ,
podemos escrever
P(A ocorrer k vezes) = ( ) ( )
k n k
X X
n
F t 1 F t
k
| |
( (
|
\
, k = 0,1,2,...,n (5.1)
Probabilidades
Ence
Frederico Cavalcanti PRBI010 108
Para obter a funo de distribuio de
( ) r
Y , fazemos,

( )
( )
( )
( )
r
Y r
F t P Y t = = ( ) ( )
n
k n k
X X
k r
n
F t 1 F t
k

=
| |
( (
|
\

(5.2)

Derivando-se (5.2) em relao a t, obtemos a densidade de
( ) r
Y , r = 1,2,3,...,n,
conforme abaixo.

Nota:
Para fins de simplificao da notao, sempre que possvel representaremos a estatstica
de ordem
( ) r
Y simplesmente por Y
r
.

( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )
r
n n
k 1 n k k n k 1
Y X X X X X X
k r k r
n n
f t kf t F t 1 F t n k f t F t 1 F t
k k

= =
| | | |
( ( ( ( =
| |

\ \

e da segue que
( )
( ) ( )
( ) ( ) ( )
r
n
k 1 n k
Y X X X
k r
n!
f t f t F t 1 F t
k 1 ! n k !

=
( ( =

( )
( ) ( ) ( )
n 1
k n k 1
X X X
k r
n!
f t F t 1 F t
k! n k 1 !

=
( (

Fazendo-se k = j - 1 na segunda parcela da expresso acima
( )
( ) ( )
( ) ( ) ( )
r i i
n
k 1 n k
Y X X X
k r
n!
f t f t F t 1 F t
k 1 ! n k !

=
( ( =

( )
( ) ( ) ( )
n
j 1 n j
X X X
j r 1
n!
f t F t 1 F t
( j 1)! n j !

= +
( (

Finalmente, cancelando-se as parcelas simtricas, resta a primeira parcela do primeiro
somatrio onde k = r, e, portanto

( )
( )
( ) ( )
( ) ( ) ( )
r
n r
r 1
Y X X X
n!
f t f t F t 1 F t t R
r 1 ! n r !

= (


(5.3)



Exemplo 5.1
Cinco nmeros so escolhidos aleatoriamente no intervalo (0,1). Calcular a
probabilidade de que o segundo valor em magnitude obtido, seja superior a 1/3.
Soluo:
Temos ( )
1 2 5
X , X ,..., X , onde X
i
, i = 1,2,3,4,5 so independentes e uniformes no
intervalo (0,1) e portanto

( ) ( )
0 x 1 0 x 1
f x 1 0 x 1 e F x x 0 x 1
0 x 1 1 x 1
< <

= < < = <


>


Fazendo-se n = 5 e r = 2 em (5.3), obtemos a densidade do segundo maior valor, isto :
Probabilidades
Ence
Frederico Cavalcanti PRBI010 109
( ) ( ) 1 t 0 t 1 t
1!3!
5!
t f
3
Y
2
< < = ( )
1
3
2
1/ 3
1
P Y 20 t 1 t dt 0, 7325
3
| |
> = =
|
\



5.2 - Distribuio do Mnimo Valor de ( )
1 2 n
X , X ,..., X .
Se r = 1, denominamos Y
1
o mnimo valor obtido na realizao de( )
1 2 n
X , X ,..., X , ou
seja ( )
1 1 2 n
1 i n
Y min X , X ,..., X

= . Para obter a funo de distribuio de Y
1
, fazemos r = 1
em (5.2) e,
( ) ( ) ( ) ( )
1
n
n k
k
Y 1 X X
k 1
n
F t P Y t F t 1 F t
k

=
| |
= = (
|
\

ou ( ) ( ) ( )
1
n
0
Y X X
n
F t 1 F t 1 F t
0
| |
( =
|

\

e finalmente
( ) ( )
1
n
Y X
F t 1 1 F t = (

t R (5.4)

A funo de densidade pode ser obtida derivando-se (5.4) em relao a t ou fazendo-se
r = 1 em (5.3), resultando em
( ) ( ) ( ) ( )
1
n 1
0
Y X X X
f t nf t F t 1 F t t R

= (


ou
( ) ( ) ( )
1
n 1
Y X X
f t nf t 1 F t t R

= (

(5.5)

5.3 - Distribuio do Mximo Valor de ( )
1 2 n
X , X ,..., X .
Se r = n, denominamos Y
n
o mximo valor obtido na realizao de ( )
1 2 n
X , X ,..., X , ou
seja ( )
n 1 2 n
1 i n
Y max X , X ,..., X

= . Para obter a funo de distribuio de Y
n
, fazemos r =
n em (5.2) e,
( ) ( ) ( ) ( )
n
0
n
Y n X X
n
F t P Y t F t 1 F t
n
| |
= = (
|
\

ou ( ) ( )
n
n
Y X
F t F t = (

(5.6)

A funo de densidade pode ser obtida derivando-se (5.6) em relao a t ou fazendo-se
r = n em (5.3) resultando em

( )
( ) ( ) ( ) ( )
n
n n
n 1
Y X X X
f t nf t F t 1 F t t R

= (


ou
( )
( ) ( ) ( )
n
n 1
Y X X
f t nf t F t t R

= (

(5.7)


5.4 - Alternativa para o estudo do Mnimo e Mximo de ( )
1 2 n
X , X ,..., X .

5.4.1 - Se ( )
1 1 2 n
1 i n
Y min X , X ,..., X

= ento o evento ( )
1
Y t > ocorre se e somente se,
todas as variveis X
i
assumem valores maiores que t, isto :
( ) ( )
1 1 2 n
Y t X t, X t,..., X t > = > > >
Assim sendo, podemos escrever que
Probabilidades
Ence
Frederico Cavalcanti PRBI010 110
( ) ( ) ( ) ( )
1 1 2 n
P Y t P X t .P X t ...P X t > = > > >
logo ( ) ( ) ( ) t X P ... t X P . t X P ) t ( F 1
n 2 1 Y
1
> > > =
ou ( ) ( ) ( ) ( )
1 1 2 n
Y X X X
F t 1 1 F t 1 F t .... 1 F t ( ( ( =


Finalmente,
( ) ( ) ( ) ( )
1 1
n
n
Y X Y X
i 1
F t 1 1 F t F t 1 1 F t
=
( ( = =

Derivando-se em relao a t obtemos em seguida funo de densidade de Y
1
,
( ) ( ) ( )
1
n 1
Y X X
f t nf t 1 F t t R

= (

(5.8)

5.4.2 - Se ( )
n 1 2 n
1 i n
Y max X , X ,..., X

= ento o evento ( )
n
Y t ocorre se e somente se,
todas as variveis X
i
assumem valores menores ou iguais a t, isto :
( ) ( )
n 1 2 n
Y t X t, X t,..., X t =
Assim sendo, podemos escrever que
( ) ( ) ( ) ( )
n 1 2 n
P Y t P X t .P X t ...P X t =

logo ( ) ( ) ( ) ( )
n
Y 1 2 n
F t P X t .P X t ...P X t =
ou ( ) ( ) ( ) ( )
n 1 2 n
Y X X X
F t F t .F t ....F t =
Finalmente,
( ) ( ) ( ) ( )
n i n
n
n
Y X Y X
i 1
F t F t F t F t
=
= = (

Derivando-se em relao a t obtemos em seguida a funo de densidade de Y
n
,

( )
( ) ( ) ( )
n
n 1
Y X
f t nf t F t t R

= (

(5.9)


5.5 - Distribuio da amplitude R, observada em( )
1 2 n
X , X ,..., X .
A amplitude R, observada na realizao da varivel aleatria ( )
1 2 n
X , X ,..., X definida
por R = ( )
n 1
Y Y que constitui uma transformada de
n 1
R em R .

Para determinar a funo de densidade de R, consideremos t e t
1 2
tais que t t
1 2
< e
calculemos a probabilidade do evento ( )
1 1 n 2
Y t ; Y t > ,

( ) ( )
1 1 n 2 1 1 2 1 2 2 1 n 2
P Y t ; Y t P t X t ; t X t ;....; t X t > = < < <
ou ( ) ( ) ( )
n
1 1 n 2 X 2 X 1
P Y t ; Y t F t F t > = (



Por outro lado,
( )
( ) ( ) ( ) ( )
1 n
1 2 1 1 n 2 n 2 1 1 n 2 Y ,Y
F t , t P Y t ; Y t P Y t P Y t ; Y t = = >
e
( )
( ) ( ) ( ) ( ) [ ]
n
1 X 2 X 2
n
X 2 1 Y , Y
t F t F t F t , t F
n 1
=

A funo de densidade da bidimensional ( )
1 n
Y , Y

( )
( ) ( ) ( ) ( ) ( ) ( ) [ ] < < =

2 1
2 n
1 X 2 X 2 X 1 X 2 1 Y , Y
t t < - t F t F t f t f 1 n n t , t f
n 1

Probabilidades
Ence
Frederico Cavalcanti PRBI010 111

Consideremos agora a seguinte transformada de R em R
2 1
,

R Y Y
Z Y
n
=
=
1
1
1 J
z r t
z t
2
1
=

+ =
=

A densidade da bidimensional (R,Z) ento,

( ) ( ) ( ) ( ) ( ) ( )
n 2
X X X X
f r, z n n 1 f z f r z F r z F z r > 0 e z R

= + + (

(5.10)

A densidade de R obtida ento da forma,
( ) ( ) ( ) ( ) ( ) ( )
n 2
R X X X X
f r n n 1 f z f r z F r z F z dz r > 0
+

= + + (

(5.11)

Exemplo 5.2
Sejam X
i
, i = 1,2,...,n variveis aleatrias independentes, todas com distribuio
uniforme no intervalo (0,1). Aplicando-se (5.11) s funes de densidade e distribuio
do exemplo 5.1, obtemos
( ) ( ) 1 z r 0 e 1 < r < 0 1, < z < 0 r 1 n n z , r f
2 n
) Z , R (
< + < =


( ) ( )
1 r
n 2
R
0
f r n n 1 r dz

( ) ( ) ( )
n 2
R
f r n n 1 r 1 r 0 < r <1

=

Conclumos da que a distribuio da amplitude R, observada na realizao da varivel
aleatria ( )
1 2 n
X , X ,..., X tem distribuio Beta (n-1;2).

