Вы находитесь на странице: 1из 434

XIV ' I PREFCIO DA PRIMEiRA EDIO

jeto; pani com a .Sr!! Carol Sloan, por ser uma datilgrafa eficiente e
atenta; para com D. Van Nostrand, Inc., The Free Press, Inc: e Mac~
millan Publishing .Cqmpany, por sua permiss'o para reproduzir as.
Tbuas 3, 6 e 1, respectivamente; para com McGraw~Hill Book Co.,
Inc., Oxford University Press Inc., Pergamon Press, Ltda. e P&ntice"
Hall, Inc., por suas permisses para citar determinados exemplos no
texto, e, finalmente para com minha esposa, no somente por me am-
parar no esforo, como tambm por "deixar-me" e levar nossos :doi.s
filhos com ela a visitarem os avs, por dois .cruciais meses de vero, du-
rante os quais fui capaz de transformar.nossa casa em uma desordenada,
porm tranqhila oficina, da qual surgiu, miraculosamente, a ltima
verso final deste livro.

P.L.M.
Pullman, Washirigton
Abril, 1965

, ..
SUMRIO

Caprtuio 11 . Introduo 1Probabilic1~de

1.1 Modelos Matemticos 1


1.2 Introduo aos Conjuntos 4
1.3 Exemplos de Experimentos No-Determinsticos 8
1.4 O ~spao Amostral 11
1.5 Eventos 13
1.6 Freqncia Relativa 15
1.7 Noes Fundamentais de Probabilidade 17
1.8 Duas Observaes 21

Cpftulo~ .; Espaos Amostrais Finitos


\ ...

2.1 . Espao Amostral Finito 26


2.2 Resultados Igualmente Verqssmeis 27
2.3 Mtodos de Enumerao 29

-Ca~rtulo\\~ Probabilidade Condfcionada e Independncia

3.1 Probabilidade .Condicionada 42


3.2 Teorema de Bayes 49
3.3 Eventos Independentes 52

Capftuio~ Variveis Aleatrias Unidimensionais

4.1 Noo Geral de Varivel Aleatria 66


4.2 Variveis Aleatrias Discretas 72
4.3 A Distribuio Binomial 75
4.4 Variveis Aleatrias Contnuas 80
4.5 Funo de Distribuio Acumulada 85
4.6 Distribuies Mistas 89
4.7 Variveis Aleatrias Uniformemente Distribudas 89
4.8 Uma Observao 91

Caprtuil>~ funes de Variveis Ale~trias

5.1 Um Exemplo 97
5.2 Everitos Equivalentes 97 .,
5.3 Variveis .Aleatrias Discretas 100 i
5.4 Variveis Aieatrias Contnuas 101 !
. I
;

1
-t~;;~~-~;::-':' -:".. '

r
_

~
XVI I SUMRIO

Caprtulo 6. Variveis Aleatrias de Duas 0111 Mais


Dimenses

~ 6.1 Variv~is Aleatrias Bidimensionais 110

~:~
Distribuies de Probabilidade Marginal e Condicionda 116
r Variveis Aleatrias Independentes ' . 121
lj 604 Funes de Varivel Aleatria 124
i' 6.5 Distribuio do Produto e do Quociente de Variveis
r~ Aleatrias Independentes 128
i'
I 6 .6 Variveis Aleatrias n-Dimensionais l.o 131 '
If Captulo 1. Caracterizao Adlicio1111al das .
l' Variveis Aleatrias
r
tI
701 O Valor Esperado de Uma Varivel AleatriiJ. 137
702 Expectncia de uma Funo de uma Varivel Aleatria 144
703 Variveis Aleatrias Bidimensionais 149
. 704 Prupriedades do Valor Esperado 150
705 A Varincia de uma Varivel Aleat6ria 6
7.6 Propriedades da Varincia de uma Varivel Aleatria 159
707 Expresses Aproximadas da Expectncia e da Varincia 162
708 A Desigualdade 'de Tchebycheff 165
709 O Coeficiente de Correlao 167
7010 Valor Esperado Condicionado 172
7011 Regresso da Mdia 175

Capftulo 8. Variveis Aleatrias Discretas: A de Poisson


e Outras

801 A Distribuio de .Poisson


802 A Distribuio de Poisson como Aproximao da
Distribuio Binomial 187
8.3 O Processo de Poisson. 194
8.4 A Distribuio Geomtrica . 200 .
805 A Distribuio de Pascal 203
8o6 Relao entre as Distribuies Binomial e de Pascal 205
807 A Distribuio Hipergeomtrica 206
808 A Distribuio Multinomial 208

Capftulo 9. Algumas Variveis Aleatrias Continuas


!mpoll'ital!'ites

901 Introduo 214


902 A Distribuio Normal ~ 214
903 Propriedades da Distribuio Normal 215
9.4 Tabulao da Distribuio Nonrtal 219
905 A Distribuio Exponencial 223
'. 906 Propriedades da Distribuio Exponencial 223
907 A Distribuio Gama o 227
9.8 Propriedades da Distribuio Gama 228
I SUfViRIO I XVII

I
9.9 A Distribuio de" Qu~-quadrado 230
9.10 Comparaes entre Diversas Distribuies 233
1
9.11 A Distribuio Normp Bidimensional 234
9.12 Distribuies Truncadas 236
I
I
Caprtulo 10. A f11..mo Geratrzi de Momentos ~

e
i

!
10 .1 Introduo 1
10.2 A Funo Geratriz de Momentos ''
,-
10.3 Exemplos de Funes Geratrizes de Momentos 247
10.4 Propriedades da Funo Geratriz de Momentos 250
~0.5 Propriedades Reprod~tivas 255
! ~
10.6 Seqncias de Variveis Aleatrias 259
10.7 Observao Final ' 260
' .
Cap tu !o 11. Aplicaes Teori~ da Confiabi!idade .
I ~ '

11.1 Conceitos Fundamenfis . 263 I, _


11.2 A Lei de Falhas Normal 267
11.3 A Lei de Falhas Expdnencial L
268
11.4 A Lei de Falhas Exponencial e a Distribuio ,.,.
de Poisson J 271 I.
11.5 A Lei de Falhas de Weibull 273
11.6 Confiabilidade de Sistemas 274
I
Capftulo 12. ,Somas de Variveis Aleatrias I
~u,-J~~ - G<--0.. . ,, I
lv(l/12 .1 InJ.oduo . I 284
f:Y J? ' 12_2 A Lei dos Grandes N~meros 286 I
I
~
., - () 12.3 Aproximao Normal da Distribuio Binomial 288
"J 'y 12.4 O Teorema do Limit~ Central 292
J~ 12.5 Outras Distribuies Aproximadas pela Distribuio H
\f d

~
Normal: a de Poisson ~ a de Pascal e a Gama 297 1:
l\ fv '\ C 12.6 A Distribuio da So~a de um Nmero li
,'JJ c\ Finito de Variveis Aleatrias 299 ~
~ Dist~rib~ies Amostrais
~
li
Capftulo A'mostras e li

!I
13.1 Introduo 308 j!
13 .2 Amostras Aleatrias 310 i'
13.3 Estatsticas 312 ,.j!
13.4 Algumas Estatsticas 'mportantes 313 lIi
13.5 A Transformao Integral 321 ~
!:
Cap_~-~~~ f. !Estimao de Parmetros
I
li

1"l1

14.1 Introduo 329 i


14.2 Critrios para Estima~ivas 330 i
14.3 Alguns Exemplos
14.4 Estimativas de Mxima Verossimilhana
334
339
I
14.5 O Mtodo dos Mnimbs Quadrados 349
I .1!
l.
. .J
XVIII I SUMRIO

14.6 O Coeficiente de Correlao 354


14 .7 Intervalos de Confiana 355
1,4.8 A Distribuio de t de Student 357
14.9 Mais Sobre Intervalos de Confiana 360

Capftulo 1!5. Testes de IHipteses

15 .1. Introduo 370


15.2 Formulao Geral: Distribuio Non~al com V~rincia
Conhecida 376
15.3 Exemplos Adicionais 381
15.4 Testes de Aderncia 385

APNDICE 397
RESPOSTAS A PROBLEMAS SELECIONA!)OS 412
INDICAES BIBLIOGRFICAS 420
fNDICE ALFABTICO 422

.i
1
i
Introduo Probabilidade
Captulo 1

1 J" Modeios Matemticos

Neste captulo examinaremos o tipo de fenmeno que estuda-


remos por todo este livro. Alm disso, formularemos um modelo
matemtico que nos ajudar a investigar, de maneira bastante pre-
cisa, esse fenmeno.
De incio, muito importante distinguir o prprio fenmeno
e o modelo matemtico para esse fenmeno. Naturalmente, no
exercemos influncia sobre aquilo que observamos. No entanto,
ao escolher um modelo, podemos lanar mo de nosso julgamento
crtico. Isto foi espec\almente bem expresso pelo Prof. J. Neyman,
que escreveu:*

"Todas as vezes que empregarmos Matemtica a fim de estudar alguns


fenmenos de observao, deveremos essencialmente comear por construir
um modelo matemtico (determinstico ou probabilstico) para esses fen-
menos. Inevitavelmente, o modelo deve simplificar as coisas e certos por-
menores devem ser desprezados. O bom resultado do modelo depende de
que os pormenores desprezados sejam ou no realmente sem import&ncia na
elucidao do fenmeno estudado. A resoluo do problema matemtico pode
estar correta e, no obstante, estar em grande discotdncia com os dados ob-
servados, simplesmente porque as hipteses bsicas feitas no sejam confirma-
das. Geralmente bastante difcil afirmar com certeza se um modelo mate-
mtico especicado ou no adequado, antes que alguns dados de observao
sejam obtidos. A fim de vericar a validade de um modelo, deveremos dedu-
zir um certo nmero de conseqncias de nosso .modelo e, a seguir, comparar
esses resultados previ:Jtos com observaes."

Deveremos nos lembrar das idias aCima enquanto estivermos


estudando alguns fenmenos de observao e modelos apropriados

" University oj Calijornia Publications in Statistics, Vol. I, Uriiversity of


California Press, 1954.
::! I PROBABILIDADE

pax:a sua explicao. Vamos examinar, inicialmente, o que se pode


adequadamente denominar modelo detenninistico. Por essa expres-
so pretendemos nos referir a um modelo que estipule que as con-
dies sob as quais um experimento seja executado determinem o
resultado do experimento. Por exemplo, se introduzirmos uma
bateria em um circuito simples, o modelo matemtico que, presumi-
velmente, descreveria o fluxo de corrente eltrica observvel seria
I = E/R, isto , a J~i de Ohm. O modelo prognostica o valor de I
to logo os valore:; de E e R sejam fornecidos. Dizendo de outra
mail-eira, se o experimento mencionado for repetido um certo nmero
de vezes, toda vez utilizando-se o mesmo circuito (isto ~" conservan-
do-se fixados E e R), poderemos presumivelmente esperar observar
o mesmo valor para I. Quaisquer desvios que pudessem ocorrer
seriam to pequenos que, para a maioria _das finalidades, a descrio
acima (isto , o modelo) seria suficiente. O importante que a ba-
teria, fio, e ampermetro particulares utilizados para gerai: e obser-
var a corrente eltrica, e a nossa capacidade de empregar o instru-
mento de medio, determinam o resultado em cada repetio. (Exis-
tem detenninados fatores que bem podero ser diferentes de repeti-
o para repetio, que, no entanto, no influenciaro de modo dig-
no de nota o resultado. Por exemplo, a temperatura e a umidade
no laboratrio, ou a estatura da pessoa que l o. ampermetro, po-
de-se razovelmente admitir, no tero influncia no resultado.)
Na natureza, existem muitos exemplos de "experimentos", para
os quais modelos determinsticos so apropriados. Por exemplo,
as leis da gravitao explicam bastante precisamente o que ~contece
a um corpo que cai sob determinadas condies. As leis de Kepler
nos do o comportamento dos planetas. Em cada situao, o. mo-
delo especfica que as condies, sob as quais determinado fenmeno
acontece, determinam o valor de algumas variveiS observveis:
a grandeza da velocidade, a rea varrida durante determinado pe-
riodo de tempo etc. Esses nmeros aparecem em muitas' das fr:-
mulas com as quais estamos familiarizados. Por exemplo, sa-
bemos que, sob determinadas condies, a distncia percorrida
(verticalmente, acima do solo) por um objeto dada por s = -16t 2 +
+ v0 t, onde vo a velocidade inicial e t o tempo gasto na queda. O
ponto, no qual desejamos fixar nossa ateno, no a forma parti-
cular da equao acima (que quadrtica), mas antes o fato de que
existe uma .relao definida entre t e s, a qual determina univo-
camente a quantidade no primeiro membro da equao, se aquelas
no segundo membro forem fornecidas.
i
IN f RODUO PROBABILIDADE I 3

- Para um grande nmero de Isituaes, ~


modelo matemtico
determinstico apresentado acima ! suficiente. Contudo, existem
tambm muitos fenmenos que ~equerem um modelo matemtico
diferente para sua investigao. So os que denominaremos modelos
no-deterministicos ou probabstico~. (Outra expresso muito corou-
mente empregada modelo estocstico.) Mais adiante neste capitulo,
estudaremos muito minuciosamente~ como tais modelos probabilsticos
podem se~ apresentados. Por oraJ examinaremos alguns exemplos.
SuponhaJilOS que se tenha uml fragmento de material radioativo
que emita partculas alfa. Com o Iauxlio de um dispositivo de con-
tagem, poderemos . registrar o nmero dessas partfculas emitidas
durante um intervalo de tempo especificado. evidente que no
lo
poderemos. a,ntecipar precisamente nilero de partculas emitidas,
i runda ' que se conheam de modo exato a forma,! a dimenso, a compo-
i . I
i sio qumica e a massa do objeto em estudo. Por isso, parece no
1

I existir modelo determinstico razof el que fornea o nmero de par-


!
! tculas emitidas, por . exemplo n, como uma funo de vrias carac-
tersticas pertinentes ao material ~onte. Deveremos considerar, em
seu lugar, um modelo probabilstico.
Como outro exemplo, considere-se a seguinte situao meteo-
rolgica. Deseja-se deterniinar qual a precipitao de chuva que
cair coino resultado de uma tempestade particular, que ocorra em
determinada localidade. Dispe-s~ de instrumentos para registrar
a precipitao. Observaes metrorolgicas podem nos fornecer
considervel informao relativa t~mpestade que se avizinhe: presso
baromtrica em vrios pontos, variaes de presso, velocidade do
vento, origem e dir,eo da tormerlta, e vrias leituras referentes a
altitudes elevadas.. Contudo, quo !valiosas essas informaes possam
ser para o prognstico da naturez~ geral da precipitao (digamos,
fraca, mdia ou forte), simplesme:b.te no tomam possvel dizer-se
quanta chuva ir cair. Novament~ estaremos nos ocupando de um ,.
I
fenmeno que no se presta a um .tratamento determinstico. Um
modelo prob~billstico explica a sitdao mais rigorosamente.
Em princpio, poderemos ser ! capazes de dizer quanta chuva
caiu se uma teoria tiver sido desen~olvida (o que no foi). Por isso,
empregaremos um modelo probabilstico. No exemplo que trata de
I
desintegrao radioativa, deveremos empregar um modelo probabi-
lstico invariavelmente em princpiol '
Arriscando-n.os a adiantarmos! demais na ap~esentao de um
conceito que ser definido. poster~ormelite, vamos apenas afirmar
.que, em um modelo determinstico, admite-se que o resultado efeti:Vo
1
i .
4 I PROBABIUDADE

(numrico ou de outra espcie) seja determinado , pl:)l~ q~dies


sob as quais o experimento ou o procedimento seja executlj,~O, ..Em
um modelo no-determinstico, no entanto, as . co~diqes c!a "e:xpl:lri-
rnentao determinam somente o comportamento prob~h~tico
(mais especificamente, a lei probabilstica) do resutad() : ()b~l:lFYyeJ.
Em outras palavras, em um modelo determinstico 'mpiegmos
"consideraes fsicas" para prever o resultado, enquantb em u m
modelo probabilstico ernpregfllllOS a mesma espcie de consideraes
para especificar uma distribuio de probabilidade.

1.2. ~ ntroduo aos Conjuntos

A fim de expor os conceitos bsicos do modelo probabilstico


que desejamos desenvolver, ser conveniente conhecer algurn~s idiM
e conceitos da teoria matemtica dos conjuntos. Este um assunto
dos mais extensos e muito se tem escrito sobre ele. Contudo, neces-
sitaremos apenas de algumas noes fundamentais.
Um conjunto urna coleo de objetos. Usualmente, conjuntos
so representados por letras maisculas A, B etc. Existem trs
maneiras de descrever que objetos est~o contidos no ~anjunto A:
(a) Poderemos fazer uma lista dos elementos de A. Por exem-
plo, A = {1, 2, 3, 11
descreve o conjunto formado pelos inteiros
positivos 1, 2, 3, 4.
(b) Poderemos descrever o conjunto A por meio de palavras.
Por exemplo, poderemos dizer que A formado de todos os nmeros
reais entre O e 1, inclusive.
(c) Para descrever o conjunto acima poderemos simplesmente
escrever A = {x J O :<:::; x :<:::; 1 }; isto , A conjunto de todos os x,
onde x um nmero real entre O e 1, inclusive.

Os objetos que individualmente formam a cole~o ou conjunto


A so denominados membros ou elementos de A. Quando "" for
um elemento de A, escreveremos a E A, e quando "a" no for um
elemento de A, escreveremos a Et A.
Existem dois conjuntos especiais que, freqentemente, nos in-
teressaro. Em muitos problemas nos dedicaremos a estudar um
conjunto definido de objetos, e no outros. Por exemplo, poderemos
interessar por todos os nmeros. reais; por todas as peas que
uma linha de produo durante um perodo de 24 horas etc.
o conjunto fundamental como o conjunto de todos os
INTRODUO PROBABILIDAD!= I 5

. '
objetos que estejam sendo estudados. Este conjunto , geralmente
representado pela letra U.
O QUtro conjunto que deve ser destacado pode surgir da seguinte
nrui.neira: Suponha-se que o conjtm~ A seja descrito como o con- I;
junto de todos os nmeros reais x, que satisfaam ~ equao I''
x2 + 1 ==O. Naturalmente, sabemos que no existem tais nmeros; i'
isto , o conjunt~ A no contm qualquer elemento. Esta situao
ocorre to freqentemente que se justifica a introduo de um nome
especial para esse conjunto. Por isso, definiremos o conjunto vazio
ou. nulo como o conjunto que no contenha qualquer ele~ento. Ge-
ralmente se representa. esse conjunto por 0. ~
Pode acontecer que, quando dois conjuntos A e B sejam consi-
derados, ser elemento de A implique ser elemento de B. Nesse caso, p;,
diremos que A um subconjunto .de B,.e escreveremos A C B. In-
terpretao semelhante ser dada para B C A. Diremos que dois
conjuntos constituem o mesmo conjunto, A = B, se, e somente se,-
A C B e B C A. Desse modo, dois conjuntos sero iguais se, e so-
mente se, eles contiverem os mesmos elementos.
As duas seguintes propriedades do conjunto vazio e do conjunto
funda.mental so imediatas:
(a) Para todo conjunto A, temos que 0 C A.
(b) Desde que se tenha definido o conjunto fundamental, ento,
para todo conjunto A, considerado na composio de U, teremos
AC U.

Exemplo 1.1. Suponha-se que U = todos os nmeros reais,


A = I x Ix 2 + 2x ~ 3 = O}, B = I x I (x ~ 2) (x 2 + 2x ~ 3) = O}
e c = rX IX = ~ 3, 1, 2}. Ento, A c B e B = c.
A seguir, estudaremos a importante idia de combinar conjun-
tos dados, a fim de formarmos. um novo conjunto. H duas opera-_
.es fundai):lentais, e essas operaes se assemelham, em certos as-
pectos, .s operaes de adio e multiplicao de nmeros. Sejam
dois conjuntos A e B ..
Definiremos C como a unio de A e B (algumas vezes denomi-
nada a soma de A e B), da seguinte maneira:

C = lx Jx E ,A ou x E B (ou ambos) ).

Escreveremos a unio de A e B, assim: C= A U B. Desse modo,


C ser formado de todos os elementos que estejam em A, ou em B,
ou em ambos.
6 I POBABILIDADE

Definiremos D .como a interseo d~ A e B (al~iiigs y~~es .P,~no


minada o produto de A e B), da seguinte maneira: .: . , - . . . , .
D = {xjx E A ex E B}. .
. .. . . .. .. ~ : . J:;:.~~-: . L,j,.~:~~, ..:..'....
Escreveremos a jnterseo de A e 13, assi:q1: J) =c 4 0 i-:8.: :Rqi:t~ri~,
D ser formado de todos .os elementos queesto ,~~Ae e,m B. ;; ..
Fiilaimente, n troduziremos a noo de complem;entc?:d~ q~ :con...:
junto 4., na forma seguinte: . O conhmto denotado,J>or; i}:) ;cpnstf...
.tuido por todos os elementos que no esteJam e!llA (mas que ~tej~m
no conjunto fundamental U) denominado ,oinpletlen~o de A;..Is't o
, A= {xjx EE A}. . . ..
Um recurso grfico, conhecido como Diaura~a d(i fenn, - pd~r
ser vantajosamente empregado quando estivermos combW:and,<;> qon-
jun,tos, na maneira indicada acima. Em cada diagrama na}?ig..J),
a regio sombreadarenresenta o conjunto sob exame . .

CD AnB

IFig. 1.1
:/~~~~'
Exemplo 1.2.. Suponha-se que U = {1, 2, 3, 4, 5; 6, 7, 8/9, io},
A = { 1, .2, 3, 4}, B = { 3, 4, 5, 6} . Ento, encontraremos que
A= {5,.6,7,8,9,10}, AUB= {1,2,3,4,5,6} e A ()B= {3;4}~
Observe-se que, ao descrever um .conjunto (tal como A U B), cada
. elemento relacionado apenas uma vez.
As operaes de unio e interseo, definidas acima para doiS
conjuntos, podem ser estendidas, intuitivamente, para qualquer
nmero finito de conjuntos. Assim, defhremos .A U "B U C como
A U (B U C) 0'\1 (A U B) U C, o que equivalente, como se poder
verificar facilmente .. De modo nlogo, definiremos A () B n C
como .sendo A (l (B () C) ou (A () B) () C, o que tambm se pode
ver'fficar serem equi~alent~s. evidente que poderemo~ continuar
essas composie!; de conjuntos para qualquer nmero finito de con-
juntos dados.
i .J:.!''
i - . .
INTRODUAO A PROBABILIDADE I 7
I
~ . .
Afirmamos que alguns conjqntos so equivalente!'!, por exemplo,
A n (B ()C) e (A () B) () c.i
Conclui-se que existe Ul)l certo
nmero de tai& conjuntos equivalentes, alguns dos quais esto rela-
cionados abaixo. Se nos lembrmos de que dois conjuntos so o
mesmo conjunto sempre que ele:s contenham os mesmos elementos,
ser fcil mostrar que as afirmaes feitas so verdadeiras. O leitor
poder se convencer disso, com a :a juda dos Diagramas ide Vemi'.
1
(a) A U B = B U A, I (b} A() B = B () IA, (1.1)
(c) A U (B U C)=(A U B) U C) (d) A() (B ()C)= (A() B) ()C.
I
! .

~~~~p{;)-s.,~li)te:c(li}wii~~f~fiU$Uff1;;:~~-r~Y!v:~~r@.:i:f.~~~~;t~tf&~?:,;; ,
H- outras identidades de coAjuntos encerrando unio, interseo
e complementao. As mais irhportantes
I
delas esto enumeradas
a ooguir. A validade de cada uma delas poder ser verificada com
s . da de um .D'1agrama de V enn.
aJU .I 1
'

(e) A U (B ()~C)=
(A U lJ) h-(A U C), V
U) A() (B.U C)= (JnB) k~. C),
(g) .A () 0 = 0, (1.2)
(h) 4.U 0 ~A; I (i) (A u B) = A () B,
('J ) (A() B) =A B, (k) A= A.
~ 0 :: (A u-131
Observe-se que (g) e (h) mostram

I ,
Uma o~tra"mneira de form~ conjuntos, quando forem dados dois
(ou mais) conjuntos, ser necess~a a seguir.
i
I . .
Definio. Sejam dois conjuntos A e B. Denominaremos produto
cartesiano de A e B, denotando-o por A X B, o conjunto {(a, b ), a E A,
b E B l, isto , o conjunto de .tod:os os pares ordenados n..os quais o pri-
meifo elemento tirado de A e o ~gundo, de B.
\
Exemplo 1.3. Suponha-se queA = {1, 2, 3};B = {1, 2, 3, 4}.
Ento, A X B = {(1, 1), (1, 2), .. l , (1, 4), (2, 1) . .'., (2, 4), (3, 1), ... ,
(3, 4)}. I
i
Observao. Em geral, A X si=F B X A.
8 I PROBABILIDADE

A noo acima pode ser estendida da seguinte :maneira: Se.A 1 , ,


A n forem conjuntos, ento, A 1 X A 2 X ... X An = {(a! ; a2 , ; an ),
ai E A i], ou seja, o conjunto de todas as nuplas ordenadas ~ :

Um caso especial importante surge quando cons.ideram<;)S!O produto


cartesiano--~~ um conjunto por ele prprio, isto ,AiXA,:o114 X).l )-A.
~?f.~my1~:cit1~~E;~~~~~JJL.,q;g.~,g~~tws!}~t~~!~ll~~~~~J}~.$";".,~,
onde R d~corjunto de todos os nmeros reais, e do espao eudideano
tridimensional, representado por R X R X R.
O nmero de elementos de um conjunto ter .grandeiiD,portncia
para ns. Se existir um nmero finito de elementos no conjunto A,
digamos ar, a2,_ ... , an, diremos que A Jinito: Q~~tie.liJifli.Pmer0

- ~~~J~;~j~~i~:;~- .:~~~~~;=~~!f!;Sk!:f!~?!:;'
ou"injinito numervel. (Pode-se :m:ostrar, por exemplo, que\ () c-on-
junto de todos os nmeros racionais numerveL) :.Finalmente,
deveremos considerar o caso de um conjuntoinfinito:no~nmervel;
este tipo de conjunto possui um nmero infinito de elementos qUe no
podem. ser enumerados. Pode-se mostrar, por exemplo, __que para
quaisquer dois nmeros reais b > ~~ o conjunto A = Jx I a :::; .x :::; b}
contm um nmero no-numervel de elementos, J ~ que p>dererjws
associar um ponto da reta dos nmeros reais a cada m)mero .real, o
que dissemos acima afirma que qualquer interv'~lo (no deg~nerado)
contm mais do que um nmero contvel de pontos.
Os conceitos apresentados acima, muito embora representem
apenas um rpido exame da teoria dos corijuritds, so sufic'iehtes
para nossos objetivos: expor, com razovel rigor e pr~ci.so, ~ idias
fundamentais da teoria da probabilidade.

1.3. Exemplos de Experimentos No-Determinscos

Estamos agora em condies de examinar o q1,1e entndemos por


um experimento '-'aleatrio" ou "no-determinstico". ' {~ais ,'preci-
samente, daremos exemplos de fenmenos, para os qmtis .: rridelos
no-determinsticos so apropriados. Esta uma distino .que o
leitor dever guardar. Portanto, nos referiremos freS!ntemen'te
a experimentos no-determinsticos ou aleatrios, quando de fato
estaremos falando de um modelo no-detefminstico para um experi-
mento.) Ko nos esforaremos em dar uma definio preCisa _dest
~onceito. E.m vez disso, citaremos um grande ~mer~ de exemplos.
que ilustraro o que temos em mente.
6NTRODUO PROBABIUDADE I 9

E 1 : Jogue um dado e observe o nmero mostrado na face de


cima.
E,: Jogue uma moeda quatro vezes e observe o nmero de caras
obtido.
E 3 : Jogue uma moeda quatro vezes e observe a seqncia obtida
de caras-e coroas.
E 4: Em uma linha de produo, fabrique peas em srie e conte
o nmero de peas defeituosas produzidas em um perodo
de 24 horas.
E: Uma asa de avio fixada por um grande nmero de rebi-
tes. Conte o nmero de rebites defeituosos.
Es: Uma lmpada fabricada. Em seguida ensaiada quanto
durao da vida, pela colocao em um soquete e ano-
tao do tempo decorrido (em horas) at queimar.
E1: Um lote de 10 peas contm 3 defeituosas. As peas so
retiradas uma a uma (sem reposio da pea retirada) at
que a ltima pea defeituosa seja encontrada. O nme-
ro total de peas retiradas do lote contado.
E'il: Peas so fabricadas at que 10 peas perfeitas sejam pro-
duzidas. O nmero total de peas fabricadas contado.
Es: Um mssil lanado. Em um momento especificado t,
suas trs velocidades coq~.ponentes, v.., v11 e v. so observadas.
E 1o: Um mssil rcem-lanado observado nos instantes tb
t 2, , t,. Em cada um desses instantes, a altura do mssil
acima do solo re~strada.
E 11 : A resistncia trao de uma barra metlica medida.
Eu: De uma urna, que s contm bolas pretas, tira-se uma bola
e verica-se sua cor.
E 13 : Um termgrafo registra a temperatura continuamente,
num perodo de 24 horas. Em determinada loclidade e em
uma data especificada, esse termgrafo lido.
Eu: Na situao descrita em E18, x e y, 118 temperturas nnima
e mxima, no perodo de 24 horas considerado, so regis-
tra,das.
O que os experimentos acima tm em comum?

(a) Cada experimento poder ser


sob condies essencialmente inalteradas.
10 I PROBABILIDADE

(c) Quando o experimento for executado re~t~(l.amente, os


resultados :individuais parecero ocorrer de u:ffia , J~rma .aCidental.
Contudo, quando o experimento for repetlo :tri
g:~~~I[~3~~m:~-to . de
vezes, uma configurao definida ou regultidade ' surgir. : esta
regularidade que toma possvel construir um
ri6cie'13' inatltico
preciso, com o qual se analisar o expetimentCi. l\lhili brde, teremos
muito que dizer sobre a natureza e a irnpqrtndade~ia}gwaridade.
Por- ora, o leitor necessita apenas pensar nas repetidas ~ogadas de
uma moeda equilibrada. Muito embora caras e cordas- apaream
sucessivamente, em uma maneira quase arbttrria, f~to . emprico
bem conhecido que , depois de uni grande nmero d~. jogadas, a pro-
poro de caras e a de coroas sero aproximadamente gu'aiS. .
Deve-se salientar que todos os experimentos ..descritos acima
satisfazem a essas caractersticas gerais. (Evidentemente, a ltima
caracterstica mencionada somente pode ser verificada . pela experi-
mentao; deixaremos para a intuio do leitor '. acreditar que se o
experimento fosse repetido um grande nmero de .vezes, regulari- a
dade referida seria evidente. Por exemplo, se um g~~nde nmero
de lmpadas, de um mesmo fabricante, fosse ensaiado, . presumivel-
mente o nmero de lmpadas que se queimaria aps iOO horas poderia
ser previsto com preciso considervel.) Note-s que o experimento
E 12 apresenta o trao peculiar de que somente umres11ltado. possvel.
Em geral, tais experimentos no nos :interessaro, porque, realinente,
o fato de no sabermos qual particular resultado vir l ocorrer, quando
um experimento for realizado , que torna um experimento intere'S8ante
para ns.

Comentrio: Ao descrever os diversos experimentos, ns especificamos no


somente o procedimento que tem que ser realizado, mas tambm aquilo que
estaremos interessados em observar (veja, por exemplo, a diferena imtre E z e E 3 ,
citados anteriormente). Este . um ponto rrmito importante, ao qual novamente
nos referiremos mais tarde, quando explicarmos variveis aleatrias. Por ora,
vamos apenas comentar que, em conseqncia de um procedimento experimental
isolado ou a ocorrncia de um fenmeno nico, muitos valores numricos diferen-
tes poderiam ser calculados. Por exemplo, se uma pessoa for escolliida de um
grupo grande de pessoas (e a escoTha real seria o procedimento e:X:perimental
previamente mencionado), poderamos estar interessados na altura daquela pessoa,
. no seu peso, na sua renda anual, no nmero de fillios dela etc. Naturalmente, na
maioria dos ca~s. ns saberemos, antes de iniciar nossa experimentao, quais
sero as caractersticas numricas em que iremos estar interessados.
,
11\!TRODUCO PROBABiLIDADE I 11

1A.~
Definio. -Para cada xf>eDmhto e do tipo que estamos con-
siderando, definiremos o p:o amCist;az como <i cnjurito de t:Js'os
resultados possveis de e. Geraltnente representaremos esse conjunto
por S. (Neste contexto, S repre,senta o conjwlto fundamental, expli-
cado anteriormente.) r I . '

Vamos considerar cada um dos experimentos acima e descrever


um espao amostral para cada um deles. O espao amostral S; se
referir ao experimento E;.
11, 2, 3, 4, 5, 6}. I
lo, 1, 2, 3, 4}.
{todas as seqncias p6ssveis da forma a11 a2, aa, a4 }, onde
I
cada a; = H ou T, conforme aparea ca~a ou coroa na
i-sima jogada. ~ : ,
{0, 1, 2, ... , N}, onde N o nmero mximo q:ue pode ser
1

produzido em '24 hora.S . I


.
{0, 1, 2,-... , .M}, ond~ M o nmero de rebites empre-
gado.
S6: ltlt ~ 0}.
. I
S1: 13, 4, 5, 6, 7, 8, 9, 10 }.
I
Ss: 110, 11, 12, ... },. i '
S9: I v.,, Vy, Vz Iv.,, Vy,
v, nmeros reais}..
S10: {hh .. , hn jh;;:::: O, i =11, 2, .. . , n}.
Su: ITIT~O}. i'

s12: I bola preta}. I~


Su: Este espao amostral j o mais complexo de todos os co!lsi-
derados.
aqui. Podemos , I
admitir, com .
realismo,
.
que .a. tem-.
peratura em determin!1-da localidade nunca possa ocorrer
acima ou abaixo de ce*os valores 11! e m. Afora esta .rei-
trio, poderemos aceitar I
a possibilidade de que qualquer
..
grfico aparea com /determinadas restries. Presumi-
velmente, o grfico no ter saltos (isto , el~ representar
uma funo contnua).! Alm ~isso, o grfi~o ter certas
caractersticas de ,regu\arizao, que podem ser resumidllS
matematicamente
, di~eddo-se
I . que. o grfico representa uma
funo derivvel. Deste modo, poderemos finalmente
afirmar que o espao a~ostral ser:
IJIJ uma funo perivvel, que satisfaa a m ..::::; .
.::::; j(t) .::::; M, para ltodo t} ..
12 I PROBABH.HDADIE

{(x, y)lm:::;; x:::;; y:::;; M}. Isto , afo11J1acio p 0 rtodos


os pontos dentro e sobre um. triJ1gulo: no:;~Ia,po . x; ybicli-
mensional. .. . . ... ,, .-.c-;. ; ,-,.>

(Neste livro no cuidaremos de espaos amostrais di :cdfnpl~xi'dade .


encontrada em 81a- Ko entanto, tais espaos ari6slrais'''p8dem ' si:~
gir, mas exigem para seu estudo mais ~atemtica vn~d> do qe
estamos admitindo aqui.)

.e~~;.!~ii:f7~~]~~9r~~x;:~;;:mE:::;s;g;~@.8?::;;~.
estamos '' . ..: .: d@ii::"'"" Por isso,
de ;,~;.;'~~~~~;~ amostral associado a um experimerito, e P:o de
"o" espao' amostraL A esse respeito, note-se a dif~re~a entre
82 e 8a.
Saliente~se, 'tambein~ 'qu~ o r~sul t-~do de 'urri'. },~~~Q}~rho no
necessariamente, um nmero. Por exemplo, em E i, cada resultado
uma seqncia de caras (H) e coroas (T). Em 9 e E.1 o cada re-
sultado e formado por um vetor, enquanto em E; 3 , e~d~ resultado
constitui uma funo .

lativamente aos exemplos acima, observamos que 8], 82;. 8a, 84, 8s, .
81 e 812 so finitos, 8s infinito numervel, e 8s, 89, 810r 8u, 813 e
814 so infinitos no-numerveis.

:~~=::~~~;:;!~:::,~~~~~t
:rimento 6 e seu e~pao amostral associado 81. eVidente que,
quando estivermos realmente registrando o tempo . tot~l t, durante o
qual uma lmpada funcione, seremos "Vitimas" da precis[b de nosso
instrumento de medir. Suponha-se que temos um instrunerrto que
seja capaz de registrar o tempo com duas casas decir11ais, por exem.:
. pio, 16,43 horas. Com esta restrio imposta, nosso esjlo amos-
t ral se tomar infinito numerdvel: {0,00, 0,01, 0,02; : : : }. Alm
disso, bastante prximo da realidade admitir quenenhun8,Jinpada
possa durar 'mais do que H horas, onde H pode ser un fiinero muito
grande. Conseqentemente, parece que se f()i:inos completamente
realistas na descrio deste espao amostral, estaremos realmente
tratando com um espao amostral finito: {0,00, 0,01, 0,02, .. . , H}.
O nmero total . de resultados seria (H/0,01) + 1, que poder ser
um nmero muito grande; mesmo que H seja moderadamente grande,
iNTRODUO PROBABiii..IDADE I 13

por exemplo se H = 100. Torna-se bem mail:l simples e, matemati-


camente, conveniente, admitir que todos os valores de t ~ O sejam .re-
sultados possveis e, portanto, tratar o espao amostral Ss tal como
foi originalmente definido .
. Diante desses comentrios, alguns dos espaos amostrais des-
critos so idealizados. Em todas as situaes subseqentes, oespao
amostral considerado ser aquele que for matematicamente mais
conveniente. Na maioria dos problemas, pouca dvida ~.urge quanto
escolha adeQuada d9 :sPO amosti-al. :; .-. . :. :..,..,
.. . . -:

.- ... :... ,.:: ..


.:;.: :~:-

1._5. Eventos
Outra noo fundamental o conceito de evento. <R-~~~
(relativo a um particular espao amostral S, associado a" Upl expe-
e
rimento )< e<:smrp:):es~~At!P.~ti'tfi:C0nlj;un;,t~cl:~lresu1t~dbsi-'#~~~t;~~-~ . Na
tenninologia. dos conjuntos, um evento ;;~ ;~bconju~to d~ ;<es
pao amostral S. Considerando nossa exposio anterior, isto sig~
nifica que o prprio S constitui um-evento, bem como o o conjunto
vazio 0. Qualquer resultado individual pode tambm ser to~ado
como um evento .
.Al~s exe~plos d~ ey~nt()S s~- ~ados ~ - ~~~ir. N.?,yq~~te, .
nos referimos aos . experimentos 'relacionados aCima: A; s tef{ri.
ao evento asso~iad~ ao .xpedrh~~t EZ - ' -_ ; . \'"
Al: ul!l nmero par OCQrre, .isto , Al = {2, 4, 6}.
A2: {2} ;isto , duas caras ocorrem.
A3 : {HHHH, HHHT; HHTH, HTHH.; THHH); isto , mais
caras do que coroas ocorrfam.' - . . .
A4: {O}; isto , todas as peas so perfeitas.
{'

A6: {3, 4, .. , M}; isto , mais do que dois rebites eram defei-
tuosos.
As: {t I t < 3}; isto , a lmpada queima em menos de. 3 horas.
Au: {(x, y) I y = x + 20}; isto , a temper~tura mxima 20
maior do que a mnima. "
.r Quando o espa amostral S for finito ou infinito numervel,

j
\
todo subconjunto poder ser considerado um evento. [Constitui um
I
exerccio fcil de provar, e o faremos resumidamente, que se S cdn-
tiver n elementos, existiro exatamente 2n subconjuntos (eventos).]
Contudo, se S for infinito no'-numervel, surgir uma dificuldade
terica. Verifica-se que nem todo subconjunto imaginvel poder
14 I PROBABDLIDAIDE

._ ,.:;.;e~~:;:~:~;!~~~;~;;~!;d~~:!;::::;=:=~:~=:~~~~
.. d.I:J.t:a;~~J.Cp:lil.~'Wl:'o. Felizmente, . tais subconjuntos >'ii~:::adffiis~tveis
-~;;'~-~~rgem nas aplicaes e, por isso, nO 'cU:idii.rexios:r d)es . aqui.
Na exposio subseqente, ser admitido : tacit~fn~ri't~ ~'que $empre
que nos referirmos a um evento, ele .ser da espci :.4u'' j~ ~ljriitimos
considerar. ,~
Agora, poderemos empregar as vrias tGnicas .de combirtar con-
juntos (isto , eventos) ~ obter novos . conhint~~{ist , eventos),
os quais j apresentamos anteriormente.

. (a) Se A e B forem eventos, A U B ser o evento que ocorrer


se, e somente se, A ou B (ou ambos) ocorrreri\:
(b) Se A e B forem eventos, A nB ser .o .evel).to que ocorrer
se, e somente se, A e B ocorrerem.
(c) Se A for um evento, A ser o evento que ocorreh se, e so-
mente se, no ocorrer A.
(d) Se A~> . : . , An for qUalquer colo inita deeve~tos, ento,
U~-1 A; ser o evento que ocorrer se, e somentese, ao menos um
dos eventos A; ocorrer. ,
(e) Se A 1, . . . , An for qualquer coleo finita eventos, ento de
n~-1 A; ser o evento que ocorrer se, e somente s~, todos os eventos
A; ocorrerem.
. . .
U) Se A~> ... , An, . .. for qualquer coleo infini~a (numervel)
de eventos, ento, Ui-- 1 A; ser o evento que ocorre~~ se, e somente
se, ao menos um dos eventos A; ocorrer.
(g) Se A 11 , An, ... for qualquer coleo infinita (numervel)
' (Q .. . .:.. . - ..:. . . - : .

de eventos, ento, ();=1 A; ser o evento que ocon.'e r se1 e soinente


se, todos os eventos A; ocorrerem.
(h) Suponha.se que S represente o espao amo~f:.L~L~sociado a

~;~~~~~;:;::~~:i~:i::~~~f!~~:;:::::::~;:~;:
~~~::;!=~~::
(i) o exemplo contido em (h) pode, obviamente, ser generalizado.
Considerem~se n repeties de um experimento & cujo espao amostrl
sejaS:
S X S X . .'.X S = {(s 1 , s 2 , , sn), si ES, i= 1, .. , n}
:'lr.,

INf RODUO PROBABILfDADE I 15


I
representa o conjunto de todos o~ possveis resultados, quando & for
executado n vezes. De certo modd, S X S X .. X S ele prprio um
. espao amostral, a saber,
.
o espabI amostral associado a n repeties
. .
de 8,. I
Definio. Dois eventos, A le B, so den~~~_g~,~"t:.@?.tr!mie
-ez~ludentes, se eles no puderem 'ocorrer juntos. E~ri;mremos isso
escrevendo.,~~t~"'B~rt~~J!lf'''isto , a 1interseo de A e B o conjunto
vaziO. I
Exemplo 1.4. -
Um dispositivbI .eletrnico ensaiado e o tempo
!

total de servjo t registrado. Admitiremos, que o espao amostral


seja {t it 2:: O). Sejam A, B e c ltrs eventos definidos da seguinte
maneira: 1

A = {tjt < 100}; B = {t J.50 ' ~ t ~ 200i; C.= (tit > 150}.
Conseqentemente, 1

A U B = (tlt ~ 200}; A jn B = {t J50 ~ t < 100};


BUC=(tJt2::50}; BnC={tJ150<t~200}; AnC=O;
A u c = {tI t < 100 ou t > 150 J; ~ = {tI t ;::: 100 J; = (tI t ~ 150 J.
c
I
Uma das caractersticas fundamentais do conceito de "experi-
mento", como foi apresentado n~ seo anterior, que ns 11~0 sa-
bemos qual resultado particular
. .
correr
I
quando o experimento for
realizado. Por ~;mtras palavras, Sf A for um 'evento associado a um
experimento, ento, no poderembs afirmar com certeza que A ir
ocorrer ou no. Por isso, torna-s,e muito importante tentar associar
um nmero ao evento A, o qual medir de alguma maneira quo
verossrnil que o evento A venll.a a ocorrer; Essa tarefa nos leva
teoria da prob.abilidade. I

1.~~efliii&l~~~a;tiva-),
i
A fim de motivar a I
o seguinte procedimento:

I
Definio. ]A = nA/n denominada freqncia relativa do evento
A nas n repeties de 8. A f;eq~ncia relativa f A ap.rese~ta as seguin-
tes propriedades, de fcil verificao:
. (1) o ~ fA ~ 1. . . I
(2) j A = 1 se, e somente se, h. OCOrrer em todas aS n repeties. .
.,, :
16 I IP'ROISAIS8UDAiiJIE

(3) !A. :=O se, esomente se, A nunca ocorrer nas;nrepetipes.


(4) Se A e B forem eventos mutuamerit' ex2lud#tes;e~sef~ u B
for a freqnci!l relativa associada ao ~vento~ ~y ,s, :~B.tio-;]~ li. fi = .
= fA + fB. . ... . :. , _ ,; _,_ .. . ..
(5) fA, .com base em n reptie"s d ex.periment() 'e' :66nsideiada
como uma funo de n;
"converge" em ceit "senfdo ''prohbilsti_o
paraP (A), quando n -7 oo . . ' ' '

Conientrw: A Propriedade (5) est evidentemente expressada um tanto


vagamente, nesta seo. Somente mais tarde (Se.l2.2), estaremos aptos a tornar
esta idia mais precisa. Por enquanto, podemos a~enas afirmar q_{i ;a-Propriedade
(5) envolve a no nitidamente intuitiva de que a freq ricia relativa, ba5eada em
um nmero crescente de observaes, tende a se "estabilizar" prximo . de algum ;
valor definido . Este no o mesmo conceito usual de convergncia encontrado
em alguma parte da Matemtica. De fato, tal co.in af'rrmamos aqui, esta ri ,
de modo algum, uma concluso matemtica, mas apenas um fato e~prico.

A maioria de ns est intuitivamente a par deste fenmeno de


estabilizao, muito embora nunca o tenhamos verificado. Faz-lo exige
considervel poro de tempo e de pacincia, porque inclui um grande
nmero de repeties de um experimento. Contudo, algumas vezes,
~'
poderemos ser ingnuos observadores deste fenmen, como ilustra o .,

seguinte exemplo: i

Exemplo 1.5. Admitamos que estejamos postados na calada e


fixemos nossa ateno em dois blocos de meio-fio adjacentes. Suponha-se
que comece a chover de tal maneira que sejamos realmente capazes de
distinguir pingos isolados de chuv e registrar se esses pingos caem num .
meio-fio ou noutro. Ficamos a observar os pingos ea
anotar seu ponto
de impacto. Denotando o i-simo pingo por Xi, onde Xi = 1 se o pingo
cair no primeiro meio-fio, e igual a O se . cair no outro, poderemos
observar uma seqncia como, por exemp1o, 1, 1, O, 1, O; 0,0, 1, O, O, 1.
evidente que no seremos capazes de prever onde um particular pingo
ir cair. (Nosso experimento consta de alguma espcie de situao me-
teorolgica que causa a queda dos pingos de chuva.) Se calcularmos a
freqncia relativa do evento A = { ci pingo cai no meio-fio 1}, ento,
a seqncia de resultados acima dar origem s Seguintes freqncias
relativas (baseadas na observao de 1, 2, 3, ... pingos): 1, 1; 2/3, 3/4,
3/5, 3/6, 3/7, 4/8, 4/9, 4/ 10, 5/11, ... Esses nmeros e..videnciam um
elevado grau de variao, especialmente no incio. intuitivamente
evidente que, se o experimento acima continuasse indefmidamente, essas
freqncias relativas iriam se estabilizar prximas do valor 1/2. Canse-
. _qentemente, teramos toda razo em acreditar que, depois de algum
tempo decorrido, os dois meios-fios estariam igualmente molhados.
Oi\!TRODUO IP'IROBABIUDADE I H

Esta propriedade de estabilidade da. freqncia relaJ;j.va , por


enquanto, uma noo inteiramente intuitiva, porm mais tarde es-
taremos aptos a torn-la matematicamente precisa. -~l:l:
~I!i"1fproprieda<!?.:';_g,ile'{-Se"~experiment:ri'er--execntad&"uitr::gr.ande o
, n~~l!o~1le-ve~~S'Fa-frequn:'a-tei!tti~":idaii".ertn,!i.~c.:-lgum.;evento
..q..i4iii~~'hde~a""'i''~:ar.'-~-.::ovez,"'mi,ili:;:rn.edi~que,.O""-nYmero~d,~:,re~- . :...
t~~~r?allli!.~-P~~d":- Esta caracterfstica tambm conhecida como
regularidade estatstica.
N 6s fomos um tanto vagos em nossa definio de experimento.
Quando um procedimento ou mecanismo constituir, em nossa acep-
o, um experimento capaz de ser estudado matematicani:ente por
meio de um modelo no-determinstico ? J afirmamos, anteriormente,
que um experimento deve ser capaz de ser realizado repetid;unente,
sob condiQes essencialmente inalteradas. Agora, podemos acres-
centar outra. condio. Quando o experimento for repetidamente
realizado, ele dever apresentar a regularidade estatistica mencio-
nada acima. Mais adiante, estudaremos um teorema (denominado
Lei dos Grandes N:meros) que mostrar que a regularidade .estats-
tica , de fato, uma conseqncia da primeira .condio: reprodutibi-
lidade.
.. .. ~ .. ..

1.7. ~~~~lr:nif~ni~i~~~cfl!~Ni~1ffi;dade
Voltemos agora ao problema proposto acima: atri~uir um nmero
a cada evento A, o qual avaliar quo verossrnil ser a ocorrncia
de A quando' o experimento for realizado. Uma possivel maneira
de tratar a questo seria a seguinte:--repetir o experimento um grande
nmero de vezes, calcular a freqncia relativa fA e utilizar esse n-
mero. Quando record;nnos as propriedades de j A, torna-se evidente
que este nmero fornece uma informao muito precisa de quo ve-
rossmil a ocorrncia de A. Alm disso, sabemos que medida que o
experimento se repetir mais e mais vezes, a freqncia relativa f A se
estabilizar prxima de algum nmero, suponhamos p. ,H, con-
tudo, duas srias objees a esta maneira de tratar a questo: (a) No
est esclarecido quo grande deva ser n, antes que se cenhea o n~
mero: 1.000 .? 2.000? 10.000? (b) Uma vez que o experimento tenha
sitio c~mpletanente descrito e o evento A especificado, o nmero
que estamos. procurando no dever depender .do experimentador
ou da particular veia de sortE) que ele possua. (Por exemplo, pos-
svel que uma moeda perfeitamente equilibrada, , .quando jogada
10 vezes, venha a apresentar 9 caras e 1 coroa. A freqncia rela-
tiva do evento A = {ocorrer cara} seria, nesse caso, igual a 9/10 .
18 I PROBABI LIOADE

!\o entanto, evidente que nas prximas 10 jogadas o padro de


caras e coroas possa se inverter.) O que desejamos um meio de
obter tal nmero, sem recorrer experimentao. Naturalmente,
para. que o nmero que convencionarmos tenha significado, qualquer
experimentao subseqente dever produzir uma freqncia rela-
tiva que seja "prxima" do valor convencionado, particularmente
se o nmero de repeties, no qual a freqncia relativa calculada
se tenha. baseado, for muito grande. Ns procederemos, formalmente,
da seguinte maneira:
Definio. Seja e um experimento. Seja S um espao amostral
associado a e. A cada evento A associaremos um nmero real re-
presentado por P(A) e denominado probabilidade de A, que satisfaa
.s seguintes propriedades:
(1) O ~ P(A) ~ 1.
(2) P(S) = 1. (1.3)
(3) Se A e B Corem eventos mutuamente excludentes, P(AUB)=
= P(A) + P(B).
(4) Se A 11 At,. .. , An,. . . forem, dois a dois, eventos mutua-
mente excludentes, ento,

Observe-se que da Propriedade 3, decorre imectiatamente que,


para qualquer n finito,

A Propriedade 4 no se seguir; no entanto, quando considerarmos o


espao amostral idealizado, esta propriedade ser imposta e, por isso,
foi incluida aqui.
A escolha das propriedades da probabilidade acima relacionadas
, obviamente, sugerida pelas correspondentes cara.ctcnsticas da
frcqncia relativa. A propriedade, antes mencionada como regu-
laridade estatstica, ser mais adiante vinculada a esta definio de
probabilidade. Por enquanto, ns apenas afirmamos que se pode
mostrar que os nmeros P(A) e f A so "prximos" um do outro (em
determinado sentido), se }A for baseado em um grande nmero de
repeties. ~ este fato que nos d a justificativa da utilizao de
P(A) para avaliarmos quo verossmil a ocorrncia de A.
Por enquanto no sabemos como calcular P(A). Ns apenas
arrolamos algumas propriedades gerais que P(A) possui. O leitor
INTRODUO PROBABILIOAOE I 19

ter que ser um pouco mais paciente (at o prximo capitulo), antes
quE' aprenda como avaliar P(A). Antes de voltarmos a esta questo,
vamos enunciar e demonstrar vrias conseqncias relacionadas a
P(A), que decorrem das condies acima e que no dependem da ma-
neira pela qual ns realmente calculamos P(A).

Teorema 1.1. Se 0 for o conjunto vazio, ento P(0) =O.

Demonstrao: Para qualquer evento A, podemos escrever


A = A U 0. Uma vez que A e 0 so mutuamente excludentes,
decorre da Propriedade 3, que P(A) = P(A U 0) = P(A) + P(0).
Daqui, a concluso do teorema imediata.

Comentrio: Mais tarde, teremos oeasiAo de ver q11e a reciproca do teorelllA


acima nAo verdadeira. lst.o , se P(A) O, nlo poderemos, em geral, concluir
que A - 1!, porque existem situaes nas quais atribu:nos probabilidade zero a
um evento que pode ocorrer.

Teorema 1.2. Se for o evento complementar de A, ento

P(A) = 1 - P(). (1.4)

Demonstrao : Podemos escrever S = A U e, empregando


~ Propriedades 2 e 3, obteremos 1 = P(A) + P().

Ccmwmtrio: Este um resultado puticulannente til, porque ele significa


que sempre que desejarmos avaliar P(A), poderemos cs.lculu P() e, depois,
obtermos o resultado desejado por subtrao. Veremos mais tarde que, em mui-
Ws problemas, muito mais fcil calculu P(ii) do que P(A).

Teorema 1.3. Se A e B forem dois eventos quaisquer, ento


P(A U B) = P(A) + P(B)- P(A () B). (1.5)

Demonstrao: A idia desta. demonstrao decompor A U B


e B em dois eventos mutuamente excludentes e, em seguida, aplicar
a Propriedade 3. (Veja o Diagrama de Venn na Fig. 1.2.)
Desse modo escreveremos
A U B = A U (B () A),
B = (A () B) U (B () A).
Conseqentemente,
PfA U B) = P(A) + P(B () ),
P(B) = P(A (J B) + P(B () A).
.~,. ' r
i.;'
.r~
i

{ ,, .. 20 I PROBABOUDADE
....

Subtraindo a segunda igualdade da primeira, .obtm~se .


I'

P(A U B) - P(B) = P(A) ----: P(A i B)

e da chega-se ao resultado.

rI Fig. 1.2

Comentrio: Este teorema representa uma extenso imediata da Proprie-_


.dade. 3, porque se A n B = 0, obteremos do enunciado acima .a. Propriedade 3.

Teorema 1.4. Se A, B e C forem trs eventos quaisquer, ento

P(A U B U C)=P(A) + P(B)+P(C)-P(A i B)-P(A (')C)-


- P(B i C) + P(A i B n t:). . (1.6)

Demonstrao: A demonstrao consiste em.escrever A U B U C


na forma (A U B) U C e aplicar o resultado do teorema anterior.
Deixa-se ao leitor completar a demonstrao.
Comentrio: Uma extenso bvia do teorema sugerida. Sejam A ii ... , Ak,
quaisquer k eventos. Ento,
k k
P(Ar u A2 u ... u Ak) = L P(A;) - L P(A; nA;) +
1=1' i<j=2
k
+ E P{AinA;nAr) + ... +(-I)1HP(ArnA2n .. . nAk).
i<j<r=a
(1.7)
Este resultado pode ser facilmente estabelecido porr induo matemtica~

I
Teorema 1.5. Se A CB, ento P(A):::;; P(B).
i
.!I. Demonstrao: Podemos decompor B em dois eventos mutua-

'l
: ~.
mente excludentes, na seguinte forma: B = A U (B nA). Conse-
INTRODUO PROBABiliDADE I 21

qentemente, P(B) = P(A.) + P(B nA) ;:::: P(A), porque P(B (I ) ;::::
;;:: O, pela Propriedade 1. .

i:.
Comentrio: Este resultado , certamente, de conhecimento intuitivo, poill
:; ele afirma que se B deve ocorrer sempre que A ocorra, conseqentemente, B mu.ll
1:
pl'ovvel do que A.

1.8. .Aig11.1mas Observaes

(a) Cabe aqui uma palavra de advertncia. Da exposio an-


terior poderia ser (incorretamente) inferido que quando escolhermos
mp modelo probabilstico para a descrio de algum fenmeno de
observao, estaremos abandonando todas as relaes determins-
ticas. Nada poderia estar ~ais distante da verdade. Ns ainda
utilizm~; o fato de que, por exemplo, a Lei de Ohm I = E/R vale
em determinadas circunstncias. A diferena seria uma diferena
de interpretao. Em vez de afirmar que a relao .acima determina
I para E e R dados, admitiremos que E ou R (ou ambos) possam
variar de alguma maneira aleatria imprevisvel e que, em conse-
qncia, I variar ta'Inbm de alguma forma aleatria. Para E
e 'R dados, I ser ainda determinado pela relao acima. O impor-
tante que, quando se adotar um modelo probabilstico para a des-
crio de um circuito, considera-se a possibilidade de que E e R pos-
sam variar de alguma maneira imprevisvel, a qual somente pode
ser descrita probabilisticamente. . Portanto, desde que tenha sen-
. tido considerar somente a probabilidade de que E e R tomem certos
valores, torna-se significativo . falar somente da probabilidade de
que I venha a tomar certos valores.

- ~- 7~~::~=~~iflj[~l~!:~;;~~!f;~~~!~~
depenaercnrcomplicao de nossa tcnica de mensurao e da exatido
associada a. ela. Por exemplo, se medidas exatas foremJlfo difceis de
obter que leituras repetidas da mesma quantidade condzam a resulta-
dos variados, um modelo probabilstico ser sem dvida mais adequado
para descrever a situao.

(c) Indicaremo~ resumidamente que, sob certas circunstncias,


teremos condies de fazer hipteses adicionais sobre o comportamento
probabilstico de nossos resultados experimentais, as quais nos conduzi-
ro a um mtodo de avaliao das probabilidades bsicas. A escollia
dessas hipteses adicionais pode ser baseada em 'consideraes fsicas do
experimento (por exemplo, propriedades de simetria), evidncia emp-

.,. ;
- -

. ~' ~:" ..

22 I PROBABILIDADE

rica ou, em alguns casos, apenas julgamento :<pesspl,>bseado em


experincia anterior de uma situao similar! A IreqJ.il1ci relativa fA
pode desempenhar um importante papel em nossa 'deliberao sobre a
atribuio numrica de P(A). Contudo,~ imponnte' ''cori~ieender que
qualquer suposio que faamos sobre P(A) deve '''s~r'fajY:q'~ " ~jam
satisfeitos os axiomas bsicos desde (1) at (4)daDefuii'{1.3):

(d) No curso do desenvolvimento da5 idias bsics datoria 'da


probabilidade, faremos algumas referncias a det~rrinadas. analogias
mecnicas. A primeira delas pode ser apropriada a.qili. Etii M~tnica,
atribumos a cada corpo B sua massa, digamos m(.B)~ ''Effi .~gut"a'~ fa-
remos diversos clculos e obteremos vrias conds sobre compor- o
tamento de B e suas relaes com outros coipos, ixirita(P,as -qliais
envolvem sua massa m (B). O fato de que ns poderefu.os' ter que
recorrer a alguma aproximao para obter relmntt m(B) uin . pra
corpo especificado no diminui a utilidade do coritit ' de hiassa~
Semelhantemente, estipularemos para cada evento A associd.() aoespao
amostral de um experimento um nmero P(A ), denominado 'probabili-
dade de A, e satisfazendo nossos axiomas bsicos. Ao calci.lar reallliente
P (A) para um evento especfico, ns teremos que fazer hipteses
adicionais ou que obter uma aproximao base ada em evidncia. emprica.

(e") . 1!; muto importante compreender que ns tenhamos pos-


tulado a existncia do nmero P(A), e que tenhamos postulado de-
terminadas propriedades que esse nmero possui. A validade das
vrias conseqncias {teorems), decorrentes desses postulados, 'de
modo algum depende da maneira pela qual iremos obter um valor
numrico para P(A). 1!; essencial que este ponto fique claro. Por
exemplo, admitimos que P(A U B) = P(A) + P(B). A fim de em-
pregar esta relao para a avaliao concreta de P(A U B), deveiemo~
conhecer os valores de P(A) e de P(B). Explicaremos, i-esuffiida-
mente, que sob certas circunstncias, ns poderemos fazer suposis
adicionais que conduzam a um mtodo de avaliao dessas probabi-
lidades. Se essas (ou outras) suposies no forem fundamentadas,
poderemos ter de recorrer experi~entao a fim de alcanar o valor
de P(A) a partir de dados reais. A freqncia relativa fA desempe~
nhar nisso um importante papel e ser, de fato, utilizada para apro-
ximar P(A).

Contudo, importante saber que j A ,o P(A) n'o slto o. rncHllll\


coisn.; que n11 ~~ponaH ni.iliznrom01-1 j A Jl l~l'l~ t\proJ<iouu /'(A) ., qt11,
li!llllpl'l q111 11011 rt ft'II'Illll ll 1L /'(ti), 1'1\I,HIIIIIIIHI 111111 111r11 11tlo IIII Vn loll'
\lllll l,llltlclo t 1 1101 11 1fl1nllll11111111111" J~ 1'11111 /'( ,1) , clt 111'1111 1'11111
-~---- ------- -- --- -

INT;RODUO PROBABILIDADE I 23
[

preender que estaremos to-somenie substituindo um valor postulado


por urna aproximao obtida exp~rirnentalrnente. Quo boa ou m
essa aproximao possa ser, de. ~odo algum influencia a estrutura
lgica de nosso modelo. Muito ~mbora o fenmeno que o modelo
tente representar tenha sido levad em conta na construo do mode-
lo, ns nos teremos distanciado do brprio fenrnen~ (ao menos tempo-
:rariarnente), quando entrarmos no i-eino do modelo.
I

Problemas I
I
I
I
1.1. Suponha que o conjuntO funqamental seja QI'Ill8do pelos- inteiros. po-
mtivos de 1 a. 10. Sejam A= (2, 3, 4) 1, B = (3, 4, 51, e C= (5, 6, 7). Enu-
mere os elementos
- . - ..
dos seguintes conjunts:
I
-
I
(a) A n B. (b) A U B. (c) A n ~ (d) A n (B n C). (e) A n (B U C)

1.2. _ Suponha. que o conjunto ~undamental U seja dado por U =


(x!O s; x ~ 2). Sejam os conjunto8 A e B definidos da forma. seguinte:
A= (xll/2 < x~ 1) e B = {xll/4~ x < 3/2). Descreva os seguintes con-
juntos: I
r
(a) A U B. (b) A U B. (c) A n IJ, Cd> :A n B.
I
1.3. Quais das seguintes relaes si\.o verdadeiras?
I -
(a) n
(A U B) (A U C) = A U (~ C). n (b) (A U B) = (A n B) U B.
(c) A C\ B = A U B. (d) (A Li B) n c-= A n B n C.
(e) (A n B) n (B n C) = e. I
i
1.4. Suponha que o conjunto fund~ental seja. formado por todos os pontos
(x, y) de coordenadas ambas inteiras, e que estejam dentro ou sobre a fronteira
do quadrado limitado pelas retas x = O, jy = O, x = 6 'e y = 6. Eriuroere .os ele-
mento,s dos seguintes conjuntoo: !
I
(a) A= ((x,y)jx2 +y 2
~ 6). (~) B = ((x,y)Jy~ x~l. _
(c) C = {(x, y)jx ~ y2 }. (d) B q1 C. (e) (B U A) n
!
1.5. Empregue diagramas de Vem\. para estabelecer as seguintes relly;oa:
(a) A C B e B C C implica quk A C C. " (b) A C B implica q\10
A - A n B. (c) A c B I implica que- :B c A. (d) A c B ilnpliCII
quo A u cc IJ u c. (lll A n B I.; 0 e c c A implicam quo B () c - 0.
1 ,0, I'OI)I 'IIli\ HIU\111 rlr t 1\IHII lill (ll\ dr (HIIf)II O tlflO 11\1\r()!l,l\iUI 1(1 foi(tullm (/J)
'"' 11 o r(tl(ll 1,11111111 (N), ~~~ I)IIIJifl\ ll 1Uijll111l01UIIlrl/1 I! 1111" <llllldl~Jtll l'IIV, Hl.l'l\r),.,
I ,
l1rlt l11 III 11 1 lj\11 tlllr I prl~ll' l tlr1l11 1.111111111 1'111111!111111 '/ll~ ~~~],.lu (u(ll ltt<llf ti I (1111

l(llllilo 111 V''~ lt ulttuu llhlu 111~(1111' 1111111hlk llltlllo 1(111 '"'"III ""' I" 11111 111 l1111111 r
Ih riU VI' IIII I IIM~II Ulljllll(l 111(1111' I I '""' ""'" '''
2<l I PROBABILIDADE
. -::-.
frj). (a) Uma caixa coi:n N lmpad!IS contm: r lmpa<;llj.S~- (r < ;:?'!) , com fila-:
mento partido. Essas lmpadas so verificadas \l!ia a urnii, at. .9ue .l,l!P-11 1~1!!
pada dfeituosa seja encontrada. Descreva um espa 0 , ~k;if~i :par~ : este e~
rimento.. .,.... ' ' ..., ..,__ .. " / -'' ' .
/' ' . . . . _. , --~ _. <: ...,__ :,~~ ... ,~ -._.' .
(b)Suponha que as lmpadas acima sejam verlficaili uiri' . uma; at que
todas as defeituosas tenham sido encontrad.s. Dscreva: fe~p~i;: ~m6St~al para
este experimento . -~~ '.~ :. '.

. 1.8. Considere ' quatro objetos, 'f-l:t;ticiiiif;td'!J' . Suponha que a . or~m em que
tais objetos sejam :listados represente o resultado de um experilp.ento. Sejam
os eventos A e B definidos assim: A. = -f"Sf~lll!.~ primha:.-'-Posi~o); . B ~
lb"el!t:t''ria":se-gnndB."-posio l .
(a) Enumere todos os elementos do 'es~~m0st1>~J;h-
(b) Enumere todos os elemtmtos dos ey~entos<4 nB e A U iJ:

1.9. Um lote contm pe~as pesando 5, 10, 15, .. . , 5Q gr11mas. : Admitams


que ao menos1 duas pe~as de cada peso sejam_ ensontradas no, !<;>te~ Duas ~as
soret;adas d~ I0;te .. Sejam X o peso da pri~eita pea escolhid,a;}l .Y o pe'so q~
segunda. Portanto, o par de nmeros (X, Y) rep_resent : um .. resultl),do _simples
do experii:ne\lto. Empregando o plano XY, marque o espa.o amostral~ os segtn-
tes eventos:
(a) [X= Y). (b) !Y> XI.
(c) A segunda pe~a duas vezes mais pesada que a primeira.
(d) A primeira pea pesa menos 10 ~ama$ que a segtmda -p~a.
(e) O peso mdio de dus p~as meno~ do ~ue 30 gramas.

Q;;) burante-:m de;~~rodo 2~-- horas,


ein algum moment:O X, uma chave
posta na posio "ligada". Depois, em algum momento futuro Y (ainda du-
rante o mesmo perodo .de 24 horas), a chave virada para a posi~o "desligada".
Suponha que X e Y sejam medidas em horas, no eixo dos tempos, com o incio do
perodo na origem da escala. O resultado do experimento constitudo pelo par
de nmeros (X, Y).

(a) Descreva o espao amostral.


(b) Descreva e marque no plano XY os seguintes eventos;
(i) O circuito est ligado por uma. _hora ou ~enos.
I
() O circuito est ligado no tempo z, onde z algum instante no perodo
dado de 24 horas. .
(iii) O circuito ligado antes do tempo lt e desligado depois do tempd 12
(onde tambm 11 < t2 so dois instantes durante o perodo de 24
-hora.S especificado).
(iv) O circuito permanece ligado duas vezes mais tempo do que desligado.

/f:11'1 Sejam A, eC trs eventos associados a um experimento. Exprima


em ~~es de conjuntos, as _segtntes afirmaes verbais:
Ao menos um dos eventos ocorre.
Exatamente um dos eventos ocorre.
INTRODUO PROBABILIDADE I 25

(r) Exatamente dois dos eventos ocorrem.


(d) No pais de dois dos eventos ocorrem simultaneamente.

1.12. Demonstre o Teor 1.4.


l '

(a) Verifique que para dois eventos quaisquer, Ar e A 2, temos que


1.13.
P(Ar U A2) S P(Ar) P(A2) .. +
(b) Verifique que para quaisquer n eventos Ar, . . . , An, temos que
P(Ar U . .. U An) S P(Ar) + ... + P(An).
Empregue a induo matemtica.
(Swestdo: O resultado enunciado em (b)
denominado desigualdade de Boole.]

. ~.14.
O Teor. 1.3 trata da probabilidade de que ao menos um de dois eventos
A ou"B o~rra. O seguinte enunciado se refere probabilidade de que exalmMnte
um deis eventos A ou B ocorra. Verifique que
P[(A () B) U (B () A)] = P(A) + P(B) - 2P(A () B) .

.@ J ~;n certo tipo de motor _el~ri~ falha se ocorrer uma das seguindteass
srtuoes: emperramento dos :r,nancars, querma dos enrolamentos, desgaste
escovas. Sponha que o emperr~tnn);o seja dua.s vezes ma i~ pr.ovyel do que 1\
queima, esta sendo qutro -..:e~es mais pro~vel 'do 'que ' o 'fles~alite, ds es~ovas: . '
Q;at,ser. a;' ProBabilidde de 'que-a--flba seja~flevida' a _c.ada um~ dessas\ circun1s-
tnill.ll? . , ,.
~-,.. / '.<!

")~':1"6.) Suponha que_A .e B sejam eventos tais que P(.) = x, P(B) = y, e


P(~~) = i. Exprima cada uma das seguintes probabilidades em termos
de x, y e z.
(~) P( U B). (b) P( () B). (c) P(A U B). (d) P(A n Ii).
1.17. Suponha que A, B e C sejam eventos tais que P(A) = P(B) = P(C) =
= 1/4, P(A n B) = P(C () B) = o e P(A () C) = 1/8. Calcule a probabilidade
de. que ao menos um.dos eventos A, B ou C ocorra.
.r;?:~ .
'-r.1-8. Uma instalao constituda de duas caldeiras e umamquina.Admita
que o evento A seja qqe a _!TI~quina esteja em boas condies de funcionamento,
,os :n
enquanto. ~veritos Bk (k := 1, so os eventos-de que a k-sima caldeira esteja
em boas condies. O evento C que a instalao possa funcionar. Se--a instalao
puder funcionar sempre que a mquina e pelo menos urria.das caldt;jras funcionar,
expresse os eventos C e C, em termos de A e dos Bk. '
.~"'"',;~_...;., )~
('.....t.ts~ Um mecanismo tem dois tipos de unidades: I e II_. Suponha que .se
disponha de duas unidades do tipo I e trs unidades do tipo I( Defina os eventos
Ak, k= 1, 2eBj,j= 1, 2, 3 daseguintemaneia:Ak:ak-simaunidade do tipo I
est funcionando adequadamente; Bj= aj-sima unidade do tipo II est funcionan-
do adequadamente. Finalmente, admita que C represente o evento: o mecanismo
funciona. Admita que o mecan1smo .funcione se ao menos uma unidade do tipo I
e ao menos duas unidades do tipo II funcionarem; express o evento C em termos
dosAk e dosBj.
.;' . .'
..., '~

Espaos Amostrais Finitos


Cap.tulo 2

2.1. Espao Amostral Finito

Neste captulo nos ocuparemos unicamente de experimentos


para os quais o espao amostral S seja formado de um nmero finito
de elementos. Isto S

A fim de caracterizar P(A) para este modelo, deveremos ini..:


'cialmente considerar o evento formado por um resultado simples,
I algumas vezes denominado evento simples ou elementar, A ~ {a;}.
,1
Procederemos da seguinte maneira:
A cada evento simples {a;} associaremos um nmero p;, deno-
minado probabilidade de {a;} 1 que satisfaa s seguintes condies':

(a) p;;,:::o, i= 1,2, ... ,k,


(b) P1 + P2 + ... + Pk = 1.

[Porque {a;) um evento, essas condies devem ser coerentes com


aquelas postuladas para as probabilidades dos eventos em geral,
como foi feito nas Eq. (1.3). fcil verificar que isso se d.]
Em segu_ida, suponha-se ,que um evento A seja constitudo por
r resultados, 1 :::; r:::; k, a saber

onde j;, j~,; ., ;};representam mn qualquer'<'.Q~;fq,~tfsj de 1 at k.


Conseqentemente, conclui-se da Eq. (1.3), Propriedade 4, que
i 1 I
I ESPAOS AMOSTRAiS fiNiTOS 1 27
"?>~~.''.':..~~~~~----~- - atnbmao dr! probabilidades
-
~~~!~t~~~'f"!'a
I

Pi a cada evento
elementar {ad, sujtjto s condies (a) e (b) citadas anteriormente,
determina ~,.:~~~~nte P(A) para lcada evento A C S, onde P(A)
dado pelE~f~'t} 1
. , .

Para avaliarmos os p; individuais, algllina hipqtese referente


aos resultados individuais de_ve seJ feita. .
Exemplo 2.11.. Suponha-se que somente tres resultados sejam
possiveis em um experimento, a saber, ah .<li e a 3 Alni .disso, su-
ponha-se _que. a1 seja duas vezes Fis provvel de o.correr que a2, o
qual por sua vez duas vezes mai~ provvel de ocorrer que a 3
Portanto, P1 = 2p2 e P2 = 2p3. J que P1 + P:l+ P3 = I, te-
remos 4pa 2pa+ +
pg = 1, o qul finalmente d

Pa =
1
7 P2lI 72 e P1 =
4
T
Comentdrio: Ns exposio que se..$egue,
i
empregaremos
.
a expresso "igual-
mente verossneis" para signicar "igu~lmeote prov'\is".

A hiptese mais co~um~nte


Ifeita para ;espaos amostrais fini-
tos a de que todos os

. sejam igualmente verossmeis.
\ I

Esta hiptese nO pode ser, tomada como segura; ela deve


ser cuidadosamente justificada. ;Existem muitos experimentos para
os quais tal hiptese assegurad11, mas existem tambm muitas si-
. tuaes experimentais nas quais i seria absolutamente errneo acei-
tar-se essa suposio. Por exeJ?~lo, seria b~~;Sta.nte irreal supor que
seja igualmente verossmil no ocorrerem chamadas telefnicas em
um centro entre 1 e 2 horas da ~adrugada e entre 17 e 18 horas da
tarde. I

"'~+~==~~
... +
l-~ruo P1 p~c =:= 1 torna-se kp = 1 para todo, i. t Disto de-
, formado de r resultados, teremos

1t muito importante Com.onleii.der que a expresso de P(A) acima


apenas uma cons~qn~i~ qa de,,que todos, os resultados
28 I PROBABILIDADE

sejam igualmente verossimeis, e ela aplicvel somente . quandO essa


suposio for atendida. Ela certamente no serve como . uma defi-
nio geral de probabilidade. -

Exemplo 2.2. Um dado lanado e . todos os r~sriliados se su-


pem igualmente verossimeis. O evento A -~c~r~er'. se, e. somente
se, um nmero maior do que 4 aparecer, isto , A
=:: {5, ' 6}: Con-
o"::\ seqentemente, P(A) = 1/6 +
1/6 .== 2/6.
r-:>\ ~
v Exemplo 2.3. Uma moeda equilibrada at_irada . luas vezes.
f_ W Seja A. o evento: {aparece uma cara). Na avaliao _de P(A), a
~ ~ anlise do. .problema poderia ser a seguinte: O espao amostral
-~ 3 S ={O, 1, 2} onde cada resultado representa o nmero _de ~aras
~ que ocorre. Portanto, seria encontrada P(A) ;, 1/3! Esta anlise
~ obviamente incorreta, porque no espao amostral.cnsiderado aci~a; '
=r todos os resultados no so igualmente verossmeis. A fim de aplicar
!f os . mtodos expostos, deveremos considerar. em s .e lugar o espao
t amostral '= IHH, HT, TH, TT}, onde H i:presenta cara, e T
- . oroa. Neste espao amostral todos os resultados so _igualJ!lente
verossimeis e, . por isso, obteremos como solu cbrreta de nosso
problema: P(A) = 2/4 = 1/2. Poderamos empregar corretamente o
espao S da seguinte maneira: Os resultados O e 2 so igualmente
verossmeis, enquanto o resultado 1 du~s vezes mais provvel que
qualquer um dos outros. Portanto, P(A) =: 1/2, o que concorda
com a resposta anterior.
Este exemplo ilustra dois aspectos. Primeiro, deveremos estar
bastante I SegUrOS de que tod~S OS resultados pOSSam SUpOr-Se igual.:_
mente verossme\s, .antes de empregar o procedimento 'acima. Se-
gundo, poderemos freqentemente, por uma escolha apropriada do
espao amostral, reduzir o problema a outro, em que todos os resul-
tados seja,;_ igualmente verossmeis. Se~pre 'qne possvel, isto deve
.ser feito porque g~ralmente , torna o clculo . mis si.rhples. Este
r

aspectQ. ser-de novo mencionado em exemplos subseqentes.


Muito freqentemente, a maneira pela qual o experimento -
executado determina se os result!tdos possveis so igualmente ve-
rossmeis ou io. Por exmplo, suponha-se que retiremos um para-
fuso de uma caixa /que coiitenh~ tr~s parafusos de tamanhos dife~n
tes. Se simplesmente escolhermos o parafuso este:rrdendo a mo
dentro da caixa e apanhando aquele que tocarmos primeiro, bvio
que o parafuso maior ter maior probabilidade de ser escolhido que
os outros dois. No entanto, etiquetando cuidadosamente cada para.:.
fuso com um nmero, escrevendo o nmero em um carto, esco-
~ .
IESI?AOS AMOSTIRA~S .fiNDTOS I 29

lhendo um carto, tentaremos garantir que cada parafuso tenha de


fato a mesma probabilidade de ser escolhido. Assim, poderemos
nos meter em enorme trabalho a fim de assegurarmos que a suposio
matemtica de resultados igualmente verossmeis seja de fato apro-
priada.
'
Nos exemplos j vistos e em muitos que se seguiro, trataremos
d:a escolha ao aeliso de um ou mais objetos de uma dada coleo de

~:.~;~::::::;~~,::=:!::!~~:~~~~::foe';:/:ion'hamQ~.
(a) Escolher ao acaso.um obJeto, dentre N objetos, significa qiUle
cada objeto tem mesrn.a: Pl)Obabilidade ser esc,o!hido, isto , de
-b ~ ). r =. 1, ~2, ... ,N."o ,.~~),
Pro (escolher a;= lN, t l'!.'J.,<;~':?Gi':J/"i,::fc,..-1,
~..11"1 ((j de:;, ~ ' ""r/Z
(b) Escolher ao acaso dois obJetos, dentre N objetos, significa
que cada par de objetos (deixada a'ordem partertem a mesma pro-
babilidade de ser escolhido que qualquer outro par. Por exemplo,
se devemos escolher ao acaso dois objetos dentre (ai; a 2, as, a4), obter
a 1 e a2 ento to .provvl quanto obter a2 e as etc. 'Esta for~ula
r;o'"levanta-imediatamente a questo de quantos pares diferentes
existem. Admita-se que existam K desses pares. Ento, a proba-
bilid~-;!,~~~R~/K. Logo,, Vft~~:m;,~i~2:S~l~~iS~?).
/,..........(~) Escolher ao acaso n objetos (n ::; N) dentre N objetos signi-
/ fica que cada ~nupla, a saber a;,, a;,, . .. , a;n to provvel de ser
/ escolhida quarito qualquer outra ~nupla.
,.
/
i Comentrio: J sugerimos acima que se deve tomarextremo cuidado durante
., o procedimento experimental, para assegurarmos ,que a suposio matemtica q~ ~ / ,......
)
\\
.
"escolher. ao acaso"
..

seJa
.

atendtda..
1 .
I
.t ,,
-~''{_
r1".11~; ...r~e.., .:-~'i l~i tr., t.,.,.,.
t:
=-+ ~
,<'= ...,.."'\ C J
.4 .tl .P~-<J ~"'Y)
L-. jlt,1 '- '""
- or:';;....-r- .., .

\~.--'if'> ;--~/t.NiVJ;Dt. ?ki de .v ,.

2.3. Mtodos de Enumerao

Deveremos fazer uma digresso, a esta. altura, para aprendero


mos como enumerar. Considere-se novamente a forma j vista de
P(A) a saber P(A) = r/k, :'Onflfu~Ji~O'inlffil:ero"'io:ta:l;;hle:matt:eir.a:s..--

. -~;~:::~!!1:~=:~~;:~;~~~t~~;~!!!~~~;:~:;:~~:~~:"
. aqui;-pequena difi~uld~de-foi enontrada para calcular r e k. Mas
ns precisamos estudar sit~aes apenas um poupo mais complica-
das, para percebermos a necessidade de alguns procedimentos siste-
mticos de contagem ou enumero.
30 I PROBABIUDADIE / lp
_,.

/ ,:;ljl~~~{~~~r,.~ Uma partida de cem peas , ,comppsta ,de ~O .


peM-defeituosas e 80 peas perfeitas. n ez dessas . pes 'so esco-
lhidas ao acaso, sem reposio de qualqu~r pea escolhida antes que
a seguinte seja escolhida. Qual a probabilidade de que exatarnente
metade das peas escolhidas seja defeituosa?
Para analisarmos este problema, consideremos o seguinte espa-
o amostral S. Cada elemento de S . constitu:lo deqez possveis
peas da partida, (i,, i2, . . . , i,o). Quantos resultdos des~es existem?
E dentre esses resultados, quantos tm a caracterstica de que exa-
tamente a metade das peas seja defeituosa? Ns, evidentemente,
precisamos ter condies de responder a tais questes a fim de resol-
vermos o problema em estudo. Muitos problemas semelhantes do
origem a questes anlogas. N'nST"puucm:::i)e~egumte~...,a.p.re~
tiffio'S'::~lgumas=teni:cas~si1fteiji4Hj~.as,,;dg~riDttmY.a~aeo
Suponha-se que um procedimento
possa ser de n 1 ma~eiras. Admita'-se
que um- segundo procedimento, designado por 2, possa ser executado
de n2 maneiras. Suponha-se, tambm, que cada maneira de e~ecut.r
1 possa ser seguida por qualquer daquelas para executar 2. Ento,
o procedimento formado por 1 seguido de 2 poder ser executado de
n 1 n 2 maneiras. Para indicar a validade deste priiJ.cipio, ~ais
fcil considerar o seguinte tratamento sistemtico;

I
li p
,,I

i"g. 2.1

COnsiderem-se um ponto P e duas retas L 1 e L2. Admita-se que


o procedimento 1 consista em ir de P at L1, enquanto o procedimento
2 consista em ir de L 1 at L 2 A Fig. 2.1 indica como o resultado
final obtido.
Comentrio: Obviamente, esta regra pode ser estendida a qualquer nmero
de procedimentos. Se existirem k procedimentos e o i-simo procedimento puder
set executado de n,; maneiras, i = 1, 2, .. ; , k, ento o proc.edimento formado
por 1, seguido por 2, .. . , se'guido pelo procedimento k, poder s er executdo de
l'l1ll:! nk rrumeiras.
ESPAOS AMOSTRA IS FINITOS I 31

Exemplo 2.5. UDll). pea manufaturada deve passar por trs


estaes de controle. Em cada estao, a pea inspecionada para
determinada caracterstica e marcada adequadamente. ~a primeira
estao, trs classificae..> ~il.o possiveis, enquanto nas duas ltimas,
quatro classificae!l so po!~!l{veis. Conseqentemente, exilitem
3 - 4 - 4 = 48 maneiras pela:; quais uma pea pode ser marcada.

B. Regra da Adio. Suponha-se que um procedimento, de-


signado por 1, possa ser realizado de n1 maneiras. Admita-se que
um segundo procedimento, designado por 2, possa ser realizado de n2
maneiras. Alm disso, suponha-se que no seja possvel que ambos
os procedimentos l e 2 sejam realizados em conjunto. Ento, o
nmero de maneiras pelas quais poderemos realizar ou I ou 2 ser
n1 + n2.
Novamente, empregaremos um tratamento esquemtico para nos
convencermos da validade da regra da adio, como a Fig. 2.2 indtca.

L,~l, Fig. 2.2

Comenirio: Esta regra tambm pode ser generalizada da seguinte maneira:


Se existirem k procedimentos e o i-simo procedimento puder ser realizado de n;
manein.s, i ~ 1, 2, ... , k, entAo, o nmero de m&neiras pelas quais poderemos
realizar ou o procedimento 1, ou o procedimento 2, ou ... , ou o procedimento k,
dado por n 1 + n2 + _ . + nA:. supond<H!e que dois quaisquer deles nlo se pos-
sam realizar co llJltament.e.

Exemplo 2.6. Suponha-se que estejamos planejando uma via-


gem e devamos escolher entre o transporte por nibus ou por trem.
Se existirem trs rodovias e duas ferrovi~, ento existiro 3 + 2 = 5
caminhos disponveis para a viagem.