5.6 - Distribuio da Estatstica ( )
1 2 n
Y , Y ,..., Y .
Seja ( )
1 2 n
Y , Y ,..., Y a estatstica de ordem associada varivel
aleatria( )
1 2 n
X , X ,..., X .
Sejam f(x) e F(x) definidas em a < x < b, as funes de densidade e distribuio comuns
s variveis X
i
, i = 1,2,...,n.
A funo de densidade da varivel aleatria n-dimensional ( )
1 2 n
Y , Y ,..., Y . dada por:
( )
( ) ( ) ( )
X 1 X 2 X n 1 2 n
1 2 n
n! f y f y ...f y a y y ... y b
g y , y ,..., y
0 emcasocontrrio
< < < < <
=

Demonstraremos a afirmativa apenas para o caso em que n = 3, mas os argumentos
podem ser facilmente generalizados.

Se n = 3 a funo de densidade de ( )
1 2 3
X , X , X

( ) ( ) ( ) ( )
1 2 3 1 2 3
f x , x , x f x f x f x =
.
Consideremos a seguir a probabilidade ( )
1 2 3
P a X X b; a X b . < = < < < Esta
probabilidade dada por :
( ) ( ) ( ) 0 dx dx dx x f x f x f
3 2 1
b
a
b
a
x
x
3 2 1
2
2
=

j que ( )
2
2
x
1 1
x
f x dx 0 =

Probabilidades
Ence
Frederico Cavalcanti PRBI010 112
Podemos ento, sem alterar a distribuio de ( )
1 2 3
X , X , X , definir
( ) ( ) ( )
1 2 3
f x f x f x 0 =
para qualquer tripla contendo pelo menos duas coordenadas iguais.
Se ( )
1 2 3
y , y , y assumem os valores mnimo, mdio e mximo obtidos em ( )
1 2 3
x , x , x
ento a regio A= A
i
i=1
6
U
onde ( ) ( ) ( )
1 2 3
f x f x f x >0 constituda por 3! = 6 triplas que
produzem a mesma tripla ( )
1 2 3
y , y , y , tal que a y y y b < < < <
1 2 3
. As triplas em
questo so,
( ) { }
1 1 2 3 1 2 3
A x , x , x / a x x x b , = < < < <
( ) { }
2 1 2 3 1 3 2
A x , x , x / a x x x b , = < < < <
( ) { }
3 1 2 3 2 1 3
A x , x , x / a x x x b , = < < < <
( ) { }
4 1 2 3 2 3 1
A x , x , x / a x x x b , = < < < <
( ) { }
5 1 2 3 3 1 2
A x , x , x / a x x x b , = < < < <
( ) { }
6 1 2 3 3 2 1
A x , x , x / a x x x b . = < < < <

As funes inversas correspondentes so,
1 1 1 1 1 2
2 2 2 3 2 1
3 3 3 2 3 3
x y x y x y
x y , x y , x y , etc...
x y x y x y
= = =

= = =


= = =



E os Jacobianos correspondentes so,
J
1 0 0
0 1 0
0 0 1
1 0 0
0 0 1
0 1 0
=
0 1 0
1 0 0
0 0 1
. = = = = = 1 , J -1 , J , etc.. 1

Assim a funo de densidade de ( )
1 2 3
Y , Y , Y dada por
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )
1 2 3 1 X 1 X 2 X 3 2 X 1 X 2 X 3 6 X 1 X 2 X 3
g y , y , y J f y f y f y J f y f y f y ... J f y f y f y = + + +

ou
( )
( ) ( ) ( )
X 1 X 2 X 3 1 2 3
1 2 3
3! f y f y f y a y y y b
g y , y , y
0 caso contrrio
< < < <
=

(5.12)

Exemplo 5.3
Seja X uma varivel aleatria do tipo contnuo com funo de densidade f(x), definida
para a x b < < , e funo de distribuio dada por:
( ) ( )
x
X
a
0 x a
F x f x dx a x b
1 x b
<

= <

Sejam
- m a mediana de X, e, portanto ( )
X
1
F m
2
= ,
Probabilidades
Ence
Frederico Cavalcanti PRBI010 113
- ( )
1 2 3
X , X , X uma amostra aleatria da v.a. X e
- ( )
1 2 3
Y , Y , Y a estatstica de ordem associada a ( )
1 2 3
X , X , X .
Se m a mediana de X provaremos que a probabilidade do evento ( )
2
Y m igual a
1/2. Para isto determinemos inicialmente a funo de densidade da tri-dimensional
( )
1 2 3
Y , Y , Y e aps isso a densidade da marginal Y
2
.
Conforme (5.12) a densidade de ( )
1 2 3
Y , Y , Y
( ) ( ) ( ) ( )
1 2 3 X 1 X 2 X 3 1 2 3
g y , y , y 6f y f y f y se a < y y y b = < < <

E a densidade de Y
2
obtida conforme abaixo;
( ) ( ) ( ) ( ) ( ) ( ) ( )
2 2
2 2
y y b b
2 2 X 2 X 1 X 3 1 3 X 2 X 3 X 1 1 3
y a y a
h y 6f y f y f y dy dy 6f y f y f y dy dy = =


( ) ( ) ( ) ( ) ( ( ) ( ) ( )
2
2 2
b b
y
2 X 2 X 3 X 1 3 X 2 X 3 X 2 3
a
y y
h y 6f y f y F y dy 6f y f y F y dy = = (


( ) ( ) ( ) ( ) ( ( ) ( ) ( )
2
b
2 X 2 X 2 X 3 X 2 X 2 X 2
y
h y 6f y F y F y 6f y F y 1 F y = = ( (


Em resumo, a densidade procurada :
( )
( ) ( ) ( )
X 2 X 2 X 2 2
2
6f y F y 1 F y a y b
h y
0 c.c.
< < (

Calcularemos agora a probabilidade citada acima,
( ) ( ) ( ) ( ) ( )
{ }
m
2
2 X 2 X 2 X 2 X 2 2
a
P Y m 6 F y f y F y f y dy = (


( )
( ) ( )
m
2 3
X 2 X 2
2
a
F y F y
P Y m 6
2 3
| (
( (

(
=
(
\

Como ( ) ( )
X X
1
F m e F a 0,
2
= = temos ento que ( )
2
1 1 1
P Y m 6
8 24 2
| |
= =
|
\
, o que
era esperado j que Y
2
a estatstica de ordem que representa o segundo maior valor de
( )
1 2 3
Y , Y , Y , e portanto o seu valor mediano.

Nota:
O procedimento usado no exemplo 5.3 pode ser empregado para obter as densidades de
quaisquer das variveis aleatrias marginais componentes de ( )
1 2 n
Y , Y ,..., Y . Usaremos
a seguir este mtodo para determinar as densidades deY Y
n
, Y
k 1
e , j obtidas em
(5.7), (5.5) e (5.3).

Exerccios 5.

5.1 -. Quando uma amostra de 2m+1 variveis aleatrias independentes e
identicamente distribudas observada, o (m+1)-simo valor observado denominado
mediana da amostra. Se uma amostra de n = 3 de uma varivel aleatria uniforme em
(0,1) realizada , determine a probabilidade de que a mediana pertena ao intervalo
real (0,25 ; 0,75).
Probabilidades
Ence
Frederico Cavalcanti PRBI010 114

5.2 - Seja X uma varivel aleatria com densidade uniforme no intervalo (0,1) e seja
( )
1 2 3
Y , Y , Y a estatstica de ordem associada a uma amostra aleatria de tamanho 3 de
X. Obtenha a densidade de R, amplitude da amostra. Qual a distribuio de R?

5.3 - Seja ( )
1 2 3 4
Y , Y , Y , Y a estatstica de ordem associada a uma amostra de n = 4, de
uma varivel aleatria X com densidade exponencial (1). Calcule a ( )
4
P Y 3 .

5.4 - Seja ( )
1 2 3
X , X , X uma amostra aleatria de uma varivel aleatria X com
densidade ( ) f x 2x , 0 x 1 = < < . Calcule a probabilidade de que o menor valor obtido
dentre X i
i
, , , = 1 2 3 , exceda a mediana de X.

5.5 Seja X uma varivel aleatria tal que ( )
1
f x , x 1, 2, 3, 4, 5, 6.
6
= = Obtenha a
funo de probabilidade da varivel aleatria
i
1 i 5
Y min X

= , associada a uma amostra de
tamanho n = 5 de X.

5.6 Sendo ( )
1 2 5
Y, Y , , Y K a estatstica de ordem associada a uma amostra de X com
funo de de densidade f(x) e funo de distribuio F(x), determine atravs da
integrao da funo de densidade de ( )
1 2 5
Y, Y , , Y K a densidade do segundo valor em
magnitude obtido a amostra.

5.7 Determine a probabilidade de que a amplitude de uma amostra de tamanho n = 3
de uma varivel aleatria X uniforme no intervalo (0,1) seja menor do que 1/2.
b) determine a mesma probabilidade para n = 4.

5.8 Uma amostra de tamanho 2 de uma varivel aleatria X com densidade
( ) ( ) f x 2 1 x = , se 0<x<1, realizada. Qual a probabilidade de que um valor da
amostra seja pelo menos duas vezes maior que o outro?

5.9 Seja X e Y variveis aleatrias independentes com densidades seguintes:
( ) ( )
2
f x 2x , 0 x 1 e f y 3y , 0 y 1 = < < = < <
Sejam U min(X, Y) e V max(X, Y) = = . Determine a funo de densidade de (U,V).


5.10 A funo de densidade de (X,Y) dada por:
( ) ( )
12
f x, y x x y , se 0 x 1 e 0 y 1
7
= + < < < <
Determine a funo de densidade de (U,V), onde U e V so as variveis aleatrias
definidas em 5.9.

5.11 Determine as densidades de
i i
1 i n 1 i n
U min X e V max X

= = , sendo
i
X , i 1, 2,..., n =
variveis aleatrias independentes todas com distribuio exponencial de parmetro .



Probabilidades
Ence
Frederico Cavalcanti PRBI010 115




6. Funes Auxiliares Especiais.
Para dar continuidade ao estudo de variveis aleatrias contnuas faremos uma breve
introduo ao estudo de trs integrais , chamadas Funo Gama, Funo Gama
Modificada e Funo Beta.

Funo Gama
A funo Gama definida pela integral ( )
p 1 x
0
p x e dx
+

=

para todo valor real p,

exceto 0 e os inteiros negativos.