C. Permutaes e Arranjos. (a) Suponha-se q ue ns temos n


objetos diferentes. De quantas maneiras "p" poderemos dispor (per-
mutar) esses objetos 'l Por exemplo, se tivermos os objetos a, b e c,

... ____________________________
P<>deremos considerar as seguintes permutaes: abc, ccb, bac, bca,
cab e cba. Portanto, a resposta 6. Considere-se, em geral, o se-

._
. 32 I I"ROBAB!UOADIE

O primeiro comparti,mento pode ser ocupado por qualquer


uma das n maneiras, o segundo compartimento por qualquer u~a.
das (n - 1) maneiras, .. . , e o ltimo comparmentO apenas por
uma maneira. Portanto, aplicando-se a regra da multiplicao,
vista acima, verifica-se que a caixa poder ser carregada de n(n-1)
(n- 2) . .. 1 maneiras. Este nmero aparece to freqentemente em
Matemtica que se adotam um nome e um smbolo especiais para ele.

Definio. Sendo n um inteiro positivo, definimos n! = (n)(n- I)


(n- 2) ... 1 e o denominamos fatorial de n. Tambm definimos
O!= 1.
Dessa maneira, o nmero de permutaes de n objetos diferen-
tes dado por

(b) Considerem-se novamente n objetos diferentes. cA<gQpt9:~- .

~~~::;~fi!!~~~~~~:;~!e~v:!~:!~~~-~:;;r-~~~~~~]1!~3~~~~:,
por::11Jf;. Recorremos novamente ao esquema acima, de encher uma
caixa de n compartimentos; desta vez simplesmente paramos depois
que o compartimento de ordem r tenha sido ocupado. Assim, o pri-
meiro compartimento pode ser preenchido de n maneiras, o segundo
de (n- 1) maneiras, ... e o de ordem -r de n- (r- I) maneiras.
Portanto,- o procedimento completo poder ser executado, novamente
aplicando-se a regra da multiplicao, de

n(n -'- 1) (n - 2) ... (n- r + 1)


maneiras. Empregando a notao de fatorial, introduzida acima,
poderemos escrever

D. Combinaes. C.on8iderem-se, novamente, n objetos dife-


'I
rentes.Agora, trataremos da cont&g<em do nmero de mweiras de
ESPA'OS AMOSTRAIS FINITOS I 33

escolher r dentre esses n objetos sem. considerarmos a ordem. Por


exemplo, tems os obj~tos a, -b, ~ ~ =:2; desejainQ~ contar ab,
';':Z/ :;
ac, ad, bc 1 bd e cd; por outras palavras, no contaremos ab e ba, por-
que os mesmos objetos esto includos e somente a ordem diversa.
Para obtermos o resultado geral, recordaremos .a frmula dedu-
zida acima: o nmero de maneiras de escolher r objetos dentre n, e
permutar os r escolhidos n!/(n- r)! Seja C o nmero de maneiras
. de escolher r denl;re os n, no considerada a ordem. (Isto , C o
nmero procurado.) Observe-se que, uma vez que r objetos tenham
sido esclhidos, existiro r! maneiras de permut-l~s. Conseqen-:-
temente, aplicando~se novamente a regra da multiplicao, junta-
mente com esse resultado, obteremos
__ n!
1
Cr.- (n- r)!

Portanto, o nmero de maneiras de escolher r dentre n objetos dife-


rentes, no se considerando. a ordem, dado por.

C= . n! .
r!{fl.- r)!

Este nmero surge em muitas passagens da Matemtica e, por


isso, um smbolo especial empregado par le. Escreveremos

rl(n~ r)! =( ~)
Para nossos objetivos atuais, ( ~) somente fica definido para n in-
teiro positivo e r um inteiro tal que O :5_ r :5_ n. Contudo, pode-

remos definir (~) de modo mais geral, para qualquer nmero real
n e para qual<Iuer inteiro no negativo r, na forma seguinte:

n) = n(n-l)(n-2) (n- r+ 1).


(r r! .

Os nmeros ( ~) so freqentemente denominados coeficientes bino-


miclis, porque eles. aparecem como co!)ficientes no desenvolyimento da
<e;lq)ressio n um
binomial (a+ b)n. I Se for inteiro positivo, (a+ = w
= (a+ b) (ar+ b) .. (a + b). Q~ando a multiplicao tiver sido
eKecutada, cada termo ser formado de k elementos a, e de (n - k)
elementos b, k =O, 1, 2, .. . ,n. Quntos te~osda forma akbn-k
34 I PROBABiLIDADE

existir~? Simplesmente contaremos o nmeci ,iJ.e>lniuiei.rB posSf..


veis de escolher k dntre os n elemen~s a, dbiand deid a'otdm.
Mas isw justamente dado por ( ~) ~ Dai ob~rtridso "~Je collhe-
cido como o reorema birwmial:


.(a+ b)" ~ -o (n)a~bn-k_
k .
. .
.
(2.2)

Os nmeros (;)apresentam muitas propriedades in~~ess;mtes, ape-


nas duas das quais mencionaremos aqui: (A . merios que . ~e diga
expressamente de modo diverso, admitiremos que n sej~ inteiro posi-
tivo e r um inteiro, O ~ r ~ nJ

~ fcil verificar algebricamente as duas identidades acima. Basta


desenvolverem-se, em cada uma, o primeiro e o segundo membros, e
verificar que so iguais.
Existe, contudo, outra maneira de verificar essas "'id~ntidades,
que emprega a interpretao que demos para ( ~), . a saber, o n-
mero de maneiras de escolher r dentre n coisas.
(a) Quando escolhemos r dentre n coisas, estamos ao mesmo
tempo deixando (n:.... r) coisas no escolhidas, e, por isso, escolher r
dentre n equivalente a escolher (n - r) dentre n. Ora, isso exa-
tamente a primeira identidade a verificar.
(b) Vamos fixar um qualqm~r dos n objetos, por exemplo o pri-
meiro, a1. Ao. escolher r objetos, a 1 estar includo ou estar excludo,
mas no ambas as coisas. Portanto, ao contar o nmero de maneir!LS
de escolher r objetos, poderemos aplicar a Regra da Adio, expli-
cada anteriormente.
Se a 1 for excludo, ento deveremos escolher os r objetos dese-
jados dentre os restantes (n - I) objetos, e existem ( n ~ 1
) maneiras :~

de se fazer isso.
Se a 1 for includo, ent:o somente (r - I) mais objetos deve~
ser escolhidos dentre os restantes (n - I) objetos e isto pode ser
feito de ( =
~ ~) maneiras. Conseqentemente; o .nmero procu-
rado a soma desses dois, o que verifica a segunda identidade.
I . .
ESPAOS AMOSTRAIS FINITOS I 35 .
I

Comentrio: Neste contexto, os [ f"1c1entes


c~e b'momm.lS
( kn ) t"em sent'd
1 o

somente se n e k forem inteiros


.
no-negativos,
I
com O ,;;; k ,;;; n. Todavia, se escre-
vermos i -
I

n n! . _ n(~-l) ... (n -k+ l)


( )=---- I '
k k!(n-k)! k!
I
observaremos que a ltima expresso temisentido se n for qualquer nmero real e
k for qualquer inteiro no-negativo. Portanto,
I I

3 (-3)( + 4) ... (-7) ! .


c ) = -----,-,...-----
5 I 5!
e assim por diar1te. I
Empreg;uido esta verso estendida dos coeficientes binomiais, poderemos
estabelecer a forma generalizada do teorenk binomial:
f. . I
. n ooi n k
(l+x) =E ' ( )x
kJo k
I
' I
Esta srie tem significado para qualquer ;n real e para todo x tal que IX I < 1.
Observe-;<;e que, se n for um inteiro posithp, a srie infinita se reduz a um nmero
finito de t~rmos,porque, neste caso, ( ~) f O, se k> n.
i .
Exemplo 2.1. (a) Dentre oi:o l pessoas, quantas conss~s de
tres membros podem ser escolhidas ? Desde que duas corrusses
sejam a mesma comisso se forem cbnstituidas pelas mesmas pessoas
(no se levando em conta a ordem e~ que sejam escolhidas), teremos
( ~ ) = 56 consses possveis. 1

(b) Com oito bandeiras difere~tes, quantos sinais , feitos com


tl's bandei;ra.s se podem obter? Este problema parece-se muito com
o anterior. No entanto, aqui a ordem acarreta diferena e, ,por isso,
obteremos 8!f5! = 336 siws. :
(c) Um grupo de oito pessoa.S formado de cinco homens e
trs mulheres. Quantas coiDllSes ~e trs pessoas poden. ser cons-
titudas, . incluilldo exatamente dois 1homens? Aqui deveremos fazer
duas coisas: escolher dois homens (dentre cinco) e escolher uma
. I
mulher (dentre trs). Da 1 obtermos como 1 nmero procurado
( ~) ( ~ ) = 30 comisses. !
() Agora poderemos verifica~ uma afirm.o feita anterior-
mente, a saber, a de que o nmerq de subconjuntos (ou partes) de
36 I lf'ROBABIUDAOIE

um conjunto constitudo de n elementos igJa 2" :(coritados o


conjunto vazio e o prprio ()onjunto) . . Siwplesine11te a.ssoiemos a
cada elemento o valor um ou zero, conforme esse elemento deva
ser includo . ou excludo do subconjunto. Existe~ du~s . maneiras
de rotular cada elemento e existem a,o ~oqo p, desses elementos.
Da a regra da multiplicao nos dizer que existem 2 2 2 2 = 2"
rotulaes possveis. Mas cada rotulao particular representa uma
escolha de um subconjunto. Por exemplo, . (1; 1, O, ,0, o; ... ,O)
constituiria. subconjunto formado exatamente por d.1 e ~~- Ainda,
(1, 1, ... , 1) representaria o prprioS, e (0, O, ... , O) .representaria
. o conjunt vazio.
(e) Poderamos. obter o resultado acima, pelo emprego da Regra
da Adio, na forma seguinte: Para obter subconjuntOs, .deveremos
escolher o conjunto vazio,. aqueles subconjuntos co:D,stitudos .exata-
mente por ~m elemento, aqueies constitudos exat~nen~ por dois
elementos, ... , e o prprio conjunto constitudo por todos os n ele-
mentos. Isto seria feito de

maneiras. Ora, a soma desses coeficientes. binomiais exatamente


o desenvolvimento de' (1 +
1)" 2": =
Voltemos agora ao . Ex. 2.4. De uma partida formada . por 20
peas defeituosas e 80 peas perfeitas, escolhemos ao acaso 10 (sem
reposio). O nmero de maneiras de fazer isso e~). Da,
a probabilidade de achar exatamente 5 peas defeitu 0sas e 5 perfeitas
entre as 10 escnlhidas ser dada por

(2~) (~o)_
e~)
Por meio de logaritmos de fatoriais (os quais se acham tabuls.dos),
a expresso acima pode ser avaliada como igual a 0,021.

Exemplo 2.8. Vamos generalizar o problema acima. Admi-


tamos que temos N peas. Se. escolhermos ao acaso n delas, sem repo-
sio, teremos ( ~) diferentes amostras possveis, todas elas com 111

rilesma. probabilidade de serem escolhida.S. Se as N peas forem


+
!~~mads por r 1 da classe A e r2 da, classe B (COJ1l r1 r2 = N),
ESPAOS AMOSTRAIS !FINITOS I 37

ento, a probabilidade de qu~ as n peas escolhidas sejam exatamente


da classe A e (n- s 1) da classe B ser dada por
111

(A expressao acima se denomina probabilidade ltipergeomlrica, e


ser aillda reencontrada.)

Comentdrw: 11: muit;o importante <specificar, quando falarmos de peas


G!lxtra!das oo acaso, SG!l a eS1:nlh& com ou sem reposil!.o. Na maiori& dos casos
concretcs, pretenderemos a ltima. Por exemplo, qus.ndo inspecionamos certo
ndmero de- peas manufs.turadas a fim de descobrirmos quantas defeituosas po-
deriw existir, geralmente no tencionaremos examinar a mG!lSma. pea. duas vezes.
J disSG!l!D.()8 que o nmero <l.e maneiras de e.gcolher r coiSilll dentre n, no considerada
B ordem, dado por (~). O. nmero de maneiras de escolher y coisas dentre n,
com repoaio, dado por n. Neste caso, eataremoa interessados na ordem em
que as pe:ns sejam escolhidas. - .

Exemplo 2.9. Admitamos que se escolham ao acaso dois objeios,


dentre os quatro denominados a, b, c e d.

(a) Se escolhermos sem reposio, o espao amostral S poder.


ser representado da forma abaixo:
S = ((a, b); (a, c); (b, c); (b, d); .(c, d); (a, d)}.

Existem ( ~) = 6 resultados passiveis. Cada um desses resultados


indica somente quais os dois objetos que foram escolhidos e no a or-
dem em que eles foram escolhidos.
(b) Se escolhermos com reposio, o espao amost ral ' poder
-ser representado por:

S' = { (a, a); (a, b);_ (a, c); (a, d); (b, a); (b, b); (b, c); (b., d);}.
(c, a); (c, b); (c, c,); (c, d); (d, a); (d, b); (d, c); (d, d)

Existem 4 2 _= 16 resultados possveis. Aqui, cada um desses resul-


tados indica quais objetos foram escolhidos e a ordem -em que eles
o foram. Escolher ao acasq implica que, se escolhermos sem repo-
sio, todos os resultados em S sero igualmente verossimeis, enquanto
se escolhermos com reposio, ento todos os resultados em S' sero
igualmente verossmeis. Portanto, se A for o evento {o objeto c
38 I PROBABILIDADE

escolhido} I ento teremos: de . s, P(A) = 3/f, ;=( 1/2 se ' eS(!Olh~rffios


se~ reposio; e de S', P(A) = 7/16 se escdlherma com;-re~~sio.
E. __,.Ji!e7f/ttiil&$r<W,4lu'its:c;Jtlirient&~:,B~e'ffie~ftvs~' Em.todas .as
tcnicas'"~:.:-iiumera~ j apresent~das, . admitimos que ~deis os
objetos considerados fossem diferentes (isto , distinguv(lis). No
entanto, no sempre essa a situao que ocorre,
Suponha-se, a seguir, que temos n objetos, tai!l que n~ sejam
de uma primeira espcie, nz de uma segunda espcie, -. , .;m< .de .;\una
k-sima espcie, com n1 + nz + ... +
n~c = _n. - Nesse CaS!), o 'n~
mero de permutaes possveis desses n objetos . dado por
I'
n!
n1!nz!. . . n~c!

Deixa-se ao leitor a deduo dessa frmula. Note-se ~tie, se todos


OS objetos fossem diferentes, teramos TU = 1, i :.: 1j 2, ; ~ . 1 k, ,
conseqentemente, a frmula acima se reduziri a n!, que o res'll1- .
tado obtido anteriormente.

Comentn"o: Devemos .salientar mais uma vez que a atribuio realstica de


probabilidades a resultados individuais de um espao amostral,( ou a mp.a.oleo
de resultados, isto ' um evento) constitui alguma coisa que n:o pode sei dduzi~a
matematicamente, mas que deve ser originada de outras consideraes. Por 'exem-
plo, poderemos recorrer a determinados traos simtricos do experimento para '
averiguar se todos os resultados so .igualmente provveis. Alm disso;poderemos
construir um procedimento de amostragem (por exemplo, escolhendo : um:ou
vrios indivduos de uma populao especificada) de tal maneira que' seja rai:ovd
admitir que todas as escolhas sejam igualmente provveis. Em muitos outi:os casos,
quando nenhuma suposio bsica natural seja apropriada, deveremos recorrer
aproximao da freqncia relativa. Ns repetiremos o experimento n'vezes e, em
seguida, calcularemos a proporo de vezes em que o resultado (ou eveilt) efu
es-
tudo tenha ocorrido . Ao empregar isto como uma aproximao, sabemos que
bastante improvvel que esta freqncia relativa difira da ''Verdadira" pfbbili~
dade (cuja existncia tenha sido especificada por nosso modelo te6rico), de tim
valor aprecivel, se n for suficientemente grande. Quando for impossvel estabe-
lecer suposies razoveis sobre a probabilidade de um resultado e tambm
impossvel repetir o experimento um grande nmero de vezes (em Virtude de
consideraes de custo ou de tempo, por exemplo), ser realmente bastante sem
sentido prosseguir com um estudo probabilstico do experimento, exceto em uma
base puramente terica. (Para um comentrio adicional sobre este mesmo ponto,
veja a Seo 13.5). '

2.1. O aegunte grupo de pessoas est numa sala: 5 homens maiores de 21


anos; 4 homens com menos de 21 anos deidade; .6 mulheres maiors de 21- anos, e
~''!' I"'\ ..ti
j, ,J...J"'{'<-, " r ''..]'-
.,..:\ DOt;, \ . -~-...\ ESPAOS AMOSTRAIS FINITOS I 39
r .r-.,5"'<---J \ "J'
V'" \}(
3 mulheres menores. Uma pessoa. esdolhida ao ace.So. Definem-se os seguint..es
eventos: A= {a pessoa ~aior de'2i1 an~sl; 'E= (a. ,pessoil. menor de 21
anos).;, C,;;, (.a. pessoa. homem); D (a. ~oa. . mlhe'rl, ~ CS.!~e: ;=
. (a) P(B U D), (b) P( n C).
~ E~ um~ s~J,la., 10 pessoas estd usando emble~as numerados de 1 at 10.
li

.
Tr~OII8 so escolhidas ...
ao acaso e t convidadas a sarem da I '
sala simultanea-
mente. r.O nmero de seu_!~mblem_~. _~nota.do. .
. .. ....::. . . l .. ,.... :.:.. ~ . .::-: ..- .:..:.:~-~-: ....~:.:-~,..:.-~;::-:;.::.r::::::::;~.-:;":-~_--:,-::~::::::.,...
(a) Qual a. probabilidade d~ .qtle .o menor nmero .de . ern~~IDJ!oAlCja .-5? ... ,.,, '
(b) Qual . ~ p~~b~hidad~ d~ que lo' ~~iJ;~;j;~;~d~~~bl~ma ~ej~ 5? /
. . ... \ i . . ,_ ~ . .. ' - .
Suponha que os trs dgitoS.l, 2 e 3 s~jam escritos em ~rdem*a-
2.3. (a)
tria. Qual a probabilidade de que ao menos um dgito. ocupe seu lugar prprio?
(b) O ~esmo que em (a), com os \dgitos 1, 2, 3 e 4. . i -
(c) o mesmo que em (a), com os idgitos 1, 2, 3, ... , n.
SugeSto: Empregue (1.7) . !
(d) Examine a resposta a (c), quarldo .n for grande.
. . I .
2.4. Uma remessa de 1.500 a,rrueias contm 4O peas defeituosas e 1.100
perfeitas. Duzentas arruelas so escolhidas ao acaso (sem reposio) e classi~
ficadas. . . I
(a) Qual a probabilidade de que sejam encontradas exatamente 90 peas
defeitUOSas? ; ', , r, . I .. ,;

(b) Qual a probabilidade de que seiencontrem ao. menos 2 p eas .defeituosas?


1

2.5. Dez ficha~ numeradas <:le 1 at 10 so misturadas em uma urna. Duas.


fichas, nu:merad~ ._<X, Y), so extr~!das d
j a urna, sucessivame,nte :e, sem reposio.
Qual a probab1hdade de que seJa X +t- Y = 10? .f.J.__. l J (1
. . ,r// "~
1 . r ) o'-"~ .
2.6. Um. lote ' formado'
de
:
10 ar~i~os
. bons, / 4 \ ~rr: d~feitos menor~~
.
\'
e 2 com "\..

defeitos graves; U:m arti"go dcolnido lf acso. Ache a probab,ilidade de que:


(a) . Ele no tenha defeitos. j

t;nh~ d~reitos gra':-es.


(b) ,EJel nii.o .
(c) E!~ ~u seja p~rfei~ ou 'tenh~ d~feitos graves.
- ,~ - I , ,'~ .

2.7. s'e do lote 1~~rtigos descrito [no Probi. :2.{!, dois artigos f~re~ escolhi- .
dos (sem rep,osi.o), ch a probabilidd~ de que: ~
1
L . .-:::)

t.a) Ambos- sejam' perfeitos. (b} Amb~s"'-tenham defeitos gr~~e, (c) ~o


meno.s um. seja -perfeito. (d) No mxill] in seja perfeito. (e) Exatamente m
sej .Perflt'. . -(j1""Neuhum deles teuba l defeitos graves. ,....Cg) Nenhum deles seja
. / ! ....._ 1_ " ./'
perfeito. -~ ~

2.8. Um produto montado em 1 trs estgios. No primeiro estgio, exis-


tem 5 linhas de montagem; no segundo lestgio, existem 4 linhas de montagem e
no terceiro estgio, existem 6 linhas d,e montagem . De qants maneiras dife-
rentes poder o prod.ut se deslocar durante o processo de montagem?
I . . .
2.9. Um inspetor visita 6 mquinas diferentes durante um dia . A fim cie
evitar que os operrios saibam quando 1ele os ir. inspecionar, o inspetorvaria a 4
ordenao de suas visitas. De quantas maneiras isto poder
.
ser feito? I '
40 I lf'ROBABBUDADE

man!~ ;~:m=~ueC:7:~:~~/:!e 3f~h~~;:~;<;~;~" :~1:;'i;,p quantas


2.1~. Eirist0m 12. categor~ de d~feitos ~~~6~' :.t0't~~f~~-~J;anrifatu
rradm, e 10 tipoo de defeitos graves. De quantM'~a,fi~ir~ :pode~q.'. Je<iirer, 1 de-

:~J;,~S~~SS;j~l}~~~#;;;;,
(b) Adm1W. que esses mecanismos sejam ins't~l'ados- 'eni etemiirida 'ordem
(lin~) preestabelecida. De quantas ~aneir!lllo si&t~rria .po~~f.4';~er: disposto, se
dois mecanismos adjacantes no estiverem em igul!.l -pqsi~ -~-.:':, :.. ..
(c) Qu~mtas maneiras de disppr sero possveis, se ,8oment. as -posies .a e b
1orem usadas, e o forem com igual freqncia? .__ 1 : ...,. __ :.- , _,,." .' ''" .

(d) Quantas maneiras sero possveis, se somente duas. posies fo~em usa,.
das, e d~as posies .uma ocorrer trs vezes mais freqe~te~ez;_f.~' q~~ -~ ~utra?
. . . ., ,. t' ~ .. f . : I .

-2.13. Suponha que de N objetos, n sejam escolhidos ao acaso, com reposio.


Qual sem SI probabilidade de que nenhum objetoseja escolhido maiS do qiui'uroa
vez? (Admita n < N.) ,

2.'14. Com as seis letras a, b, c, d, e, j quantas palavras-c~igo de 4 letras


podero ser foriDSidas se:
(a) Nenhuma let~_a puder ser repetida?
(b) Qualquer letra. puder ser repetida qualquer ni:nero de_vezes-?

2.15. Supondo que ( 9 i) .=a e (O:) = b, expreSstJ ( 19W)emtermos de


111 e b. (Sugesw: . N ao ca.lcule as expr~es acima, para . resolver ~ .p;oblema:)

2.16. Uma caiu contm etiquetas numeradas 1, 2, ... , n. Duas etique-


tas_so escolhidas ao acaso. Determine a probl),bilidade de que os nmeros das
<etiquetms ooj&m inteiros consecutivos se:
(a) As etiquetas forem escolhidas sem reposio .._
{b) As etiquetas forem escolhidas com reposio.
2.17. Quantos subconjlintos se podem formar, contend~ . a~- p-tenos um ele-
mento, de um conjunto de 100 elementos?
2. ~gj. Um inteiro escolhido ao a.ca.so, dentre os nmeros 1, 2, ~ . . , 50. Qual
00~ a probabilids.de de que o nmero esoolhld9 seja divisvel por 6 ou por 8?

2.19. Dentre 6 nmeros positivos e 8 negativos, escolhem-se ao acaso .4


nmeros (sem reposio) e multiplicam-se esses nmeros. Qual, ser aprobabili-
dade de que o produto sja. um nmero positivo?
2.20. Determinado composto qufmico obtido pela. mistura de 5 ~uidos
diferentes. P rope-se despejar um lfquido em uin tanque e, em seguida, juntar
os outro~ lfquidos sucessivSJ,mente. Todas as seqncias possveis devem ser
ensaiadas, para verificar-se qual delas dar o ~elhor resultado. Quantos ensaios
devero ser efetuados?
ESPAOS AMOSTRAIS FINOTOS I 41

2.21. Um lote contm n peas, das quais se sabe serem r defeituosas. &l
a orden{ da inspeo das peas se fizer ao acaso, qual a probabilidade de que a pe&
inspecionada em k-simo lugar (k ~ r) seja s ltima pea defeituosa contida no
lote?

2.22. Dentre os nmeros O, 1, 2, ... , 9 so escolliidos ao acaso (sem repo-


sio) r nmeros (O <r < 10). Qual a probabilidade de que no ocorram dois
nmeros iguais?

.I.,

I
I
\

I
I
'. 1,,:.. ""."

"!

Probabilidade Condicionada
e Independncia
Captulo 3
. l

3.1. Probab.ilid.ade Cond,icionada .

Vamos . reexaminar a diferena entre extrair uma pea de um


lote, ao acaso, com ou sem reposio. No Ex. 2.4, : o lote estudado
tinha a seguinte composio: 80 no-defeituoss e 20 defeituosas.
Suponha-se que escolhemos duas peas desse lote: (a) com reposi-
o; (b) sem reposio. ,.
Definamos os dois eventos seguintes:
A = {a primeira pea defeituos~); B = {a segunda pea .
defeituosa) .
Se estivermos extraindo com reposio, P(A) = P(B) = 20/100 =
= 1/5, porque cada vez que extrairmos do lote, existiro 20 peas
defeituosas no total de 100. No entanto; se estivermos extraindo
sem reposio, os resultados ~o sero to imediatos. : ainda ver-
. dade, naturalmente, que P(A) = 1/5. Mas e sopre P(B) ? evi-
dente que, a fim de calcularmos P(B), dB:veremos conhecer a compo-
siq do lote no momento de se extrair a segunda pea. Isto , deve-
remos saber se A ocorreu ou no. Este exemplo mostra a necessidade
de se introduzir o seguinte importante conceito.
Sejam A e B dois eventos associados ao experimento e. De~
.notaremos por P(BIA) a probabiiidade condicionada d~ evento B,
quando . A tiver ocorrido.
No exemplo acima, P(B IA) = 19/99, porque se A t iver ocorrido,
ento para a segunda extrao restaro somente 99 peas, das quais
19 delas sero defeituosas.
Sempre que calcularmos P(B IA), estaremos essencialmente cal.:.
culando P(B) em relao ao espao.amostral reduzido A, m lugar de
I . \_
PROBABILIDADE CONDICIONADA .INUEP.ENDENCIA I .4l~
I
faz-lo em relao ao espao ambstral original S. Consideremos o
Diagra$ de Venn da Fig. .3.1.
r---~--------s
Qu:kdo . calcularmos P(B) estl:emos
per~taiido quo provvEl! ser estar-
A B
nos

(]) D;J.OS em! B, sabendo que devemos_ -estar

em S. ~ quando calcularmos P(B IA) .e sta-


remos p~rguntando quo provvel ser, es-
tarmos eii). iJ,. sabendo que ~evemos estar
em A, i(Isto , o espao amostral ficou
!Fig. 3.1 redmido Ide S para A.) Logd, daremos uma
definiJ rigorosa <teP(BIA). Por enquan~
1
to, contudo, empregaremos nossd noo intuitiva de probabilidade
..
condICIOna da e d.aremos um exemplo.I
1-
Exemplo 3.1. Dois dados ~quilibrados so lanados, regis-
trand~se o resultado ~orno (x 1, x 2~, onde Xi o resultado do i-simo
dado, ~ = 1, 2. Por Isso, o esp3:o amostral S pode ser represen- ii
tado pela seguinte lista de 36 re~ultados igualmente provveis.
I .

( (1, I)'" (1, ~) (1, 6) ) ,


S = ) (2, I) . (2, 2) . (2, 6) ~

{ (6, :I)
I
(6, 2) (6, 6)
c) '
Consideremos os dois
. eventos seguintes:
I

A = {(x1, x2) Ix1 + X2 = 10tI


B = {(x1, x2) Ix1 ,> x2}.
. I . .
Assim, A = {(5; 5), (4, 6), (6, 4)} e fl.= {(2, 1), (3, 1), (3, 2), ... , (6, 5)}.
Portanto, P(A) =
3
36
e P(B) = l~ E
P(B 14) = ~, : uma ve.z; qe
. o espao amostral , _agora, forma!do por A (isto , trs resultados),
e somente um
.
desses trs resultadJs
. I.
coerente com o evento B. De
modo semelhante, poderemos calc~lar P(A !B) ,= I/15.
'..
Finalmente, vamos calcular PCA () B) . . O evento A () B ocorre
se, e soii).ente se, a soma dos dois \dados for 10 e se o primeiro dado
tiver, apresentado um valor maior que o segundo dado~ Existe ape-
1
nas um desses ,
resultados
.
e, por isso,
I
P(A () B) = . 1/36. Se fizermos
um exame cuidadoso dos v'rios nmeros j calculados, concluiremos
I '
que
i
I
P(AIB) = P(A () B) el P(BIA) = P(A () B)
P(B) . P(A')
44 I l'IROBABBUDADIE
,,

Essas relaes no surgiram apenas do particular exemplo que


<Consideramos. Ao contrrio, elas so bastante gerais, e_nos .<io um
caminho p3;ra definir rigorosamente a probabilidad~ condicionada.
Para sugerir essa definio, voltemos ao conc~it<J de frequncia
relativa. Admitamos que um experimento s tenha ~ido. repetido n
vezes. Sejam nA, nB e nAnB o nmero de vezes que, respectiva-
mente, os eventos A, B e. A () B tenham ocorrido em n repeties;
Qual o significado de nAnB/nA? Representa a
frequncia relativa
de B naqueles resultados em que A tenha ocorrido. . Isto , nAnB/nA
a frequnc.ia relativa de B, condicionada a que A tenha. ocorrido.
Poderemos escrever nAn~/riA, da seguint~ forma:-
fUnB nAnB/n . }AnB
nA nA/n =--
}A

onde }AnB e }A so as frequncias rel~tivas dos eventos A ()B e A,


respectivamente. Como j dissemos (e explicaremos ~ais tarde)
se n, o nmero de repetiesfot grande, }Anil f)er prxim de P(A () B)
e ser prxima de P(A), Conseqentemente, a relao acima
sugere que nAnB/riA . ser prxima de P(B IA). Por isso, estabelece-
remos a seguinte definio: .
Definio:

P(BiA) = P(A n B) I desde que P(A) >o. (3.1)


P(A)
Comentrios: (a) :f: importante co~preender que isso no um teoremil.
(ns no demonstramos coisa alguma), nem tim axioma. Apena.s introduzimos
a noo intuitiva de probabilidade condicionada e, . depoi.~, estabelecemos uma.
definio formal daquilo que essa noo significa. o fato de que no!lS!. defiriio
formal corresponde noSsa noo intuitiva fundamentado. pelo .pargrafo que
precede definio.
(b) l!: assunto simples verificar que P(B IA) para A fixado, satisfaz aos vrioo
posttdados de probabilidade das Eq. (1.3). (Ver Probl., 3.22.) IstO ; temos
(1') O~P(B!A)~l,
(2') P(SIA) = 1,
(3') P(BiU~~IA),;P(B 1 !A)+P(B2lA) se Bt()B2='0, (3.2) _
(4') P(Bt u B2 u IA)= P(BtlA) + P(B2IA) + : se B; nn; =e
para i ~j.
(c) Se A= S, P(B I S) =P(B n S) I P(S) =P(B).
(d) A cada evento B c S poderemos associar dois nmeros, P(B), a proba-
bilidade (no-condicionada) de B, e P(B 1 A), a probabilidade condicionada de
._. B, desde que _algm evento A (para o qualP(A) > 0) tenha ocorrido. Em gerai,
essas.; duas medidas de probabilidade atnouiro probabilidades diferentes ao
I PROBABILIDADE COi\lDBCiOI\lADA rE ii\lDrEI"rENDIi\lCiA I 45

evento B, como indicaram os exemplos precedentes. Dentro em breve, estudare-


:~ . mos um caso especial importante, para o qualP(B) e P(B I A) sero iguais.
(e) Observe-se que a probabilidade condicionada est definida em termos .
da medida de probabilidade no-condicionada P, isto , se conhecermos P(B)
para todo B c S, poderemos calcular P(B 1 A) para todo B c S.

Deste modo, temos duas maneiras de calcular a probabilidade


condicionada P(B IA):
(a) Diretamente, pela considerao da probabilidade de B einm
~relao ao espao amostra! ~~:Cduzido .Al.

(b) Empregando a definio acima, onde P(A n B) e P(A) so


calculados em relao ao espao amostr~l original S.
Ccmientrio: Se A = S, obteremos P(B IS) = P(B () S)/P(S) = P(B), porque
P(S) = 1 e B () S = B. Isto como seria de se esperar, porque dizer que S
ocorreu .penas dizer que o experimento joi realizado.
Tab. 3.1
E M
.
~ .
N 40 30 70

u 20 10 30
60 40 100

Exemplo 3.2. Suponha-'se que um escritrio possua 100 m-


quinas de calcular. Algumas dessas mquinas so eltricas (E),
enquanto outras so manuais (M); e algumas so novas (N), enquanto
outras so muito usadas (U). A Tb. 3.1 d o nmero de mquinas
de cada categoria. Uma pestsoa entra no escritrio, pega uma m-
quina ao acaso, e descobre que nova. Qual ser a probabilidade
de que seja eltrica? Em termos da notao introduzida, desejamos
calcular P(E IN) .
.;_:..; 1
Considerando-se somente o espao amostral reduzido N (isto
, as 70 mquinas novas), temos P(E IN) = 40/70 = 4/7. Empre-
gando a definio de probabilidade condicionada, temos que

P(E N) = P (E n
N) = 40/IOO = .!.
: 1 P(N) 70/100 7 '

A mais importante conseqncia da definio de probabilidane


condicionada acima, obtida ao se escrever:
P(A n B) = P(B IA)P(A) ou, equivalentemente,

.. .-.~':. ..
46 I PROBABILIDADE

P(A n B) =P(A ' i B)P(E) . .... (3;3.a)

. Isto , algumas vezes, mencionado como o teore_ma. da miiltiplicao


de probabilidades. '" .
Podemos aplic~r esse teorema para calcular a ptobabidade da
ocorrncia conjunta dos eventos A e B.

Exemplo 3.3. Consideremos novamente o 'lote forma<;lo . de . 20


peas defeituosas e 80 no-:defeituosas, estudado no incio' da Se~ 3.1.
Se escolhermos ao acaso duas peas, sem reposio, qu.ai se~ a pro-:
babil~ade de que ambas as peas sejam defeituosas?
Como anteriormente, definamos os eventos .A e .B, na seguinte
forma.
A = {a primeira pea defeituosa l; B = {a segunda pea
defeituosa l
Conseqentemente, pediremos P(A (I B), qtre poderemos cal-
cular, de acordo com a f~da acima, como P(B\A) P(A). ::'i1as,
P(B IA) = 19/99, enquanto P(A) = 1/5. Portanto, P(A. (I B) =
=: 19/495. ')

Cornentdrjo: O teorema da multiplicao de probabilidades (3.3.a) pode ser


generalizado para mais de dois eventos, da seguinte maneira :

p [A 1 n A 2 n ... n An J =

=P( 1 )P(A 2 I A 1 )P(A 3 I A,,A 2 ) ... P(An I A, ... Ari -1). (3.3.b)

(a) A nB=l (b) A :: B (c) B c A (d) Nenhum desses casos


Fig. 3.2

Examinemos agora, rapidamente,. se poderemos fazer uma afir-


geral sobre a grandeza relativa de P(A jB) e P, (A). Consi-
quatro casos, que esto ilustrados pelos Diagramas de
Fig. 3.2. Teremos:
porque A no poder ocorrer se B

11
--~~ --~
---= .. .
- ~ ~- -
IPROBABIUDADE CONDiCIONADA E INDEPENDNCIA I 47
I
(b) P(A I.8) = P(A 1 B)/P(B) I=[P(A)/P(p)l ~ P(A), j que
O~ P(B) ~ 1. i

(c) P(A IB) P(A 1 B)/P(B) =


P(B)/P(B) 1 P(A). \= = ~
. (d) Neste caso nada poderem4s afirmar spbre a grandeza rela-
tiva de P(A IB) e P(A). 1 .

I
Observe-se que em dois dos casos acima, P(A) ~ P(A IB); em~ 1

um caso, P(A) ;:::: P(A !B); e no qu~rto caso: no podemos fazer qual-
quer comparao~ I .
At aqui, empregamos o conceito de probabilidade condicionada
. a fim de avaliar a p~obabilidade de [ocorrncia conjunt~ de dois even-
'!

'.. ;tos. Poderemos aphcar esse conce1to em outra manem rle calcular
a: .probabilidade de um evento suhples A. Necessitaremos da se-
. g\J'in:te 'definio: f

I .
Definio. Dizemos que os e~entos B 11 B 2, , Bk representam
:uma partio do espao amostral S, f uando
(a) B ; l Bi. .= 0, para todo iI ~ .j.
I
/c
'
:::. (b) U B; =S.
I
I
(c9 P(B;) > O para todo i.
I
Explicando: Quando o experimento E realizado um, e somente I
:;:. . I I . .
um, dos {'V~ntos Bi ocorre. I,
(P?r exemplo: na jogada de um dado,
B 1 ~ 11 1,_21; B2 = {3, 4, 5) e B 3 = {6}
representariam uma partio do espao
amo~trhl, enquanto C 1 = I i, 2, 3, 4) ~
'tj4,
c2 = 5, 6) no o representariam.)
Consideremos A um evento qual-
quer referente aS, e B 1, B2, .. .', B~c uma
partio de S. O Diagrama de Venn
1-
,/.' na Fi~. 3.3 ilusira isso para k = 8.
l: Fig.3.3 Portan~o, . poderem~s escrever
' \

. I
. A n .B2
= A l B1 U A
I U ... U . A l Bk.
. . I .

Natura.lmcntc, alguns dos conjunto~ A n Bi poder ser vazios, mas


. , I . .
I": isso no invalid essa decomposio de A. O ponto importante
ll que todos os ~ven.tos A n B ,)A 1 B~r, so dois a ,dois mutua-
11

L mente excludentes. Por isso, poderemos


.'
aplicar a propriedade da
I
;.:
48 I IPROBABIUDADIE . , __ ,:

adio de eventos mutuamente xcludentes "[Eq." '(t3)k !e - es~rever


P(A) = P(A n B1) + P(A (1 B 2)
. :l
+ ~ -.;t...-.+
_::_
;rD. :n ~k).
r,.:f ':. '
_..._!::- /-.~!- ~- .. _
Contudo, c'ada termo P(A () B;) pode ser expresso na forma P(iq B;):
P(B;) c, da, obteremos o que se denomi;1a o teorem -'d3: J;;obaliili-
dade total: '

P(A) = P(AIB1)P(B1,) + P(AjB2)P(B2)+ ... +P(AIBk)~(nS (3.4) -


Este resultado representa ~ma relao extr;n~~e,ite .til, - porque
freqentemeqte, quando P(A) pedida, p~dc_ ser difcii ,calcul-la
diretamcnte. No entanto, com a informao adicional de qe B;
tenha ocorrido, seremos capa~es de calcula~ P(A.IB;) ~. e~ - seguida,
empregar a frmula acima. - -
Exemplo 3.4. Consideremos (pela ltima vez) o lote de 20 peas
defeituosas c 80 no-defeituosas, do qual extrairemos duas peas,
sem 1eposio. Novamente definindo-se A e B como iguais lJ.
_A = I a primeira pea extrada defeituosa J,
B = I a _segunda pea extrada defeituosa},
poderemos, agora, calcular P(B), assim:
P(B) = P(BIA)P(A) + P(BjA)P(A}
Empregando alguns dos "clculos realizados no Ex:. 3.3, ~ncontramo~
q ue
19 1 20 4 l
P(B) = - -
99 ' 5
+-
99
-
5
=- - 5

Este resultado pode ser um tanto surpreendente, especialmente


se o leitor se recordar de que no incio da Se. 3.1 encontramo!:! que
_!(I!) = 1/5, quando extramos- as peas com reposio.
Exemplo 3.5. Uma determinada pea manufaturada por trs _
fbricas, digamos _1, 2 e 3. Sabe-se que 1 produz o dobro de peas
que 2, e 2 e 3 produziram o mesmo nmero de peas (durante um
perodo de produo especificado). Sabe-se tambm que 2 por cento
- das peas produzidas
.
por l. e por 2 so4 defeituosas, enquanto' 4 por
cento daquelas produzidas por 3 so defeituosas. Todas as peas .
produzidas so colocadas em um dep6sito, e dep,ois . uma pea - ex-
trada ao acaso. Qual a probabilidade de que ess; pea seja de-
"E)ituosa?
. , - ;;<Vamos introduZir os seguintes , eventos: A = I a pea defei-
tu~~ }-, ~~ = , I a pea provm de 1}, B2 = I a pea provm de 2},
-B.:~ :;::""')~ ~pe~a provm de 3 J.

::.:;
PROBABiUDADIE CONDICIONADA IE iNDEPENDNCIA I 49

Pede-se P(A), e empregando-se o resultado acima, poderemos


escrever:
P(A) = P(A JB1)P(B 1 ~ + P(A JB2)P(B,) + P(A IB3)P(B3).
Ora,-P(B 1)=1/2, enquant P(B 2 )=P(B3)= 1/4. Tambm, P(AIB1) =
= P(A IB 2) = 0,02, enquanto P(A IB 3) = 0,04. Levando-se esses vm~
lores expresso acima, encontraremol;l P(A) = 1!},025.
Comentrio: A seguinte analogia com o teorema da probabilidade total
observada em Qu~ica: Sup~nha-se que ternos k frascos contendo diferentes
solues de um mesmo sal totalizando, digamos, um litro. Seja P(Bi) o volume
do i-sirno frasco e seja P(A IBi) a concentrao da soluo no i-sirno frasco.
Se reunirmos todas as solues em um s frasco e seP(A) denotar a concentrao
da sq~tio resultante, teremos:
P(A) = P(A JB1)P(BI)+ =+PIA IBJ,)P(B~~:).

Poderemos empregar o Ex. 3.5 para sugerir outro importante


resultado. Suponha-se que uma pea seja retirada do depsito e se
verifique ser ela d~feituos~ Qual a probabilidade de que tenha sido
produzida na fbriCa 1?
Empregando a notao j introduzida, pede-se P(BdA). Pode-
remos calc~lar esta probabilidade como uma conseqncia da seguinte
exposio: Seja B 1 , B2, .. . , Bk uma partio .do espao amostral S
e seja A um evento associado a S. Aplicando-se a definio de pro-
babilidade .condicionada, poderemos escrever

P(BdA) = ~(A JB,)P(B;) 1: =: 1, 2,. o., k. ~3.5)


:L j = 1 P(A IB;)P(B;)

Este resultado conhecido como Teorema de Bayes. tambm


denominado frmula da probabilidade das ;,causas" (ou dos "antece-
dentes"). Desde que os B.; constituam uma partio do spao amos-
. trai um, e somente um, dos eventos B; ocorrer. (Isto ' , um dos