Pela definio, temos que para p = 1,
( ) (
x x
0
0
1 e dx e 1
+
+

( = = =


De forma a verificar uma importante propriedade da funo Gama, consideremos a
seguinte integrao por partes,
( )
p x
0
p 1 x e dx
+

+ =

Fazendo-se,

p p-1
-x -x
u x du=px dx
dv=e dx v = -e
=

Obtemos portanto,
( ) ( ( )
p x p 1 x
0
0
p 1 x e px 1 e dx
+
+

( + =


Prova-se , usando a regra de LHospital que
p x
x
limx e 0

= e por consequncia,
( ) ( ) ( )
p 1 x
0
p 1 p x e dx p 1 p p
+

+ = + =

(1)
Uma variao na apresentao da funo seria
( ) ( ) ( ) p p 1 p 1 = (2)



Se usarmos repetidamente (2),

( ) ( )( ) ( )
( ) ( )( )( ) ( )
p p 1 p 2 p 2
p p 1 p 2 p 3 p 3
=
=


e assim sucessivamente, se p for um inteiro

( ) ( ) ( ) ( ) ( ) ( ) p p 1 p 2 p 3 p 4 .......3.2. 1 =

Como j vimos, ( ) 1 1 = , e, portanto podemos escrever para um natural n 1
( ) ( ) n n 1 ! =
Probabilidades
Ence
Frederico Cavalcanti PRBI010 116
Prova-se que
1
2
| |
=
|
\
, resultado este de grande utilidade em vrias teorias e
exerccios futuros.


Exemplos:
a) ( ) 4 3! 6 = =
b)
5 3 3 3 1 1 3
2 2 2 2 2 2 4
| | | | | |
= = =
| | |
\ \ \

c) ( )
2 x 3 1 x
0 0
x e dx x e dx 3 2! 2
+ +

= = = =


d)
1 3
1
x x x
2 2
0 0 0
2 2 2 2 3
xe dx x e dx x e dx 1
2
+ + +

| |
= = = =
|
\




Funo Gama Modificada.
Uma integral muito comum que aparece nos desenvolvimentos tericos que se seguiro

p 1 ax
0
I x e dx p>0 e a>0
+

=

Faamos
dy
y ax dy adx dx
a
= = =
p 1 +
y p-1 y
p
0 0
y dy 1
I e = y e dy
a a a
+

| |
=
|
\


Finalmente, temos que
( )
p 1 ax
p
0
p
x e dx =
a
+

Funo Beta.
A funo Beta definida pela integral
( ) ( )
1
q 1
p 1
0
p, q x 1 x dx

p > 0 e q > 0.
Faamos
y 1 x dy dx e y: 0 1 = =
( ) ( ) ( ) ( )
0 1
p 1 p 1
q 1 q 1
1 0
p, q 1 y y 1 dy y 1 y dy


= =


( ) ( ) p, q q, p =

A funo Beta(p,q) se relaciona com a funo Gama, de forma que

( )
( ) ( )
( )
p q
p, q
p q

=
+



Probabilidades
Ence
Frederico Cavalcanti PRBI010 117
Exemplo 6.1:
a) ( ) ( )
( ) ( )
( )
1
4
6
0
7 5
6!4! 1
x 1 x dx 7, 5
12 11! 462

= = = =

b) ( )
( ) ( )
( )
1
1 2 3
0 0
2 2
x x 1 1!1! 1
x 1 x dx
2 3 6 4 3! 6
| (
= = = = =
(

\

Varivel Aleatria Exponencial de parmetro .
Dizemos que a varivel aleatria X, do tipo contnuo, no negativa, tem distribuio
exponencial de parmetro , se sua funo de densidade dada por
( )
x
0 x 0
f x
e x 0

<
=

>

O grfico a seguir mostra a funo de densidade de X, exponencial de parmetro = 2.


A distribuio exponencial frequentemente utilizada para modelar fenmenos que
representam durao (ou tempo) de vida de uma vlvula; tempo de espera at que um
equipamento falhe; tempo decorrido entre duas falhas consecutivas de um equipamento;
tempo decorrido entre dois acidentes em algum ponto de uma rodovia, etc...

A ttulo de ilustrao e reviso, a integral da funo de densidade, no conjunto dos reais
positivos deve ser igual a unidade, isto

( ) ( ) (
x x x
0
0 0
e dx 1 e dx e 1
+ +
+

( = = =


Exemplo 6.2
Suponha que a durao de uma chamada telefnica em minutos, seja uma v.a.
exponencial de parmetro de parmetro 0, 5 = . Se voc procura uma cabine telefnica
pblica e algum chega imediatamente na sua frente, calcule a probabilidade de voc
ter que esperar: a) mais do que 10, 8, e 2 minutos; b) entre 10 e 15 minutos e c) menos
do que 50 segundos.
Soluo:
i) se 0, 5 =
a) ( ) (
0,5x 0,5x
10
10
P X 10 0, 5e dx e 0, 0067
+
+

( > = = =


( ) (
0,5x 0,5x
8
8
P X 8 0, 5e dx e 0, 0183
+
+

( > = = =


( ) (
0,5x 0,5x
2
2
P X 2 0, 5e dx e 0, 3679
+
+

( > = = =


Probabilidades
Ence
Frederico Cavalcanti PRBI010 118
b) ( ) (
15
15
0,5x 0,5x
10
10
P 10 X 15 0, 5e dx e 0, 00619

( < < = = =


c) ( ) (
5/ 6
5/ 6
0,5x 0,5x
0
0
P X 5/ 6 0, 5e dx e 0, 659

( < = = =




Clculo da Mdia de X.
( )
( )
x x
2
0 0
2
E X x e dx xe dx
+ +


= = =

( )
1
E X =

Clculo da varincia de X.
( )
( )
2 x
2 3 2
0
3
1 1
VAR X x e dx
+

= =

( )
2
1
VAR X =

Funo de distribuio de X.
1) Se x < 0 F(x) = 0
2) Se x > 0 ( ) (
x
x
x x x
0 0
F x e dx e 1 e

( = = =


Resumindo,
( )
x
0 x 0
F x
1 e x 0

<
=

A funo de distribuio varivel aleatria exponencial (2) mostrada no grfico a
seguir




Varivel Aleatria Gama de parmetros ( ,r).

Dizemos que a varivel aleatria X tem distribuio Gama de parmetros (,r),
( > 0, r > 0), se sua funo de densidade
Probabilidades
Ence
Frederico Cavalcanti PRBI010 119
( )
( )
0 x 0
r
f x
r 1 x
x e x 0
r
<

=


>

Mostra-se facilmente que f(x) uma densidade usando o resultado da funo gama
estudada anteriormente


( ) ( )
( )
r r
r 1 x
r
0
r
x e dx 1
r r
+



= =

Clculo da Mdia de X.

( )
( ) ( )
( )
( )
( )
( )
r r
r 1 x r x
0 0
r
r 1
E X x. x e dx x e dx
r
r 1 r!
E X
r r 1 !
+ +

+

= =

+
= =



( )
r
E X =

Clculo da Varincia de X.

( )
( )
( )
( )
( )
( )
( )
( )
r 2
2 r 1 x
2
0
r 2
r 1 x
2
0
r 2
r 2 2
2
2 2
r
VAR X x x e dx
r
r
VAR X x e dx
r
r 2
r
VAR X
r
r(r 1) r
VAR X
+

+
+
+

=

+

=

+
=

( )
2
r
VAR X =

Nota:
Se fizermos r = 1 na funo densidade da varivel aleatria Gama(,r), verificamos que
a v.a. exponencial () uma das densidades da famlia de variveis aleatrias
Gama(,r).
( )
( )
( )
1
1 1 x x
0 x 0
0 x 0
f x f x
x e x 0 e x 0
1

<
<
= =

> >

( ) ( )
2
1 1
E X e VAR X = =





A seguir so apresentados exemplos grficos de densidades Gama

a) Grfico 1, com = 1 e r = 2.
Probabilidades
Ence
Frederico Cavalcanti PRBI010 120


b) Grfico 2, com = 2 e r = 2


A varivel aleatria Gama( ,r) obtida a partir da v.a. de Poisson( t).

Retomemos ao processo de Poisson , e seja
r
T o tempo decorrido entre um instante
inicial 0 e a r-sima ocorrncia do evento E, r 1. Sendo
r
T uma varivel no negativa,
escrevemos ( )
r
T
F t 0 se t < 0. =

Se t 0, o evento ( )
r
T t > equivalente ao evento ocorrer menos do que r eventos E
no intervalo de tempo [0,t), cuja probabilidade igual a ( ) P X r 1 , onde X uma v.a.
de Poisson(t), de forma que
( ) ( )
( )
k
r 1
t
r
k 0
t
P T t P X r 1 e
k!

> = =

Sendo assim, a funo de distribuio de
r
T , o tempo da r-sima ocorrncia de E
igual a
( ) ( )
( )
k
r 1
t
T r
k 0
r
t
F t P T t 1 e
k!

= =

Para obtermos a funo de densidade de
r
T , fazemos ( ) ( )
r r
'
T X
f t F t = , isto :
( ) { }
( )
r
k k k 1 r 1 r 1 r 1
k 1 t k t t k k 1
T
k 0 k 0 k 1
f t kt e t e e t t
k! k! k 1 !


= = =


= =
`

)


Fazendo-se j = k-1 no ltimo somatrio, temos:
( )
( )
r
k j r 1 r 1 r 2
t k j t r 1
T
k 0 j 0
f t e t t e t
k! j! r 1 !


= =


= =
`

)


Probabilidades
Ence
Frederico Cavalcanti PRBI010 121
( )
( )
r
r
r 1 t
T
f t t e , t>0
r

A varivel
r
T tem distribuio Gama, e quando obtida atravs do Processo de Poisson
chamada varivel aleatria de Erlang de parmetros e r.


Exemplo 6.3
O nmero de chamadas que demandam a uma mesa telefnica tem distribuio de
Poisson a uma taxa de 120 por hora durante o perodo de 9:00 s 12:00 horas. Seja
10
T
o instante (em minutos) no qual a dcima chamada recebida a partir das 9:00 horas.
De acordo com a teoria exposta,
a)
10
T tem distribuio Erlang de parmetros
120
2
60
= = e r = 10.
b) ( )
10
10
E T
2
= = 5. Logo, a dcima chamada esperada s 9:05 horas.
c) A probabilidade da 10
a
chamada ocorrer antes das 9:05 horas
igual a
( )
( )
k
10
9
10
k 0
10 e
P T 5 1 0, 542
k!

=
< = =

d) A probabilidade da 10
a
chamada ocorrer entre 9:05 e 9:07 horas
igual a
( )
( ) ( )
k k
14 10
9 9
10
k 0 k 0
14 e 10 e
P 5 T 7 1 1
k! k!

= =
| | | |
< < = | |
| |
\ \

= 0,349

Varivel Aleatria Beta de parmetros p e q.

Dizemos que a varivel aleatria X tem distribuio Beta de parmetros p e q,
( ) p 0 e q 0 > > , se sua funo de densidade
( )
( )
( ) ( )
( )
q 1
p 1
0 x 0
p q
f x x 1 x 0 x 1
p q
0 x 1

<

= < <

>

O coeficiente do polinmio em x da densidade da v.a. Beta o inverso do valor da
funo Beta(p,q), ou seja,
( )
( )
( ) ( )
p q
1
B p, q p q
+
=

. Por consequncia fica simples provar
que integral de f(x) em (0,1) igual unidade

( )
( ) ( )
( )
( )
( ) ( )
( )
1
q 1
p 1
0
p q p q
x 1 x Beta p, q 1
p q p q

+ +
= =

Clculo da mdia de X.
Probabilidades
Ence
Frederico Cavalcanti PRBI010 122


( )
( )
( ) ( )
( )
( )
( ) ( )
( )
( )
( )
( ) ( )
( )
( )
( ) ( )
( ) ( )
( )
( )
( )
( ) ( )
1 1
q 1 q 1
p 1 p
0 0
p q p q
E X x.x 1 x dx x 1 x dx
p q p q
p q p q p 1 q
E X Beta p 1, q
p q p q p q 1
p q 1 !
p!
E X
p q ! p 1 !

+ +
= =

+ + +
= + =
+ +
+
=
+


( )
p
E X
p q
=
+


Clculo da Varincia de X.


( )
( )
( ) ( )
( )
( )
( )
( ) ( )
( )
( )
( ) ( )
( ) ( )
( )
( )
( )
( )
( )
( )
( )
( )
( )
( ) ( )
( )
2
1
q 1
2 p 1
0
2
1
q 1
p 1
0
2
2
2
2
2
p q p
VAR X x x 1 x dx
p q p q
p q p
VAR X x 1 x dx
p q p q
p q p 2 q p
VAR(X)
p q p q 2 p q
p q 1 ! p 1 ! p
VAR x
p 1 ! p q 1 !
p q
p p 1
p
VAR X
p q p q 1
p q

+
+ | |
=
|
+
\
+ | |
=
|
+
\
+ + | |
=
|
+ + +
\
+ +
=
+ +
+
+
=
+ + +
+

Finalmente,
( )
( ) ( )
2
pq
VAR X
p q p q 1
=
+ + +


A seguir so apresentados diversos grficos de densidades Beta

a) Grfico 1, com p = 1/2 e q= 1/2.


b) Grfico 2, com p = 2 e q = 2.
Probabilidades
Ence
Frederico Cavalcanti PRBI010 123


c) Grfico 3, com p = 25 e q = 100.



d) Grfico 4, com p = 15 e q = 60.



A Varivel Beta obtida atravs de Uniformes no intervalo (0,1).

Desenvolveremos a seguir a teoria de uma particular aplicao da distribuio Beta.

Consideremos
i
X , i 1, 2, 3,..., n = uma sequncia de variveis aleatrias independentes
com distribuio uniforme no intervalo (0,1).
Para um valor fixado de t, ( ) 0 t 1 , os eventos ( )
i
X t so independentes, tais que
( )
i
P X t t = constante para todo i=1,2,...,n.

Nestas condies as variveis aleatrias uniformes em questo definem uma
sequncia de n provas de Bernoulli.

Probabilidades
Ence
Frederico Cavalcanti PRBI010 124
Representemos por
r
Y o r-simo valor (em ordem de grande crescente) dentre as v.as.
1 2 n
X , X ,..., X . O evento ( )
r
Y t > ocorre se, e somente se, no mximo (r-1) das
variveis
1 2 n
X , X ,..., X assumirem um valor menor ou igal a t, e isto equivale ao
evento ocorrer no mximo (r-1) sucessos nas n provas de Bernoulli(t).

Por outro lado, o nmero de sucessos em n provas de Bernoulli(t) uma v.a. Binomial
(n,t) e assim obtemos
( ) ( )
r 1
n k
k
r
k 0
n
P Y t t 1 t , 0<t<1
k

=
| |
> =
|
\

e a funo de distribuio de
r
Y
( ) ( ) ( )
r 1 n
n-k n k
k k
Y
r
k 0 k=r
n n
F t 1 t 1 t = t 1 t
k k

=
| | | |
=
| |
\ \


A densidade de
r
Y obtida derivando-se em relao a t a funo de distribuio

( )
( )
( ) ( )( )
{ }
n
n
n k n k 1 k 1 k
f t kt 1 t t n k 1 t
Y
r k
k=r

=

( )
( ) ( )
( )
( )
( )
n 1 n
n! n!
n k n k 1 k 1 k
f t t 1 t t 1 t
Y
r k 1 ! n k ! k! n k 1 !
k=r
k r

=

=

Fazendo-se j = k-1 no primeiro somatrio, obtemos
( )
( )
( )
( )
( )
n 1 n 1
n! n!
n j 1 n k 1 j k
f t t 1 t t 1 t
Y
r j! n j 1 ! k! n k 1 !
j=r 1
k r


=

Cancelando-se devidamente as parcelas simtricas, permanece a parcela do primeiro
somatrio onde j = r-1, e finalmente,
( )
( ) ( )
( )
n! r 1 n r
f t t 1 t 0<t<1
Y
r 1 ! n r ! r

=



Assim o r-simo valor obtido na realizao de n v.as. independentes, uniformes no
intervalo (0,1) tem distribuio Beta de parmetros r e n-r+1.




Exemplo 6.4
Suponha que 6 nmeros pertencentes ao intervalo (0,1) sejam gerados aleatoriamente
por computador. Seja Y o menor nmero obtido na experincia. Determine
a) P(Y < 0,3) b) P(Y > 0,5) c) E(Y)
Soluo:
A varivel aleatria . Y, menor valor obtido uma varivel aleatria Beta de parmetros
p = 1 e q = 6,e sua funo de densidade
( ) ( ) ( ) ( )
6 1 5
1 1
6!
f t t 1 t f t 6 1 t , 0<t<1
0!5!

= =

a) ( ) ( )
0,3
5 6
0
P(Y 0, 3) 6 1 t dt 1 0, 7 1 0,118 0, 882 < = = = =

Probabilidades
Ence
Frederico Cavalcanti PRBI010 125
b) ( ) ( )
1
5 6
0,5
P(Y 0, 5) 6 1 t dt 0, 5 0, 015 > = = =

c) ( )
p 1
E Y 0,142
p q 7
= = =
+


Exemplo 6.5
Suponha que a proporo X de tens defeituosos em um lote de tamanho N (N)
uma varivel aleatria Beta (p,q)

a) Se um tem selecionado ao acaso qual a probabilidade que ele seja defeituoso?
b) Se dois tens so selecionados ao acaso qual a probabilidade que ambos sejam
defeituosos?
Soluo:
Se N irrelevante a considerao dos esquemas com reposio e sem reposio e
neste caso as retiradas podem ser consideradas provas de Bernoulli independentes com
probabilidade de sucesso igual a p =
p
p q +
que representa a mdia do nmero de tens
defeituosos no lote. Desta forma

a) P(um tem ser defeituoso) =
p
p q +

b) P(ambos tens defeituosos) =
2 0 2
2
p p p
1
2 p q p q p q
| || | | | | |
=
| | | |
+ + +
\ \ \ \




Varivel Aleatria Normal de parmetros m e .

Dizemos que a varivel aleatria X tem distribuio normal de parmetros m e ,
representada simbolicamente por N(m,), se sua funo de densidade
( )
( )
2
x m
2
2

2
1
f x - <x<+ e

= , onde m R e > 0.

A distribuio normal desempenha um papel muito importante na teoria e prtica
estatstica. Esta distribuio largamente utilizada na Inferncia Estatstica para
determinarmos probabilidades relevantes, pois ela pode ser usada como aproximao
das distribuies de inmeros modelos obtidos atravs de transformaes lineares de
variveis aleatrias independentes. Frequentemente ela serve para modelar
comportamento, medidas fsicas e industriais e vrios outros tipos de dados
quantitativos.

Clculo da Mdia de X.
A mdia de uma v.a. X, N(m,), E(X) = m e foi calculada como ilustrao no
Exemplo 10.5.

Clculo da Varincia de X.
Probabilidades
Ence
Frederico Cavalcanti PRBI010 126
( ) ( )
( )
2
2
2
x m
1
Var X x m exp dx
2 2
+

=
`


)

Fazendo-se y = x-m, temos dy=dx,

2
y
2
1
2 2
VAR(X) y e dy
2

Fazendo-se
2
dw
w y dw=2ydy dy
2 w
= =

2
0
2 w dw
VAR(X) wexp
2 2 2 w
+

=
`
)

( )
( )
( )
3 2
2
0
2
3
1 w
2
VAR X w exp dw
2 2
1
2
+


= =
`
)

( )
( )
( )
3
3
2
1
1
VAR X
2
2 2

=


Finalmente obtemos,
( )
2
VAR X =









Varivel Aleatria Reduzida de uma v.a. X.

Definio 6.1
Seja X uma varivel aleatria com mdia m e desvio padro . Chama-se varivel
aleatria centrada de X varivel aleatria transformada de X definida por Y = X - m.

Nota:

( ) ( ) ( ) ( )
( ) ( ) ( ) ( )
2 2
E Y E X m E X E m m m 0
VAR Y VAR X m VAR X VAR m 0
= = = =
= + = + = + =


Definio 6.5
Seja X uma varivel aleatria com mdia m e desvio padro . Chama-se varivel
reduzida de X varivel aleatria transformada de X definida por
X m
Z

=

.
Nota:
Probabilidades
Ence
Frederico Cavalcanti PRBI010 127

( ) ( ) ( )
( ) ( ) ( )
2
2 2
X m 1
E Y E E X E m 0
X m 1 1
VAR Y VAR VAR X VAR m 1
| |
= = = (
|

\
| |
= = = = (
|

\


Observamos, portanto, que as duas variveis aleatrias transformadas de X, tem
caractersticas prprias: a varivel aleatria centrada tem mdia 0 e desvio padro igual
ao desvio padro de X, enquanto que a varivel aleatria reduzida tem mdia 0 e desvio
padro 1. importante registrar que os resultados comentados so vlidos para qualquer
varivel aleatria, pois no fizemos nenhuma referncia distribuio de X.

A aplicao da definio de varivel aleatria reduzida distribuio N(m,), uma
ferramenta muito importante no clculo de probabilidades envolvendo a varivel
aleatria normal como veremos breve.


Varivel Aleatria Normal de mdia 0 e desvio padro 1.

Seja X uma varivel aleatria N(m,) e consideremos a varivel reduzida de X, ou seja
X m
Z

=

. Determinaremos a seguir a funo de densidade de Z.