eventos B; dever ocorrer e somente um poder ocorrer.) Portanto,
a expresso acima nos d a probabilidade de um particular B; (isto
, uma "causa"), dado que o evento A tenha ocorrido~ A .fim de
aplicar esse teorema, deveremos conhecer os valores das P(B;). Muito
freqentemente, esses valores so desconhecidos, e isso limita a apli-
cabilidade do teorema. ,T em havido considervel controvrsia
sobre o Teorema de Bayes; ele perfeitamente. correto matemati- .
camcnte; somente a escolha imprpria dos P(B;) pode tornar o .resul-
tado discutvel.
~':'. -, ..

50 I PRQBABIUDAD!:

Voltando ao problema proposto a~ima, , ~ agqra , apltca114o a Eq.


(3.5), obtemos:

P(B IA) = (0,02)(1/ 2) . .. . _; - 'o.40


1
. . (0,02)(1 /2) + (0,02)(1/4)+JQ;p4)(JL~) .:~ ,.' ~.~ '

Comentrio: De novo, podemos encontrar :T:or~in ~e .Baye~, uma


para
analogia da Qumica. Em k frascos, temos solues do cmesino saCporm de
concentraes diferentes. Admita-se que o volume totaL das solues seja um
litro. Denotando por P(Bi) o volume da s~lU:io do i~siino frasco, e a concentra-
o do sal nesse i-simo frasco por P(A lEi), verificaremos que a Eq. (3.5) forneee
a proporo da quantidade total do sal que encontrada; noi-simo frasco.

O seguinte exemplo do Teorema de Bayes nos dar uma oportuni-


dade para introduzir a idia do diagrama de rvore, um esquema bas-
tante til para analisar determinados problemas.
Suponha-se que um grande nmero de caixas de bombons sejam
compostas de dois tipos, A e B. O tipo A contm 70 por cento de
bombons doces e 30 por cento de bombons .amargos, enquanto no ti-
po B essas percentagens de sabor so inversas. Alm disso, suponha-se
que 60 por cento de todas as caixas de bombons sejam do tipo A, en-
quanto as restantes sejam do tipo B.
Voc agora se defronta com . seguinte problema de deciso: uma
caixa do tipo desconhecido lhe oferecida. Voc ter. per:inisso para
tirar uma amostra de bombom (uma situao reconhecidamente irrea-
lstica, mas que nos permitir introduzir idias importantes, sem ficar
muito complicado), e com esta informao voc deve .decidir se adivi-
nha que a caixa que lhe foi oferecida do tipq A ou se do tipo B. O
seguinte "diagrama de rvore" (assim denominado por causa dos vrios
passos ou ramos que aparecem) nos ajudar a analisar o problema. (Sa
e sa correspondem, respectivamente, a escouier um bombom de saJ:>or
doce ou um bombom de sabor amargo.)
I"IROBAB!UDADIE CONDiCIONADA E INDEPENDNCiA I 51
i
I
Faamos alguns clculos: I
I
P(A) = 0,6;P(B) = 0,4;P(Sa IJi) = 0,7; .
P(Sa I:A) = 0,3;P(Sa IB) = 0,3;1P(Sa IB) = 0,7 . .

Desejamos realmente saber: I


. I
P(A ISa), P(AIS0 ), IP(BISa) e, P(BlSa).
I . I
. Suponha-se que realmente ret~remos um bombom de sabor doce.
Qual deciso seramos mais tentados a tomar? Vamos comparar
I
P(A lSa) ~ P(BiSa).

Empregando a frmula de Bayes, teremos , i'


. I. '
J
_ P(Sa IA)P(A) 'i
P(A ISa)- P($a iA)PA) + P(Sa IB)P(B)
t:I,
I ;

(0,7)(0,6) 7
(0,7)(0,6) +(0,3)(0,4) =9.
i . .
. I
Clculo semelhante dar. . j.

P(BISai) = 2/9 . .
Dessa maneira, baseados na evidncia que tivemos (isto , a tirada
de urh bombom de sabor doce) ~i vezes mais provvel que ns este-
jamos _diante de uma caixa do tipojA, em vez de uma do tipo B. Con-
seqentemente, podramos presurhlvelmente decidir que uma caixa do
tipo A foi apresentada. (Naturalmbnte, ns poderamos estar errados.
A sugesto desta anlise que esta~errios escolhendo aquela alternativa
que parea a mais provvel, com base na evidncia liffiitada que ti-
vermos.) . I

Em termos do diagrama da nrore, o que era realme~te necessrio


(e foi feito) era uma anlise parai o pas~~do. Assim, dado. o que f?i
I

observado Sa, neste caso iqual a probabilidade de que o tlpo A seJa


.
o envolvido? I.
I
,
. ...
, .
Uma situao mais interessante surge, se nos for permitido tirar
dois bombons antes de decidir sci se trata do tipo A ou do tipo_ B.
Neste cas, o diagrama de rvore aparece
I ssim: ' ' . . . -..

I
li
52 I PROBABHUDADE
I

[.'
B

No problema 3.26, voc ser chamado a decidir de qual dos dois ti-
pos, A ou B, voc tirou a amostra, na dependncia de qual seja bser-
vado dentre trs resultados experimentais possveis .

.3.3. Eventos Independentes


Jaconsideramos eventos A e B que no podem ocorrer conjun-
. .
tamente, 1to , A (I B = 0. Tais eventos so denominados mutua-
mente excludentes, ou eventos incomi>atveis. Observamos anterior-
mente que se A e B forem mutuamente excludentes, ento P(A IB) =: O,
porque a ocorrncia dada de B impede a ocorrncia de A. No outro
extremo, temos a situao j estudada, na qual B :,) A e, conse-
qentemente, P(B IA) = L
. Em cada uma das sitaes mencionadas, saber que B j ocorreu
nos da algum "nforinao bastante definida referente probabili-
dade . de ocorrncia de A. Existem, porm, muitas situaes nas
quis saber que algum evento B ocorreu no tem qualquer interesse
quanto ocorrnciaou no ocorrncia de A.

Exemplo. 3.6. Suponhamos que um dado equilibrado seja jogado


duas vezes. Definamos os eventos A e B, da seguinte forma:

A = {o primeiro dado mostra um nmero par},


.~ B =<= Io segundo ddo mostra um 5 ou nm
6}.

~ inttrltivamente compreensvel que os evento~ A e B so intei-


ramente no .relacionados. Saber que B ocorreu no .fornece qual-
qUer illformao sobre a ocorrncia de A. De fato, o seguinte cl-
culo mostra isso. Tomando como nosso espao amostral os 36 resul-
. . IPIROBAIBU.DDlADIE COI\!DiC~OI\!AIDIA ~ H\IDEIPIENIJINCiA I 53-

tados igualmente provveis, considerados no Ex. 3.1, encontraremos


que P(A) = 18/36 = 1/2, P(B) = 12/36 = 1/3, enquanto P(A () B) =
= 6/36= 1/6~ Conseqentemente, P(A IB) = P(A () B) f P(B) =
= (1/6)//3) = 1/2.
Deste modo encontramos, como seria de se esperar, que a proba- ~ .
bilidade absoluta (ou no condicionada) igual probabilidade coli-
dicionada P(A IB). Semelhantemente, .

P(lUI A) (t) 1 .
P(BjA) = P(A) - = (f) = 3 = P(B).

Da, pod~rlamos ser tentados a dizer que A e B sero indepen-


dentes se, e somente se, P (A IB) = P(A) e P(BIA) = P(B). l\fuito
embora isso~pudesse ser essencialmente apropriado, existe outra forma
de colocar a questo que contorna a dificuldade encontrada aqui, a
saber, que tanto P(A) como P(B) devem ser no-nulos para que as
igualdades .acima tenham significado.
Consideremos P(A () B), supondo que as probabilidades condi-
cionadas sejam iguais s correspondentes probabilidades absolutas.
Teremos:
P(A () B)= P(AjB)P(B) = :P(A)P(B),
P(A () B). = ['(B IA)P(A) = P(B)P(A).
.

Desse modo, desde quienem P(A) nem P(B) sejam iguais a zero, veri-
ficamos que as probabilidades absolutas sero iguais s probabili.-
da.des condicionadas
. :
se, e somente se,:r--.,e(A () 1J) = .P(A) P(B). Em
c~mseqncia, formulamos a seg.inte definio, a qual sell.' tmbm
vlida querI .P(A) u P(B).
seja nulo:
. . .
. .
Definio: A e B ser.o eventos independentes se, e somente. se,
P(A () B) ~ P(A)P(B). (3.6)

Comenlrio: EsW. definiil.o , essencialmente, equivalente qQ.ei& I!Ugerida


a
!!.Cima, Sa.ber, que A e B so independentes quando P(B!A) = P(B) e. P(A IB) =
= P(A). .Esta. ltima for!IU!I ligeiramente mais intuitiva, porque diz precisa-
mente o que se t).nha. tentado dizer antes: que A e B ileril.o indePendentes se o co-
nhecimento da. ocorrncia de A de nenhum modo infltienciar. a probabilidS.de da .
ocorrncia. de B.
Peio exame do seguinte exemplo, v-se que a definio formal acima adotadm.
apresenta tambm uma oerta 1atra.io intuitiva.

Exemplo 3t7.. Consideremos novamente ' o Ex. 3.2. Inicial~


mente examillaremos apenas a tabela abaixo, em que sii.Q fornedd>s
. 54 I PROBABiLIDADE

somente os valores marginais. Isto ; existem 60 inqiiias eltri-


cas e 40 manuais, e delas 70 so novas enquanto ao.;sd usadas.
E M

Nu I I 30
7o
~--------~--~
60 oo
Existem muitas maneiras de preencher as .casas da tabela; con-
cordantes com os totais marginais dados. A seguir apresentaremob
algumas dessas possibilidades.
E llf E M E llf
N
u 16:
60
10
30
40
I 70
30
100
N
u
130
30
60
40
.o
40
I 70
30 .
100
N
u I::
60
281
12
40
70
30
100
(a) (b) (c)

Consideremos a Tab. (.a). Aqui todas as mquirias eltrica8


so novas e todas as mquinas usadas so manuais. Desse modo,
existe uma conexo bvia (no necessarimente causal) entre a ca-
racterstica de .ser eltrica e a de ser nova. Semelhntemente, na
Tab. (b), todas as mquinas manuais so novas e todas as mquina9
usadas so eltricas. Tambm, uma conexo definida existe entre
essas caractersticas. No entanto, quando chegamos Tab. (c), a
situaO fica bem diferente: aqui, nenhuma relao evidente existe.
Por exemplo, 60 . por cento de todas as mquinas so el~tricas, e
exatame~te 60 por cento das mquinas usadas so . etricas. Se-
nielhantemen; e, 70 por cento de todas as mquinas so novas,
enquanto exatamente 70 por cento das mquinas man1,1ais so novas
etc; Portanto; nenh)lma indicao est evidente .de que a carac-
terstica de "ser nova" e de "ser eltrica" tenham qualquer cone-
xo uma com a outra. Naturalmente, esta tabela foi construda
justamente de modo a apresentar essa propriedade. Como foram
obtidos os valores. das casas da tabela? Apenas com o .emprego da .
Eq~ (3.6); isto , porque P(E) = 60/100 e P(N) = 70/100, deveremos
ter, para independp.cia, P(E () N) = P(E) P(N) :/42/100. Da, a
.riasa' na tbela que indique o nmero de m:quina~ eltricas novas
dever conter o nmero 42. As outras casas seriam obtidas de ma-
Jlei~a anloga.
mai?ria das aplicaes, teremos que adotar a hzptese de n,- .
.,,...,ii;;>~ a-. de' dois eventos A e B, e depois empregar essa suposio
. .. .P(A () B) como igual a P(A) P(B). Geralmente,
PROBABILIDADE CQNDICIONADA E INDEPENDNCIA I 55

i
condies fsicas sob as quais q experiment~ seja realizado tornaro
possvel decidir se tal suposio ser justificada ou ao menos apro-
ximadamente justificada. I
I
Exemplo 3.8. Considerems um lote grande de .peas, digamos
10.000. Admitamos que 10 pof cento dessas p~as sejam defeituosas
e 90 por cento perfeitas. Duas peas so extradas. Qual a pro-
babilidade de que ambas. sejarJ
. I
perfeitas?
Definamos os eventos A e B,, assim:
I .
A = I a primeira pea - perfeita},
I .
B = Ia segunla pea perfeita}. ''<:t.
I
Se adill.itirmos que a primeira Jea seja reposta, antes que a segunda I
seja escolhida, ento o~ eventoJ A e B podem ser considerdos inde-
pendentes e, portanto, P(A. h B) = (0,9) (0,9) = 0,81. Na pr-
tica, contudo, a ~egunda pea jescolhida sem a reposio da prim~ira
pea; neste caso, .1 I
999
P(A n B). = P(E IA)P(A) =
! .
1
~9999 (O 9)
'
I
que aproximadamente igual a 0,81. Assim, muito embora A e B
no sejam independentes no sebdo caso, a hiptese de independn-
cia (que siinplifi~a considerav~lmente os ~ clculos) . acarreta apenas
um erro desprezvel. (Recorde~se o objetivo de um .mod.elo matem-
tico, tal como foi apresentado i na Se. 1.1.) Se existissem somente
poucas peas no lote; cliglmos j30, a hiptese de independncia teria
acarretado um erro grande. . Por isso, torna-se importante verificar
cui~adosamente as condi~s s?b as quais o e~:rimen~q realizad?,
a f1m de estabelecer a validade de uma -supos1ao de mdependnCia
. entre os vrios eventos. i . ..
E,xemplo 3.9. Admitamos) que ,um mecanismo, seja constitudo
por dois componentes montadosI em srie, como
.
indicado na Fig." 3.4.
Cada componente tem uma probabilidade p de no 'funcionar. Qual
ser a probabilidade de que o: mecanismo funcione ? .
i
-~

. ., Fig, 3.4
I
1!; evidente que o mecanis~o funcionar s'e, e somente se, ambos
I
s componentes estiverem funcionando. Por isso,
Prob (o mecanismo funcione) [= Prob (C1 funcione e C2 funcio11e).
1

._., ..-.'; ..
.I
. 'j
I
I

. 'I
. ".. L
56./ PROBABIUDADE :.,!

A informao fornecida no nos permite continuiJ.rsem, que , se saiba


(ou se suponha) que os dois mecanismos trabalhem mdeperidnteJnimte
um do outro. Isto pode, ou no, ser uma sup~sio:' r~lista, depen-
dendo. de como as duas partes sejam engatadas. . Se admitirmos que .
ru3 duas partes trabalhem independe~terh~~te, 9 l:ite~e~~~ . pr,a a
probabilidade pedida o valor (1- p)2, .
Ser importante para ns, estendermos a noo dejndependn-
cia para mais de dois eventos. Consideremos, iriicialm~nte, trs
eventos associados a um experimento, digam~s A, B e C. Se A
e B, A e C, B e C forem independentes doiS a dois (no sentido acima),
ento no se concluir, em geral, que no exista dependncia entre
os trs eventos. O exemplo seguinte (um tanto artificial) ilustra
esse ponto.
Exemplo 3.10. Suponha-se que joguemos dois dados. Definam-
se os eventos A, B e C da seguinte forma:
A = {o primeiro dado mostra um nmero par},
B = Io segundo dado mostra um nmero mpar ),
c = Iambos os dados mostram nmeros mpares ou ambos
mostram nmeros pares} .
Temos P(A) = P(B) = P(C) = 1/2. Alm disso, P(A () B) =
= P(A rt C) = P(B rt C) = 1/4. Portanto, os trs eventos so
todos independentes dois a dois. Contudo, P(A n B n C) =
= O ; P(A) P(B) P(C).
Este exemplo sugere a seguinte definio.

Definio . . Diremos que os trs eventos A, B e C so mu.tUOr


mente independentes ~e, e somente se, todas
ru3 condies seguintes fo-
rem vlidas:

P(A n B) = P(A)P(B), P (A rt C)= P(A)P(C), (3.7)


P(B rt C) = P(B)P(C) , P(A rt B rt C) = P (A)P(B)P(C).
Finalmente, generalizaremos esta noo para n eventos, na se~te
definio:

Definio. Os n eventos Ah A 2 , , An sero mutu9:,mente inde-


pendentes se, e somente se, tivermos para k = 2, 3, . .. , n:
P(A;1 rt A;2 rt rt A;k) = P(A; )P(A;
1 2) P(A;t) (3.8)
(Existem . ao todo 2n - :n - 1 condies a arroladas; veja o
Probl. 3.18.)
PROBABILIDADE COI\IDiC~ONADA E iNDEPENDNCUA / 57

Comentrio: Na maioria das aplicaes, no precisaremos verificar todas


essas condies, porque ns geralmente admitimos a independncia (baseada na-
quilo que conhecermos do experimento). Depois, empregaremos essa suposio
para calcular, digamos P(A,, (I A;, (I (I A;k) como P(;,)P(A;,) P(A;k).

Exemplo 3.11. A probabilidade de fechamento de cada rel do


circuito apresentado na Fig. a:s dada por p. Se todos os rels fun-
cionarem independentemente, qual ser a probabilidade de que haja
corrente entre os terminais L e R?.

3
f--l~ 2
4
_ R

f--j
Fig. 3.5

Represente-se por A; o evento {o rel i est fechado J, i = 1, 2, 3, 4.


Represente-se por E o evento {a corrente passa de L para R). Em
consequenCia, E = (A 1 (J A2) U (A3 (J A4). (Observe-se . que
AI n A2 e A3 n
A4 no so mutuamente excludentes.) Portanto,
P(E) = P(A1 (J A2) +
P(A3 (J A,) - P(A1 () A2. n A3 ri A,)
= p2+ p2- p4 = 2p2- p'. o

(' .
. Ex~:mplo 3.12. Suponhamos novamente que, para o circuito da
Fig. 3.6, a probabilidade de que cada rel esteja fechado p, e que
todos os rels fncionem independentemente. Qual ser a proba-
bilidade de que exista corrente entre os terminais L e R?
Empregando a mesma notao do Ex. 3.11, teremos que
P(E) ~ P(A1 (J A2) + P(A6) + P(A3 n A4)- P(A1 (J A2 (J As)
- P(Al (J A2 ri AJ ri A4) - P (A6 (J A3 () A4).
+ P(At (J A2 l As n A4 () A6)
== p2 + p + p2 - p3- p'- p3 + p5 = p + 2p2- 2p3- p' + p~.
Vamos encerrar este capitulo com a indicao de uma bastante
comum, mas errnea, resoluo de um problema.
58 I PROBABiLIDADE

Exemplo 3,13 .. Admita-se que dentre seis:prafusosf 'dois sejam


menores do que um comprimento ei!pecificado)< Se':'d9is'::doi(parafU:7
a
ss forem escolhidos ~ '. acaso, qual 's~r 'Piob\a:i<I:~e . que os
dois parafusos mais curtos sejam extrados? . Seja Ai oveito {o i-si~
II~.'.
~
mo parafuSo escolhido curto J, i = 1, 2.
1
d:
!,
11 Portanto, desejamos calcular P(Al nA%), . A sohio 'correta
obtida, naturalmente, escrevendo

A soluo comum, mas incorreta, obtida escrevendo-se

Naturalmente, o importante que, muito embora a respost.a esteja


numericamente correta, a identificao de 1/5 com P(A 2 ) incorreta~
1/5 representa P(A2IA 1). Para calcular P(A 2) corretamente, escre-
veremos

3.4. Consideraes Esquemticas; Probabilidade


Condicionada e Independncia

A abordagem esquemtica seguinte poder se.r til para compreen-


der a probabilidade condicionada. Stiponhamos que A e B Sejam dois
o
eventos associados a um espao amostral para q]Jal as vrias probabi-
lidades esto indicadf s no Diagrama de Venn, dado :ila Fig. 3 .7.

0,2

!Fig. 3.7

Tem-se P(A n B) = 0,1; P(A) = 0,1 + 0,3 = 0,4 eP(B) .=;= 0,1 + 0,4 = .
= 0,5.
i ..
'
PROBABILIDADE CONDICIONADA E INDEPENDNCIA I 59
I
I

. Em seguida, representaremos asl vrias probabilidades pelas re(ls


dos retngulos, como na Fig. 3.8. Exti cada caso, as regies somhreadas
indicam o evento B: no retngulo cti
esquerda, estamos representando
A 1 B e, no da direita, A' 1 B. I '

0,2 B'
0,4

Agora, admitamos que se deseje balcular P (B I A). Por isso, neces-


sitamos somente considerar A, isto lA' pode ser ignorado no clculo.
Observamos que a prop.oro de B A 1/4. (Poderemo~ tambm ve-.'
rificar isso pela aplicab da Eq. (3. : P(B IA) = P(A 1,B) !P(A) =
= 0,1,4 = .1/4.) Portanto, P(B' I ) . = 3/4, e ,Inosso. diagrama
. , , .
repre-.
sentando essa probabilidade . seria dado pela Ffg. 3.9. .

1,0

B' 0,75

B o
A'
. i
fig. ~.9
j /
Observe-se, tambm, que se A fqr dado como tendo ocorrido, toda
a probabilidade (isto , I) dever se~ associada ao evento A, enquanto
nenhuma probabilidade (isto , O) e:star associada a A'. Alm disso,
observe-se que, no retngulo d~ esqu~rda, representando AI somente os
v;uores individullis mudaram na Fig. 3.8 para a Fig. 3.9 (cuja soma 1, ,
em lugar de 0,4). Contudo, as propor~es dentro do retngulo permane-
ceram as mesmas (isto , 3 :1). '
,i
60 I PROBABIUDADIE

Vamos tambm ilustrar a noo de independncia; empregap.do a


abordagem esquemtica introduzida anterionilente. Supiiljaljlcis~;qe
A .. e B sejam como indicado na Fig. 3.1 O. Nesse caso; as 'pri (e:,:~qe,s
nos dois retngulos, represntando A e A', so as mesmas: 3:1 fi,dois
casos. Por isso, teremos P(B) = 0,1 + 0,15 ~ 0,25 e P(B 'A}~ n
= 0,1/0,4 = 0,25. . .

o ~ ~
0,45
B' o
r ~?'~ j
B1 0,3

B
B
A A'

I
!Fig. 3.10

\ Finalmente, observe-se que, simplesmente olhando a Fg . .3.8,


poderemos tambm calcular as outras probabilidades condicionadas;
: P (A I B) = l/5 (desde que 1/5 da rea total retangular representando
\festeja ocupada por A'); P (~' I B) = 4/5 . .

\.problemas
~ .
3.1 ;'\ A urna contm x bolas brancas e y bolas ve~:melhas. A ur.n.a. 2. con.-
r'
tm z bol~{>ranca.s e v bolas vermelhas. Uma bola escolhida ao acaso da 'ur.na ~
e posta na ur"na 2. A seguir, uma. bola escolhida ao aca,so da urna 2. Qual ser
a probabilidade de que esta bola seja branca?
3.2. Duas vlvulas defeituosas se misturam com duas vlvulas pedeita.s. As.
vlvulas so epsaiarlBs, UillA a uma, at.que amb&S as defeitu~as sejam encontradas.
(a). Ql.lal ~ a -prbbabilidade de que a ltirrui. vs.!~l:i. defeiru0S& seia encon-
trada.no segundo ensaiO?- . '
(b) Qual ser a prpbabilidade de que a ltima vlvula defeituosa seja encon-
trada no terceiro. e"D.Sai@ ?
(c) .. Qual 9er a probabilid8.de de !lUe a l.ltma v.!vuia defeitu~sa sejae~coa-
tr.ad.a n.o qu.o.rto ensaio? ' . . .
.. . . '.(d) Some os 11meros obtidos em (a), (b) e (c) aciina. O tesultado surJ?re-
eO:dente?

. -- - - -_ __:_ ____________ ~ .
.. \
_)

PROBABULIOADE CONDICIONADA E INDEPIENDNCDA I 61

3.3. Um_a caixa contm 4 vlvulas defeituosas e 6 perleitl).S. Duas vil.lvul,as


so extr11da8 juntas: Uffil!. delas em;aiada e -se veric~~< ser perfeita. .QW1l a
idarde de que a outra vlvula tambm seja perfeita?
No' problema anterior, as vlvulas so verificadas e;xtrai.ndo-se uma
v v a ao acaso,, nsaiandoca e repetindo-se o procedimento at q_ue todaS as 4
v.lvulas defeituosas s_ejam encontradas. Qual .ser a probabilidade de que a
quarta v.lvula defeituosa.,seja encontrada:
(a) No quinto ensaio,?
(b) No dcimo ensaio?
3.5. Suponha que A e B sejarn-eventos independentes l).Ssociados a um ex-
> ;..perimento. Se a probabilidade de A ou s ocorrerem fm: igual a 0,6, eJ;Jquanto a.
probabilidade da ocorrncia de A fOJ; igual a. 0,4, determine a probabilidade da
ocorrncia de B.
3.6. Vinte peas, 12 das quais so defeituosas e 8 perfeitas, so inspecio-
nadas uma a p~ .a outra. Se essas peas forem extradas ao. acaso, qual ser a.
probabilidade de que:
(a) As duas primeiras peas sejam defeituosas?
As duas primeiras peas sejam perfeitas?
(b)
(c) Das .duas primeiras peas inspecionadas, uma seja. perfeita e a outra
defeituosa?
r .
3.7. Suponha que temos duas urnas. 1 e 2, _cada uma corri duas gavetas.
A urna 1 contrn uma moeda de ouro. em uma gaxeta e uma moeda de prata na
outra gaveta; enquanto a urna 2 contm uma moed.a de ouro em cada gaveta ..
Uma urna escolhida ao acaso; a seguir uma _de .=s gavetas aberta ao ~caso..
!~ .I
Verifica-se que a moeda encontrada nessa gaveta , de ouro. Qu11l a probabili-
dade de que a moeda provenha da urna . 2? .

3.8. Um saco contm trs' moedas, uma das quais foi cunhada cm;n 'duas
caras, enquanto as duas outras moedas so normais e no viciadas. Uma mpeda
.J tirada ao acaso do saco e jogada quatro vezes, em seqncia. Se sir cara toda
,j vez, qual se~. a probabilidade de que essa seja a moeda de duas caras? .
:I 3.9. Em uma fbrica .de parafusos, as mquinas A, B e C produzem 25, 35
40 por cento do total produzido, respectivamente. Da produo de cada. mqUi-
lll
na, 5, .4 e 2 por cento, respectivamente, silo parafusos defeituosos. Es.colhe-se ao
.acaso um parafuso e se verifica. Sf1t defeituoso. Qual ser a probabilidade de que
o parafuso venha da mquina-A? B? Da C? Da
- .1. . ( '
Sejam A e B dois eve,ntos associados a- rll experimento. Su:p.onha
3.10.
que P(A) = 0,4, enquanto P(~ u,.~,~ =;~0,7, . Seja ,P(B)_:= t : .. ..____
(a) Para que valor de '? A e . B -sero ~utuai,Dente excludentes?
[ (b) Para que valor de p, A e B sero mdependentes?
3.11. Trs componentes C1, C2 e C3, de um mecanismo so postos em srie
(em li9!;Ja_reta). Suponha que esses C?JHPO1~ntes sejam dispostos em ordem alea-
tria. Seja R o evento ( C2 est4 direhil>d;~ . C1l. e seja S o evento ( C3 est di-
~- reita de Cd .. Os eventos R e-S so indep~ndentes? Por ,.qil?
~ 3.12. Um dado l anado e, independentemente, uma carta extrafda de
um bara.lho completo (52 cartas). Qual ser a probabilidade de que:
III'
li
!j
' .
!
62 I PROBABiLIDADE . _

i!
!! (a) O dado mostre um nmero par . e a , c~t~ta ~~ja A~ ,Uffi-,Jil~ip~;\Y,em:Ellbo?
!I
~1
,,
q: ;,: 3~ ~~on:::: :::::e:::s::t::~~::11s:t:.~jgii~fj~t~f\l;:~oo:
'I exemplo, 1011, 1100 etc.) Esses nrn~rs trri i!1J:p,~r~~~WP.ll~~i! ~~ .~~t4[i~~o
de computadores eletrnicos. Suponha que um iilxn~r'';})iririo.'<sei~~:!?izrtil(lO' de
~i l n dgitos. Suponha que a probabilidade de rli -dgito ilrtotrtdi'ii:li':r~cet'seja P
!! e que os erros em diferentes dgitos sejam independentes i.im\ .'o~ i.itros. ''Qual
"
i'
ser a probabilidade de formar-,se um n171:ero incorr.e to? . . .: . . :' ..
,,
li
: 3.14. Um dado atirado n vezes. Qual a probabilidad~ de que "6" apa-
!1 . rea ao ID.eno~ uma. vez em n jogadas! ,.
:I
'I 3.15. Cada uma de duas pessoas j~ga trs rnoe~as eq~libr;das. Qual
1: a probabilidade de que elas obtenham o mesmo nmero de carS:.S ?. . " . ..
li
11. 3.16. Jogam-se dois dados. Desde que as faces mostrem nmeros dife-
ii:j rentes, qual a probabilidade de que urna face seja 4?

li _.)
3.17. Sabe-se que na fabricao de um certo 11rtigo, defeitos. de um ' tipo
.ocorrem com JJiobabilidade 0,1 e defeitos de outro p(; com probabilida'de ,5.
,J
Qual'l'ser a probabilidade de que: i .
I!
! (a) Um a.rtig~ ~o tenha .a~b<)s os tii>os de defeitos?
(b) Um rtigo 'aja defeituos'o? - -- .' . -
(c) u~ artigo' ~e"nha ~~nas,irn.c~q--~a'rJefcl~o:
_,_ ______ __ sabido que" defeituoso?

3:18. Ve.rifique que o nm.ero de condies impostas pela Eq, (3.8) dado
I por 2n- n- 1.
! 3.19. Demonstre que, se A e B forem eventos independentes, tambm o sero,
lI
i A e Ii, A e B, A e Ii. . . . .
I
i,. 3,20. Na Fig. 3.ll(a) e (b), suponha que a probabilidade ~e que cada rel
!.;. esteja fechado seja p, e que cada rel seja aberto ou fechado independentemente
um do outro. Em cad~ CMo, determine a probabilidade de que a corrente pas.se
de L para R.
r
I
I
I

(a) (b)
fig. 3.11

3.21. DuM mquinas A e B, sendo operadas independentemente, podem ter


alguns desarranjos cada dia. A Tab. 3.2 d a distribuio de probabilidades dos
desarranjos para cada mquina. Calcule M segUinte!) probabilidades:
(a) A e B tenham o mesmo nmero de desarranjos. ,
(b). O nli.rooro total de dsstln':IDjos seja menor que 4; me~~.or que 5 ..

..
!
f:'ROBABIUDA DE CONDICIONADA IE iNDEPENDENCIA I 63
. I
I
(c) A tenh mais desarranjos que B . f
(d) B tenha duas vezes mais desarranjos que A . .
(e) B tenha 4\!iesarranjos, quando se li saiba. que B ,i tenha tido 2 desar-
ranjos.
U) o nmero mnimo de desarranjos ~as - duas mquinas . seja 3; seja menor
do que 3.
(g) O JILmero m.ximo de desarranjos das mquinaS seja 3; seja maior que 3.
I
Tab. 3.2
I
Nmero de
desa.rranjs o 1 2 4 5 6

A 0,1 0,2 0,3 I 0,09 0,07 0,04


B 0,3 0,1 0,1 0,1 0,15 0,15t

3.22.Verifique pelas Eqs. (3.2) que, A flxo, se~do P(~


IA) satisfaz aos vriO!!
post~os da probabilidade. I . .
3.23.. Se cada eleinento de um determinante d~ segunda. ordem for zero
ou um, qusJ ser a probabilidade de que o jvaior do detenrunante seja positivo?
. (Admita que os elementos do dete_rminante jsejam escolhidos independentemente,
1-,
.
a cad_a valor se atri,buindo a probabilidade ~/2.) .
,, 3.24. Verifique que o teorema da multiplicao P(A n B) = P(A I B)P(B),
i estabelecido para dois eventos, pode ser estkndido para trs eventos, da seguinte
.I , . .
f maneira:.
"- _,
\ ....
P(A (JB C)= P(AIB n C)P(BIC)P(C). n )

. . 3.2~ Uma montagem eletr.nica fonilada de dois subsistemas A e B. De


\iiro~meQ.tos de ensaio anteri9re8, as seg uintes probabilidades . seradmitem co-
1

nhecidaS~ j
P(A falhe) = 0,20, P(A e B falhem) i= 0,15,
. /" I.
P(B falhe 8o::inho)
' '
:=0,15.
Cllllcule as seguintes probbilidades: I . .
(a) P(4. falhe
. .. , . I B .teiilia
. , ,falhado).
. II .
(b) P(A falhe sozinho).
..
3.26. Conclua anlise do exemplo djldo na Seo 3 .2, pela deciso de qual
dos dois tipos de caixa de bombons, A ou B, foi apresentada, ba~eando-5e na
evidncidos dois bombons que foram tirads na amostra.
" I ,
!
3.27. Sempre que um experimento realizado, a ocorrncia de um parti-
cu1ar evento A igual a 0,2. O experimento repetido independentemente, at
que A ocorra. Calcule a proba~ilidade de qu~ seja necessrio levar a cabo o experi-
mento at a quarta vez. :
3.28. Suponha que .um equipamento 1possua N v.lvulas, todas necessrias
para seu funcionamento. A fim de localizar uma vlvula com mau funcionamento,
faz-se a substituio de cada vlvula: sucessi~amente, por U)Ila '?lvula nova. Calcule
a probabilidade de que seja necessrio trocar N vlvulas, se a probabilidade (cons-
tante) de uma vlvula estar desarranjada por lp.
I. !
3.29. Demonstre:SeP (A I B) >P (A), ento,P (B I A) >P (B) .
.I
I
I
64 I IPROBABHUDADE

3.30. Uma vlvula a vcuo pode provir de trs fabricantes, com probabili-
dades p, = 0,25, P 2 =. 0,50 e p 3 = 0,25. As probabilidades de que, durante
determinado perodo de tempo, a vlvula funcione bem so, respectivamente,
0,1; 0,2 e 0,4 para cada um dos fabricantes. Calcule a probabilidade de que uma
vlvula escolhida ao acaso funcione bem durante o perodo detempo especifiiido.
. . . :

3.31. Um sistema eltrico composto de dois comutadores do tipo A, um


do tipo B, e quatro do tipo C, ligados como indica a Fig. 3.12. Calcule a probabi-
lidade de que uma pane no circuito no possa ser eliminada co~ a chave K, se
os comutadores A, B e C estiverem abertos (isto , desligados) com probabilidades
0,3; 0,4 e 0,2, respectivamente, e se eles operarem independentemente.

\
' i

Fig. 3.12

3.32. A probabilidade de que um sistema fique sobrecarregado 0,4 duran-


te cada etapa de um experimento. Calcule a probabilidade de que o sistema
deixe de funcionar em -trs tentativas independentes do experimento, se as proba-
II
bilidades de falhas em 1, 2 ou 3 tentativas forem iguais, respectivamente, a 0,2;
0,5 e 0,8.
.~
I
3.33. Quatro sinais de rdio so emitidos sucessivmente._Se a recepo de
cada uni for 'independente'd~ recepo de out:o, e se .essas probabilidades forem II
0,1; 'b,2;0.,3 e o,4;respectivamente, .calcule a probabilidad de que k sinais
venham a ser recebidos pia: k;,; 0', 1; 2, 3, 4. ' .J,
3.34. A seguinte (de algum modo simplria) previso de tempo empregada
por um amador. :0 tempo, diariamente, classificado como "seco" ou "mido", e
supe-se que a probabilidade de que qualquer dia dado seja igual ao dia anterior
seja uma constante p (0 < p < 1). Com base em registras passados, admite-se que
1? de janeiro tenha probabilidade {3 de ser dia "seco". Fazendo f3n = probabilida-
de (de que o1 n-simo dia do ano seja "seco"), pede-se obter uma expresso para
13n em termos de {3 e de.p. Calcule tambm limn..., "" f3n. e interprete o seu resulta-
do [Sugesto: Exprima f3n em termos de 13n _ 1-J
3.35.. Trs jornais A, B e C so publicados em uma cidade e uma recente
pesquisa entre-_9'S leitores indica o segufute: 2Q por cento ~em ;i; 2Q., PO! CeJ:lt<2_
-lem B; 14 por cento l~m ,C; 8 por ce!ltO lem A e\8._;_5,. pot.cento lem A -e ;
.2 porceflt? lem A, f1 e. ; ~ 4p_:por .cento le~B,~ ~f]ara um adulto .esco!hilo'
ao acaso; calcule a probabilidade de que: (a) ele no leia qualquer dos jornais;
I'ROBAIBDUDADE CONDICIONADA E iNDEPENDNCIA I 65

(b) ele leia exatamente um dos jornais; (c) ele leia ao menos A e B, se se souber
que ele l ao. menos um dos jornais publicados.
3.36. Uma moeda equilibrada jogada 2n vezes. (a) Obtenha a probabi-
lidade de que ocorrer um igual nmero de caras e coroas; ( b) Mostre que a
probabilidade calculada em (q_)__,,uma funo decrescente de n.
3.37. Cada uma das n umas: Urna 1, Urna 2, ... , Urna n, contm a bolas
brancas e fi bolas pretas. Uma bola retirada da Urna 1 e posta na Urna 2; em se-
guida, uma bola retirada da Urna 2 e posta na Urna 3, e assim por diante. Final-
mente, uma bola retirada da Urna n. Se a primeira bola transferida for branca,
qual ser a probabilidade de que a ltima bola escolhida seja branca? Que acon-
tece, se n _, co? [Sugesto: Faapn = Prob (a n-sima bola transferida seja branca)
e exprima Pn em termos de Pn _ 1l
3.38. A Urna 1 contm a boias brancas e fi bolas pretas, enquanto a Urna.2
contm fi bolas brancas e a pretas. Uma bola extrada (de uma das umas) e
em seguida reposta naquela uma. Se a bola extrada for branca, escolha a prxima
bola da Urna 1; se a bola extrada for preta, escolha a prxima bola da Uma 2.
Continue a operar dessa maneira. Dado que a primeira bola escolhida venha da
Urna 1, calcule Prob (n-sima bola escolhida seja branca) e tambm o limite
dessa probabilidade, quando n _,. oo.

3.39. Uma mquina impressora pode imprimir n letras, digamos a 1, ci 2 , ,


"'n- Ela acionada por impulsos eltricos, cada letra sendo produzida por um
impulso diferente. Suponha que exista uma probabilidade constante p de imprimir
a letra correta e tambm suponha independncia. Um dos n impulsos, escolhido .
ao acaso, foi alimentado na mquiria duas vezes e, em ambas, a letra a 1 foi im-
pressa. Calcule a probabilidade de que o impulso escolhido tenha. sido para impri-
mira1 .

1l

II
i
!
I
1

Ii
!;
'

Variveis Aletrias Unidimensionais


Captulo 4

4.1. Noo Geral de Varivel Aleatria

Ao descrever o espao amostral de m experimento, no especi-


ficamos que um resultado individual necessariamente seja um n:..
mero. De fato, apresentamos alguns exemplos nos quais os resul-
tados do experimento no eram uma quantidade numrica. Por
exemplo, ao descrever uma pea manufaturada, podemos empregar
apenas as categorias "defeituosa" e "no defeituosa". Tambm,
ao observar a temperatura durante o periodo de 24 horas, podemos
simplesmente registrar a cwva traada pelo termgrafo. .Contudo,
em muitas situaes experimentais, estaremos interessados na men-
surao de alguma-coisa e no seu registro como l.iin nmero. Mesmo
nos casos menci.onados acima, poderemos atribuir um nmero a cada
resultado (no numrico) do experimento. Por exemplo, podererp.os
atribuir o valor um s peas perfeitas e o valor zero s defeituosas.
Poderemos registrar a temperatura mxima do dia, ou a temperatuTa
mnima, ou a mdia das temperaturas mxima e mnima.
Os exemplos acima so bastante tpicos, de uma classe muito
geral de problemas: em muitas situaes experimentais, desejamos
atribuir um n-mero real x a todo elemento 8 do espao amostral B.
Isto , x = X(8) o valor di) uma funo X do espao amostral no
espao dos nmeros reais. Com isto em mente, formulamos a seguinte
definio.

Definio. Sejam S um experimento e S um espao amostral


associado ao experimento. Uma juno X, que associe a cada ele-
mento 8 E 8 um
nmero real, X(8), denominada vari.vel aleat6ria.
Comentrios: (a) A terminologia acima um tanto infeliz, mas to uni-
versalmente aceita, que no nos afastaremos dela. Tornamos to claro quanto
. possvel que X uma funao, e contudo, a denominamos uma varivel (aleatria)!
VARIVEIS AlEATRIAS UNI DIMENSIONAIS I 67

(b) E evidente que nem toda funt imaginvel pod~


ser considerada uma
varivel aleatria. Um requisito (embora_ho seja o mais geral) que, para todo
nmero real x, o evento [X(s) x] e,p-~a t.odo intervalo/, o evento [X(s)E/]
=
tm probabilidades bem definidas, con~stentes com os axiomas bsicos. Na
maioria das aplicaes, essa dificuldade no surge e ns no voltaremos a nos
referir a ela. I
I .
(c) Em a.lgunias situaes, o resultado \1: do espao amostral j eonstitui ,a
.caracterlatics num~ca . que desejamos li reiistrar. \ Simplesmente tomaremoa
X(s) = s, a funo 1dentJ.dade. _
(d) Na maior parte de nOSBI!. sub5eqii:ente exposio sobre vo.riveis alea-
trias, no necessitaremos indicar a natur~za funcional de X. Geralmente, esta-
remos interessados 'tios valores po~veis d~ X, mais do que de onde el~ se origi-
nam. Por exemplo, suponha-se que atiremos duas moedas e considremos o es~
pao associado a este experimento. Isto! ,
S = {HH, HTi TH, TTI. -
. I
Definamos a varivel aleatria da seguintfi maneira: X o nmero de caras (H)
obtidas nas duas moedas. Da, X(HH) = 12, _X(IIT) = X(TH) = 1 e X(TT) =O.

S = espao amostral de & llx


! = valores possvei~ de X
.

i
I
- Fig. 4 .1
1

I
(e) 11: muito importante . compreende~ uma. exigncia fundamental de uma
funo (unvoca) : A cada sES coi:respohder
I.
exatamente
.
um valor I X(s). Isto
est apresentado esquematicamente na Fig. 4.1. Diferentes valore 1s de s podem
levar ao mesmo valor de X. Por exempJolr na ilustrao acima, verificamos que
X(HT) = X(TH) = 1. . , -
I - .
o espao Rx, conjunto de tod~ os valores possveis de X,
algumas vezes denominado contradc'minio. De certo modo, podere-