( ) ( ) ( )
Z
X m
F z P Z z P z P X m z
| |
= = = +
|

\

Podemos ento relacionar as funes de distribuies de X e Z, isto
( ) ( )
Z X
F z F m z = +
Derivando-se em relao a z, obtemos

( )
( )
( )
( ) ( )
Z X
Z X
d m z
f z f m z
dz
f z f m z
+
= +
= +

Aplicando o resultado na funo de densidade da N(m,), temos a funo de densidade
da N(0,1)

( )
( )
( )
( )
2
Z 2
2
z
1
f z exp
Z
2
2
2
m z m
1
f z exp
2 2

=
`

)

+

=
`


)


E assim, por fim, determinamos a densidade da V.A. normal de mdia 0 e desvio 1,
tambm denominada normal padro.

( )
2
z
2
Z
1
f z e , z
2

= < <

A funo de densidade acima pode ser obtida simplesmente fazendo-se m = 0 e = 1 na
densidade da N(m, ). No entanto importante registrar que a varivel aleatria normal
Probabilidades
Ence
Frederico Cavalcanti PRBI010 128
padro obtida atravs de uma transformao linear da v.a. N(m, ), como podemos
verificar na soluo do seguinte exerccio.


Exemplo 6.6
Sendo X uma v.a. N(2; 0.5), calcule as seguintes probabilidades

( ) ( )
( ) ( ) ( )
Z Z
1 2 X 2 1, 5 2
a) P 1 X 1, 5 P P 2 Z 1
0, 5 0, 5 0, 5
P 1 X 1, 5 F 1 F 2 0,1587 0, 0227 0,1360
| |
< < = < < = < <
|
\
< < = = =


O grfico que segue mostra a rea igual a 0,1360 correspondente projeo de f(x)
sobre o intervalo(1;1,5)



( )
( )
Z
X 2 1, 5 2
b) P(X>1,5)=1-P X 1,5 1 P
0, 5 0, 5
P(X>1,5)=1-F 1 1 0,1587 0,8413
| |
=
|
\
== =
intervalo (1,5 ; +).

O grfico abaixo mostra a rea igual a 0,8413 correspondente projeo de f(x) sobre o

( )
( ) ( ) ( )
Z Z
1, 9 2 X 2 2,15 2
c) P 1,9<X<2,15 P
0, 5 0, 5 0, 5
P 1,9<X<2,15 F 0, 3 F 0, 2 0, 6179 0, 4207 0,1972
| |
= < <
|
\
= = =

O grfico abaixo mostra a rea igual a 0,1972 correspondente projeo
de f(x) sobre o intervalo (1,9 ; 2,15).

Probabilidades
Ence
Frederico Cavalcanti PRBI010 129


Exemplo 6.7
Suponha que o tempo de vida (em horas) de um dispositivo eletrnico fabricado por um
certo processo normalmente distribudo com parmetros m = 160 horas e desvio
padro . Qual o valor de de forma que a vida X do dispositivo esteja compreendida
entre 120 e 200 horas, com probabilidade igual a 0,8?
Soluo:
Se X N(160, ), ento

120 160 X 160 200 160 40 40
P 0,80 P Z 0,8
| | | |
< < = < < =
| |

\ \

Consultando a tabela da N(0,1) verificamos que ( ) P Z 1, 28 0, 90 < = e por consequncia
escrevemos

40 40
1, 28 31, 25
1, 28
= = =

Exemplo 6.8
Suponha que numa certa populao a altura (em centmetros) de um homem com 21
anos de idade, seja uma varivel aleatria normal com mdia m = 170 e desvio padro
= 5. Um homem com aquela idade selecionado aleatoriamente da populao. Qual a
probabilidade condicional que sua altura seja maior do que 170 centmetros dado que
ela maior do que 160 centmetros?
Soluo:

( )
( )
( )
( )
( )
( )
( )
( )
( )
( )
P X 170 e X 160 P X 170
P X 170/ X 160
P X 160 P X 160
P Z 170 170/ 5 P Z 0
P X 170/ X 160 0, 5116
P Z 160 170/ 5 P Z 2
> > >
> > = =
> >
> >
> > = = =
> >



7. Momentos de uma varivel aleatria X.

Definio 7.1
Seja X uma varivel aleatria com funo de distribuio F(x). Chama-se momento
ordinrio de ordem S da v.a. X e se representa por ( )
S
X expectncia da funo
S
G(X) E(X ) = , para todo S = 0,1,2,3...

Probabilidades
Ence
Frederico Cavalcanti PRBI010 130
1. Se X do tipo discreto, assumindo valores k = 0,1,2,3..., com probabilidades
( )
k
p P X k = =
( ) ( )
k
S
k
X x P X k = =

2. Se X do tipo contnuo, tendo funo de densidade f(x)
( )
S
S
X x f (x)dx
+

Obs 1: Em ambos os casos a existncia do momento ordinrio de ordem S de X est
condicionada convergncia da soma ou da integral acima definidas.

Obs 2: Os casos particulares de ( )
S
X so bvios: para s = 0, ( )
0
X 1 = e para s = 1,
( ) ( )
1
X E X . =


Exemplo 7.1
Calcular o momento ordinrio de ordem S > 0 da varivel aleatria de Bernoulli (p).
( ) ( ) ( )
1
1 k 1 0
S k 1
S
k 0
X k p 1 p 0 p 1 p p

=
= = + =

Resumindo,
( )
S
1 S 0
X
p S 1, 2, 3,...
=
=

=

Exemplo 7.2
Calcular o momento de ordem S > 0 da varivel aleatria Gama de parmetros e r.

( )
( )
( )
( )
( )
r
s r 1 x
S
0
r
S
r s
X x x e dx
r
r s
X
r
+

+

+
=

( )
( )( ) ( ) ( )
( )
S
S
r s 1 r s 2 ... r 1 r r 1 !
X
r 1 !
+ + +
=


Finalmente,


( )
( )( ) ( )
S
S
r r 1 r 2 ... r s 1
X
+ + +
=

Exemplo 7.3
Calcular o momento ordinrio de ordem s > 0 da varivel aleatria Normal (0,1).
( )
2
x
s
2
S
1
X x e dx
2
+

Probabilidades
Ence
Frederico Cavalcanti PRBI010 131
Se s = 2k-1, k = 1,2,3...a integral se d sobre uma funo mpar e consequentemente
( )
2k 1
X 0.

=
Se s = 2k, ( )
2
x
2k
2
2k
0
2
X x e dx
2
+

Fazendo-se
2
y x = dy = 2xdx dx =
dy
2 y


( )
( )
( )
( )
1 y
k
2 2
2k
0
k
1
k
2
1
X y e dy
2
1
k
1 2
2
1
k !
2
2
1
2
+

+
=

+
= =

( )
k
2k
2 1 3 5 3 1 1
X k k ....
2 2 2 2 2 2
| || | | |
=
| | |
\ \ \


( )
( ) ( )( )( )
k
2k
2k
2k 1 2k 3 5 3 1
X 2 ....
2 2 2 2 2
X 2k 1 2k 3 2k 5 .... 5 3 1

| || |
=
| |
\ \
=


( )
( )( )( )( )( )
( )( )
2k
2k 2k 1 2k 2 2k 3 2k 4 2k 5 ....5 4 3 2 1
X
2k 2k 2 2k 4 .... 6 4 2

=



( )
( )
2k
k
2k !
X
2 k!
=

Em resumo temos finalmente que


( )
( ) S
k
0 se s=2k-1
X
2k !
se s = 2k
2 k!
k 1, 2,3,...

=


Definio 7.2
Seja X uma varivel aleatria com funo de distribuio F(x). Chama-se momento
central de ordem S da v.a. X e se representa por ( )
s
X mdia da funo
( )
S
G(X) E X E X = (

, para todo S = 0,1,2,3...
1. Se X do tipo discreto, assumindo valores k = 0,1,2,3..., com probabilidades
( )
k
p P X k = =
( ) ( ) ( )
S
S
k
X x E X P X k = = (

2. Se X do tipo contnuo, tendo funo de densidade f(x)
Probabilidades
Ence
Frederico Cavalcanti PRBI010 132
( ) [ ]
S
S
X x E(X) f (x)dx
+

Nota 1: Em ambos os casos a existncia do momento central de ordem S de X est
condicionada convergncia da soma ou da integral acima definidas.

Nota 2: Os casos particulares de ( )
S
X so bvios: para S = 0, ( )
0
X 1 = e para S =
1, ( )
1
X 0. =



Funo Geratriz de Momentos de uma v.a. X.

Definio 7.3
Seja X uma varivel aleatria com funo de distribuio F(x). Chama-se funo
geratriz de momentos de X e se representa por ( )
X
M t expectncia da funo
tx
G(X) e = , onde t R.
1. Se X do tipo discreto assumindo valores k = 0,1,2,3....
( ) ( )
tx
X
k
M t e P X x = =

2. Se X do tipo contnuo
( ) ( )
tx
X
M t e f x dx
+

Exemplo 7.4
Calcular a funo geratriz de momentos da v.a. Binomial(n,p)
( ) ( )
n n
k
tx k n k t n k
X
k 0 k 0
n n
M t e p q pe q
k k

= =
| | | |
= =
| |
\ \



( ) ( )
n
t
X
M t q pe = +

Exemplo 7.5
Calcular a funo geratriz de momentos da v.a. Poisson ().
( )
( )
k
t
k
t
tk e
X
k 0 k 0
e
e
M t e e e e
k! k!


= =

= = =


( )
( )
t
e 1
X
M t e

=
Exemplo 7.6
Calcular a funo geratriz de momentos da varivel aleatria Normal (0,1).
( ) ( )
2
x
2
X
tx tx
e e
1
M t E . e dx
2
+

= =

( )
( )
2 2 2 2 2
t t 2tx x t x t
2 2 2 2 2 2
X
1 1
M e e e e dx e e dx
t
2 2
+ +



= =



Finalmente,
Probabilidades
Ence
Frederico Cavalcanti PRBI010 133
( )
X
2
t
2
M t e =

Propriedades da Funo Geratriz de Momentos.