mos considerar Rx como um outro ~ao amostral. O espao amos-
tral (original) S corresponde ao reshltado (possiv~l:m:!mte no-l'lum-
rico) do experimento, enquanto Rx lo espao amostral,IJSSOCiado
varivel aleatria X, .representand4 a caracterstica numrica que
nos poder interessar. Se for X(s), = s, tererrl.os S ::= Rx.
. Muito embora estejamos prevezUdos do perigo didtico inerente
a dar muitas explicaes para um mesma coisa, 'vamos salientar
que pderemos pensar em u:ma.. vari.t el aleattia :X, de du~ maneiras:
(a) Realizamos o experimento 1E que d um regultado sES;
a seg;,.ir cal~ulamos o nmero X(s). !
68 / PROBABIUDADE

(b) Realizamos 8, obtemos o resultado ~.e (imediatamente)


calculamos X(s). Neste caso, o nmero X(s) ~;>ensado o~o ovr6-
prio resultado do experimento e Rx se toma o .espli,O amost~al do
experimento. . . - -'
A diferena entre as interpretaes (a) e (b) percebida com
dific1,1ldade; relativamente secundria, mas me1;ecedora de, atl~no.
Em (a), o experimento essencialmente. termina com a obs~rvao de s.
A avaliao de X(s) considerada alguma coisa qile feita poste- .
'riormente, e que no influenciada pela aleatoriedade de 8. Em
(b), o experimento no considerado concludO at que o ni1mero
X (s) tenha sido realmente calculado, desse modo se originando o e.S-
pao amostral Rx. l\iuito embora a primeir~ interpretao, (a), seja
aquela geralmente pretendida, a segunda interpreta'o, (b), pode-
r ser muito til e o leitor dever lembrar-se dela.
Aquilo que estamos dizendo, e isso ficar cada vez inais claro nas
sees posteriores, que no estudo das variveis. _aleatrias estaremos
mais interessados nos valores que X toma do qlle em sua forma funcio-
nal. Conseqentemente, em muitos casos, ignoramos completamente
o espao amostral subjacente no qual X pode ser definido.

Exemplo 4.1. Suponha-se que uma lmpada tenha sido posta


em um soquete. O experiment,o ser. considerado terminado quando a
lmpada se queimar. Qual ser um possvel resultado, s? Uma das
maneiras de descrever s seria apenas registrar o di'a e a ho_ra em que '
a lmpada se queimou, por exemplo: 19 de maio, 16 h e 32 min. Em
conseqncia, o - espao am~stral poderia ser rep~e~entado por
S = {(d, t) Id = dia, t = momento do dia). Presu~iyelmente, a
varivel alpat6ria que interessa X, a durao at queimar. Ob~er
ve-se que, uma vez que s = (d, t) tenha sido observado, o clculo
de X(s) no inlui qualquer aleatoriedade. Quando s especificado,
X (s) fica completamente determinado.
As du~. interpretaes explicadas acima -podem ser aplicadas
a este exemplo, como se segue. Em -(a), consideramos o experimento
terminado Cdm a observao S = (d, t), O dia e a hora. 0 clculo
de X(s) realizado -depois, abrangendo um& operao aritmtica
simples. Em (b),_ consideramos que o experimento somente estar
terminado depois que X(s) tenha sido calculado e um,... nmero; por
exemplo, X(s) = 107 horas seja ento considerado o resultado do
exi>erimento.
Pode-se salientar . que anlise semelhante se aplicaria a qual-
quer outra varivel que interessMSe, por exemplo, Y(s), a tempe-
ratura da sala no momento em que a lmpada se tenh& queimado.
VARiVIEUS ALEAT,~ IAS UNiDRMENSiONAiS I 69

( '

Exemplo 4.2. Trs moedas so atiradas sobre a mesa. To


iogo as moedas repousem, !!), !fase / 1aleat6ria" do experimento tenni-
_lllOU. Um resultado simplea 8 poderia consistir ~a descrio deta:
lhada de como e onde as moedas pousaram. Presumivelmente,
estaremos oomente intereesados em certas caractersticas numricas.
ciadas a este experimente. Por exemplo, poden2.mos avaliu:
X(s) nmero de caras que apareceram,
Y(s) distncia mxima entre duas moedas quaisquer,
Z(s) distncia mnima das moedas a um bordo qualquer da
mesa.
Se for a varivel X que interesse, poderemos, como se explicou no
exemplo anterior, ncluir a avaliao de X(s) na descrio de nosso
experimento e, depois, simplesmente afirmar que o espao amostral
associado ao experimento {0, 1, 2, 3), correspondendo aos valores
de X. Conquanto muito freqentemente venhamos. a adotar esta
interpretao, importante compreender que a contagem do nmero
de caras feita depois que os aspectos aleat6rios do experimento te-
nham terminado.

Comentrio: Referindo-nos a variveis aleatrias, empregamos quase sem


exceo ~etras maisculas, como X, Y, Z etc. Contudo, quando falamos do valor
que essas variveis. aleatrias tomam, usaremos, em geral, letras minsculas, como
x, y, z etc. Esta uma distino muito importante a ser feita e o estudante pode
bem parar para consider-la. Por exemplo, quando ns falamos em escolher uma
pessoa ao acaso, de alguma populao designada, e medimos sua altura (em cent-
metros, por exemplo), poderemos nos referir aos resultados possveis como uma
varivel aleatria X. Poderemos ento formular vrias questes sobre X, como
indagar se P (X;;, 60). No entanto, uma vez que tenhamos escolhido uma pessoa
e medido sua altura, obteremos um valor especfico de X, digamos x. Por isso, no
teria sentido indagar se P (x;;, 60), uma vez que x ou no ;;, 60 . Esta distino
entre uma varivel aleatria e seu valor importante e ns voltaremos a fazer
referncia a ela.

Quando estivermos interessados nos eventos associados a um


espao amostral S, verificaremos a necessidade de examin~r os eventos
relativamente varivel aleatria X, isto , subespaos do contra-
domnio Rx. Bastante freqentemente, certos . eventos associados
a S so "relacionados" (em um sentido a ser explicado) a eventos
associados com Rx, na seguinte forma:
I

Definio.Sejam um experimento 8 e seu espao amostral S.


Seja X uma varivel aleat6ria definida em Se seja Rx seu contrado-
mnio. Seja Bum evento definido em relao a Rx, isto , B C Rx.
70 I PROBABILIDADE

Ento, A ser definido assim:


A= {8 E SjX(s) E B) . (4.1)

Explicando: A ser constitudo por todos os resultados em S,


para os quais X(s) E B (veia Fig. 4.2). Nese c~o, direnios que
A e B so event08 ~qu.ivalenle8.

Fig. 4.2

Coment6,rios: (a) Dizendo a mesma coisll, com :inenos rigor: A Ei B sero equi-
valentes sempre que ocorram juntos. Isto , quando A ocorre, B ocorre; inver-
samente. Porque se A tiver ocorrido, ento um resultado 8 :ter ocorrido, para o
qual X(li) E B ~~ portanto, B ocorreu. Reciprocamente, se B ocorreu, um valor
X(s) terA sido observa<;lo, para .o qual 8 EA e, portanto, A, ocorreu. . . .
{b) imprtante compreender que, -'em l1~ssa defuriA~ de evcmtoS equiva-
lentes, A e B sCI associados .a espaos amostrais diferentes. . .

Exemplo 4.3. Considere-se a jogada de duas moedas. Dai,


S = I HH, HT, TH, TT}. Seja X o nmero de carp.s ob'tidC>-. Por-
t anto, Rx = {O, 1, 2}. Seja B = {1}. J que X'(IIT) = X('I'Il) =.11
se, e somente se, X(s) = 1; temos que A= IIIT, THj equiva:lenteaB.
Agora, daremos a seguinte importante definio.

Definio. Seja B 1im evento no contra:dO'l'Ilnio Rx. Nesse


caso, definimos P(B) da seguinte maneira

P(B) = P(A), onde A= Is E SJX(s) EB}. (4;2)

Explicando: Definimos P(B) igtl.al probabilida:de do evento


A C S, ;o q\~al equivalente a B, no sentido da Eq. (4.1).
Ccnnentr (qs : (a) Estamos admitindo que probabilidaacs possam ser asso-
ciadas a. eventos em S. Portanto, a. definio acima. torna possvel atribuir .pro-
babilidades a ev-entos associados a Rx em termosde probabilidadesdefinidas sobreS.
(b) realmente possvel demonstrar que P(B) deve ser definida tal como . e
fizemos. Contudo, isto envolveria algumas dificuldades tericas que desejamos
evitar e, por isso, procedemos como acima.
(c) Desde que na formulao da Eq. (4.2) .os eventos A e B se referem a.
espaos amostrais diferentes, deveramos realmente empregar notao diferente
qJ:ando. nos referssemos a probabilidades definidas sobre S e quelas aefinidaa
.s 9bie Rx, digamos alguma. coisa tal como P(A) e Px(B). No entanto, .no .fare-
VARIVEiS ALEATRIAS UNDIOIMENSIONABS I 71
I
mos isso, mas continuaremos simplesmeJepescrever .P(A.) e P(B). o contexto
em que tais expresses apar"'am tornar lcara a interpretao.
(d) As probabilidades associadas a eventos ~o .espao amostrai (original) S
so, de 'certo modo, determinadas por "{oras .fora de nosso controle", ou como
s vezes se diz :pela. Natureza". A comppsio de uma fonte radio~iiva que erniW.
partfculas, a dmpos1o de um grande numero de pessoas que faam hamaa!l
telefnicas durante certa hora, e a agit~o trmica que a
origem a 'Um fluxo
ou as condies atmosfricas que dein ofigem a urna tempe5tade, ilustram esse as-
pecto. Quando introduzimos. uma varivel aleatlia X e seucontradomfnio Rx
estl!,rnos induzindo probabilidades nos ev~ntos associados a 'Rx, as quais sero es-
tritamente determinadas se as probabiliclades associadas a e~entos em S forem
especificadas. I '
I
Exemplo 4.4. Se as moedas consideradas 'llQ Ex. . 4:3 -forem
"equilibradas", teremos P(HT) = P(TH) = 1/4. Poft;a'Il'OO, P(HI',
TH) = 1/4 + 1/4 = 1/2. (Os clculos acima so m:ria. lt!onsequncia
direta de nossa suposio fundaxrlental referente :propriedade de
ii
equilbrio ou simetria das moedas. Visto que o evento I X = 1}'
equivalente ao evento {HT, TH}, empregando Eq. (4.1); teremos. a
que P(X = 1) == P(HT, .TH) = l/2JI [Na. realida:de no 'e:lciste escolha
para o valor de P(X = 1) .. coeren~e com a Eq.. (4.2), uma vez que
P(HT~ Til) tenha sido determinada. 1l': neste sentido que probabi-
.!idades associadas a eventos de Rxj so induzida.'l.l
1

Comentrio: Agora qe jil. -esta:belecebos a existncia de uma funl,li!.o de pro-


babilidade indozida.
.
sobre
.
o contradomiJio I
de X- Eqs. (4.1 e, 4.2)- .
achamos
..
conveniente .l!Jlprimir a natureza. 'funcional de X. Por isso, escreverein!ls (como
fizemos no e~plo acima) P(X = 1) = 142. O que se quer dizer que, um certo
evento no espso amostral S, a saber (HT, THI = (s}!X(s) = 11 ocbrre com pro-
babilidade 1/2. Da.! atribuirmos essa m~sma probabilidade, ao evento (X = 11
no contradom!U:i. Continuaremos
.
a escr~ver
I
expresses sernelha.n~s a P(X.
= 1),
P(X ~ 5) etc. t muitc imporlnle para o I,eitor compreender o que essas expresses
reslm:ente representam.
I
I .I

Uma v.ez que as probabilidad~s associadas aos vos resultadoe


(ou eventos) :no contradomin:io R~ tenham sido determinadas (mais
precisamente, induzida.S), ignor.arbmos freqentemente o espao
amostral original S, que deu orige~ a 'essas probabilidades. Assim,
bo exemplo anterior, simplesmepte estaremos inter~ssados em
Rx = ' {O, 1, 2} e as probabilidaqes assCJciad'as (1/4, 1/'i, 1/4). O
fato, de que essas probabilidades s~jam determinadas por uma funo
. de probabilidade definida ~obre o! espao amostral original s, no
nos interessa, quando estamos ap:enas interessados em estudar os
valores da v~rivel aleatria X. I
Ao apresentar, em mincias, lrmito~ dos importantes con:tieitos
1

referentes a variveis aleatrias, J julgamos conveniente distinguir


72 I I'ROBAB!UDADE

dois casos importantes: as variveis aleatrias discretas e as vari-


veis aleatrias contnuas.

'De}z"-nio. Seja X uma varivel aleatria. Se o nmero de va-


l ores possveis de X (isto , Rx, o. contrado:rinio) for finito ou infi-
nito n umervel, denolninaremos X de varivel aleat6rja discreta. Isto
, os valores possveis de X, podem ser postos em lista como x 11
x2, . ... , Xn. No caso finito, a lista acaba, e no caso infinito ntiner-
vel, a lista continua indefinidamente.

Exemplo 4.5. Uma fonte radioativa est eMitindo partculas a.


A. emisso dessa.s partculas observada em um dispositivo contador,
durante um perodo de tempo especificado. A varivel aleatria
seguinte a que intere3sa:
X = nmero de partculas observada{~.

Quais so os valores possveis de X? Admitiremos que esses valores


so todos os inteiros no negativos, isto , R.Tt: = (O, 1, 2 . .. , n, . .. }.
Uma obje~o com que j ~ nos defrontamos uma vez pode, novamente,
ser levantada neste ponto. Pode-se argumentar que durante um es- ,
pecificado intervalo (finito) de tempo, impossvel observai mais. :.
do que, digamos N partculas, onde N pode ser um inteiro positivo
muito grand~. Conseqentemente, os valores possveis para X real-
mente seriam: O, 1, 2, . .. , N. Contudo, torna-:se matematicamente
mais simples considerar a descriO idealizada feita .acima. De fa-
to, sempre que adniitirmos que os valores possveis de unta vari-
vel aleatria X sejam infinito numervel, estaremos realmente consi-
derando uma: representao idealizada de X.
yista de nossas explicaes anteriores da descrio prob~bi
lstica de eventos com um ,nmero finito ou infinito numervel de
elementos, a descrio prol?abilstica d~; uma varivel aleatria dis-
creta no apresent.r quakruer dificuldade. Procederemos da se-
guinte maneira:
Definio. Seja X uma, varivel aleatria discreta. "Portando, Rz,
o contradomnio de X, ser formado no mximo por Um nmero in-
finito numervel de valores x1, x 2 ,. A calla poss[vel resultado x'
associaremos um nmero p(xi) = P (X = x;), denominado probabi-
lidade de . x;. Os .nmeros p(x;), .i = 1, 2, . . . devem satisfazer s

.
VAR!VIEOS ALIEAlJ"~QAS UI\IIDiilfiiEI\ISOONA!S I 73

seguintes condies:
(a) p(x;) ~ O para todo i,

(b) L"'
oi=l
p(x;) = 1. (4.3)

A funo p, definida acima, denominadajun;o de probabilidade


(ou funo de probabilidade no ponto) d.' V!i.rivel aleatria X. A
coleo de pares [.r;, p(.ri)], i= 1, 2, ... , . algumas vezes denominada
distribuio de probabilidade de X.
Comentrios: (a) A escolha. particular dos nmeros p(x;) presum!Velmente-
determinn.da a partir. do. funo de probabilidade associada. aos eventos no espao

Fig. 4.3

amostral S, no qual X. seja definida. Isto , p(x;) = P[s IX(s) = :r;]. [Veja as
Eqs. (4.1 e 4.2).] Contudo, j que es tamos interessados apenas nos valores de X,
isto , Rx, e as probabilidades IISSociadas a. . estes valores, estaremoS novamente
suprimir,c:lo _a. natnre~a fun.cional de X. . .(Veja a Fig. 4.3.) Muito embora, tia. maio-
ria dos casos, os nmeros sejam de fato determinados a partir da distribuio
de probabilidiules em algum espao amostral subjacente s, qualquer conjunto de
nmeros p(::i), que satisfaam s Eqs. (4.3), pode servir comi:> descrio proba.bi-
llstica apropriada de uma varivel aleatria discreta.
(b) Se X tom.r apenas um nmero finito de : valores, digamos XlJ . ,xN,
ento p(x;) = O para i > N, e1 portanto, a srie infinita na Eq. (4.3) se transforma
em uma soma finita.
(c) Podemos salientar, novamente, uma anlogia com a Mecnica, ao con-
siderarmos a massa total de uma. unidade distribuda sobre a reta real, com a massa
total concentrada nos pontos x 11 X2, . . . Os nmeros p(x;) representam a quan-
tidade de massa localizada. no ponto x;.
(d) A interpretao geomtrica (Fig. 4.4) de uma. distribuio de probabi-
lidade freqeritemente til.

p(x)

111 I ii J ~x

Fig. 4.oll
74 I PROBABIUDADIE

Seja Bum evento associado i varivel aleatria X; isto , B C Rx


(Fig. 4.5). Suponha-se, especificamente, que B = I x,;1, x;w .. }. Daf,
P(B) = ..f'[s!X(s) E B] (porque esses eventos so equivalentes)
:::, P[s!X(s) = x;i'j = 1, 2, ... ] = f:p(r; ). (4. 4)
. . i=l ....1
Explicando: A probabilidade de um evento B igual ioma das
probabilidades dos resultados individuais aSsociados com . B.

Comentrios: (a) Suponhamos qu a varivel aleatpria disereta X possa


tomar somente um nmero finito de vlores, X 1 , ... : ; Xfif. Se os resultados forem
igualmente provveis, ento teremos obviamente p(x,) == ... = p(xN) = 1/N.
(b) Se X tomar um nmero infinito numervel de vlores, ento impossvel
ter todos os valores igualmente provveis; porque no poderemos satisfazer
condio . :E oo p (xi) = 1, se tivermos p (xi) = c para todo i.
z= 1 ,
(c) Em todo intervalo finito, existir no mxi:no um nmero finito de
valores possveis de X. Se algum desses intervalos no contiver qualquer desses
valores possveis, ns atribuiremos a ele probabilidade zero. Assim, se Rx =
= [x,, x2 , , Xnl e se nenhum xiE [a, b],entoP [a"" X"" b] =O.

ExemjJlo 4.6. Suponhamos que urna vi~I' eletrnica . seja


posta em um saquete e ensaiada. Admitiunos que a p:robabilidde
de que o teste seja positivo seja 3/4; da, p~ob~bilid~e _d que s~2
ja negativo igual a 1/4. Admitamos tambm que estej~os ensai:.
ando uma partida grande dessas vlvulas. Os
ensaios : ~ontinuam
at que a primeira vl~la positiva aparea. Definmqs a vari-
vel aleatria, assim: X o n,mero de testes ness.rios para con- .
cluil' o experimento. O espao amostral associado a este experi-
mento :

s ==: I+, - +, - - +, - +, ... }.


Para determinarmos a dist~il:>uio. de probabilidde de X, racioCl-
p.aremos da seguinte forma: os valores possveisde X so 1, 2, . .. n, ..
(estamos, obviamente, tratando com um espao amostral idealizado).
E ser X = n se, e somente se, as pri:!neiras (n - l), vlvulas forem
negatjvas e a. '(.1.-sima vlvula for positiva. Se aceitarmos que a
condio de 1Uill1 vLvula no influencie a condio de 'outra, pode-
remos escrever

p(n) == P(X = n) = 4 ( 1)n-l.(43) , n = 1, 2, .. ;


VARIVEIS ALEATRIAS UNIDIMENSIONABS 1 75.

II --
Para verificarmos que esses valores de p(n) satisfazem Eq. (4.3)
observaremos que \ '

L..
n=l
p(n) = -3 ( \1
4
+ -41 + -161: + ) .
1

3 i1
=--~ -- = 1. ,
4 1\-_!_
. I. 4
-I
' I

Comenl.rw: Estamos empregand6 aqui o resultado de que a. srie gpomlrica


1 +r+ r+ ... onv~rge para _1.'(1 t-
~) sempre q~e \r I < 1. ~ste lUD re-
sultado que ser menciOnado mu1las vezes. Suponha-se que ,deseJemos calcular
P(A), onde A 6 defini.d.o como: 10 exphimento termina. depois 'd e um n!l;leco paJ:
de repeties.! Empregando n. Eq. (414); teremos~
.. I
P(A) = L
71=1
p(2ni =
i
.2_ + 2_
16 256
1
+

=
3 I1
-:16 (1 +: ~ + .. ) = 16 --~- = 5 .
' 3 I 1

i 1 - 16

I
4.3. A Distribuio Bi.nomial\

Nos prmamos captulos, estJdaremos pormenorizadamente algu-


mas variveis discretas importantk Agora estudaremos apenas uma
delas e, em seguida, a empregar~mos para ilustrar alguns conceitos
importantes. \ .
!

Exemplo 4.7. Suponha que saiam uma ~easde produ- ,~e l~nha
o e sejam classificadas como defe~tuosas (D) ou como no-defeituosa~
(N), isto , perfeitas. Admita que trs dessas peas, da produo de um
dia, sejam escolliidas ao acaso e Classificadas de acordo com esse es-
quema. O espao amostral para es~se experimento, S, pode ser assim,
apresentado:
.
iI
I . I

S = {DDD, DDN,DND,NDD,NND,NDN,DNN,NNNJ.
. I I . .
(Outra maneira de descrever s , como s = s 1 X Sz X s3' o produ-
to cartesiano de St, S 2 e S3, onde c~daSi = {D,N}.)
Suponhamos que seja 0,2 a probabilidade de uma pea sr, defeituosa
e 0,8 a de ser no-defeituosa. A4rnitamos q~e essas probabilidades
'
76 i PROBABUUDADIE

sejam as mesmas para cada pea, ao menos enquanto durar o nosso


estudo. Firialmente, admita-se que a classificao . de qualquer pea
em particular, seja independente da classificao de qualquer outra
pea . . Empregando essas suposies, segue-se q~e as probabilidades
associadas aos vrios resultados do espao ariwstral S, como se explicou
acima, so:

(0,2) 3 ' (0,8)(0,2) 2 ' (0,8)(0,2) 2 ' (0,8)(0,2) 2 ' (0,2)(0,8) 2 ; (0,2)(0,8) 2 ;
(0,2)(0,8) 2 , (0,8) 3 .

Geralmente, nosso interesse no est. dirigido para os resultados .indivi-


duais de S. Ao contrrio, desejamos to-somente cnhcer qiuzntas
peas defeituosas seriam encontradas . (no interess:ndo . a ordem em
que tenh'am ocorrido). Isto ~ desejamos estudar a variv~l aleirtriaX,
a qual atribui a cada resultado s e S o nmero de peas defeituosas
encontradas em s. Conseqentemente, o conjunto dos valores poss-
veis de X {0, 1, 2, 3}.
Poderemos obter a distribuio de probabilidade de X, p(xi) =
= P(X = xi), .da seguinte maneira:
X = O se, e somente se, ocorrer NNN;
X = 1 se, e somente se, ocorrer DNN, NDN, ouNND;
X= 2 se, e somente se, ocorrer DDN, DND, ouf!DD;
X = 3 se, e somente se, ocorrer DDD.

(Note-se que {NNN} equivalente a {X= O} etc.) Ent'o,

p(O) = P(X =O)= (0,8) 3 p(l) = P(X = 1) = -~ (0,2)(0,8) 2 ,


p(2) = P(X = 2) = 3(0,2)2 (0,8), p(3) =P(X = 3) = (0,2) 3

Observe que a soma dessas probabilidades igual a 1, porque .a soma


pode ser escrita como igual a (0,8 + 0,2) 3

Comentdrio: A explicao dada ilustra como as probabilidades em um con-


tradomnio Rx (neste caso {0, 1, 2, 3}) so induzidas pelas probabilidades defmi-
das sobre o espao amostral S. Porque a hipGtese de que os oito esultados de

S = {DDD, DDN, DND,NDD,NND,NDN, DNN, iiNN}

tenham as probabilidades dalas no Ex. 4.7, determinou o valor de p(x) para


todo x e Rx.
VARIVEiS AlEATROAS UI\!DD!MIENSOONAHS I 77

Vamos agora generalizar as noes introduzidas no ex. anterior.

Definio: Consideremos um experimento E e seja A algum


'"evento associado a E. Admita-se que P(A) = p e conseqentemente
P(A) = 1 - p. Considerem-se n repeties de E. Da, o espao
amostral ser formado por todis as seqncias passiveis I a1, 2, . . . , an I,
onde cada a; ou A ou A, dependendo de que tenha ocorrido A ou A
na i-sima repetio de E. (Existem 2n dessas seqncias.) Alm
disso, suponha-se que P(A) = p permanea a mesma para todas as
repeties. A varivel aleatOria X ser assim definida: X = nmero
de vezes que o e-vento A tenha ocorrido. Denominaremos X de va-
rivel aleatria binomial, com parmetros n e p. Seus valores poss-
veis so evidentemente O, 1, 2, ... , n. (De maneira equivalente, dire-
mos que X tem uma. distribuio bmoinial.)
As repeties individuais de E sero denominadas Provas de
Bernouilli.

Teorema 4.1. Seja X uma varivel binomial, baseada em n


repeties. Ento,

P(X = k) = ( ~) p '(1- Pt-lc,


1
k =O, 1, ... , n. (4.5)

Demonstrao: Considere-se um particular elemento do espao


amostral de S satisfazendo condio X = k. Um resultado como
esse poderia surgir, por exemplo, se nas primeiras k repeties de E
ocorresse A , enquanto nas ltimas n- k r~peties ocorresse A,
isto ,

AAA AAA A.
k n- k

Como todas as repeties so independentes, a probabilidade desta


seqncia particular seria plc(l - p)n-k, mas exatamente essa mesma
probabilidade seria associada a qualquer outro resultado para o
qual X = k. O nmero total de tais resultados igual a {~), por-
que deveremos escolher exatamente k posies (dentre n) para o
evento A. Ora, isso d o resultado acima, porque esses (~) resul-
tados so todos mutuamente excludentes.
78 I PROBABILIDADE ........

Comentrios: (a) Para verificaJ' nO!lflO resultado, . ~bervemos que empre-


gando o teorem,a binomial temos . .. . >
I:~~o P(X = k) = Lk=O m pk(l ~ p)n~~ =; [p + (1 '- p)]n = "1" = 1,
como era de se esperar. Como as probabilidld~ '(k) pk(f:...:. p)ii-k So
obtid&S .
pelo desenvolvimento da expresso binomial[p +
(i C:: p)];.;/e'a+ecelle a deri'omi~
nao de distribuio binomial. . ' .
(b) Sempre que realizarmos repeties indep.eridentes_' de uni:experiinento
e estivermos interessados somente em uma dicotOmia- defeituoso ou nc:i-def.eic
tuoso (perfeito).; dureza acima ou abaixo de certO padro;, nvel.,de rudo em um
sistema de comwcaes acima ou abaixo de ~~ limiar ,pr~estab~lecido ~ esta-
remos virtualmente tratando com um espao amostrai n qual podemos definir
uma. varivel aleatria binomial. Enquanto as con:dies da experimentao
permaneam suficientemente estveis, .de modo que a probabilidade de . algum
o
atributo, digamos A, permanea constante, poderemos empregar modelo aciina.
(c) Se n for pequeno, os termos individuais da distribuio binomial sero
r~:lativamente fceis de calcular. Contudo, se n for relativamente grande, os
clculos se tornam bastante incmodos. Felizmente, foram preparadas tbuas. de
probabilidades bin01piais; existem vrias dessas tbuas. (Veja o . Apndice.)
Exemplo 4.8. Sup@ha-se que uma vlvula eletrnica, instalada
em determinado circuito, tenha probabilidade 0,2 de funcionar mais
do que 500 horas. Se ensaiarmos 20 vlvulas, qual ser a probabili-
dade de que delas, exatamente k, funcionem mais que 500 horas,
k = o, 1, 2, ... ' 20?
P(x)

I 'I
L-~0-+1~2~3~4~5~~6-!7~8~9~1~0~1~1~1~2~13~14~15~16~1=7~1~8-x
I

Fig. 4.6

Se X for o nmero de vlvulas que funcionem mais de 500 ho-


ras, admitiremos que X tenha uma distribuio binomial. Ento,
P(X = k) = CZ2) (0,2)!<(0,8)= 0-k. Os valores podem ser lidos na Tab. 4.L
~ .~.
Se marcarmos os valores dessa distribuio, obteremos o grfico
apresentado na Fig. 4.6. A configurao que observamos aqui
bastante geral. As probabilidades binomiais crescem montonica-
. mente, at que atingem um valor mximo e, depois, decrescem mo-
notonicamente. (Veja o Probl. 4.8.)
- I - .
VARBAVIEISA!l.EATORIAS UI\IDDIMIENSiOI\IAIS I 79

I
Tab. /4.1
I
I
P(X = O) = 0,012 P(X = 4) = 0,218 P(X ;, 8) = 0,022
. I .
P(X = 1) = 0,058 P(X = 5) = 0,175 P(X '= 9) = 0,007
I
P(X = 2) = 0,137 P(X = 6) = 0,~09 P(X == 10) = 0,002
P(X = 3) = 0,205 P(X = 7) = o,pss P(X = k) = o+ para k ~ 11
(As probabilidades restantes so meilores do que 0,001.)
I
I
Exemplo 4.9. Ao operar det~rrninada mquina, existe alguma
probab-ilidade de que o operador qa mquina cometa um erro. Po~
de-se admitir, razoavelmente, que ;o operador aprenda, no sen~,ido d
que . decresa a probabilidade de cpmeter um erro, se ele usar repeti-
damente a mquina. Suponha que q operador faa n tentativas e que as
n repeties sejam estatisticamente ipdependentes. Suponhamos, especi-
ficamente, que P (um erro ser cometido na i-sima repeti<;>) = 1/(i + 1),
i = 1, 2, . .. , n. Admitamos que /se pretendam 4 tentativas (isto ,
n = 4) e defmamos a varivel aleatria X como o nmero de operaes
1
da mquina, executadas sem erro. NJ ote-se que X no tem distribuio
binomial, porque a probabilidade de "sucesso" no constante.
Para calcular a probabilidade jde que X = 3, por exemplo, pro-
cede-se do seguinte modo: X = 3 se, e somente' se, houver exatamente
uma tentativa mal sucedida. -Isto ~ode ocorrer na prin~eira, segunda,-
terceira ou quarta tentativas. Portanto,
I . . .
1 2 3 4 ~ 1 3 4 1 2 1 4
~x=m=----+~---+----+
. 2 3 4 5 ~ 3 4 5 2 3 4 5
1 2 3 1 5
+z-345= iz I
I .
Exemplo 4.10. Considere-se ruma situao semelhante .quel11,
apresentada no .Ex. 4.9. Agora, !admitiremos que exista uma pro-
babilidade constante p 1 de no cmpeter um erro na mquina, dura~te
cada 'uma das n 1 tentativas, e urra probabilidade constante p~ ~ P1
de no cometer um erro em cada uma das n2 .repeties:subseqentes .
. Seja X o nmero de operaes be~ sucedidas da mquina durante as
+
n = n 1 n 2 tentativas independe? tes: Vamos procurar a expresso
geral de P(X = k). Pelo mesmo rp.otivo dado no exemplo precedente,
X no tem distribuio binomial. i Para obter P(X = ik), procede-se
qa seguinte maneira: ' I
Sejam Y1 o nmero de operaes corretas 'durante as primeiras
n 1 tentativas, e Y2 o nmero dei operaes corretas durante as n2
tentativas s~bseqentes. Portantp, Y 1 e Y2 so variveis aleatrias
independentes e X = _Y 1 + Y 2 1 Assim, X = k se, e somente se,
I
80 i PROBABILIDADE .

Y1 =r e Yz = .k- r, para qualquer inteiro r ql).e satisfaa s condi-


es O ::::; r S n1 e O ::::; k - r ::::; n 2
As restries aciina, sobre r, so eqUivalentes 'a o: : ; r .:5 n1 e
k - n2 ::::; r ::::; k. Combinando-as, pdrmb~ es~re'v~rmx. (O, 'k ~
- nz) ::::; r S mn. (k; ni)., Portanto, teniinci~

Com nossa conveno usual de que (b) = O sempre qu~ b > a ou


b < O, poderemos escrever a probabilidade acima como

. P(X= k) = T~ (~1) p~(l- PI)nl-'r(k ~r) p;-r(l-' P2)"2-k+r


(4.6)

P or exemplo, se P1 = 0,2, P2 = 0,1, n1 = n2 = 10 e k = 2, a proba-


bilidade acima fica, depois de um clculo direto:

Comentrio: Sup.onha-ose que p 1 = P2 Neste . caso, ii; Eq. (4.6) se reduz a


(k)p~ (1 - pi)n-k, porque agora a .varivel aleatria X tem . uma dist~ibuio
binomiaL Para verificar que a.Ssim, note-se que poderemos escrever, (desde
que n1 + 112 = n):

P(X = k) = p~(l- p 1)n-k ~ (~1 ) (k~ ,.)


Para verificar que a SQ~~ acima igual a (~), bast& comparar os coeficien~
d as potncias de xl,; .ehi ambos os membros da idntidade (l +. x)n 1 (1 + x)" 2 ~
= (1. + x)nl+n2.

4.4. Variveis Aleatrias Conttfl'lluas

Suponha-se que o contradonnio de X seja formado por um


nmero finito muito grande de val~res, digamos todos OS . valores X
no intervio O ::::; x s
i, da forma: O; 0,01;. 0,02; ... ; 0,98; 0,99;
1,00: A cada um desses valores .est associado um nmero no-ne-
gativo p(x.) ;, P(X =:= Xi), i.= 1, 2,: .. , cuja soma igual a 1. Esta
operao est represen~ada geometricamente na !"ig. 4. 7. . -
VA.RO VEUS A. LEA.TR8A.S UN8Dii\liEN SDONA.iS I 81

J . salientamos anteriormente que poderia ser matematicamente


ma.iB fcil idealizar a apresentao probabilstica de X, pela
suposio de que X pudesse tomar
P!ll)
t<Jdos os valores possveis, O ~ x ~ 1.
Se fizermos isso, que acontecer s

kJmw Iiliiillli.,
O I
probabilidades no ponto p(x;)? Co-
mo os valores possveis de X no
so numerveis, no podemos real-
mente falar do i-simo valor de X,
e, por isso, p(x;) se torna sem sentido. O que faremos substituir a
funo p definida somente para x 1 , x 2, por uma funo f definida
(neste conte:do) para todos os valores de x, O ~ x ~ 1. As proprie-
dades da Eq. (4.3) sero substitudas por j(x) ~O e fo f(x)dx = 1.
1

Vamos proceder formalmente como se segue.

Definio: Diz-se que X uma varivel aleatria contnua, se existir


uma funo t, denominada funo densidade de probabilidade (fdp) de
X que satisfaa s seguintes condies:

(a) f(x) ?>O para todo x,


(b) I+ ~ f(x ){lx = 1,
- 00 . .
(4.7)
(c) p~a quaisquer a, b, com - oo <a< b < + oo, teremos
P (a<X<b)=Jg f(x)dx. (4.8)

Comentrios: (a) Estaremos essencialmente dizendo que X uma varivel


aleatria contnua, se X puder tomar todos os valores em algum intervalo (c, d),
onde c e d podem ser-~ e+~, respectivamente. A existncia estipulada de uma
fdp constitui um artifcio matemtico, que possui considervel apelo intuitivo e
torna nossos clculos mais simples. Em relao a isso, tambm devemos salientar
que, quando supomos que X seja uma varivel aleatria contma, estamos tratan-
do com uma descrio idealizada de X.
(b) P(c <X< d) representa a rea sob a curva no grfico da Fig. 4 .8, da
fdp f. entre x = c ex = d.

J(x)

='+-----..,:.:
X=C ir=d
82 I PROBABILIDADE

. (c) Constitui uma conseqncia da descrio probabilfstica de.. X, acima,


que, par& qualquer valor especificado de X, di~~s ~; tciiri~P(X = Zo) ' = O,
porque P(X = xa) = Jz;oj(x) dx = O. Este rooult~o ~~ecer ~clto con-
pode,
trrio . nossa intuio. Contudo, . devemos compreender que se permitirmos
que X tome rodos os valores em algum Intervalo, ento a pr.obe.bili<lade zero.no
equivalente impossibilidade. Por issO, no caso contnuo, P(A) = O no implica
ser A = 0, o conjunto vazio. (Veja. o Teor. 1.1.) Explicandc) ias:> mnos rigo-
rosamente, .considel"EHle a escolha de um ponto .ao aaso,:n
.se~ento de reta
{xj O .:S x.:S 2l. Muito embora. possamos ~ta.r desejosos em concordar (para
objetivos matemticos) que cada.. ponto imagiml.vel no segmento posSa. ser resultado
de nosso experimento, ficaramos completamente surpreendidos qu~nto ii. isso,
sa de. fato escolhssemos precisamente o ponto mdio do segmento ou qualquer
outro ponto especificado. Quando expressamos isto '.em ling'uagetn . matemtica
rigorosa., dizemos que o evento tem "probabilidade ler". Tend~ em vista. essas
obaerve,es, 88 seguintes probabilidades serl!.o todas iguaiiJ, se X for uma va.ri~el
aleatria contnua:

P(c5. X 5. d), P(c 5. X< d), P(c <X 5. d), e P(c <X< d).
(d) Apesar de no verificarmos aqui os detBlhes, pode-se mostrar que easa
atribuio de probabilidades a eventos em Rx sa.tisfa.Z aos axiomas bsicOs. da
probabilidade [Eq. (1.3)1, onde poderemos toiiU!.l" {zl - "' < x < +
"'I como
nosso espao amo&ti:al.

(e) Se uma funo r satisfizer s condies j'; (z) ~ O para todo x, e


r (:z;) dx = K, onde K um nmero real positivo (no necessiuiamente igilal
f_+.,""
a 1), ento r no satisfaz a todas as condies para ser uma fdp. No entanto,
poderemos fcilmente definir uma nove. funo, digamos J, em termos de r. ll&,lim:

j(z) = JO(z) para todo x.


K

Em conseqncia, f se.tisfad, a todas as condies de uma fdp.


(f) Se X tomar valorea somente em algum intervalo rmito [a, b], poderemos
aimplesmente prj(x) = O para todo z EE [a, bl. Em conseqncia, a. fdp ficam
definida para todoo os valores ree.is dez, e poderemos. exigir quef_f;.,"" j(x) dx=r.
Sempre que a fdp for especificada somente para determinados valores de z, deve-
ramos supor que seja zero em todos os demais.
(g) J(x) no representa. 111 probabilidade de coisa alguma! Anteriorm!)nte
j& salientamos que, por exemplo, P(X = 2) = O e, conseqentemente, f(2} cer-
ta.mente nl!.O representa easa. probabilidade. Somente quando a funo for in-
tegrada entre dois limites, ela produzir uma. probabilidade. Poderemos, con-
tudo, dar uma interpretao dej(x)t:.x, da: seguinte maneira: Bo teorema do valor
mdio, em Clculo, tem-se, que

z+L'>z
P(x 2 X 2 x + tu) =
i j(s) ds = l:.xj(~),
VARIVEIS k lEATRBAS UNIDIMENSIONAIS l 83
.i
Se D.x for pequeno, f(x) D.x ser aprd,ximadamente igual a P(x ~ X~ x + D.x).
(Sef for contnua direita, esta aproxitnao se tornar mais exata quando D.x->0.)
(h) Devemos novamente salientat que a distribuio de probabilidade (neste
caso a fdp) induzida em Rx pela probabilidade s~bjacente associada com eventos
I .
em S. Por isso, quando escrevemos P(c < X < d), queremos significar como sem-
pre P[c < X(s) < d], que por sua vez! igual a P[s 1 c < X(s) < d], j que esses
eventos so equivalentes. A definio anterior, Eq. (4.8), estipula essencialmente
a existncia de uma fdp f definida sobre Rx tal que

. P[,j X[) ~~ - 1' J[) d>.

I
Novamente suprimiremos a natureza funcional de X e, por isso, trataremos so-
mente com Rx e a fdp f. . I . .
(i) No caso contnuo, tambm !poderemos considerar a seguinte analogia
com a Mect1nica: Suponha-se que tembs uma massa total de uma unidade contt-
nuamente distribuda sobre o intervalo a~ x ~ b. ' Nesse caso, f(x) represe~ ta
a densidade de massa no ponto x e J:d f(x) dx representa a massa total contida
no intervalo c ~ x ~ d. I
.:f
I
Exemplo 4.11. A e~istncial de uma fdp foi admitida na exposio
. ,.; ,
~ -~ l de uma varivel aleatria cont~ua. Vamos considerar um . exemplo
simples, no qual poderemos facilmente determinar a f~p, fazendo uma
suposio apropriada sobre o corp.portamento probabilstico da varivel
aleatria. Suponhamos que -~m ~onto_ s~ja e~~olldo n~ interv~o (O,l).
.!
Representemos por X a vanavel hleatona cuJpvalor seJa a absc1ssax do
ponto escolhido. I
Supor: Se I for qualquer intervalo em (0,1), ento Prob [X E I]
I
ser diretamente proporcional ao cumprimento de I, digamos L (I).
Isto , Prob [X E I]= kL(I), oJde k a constante de 'proporcionalida-
de. ( fcil. verificar, tomando-se
I
I = (0,1) e observando-se .que
L :[(0,1)] = 1 e Prob [X E (0,1)] = 1, que k = 1.) . ,
Obviamente, X toma todos , os valores em (O,l).' Qual sua fdp?
Assim, podemos encontrar uma fyno f tal que
I
P(a<X < b) = f b f(x')dx?
j a
Note que, se a<b<Ooui1<a<b,P(a<X<b)=Oe,poris-
so,f(x) = O. Se O< a<; b < 1,,P(a<X < b) = b- a e, conseqente-
mente,[(x) = 1. Portanto, encontramos .
I
1,0<x< 1 ,
f(x)= { . , .
1
O, para qfrusquer outros valores.
84 I PROBABBUOAD_E

Exem,plo 4.12. Sup~nhamos que a varivel a.Ieattia X seja


contnua. (Veja a Fig. 4.9.) Seja a fdp j dada pO~

. j(x) 2x, 0< x < 1;'


o, para quaisquer outros valores . .

Evidentemente, .j(x) ~O e. f_+,"" j(x)dx = fo~'!-xdx ::_ i. Para calcu-


lar P(X.;;;; 1/2), deve-se apenas calcular a integral fo 112 (2x)_dx = 1/4.
f(x) J(x)

Fig. 4.9
X=
"'---
L---~----------+--Qx
1500

Fig. 4.10

O conceito de probabilidade condicionada, explicado no Cap. 3,


pode ser significativamente aplicado a variveis aleatrias: Assim,
no exemplo acima, podemos calcular P( X :::; X :::; } ) i I-} : :;
Aplicando-{le diretamente a definio de probabilidade condicionada,
teremos

p ( X < _!_I _!_ ~ X < _3_) = p ( t : :; X :::; +)


- 2 3 - - p (l. < X < _3_)
3 .
3 - - 3
f~)~ 2x dx 5(36 5
fi)~ 2x d:c 1/3 = n'
Exemplo 4.13. Seja X a durao da vida (em horas) de um
certo tipo de lmpada. Admitindo que X seja uma varivel aleat-
ria contnua, suponha-se que a fdp j de X seja dada por
j(x) = a/x 3, 1.500 :::; x :::; 2.500,
= O, para _q uaisquer outros valores.
(Isto , est se ~tribuindo probabilidade zero aos eventos {X < 1.500}
e {X > 2.500} .) Para calcular a constante a,.
recorre-'e condio
. f_"', j(x) dx = 1, que neste caso se torna fr_~ggo (a/x 3 )dx = 1. Dai
se obtm a = 7.031.250. O grfico de j est~ apresentado na Fig. 4.10.
Em captulo posterior estudaremos, pormenorizadamente, mui-
tas variveis aleatrias importantes, tanto discretas como contnuas.
VARIVIEIS ALEATRIAS UNDDDMIENSIONAHS I 85

Sabemos, de nosso emprego de modelos determinsticos, que certas


funes gozam de papel _mais importante que outras. . Por exemplo,
as funes linear, quadrtica, exponencial e trigonomtrica tm
papel vital na .explicao de modelos determinsticos. Ao desenvol-
ver modelos no-determinsticos (isto , probabilsticos) verificare-
mos que certas'Ovariveis aleatrias so de notvel importncia.

4.5, Funo de Distribuio Acumulaw'la

Vamos introduzir outro importante conceito. geral, neste captulo.


Definio. Seja X uma varivel aleatria, discreta ou continua.
Def~ne-se a funo F como .a juno lk distribuio. acumulada da
varivel - aTeatJ;i X (abreviadamente indicada fd) como F(x) ,;,
= P(X ~ x).
Teorema 4.2. (a) .Se X for uma varivel aleatria discreta
F(x) = L p(xi),
j
(4.9)

onde o somatrio estendido a todos os ndices j que satisfaam


condio Xi ~ x.
(b) Se X for uma varivel aleatria contnua com fdp j,

F(x) = J: f(s)ds. (4.10)

'\ Demonstrao. Ambos os resultdos decorrem imediatamente da


definio.
Exemplo 4.14. ~<G.P'bnhamos que a variyel aleat~~a X tome
! os trs valores O, 1 e'2; com probabilidades 1/3, 1/6 e 1/2;)respectiva-
.j mente. Ento, .. .
1

F(x) = o se x <O,
1
=-
3" se O$ x < 1,
.1
se 1 ~ x < 2,
2
= 1 se x ;::: 2.
(Obse~e-se que muito intportante indicar a incluso ou a excluso
dos limites, na descrio dos diversos intervalos:) O grfico de F
est apresentado na Fig. 4.11 .

_.!'
;-:;
. !
!

;

. .,'
86 I PROBABILIDADE

l' Ftx)

ik--_, I 2
IFiPJ. 4.11
I
3.
x .. .

Exemplo 4.15. Suponhamos que X seja uma varivel c~mthma


com dp
O< x < l,
I
d
j(x) 2x,
O, para quaisquer outros valores.
!'
Portanto, a fdp de F dada por
j
F(x) = O se, x::::; O,

II [o" 2s ds = x2

. i
1! se O< x::::; 1,
lsex>l.
r
O grfico est apresentado na Fig. 4;12.
~ F_(x)
li j
I
I

1
Ijt
I!
1j
i! fig. 4.12
'1 Os grficos apresentados nas Figs. 4.11 e 4.12 para as fd so,
li-. ','-
:_

.
em cada caso, bastante tpicos, no seguinte sentido~
:I

!j.-. 11- I (a) Se X for uma varivel aleatria discreta, com um nmero finito
:.1 de valores possveis, o grfico da fd ser constitudo por segmentos de
'I! reta horizontais (nesse caso, a fd se denomina funo m degraus). A
li
lj funo F contnua, exceto nos valores possveis de X: x 1 , ,xn, ...
No valor xi o grfico apresenta um "salto" de magnitude p(xi) =
=P(X=xi). . .
(b) Se X for uma varivel aleatria continua, F ser uma funo
continua para todo x.

(;!('l'Jiil
i
VARIVEIS ALEATRIAS Ui\IIDIMENSIONA8S
I . I 87
i .

(c) A fd F definida. para. todok os valores de x, o que um motivo


importante para consider-Ia. I _ ,
Existem duas ou_tras importantes propriedades da fd, que re-
" sumirem~s ~oc'"teore~aseguiiite: , ...
? .. I
Teorema 4.3. (a) A funo P no-decrescente Isto , se

x1 ~ x2, teremos F(xi) ~ F(x2). !


1

-~- -(b) lilllz-+- mF(x) = O e lim.:~ .. F(x) = 1. [Freqentemente, escre-


vemos isto como F(- oo) = O e F("") = 1.1
!
Demonstrao: (a) De(inamol:! os eventos A e B, assim: .A =
I X ~ xil, B = 'I X ~ i2l - P~rtanto, como xi ~ i2, teremos
A C B e, ,pelo Teor. r.5, P (A) ~ ~ P(B), que o resultado d~sej~o.
(b) .N.o caso continuo, teremo~ : _

F(- "".) = Jlt-.-~~~']{8)'ir-[,~:


F("") . =;: 1J
' z-+CD
1-"'
- GD
f(s) _ds = 1, '
,.

No .caso discreto, o raciochuo an~ogo. .


A funo de _distribuio ( ac~mulada) importante por muitas
>
I razes. Isto particularmente verdadeiro quando tratarmos com uma
varivel aleatria contma, porque nesse caso no poderemos estudar'
o comportamento probabilstico d~ X atravs do clculo de P(X = x).
Aquela probabilidade sempre igultl a zero no caso contnuo. Contudo,
,.
\: poderemos indagar de P(X ~ x) e\ como demonstra teorema seguin-
te, obter a fdp de X . J

I
Teore:ma 4.4. (a) Seja F a i fd de urna varivel aleatria con-
tnua, com fdp j . Ento, Id
f(x) = iax F(x),
!
para todo x no qual F seja derivvel. .
I .
(b) Seja X uma varivel aleatria dis<:reta, com .. valores poss-
veis xi, x2, . .. , e suponha-se qu.e jesses valores tenham, sido indexados
de mooo que XI < X2 < .,.. SeJa! F a fd de X. EntO,
. I
p(xi) = P(X = xJ)! F(xi)- F(xh). (4.12)

Demonstrao: (a) F(x)=P(X ! ~ x)


I
= f_-"'= j(s) ds. .
Por isso, apli-
'
cando-se o teorema fundamental !do Clculo, :obteremos F'(x). =
.
j(x) .

. I "
88 I 'f"ROBABDU D A DIE

(b) Como admitimos Xr < x 2 < ... ; terems' .;


F(x;-) = P(X = Xj U X= x;-- 1 \j ;'; 'X = x;) .
= p(j) + p(j - i). .+. -::+
.. .
' pcir
: ,,
.

' ' '; . :' ;~) . ;' ~
E
F(Xi-cl) = P(X = Xj-1 u X =. ~f-;2 u ... u X = XI)
= p(j- 1) + p(j....,. 2) + :. :+.p(l); -
Portanto,

Comentrio: Vamos rtisumidamente recon~i~~rar apart~ )dTeor~ma 4.4.


Recordemos a definio de derivada de uma funo F: .

F(x)= lim F(x+h)-F(x)


h-+ o h

= lim P(X < x +h)- P(X.;; x)


h-" o+ h

= lim - 1- [P(x<X<x+h)].
h-'> o+ h

Portanto, se h for pequeno _ll-positivo,


/

F' (x/~ f(x)'- P(x <X< x +h)


h

Assim,f(x) aproximadamente igual "quantidade de.probabilidade no intervalo


(x, x + h) pelo comprimento h". Da o nome funo densidade de probabilidade,
~r---~.

Exemplo 4.16. Suponha-se que uma varivel aleatria cont-


nua tenha a fd F dada por
F(x) O, x ~ 0,
1- e-, x >O.

Kesse caso, F'(x) = e- para x > O, e, por isso, a fdp ser dada por
j(i) = e-z, X;::: 0,
= O, para quaisquer outros valores.
Camenlrio: oportuno dizer uma palavra. fi11al sobre a terminologia. Esta
terminologia, muito embora ainda no uniforme, tornou-se bastante p-adroni-
zada. Quando falamos da distribm'llo de probabilidade de uma varivel alea-
tria X, nos referimos s_u a fdp se x fr contnua, ou sua fun~o de probabili-
dade no ponto, p, definida para x 11 x~, ... se X fr discreta. Quando falamos
da funo de distribuio acumulada, ou algum~ vezes apenas junao de distri-
buio (ou funo de repartio),queremos sempre nos referir aF, ondeF(x) =
=P(X<x).
. li
i'-i
VAR~VIEOS Al!EATRIAS Ui\! iD iMIENSIONA~S I 89

4.6. IDJistribuies Mistas

Restringimos nossa explanao to-somente a vanaveis alea-


trias que sejam discretas ou contnuas. Tais variveis so certa-
mente as mais importantes nas aplicaes. Contudo, h situaes
em que poderemos encontrar um tipo misto: a varivel aleatria X
pode tomar alguns valores diferentes, digamos xh . .. x., com proba-
bilidade n..o-p.ula, e tambm tomar todoo os valores em algum in-
tervalo, digamos a :::; x :::; b. A distribuio de probabilidade de
tal varivel aleatria seria obtida pela combinao das idias j exa-
minadas na descrio de variveis aleatrias discretas e de cont-
~ nu.as, como se ver a seguir. A cada valor x, associa-se um nmero
p(x;) tal que p(x;) ~ O p.a ra todo i, e tal que L~=l p(x;) = p < l.
Em seguida, defme-se uma funo j, satisfazendo a j(x) ~ O,
fab .j(x) dx = 1 - p. Para todo a, b, com - oo <a < b < + 00 , P(a <;
<;X<; b) = fab f(x) dx + L p(xi). Desta maneira, aten-
{i:a<xi<b}
deremos condio P(S) = P(- oo < X < oo) = 1.
Uma varivel aleatria de tipo misto p~d~ria surgir da maneira
explicada a seguir. Supnha-se que estejamos ensaiando algum
equipamento e faamos igual .a X o tempo de funcionamento. Em
muitos problemas, descreveremos X como uma varivel aleatria
contnua, com valores possveis x ;:::=: O. No entanto, podem surgir
situaes nas quais exista uma probabilidade no-nula de que a pea
. i
no funcione de modo algum, isto , falhe no momento X= O. Nesse
\
caso, desejaramos modificar nosso modelo e atribuir uma probabili-
dade p > O ao resultado X = O. Conseqentemente, teramos
P(X = O) = p e P(X > O) = I - p. Deste modo, p descreveria
a distribuio de X no ponto O, enquanto & fdp j descreveria a distri-
buio para valores de X > O. (Veja a Fig. 4.13.)
j{JI)

l'(X=O)=p

.I 1
Fi!l). 4.14

4.7. Variveis Aleat6riaJs \\Jniformemnte Distribudas


( "

Nos Caps. 8 e 9, estudaremos minuciosamente muitas variveis


aleatrias discretas e contnuas importantes, J introduzimos a
:: ... I

90 I PROBABILiDADE _,. , '

importante varivel aleatria binoiniaL V~os ; g6rii exaninar,


resumidamente; uma importante varivel a.Ie'atria cohtinua.
. . ' '. :.:,:, ....~ .. : ~- . ' . ' : ; -~ .

Definio. Suponha-se que X seja uma varl~v~ileat6ria con-


tnua, que tome todos os valores no intel'Val [ii;' b], 'lio 'qual a e b
sejam ambos finito/~.fdJLde .X-f~por)

. /(x) = b ~- a ' a ~- x~}~ (4.13)


. [ / "/
. \ = O, para ,g,uru:squer Qutros yalores, .diremo.s
'~-----------------
que X uniformemente distribuda sobre o intervalo [ci, :91. (Veja a
Fig. 4.14.)
Cvmentrios: (a) .Uma varivel aleatria uniformemente distribuda. tem
uma fdp que constante sobre o intervalo de definio. A fim de satisfazer
condio f_+, m j(x) dx = 1, essa constante deve ser igual ao inverso do compri-
mento do intervalo.
(b) Uma varivel aleatria uniformemente distribuda representa o anlogo
contnuo dos resultados igualmente pro~veis, no seguinte sentido. Para qual-
quer subintervalo [c, d], onde a:::_ c < d :::_ b, P(c :::_ X:::_ d) a ~msma para todos
os subintervalos que tenham o mesmo comprimento. Isto ,

d- c
P(c :::_ X:::_ d) =
f..
c
d
j(x) dx = - -
,
. - .-
.b ... a

e, por isso, depende unicamente do comprimento do intervalo . e n'o da posio


desse intervalo.
(c) Agora podemos tornar mais precisa a noo intuitiva de e3colher ao aca..o
um p<mto P, em um i~tervalo [a, b]. Por isto simplesmente quetmos dizer que a
coordenada x do ponto escolhido, digamos X, uniformemente distribuda sobre
~a, b].
I

Exemplo 4.17. tJrh


ponto escolhido ao aca.so no segmento de
f
H reta [O, 2]. Qual ser a probabilidade de que o ponto escolhido
~ esteja entre 1 e 3/2?
'i.' Fazendo-se X representar a coordenada do ponto escolhido, ns
temos que a fdp de X dada por j(x) = 1/2,. O < x < 2 e, portanto,
Iii P(1 ~ X ~ 3/2) = 1/4.
! F(x)
l
:r
x=a x=b 1

Fig. 4.15
VARIVEIS i i..EATRIAS UNiDIMENSIONAIS I 91
I. .
Exemplo 4.18. A dureza ~ de uma pea de ao (avaliada na
escala Rockwell) pode-se supor ~er. uma varivel aleatria contnua
uniformemente distribuda sobre o intervalo [50, 70}, da escala B.
Conseqentmente, I
1 .1
f(h) = 2o 1 50
1
< h < 70 1

! = O, para/ quaisquer putros v~ores.


'
Exemplo 4.19. Vamos obte~I a expresso da fd de um varivel
aleatria uniformemente distribuda.
I
F(x) = P(X .~ r) = /_"... j(s)~ .
=0 se x <a,
(' x-a I
=---sea<x<b1
b- a I -

= 1 ~e x;::: b.
O grfico est apresentado na Fk. 4.15.
I

4.8 ~m Oboomo i

Repetidamente temos salien~ado que em algum estgio de nosso


desenvolvimento de. um modelo probabilstico, algumas .prpbabilidades
devem ser atribudas a resultados, com base ou em evidncia experi-
mental (como as freqncias relat~vas, por exemplo) 'ou,em alguma outra
, considerao, como a experinci~ passada com o fenmep.o que esteja
em estudo. A seguinte questo pode ocorrer :ao estudante: Por que ns
no podemos obter todas as proij abilidades em que estejamos iriteressa-
dos por tais meios no-dedutiv>s? A resposta e que muitos eventos
cujas probabilidades desejamos Iconhecer so to complicados que
nosso conhecimento intuitivo ipsuficiente. Por exemplo, suponhamos
que 1000 peas estejam sairido diariamente de uma linha de produo,
algumas das quais defeituosas. ~esejiunos saber a probabilidade de ter
50 ou menos peas defeituosas! em certb dia. Mesmo que estejamos
familiarizados com o comportamento geral do processo de produo,
poder ser difcil para ns assodiarmos
I
uma. medida quantitativa com
o evento: 50 ou menos peas so defeituosas. No entanto, poderemos
I
.;
ser capazes de fazer a afirmao /de que qualquer pea individual tenha
probabilidade de 0,10 de ser def;eituosa. (Assim; a experincia passada
nOs d a informao de que cerd,a de 1 O por cento das peas so defei-
1
92 I PROBABILIDADE

tuosas.) Alm disso, poderemos estar inclinados a adirtir _qu:e, indivi-


dualmente, as peas sejam defeituosas ou perfeitas iridepen<;leriteme:rite
uma da outra. Agora, poderemos proceder deduvame~-i:e , e obter a
probabilidade do evento em estudo. Assim, se X= . nmero de peas
defeituosas,

. 50 (1000) .
P(X.;;;, 50)~ ~ (O,lO)k (0,90)1000- k
k= o . k ..

O que se quer destacar aqui que os vrios mtodos que ns dedu-


zimos para calcular probabilidades (e outros que sero estudados
subseqentemente) so de enorme importncia, porque com eles pode-
remos avaliar probabilidades associadas a eventos bastante complicados,
as quais seriam difceis de obter por meios intuitivos ou empricos.

-i1J &~ q~ 1liilA determinada. moeda apresenta. cara. trs vezes mais
freqeiitemente que OOI'oa. .E= moeda jo~da trs vzs. X o. nmeroSeia
de' caras _qle~p~. -Es~bele~~> . a dis~buil!.ci de probabilidade de X e ta.m-
"' ~- ..... - ~ --.) .
-bm ~Jtf.. t-Fa.a. um esboo do. gr.fioo de-IUilbllS.rl

.9
~-F7 ~ . ( r ~/ ~ ' .

De um lote ~ue contm ~-)je-l), ~ quais 5 so deejtuosas, so esco-


lhi IIS 4 ao &easo. &lJa. X o nmero de defe1tuosas encontra.daa. Estabelea _a
distribuio de probabilidade de X, quando:
(a) AD peas forem escolhidas com r.eposil!.o.
(b) As-peas forem escolhidas sem reposio.

l9
/; .
Suponh~ que ~ varivel a.lea.t6ris. X tenha. os valores pol!!lveis 1, 2, 3, -~ .. ,
e P(X = J1 = 1/2', i= 1, 2, ...
(a) Ca.lcule P(X ser par).
(b) Calcule P(X ;:::: 5).
(c) Calcule P(X ser divisvel por 3)
. x 4.13, Considere UIM varivel aleatria. X com resultados possveis: -0, 1, 2, ...
Suponha que P(X = J1 = (1 - a)ai, i = O, 1, 2, ..
(a) _Para que valores de a o modelo acima tem sentido?
(b) Verifique qu~ esse. eJCpresso represente uma legti.xru!. dietribuio de
probabilidade.
(c) Mostre que, para quaisquer dom inteiros positivos a e 8,
J
P(X .> s + t IX > s) = P(X ;:::: t).
VARIVEiS ALEATRIAS UNIDIMENSIONAIS ./ 93

/4~ Suporih que a mqUina 1 produza (por dia) o dobro das peas que
s~uzidas pela mquina 2. . No entanto, 4% das peas fabricad:i.s pela m-
qUina: 1 tendem a ser defeituosas, enquanto somente cerca de 2% de defeituosas-
produz a mquina 2: Admita que a produo diria das duas mquinas seja mis-
turada. Uma amostra aleatria de 10 peas extrada da produo total. Qual
ser a probabilidade de que essa amostra contenha 2 peas defeituosas?

4. . Foguetes so lanados at que o primeiro lanamento bem sucedido


a ocorrido. Se isso no ocorrer at 5 tent~tivas, o expernr;ento ~lispenso
e o eqUipamento inspecionado. Admita que exista uma probabilidade constante
de 0,8- de haver um lnamento bem sucedido e que . os sucessivos lanamentos.
o
sejam independentes. Suponha que custo do primeiro lanamento seja K d-
lares, enquanto os lan~;amentos subseqentes custam K/3 dlares. Sempre que
ocorre um. lanamento !\em sucedido, uma certa quantidade de informao obti-
da; a qual pode ser expressa como um ganho financeiro de C dlares. Sendo T
o . custo lqUido desse experimento, estabelea a disti:i.buio de probabilidade de T . !
l
@ Calcule P(X = 5), onde X a varivel ale~tria definida no Ex. 4.10. 1
suponha que n1 =
10, n2 = 15, PI = 0,3 e P2 = 0,2.
II
I

)("4.8 . . (Propriedades das Probabilidades Binomiais.) Na explanao do Ex. 4.8,


um padro geral para as _probabilidades binomiais (';,)p7c(1- p)n-:-lc foi sugerido. l'
Vamos denotar essas 'probabilidades por Pn(k).
(a) Mostre que, para O~ k <n~ temos
Pn(k + 1)/pn(k) = [(n - k)/(lc + 1)] [p/(1 - p)].
(b) Empregando (a), mostre que

(i) Pn(k + 1) > Pn(k) se k < np - (1 - p),


() Pn(k + 1) = Pn(k)
se k = np - (1 - p),
+ 1) < p~(k) se k > np - (l- p).
(i) Pn(k
(c) Mostre que se np - (1 - p) fi: um inteiro, Pn(k) toma seu valor mxinto
para dois valores de k, a saber, ko = np - (1 - p) e ko' = np - (1 - p) + 1.
(d) Mostre que se np - - p) no frum inteiro, ento Pn(k) toma seu
valor mximo quando k for igul ao men<:>r inteiro maior que ko.
(e) Mostf que se np - (1 - p) < O, Pn(O) > Pn(1) > ... > Pn(n), enquanto
se np - (1 - p) = O, Pn(O) = Pn(1) > Pn(2) > ... > Pn(n) .
. 4. . A varivel aleatria contnua X tem para fdp: j(x) = x/2, O~ x ~ 2.
So feitas du~ det~rminaes independentes de X. Qual ser a prbabilidade
de que ambas essas determinaes sejam maiores do que 1 ? Se trs determinaes
independentes "forem feitas, qual a probabilidade de que exatanierite duas dela~
sejam maiores do que 1?
4 .0. Seja X a durao da vida de uma vlvula eletrnica. e admita--se que X
possa ser representada por uma varivel aleatria contnua, com fdp j(x) = be-00:,
x ~ O. Seja Pi = P(j ~X < j +
1). Verifique que Pi da forma (1 - a)ai
e determin~ a. '
--,_...., .
4;11. A varivel aleatria con~nua X tem fdp j(x) = 3x2; .-1 ~ x ~O
se b for um nmero que satisfaa a -1 < b < O, cs:lcule P(X-> b IX < b/2).
94 I PROBABILIDADE

6 .
~a)
Suponha que j e g sejam fdp no mesmo intervalo a .:'S. x .:'S. b. .
Verifique que j + g no uma fdp nesse interyalo. . . .
(b) Verifique que, para todo nm~ro {3, O< {3 < 1, {3j(x)+(1 ~ {3)g(x}
uma fdp nesse intervalo. '
r.r::J . . ., . .' .. .
I ,ij~J~
aleatria x;
Su~onha que o grfico na Fig. 4.16represente afdp
.
de_hni.a varivel

(a) Qual ser a relao entre a e b?


(b) Se a > O e b > O, que se pode dizer do maior valor que b pode tomar?'
(Veja a Fig. 4.16.) .

Fig. 4.16

(4~ A percentagem de lcool (100 X) em certo composto pode ser consi-


derada 'ma varivel aleatri~,_Jmde X, 1f < X < 1, tem a seguinte'fdp:

j(x) = 20x3(1 - x),_ O < x < 1.

(a) E>tabelea a expresso da fd F e esboce seu ~fico.

(b) Calcul~ P(X ~ 2/S).


(c) .Supollha qu_!l o preo de venda desse composto dependa do contedo
de lcool. Especificamente, se 1/3 < X < 2/3, o composto se vende por C1 d-
lares/galo; caso contrrio, ele se vende por C2 dlaresjgalo. Se . o custo for c;
dlares/galo, calcule a distribuio de probabilidade do lucro lquido por galo.
r:Q
4.15. Seja X uma varivel aleatria contn]ia, com fdp dada por
J f(x) ax, O.:'S.x.:'S.l,
a, 1.:'S.x .:'S. 2,.
+
-ax 3a, 2.:'S. x .:'S.3,
I. O, para quaisquer outros valores.
(a) Determi.ne a cot;l,l:Jtll.nte a. (b) Determine a fd F e esboce. o seu grfico.
(c) Se X 1, X2 e X a forem til\8 observaes independentes de X, qual ser a proba~
bilidade de, exatameilte, um desses trs nmeros ser maior do que 1,5?

~ O dimetro X de um cabo eltric~


supe-se ser uma ~arivel aleatria
contmuJ X, com fdp f(x) = 6x(l - x), O ~ x ::::_ 1. "

(a) Verifque que essa expresso uma fdp e esboce o seu grfico.
(b) Obtenha uma expresso para a fd de X -e esboce o seu grfico.
(c) Determine um nmero b tal _que P(X < b) = 2P(X > b).
(d) Calcule P(X .:'S.l/211/3 < k< 2/,3).
VARDVEDS A~EATRIAS UNIDIMENSIONAIS I 95
I
4.17. Cada uma das seguintes fun~es representa a. fd de mna. va.ri.vel alea.-
tria continua. Em cada caso, F(x) = O pa.ra x < a. e F(r) = 1 pa.ra x > b, onde
[a, b] o interva.lo indicado. Em ca.da. c+o, <'"b~le o grfico da. funo F, deter~
mine a fdp f e faa o seu grfico. Tamb,m verifique que f uma fdp.
(a} F(x) = x/5, O.S x .S 5.. (b)i F(x) = (2/Jr) sen- 1 ( y';), o_s x _s .1.
I 1
(c) F(x)=eJ.z,- "'<x.SO. (d) F(x)=x3/2+ ,-l.Sx.S1.
2
I
4.18. Seja .\ 1!. durao da vida j(medid& em horas) de um, <lispositivo
eletrnico. Suponha. que X seja. X va~i.vel aleatria contnua com fdp j(x) =
= kjx" 1 2.000 _s X _s 10.000.

(a) Para n = 2, determine k. (b) !Pa.ra. n = 3, determine k. (c} Pa.ra. n


I
em geral, determine k. (d) Qua.l a. probapilida.de de que o dispositivo falhe antes''
que 5.000 horas se tenham pa.ssad() 7 (e) Esboce a fd F(t) para 11 letra (c) e deter-
mine sua forma 8lgbrict\. l
I

4.19. Seja X uma. va.ri.vel alea.ttia com distribuio hinomia.l, basea.da


em 10 repeties de um experimento. Sei p = 0,3, calcule as seguintes probabili-
da.des, empregando a tbua da distribuiro binomial do Ap~ndicte:
(a} P(X .S 8); (b) P(X = 7); (c) P(X > 6).
I
4.20. Suponha que X seja uniforlnemente distribulda sol;lre l-a, a], +
onde a > O. Quando posslvel, determin~ a de modo que as seguintes relaes
sejam satisfeitas:

(a) P(X > 1) = ..!_


3
(b) P(X JI I) = "2 .
1
(c) P(X' <
.
..!.
2
)= 0,7.

i
(d) P(X < -zl
1
= 0,3. (e) P<IXI < 1) = P(iXI > 1).

I
4.21. Suponha que X tenha distribuio uniforme sobre (O, a], a > O. Res-
I ,
I ponda. s perguntas d o Probl. 4.20. J

4.22. Um ponto escolhido ao acaso, sobre uma. reta. de comprimento L.


Qual a. probabilidade de que o quocien~e do segroen~ mais curto p&ra o mais

I longo seja menor do que 1/4? 1

4.23. Uma fbrica. produz 10 recipi~ntes de vidro por dia.. Deve-se supor
que exista uma probabilida.de constante~ = 0,1 de produzir um recipiente defei-
tuoso. Antes que esses recipientes seja~ estocados, eles so inspecionados .e os
defeituosos so separados. Admita que exista uma probabilidade con>tante r = 0,1
I
de que um recipiente defeituoso seja mal classificado. Faa. X igual a.o nmero
de recipientes classificados como defeitU:~sos
I
ao fim de um dia de produo.
(Admita. que todos os recipientes fabricados em um dia sejam inspeciona.dos na-
quele dia..) j .
(a) Calcule P(X = 3) e P(X > 3). !' (b) Obtenha a expresso de P(X = k).
I '
4.24. Suponha que 5 por cento de todas as pea.s que 'saiam de uma linha
de fabricao sejam defeituosas. $e 10 dessas peas fo,rem escolhida.s e ill:lpecio-
nada.s, qual ser a proba.bilida.de de que j no mximo 2 defeituosas sejam encon-
.trada.s? 1

.I
96 I PROBABILIDADE

4.25. Suponha que a durao da vida (em horas) de uma certa vlvula seja
uma varivel aleatria contnua X com fdp f(x) = 100fx2, para x > 100, e zero
para quaisquer outros valores de x.
(a) .Qual ~er a probabilidade de que uma vlvuia dure menos de 200 horas,
se soubermos que ela ainda est funcionando aps 150 horas de servio?
(b) Se tr~ dessas vlvulas forem instaladas em um conjunto, qual ser a
probabilidade de que exatamente uma delas tenha de ser substituda aps 150
horas de servio?
(c) Qual ser -o nmero mximo de vlvulas que poder ser colocado em um
conjunto, de modo que exista uma probabilidade de 0,5 de que aps 150 horas
de servio to~as elas ainda estejam funcionando?

4.26. Um experimento consiste em n tentativas independentes. Deve-se


admitir que por catsa da "aprendizagem~', a probabilidade de :...o bter um resul-
tado favorvel cresa com o nmero de tentativas realizadas. Especlficamente,
sliponha que P (sucesso na i-sima repetio) = (i + 1)/(i + 2), i = 1, 2, . . . , n.
(a} Qual ser. a probabilidade de ter ao menos 3 resultados favorveis, em
8 repeties?
'(b) Qual ser a probabilidade de que o primeiro resultado favorvel ocorra
na oitava repetio?
4.27. Com referncia ao Ex. 4.10:
(a} Calcule P(X = 2), se n = 4.
(b) Para n arbitrrio, verifique que P(X = n- 1) = P (exatamente uma
tentativa mal sucedida) igual a [1/(n + 1)] L?= 1 (1/i).
4;28. Se a vari.vel aleatria K fr uniformemente distribuda sobre (O, 5),
qual ser. a probabilidade de que as razes da equao 4x2 + 4xK + K + 2 = O'
sejam reais?

4.29. Suponha que a varivel aleatria X tenha valores possveis, 1, 2, 3, ...


e que
P(X =r)= k(1- (3}r- 1, O < (3 < 1.

(a) Determine a constante k.


(b) Ache a moda desta distribuio (isto , o valor de r que tome P(X =r)
a maior de todas).

4.30. Uma varivel aleatria X pode tomar quatro valores, com probabili-
dades (1 +
3x)/4, (1 - x)/4, (1 +2x)/4 e (1 - 4x)/4. Para que valores de x
esta uma distribuio de probabilidade?
ij
.!
I

;(.,
t
-!
-;
>i
,,
-; !

. ~

Fun_es de Variveis _Aleatrias


-
Captulo 5

Suponhamos que o raio do orifcio de um tubo calibrado com


preciso X seja conside~ado uma varivel aleatria contnua com
fdp j. Seja A = 1r X 2 a rea da seco transversal do orifcio.
intuitivamente evidente que, uma vez que o valor de X o resul-
tado de um experimento aleatrio, o valor de A tambm o .
Quer dizer, A uma varivel aleatria (contnua) e desejamos obter
sua fdp, que denotaremos g. Esperamos, ma vez que A funo
de X, que a fdp g seja de algum modo deduzivel do cnhecimento
da fdp j. N;t:Ste captulo, tr11taremos de' problemas desse tipo geral.
Antes porm de nos familiarizarmos com algumas das tcnicas espe-
cficas necessrias, vamos exprimir os conceitos acima mais rigoro-
!lalllente.

Seja E um experimento e ~ja S um espao amostral associado


a S. Seja X uma varivel aleatria definida em S. Suponha-se
que y = H (x) seja uma funo real de x. Ento, Y = H(X) uma

Fig. 5.1

varivel aleatria, porque para todo s E S, um valor de


terminado, a saber y= H [X(s)l. Esquematicam~nte, .
Fig. 5.1. -
98 I PROBABILIDADE

Como anteriormente, denominaremo~ Rx o contradomnio de X,


o conjunto de todos os valorc;; possveis da funo X . Semelhante-
mente, definiremos R y como o contradomnio (la varivel aleatria
Y, o conjunto de todos os valores possveis de Y. Anteriormente, j
definimos [Eq. (4.1)] a noo de eventos equivalentes em S e em Rx.
Agora, estenderemos esse conceito na seguinte forma natural.
Definio. Seja C um evento (subconjunto) associado ao con-
tradomnio RY, de Y, como se explicou acima. Seja B C Rx defi-
nido assim:
B = {-;?:E Rx: H(x) E C}. (5.1)

Em palavras: B o conjunto de todos os valores de X, tais que


H(x) E C. Se B e C forem relacionados desse modo, os denomina-
remos eventos equivalentes.

Comentrios: (a) Como anteriormente, a interpretao no formal disso


que B e C sero eventos equivalentes se, e somente se, B e C ocorrerem conjunta-
meu te. Isto , quando B ocorrer, C ocorrer, e inversamente.
(b) Suponha-se que A seja um evento ai;sociado a S, o qual equivalente a.
um evento B associado a Rx. Ento, se C for um evento ru,sociado a Ry o qual
equivalente a B, teremos que A ser equivalente a C.
(c) B tambm importante compreender que quando falamos de eve~tos
equivalentes (no sentido acima), esses eventos so associados a diferentes espaos ,
amostrais.

Exemplo 5.1. Suponha-se que H(x) = 1rx 2 , tal como na Se. 5.1.
Ento, . os eventos B: {X > 2} e C: { Y > 47r l so equivalentes.
Porque, se. Y = 7r X 2 , ento {X > 2} ocorrer se, e somente se,
{ Y > 47r l ocorrer, desde que X no pode tom.ar valores negativos no
caso presente: (Veja a Fig. 5.2.)
y

Fig. 5.2

i: Cvmenlrio: B tambm importante salientar que uma notao abreviada


i

L
est sendo empregada quando escrevemos expresses tais como !X > 2} e
J I Y > 471"}. Aquilo a que nos estaremos referindo, naturalmente, so os valores
c d, X oo volo~ do Y, llilo ' [[XI: > 2[ [[Y() > 4,L '
FUl\I"ESj DE VARI' VEIS ALEAJRIAS / -99_:.

I
Tal cqmo fizemos no Cap. 4,1[Eq. (4,2!], dar~~~s- ~ j~~~7
definio. i . . ...... :..;:,..:; .. . ...

Definio: Seja uma varivel! al~atria X defiil:id~ n~ , e~~~~


amostral S. Seja Rx o contradomnio de X. ' Seja 1/ rumaruri:~'
real e considere-se a varivel aleat6Ha
I
y = H(X) com contrii.dlnill~
. . . .
.
R,y. Para qualquer evento C C RIY, definiremos P(C) ~ssim: : . ,,_~::
P(C) = P[ {x E Rx: H(x) E C)]. . (5,2)
Em linguagem corrente: A p~obabilidade de um ~vento asso-
ciado ao contradomnio de . Y d~finida como a probabilidade do
evento equivalente (em termos de X), como indicado pela Eq. (5.2).
. ! -
Comerr.ios: ' (a) A definio acima jtorna possvel calc~_ar probahilidades
que envolvam eventos associados a Y, se conhecermos a distribuio .de proba-
bilidade de X e se pudermos determinar o erento equivalente em apre_o~
(b) .Uma vez que explicamos anterioxhente [Eq. (4.1 e 4.2)] como relacionar
probabilidades associadas a Rx com prob:abilidades associadas a S, podemos re-
escrever a Eq. (5.2) assim: i
I .
P(C) = P[(x E Rx: H(x) E ClJ = P l (s E S: H[X(s)] E C}]. .
I .
Exemplo 5.2. Seja X uma varivel
I
v contnua ~oro fdp
I j(x) = e-, x > O.
(Uma . in~egrao simples confirma que
I
J;~. e- dx = 1.)
I
Suponha-se que. H(x) = 2x + 1. Em
conseqnbia, I;lx = { x Ix > O), enquanto
RY = {y Iy > 1). Suponha-se, que. o even-
to C seja definido deste modo: C= { Y;::: 5).
--,4 ---J<J..=.:...l_ _,__.,.-
)C
I
Ento, y 2: 5 se, e somente se, .2x 1 ;::: 5, +
Fig, 5.3 o . que porJsua vez acarreta x;?: 2. Da, C
equivalente. a B = {X ;?: 2 J. (Veja Fig.
5.3.) Ento, P(X ;::: 2) = h~ e- !ax
= 1/e2 .Aplicando-se ento a.
'\ -
;' Eq. (5. 2) encontraremos que i
P(Y ;?: 5) = 1/e2
nov.a~ente
CQ77le111.drios: (a) li: provbitoso salientar que poderemos consi-
derar a incorporao de ambas as avalia~ de x = X(s) e .de y = H(x) em_ ll,q~Q:.
experimento e, conseqentemente, conside~ar apenas Ry, o contra?o~fu!.o ~tf,~;
como o espao amostral de nOBBo experimento. '':f"
Rigorosamente falando, o eapao amo~tral de nosso e)!:perimenti> . ._
sultado do expe!imento 8. Tudo o que ~ faz subseqentemente , n.o
Wlll I f'ROBAIBUUDADE

cia<l<i pela ,natureza aleat6ria do experimento. A determinaii.o de x = X(s)" e


a avnliai.o de y =. H(x) .sll,o processos ngorosamente. determinsticos depois qe. s
tenha sido observado. COntudo, .. como j explicamos, podemos incorporar esses
clculos na descri~o de nosso. experimento. e, deste modo, tratar diretamente
com o contradomnio Ry.
(b) Exatamente do modo como a distribuio de probabilidade foi induzida
em Rx pela distribuiii.o. de probabilidade sobre o espao amostral original S, a .
distrib!=liii.o de probabilidade de y ser determinada quando a distribuio de
probbilidade de X for conhecida. Assim, no Ex. 5.2 acima, a distribuio espe
cificada de. x:determillOI:l'COmpletarnente o valor de P(Y ~ 5).
. (c) Ao considerar uma funo de uma varivel aleatria X, digamos
Y = H(X), devemos observar _que nem ida funii.o H concebvel poder ser aceita.
Contudo, as funes que surgem nas-aplicaes esto infalivelmente entre aquelas
que podemos considerar e, por isso, no nos referiremos mafj a esta pequena difi-
culdade.

5.3. Va~riveis Aleatrias Discretas


Caso L X uma varivel aleatria diseret~ Se X for um~
varivel aleatria discreta e Y = H(X), nesse ca~o segue~se media-
. tamente que y ser tambm uma varivel aleatria discreta. '
Porq~e sup()r _que os valor~s possveis de X possam ser ~nume
radps COniO X1, . X2, ...., Xn, . . . acarr~ta qu~ Certamente OS Valores
pos~(veis de Y sejam enumerados como Y1 = .f:l(xi), y 2 = H(x2), . ... .
(Alguns desses valo_res de Y podero ser iguais, mas isso certamente
no perturba o fatq de qUe esses valores possam ser enumerados.)
ExemplO 5.3 . . S~ponhamos que a varivel aleatria X tome os
trs valores -1, O e 1, com probabilidades 1/3, 1/2 e 1/6, respectiva-
mente. Seja y = 3X + 1. Nesse CIJ.SO os yalores possveis de y
so -2, 1 e 4, tomados coniprob~bilidades 1/3, 1/2 e 1/6. .
Este exemplo sugere o seguinte procedimento geral: Se - ~ 1 ; . ,
Xn, . . forem os valores possveis de X, p(x;) ~- P(X = x;), e ii for
uma funo tal que, a cada valor y corresphda exatamente um
valor x, _ento a distribuio de probabilidade . de Y ser obtida do
seguinte modo:
Valores possveis de Y: y; = H(x;), i= 1,_.21 .- , n, .. . ;
Probabilidades de Y: q(y;) = P (Y '= y;) = p(x;).
Muito freqentemente a funo H no possui a caracterstica
acima, e poder acontecer que vrios valores :.de X levem ao mesmo
~~dor de Y, como ilustra o exemplo seguinte: .
Exemplo 5.4. Suponha-se que consideramos a mesma varivel
aleatria X, como no Ex. 5.3 acima. Contud;, frttrodu,ziilws Y # X 2
FUNES DE VARIVI;1S A .L EATRIAS I 1"01.

Portanto, os valores possveis de Y so zero e um, tomados com pio-


habilidades 1/2 e 1/2, porque Y ==: 1 se, e somente se; X = ---, 1 ou
X = 1 e a probabilidade deste ltimo evento i/3 + 1/6 = 1/2.
Em termos de nossa terminologia preliminar, os eventos B: [X = 1}
e C: [ Y =.1} so eventos equivalentes e, em conseqncia, pela
Eq. (5.2) tm iguais probabilidades.
O procedimento geral para situaes como a apresentada no exem-
plo acima o seguinte: Sejam x;P x;2 , , x;k, . .. os valores de X
que tenham a propriedade H(x;;) = y; para todo j. E~ to,

q(y;) = P(Y = y;) = p(x;) + p(i; + ...


2
)

isto , para palcular a probabilidade d<;> evento I Y = y;}, acha-se o


evento equivalente em termos de X (no contradomnio Rx) e em
seguida adicionam-se todas as probabilidades correspondentes. (Veja
a Fig. 5.4.)
i'

Fig. 5.4

Exemplo 5.5. Admita-se que X. tenha os valores possveis


1, 2, .. . , n, . . . e suponha-se que P(X = n) = (1/2)n. Seja

Y = 1 se X for par,
Y = - 1 se X for mpar.

Portanto, Y toma os dois valores -1 e + 1. Desde que Y = 1 se,


e somente se, X = 2, ou X = 4, ou X = 6, ou ... , a aplicao da
Eq. (5.2) fornece
. 1 1 1 1
P(Y = 1) = 4 + W + M + ... = 3 .
Conseqentemente:
. 2
P(Y = -1) = 1 - P(Y = 1) =-
3
Caso 2. X uma varivel aleatria contnua. Pode acon-
tecer que X seja uma varivel aleatria contnua enquanto Y seja
discreta. Por exemplo, suponha-se que X possa tomar todos os
valores reais, enquanto Y seja definido igual a + 1 se X ;::: o; e
!
.I
~r

102 I PROBABBUDADE

Y = - 1 se X < O. A fim de obter a distribuio de probabilidade


de Y, determina-se apenas o evento equivalente (no contradomnio .
Rx) correspondente aos diferentes valores de Y. Neste caso, Y = 1
se, e somente se, X ~ O, enquanto Y =- 1 se, e somente ?C, X < O.
Por isso, P(Y = 1) = P(X ~ 0) 1 enquanto P(Y = -1) = P(X < O).
Se a fdp de X for conhecida, essas probabilidades podero ser calcula-
das. No caso geral, se I Y = yi) for equivalente a um evento, por