1 - ( ) ( ) ( )
0 x
X
M 0 E e E 1 1

= = =

2 - Se X tem funo geratriz de momentos ( )
X
M t e se Y = aX + b , ento
( ) ( )
bt
Y X
M t e M at = .
Prova:

( ) ( )
( )
( ) ( )
t aX b tY tb atX
Y
M t E e E e E e e
+
= = = =
( )
tb atX
e E e

( ) ( )
tb
Y X
M t e M at =

3 - Se
1 2 n
X , X ,..., X so variveis aleatrias independentes todas com a mesma
distribuio e com funes caractersticas ( )
i
X
M t , i 1, 2,3,..., n = . Se Y soma das
variveis
i
X ,i 1, 2,3,..., n = , isto
n
i
i 1
Y X
=
=

, ento
( ) ( )
i
n
Y X
M t M t ( =



4. Se X tem funo geratriz ( )
X
M t ento sua derivada de ordem s no ponto t = 0
produz o momento ordinrio de ordem s de X , isto
( )
( ) ( )
s
X s
t 0
M t X
=
= .
Prova:
Admitamos que X seja uma varivel aleatria do tipo contnuo com funo de
densidade. Se X for do tipo discreto o procedimento anlogo.
( ) ( )
tx
X
M t e f x dx
+

( ) ( ) ( ) ( ) ( )
tx
X X
M t xe f x dx M 0 xf x dx E X
+ +

= = =


( ) ( ) ( ) ( ) ( )
2 2 2
X X
tx
M t x f x dx M 0 x f x dx E X e
+ +

= = =


E assim por diante,

( )
( ) ( )
( )
( ) ( )
( ) X X
s s
s tx s S
M t x e f x dx M 0 x f x dx E X
+ +

= = =


Exemplo 7.7
Obtenha a funo geratriz de momentos da varivel aleatria N(m,) e use-a para
calcular a mdia e a varincia de X.
Soluo:
Se X N(m,)
X-m
Z=

N(0,1) X Z m = + .
De acordo com a propriedade 2, ( ) ( )
X Z
mt
M t e M t = e portanto
Probabilidades
Ence
Frederico Cavalcanti PRBI010 134
( )
X
2 2
t
mt
2
M t e

+
=
Clculo dos momentos ordinrios de ordem s = 1,2.

( ) ( ) ( )
( ) ( )
( )
' 2 '
X X
2
'' 2 2
X
'' 2 2
X
2 2
t
mt
2
M t m t e M 0 m
2 2 2 2
t t
mt mt
2 2
M t m t e e
M 0 m

+
= + =

+ +
= + +
= +


Desta forma VAR(X) =
( )
2 2 2 2
m m VAR X + = .

Exemplo 7.8
Obtenha a mdia e varincia da v.a. Binomial (n,p) usando sua funo geratriz.
Soluo:

( ) ( )
( ) ( ) ( ) ( )
n
t
X
n 1
' t t '
X X
M t q pe
M t n q pe pe M 0 np E X

= +
= + = =

( ) ( ) ( )( )
n 1 n 2
'' t t t t t
X
M t np e q pe e n 1 q pe pe

(
= + + +
(


( ) ( )
'' 2 2 2
X
M 0 np 1 n 1 p np n p np = + = + (



( )
( )
( ) ( )
2 2 2 2 2
2
VAR X np n p np n p
VAR X np np VAR X np 1 p npq
= +
= = =



8 - Funo caracterstica de uma varivel aleatria X.

Definio 8.1
Seja X uma varivel aleatria com funo de densidade f(x) ou funo de probabilidade
P(x). Chama-se funo caracterstica da varivel aleatria X funo ( )
X
t obtida
quando calculamos a mdia de ( ) { } g X exp itX = , isto ( ) { }
itX
X
t E e = , onde
t R e i = 1.

i) se X uma varivel aleatria do tipo contnuo,
( )
itx
X
t e f (x) dx
+

ii) se X do tipo discreto assumindo determinaes k,
( )
itk
X
k
t e P(X k) = =

Obs:
A funo caracterstica de uma varivel aleatria X uma funo complexa de varivel
real.
( ) { } ( ) ( ) { }
itX
X
t E e E cos tX i sen tX = = +

Probabilidades
Ence
Frederico Cavalcanti PRBI010 135
( ) { } ( ) { }
{
( ) { }
{
parte real parte complexa
itX
X
t E e E cos tX i E sen tX

= = +
14243 1442443


Exemplo 8.1
Se X uma varivel aleatria Binomial (n,p),


( ) ( )
( ) ( ) ( )
( ) ( )
n
n k
itk k
X
k 0
n
k
n k
it
X
k 0
n
it
X
n
t e p 1 p
k
n
t pe 1 p
k
t q pe , q 1 p

=
| |
=
|
\
| |
=
|
\
= + =

Exemplo 8.2
Se X uma varivel aleatria com funo de probabilidade ( )
1
P X k , k 1,1
2
= = = ,
ento, ( ) [ ]
it it
X
1 1 1
t e e cos t i sen t cos t i sen t cos t
2 2 2

= + = + + = .


Exemplo 8.3
Se X tem distribuio exponencial (),


( )
( )
( )
( )
( )
itx x ( it ) x
X
o 0
1
X X
t e e dx e dx
1
it
t t 1
it
+ +

= =

| |
= =
|

\



8.1 - Propriedades da funo caracterstica.

i) Para toda varivel aleatria X existe sempre a funo ( )
X
t .

Observe que ( ) ( )
itk
k k
e P X k P X k 1 = = = =

o que significa que a soma
absolutamente convergente. O mesmo raciocnio pode ser adotado para o caso em que a
varivel aleatria X do tipo contnuo.
Obs: ( ) ( ) ( ) ( ) 1 tk sen tk cos tk sen i tk cos e
2 2 itk
= + = + =

ii) ( )
X
0 1 =
( ) { } { }
i 0 X
X
0 E e E 1 1

= = =

iii) ( ) ( )
X X
t t =
( ) { } ( ) { } ( ) { }
itX
X
t E e E cos tX i E sen tX = = +
( ) ( ) { } ( ) { } ( ) { } ( ) { }
X
t E cos tX i E sen tX E cos tX i E sen tX = = +
Probabilidades
Ence
Frederico Cavalcanti PRBI010 136

( ) ( ) ( ) { } { } ( )
itX
X X
t E cos tX i sen tX E e t

= + = =

iv) ( )
X
t 1

{ } { }
{ }
itX itX
E e E e E 1 1 = =

v) Se X tal que ( ) ( ) f x f x = ento ( )
X
t real.
Prova:
Se ( ) ( )
X X
f x f x = X e (-X) tem a mesma distribuio ( ) ( )
X X
t t

= .


{ } { } { }
( ) ( ) ( )
itX it ( X) i ( t )X
X X X
E e E e E e
t t t

= =
= =


Ora, se um nmero complexo igual ao seu conjugado ento ele real.

vi) ( )
X
t contnua para todo t R , isto , ( ) ( )
0
X X 0
t t
lim t t

= .

( ) ( )
0
0 0
0
it x itx itx
X X 0
t t t t
t t
lim t lim e f (x) dx lime f (x) dx e f (x) dx t
+ + +

(
= = = =
(





8.2 - Clculo dos momentos ordinrios de X.

A funo caracterstica ( )
X
t gera os momentos ordinrios da varivel aleatria X. A
demonstrao que segue supe que X seja do tipo contnuo e procedimento anlogo
pode ser adotado no caso discreto.
Por definio,

( ) ( )
itx
X
t e f x dx
+

Calculemos a primeira derivada de ( )
X
t ,


( )
( ) ( )
X itx itx itx
d t
d d
e f x dx e f (x) dx ix e f (x) dx
dt dt dt
+ + +

= = =


Fazendo-se t = 0,


( )
( )
X i 0 x
1
t 0
d t
ix e f (x) dx i x f (x) dx i X
dt
+ +


=

= = =


A segunda derivada resulta em,


( )
( )

+

+

= = =

dx ) x ( f e x i dx x f e
dt
d
dt
t d
itx 2 2 itx
2
2
X
2

Fazendo-se t = 0,
Probabilidades
Ence
Frederico Cavalcanti PRBI010 137


( )
( ) X i dx ) x ( f x i
dt
t d
2
2 2 2
0 t
2
X
2
= =

+

=


e assim sucessivamente, a derivada de ordem s, ser


( )
( )

+

+

= = =

dx ) x ( f e x i dx x f e
dt
d
dt
t d
itx S S itx
S
S
X
S

Fazendo-se t = 0,


( )
( ) X i dx ) x ( f x i
dt
t d
S
S S S
0 t
S
X
S
= =

+

=

Logo,

( )
( )
0 t
S
X
S
S
S
dt
t d
i
1
X
=

=

Exemplo 8.4
Calcular a funo caracterstica da varivel aleatria N(0,1).
Soluo 1:

( )
2
x
itx
2
X
1
t e e dx
2
+

Multiplicando-se por e e
t t
2 2
2 2
1 =

, temos,


( )
( )
2 2 2
2 2 2
t t x
itx
2 2 2
X
t x t
itx
2 2 2
X
1
t e e e e dx
2
1
t e e e e dx
2
+

( )
( )

+
+
+
+

= dx e
2
1
e dx e e e
2
1
e t
2 2 2
2 2 2 2
t i xit 2 x
2
1
2
t
2
t
2
x
2
itx 2
2
t
X

Escrevemos ento,

( )
( )
( )
2 2 2
t t
2 2
X X
x it
1
t e exp dx t e
2
2
+

= =
`

Soluo 2:

Podemos escrever
( )
s
itx
s 0
itx
e
s!

=
=

.
Ento,

Probabilidades
Ence
Frederico Cavalcanti PRBI010 138


( )
( )
( )
( ) ( )
( )
2
2
s
x
2
X
s 0
s s
x
s
2
X s
s 0 s 0
itx
1
t e dx
s!
2
it it
1
t x e dx X
s! s!
2
+

= =

= =

A expresso geral do momento ordinrio de ordem s de uma varivel aleatria N(0,1) ,
segundo o exerccio 6.17,

( ) ( )
s
k
0 s 2k 1
X k 0,1, 2,... 2k !
s 2k
2 k!
=

= =

Substituindo-se na expresso anterior,


( )
( )
( )
( )
2k
X
k
2k 0
it 2k !
t
2k ! 2 k!

=
=

( ) ( )
2 k
t 2
2
X X
k 0
t 1
t t e
2 k!

=
| |
= =
|
\

Exemplo 8.5

Calcular a mdia da varivel aleatria X, geomtrica (p), utilizando propriedades da sua
funo caracterstica.
Soluo:


( ) ( )
( ) ( )
k
itk k 1 1 it
X
k 1 k 1
it it
X X
it it
t e pq pq qe
p qe pe
t t
q 1 qe 1 qe


= =
= =
= =




( )
( )
it 2it
X
it 2
it
d e qe
t ip
dt 1 qe
1 qe


= +
`

)


( )
( )
X
2
t 0
d 1 q 1
t ip i
dt 1 q p
1 q =


= + =
`

)

Logo,
Probabilidades
Ence
Frederico Cavalcanti PRBI010 139

( )
1
1
X
p
=



8.3 - Desenvolvimento em srie de Mac Laurin de ( )
X
t .