exemplo A, no contradominio de X, ento

q(y;) = P(Y = y;) = .h. j(x) dx.

'!:. 5.4. Variveis Aleatrias Contnuas

O caso mais importante (e mais freqentemente encontrado)


aparece quando X for uma varivel aleatria continua com fdp j e H
for uma funo continua. Conseqentemente Y = H(X) ser uma
varivel aleatria continua, e nossa tarefa ser obter sua fdp, que
),: denotaremos por g.

O procedimento geral ser:

(a) Obter G, a fd de Y, na qual G(y) = P(Y ~


.
y), achando-se
., o evento A (no contradomnio de X) o qual equivalente ao everito
i {Y ~ y}.

(b) Derivar G(y) em relao a y, a fim de obter g(y).

(c) Deteiminar aqeles valo- y


I
I '
I' . res de y no contr;adominio de Y,
para os quais g(y) > O.

Exemplo 5.6. Supoilhamos que


X tenha fdp

j(x) = 2x, < X < 1,


= O, para outros quaisquer
valores.

Seja .H(x) = 3x + 1. Da[, para


obter a fdp de Y = H(X)/teremos
(veja a F\g. 5.5). ' Fig. 5.5
l
-'ES DE ''ARIVEIS ALEATRIAS / 103.
. FUN0 l
i
1

G(y)
i
P(Y :::; ~) = P(x' 1 :::; y)-
= P[X' ::5 i(y - 1)j3] ' . ./' ~ ~.
'
+ . ,,t
l
. I . .

D~
=
1 0
(11-1)/3 .
: 2x dx ,;,. [(y-:-
I
i . .
. '
1)/3]~; .
.

I
. I 2 .
. . g(y) = . G'(~) = 9 (y -:- 1). . . . . .
. . I. . . . .
Desde que j(x) > O para O < xl < 1, encontramos q'ue g(y) > O para
1 < y < 4. I .
. . I . . .
Comentrio: O evento A, :rereri~o acima, equivalente ao evento {Y ~ y I
apenas {X ~(y- 1)/3}. i
. Existe uma outra maneid, ligeiramente diferente, de obter o
mesmo resultado, a qual ser ,de utilidade mais tarde. Considere-
mos novamente j . . . .
G(y) = P(Y ::5 y) =P (X:::; y ;l) = F(y; 1),
onde F a fd de X; i~to ,
F(x) ~ P(X_~:::; x):
A fim de calcular a derivada de G, G'(y), empregaremos a regra l'
I . . .
de denvao de funo, coino segUe: . . .
1

dG(y) == dG(y) . du , . onde u = Y- 1..


dy du dy 3
. I.
Portanto, . . .
1
~
1
G'(y) = F'(u) _!_ = f(u) _!_ = 2 ( Y - ) . ,
3 . 3 . . 3 I . . 3
como .anteriormente. A fdp de Y

T~l)
teip. 9 grfico apresentado. na Fig.
5.6. (Para verificar o clculo, ob-
4
I ')'
serve que j; g(y)dy = L)
y= I y=4 Exemplo 5.7. Suponhamos que
Fig; 5.6 uma varivel aleatria
I
contnua tem
I
a fdp . como foi dada no.
Ex. 5.6. . Se-
'
ja H(x) = e-. Para achar a fdp de Y = H(X), procederemos co-
mo se mdica a segwr (veja a /Fig. 5.7):
. I

G(y) . = P(Y y) = P(e-x ::5 y)'


::5
P(X ~ ~Iny) = ~
1--:
i 2xdx
(-~
1
y)2.
-ln11
.
I
104 I PROBABIUOADE

Da, g(y) = G'(y) = - 2.ln, yfy. Visto quej(~).> O pra O <i: < 1,
~ricontramos que g(y) ::> Q pari!, l/e <
y < L ..[Observe q~e o . s-i,rtal
algbric para g(y) est C:orreto, pois que ln y< Opii,ra l/e < y <).]
O grfico de g(y) est esboado na Fig. 5.K. . . .
y

I.
!: .

: . . =

'I'
i',;

:I: i
'
I.i
Fig, 5.7 Fig .5.8
I''l i
li
'I Poderemos tambm obter resultado acima por um tratamento
II um pouco diferente, que esboll.remos resumidamente. Tal como
li anterio.rmente

G(y) = P(Y ~ y) = P(X ?: -ln y)


- 1- P(X~ -lny) = 1-F(-ln'y),

onde F a fd de X, comei antes. A fim de obter a derivada de G,


aplicaremos tambm a regra de .derivao de funo de funo, co-
mo s segue:
dG(y) . = ac au
onde u = -ln y.
dy du dy '
Deste modo
. (- -i) .+ 2ln. ( 1)
G'(y) = - F'(u)
. . Y
= .
y
. y . ----:-
.
,

tal como anteriotniente.


Vam~s agora generalizar o tratamento sugerido pelos exemplos
acima. O passo mais importante em cada um dos exemplos foi dado
quando substitumos o evento I Y ~ y} pelo evento equivalente em
termos da varivel aleatria X~ Nos problemas acima, isso foi re-
lativamente fcil porque em .cada caso a funo de X era estrita-
mente crescente ou estritament decrescente.
.FUNES D.E VARI\EIS.ALEATRIAS "/ ~105

. Na JFig. 5.9, y uma funoo estritam.ente crescente de z . . Por


ll8so, ~deremos resolver y = H(x) em termos de y, i~to , x = Ji-l(JJ),
:J? onde H-1 denominada fun-
o invell'Sa de H. Porumto,
se H foli' estritamente crescente
( "
I H(X) ::; y} ser equivalente
. e (X::; H-1(y)}, enquanto se
H for estritamente decresente,
I H(X) ::; y} ser equivalente
a {X;::: H-1(y)}.
O processo empregado nos exem-
~--------~~~-----Y
x=H-I(y) plos acima pode agora ser ge-
IFi!lJ. 5.9 neralizado, na seguinte forma:
Teorema 5.l. Seja X uma varivel aleatria continua com fdp j,
onde j(x) > O, para a < x < b. Suponha-se que y = H(x) seja uma
funo de x estritamente montona (ou crescente ou decrescente).
Admita-se que essa funo seja derivvel (e, portanto, contnua)
para todo x~ Ento, a varivel aleatria Y, definida como Y = H (X)
possui a fdp g dada por -

g(y) = j(x) I:I (5.3)

onde x expresso em termos de y. Se H for crescente, ento g ser


no-nula para aqueles valores de y que satisfaam H(a) < y < H(b).
Se H for decrescente, ento g ser no-nula para aqueles valores de y
que satisfaam H(b) < y < H(a).

Demomtrao: (a) Suponha-se que H seja uma funo estrit~t


mente crescente. Daf
'
G(y) P(Y ::; 'J!.) = P[H(X) ::; y]
P[X ::; H-1(y)] = F[H-'(y)].
Derivando G(y) em relao a y, obteremos com o emprego da regr
da derivada de funo de funo:

dG(y) dG(y) dX
dY = ---a;- dy I onde x = H-1 (y).
Portanto, I
, dF(x) dx dx
G(y) = - - - =J(x) -
dx dy dy

=-======------__:________ __jr
106 I PROBABILIDADE

(b) Suponha-se que H seja uma funo decrescente. Da

G(y) P(Y:::; y) = P[H(X) :::; y] = P[X ~ H-i-(y)]


1 - P[X :::; H- 1(y)] = 1 - F[H- 1(y)].

Procedendo tal como acima, poderemos escrever

dG(y) = dG(y) dx = j_ [1 _ F(x)] dx = _ f(x) dx.


dy dx dy dx dy dy

Comentrio : O sinal algbrico obtido em (b) est correto porque, se y for


uma funo decrescente de x, i ser uma funo decrescente de y e, conseqente-
mente, dxfdy < O. Deste modo, pelo emprego do sinal, com o valor absoluto
em tomo de dxfdy, poderemos combinar o resultado de (a) e d (b) e obter a forma
final do teorema.

Exemplo 5.8. Vamos reexaminar os Exs. 5.6 e 5.7 pela aplicao


do Teor. 5.1.
. (a) No Ex. 5.6 tivemos f(x) = 2x, O < x < 1, e y ~ 3x 1. +
Conseqentemente, x = (y - 1)/3 e dxfdy = 1/3. Por isso, g(y) =
= 2 [(y - 1)/3(l/3) = 12/9)(y - 1), 1 < y < 4, o que confirma o
resultado obtido anteriormente.
(b) No Ex. 5.7, tivemos j(x) = 2x, O < x < 1 e y = e""". Em
conseqncia, x ;= - ln y e dxfdy = - 1/y. Deste modo, g(y) ::,
,;, ;_ 2(ln y)fy, 1/e < y < 1, o que tambm confirma o resultado j
obtido.
Se y = H(x) no for uma funo montona de x, no poderemos
aplicar diretamente o processo acima. Em vez disso, voltaremos
ao processo geral esquemtizado acima. O exemplo seguinte ilustra
esse procedimento.
l.:r
Exemplo 5.9. Suponhamos que
li
1/2, -1 < x < I,
.L ..
.~
=~=---:~. .'
.-- , < : :._
j(x)
= O,
.
fora desse mtervalo.
' .' ' '-.', \ '

... , S~J~~J(x) ~~~: Jjbviamente, esta. ~ unia funo montona


( 'Z~B~t~~..:&~!~/{-;-1, I] .(Fig. 5.10). Por isso, obteremos a fdp de
~: dcrsgumte modo: . .
G(y) P(Y :5 y) = P(X 2 :5 y)
P(- Vy :5X ~ Vy)
F(Vy)- F(-v0,
I . .. . .. . - .
F.UNE;S OE VARIVEIS .A LEAT.RIAS I

onde F a fd da varivel aleat6~a


. . I X.'. Logo,
.
g(y/ = G'(y) = 1v'2vy
J;) J< ~vi;) ,
-2-v'Y
. '] .

1 I - -
=c _r u<Y Y) +J(-vy)l.
2v y i \.

Deste modo, g(y) = (1/2Vy) (1/2 + 1/2) l/2.;;y, o'< y< 1; (Veja
a Fig. 5.11.) i <:. __, -<

g(y)

y
I

y=x2

(t,4)
X
x=-l x=i y
.!I
Fig. 5.10 Fig. 5.11
!! .

empregado no
O processo I
e~emp 1o acrma
f omece o segwnte
re-
sultado geral. I
I

Teorema 5.2. Seja X uma v'arivel aleatria contnua c~m fdp j.


Faamos Y = X 2 Ento, a varikvel aleat6ria Y tem fdp . dada por a
g(y) =
1
_r
2v y
U<yj. y) + J(-v' y)].
1 -

Demonstrao: Veja o Ex. 5rI

Problemas i
i -
5.1.Suponha que X seja uniformemente distribuda sobre (-1, 1). Seja
Y Achar a fdp de Y, g(y), e fazer seu : grfico. Verifiq)'e t..mbm
= 4 .- X 2
que g(y) a fdp adequada.
1
I
5.2. Suponha que X seja. uniformemente distribuda sobre (1, 3). Ache
a fdp dll.'l seguintes variveis aleatrill.'l!
(a) Y = 3X ~ 4, (b) i Z =eX.
Verifique em cada ca.so que a funo obtida a fdp. Esboce os grficos.
II
I
108 I PROBAIBHUIDAOE

5.3. Suponha que "' varivel aleatria contnua X tenha fdp j(x) "" e...,,
z > O. Ache a fdp das seguintes vari.veis aleatrias:
(a) Y "" X 3, (b) Z "" 3/(X + 1)2
5.4. Suponha que a varivel aleatria discreta X tome os valores 1, 2 e 3
com igual probabilidade. Ache a distribuio de probabilidade de Y "" 2X + 3.
5.5. Suponha que X seja uniformemente distribuda sobre o intervalo (O, 1).
Ache a fdp das seguintes variveis aleatrias:
(a) Y "" X2 + 1, (b) Z "" 1/(X + 1).
5.6. Suponha que X seja uniformemente distribuda sobre ( -1, 1). Ache
mfdp das seguintes variveis. aleatrias: '
(a) Y = sen (7r/2)X, (b) Z = cos (7r/2)X, (c) W = IX!.
5.7. Suponha que o raio de uma esfera seja uma vari.vel aleatria contnua.
(Em virtude de imprecises do processo de fabricao, os raios das diferentes es-
feras podem ser diferentes.) Suponha que o raio R tenha fdp j(r) = 6r(1 - r),
O < r < 1. Ache a fd;p do volume V e da IM-ea suJllflrlicial S da esfera.
5.3~ Uma corrente eltrica oscilante I pode ser considerada como uma va-
rivel aleatria uniformemente distribuda sobre o intervalo (9, 11). Se essa
corrente passar em um resistor de 2 ohms, qual ser a fdp da potncia P = 2P?
5.9. A velocidade de uma molcula em um gs uniforme. em equilbrio
uma vari.vel aleatria V cuja fdp dada por
j(v) = wP e-b, v> o;
onde b = mf2kT e. k, T e m denotam respectivamente a constante de Boltzman;
a temperat~a absoluta e a massa da molcula. .
(a) Calcular a constante a (em termos de b). [Sugesldo: Considere o fato
de que J;"" e-z dx -"" v;;2 e integre por partes.)
(b) Estabelea a distribuio da vari.vel aleatria W ""mV2/2, a qual re-
presenta a energia cintica d_a molcula.
5.10. A tenso eltrica aleatria X uniformemente distribuda sobre o
intervalo (!- k, k) . . Se Y for a entrada de um dispositivo no~linear, com as carac-
tersticas indicadas na Fig. 5.12, ache a distribuiode probabilidade de Y, nos
trs casos seguintes: (a) k < a, (b) a < k < xo, (c) k > xo.

Fng. s.12

Comentrio: A distribuio de probabilidade de Y constitui um exemplo


de uma distribuio mista. Y toma o valor zero com probabilidade no-nula 0
tambm toma todos os valores em certos, intervalos. (Veja a Se. 4.6.)
[
f Ui\l IES DIE VA!RiVIEiS A L IEAT!RiAS I 109
( "

I
5. 11 . A energia radiante (em Btu/hora/p 2 ) dada p.ela seguinte funo da f
t emperatura T (em escala Fahrenheit): E = 0,173 (T/100) 4 Suponha que a r
temperatura T seja considerada uma varivel aleatria contnua como fdp 1
J.(l)
O, pl!.i'e. outros quawquer vll!lorea.
I
Estabelea a fdp da energia radianteE.

t\~ Para medir velocidades do ar, utiliza-se um tubo (conhecido como


tubo esttico de Pitot), o qual permite que se mea a presso diferencial. Esta
presso diferencial dada por P = (1/2) dV 2 , onde d a densidade do ar e V a
velocidade do vento (mph) . Achar a fdp deP, quando V for uma varivel aleatria
uniform~mente distribuda sobre (10, 20) .

~W~\Suponha que P(X .;; 0,29) = 0,75, onde X uma varivel aleatria
contn\1-'lJ?lcom alguma distribuio definida sobre (0, 1) . Quando Y = 1 - X,
determinar k de modo queP(Y .;; k) = 0,25 .

.,

II

____) ..
I

Variveis Aleatrias de Duas ou


Mais Dimenses
Captulo 6

6.1. Variveis Aleatrias Bidimensionais

At aqui, em nosso estudo de variveis aleatrias, consideramos


apenas o caso unidimensional. .Jsto , o resultado do experimento
seria registrado como um nico nmero x.

-,:.;1;~~~~=~;~z~;;:r~:B~* -;(~fit1rce;:;:.~a~:!~::"!-~:~
a dureza H e a tenso de -;~ptu;~ T de uma pea manufaturada de
ao podero interessar, e ns consideraramos (h, t) como um nico
resultado experimental. Poderamos estudar a estatura H e o peso w '.
de alguma pessoa escolhida, o que forneceria o resultado (h, w). Fi-
nalmente poderamos observar a altura total da chuva R e a tempera-
tura T em uma certa localidade, durante um ms especificado, dando
origem ao resultado (r, t).
Faremos a seguinte definio formal.
Definio. Sejam & um experimento e S um espao amostral
s

Fig. 6.1

associado a &. Sejam X = X(s) e Y = Y(s) duas funes, cada uma


associando um l!mero real a cada resultado s E S (Fig. 6.1). ~~
-
VAR IA VEIS ACE"ATOR I AS
I DU~S OUIVIA1S IJIMENSOES
- I 111

como no caso no estaremos interessados


na natureza funcional de X(s) e Y(s), nos valores que X e Y tomam. Tam-
bm falaremos do contradomnio de Y), a .saber Rxx y, como o conjnto de
todos os valores possveis de (X, Y). caso bidimensional, por exemplo, o con-
tradomnio
.
de (X, Y) ser um subconjunto do plano euclidiano. C.ada resultado
I .
X(s) , Y(s) pod,er ~er represent~do conto u~ po!lto (~, y) no plano. Tam~m
e
supriremos a natureza funcional de X Y, ao escrevermos, por exemplo, P [X 2 a,
2 2
y b] em lugar de P[X(s) a, Y(s) b]. 21 . .
T al como . no caso unidimensional, distinguiremos dois tipos bsicos de va-
riveis aleatrias: as variveis aleatrirul discretas e as contnuas.
. I I

. Definio. ex, Y) ser uma !varivel aleatria discreta bidimen-


sional se os valores possveis de (X, Y) forem finitos ou infinitos nu-
merveis. Isto , os valqres pos~veis de (X, Y) posam ser repre-
~entados por (x;, Yi), i~\1,2, -[- .,n, .. .; J= 1,2, , .. ,m .. . ,
(X, Y) ser .uma varivel aleatria contnua bidimensional se
(X, Y) puder tomar .todos os vai6res em algum conjuhto no-nume-
rvel do plano euclidiano. [Por rxemplo, se (X, Y) t~m-ar todos os
valores no retngulo {(x; y) I a ~ x ~ b, c ~ y :s; d} ou todos os
valores no crculo {(x, y) Ix 2 + y 2 1 ~ 1), poderemos diier que (X, Y)
un:;a varivel aleatri bidimen~ional cont~uaJ
Comentrios: (a) Falando no ri~orosainente, (X, Y) . ser uma varivel
aleatria bidimensional se ela representat o resultado de um experimento aleatrio
no qual tenhamos medido os dois caracteh sticos numricos X e Y ..
(b) Pode acontecer que um dos 9omponentes_ de (X, Y), por exemplo X,
seja discreto, enquanto o outro seja conrnuq. No entanto, em muitas aplicaes
trataremos somente com os casos apresFntadcis acima, nos quais ambos os com-
ponentes sero discretos ou ambos sero contnuos.
(c) Em muitas situaes as duas v~riveis X e Y, quando considera.das con-
juntamente, constituiro de maneira m~ito natural o resultado de um nico ex-
perimento, como se ilustrou nos exem~los acima. Por. exemplo, X e Y podem
representar a estatura e o peso do mesbo indivduo etc. Contudo, esta espce
de conexo no existe necessariamente.! Por exemplo, X poder ser a corrente
que passe em um circuito em dado moxfento, enquanto Y poder spr a tempera-
tura da sala naquele momento, 1e podetemos considerar, ento, a varivel ale.a't-..
ria bidimensional (X, Y). Em quase to'das as aplicaes existe Ullia razo bas-
tante. definida para .considerar X e Y cdnjuntamente.
Procederemos de modo anlo,go ao 1caso unidimei,~Sional ao expor a distribui-
o de probabilidade de (X, Y). ' 1
112 I PROBABILIDADE

. .

Definio. (a) Seja (X, Y) uma varivel alea:tria discreta bi-


'dimensional. A cada resultado possvel (x.;, y;) aSsociaremos um
nmero p(x;1 y;) representando P(X = x;, Y = y;) , e satiSfazendo s
seguintes condies: _ . . _ ,...;-)~
(1) p(x;, y;) ~O para todo (x, y), . .- .~ ~
(2) L., L., p(x;, Yi) = 1. . . ~C-D
)
.o. \ u
\...-- \
(6.1)/l \
!'i, ' o c:L.(
i=l i=l ~ . - ~""jj(90~ir {JtAO..:;- .
A funo p definida para todo (x;, yj) no coutradominio de
(X, Y) denominada a jun de probabilidade de (X, Y), O ' con-
junto dos ternos [x;, y;, p(x;, Yi)], i, j = 1, 2, ... , algumas vezes;
denominado distribuio de probabilidade de (X, Y).
(b) Seja (X, Y) uma varivel aleatria contJ:lua tomando todos
os valores em alguma regio R do plan~ . e\:iclidiano. A juno densi-
dade de probabilidade con}unta j ui:na funo que satisfaz s seguintes
condies: . ~ p
(3) j(x, y) ~ O para todo (x, y) E R cf
(6.2)
(4) jjJ(x, y) dx dy = l. .___--
R
Comentrios: (a) A analogia .com a distribuio de massa tambm . aqui
evidente. l'emos uma massa unitria distribuda sobre uma regio no plano. No
caso discreto, toda a massa estil. concentrada em um. nmero finito ou infinitQ
munervel de lugares 6om mruisa p(x;, Yi) situada em (~, y;). No caso. ccintiluo,
a massa encontrada em todos os pontos de algum conjunto no-Jiuinervel; no
plano. .
(b) A condio (4) afirma que o volume total sob a superfcie dada pela equa-
o z = j(x, y) igual a 1.
(c) Como no caso unidimensional, j(x, y) no representa a probbilidade de.
coisa alguma. Contudo, para Ax positivo e Ay _suficienteinente pequeno, j(x, y)
Ax Ay aproriroadamente igual a P(x :S. X_::: x +
Ax; y :S. Y :S. y Ay).+
(d) Como no caso unidimensional, adotaremos a conveno de que j (x, y) = O
se (x, y) EE R. Por isso, poderemos considerar j definida para todo (x, y) no plano
e a condio (4) acima se torna f_+.,"' J_+.,"' j(x, y) dx dy = 1.

(e) Tambm suprimiremos a naturtf;a funcional da varivel aleatria bidi-


mensional (X, Y). Ns deveramos sempre escrever expresses da forma P (X(s) =
= x;, Y(s) = Yil etc. No entanto, se nossa notao abJ:eviada for compreendida,
nenhuma dificuldade deve~ ~urgir.
W Tambm, como no caso unidimensional, a. distribuio de probabilidade
de (X, Y) realmente induzida pela. probabilidade dos eventos associados ao ~
.pao amostral original S. Contudo, estaremos interesSados principalmente nos
valores de (X, Y) e, por isso, trataremos diretamenre com o coritradomnio de
(X, Y). No obstante, o leitor no dever p.erder de vista o fato de que se P(A)
~
I VARIVEiS ALEATRiAS DE DUAS OU MAOS DIMENSES I 113

for especificado para todos os eventos A C S, ento a probabilidade associada aos


eventos no contradomnio de (X, Y) ficar determinada. Isto , se B estiver no
contradomnio de (X, Y), teremos
P(B) = P{[X(s), Y(s)] E B} = P{si[X(s), Y(s)] E B}.
Esta ltima probabilidade se refere a um evento em S e, conseqentemente, de-
termina a probab.ilidade de B. De acordo com nossa terminologia anterior, B e

r I
(si(X(s), Y(s)] E Bl so eventos equivalentes (Fig. 6.2). .

!
I
,. !
. I

Fig. 6.2

1 Se B estiver no contradomnio de (X, Y), teremos


i
1 P(B) = LL p(x;, Yj), (8.3)
"! B

~ (X, Y) for discreta, na qual a soma feita para todos os ndices (1:, })' para os
i quais (x;, y;) E B. E
I P(B) = Jf j(x, y) dr dy, (6.4)
v
I B

i s.e (X, Y) for contnua.

EXim!plo 6.1. Duas linhas de produo fabricam um certo tipo


J
'l
.I
de pea. Suponha que .a capacidade (em qualquer dia) seja 5 peas
'I
n. linha I e 3 peas .n a linha II. Admita que o nmero de peas
I realmente produzidas em qualquer lill;ha seja uma varivel aleat-
i ria, e que (X, Y) represente a varivel aleatria bidimensional qu
:1 fornece o nmero de peas produzidas Pela. linha I e a linha II, res-
.I pectivamente. A Tab. 6.1 d a distribuio de probabilidade on-
I junta de (X, Y). Cada casa representa
I
p(x;1 y;)= P(X = x;, Y = y;).
j
Assim, p(2, 3) = P(X = 2, Y = 3) = 0,04 etc. Port:J.nto, se B for
definido' como
B = { l\fais peas so produzidas pela linha I que pela linha II l.
encontraremos q)le
P(B) = 0,01 + 0,03 + 0,05 + 0,07 + 0,09 + 0,04 + 0,05 + 0,06
+ 0,08 + 0,05 + 0,05 + 0,06 + 0,06 +0,05 = 0,75.
114 I .P.ROBABI,LID.ADE

o 1 3
I 4 5

o o 0,01 0,03 0,05 0,07 0,09


1 0,01 0,02. 0,04 0,05 0,06 0,08

~
0,01 0,03 0,05 0,05 0,06
(o05
~
0,01 0,02 0,00 0,()6 0,05

. ' ,.
Exemplo 6.2. Suponha que um fabricante de lmpadM esteja
interessado no nmero de lmpadas encome~dadas a ele durante os
meses de janeiro e fevereiro . . Sejam X e Y, respectiv!i.mente, o n-
mero de lmpadM encomendadas durante esses dois meses. Admi-
tiremos que (X, Y) seja uma varivel . aleatria contnua bidimensio-
nal, com a seguinte fdp conjunta (veja Fig. 6.3):
.-.'::.

' ' .-'-- . ) . . .


j(x, y) ~-~-\se 5.000 ::; x ::; 10.000 e .4.000 ::; y::; 9.000,
= O )para quaisquer outros valores.
y

-r------+-------~-----x
x=5000 X= 10.000

!Fig. 6.3

Para determinar c, levaremos em conta o fato de que

J
+~ f+~
_.. _.. j(x, y) dx dy = 1.
....

Por conseguinte,

+ a> ; +., 19,000 110.000 f(x, y) dx, dy . I

f_ .. - .,
j(x, y) dx dy =
4.1100

5.00ll
= [5.000]!.
I

r
V~I'!I~VEIS ALEATRIAS,, DE DUAS' OU MAIS Dli\I!ENS~7,_1 1fs) f
'l~:::~nal?/, .. ,.? ,, __,, -<~'c ;Jl,, .~ ,,-, ,...,, '1 '). ,
,....-r .-;r-t;;/ ??~/. )"l.,_,.., s i!'" 't !(. -"'~::s~ ..,'J.b_,~ f'~f\ \< 1:...."'-:\Q, .:/r:J c~...t)
.
l Assirrr;-:~_:_,.(5~)?-- Da, se ~ ~ {X~ Yj, teremos

I J.ll
I
I
I
I l_ ' 1 1.9.00p
r P(B) = 1- c{5. ooo)2/ _:. 5.000 5.000
ax~ ay
Ii - (~~~~) 2 J.:J -~~ . ~-
00

1- [y- 5.OOJ dy = .
,.
1 -

I
ll
Comentrio: No Ex. 6-2, X e Y Jdevem, evidentemente, ser inteiras, porque
no podemos encomendar um nmero fracionrio de. lmpadas! No entanto, es-
!' tamos novamente tratando com uma situao idealizada, na qual permitimos que
'I..- ~
X tome todos os valores entre 5.000 e /10.000 (inclusive).

Exemplo 6.3. Suponhamos que a var~vel aleatria contnua


,,I
J

bidimensional (X, Y) tenha fdp onjunta dada por

xy /
f(x, y) = x2 + 3 , lo~ x ~ 1, O~ y ~ 2,

'I'
= O para quais quer outros valores.
I'
1
+m Ir +"'
Para verificar que .f_- m i-., j(x, y) dx dy = I:
I
1:[" f(x,y)~dy ~ A' J:' ( +i )a~ x' dy

. = /i2 ~ + x2y 1"'=1 dy ;


}~ 3 6, x=O
2 2
= !J I
( -1 + .Jf._)
3 6
dy = -1
3
y + JL
21
12 Q
21 4 '
. . = 3 1+ 12 = 1.
Seja B =- {X -.; :Y'~ .i }. (Vei k a Fig. 6.4.) . Deveremos calcular
i_
' __, - ' '
P(B) pela avaliao de' 1- P(Bf, on~e B ={X+ 'Y < 1'}. Portanto,
. -
I

~ 11,- .[l~~(x'+ ';)~y~


I y

l
T
I
P(B)
. I.

'
,o

=III -..)[
7
o.

x2(J - x)

65
.
+ x(l; x)2
I
J dx

= ;1 - 72 = 72.
-JI i '
Ao dstudar variveis aleatrias unidimen-
\:-----"--x I .
sionais, '{imos que F,' a funo de distribuio
Fig. 6.4 acumulada, representava imp6rtante papel. No
! '
116 I PROBABILIDADE

.. {aso bidirnensionai, tambm defnirnos urna funo acumulada, dll>


seguinte maneira:
Definio. Seja (X, Y) uma varivel aleatria bidimensional.
A funo de distribuio acumulada (fd) F da varivel aleatria bi-
dimensional (X, Y) definida por
F(x, y) = P(X ~x, Y ~ y).
Comentrio: F uma funo de duas. variveis e tem mitas propriedades
I!!.Illogas quelas expostas. para a fd unidimensional. (Veja Se. 4.5.) Menciona,..
remos somente a seguinte propriedade importante:
Se F for a fd de uma varivel aleatria bidimensional com fdp j, ento
I
a 2 F(x, y)fax ay = j(x, y)
sempre que F for derivvel. Este resultado anlogo ao Teor. 4.4, no qual pro-
vamos que (d/dx)F(x) = j(x), onde j a fdp da varivel aleatria unidmerisional X.

6.2. Distribuies de Probabilidade Marginal .e Condi-


cionada . .
'
A cada varivel
.
aleatria bidimensional
.
(X, Y) associamos duas
'

variveis aleatrias unidirncnsionais, a saber X e Y, individualmente.


Isto , poderemos estar interessados na distribuio de probabilidade
de X ou na distribuio de probabilidade de Y:'
Exemplo 6.4. Vamos . novamente considerar o Ex. 6.1. Em
complementao s casas -da Tab. 6.1, vamos ta~brn calcular os
totais "marginais", isto , a sorna das 6 colunas e 4 linhas da -tabola ..
(Veja Tab. 6.2.)
As probabilidades que aparecem nas margens, linha e coluna,
representam a distribuio de probabilidade de Y e de X, respecti-
vamente. Por exemplo, P(Y = 1) = 0,26, P(X = 3) = 0,21 etc.
Em virtude da forma de apresentao da Tab. 6.2, aludiremos, de
modo muito usual, distribuio marginal de X ou distribuio
marginal de Y, sempre que tivermos uma varivel aleatria bidimeri~
sional (X, Y), quer discreta, quer contnua.
Tab. 6.2

o 1 2 3 4 5 Soma

o ,'oJ 0,01 0,03 o,os o 07 ,. 0,09 0,2.5


1 0,01 0,02 0,04 O,On o:o6 o,os o,2o
2 0,01 0,03 o 05 0,05 0,0:> 0,06 0,2.i
3 0,01 0,02 o:o4 0,.06 0,06 0,05 0,24

Soma ' I' o;l) I 0,08 ' 0,16 0,21 0,24 1 0,2-i ,-1 ,00-
VARIVEIS A L EATRIAS DE DUAS OU MAIS DIMENSES I 117


No caso discreto, procederemos assim: Desde que X = x; deve
;j ocorrer junto com Y = Yi para algum i e pode ocorrer com Y = Yi
somente para um j , teremos

~!
p(x;) = P(X = x;) = P(X = x;, Y = Y1 ou ~ = x;, Y = Y2 ou ' )

= t
Je=l
p(x;, Yi) ,
,.-

II A funo p definida para x1, x2, . . . , representa distribuio de pro-

JI babilidade marginal de X. Analogamente definimos q(yi) = P(Y =


-~ Yi) = Li:l p(x;, Yi) como a distribuio de probabilidade marginal
de Y.
,.
I' No caso contnuo, procederemos do segrnnte modo: Seja f a fdp
J conjunta da varivel aleatria bidimensional continua (X, Y). Defi-
niremos :g e h, respectivamente as junes densidade de probabilidade
! marginal de X e de Y, assim:
I +"' '

I
g(x) =
! "' f(x, y) dy;

Essas fdp correspondem s fdp bsicas das variveis aleatrias uni-


dimensionais X e Y, respectivamente. Por exemplo
.) .,
P(c:::::; X::::; r1) .= P[c:::::; X:::::; d,- ."" < Y < oo]

.= f J: "'I f(x, y) dy dx

= _jd g(x) dx.

Exemplo 6.5. Dois caractersticos do desempenho do motor de


um foguete so o empuxo X e a taxa de mistura Y. Suponha-se que
(X,' Y) seja uma varivel aleatria contnua bidimensional com fdp
conj~ta: .
j(x, y) = 2(x +y- 2xy), O ::=::; x ::=::; 1, O _:::; y ::=::; 1,
= 0,. para quaisquer outros valores.

(As unidades foram escolhidas de modo a empreg valores entre O


e 1.) A fdp marginal de X dada por
1
g(x) =
}o { 2(x +
, y- 2xy)dy 2(xy + y 2/2- xy 2)j

1, ' 0:::::; X :::::;,1.


Quer dizer, X uniformemente distribmda sobre [0, 1].
118 I PROBABILIDADE

A fdp marginal de Y dada por

h(y) = 1 1
2(x +y- 2xy) dx = 'l.(z2/2 + xy - z~y)j
= 1, O::;; y::;; L
<.
Portanto, Y tambm uniformemente distribuda sobre [0, ll.

Definio. Dizemos .que a .varivel aleatria oonti:ma bidinien~


sional uniformemente distribuda sobre a regio R do piano euclidiano
quando 1

f(x, y) = cte para (x, y) E R,


o para qualquer outra regio.

Em virtude da condio f_+,"" f_+,"" f(x, y) dx dy = 1, a defini-


o acima acarreta que a constante ser igual a l/rea (R). Estamos
supondo que R seja uma regio com rea finita, n.o nula ..
Comentrio: lsa definio represe.nt& o .anlogO bidimensional da varivel
aleatria UIdimensional dstr\buida uniformemente ..

Exemplo 6.6. Suponhamos que a varivel aleatria (X, Y) seja


uniformemente distribula sobre a regio sombreada R indiada na
Fig. 6.5. Portanto,
1 y
f(x, y) = rea (R) ' (x, y) E R.

Encontraremos que
1 .

rea (R) = 1 .
(x- x 1) dx = 6
1

Logo, a fdp ser dada por


f(x, y) = 6, (x, y) E R,
=o, (x, y) EE R. Fig. 6.5

Encontraremos as fdp marginais de X e Y, pelas seguintes expresses:

g(x) = 1:"" f(x, y) dy = 1" 6 dy = 6(x - x 2), " O ::;; x ::;; 1;

h(y) = /:'" f(x, y) dx = l..Ji 6 dx = 6(yy- y), O~ y ~1.


Os grficos dessas fdp esto esboados na Fig. 6.6.
g(x) h(_r)

X=~ (I, O) (I , O)
(a) (b)

I.
1-
!
."I
-i (6.5)
I
I
t
'

I
I
T2() I P.ROBA!31L'IDADE:.

A ftip de X condicionada a uin dado Y = y definida por

g(x Iy) = J(x, y) h(y) >o. (6.7)


h(y) '

A fdp de Y condicionada a um dado X = x definida por


h(y Ix) = -j(x, y) g(x) >O. (6.8)
g(x) '

C~rics: (a) AB fdp condicionadas, acima, satisfazem a todas as condi-


!jOOS impostas para uma fdp unidimensional. Deste modo, para y fixado, ns
teremos g(xiy) ~ O e

!
+~
~
g(xiy)dx =
1 +~
-<D
jx
~('yy))
.
dx = --,;--(
y
)
1 !+=_,
j(x, y) dx =
.
h(y)
h[)
y
=, 1.
Um clculo anlogo pode ser feito para h(y lx). Dar; as Eqs. (6.7) e (6.8) definirem
fdp em Rx e Ry; respectivamente.
(b) Uma interpretao intuitiva de g(xiy) obtida se considerarmos a su-
perfcie representada pela fdp conjunta j cortada pelo plano y = c, por exemplo.
A interseo do plano com a superfcie z = j(x, y) determinar uma fdp unidimen-
sional, a saber a fdp de X para Y = c. Isto ser justamente g(x Ic).
(c) Suponhamos que (X, Y) represente a estatura :e o peso de uma pessoa,
respectivamente. Sejam j a fdp conjunta de (X, Y) e g a fdp marginal de X (sem
lev!M' em conta Y). Portanto, fs.~ g(x) dx representaria a probabilidade do evento
15,8 .::':X.::': 6) sem considerar o peso Y. E fs.~ g(x 1150) dx seria interprets,da
como P(5;8 .::': X.::': 61Y = 150). Estiitainente falando, esta probabilidade c~n
dicionada no definida, tendo em vista nossa conveno j feita para a proba-
bilidade condicionada, porque F(Y = 150) = O. Contudo, apenas empregamos
a integral acima para definir essa probabilidade. .Certamente, em base intuitiva,
este deve ser o significado desse nmero.

Exemplo 6.8. Com refer~ncia ao Ex. 6.3, teremos

g(x)

= (
~o
2
(x + 2 xy) dy
3
= 2x 2 + _!_ x,
3.
1

' I
I Portanto,
h(y) =
1 (
x2 + -xy)
3
dx = -y6 + -31

i
x 2+ :x;y/3 _ 6x 2 + 2xy
{?(xjy) = 1/3.+ y/6 - 2+y 0 :::; X :::; 1, 0 :::; y :::; 2;

h(ylx)=
2
x +xyf3 3x 2 + xy 3x+ y
2x 2 + 2/3(x) 6x 2 + 2x = 6x +2 '
0 S y :::; 2, 0 :::; X :::; 1.
VAIFUVE!S AlEATAHAS DE DUAS OU MAIS DBMENSES I 12~

Para verificar que g(x Iy) uma fqp, teremos

J(10 Gx2 +
+ 2xy
Y
dx -- 2
.
+ Yy
+ -- 1
para todo y.
2 2
Um clculo semelhante pode ser feito para h(y Ix).

6~3. Vatriiveh~ A!earl:ria~ ! ndependents

Exatamente da maneira pela qual definimos o conceito de inde-


pendncia de dois eventos, A e B, agora definiremos variveis aleat-
rias independentes. Intuitivamente, pretenderemos dizer que X e Y
so variveis aleatrias independentes quando o resultado de X, por
exemplo, de modo algum influenciar o resultado de Y. Esta uma
noo extremamente importante e existem numerosas situaes em
que tal suposio vlida.
Exemplo 6.9. Consideremos duas fontes de material radioativo,
a algUma distncia uma da outra, as quais esto einitindo partculas a.
Suponhamos que essas duas fontes sejam observadas durante um
perodo de duas horas e o nmero de partculas emitidas seja regis-
trado. Admitamos que se esteja interessado nas seguintes variveis
aleatrias: XI e x2, respectivamente o nmero de partculas emitidas
pela primeira fonte durante a primeira e a segunda horas; e Yi e Y~,
o nmero de partculas emitidas pela segunda fonte durante. a pri-
meira e a segunda horas, respectivamente. Parece intuitivamente
bvio que {X1e Y1), ou (XI e Y2'), ou (X2e Y1) ou (X2e Y2) sejamtodoa
.i os pares de variveis aleatrias independentes; porque os Xi de~n
( dem somente das caracteristicas da fonte 1, enquanto os Yj dependem
apenas das caractersticas da fonte 2, e no existe preaumivelmente
motivo para supor que as duas fontes influenciem, de qualquer modo,
: o comportamento uma d~~, outra. Quando consideramos a possvel
.:
independncia de X 1 e X ll; no entanto, a questo no assim to
ntida, Sem o m.mero de partculas emitidas durante a segunda
hora influenciado pelo nmero das que tenham sido emitidas durante
& prim.eirn hora T Para responder a essa pergunta, deveremos obter
informao adicional sobre o processo de emisso. No poderamos
certamente supor, a priori, que X 1 e X2 sejam independentes.
Vamos agorn tomar esa& noo intuitiva de independncia mais
precisa.
Definio. (a) Seja (X, Y) uma varivel a}e~~,t6ria discreta bidi-
mensional. Diremos que X e Y so variveis ale'a t6rias independentoo
se, e somente se, p(x., Yi) = p(Xi.)q(yi) para quaisquer i e}. !ato ,
P(X = x;, Y = y;) =P (X = x;) P(Y = y;) pandodo i e j.
i!!
l:l
li!. 122 I PROBABIUDADE

(b) Seja. (X, Y) uma varivel aleatria. contnua bidimensional.


Ji Diremos que X e Y so vari.veis aleatrias. independentes se, e so-
il mente se, j(x, y) = g(x)h(y) para todo (x, y), o~de f a fdp conjunta,
1: e g e h so as fdp marginais de X e Y, respectiv~mente.
li;
r' Co171e1!Urio: Se compararmos a defini~ 8 o acima .com aquela. dada para wenws
.1 independentes, a seiuelliana fica eviden:estamos .essencie.Imente exigi!'ido que
11 a probabilidade conj'unta (ou dp conjunta) possa ser fato;ada. O teorema se-
III guinte indica que a definio acima equivalente a outra maneira. de tratar o as-
!jl sunto, que poderamos ter adotado.
~
!~I Teorema 6.1. (a) Seja (X, Y) uma varivel aleatria. discreta
i\; . bidimensional. Nesse cas . o, X e Y sero independentes se, e. so.me.n. te
jl se, p(x; I y;) = p(x.) para todo i e j [ou, o que . equivalente se, e somente
~ se, q(y; Ix.) = q(y;) para todo i e j].
~
~.
(b) Seja (X, Y) uma varivel aleatria contnua bidimensional.
Nesse caso, X e Y sero independentes se, e somente se, g(xjy) =
= g(x), ou equivalentemente, se e somente se,.h(y!x) = h(y)1 para
todo (x, y).
Demonstrao: Veja Probl. 6.10.
Exemplo 6.10. Suponhamos que uma mquina.. ) seja utilizada
para determinada . tarefa durante a manh e para uma tarefa dife-
rente durante a tarde. Representemos por X e Y, respectivamente,
o nmero de vezes que a mquina. pra por desarranjo de manh e
tarde. A Tab. 6;3 d a distribuio de probabilidad conjunta ' de
(X, Y). .
Um clculo fcil mostra que, para todas as casas 'da. Tab. 6.3,
teremos
p(x;, y;) = !P(X;)q(y;).
Portanto, X e Y so variveis aleatrias independentes. (Veja tambm o
Ex. 3.7, para comparao.)
Tab. 6.3

~ o 0,1
o

0,2
1

0,2
2 q(y1)

.... 0,5

1 0,04 0,08 0,08 0,2

2 O,OG 0,12 . 0,12 0,3

p(x;) 0;2 0,4 . 0,4 1,0


VARIVEIS ALEATRIAS! D-i:. DUAS Ol!.JMAIS DIMEi\I~ES I 123"

Exemplo 6.11. Sejam X e


tivos eletrnicos.
rI
a durao da vida de dois disposi-
Suponha-se que sua fdp conjunta seja dada por

j(x, y) = e-<"'+1>,
I x :2: O, y :2: O.
. . I
Desde que podemos fatorarj(x, '!)) = e-e-:-'11, a independncia de X e
Y fica estabelecida. II .
Exemplo 6.12. Suponha-se que j(x, y)
= 8xy,j O ~ x ~ y ~ 1. (Q domnio in-
dicado Ipela regio1sombreada na Fig. 6.7).
Muito !embora j seja (j) escrita na forma
fatorada, X e Y no so independentes, j
que o campo de definio t (x, y) 1o ~ ~ ~
~ y ~ ~ 1) tal que para dado x, y pode to-
"-------!'-----Jt mar soinente valores maiores do que aquele
dado J! e menores 'que 1. Por isso, X e Y
Fl g 67 ~ sa>
nao - I m dependen t es.
!I .
Comentrio: Da definio de distribuio de probabilidade margiri.al (quer
no. caso discreto, quer no caso contnJo)
I
torna-se evidente que a distribuio de
probabilidade conjunta determina, uniyocamente, a distribuio de probabilidade
larginat Isto , do conhecimento df fdp conjunt j, poderemos obter as fdp
marginais g e h. No entanto, 1J. rec!ptoca nAo verdadeira! De fato, em geral,
'hl a
o conhecimento das fdp marginais g e no determina fdp conjunta j. Somente -
qUji.Ildo X e Y forem independentes iss ser verdadeiro, porque nesse caso teremos
. I
f(x, y) = g(x)h(y). i .
O teorema sguinte mostra que nossa definio de variveis alea-
t6ri8.'3 independentes coerente cbm
1
nossa d~fi~o
.
anterior de even-
tos independentes.
!
Teorema 6.2. Seja (X, Y) Jma varivel aleatria bidimensional.
, Sej.am A e B eventos cuja ocorrncia (ou no ocorrncia) dependa
apenas
.
de X e Y, respectivamente.
!
(Isto , A um
..
-subconjunto---de
.

Rx, :o contradomnio d~__X; enq~anto B-- um subconjunto de RY, o


contradomnio de Y.) ;ElJ.to, sf X e Y forem variveis aleatrias
independentes, teremos P(A "() B) ._= P(A)P(B). .. ...
'-... ' .

Demonstrao (apen8.'3 para o c8.'3o


t - - ..
contnuo):
. ~ I - .
::.

)
P(A n B) = ff
4nB
j(x,_y)! dx dy =
:
}!
A..nB~
g(x)h(y) dx dy

= f
}A
g(x) dx_r h(y) dy = P(A)P(B) . .
'JB I
IIi
i'',!1
'I
124 I PROBAB8LIDADE