O desenvolvimento em srie de ( )
X
t de importncia mito grande no estudo dos
teoremas limites que veremos na prxima seo.


( )
( )
( )
( )
( )
k
s
s 1
k S t 0
X
k 0
t
t
t t t , 0 1
k! s!

=
=

= + < <

Somando-se e subtraindo-se
( )
( )
s
S t 0
t
t
s!
=

.

( )
( )
( )
( )
( )
( )
( )
( )
k s
s
s
k s s t 0 t 0
X
k 0
h s, ,t
t t
t
t t t t
k! s! s!
= =
=

= +

1444442444443

Prova-se que h(s,,t) um infinitsimo de maior ordem que t
s
, ou seja


( )
( )
S
S
t 0
h s, , t
lim 0 h o t
t

= =
Logo,

( )
( )
( )
( )
k
S
k S t 0
X
k 0
t
t t o t
k!
=
=

= +

ou
( )
( )
( )
k
S
k k S
X
k 0
i X
t t o t
k!
=

= +

Obs:
O momento ordinrio de ordem k de X o coeficiente do termo
( )
k
it
k!
no
desenvolvimento em srie de ( )
X
t .


8.4 - Funo caracterstica de uma transformao linear de variveis aleatrias.

Seja X uma varivel aleatria com funo caracterstica ( )
X
t e seja Y aX b = + onde
b e a 0 so constantes. A funo caracterstica da transformada Y ento,
Probabilidades
Ence
Frederico Cavalcanti PRBI010 140


( ) ( )
( )
( ) ( ) ( )
( ) ( )
it aX b itY itaX itb itb itaX
Y
itb
Y X
t E e E e E e e e E e
t e ta
+
= = = =
=


Consideremos agora a varivel aleatria n-dimensional ( )
1 2 n
X , X ,..., X e seja a
transformada Y a X
j j
j
n
=
=

1
.
Aplicando a definio, temos

( )
j j
n n
ita X
Y j j
j 1 j 1
t E exp it a X E e
= =
( (
= =
( ` (
(
)

.
Os casos particulares que seguem tm especial importncia na teoria estatstica,

i) se as variveis aleatrias X j n
j
, , ,..., = 1 2 so independentes, ento,
( )
{ } ( )
j j j j
j
n n n
ita X ita X
Y X j
j 1 j 1 j 1
t E e E e ta
= = =
(
= = =
(




ii) se as variveis aleatrias X j n
j
, , ,..., = 1 2 so independentes, todas com a mesma
distribuio de probabilidades e a a
j
= para todo j = 1,2,...,n, ento,

( ) ( )
n
Y X
t ta = (



Exemplo 8.6
Sendo X uma varivel aleatria N(0,1) obtenha a funo caracterstica da varivel
aleatria Y, normal de mdia e desvio padro .
Soluo:
A varivel aleatria X a reduzida de Y, ou seja X
Y
=

e, por conseqncia Y
uma transformada linear de X, onde a constantes a e b so respectivamente e , ou
seja

Y X = +
Aplicando-se a propriedade adequada, temos

( ) ( )
it
Y X
t e t

=
Logo,

( )
2 2
t
it
2
Y
t e

=



Exemplo 8.7
Probabilidades
Ence
Frederico Cavalcanti PRBI010 141
Sejam X X X
n 1 2
, ,..., variveis aleatrias independentes, todas com a mesma
distribuio. A funo caracterstica da transformada X
n
X
i
i
n
=
=

1
1
dada por:

( )
i
n
X
X
t
t
n
( | |
=
| (
\


8.5 - Funo caracterstica de uma varivel aleatria n-dimensional.

Definio 8.2
Seja ( )
1 2 n
X , X ,..., X uma varivel aleatria n-dimensional com funo de distribuio
F( )
n 2 1
x ,..., x , x . Chama-se funo caracterstica da varivel aleatria ( )
1 2 n
X , X ,..., X
funo ( )
1 2 n
X
t , t ,..., t
r
obtida quando calculamos a mdia de
( ) ( ) { }
1 2 n 1 1 2 2 n n
g X , X ,..., X exp i t X t X ... t X = + + + ,

isto
( )
( )
{ }
1 1 2 2 n n
i t X t X ... t X
X
t E e
+ + +
=
r
r
, onde ( )
n
1 2 n
t t , t ,..., t R e i 1 = =
r
.

Estudaremos algumas propriedades da funo caracterstica de uma varivel aleatria
bidimensional (X,Y), cuja definio :
( )
( )
{ }
i tX uY
X,Y
t, u E e
+
=
As seguintes propriedades so facilmente comprovadas:

- ( ) 1 0 , 0
Y , X
=

- ( ) 1 u , t
Y , X


- ( ) ( )
X,Y X,Y
t, u t, u =

-
( )
( )
( ) ( )
r s
X,Y r s
r,s
r s
t 0,u 0
t, u
i (X, Y)
t u
+
+
= =

=




Teorema 8.1

"Se duas variveis aleatrias tem funes caractersticas iguais, ento elas tm a
mesma funo de distribuio"

A afirmao o resultado de teoremas sobre funes caractersticas que no sero
demonstrados neste texto. O estudante interessado encontrar tais demonstraes na
bibliografia recomendada, especialmente em Marec Fisz, cap. 4, seo 4.5.

O teorema de grande importncia pois nele est implcita a informao de que existe
uma correspondncia biunvoca entre o conjunto de todas as funes caractersticas e o
de todas as funes de distribuio. Por este fato podemos muitas vezes estudar um
Probabilidades
Ence
Frederico Cavalcanti PRBI010 142
modelo (uma varivel aleatria X) atravs de sua funo caracterstica (calcular
momentos, estudar convergncias de sucesses de variveis aleatrias , etc... ) e a seguir
inferir os resultados para o espao das funes de distribuies.


Exerccios 8

8.1 - Calcular as funes caractersticas das variveis aleatrias seguintes:
a) Poisson () d) Bernoulli(p)
b) Geomtrica (p) e) Gama(a,p)
c) Pascal (r,p) f) Uniforme (a,b)

8.2 - Use a teoria das funes caractersticas para demonstrar que a soma de n variveis
aleatrias
1
2
, independentes, tem distribuio
n
2
.

8.3 - Desenvolver a funo caracterstica da varivel aleatria Normal de mdia e
desvio padro , at a ordem s = 3.

8.4 - Sejam X X X
n 1 2
, ,..., variveis aleatrias independentes com distribuio
exponencial de parmetro . Determine a distribuio de Y X
i
i
n
=
=

2
1
.

8.5 - Calcular a funo caracterstica da varivel aleatria uniforme no intervalo (-a,a).

8.6 - Sejam V V V
n 1 2
, ,..., variveis aleatrias independentes com distribuio
quiquadrado com g g g
n 1 2
, ,..., graus de liberdade respectivamente.
Prove que V V
j
j
n
=
=

1
tem distribuio quiquadrado com g g
j
j
n
=
=

1
graus de liberdade.

8.7 - Mostre que se X e Y so variveis aleatrias independentes com distribuio
normal de parmetros
( ) ( )
2 2
1 1 2 2
, e , , respectivamente, ento X+Y tem
distribuio normal de mdia
1 2
+ e varincia
( )
2 2
1 2
+ .

8.8 - Se a funo caracterstica de uma varivel aleatria ( ) ( ) { }
it
X
t exp 3 e 1 = ,
determine P(X=0).

8.9 - Calcule, usando funes caractersticas, a mdia e a varincia da varivel aleatria
exponencial(4).











Probabilidades
Ence
Frederico Cavalcanti PRBI010 143
9 - Variveis Aleatrias Associadas Distribuio Normal.


9.1 - Varivel Aleatria Qui Quadrado com 1 grau de liberdade.

Diz-se que Y uma varivel aleatria com distribuio qui-quadrado com 1 grau de
liberdade, e se representa por
1
2
, se Y X =
2
, onde X tem distribuio N(0,1).

No estudo de transformadas de variveis aleatrias verificamos que se X N(0,1) ento
a funo de densidade de X
2
a de uma Gama (1/2;1/2). Assim a densidade da v.a. qui
quadrado c/1 g.l. :
( ) 2
1
1 y
2 2
1
f y y e y>0
2

Da calculamos sua mdia, varincia , funo caracterstica, etc...:


( )
( )
( )
( ) ( )
2
1
2
1
2
1
1
2
2
1/ 2
E 1
1/ 2
1/ 2
Var 2
1/ 2
it
t 1 1 2it
1/ 2

= =
= =
| |
= =
|
\



9.2 - Varivel Aleatria Qui Quadrado com n graus de liberdade.

Sejam X X X
n 1 2
, ,..., variveis aleatrias independentes, todas com distribuio N(0,1).
Chama-se varivel aleatria qui quadrado com n graus de liberdade e se representa por

n
2
, a varivel Y X
i
i
n
=
=

2
1
, ou seja , a v.a. qui quadrado com n g.l. a soma de n v.as.
independentes, todas com distribuio qui quadrado com 1 g.l.

Assim, a funo de densidade da
n
2
a de uma v.a. Gama (1/2;n/2), como segue:

( )
( )
2
n
n
2
n y
1
2 2
1
2
f y y e y>0
n
2

=
| |

|
\

Da obtemos;

( )
( )
( )
( )
( )
( ) ( )
2
n
2
n
2
n
2
n
2
E n
1/ 2
n
2
Var 2n
1
2
t 1 2it

= =
= =
=


Probabilidades
Ence
Frederico Cavalcanti PRBI010 144


9.3 - Varivel Aleatria de Student com n graus graus de liberdade.

Sejam X X X X
n
, , ,...,
1 2
variveis aleatrias independentes. todas com distribuio
N(0,1). Se T
X
n
n
=

2
/
, dizemos ento que T tem distribuio de Student com n graus
de liberdade.

Observemos que a v.a. T, conhecida com Razo de Student o quociente de uma v.a.
N(0,1) pela raiz quadrada de uma v.a. qui quadrado c/n g.l. dividida pelo nmero de
graus de liberdade.

Atravs da teoria de transformadas obtemos a seguinte densidade para T:

( )
( )
( ) n 1
2
2
T
1 t
f t 1 - <t<+
n
n n / 2;1/ 2
+
| |
= +
|

\


A densidade da v.a. de Student simtrica em relao a t = 0, e s possui momentos de
ordem k < n e assim, para n = 1 sua mdia no existe. Para n = 1 a v.a. T um particular
caso da distribuio de Cauchy que no possui momentos.

Exerccio proposto:
Deduzir a funo de densidade de T.
Sugesto: Escrever a v.a. T da forma T
nX V
U
n
= =

2
. As v.a. V e U so independentes,
sendo V uma N(0, n ) e ( ) U Gama 1/ 2; n / 2 = + .


9.4 - Varivel Aleatria de Snedecor com r e s graus de liberdade.

Sejam X X X Y Y
r s 1 2 2
, ,..., , ,..., e Y
1
variveis aleatrias independentes, todas com
distribuio N(0,1). Chama-se varivel aleatria de Snedecor com r e s graus de
liberdade v.a. definida por;

( )
|
|

\
|
=

= =
r
1 i
s
1 j
2
j
2
i s , r
Y / X
r
s
F

Observemos que a v.a. F uma razo entre duas v.as. qui quadrado, cada uma delas
dividida pelo seu grau de liberdade, e sua densidade obtida atravs da teoria de
transformadas de v.as.
( )
( )
r r s
r
1 2 2
2
1 r rx
f x x 1 x>0
r / 2; s / 2 s s
+

| | | |
= +
| |

\ \


Exerccio proposto:
Deduzir a densidade da v.a. F.


Probabilidades
Ence
Frederico Cavalcanti PRBI010 145

9.5 - Varivel Aleatria de Fisher com r e s graus de liberdade.

Diz-se que Z tem distribuio de Fisher com com r e s graus de liberdade, se Z F = ln
ou e F
Z
= , onde F tem distribuio de Snedecor com r e s graus de liberdade.

Exerccio proposto:
Deduzir a densidade da v.a. Z, de Fisher.

9.6 - Varivel Aleatria Log Normal.

Diz-se que W tem distribuio Log Normal se W e
X
= ( ou ln W= X), onde X tem
distribuio N(0,1).

Exerccio proposto:
Deduzir a densidade de W, Log Normal.


9.7 - Distribuio normal bivariada

Chama-se distribuio normal bivariada varivel aleatria cuja funo de densidade
dada por:
( ) ( )
2
2
2
x y
e
f x, y , x,y R
2 1

=



( ) ( ) ( )( )
2
2
y x y
x
2 2 2
x y x y
y- x y
x-
1
= 2
1-

(

(
+
(


A funo acima depende portanto de 5 parmetros, quais sejam:


( )
( )
( )
( )
( )
( ) ( )
x
y
2
x
2
y
x y
x y
E X
E Y
Var X
Var Y
E X Y
x, y , 1
=
=
=
=
(


= = <


O grfico da funo de densidade da normal bivariada uma superfcie sobre toda a
extenso do plano (x,y), e tem seu valor mximo nico no ponto
( )
x y
, .

9.7.1 - Estudo das maginais X e Y.

Analisemos inicialmente o valor da constante :

( ) ( ) ( )( )
2
2
y x y
x
2 2 2
x y x y
y- x y
x-
1
= 2
1-

(

(
+
(


Probabilidades
Ence
Frederico Cavalcanti PRBI010 146
No alteramos se somarmos e subtrairmos o termo
( )
2
y
2
y
y

:

( ) ( ) ( )( ) ( ) ( )
2 2 2
2
y x y y y
x
2 2 2 2 2
x y x y y y
y- x y y y
x-
1
= 2
1-

(

(
+ +
(


Segue da que:
( ) ( ) ( ) ( ) ( ) ( ) ( )
2 2 2
2 2
y y x y y
x
2 2 2 2 2
x y x y y y
1 y- y- x y y
x-
1
= 2
1-

(

(
+ +
(


( ) ( ) ( ) ( ) ( )
2 2
2 2
y x y y
x
2 2 2 2
x y x y y
y- x y y
x-
1
= 2
1-

(

(
+ +
(


( )
( )
( ) ( )( ) ( )
2 2
2 2
x y x x y y 2
x
2 2 2 2
y y y x
y- x y y
1
= x- 2
1-

(

(
+ +
(


e finalmente,
( )
( )
( ) ( )
2 2
x y y
x
2 2 2
y y x
y y
1
= x-
1-

(

( +
(


Usando este resultado;
(a) verificaremos que realmente f(x,y) uma densidade e,
(b) obteremos suas marginais com muita facilidade.

a) f(x,y) realmente um densidade .

( )
( )
( )
( )
2
x y
2 x
y
y
2 2 2
2
y x
x y
I f x, y dxdy
y
x
y
1
I exp exp dxdy
2 2 1
2 1
+ +

+ +

=

(


(

(


=
` `



)


)



( )
( )
( )
2
x y
2 x
y
y
2 2 2
2
y x y
x
y
x
y
1 1
I exp dx. exp dy
2 2 1 2
1 2
+ +


(


(

(


=
` `



)


)


Probabilidades
Ence
Frederico Cavalcanti PRBI010 147
Como se pode observar, as duas funes integradas em I so densidades de variveis
aleatrias unidimensionais:


( )
( )
x y
2
x x
y
y
N ; 1
(

( +

(


( )
y y
N ;
b) clculo da marginal f(y).
( )
( )
( )
( )
2
x y
2 x
y
y
Y
2 2 2
2
y x
x y
y
x
y
1
f y exp exp dx
2 2 1
2 1
+

(


(

(


=
` `



)


)

( )
( )
2
y
Y
2
y
y
y
1
f y exp , y R
2
2



=
`

)


c) clculo da marginal f(x).

Invertendo o procedimento adotado na anlise da constante , isto , somando e
subtraindo o termo
( )
2
x
2
x
x

constante e integrando-se f(x,y) em relao a y,

obtemos;
( )
( )
2
x
X
2
x
x
x
1
f x exp , x R
2
2



=
`

)

Observamos portanto, que a v.a. normal bivariada tal que suas distribuies marginais
tem densidades ( ) ( )
x x y y
N , e N , , mas ( ) ( ) ( ) f x, y f x f y .

Observemos ainda que se =0, ou seja, se X e Y so no correlacionadas, a densidade
da normal bi-variada se torna:
( )
( ) ( )
( )
2
2
y
x
2
2 2
x y x y
y
x
1
f x, y exp exp , x,y R
2 2 2





=
` `


)
)

ou
( )
( ) ( )
( )
2
2
y
x
2
2 2
x y
x y
y
x
1 1
f x, y exp exp , x,y R
2 2
2 2





=
` `



)
)

ou seja, quando = 0, f(x,y)=f(x) f(y), o que nos permite afirmar se X e Y so
variveis aleatrias normais e no correlacionadas ento elas so independentes.

9.7.2 - Distribuies condicionais.

Para obter a densidade da varivel (Y/X=x) devemos calcular:

( )
( )
f x, y
f (y / x)
f x
=
Probabilidades
Ence
Frederico Cavalcanti PRBI010 148
( )
( ) ( ) ( ) ( ) ( )
2
2 2
y x y
x x
2 2 2 2
2
x y x y x
y
y x y
x x
1 1
exp 2 exp
2 2 1
2 1
(



(
= +
` `
(


)
)
Notemos que:

( ) ( )
( ) ( )
( )
2 2 2
2
x x x
2 2 2 2 2
x x x
x x x
2 2 1 2 1

=


Portanto, escrevemos:
( )
( )
( ) ( ) ( ) ( )
2
2
y x y
x 2
2 2 2
2
x y y x
y
y x y
x
1 1
f y / x exp 2
2 1
2 1
(



(
= +
`
(


)

( )
( )
( )
( ) ( ) ( )
2
2 2
2
y x y y x
y
2 2 2
2
x x y
y
2 x y x
1 1
f y / x exp y
2 1
2 1
(


( = +
`
(


)



Finalmente obtemos a densidade de (Y/X),

( )
( )
( )
( )
2
y x
y
2 2
2
x
y
y
x
1 1
f y / x exp y
2 1
2 1

(

= +
( `

(

)

e conclumos que a varivel Y condicionada ao evento X = x tem distribuio normal
com os parmetros abaixo:

( )
( )
y x
y
x
2
Y/ X y
x
E Y/ X x
1

= = +

=


Teorema:
Se (X,Y) uma varivel aleatria normal bivariada com parmetros
( )
x y x y
, , , e x,y , ento:
a) X ( )
x x
N , e Y
( )
y y
N ,
b) X e Y so independentes se e somente se = 0
c) (Y/X=x) ( ) ( )
y
2 2
y x y
x
N x ; 1
(
+
(

(X/Y=y)
( ) ( )
2 2 x
x y x
y
N y ; 1
(

+
(

(




Exerccio 9.1
Suponha que a varivel aleatria (X,Y), normal bivariada, represente as notas obtidas
nas provas de uma disciplina de uma Escola, por uma determinada turma, como por
exemplo: X a v.a. que representa as notas da 1
a
V.A.E. e Y as da 2
a
V.A.E. Suponha
ainda que: ( )
x y x y
100, 150, 20, 30 e x,y 0, 5 = = = = = . Nestas condies,
temos que:
Probabilidades
Ence
Frederico Cavalcanti PRBI010 149

a)
( ) ( ) ( )
95 100
P X 95 P Z P Z 0, 25 1 F 0, 25 0, 5987 0, 60
20
| |
> = > = > = =
|
\
b)
( ) ( ) ( ) P X 125, 6 P Z 1, 28 F 1, 28 0, 8997 0, 90 = = =
c) ( ) ( ) P Y 142, 5 P Z 0, 25 0, 60 > = >
d) ( ) ( ) P Y 188, 4 P Z 1, 28 0, 90 =

Calculemos agora as probabilidades c) e d) na hiptese de que x=115. Neste caso,


Y X /
, ( ) , = + = 150 0 5
30
20
115 100 161 25 e ( )
2
Y/ X
30 1 0, 5 25, 98 = = e,

c) ( ) { } ( ) ( )
142, 5 161, 25
P Y/ X 142, 5 P Z P Z 0, 72 1 F 0, 72 0, 76
25, 98

> = > = > =
`
)


d) ( ) { } ( )
188, 4 161, 25
P Y/ X 188, 4 P Z P Z 1, 05 0, 85
25, 98
| |
= =
|
\


Notemos que x = 115, isto , a nota da 1
a
. V.A.E. maior do que a mdia
x
= 100.


Esta informao a causa das diferenas observadas entre as probabilidades c) , d) e as
probabilidades c) e d).
Observe que ( ) { }
P Y/ X 142, 5 0, 76 > > ( ) P Y 142, 5 0, 60 > = , por que existe uma
informao adicional de que primeira nota, X, est acima da mdia.

Por outro lado ( ) { }
P Y/ X 188, 4 0, 85 < ( ) P Y 188, 4 0, 90 , pelo mesmo motivo
acima.

Exerccio proposto:
Calcule as probabilidades c) e d) na hiptese de que x = 95, isto , a nota da 1
a
. VAE
menor que a mdia e faa a anlise adequada.