il'
6,4,. Funes de Varivel Aleatria
i
Ao definir uma varivel aleatria X, salientamos bastante que
X uma juno definida a partir do espao amostral S para os n-
I
I meros reais. Ao definir uma varivel aleatria bidimensional (X, Y)
I
r: estaremos interessados em um par de funes; X = X(s)) Y = Y(s),
1: cada uma das quais definida no espao amosal de algum experi-
j; mento e associa um nmero real a todo s E S, desse modo fornecendo.
I
I o vetar bidimensional [X(s), Y(s).J. ' ..
Vamos agora considerar Z = H 1 (X, Y), uma funo de duas
variveis aleatrias X e Y . Fica evidente que Z = Z(s) tambm
uma varivel aleatria. Consideremos. a: seguinte seqncia de etapaS:
(a) Executar o experimento 8 e obter o resultado s.
(b) Calcular os nmeros X(s) e Y(s).
(c) Calcular o nmero Z = H 1 [X(s), Y(s)] .
O valor de Z depende evidentemente de s, o resultado original
do experimento. Ou seja, Z = Z(s) . uma funo que associa um
nmero real Z(s) a todo resultado s E S . Conseqentemente, Z
uma varivel aleatria. Algumas das importantes variveis .lea t6-
rias, nas quais estaremos interessados, so: X+ Y, XY, X/Y,
mn (X, Y), mx (X, Y) etc.
O problema que resolvemos no capitulo ant~rior, para a varive,l
aleatria unidimnsional, surge novamente: dada .a distribuio de
probabilidade conjunta de (X, Y), qual a distribuio de probabili-
dade de Z = H 1(X, Y)? (Deve ter ficado evidente, das muitas ex-
planaes ante~iores sobre este assunto, que .uma distribuio de pro-
babilidade induzida em Rz, o espao amostral de Z.)
Se (X, Y) for uma varivel aleatria discreta, este problema
estar resolvido bastante facilmente. . Suponha-se que (X, Y) tenha
a distribuio dada nos Exs. 6.1 e 6.4. As seguintes variveis alea-
trias (unidimensionais) podero interessar questo :

U = mn (X, Y) = menor nmero de peas produzidas pel~


duas linhas;
V = mx (X, Y) = maior nmero de peas produzidas pelas
. duas linhas;
W = X +
Y = nmero total de peas produzidas pelas duas
linhas.
I r

Para obter a distribuio de probabilidade de U, procederelflOS


I'I como se segue. Os vlores possveis de U so: O, 1, 2 .e 3. Para
I
I

I~ ---~-- - -~- ----------~------~--------------~----------~-----


VARIVEIS ALIEATRDAS DE DUAS OU MAIS iJIUMIENSES I 125

calcular P(U = O), raciocinaremos que U = O se, e somente se, um, dos
seguirites ocorrer: X= O, Y =O ou X= O.Y = 1 ou X= O, Y = 2
ou X = O, Y = 3 ou X = 1, Y = O ou X = 2, Y = O ou X = 3,
Y = O ou X = ( Y = O ou X= 5, Y = O. Portanto, P(U = O) =
= 0,28. As outras probabilidades associadas a U podem ser obti-
das de modo semelhante. Da, a distribuio de probabilidade de
U poder ser assim resumida: u: O, 1, 2, 3; P(U = u)-: 0,28, 0,30,
0,25, 0,17. A distribuio de probabilidade das variveis aleatrias
V e W, .como definidas acima, pode ser obtida de maneira seme-
lhante. (Veja Probl. 6.9.)
Se (X; Y) .for uma varivel aleatria bidimensional contnua
e se Z = H 1 (X, Y) for uma funo contnua de (X, Y), ento Z ser~
uma varivel aleatria contnua (unidimensionai) e o problema de
achar sua-fdp um pouco m3i;c~mpllcado. A fim de resolver este
problema, precisaremos de um teorema que enunciaremos e expli-
caremos a seguir. Ants de faz-lo, vamos esboar resumidamente
a idia fundamental.
Para procurar a fdp de Z = H 1(X, Y) freqentemmte mais
simples introduzir uma segunda varivel .. aleatria, por exemplo
W = H 2 (X, Y), e primeiro obter a fdp conjunta de Z e W, digamos
k(z, w). Com o conhecimento de k(z, w), poderemos ento obter a
fdp de Z desejada, isto , g(z), pela simples integrao de k(z, w) com
relao a w, ou seja,
+<c>
g(z) =
J
-m . k(z, w) dw.

Os problemas restantes .so: (1} como encontrar a fdp conjunta de


Z e W, e (2) como escolher a varivel aleatria apropriada W =
= H2(X, Y). Para resolver o ltimo problema, devemos dizer que
geralmente se faz a mais simples escolha possvel para W. Nesta
passagem, W possu! apenas papel intermedirio, e no estamos real-
mente interess:dos nela em si mesma. A fim de encontrar a fdp
conjunta de Z e W, temos necessidade do Teor. 6.3.
Teorema 6.3. Suponhamos.que (X, Y) seja umay.arivel :iJeatria
contnua bidimensional com fdp conjunta j. Seffm Z = H 1(X, Y)
e W = H2(X, Y), e admitamos que as funes H 1 e H 2 satisfaa~ s
seguintes condies:
( '

(a) As equaes z = HI(x, y) e w = H2(x, y) podem ser univoca-


mente resolvidas para x e y, em termos de z e w, isto , x == Gi(z, w)
e y = G2(z, w).
126 l PROBABILIDADE

(b) As derivadas pareiais Jxfz, JxfJU?, yfJz e y/t~ existem e


so continua.s.
Nessa.s circunstncias, a fdp conjunta de (Z, W), isto , k(i; tiJ)
dada pela seguinte expresso: k(z, w) = j[G 1(z, w), G2(z; te)] I J(z, w) I;
onde J(z, w) o seguinte determinante 2 X 2: .
ax ax
i)z aw
J(z, w)
Jy Jy
)z aw
Este detenninan te denominado o Jacobiano da transformao
(x, y)--> (z, w) e, ~gumas vezes, denotado por J(x, y)/J(z, w) . . Sali-
entamos que k(z, w) ser. no-nula para aqueles valores de (z, w) cor-
respondentes a valores de (x, y) para os quais j(x, y) no seja nula.
y

(a} z (b)
Fig. 6.8
,
ComentrO$: (a) Muito embora no demonstremos este teorema, indic&-
remos ao menos o que se deseja e onde residem as dificuldades. Consideremos
a fd conjunta da varivel aleatria bidimensional (Z, W), isto , . )

.
K(z, w) = P(Z ~ z, W ~ w) = j'" j'
_ ~ . _ ~ k(s, I) ds dt,

na. qual k a fdp procurada. Como se supe que a transformao (x, y) _, (z, w)
seja .biunvoca [veja a hiptese (a), acima], poderemos achar o evento, equivalente
..!
']
a {Z 5. z, W ~ wl , em termos de X e Y. Suponhamos que este evento seja
de.n otado por C. (Veja. a Fig. 6.8.) Sendo assim, {(X, Y) E C} se, e somente
se, .IZ ~ z, W ~ w} Conseqentemente,

f ,. f'
co -co
k(s, t) ds dt = {
}c
1 j(x, y} dx dy ...

Como se admite j conhecida, a integral do segundo membro pode ser calculada.


O clculo de suas derivadas em relao a z e w fornecer a. fdp pedida. Na maior
pe.rte dos manuais de Clculo avanado, mostra-se que essas ~nicas conduzem

l;Ii oo resultado, tal como foi enunciado no .teorema. acima..


I
I
. VAR1VEIS ALEATORIASIDE DUAS ou MAIS DIME~SIES I 121

(b) Observe-se a acentuada semelhana entre o resultado acima e o res)ll-


tado obtido no caso unidimensiop.al, l explicado no captulo anterior.. (Veja o
Teor: 5.1.) A .exigncia de monotonicidade para a funo y = H(x) substituda
pela suposio de que a co~respondnciJ entre (x, y) e (z, w) seja biuruvoca. A con-
di~ .de de~va.bilidade s~b~tit~da po~ algumas hiptese~ sobre as der~vadas
J

parmrus consideradas. A soluao f10al jobt1da , tambm, mm to semelhante aqqela .


o:btids. no csso unidimensional: as var,iveis x e y so simplesmente substitud:JS
por suas expresses equivalentes em termos de z e W, e o valor absoluto de dxfdy
substitudo pelo .valor absoluto do J ~cobiano. '
Elemplo 6.13. Suponha-se que esteja-
y
mos f~zendo mira em um alvo circular, de
raio ~trio, que 'tenha sitio colocado de
modo ~ue sim ce~tro se situe na origem
. de um Isistema de coordenadas retangulares
(Fig. 6l9). Admita-se que as coordenadas
(X, Y) Ido ponto de impacto estejam unifor~
ni.eme,te distribudas sobre o crculo. Isto ,
J(l' y) = 1/';r, se (x, y) estiver dentro I'
Fig. 6.9 (ou . nai circunferncia) do ~rculo,
. j(l , y) =O, se ,em qualquer outra parte. I
Suponha-se que estejamos inte~ados na varivel aleatria R, que
representa a distncia da origem. (Veja : a Fig. 6.10.) Ento,
R':' V X 2 + Y 2 Encontraremys a. fdp de R, digamos .g, assim:
SeJa <I> = tg:-1 (Y/X). Portanto, X= H 1(R; <I>) e Y = H 2(R, <I>),
I '
onde x = H 1(r, cp) = r cos cp e y = H2(r, cp) = r sen cp. (Estdios
I
apenas introduzindo coordenadas polares.)
i r

1--- - - , - - - - - - - - - .(27r, 1}
1" I. <I>

Fig. 6.10 Fig. 6.11

O jacobiano
ax cos 1> - r sen cp
acp J

J=
;!
.
T
I
I
sencp r cos 4> I
= r cos 2 cp +r seri2 cp = r.
. I
Pel transformao acima, o crc~o unitrio no plano xy fica trans-
formado no retngulo no plano cfJ,r, na Fig. 6.11. Em conseqncia,
128 I PROBAB!IUDADE

a fdp conjunta de (<I>, R) ser dada por

r
g(cp, r) = O::::; r::::; 1,
11"'

Portanto, a fdp de R, pedida, e que vamos dentar por h; dada por


{2"'
h(r) = }o g(cp, r) dcp = 2r, O::::; r::::; 1.

Comentrio: Este exemplo salienta a importncia de obter-se uma represen-


tao precisa da regio dos valores possveis para as novas variveis aleatrias
introduzidas.

6.5. rDistribu io do !Produto e do Quociente de Vari-


vais Aleatrias: _Independentes_ ___

Dentre as mais importantes funes de X e Y que desejamos


examinar; esto a soma S = X + Y, o produto W = XY e o quo-
ciente Z = X/Y. Poderemos empregar o mtodo apresentado nesta
seo para obter a fdp de cada uma dessas variv~is aleatpas, sob
condies bastante gerais.
No Cap. 11, estudaremos a soma de variveis aleatrias m'l'it'o
minuciosamente.- Por isso, adiaremos para aquela ocasio o estudo
da distribuio de probabilidade de X + Y. Consideraremos, en-
tretanto, o produto e o quocl.ente nos dois teoremas seguintes.

Teorema 6.4. Seja (X, Y) uma varivel aleatria contnua


bidimensional e admita-se que X e Y sejam independentes; Conse-
qentemente, afdp jpodeser escritacomoj(x, y) = g(x)h(y) . Faamos
W ~ XY.

Nesse caso, a fdp de W, digamos p, dada por

p(w) = 1:= g(u)h{:) I ~ I du. (6.9)

Demonstrao: Sejam w = xy e u = x. Portanto, x = u e


y = wfu. O jacobiano

o
1
1 u
u
VAFIDVIEiS ALEATRiAS DE DUAS OU MADS DDMIIEI\!SIES I 12!!J

Dai, a fdp conjunta de W = XY e U = X

s(w, u) = g(u)h ( : ) l~ I
A fdp marginal de W ser obtida pela integrao de s(w, u) em
relao a u, fornec~ndo o resultado procurado. Os valores de w,
para os quais p(w} > O, dependero dos valores de (x, y) para os quais
j(x, y) >O.
Comentrio: Para calcular a integral acima, poderemos nos basear no fato
de que
~

Exemplo 6.14. Suponhamos que temos um circuito no qual


tanto corrente I como a resistncia R variem de algum modo alea-
trio. Particularmente, suponhamos que I e R sejam variveis
aleatrias continuas independentes com as seguintes fdp:

I: = 2i, O .:::; i .:::; 1 e O fora desse intervalo,


g(i) .
R: h(r) = r 2/9, O .:::; r .:::; 3 e O fora desse intervalo;

A varivel aleatria que -interessa E = IR' (a tenso no circuito) .


Seja p a fdp de E.

Pelo Teor. 6.4, teremos


('

Algum cuidado se deve tomar -ao calcular-se esta integral. Primeiro,


observe-se que a varivel de int~gr~o no pode tomar valores nega-
tivos. Segundo, observe-se que a fim de que o integrando seja posi~
tivo, ambas as fdp que aparecem no integrando devem ser positivas ..
Atentando,para os valores para os quais g e h no sejam iguais a zero,
verificaremos que as seguintes condies devem ser satisfeitas:

e O .:::; e/i .:::; 3~

Essas duas desigualdades so, por sua vez, equivalentes a e/3 .:::; i .:::; 1.
Por isso, a integral acima se torna igual a
. ... u t rnUI:SAMILIDADE.

2
= g-e(3- e),
3 e=~ (3, O)
Um clculo fcil mostra que ./o
p(e) .de = 1. (Veja a Fig. 6.12.) Fig. 6.12

Teorema 6.5. Seja (X, Y) UII).a varivel .aleatria bidimensional


contnua e suponhamos que X e Y sejam independentes. [Portanto,
a fdp de (X, Y) pode ser escrita como j(x, y) ~ g(x)h(y).] Seja
Z = X/Y. Deste modo, a fdp de Z, digamos q, ser dada por

q(z) = 1"'"'
. +
g(vz)h(v)lvldv. (6.l0)

. Demonstrao: Seja!Il z = xfy e v = y. Portanto, x = vz e


y = v. O jacobiano

J =I~ .z I
1 = .v.

Da a fdp conjunt de Z = X/Y e V = Y ser igual a


t(z, v) = g(vz)h(v) Ivi.

Integrando esta fdp conjunta em relao a v obtm-se a fdp margi-


nal de Z procurada.

Exemplo 6.15. Admita-se que X e Y representem a durao da


j..J vida de duas lmpadas fabricadas por processos diferents. Supo-
nha-se que X e Y sejam variveis aleatrias independentes, com fdp
respectivamente f e g, onde

f(x) = e..:r:, : x 2:: O, e O para outros .quaisquer valores;


g(y) = 2e-2v, y 2:: O, e O para outros valores.
Poderia nos interessar a varivel aleatria X/Y, que 1representa o
quociente das duas duraes de vida. Seja q a fdp deZ.
. r+
Pelo Teor. 6.5 temos que q(z) = J-.,"' g(vz)h(v) fv Idv. Porque
X e Y podem tomar somente valores no-negativos, a integrao
a.cima precisa ser feita apenas sobre os valores positivos da varivel
VARIVEIS ALIEATFUAS IDE DUAS OU MAiS DIMENSES I 1J1

de integrao. Alm disso, o int~grando


ser positivo somente quan-
do ambas as fdp que aparecem sejam positivas. Isto significa que deve-
remos ter v ;;;. O e vz ;;;. O. Visto :que z >O, e~sas desigualdades deter-
minam que v ;;;. O. Portanto a exprpsso acima se torna

q(z) Iq(z) = 1m e- 2e-2 ~ v dv =


I
i = 2 1 I m

ve -<2 +> dv.

Uma integrao por partes, fcil,


fornece
2
Fig. 6.13 q(z) = (z + 2)2 ' z 2': o.
I
(Veja a Fig. 6.13.) Constitui no~amente um exerccio fcil verificar
que fo m q(z) dz = 1. 1

I
6.6. Variveis Aleatrias! n-Dimensionais
I.
At
.
aqui, nossa
.
exposio seI restringiu . completamente
.
a vari-
veis aleatrias bidimensionais .. !No entanto, como apontamos no
inCio deste capitulo, poderemos ter de tratar com trs .ou mais carac-
tersticas numricas simultneas. I '
Faremos apenas uma brevfu,sima expos1ao de variveis alea-
trias n-dimensionais. A maio~ parte dos conceitos introduzidos
acima para o caso bidimensional ~ode ser estendida para o caso n-di-
mensional. Nos restringiremos ad, caso conthluo. (Veja o Comentrio
no fim deste capitulo.)
Suponhamos, a seguir, que ~X1, ... , Xn) possa tomar todos os
valores em alguma regio de uni
espao n-dimensional. Isto , esse
valor um vetor n-dimensional.l
I
[XI(s),. !.. , Xn(s)].

Caracterizaremos a distribuio:
. I
de probabilidade de (X 11 ,X!')
da seguinte maneira: . 1

Existe uma funo densidaqe de probabilidade conjunta f qu,e


satisfaz s seguintes condi~: :

(a) j(x 1, . .. , Xn) 2': O, para tddo (x1, ... , Xn).


+m J_+m I )
(b) f_- m -a; j(x1, ... , Xn dx1 .. . dXn- 1.
_
I
132 I II"ROiflAIBBUDADIE

Com o auxlio desta fdp definimos

P[(Xh- . . , Xn) E C]= ( . _ff(xl, . . , Xn) dx1 .. . dxn;


c .

onde C um subconjunto do contradomnio d~ (X 1,. ; . ,X;.).


A cada uma das variveis aleatrias n-dimensionais, poderemos
associar algumas variveis aleatrias de dimenso mais baixa. Por
exemplo, se n = 3, . ento.

onde g a fdp marginal da varivel aleatria l]nidimensional X3,


enquanto

onde h representa a fdp conjunta da varivel aleatria bidimensional


(X1, X~) etc. O conceito de variveis aleatrias independentes ser
tmbm estendido de maneira natural. Diremos que (X 1, . . . ,Xn)
sero variveis aleatrias independentes se, e somente se, sua fdp
conjunta j(x 1, . , Xn) puder ser fatorada na. forma

Existem muitas situaes nas quais desejaremos considerar va-


riyeis aleatrias n-dimensionais. :barerr~s al!Slills ex.:e~plos.
(a) Suponha-se que estejamos a estudar o padro de precipi-
tao decorrente de um particulr sistema de tempestades. Se
tivermos uma rede de, digamos, 5 estaes de observao e se admi-
tirmos que x, a precipitao na estao' i, devida a um particular
sistema defre~tes de chuva, desejaremos considerar. a varivel aiea-
tria a 5-dimenses (X1, X2, x3, x4, X6)-
(b) Uma das mais importantes aplicaes de variveis aleat-
rias n-dimensionais ocorre quando tivermos de tratar com mensura-
es repetidas de algwria varivel aleatria X. Sup<:>nha-se que se
deseje informao sobre a durao da vida, X, de uma :vlvula ele-
trnica. Um grande nmero dessas vlvulas produzido por determi-
nado fabricante, e ensaiamos n dessas vlvulas. Seja x, a durao
da vida da i-sima vlvula, i= l, ... , n. Portanto, (Xr, .. . , Xn)
uma varivel aletria n-diinensional. Se admitirmos que cada.
X; tenha a mesma distribuio de prohabilidade (porque todas as
VARIVEIS ALEATRIAS DE DUAS OU MA8S DIMENSES I 133

vlvulas so produzidas da mesma maneira), e se admitirmos que as


X; sejam todas variveis aleatr~as independentes (porque, presu-
me-se, a fabricao de uma vlvula no influencia a fabricao das
outras vlvulas), poderemos supor que a varivel aleatria n-dimen-
sional (X 1, , Xn) seja .composta pelos componentes independentes,
de idntica distribuio de probabilidade X h . . . , Xn. ( bvio
que, muito embora xl e x2 tenham a mesma distribuio, eles no
precisam tomar o mesmo .valor.)
(c) Outra maneira, pela qual surgem variveis aleatrias n-di-
mensionais, a seguinte: admita-se que X(t) represente a potncia
exigida por uma certa empresa industrial, na poca t. Para t fixado,
X(t) ser uma varivel aleatria unidimensional, Contudo, podtJ-
remos estar illteressados em descrever a potncia exigida em n deter-
minadas -pocas especificadas, digamos t 1 < t2 < ... < tn.: Portanto,
desejamos estudar a varivel aleatria n-dimensional

Problemas deste tipo so estudados em nvel mais adiantado. (Uma .


referncia excelente para este assunto "Stochastic Processes", por
Emanuel
.
Par2;en,
I
Holden-:bay, So Fr~ncisco, 1962.)

Comentrio: Em vrios pontos de nossa exposio, mencionamos o conceito


de "espao n-dimensional". Vamos resumir alguma coisa das idias fundamen-
tais a respeito.
.A cada nmero realx, podemos associar um ponto na reta dos nmeros reais, ~;
e reCiprocamente. Semelhantemente, a cada par de nmeros. reais (x1 , x2), po-
demos associar um ponto no plano de coordenadas retangulares, e reei procamente.
Finalmente, a cada conjunto de trs nmeros reais (xt, x2, x 3), podemos associar
um ponto no espao de coordenw:las retangulares tridimensional, e reciprocamente.
Em muitos dos problemas que nos interessam, tratamos corri um conjunto
de n nmeros reais, (xt, x2, ... , Xn), tambm denominado. uma nupla. Muito
embo~a no possamos desenhar ql)alquer esboo se n > 3, podemos continuar
a l;l.dotar a .terminologia geomtrica, como sugerido pelos casos de menor nmero
de dimenses mencionados acima. Deste modo, falaremos de um "ponto" no
espao n-dimensional determinado pela nupla. (Xt, ... , x,) . Definimos como
espao n (algumas vezes denominado espao n euclidiano). o conjunto de todo
{x1, . . . , Xn), onde x; pode ser qualquer nmero real. .
Conquanto no necessitemos realmente de calcular integrais n-dimensionais,
verificamos que . esse um conceito muito til e, ocasionalmente, precisaremos
exprimir uma quantidade por uina integral mltipla. Se nos lembrarmos da de-
finio de

J J j(x, y) dx dy,
A
....

134 I PROBABIUDADE

na qual A uma regio no plano (x, y), ento a extenso deste conceito a
f f J(xl, ... , x,.)dx1 . . dxn,
R

na qual R uma regio .no espao n, ficar evidente. Se j representar a fdp con-
junta da varivel aleatria bidimensional (X, Y), teremos que
f f f(x, y) dx dy
.A

representar a probabilidade P[(X, Y) E A]. Semelhnntcmente, se j representar


a fdp conjunta de (X 1, ... , Xn), ento
f f j(x1, . . , Xn)dXl' dr.,.
R

representar .
P[(XJ, ... , Xn) E R].

Problemas
6.1. Suponha que a tabela seguinte represente a distribuio de probabili-
dadE; conjunta da varivel aleatria discreta (X, Y). Calcule todas as distribui-
es marginais e as condicionadas.

~ 1 2

1
3
-
1 -121 o
- 6

1 1
2 o 9
-
5

1 2
- -1 -
"" IS ~ 15

6.2. Suponha que a varivel aleatria 'bidimensional (X, Y) tenha a fdp


conjunta
.f(r, y) k:r(x - y), O < x < 2, - x < ~ < :r:A
O, para outros quaisquer valores.
(a) Calcule a constante k :
(b) _!\h~ ; _fdp marginal de X.

E~~-- -~~~~-~- idP ~~gmf~


6.3: -supmlm que a dp conjunta da varivel aleatria bidimensional (X, Y)
seja dada por
f(:r, y) x2 + x: , O< x < 1, O< y < 2,
O, para quaisquer outros valores.
VARIVEiS ALEATRIAS DIE DUAS ou MAUS DIMENSES I 135

Calcule o seguinte:
(a) P(X):>
:. .
!). (b) P(Y < 'f.l l.(<) P(Y >HX <lJ.
6.4. Suponha que duas cartas sejam tiradas ao acaso de um baralho de
cartas. Seja X o nmero de azes obtido! e seja Y o nmero de damas obtido.
(a) Estabelea a distribuio de propabilidade conjunta de (X, Y).
(b) Estabelea a distribuio margiilal de X e a de Y.
(c) Estabelea a distribuio condiionada de X (dadoY) e a: de Y (dado X).

6.5. Para que valor de k, a expressb j(x, y) = ke -(Xi;Y) ' a fdp conjunta de
(X, Y), m:>bre a regio O < x < 1, O < y 1? !<
!

6.6. Suponha que a varivel aleatria bidimensional . contnua (X, Y) seja
uniformemente distribuida sobre o quadra4o cujos vrtic~s so ( 1, 0), (0, 1),.(- 1, 0)
e (0, - 1). Ache as fdp marginais de X e de Y. .

J
6.7. Suponha que as dimenses, X Y, de uma chapa retangular de metal,
possam ser consideradas variveis alcatria!f contnuas independentes; com as se-
gtntes fdp: I
X: g(x),., x- 1, 'j 1 <x.S2,
-X + ? 2 < X < 3;
:= O, para'l quaisquer outros valores ..
. Y: h(y) = !, 2 < y < 4, .
= O, parai quaisquer outros valores.
Ache e. fdp da rea da chapa, A = XY.
6.8. Admi~ que X represeri.t e a du~ao da vida de um dispositi\l'o eletr-
l
j
nico e suponha que X seja uma varivel al~atria contnua com fdp

l.~?O , 1. x > OO,


l
J;
~- j(x) =

= O, para Iquaisquer outros valores.


Sejam X 1 e X 2 dua.S<tletenninaes independentes da varivel ale~tria X acima.
(Isto , suponha que estejamos ensaiando ~ dura~ da yida de dois desses dispo-
sitivos.) Ache a fdp da varivel aleatria 1z = XI!X2. 1

. 1 I I
6.9. Obtenha a distribuio de probaJ?ilidade das varive s aleatrias. V e W,
1
introduzidas na Pg. 124. ' .
6.10. Demonstre o Teor. 6.1.
6.11. A f~ra magnetizante II no .. ponto P, dis-
' de um condutor que. conduza uma.
tante X unidades
corrente I, d4a por H = 2!/X. (Vej~ a Fig. 6.14.)
Suponh!l- que R seja um ponto mvel, isto , X seja
uma varivel aleatria contnua uniformemente distri- ; .
buda sobre (3 ) 5). Suponha que. a corrente I seja
tambm uma :Varivel aleatria contnua, uniforme-
mente distribu!ia
I
sobre (10, 20).,.. Suponha, \l-(lemais,
'
que as variveis aleatrias X e I sejam independeiites.
Fig. 6.14 Estabelea a fdp da varivel aleatria I!.
136 I ll"ROBABUUIDAIOIE

5,12. A intensidade luminose. em um dado ponto dada pele. expresso


I = C/Ifl, na qual C o poder luminoso da fonte e D &distncia dess& fonte
&t o ponto d!!.do. Suponha que C seja. uniformemente distribuda 8obre (1, 2),
enquanto D sej& um& .varivel &leatri& contnua com fdp f(d) = cd, d > O.
Ache e. fdp de I, admitindo que C e D sejam independentes. (Sugest/lo: Primeiro
ache a fdp de D 2 e depois aplique. os res\]ltiM!os de:ite captUlo.)
6.13. Qwtndo umil. corrente I (&mperes) pllSS& &travs de um resistor R
(ohms), a potnci& gerada de.de. por W = PR (watts). Suponha. que i e R sejam
v&riveis aleatrii!S independentes, com I!S seguintes fdp:
I: j(i) = 6i(l - t), O~i~ 1,
= O, para quaisquer outros valores.
R: g(r) = 2r, . O < r < 1,
= O, para quaisquer qutros valores.
Determine e. fdp de. varivel aleatria W e esboce seu grfico.

6.14. Suponha que a fdp conjunt&-de (X, Y) seja dada por


j(x, y) = e-:111 para. z > O, y > x,
=- O, para. quaisquer outros valores.
(a) Ache a fdp marginal de X.
(b) Ache a fdp marginal de Y.
(c) Calcttle a. P(X > 21Y 4). <
Caracterizao Adicional das
Variveis Aleatrias
Cap"tulo 7

7.1. O Valor Esperado de uma Varivel Aleatria

Considere-se a relao determinstica ax + by = O. Ns a


reconhecemos como uma relao linear entre x 1e y. As constan-
tes a e b so os parmetros dessa relao, no sentido de que para qual-
quer escolha particular de a e b obtemos uma funo linear especfica.
Em outros casos, um ou mais parmetros podem catacterizar a re-
lao em estudo. Por exemplo, se y = ax 2 + bx + c, trs par-
metros so necessrios. Se y = e-kz, uin parmetro suficiente.
No somente uma particular relao caracterizada pelos parme-
tros, mas, inversamente, a partir de um_a certa relao podemos defi-
nir diferentes parmetros pertinentes. Por exemplo, se ay + bx = O, ,__ ,
ento m = - b/a representa a declividade da reta. Tambm, se
y = ax 2 + bx+ c, ento - bf2a representa o valor para o qual
ocorre um. mximo relativo ou um mnimo relativo.
Nos modelos matemticos no-determinsticos ou aleatrios,
que temos considerado, os parmetros podem, tambm, ser emprega-
dos para caracterizar a distribuio de probabilidade. A cada dis-
tribuio de probabilidade, podemos associar certos parmetros, os
quais fornecem informao valiosa sobre a distribuio (tal como a
declividade de uma reta fornece informao valiosa sobre a relao
linear que representa).
Exemplo 7.1. Sup~:mha que X seja uma varivel aleatria con-
tnua, com fdp j(x) = ke--"", x Z O. Para verificar que esta expres-
so constitui uma fdp, observe-se que fo m ke--1= dx = 1 para tod~
k > O, e que ke-lcx > O para k > O Esta distribuio denomi-
nada uma distribuio exponencial, a qual estudaremos !nimiciosa-
mente mais tarde. Ela uma distribuio especialmente til para
138 I PROBABILIDADE

representar a durao da vida X, de certos tipos de equipamentos ou


componentes. A interpretao de k, nesse contexto, tambm ser
explicada depois.
Exemplo 7.2. Admita-se que peas sejam produzidas indefini-
damente em uma linha de montagem. A probabilidade de uma pea
ser defeituosa p, e este valor o mesmo para todas as peas. Su-
ponha-se, tambm, que as sucessivas peas sejam defeituosas .(D). '
ou no-defeituosas (N), independentemente umas das <mtras. Seja
a varivel ale.at:tia X o nmero de peas inspecionadas at que a
primeira pea defeituosa seja encontrada. Assim, um resultado
tpico do experimento seria da forma NNNND. Aqui X(NNNND) ==
= 5. Os valores possveis de X so: 1, 2, ... , n, . . . J que X= k
se, e somente se, 'as primeiras (k - 1) peas forem no-defeituosas e
a k-sima pea for defeituosa, atribuiremos a seguinte probabilidade
ao evento {X = ic') : P(X = k) = p(1 - p)"- 1, k = 1; 2, ... n, ...
Para verificar que esta uma. legitima distribuio de probabilida-
de, observemos que ~
~

E
lc- 1
p(1 - p)k-1 = pf1
.
+ (1 - p) + Cl- p)2 + ... J
1
= p
1 _ (1 _ P) = 1 se O < Ip I < 1.

Por isso, o. pa~metro p pode ser qualquer nmero satisfazen,do


O<p<l.
Suponha que uma varivel aleat6ria e sua distribuio de pro-
babilidade sejam especificadas. Existir alguma maneira de carac-
terizar-se essa distribuio em termos de alguns parmetros numricos
adequados ?_
Antes de nos dedicarmos questo acima, vamos mot~var nossa
explanao com o estudo do exemplo seguinte.
Exemplo 7.3. Uma mquina de cortar arame corta o arame con-
forme um comprimento especificado. Em virtude de certas i~preci
ses do mecanismo de corte, o comprimento do .arame cortado (em
polegadas), X, pode ser considerado como uma varivel aleatria
uniformemente distribuda sobre [11,5i 12,5]. . O comprimento espe-
cificado 12 polegadas. Se 11,7.:5 X < 12,2, o ararrie pode ser ven-
dido com um lucro de US$ 0,25. Se X ~ 12,2, o arame pode ~er
recortado, e um lucro eventual deUS$ 0,10 obtid(). E se X< 11,7,
o arame refugado com uma perda de US$ 0,02. Um clculo fcil
mostra que P(X;:::: 12,2) = 0,3, Pcll,7 .:5 X <- 12,2) = 0;5, e P(X <
< 11,7) = 0,2.

~~-~
~--~----------------------------------------
I
CARACTERIZAO ADiCiONAl DAS VARIVEIS ALEATRIAS / ' 139
!l
Supnha-se que um grande nmfro" de peda,os de. a~ame tenha sido
cortado, digamos N. Sejam Ns lo nmero de pedaos para os quais
X < -11,7, NR o nmero de ped~os para os quais 11,7.:::; X< 12,2,
e N L o nmero de pedaos paA os quais X ;::: 12,2. Da, o lucro
l ' '
total obtido da produo de N ~edaos igual a T = N s(- 0,02) +
+ N R(0,25) + N L(O,lO). O lucro total par pedao de arame cortado,
digamos W, igual a W ,;,[ (N s/N) (- 0,02) + (NR/N) (0,25) +
+ (NL{N) (0,1). (Observe-se qu~ W uma varivel aleatria, porque
N s, N R e N L so variveis aleattias.)
. I
J mencionamos que a freqncia reltiva de um evento pr-
xima da probabilidade desse:...evebto, se o nm~ro de repeties sobre
I
o qual a freqncia relativa foi Ibaseada for grande. , (Explicaremos
isto mais precisamente no Cap. 12.) Portanto, se ' N for grande,
poderemos esperar que Ns/N seja prxima de 0,2, NR/N seja pr-
xima de 0,5 e N L/N seja prxin\.aI
de 0,3. Logo, para N grande,
W pode ser calculada aproximadamente como segue:
' .. i . .
W ~ (0,2) (- 0,02) + (0,5) (0,25)
!
+ (0,3) .(0,1) = US$ 0,151.
. '
. ~ I
,.
i '
Deste modo, se um grande nmero de pedaos de arame for produ-
zido, esperaremos conseguir um Ilucro de US$ 0,151 por pedao de
arame. O nmero 0,151 denhminado
I ,
valor esperado da. varivel
aleatria w. i
I
','} Definio. Seja X wna varivel aleatria discreta, com valores
possveis x 1, , x,. . . . Seja p(~) = P(X = x;), i = 1, ~ 2, ... , ... . '"i
Ento, o valor esperado de X (ou esperana matemtica de X), deno-
tado por E(X) definido como I .
E(X) = E x.p(x.),
ti'=l
(7.1)
!
se a srie 2: xi p(xD convergir absolutamente, isto , se
i= 1 I
00 i
2: lxlip(x)< oo.
i= 1 I I

Este nmero tam:bm denofninado o-valor mdio de X, ou expec-


idncia de X. 1

I
Comentrios: (a) Se X tonar apedas um nmero finito de valores, a expies-
i ' '
so aGima se torna E(X) = L~=l p(Xi)fi. Isto pode ser considerado-como I1.Dlll.
"mdi!r.. ponderada" .dos valores poss!v~is a:~o ... , z,. Se todos esses valores pos-
sveis forem igualmente provveis, E(Jt) = (1/n) L~=l x., e. qual r~p!esenta ~
mdia aritmtica simples ou usual dos ~ valores possveis.
I
I
140 I I'ROBABDUDA DIE

(b) Se um dado equilibrado for jogado e a varivel aleatna X designar o


nmero de. pontos obtidos, ento E(X) = (1/6) (1 + 2 + 3 + 4 + 5 + 6) = 7/2.
Este exemplo simples ilustra, nitidamente, que E(X) no o resultado que podemos
esperar quantia X for observado uma nica vez. De fato, na situao anterior
E(X) = 7/2 nem mesmo um valor possvel de X! Fica evidente, porm, que se
<Jbtivermos um grande nmero de observaes independentes de)(, digamos
X!J ... , Xn, e calcula.rmos a mdia aritmtica desses resultados, ento, sob condi-
es bastante gerais, a mdia aritmtica ser prxima de E(X), em um sentido pro-
babilstico. Por exemplo, na situao acima, se jogssemos o dado um grande
nmero de vezes e depois calculssemos a mdia aritmtica dos vrios resultados,
.esperaramos que essa mdia ficasse t~nto, mais prxima de 7/2 qu.rito maior n-
mero de vezes o dado fosse jogado: . '
(c) Devemos notar a semelhana entre a noo de v alor esperado, como foi
-definida acima (especialmente se X puder tomar somente um nmero finito de
.zy-alores), e a noo de mdia de um conjnnto de nmeros z1, . . . , Zn . Comumente
definimos z= (1/n) L~= l z.;. como a mdia aritmtica dos nmeros z1, . .. , Zn.
1
Suponhamos, ademais, que tephamos nmeros z1', ... , Zk , onde z.;.' ocorra 14
vezes, L7=l n; = n. Fazendo' fi= n;/n, L7= 1 f; = 1, definimos a mdia pon-
derada dos nmeros z1', . . , z~' cpmo . ~\ \
. I k ' I kl \
1; """'
--, .L.J 74Zi
I .
= \ . 2.)
~ f iZi,;,
. : n;:i=l' i \:\i=Il (
Muito embora exista Uma forte semelhana entre a mdia pon-
derada acima e a definio de E(X), importante cumpreender q~e
a ltima um nmero (parmetro) associado a uma distribui~o de
probabilidade terica, enquanto a primeira simplesmente o resul-
tado da combinao de um conjunto de numeras em uma forina par-
ticular. Contudo, existe mais do que apenas uma semelhana su-
perficial. Considere-se uma varivel aleatria X e sejam x1, . .. , Xn
os valores obtidos quando o experimento que origina X for realizado n
vezes independentemente. (Isto , x 1, , Xn apenas representam
os resultados de n mensuraes repetidas da caracterstica numrica X.)
Seja x a mdia aritmtica desses n nmeros. Ento, como eXplica-
'
remos muito mais precisamente no Cap. 12, se n for suficientemente
grande, x ser "prxima" de E(X), em certo sentido. Este. resul-
tado bastante r.elacionado idia (tambm a ser explicada no Cap.
12) de que ~ freqncia relativa j A associada a n repeties de um ex-
perimento ser prxima da probabilidade P(A) se f A Jor baseada em
um grande nmero de repeties de 8.

Exemplo 7.4. Um fabricante produz peas tais que 10 por


cento delas so defeituosas e 90 por cento so no-defeituosas. Se
uma pea defeituosa for produzida, o fabricante perde US$ 1, en-
quanto uma pea no-defeituosa lhe d um lucro de US$ 5. Se X
CARACTERIZAO ADDCIONAL DAS VARIVEiS AlEATRiAS I 141

for o lucro liquido por pea, ento X ser uma varivel aleatria
cujo valor esperado calculado como E(X) = - 1(0, 1) 5(0,.9) ~ +
= US$ 4,40. Suponha-se que um grande nmero de tais peas
seja produzido. Nesse caso, quando o fabricante perder US$1 cerca
de 10 por cento das vezes e ganhar US$ 5 cerca de 90 por cento das
vezes, ele esperar ganhar cerca de US$ 4,40 por pea, a longo prazo.

Teorema 7.1. Seja X uma varivel aleatria distribuida bino-


mialrriente, com parmetro p, baseada em n repeties de um_experi-
mento. Ento, .
E(X} = np. >\ __. . .<)
Demonstrao: Como P(X- ; k)-== -(~)pk(1 - p t-k, teremos
l'}..

-. n!'
. . _ p)n-k =
pk(l d--a , Q
;--r
r\ ..
Jt_!(~ _- k)) . . Vfv 1 yOt\\
n

(k -
n!
l)!(n- k)!
pk(l - p)"-k 8
l'bU
l;r--.~ \ ~
I . ()

(uma vez que o termo coni k = O igual a zero). Faamos s = k - 1


na soma acim. Como k toma valores desde m- at n, s tomar
valores desde zero at (n- 1). Substituindo k, em todos os ter- -YJ - :_
mos, por . (s + 1), obteremos {Q,4- ht'.: E (.i--())o:.e_ b
B(X) = I:l ~ (n- 1) p<+t(1 -p).n-8-t:=o . ~
s=O------~ ~,..-..,!
= np_ il (n -l)-;-;- p)n-t-. ..
s=O
-------
S

A soma, na ltima expresso, apenas a soma das probabilidades


binomiais com n substitudo por (n - 1), . isto , [p + (f- p)]n-l
e, portanto, igual a um. Isto estabelece o resultado.
Comentrio: O r'\Sultado acima corresponde certamente a nossa noo inc
tuitiva, porque supomos que a probabilidade de algum evento A seja, digamos
0,3, quando um experimento realizado. Se repetirmos esse experimento, por
exemplo 100 vezes, deveremos esperar que A ocorra cerca de 100(0,3) = 30 vezes.
O conceito de valor esperado, introduzido acima para a variv~l aleatria dis-
creta, _ser muito em breve estendido. ao caso contno.

Exemplo 7.5. Uma mquina impressora tem uma probabilidade_


constante de 0,05 de entrar em pane, cm um dia qualquer. Se a
mquina no apresentar panes durante a semana, um lucw de :~JS
ser obtido. Se 1 ou 2 panes ocorrerem, um lucr de. $R s~r alcan-
ado (R < S). Se 3 ou mais panes ocorrerem, um lucro de $( - L)
142 I PROBABILIDADE

ser obtido. (Admitimos que R, S e L sej;1m maiores do que zero;


tambm supomos que, se a mquina ent~ar em pane em qualquer
dia, ela permanecer parada durante o resto do dia.) Seja X o h,1cro .
obtido por semana de cinco dias teis. Os valores possveis de X
so R, S e (-L). Seja B o nmero de panes pcir semana. Teremos

P(B = k) = (~) (0,05)k(0,95) -k,


5 k=0,1, . .. ,5.

J que X= S se, e somente se, B =O, X= R se, e somente se, B = 1


ou 2, e X = (-L) se, e somente se B = 3, 4 ou 5, verificamos que
E(X) =-SP(B =O)+ RP(B = 1 ou 2) + (-L)P(B = 3; 4 ou 5)
= 8(0,95)5 + R[5(0;05)(0,95) 4 + 10(0,05) 2(0,95) 3] + .
+ (- L)[10(0,05) 3(0,95)2 + 5(0,05)4(0,95) + (0,05) 5] dlares.

Definio. Seja X uma varivel aleatria continua com fdp f.


O valor esperado de X definido como

E(X) = J-: . .xj(x) dx. (7.2)

Pode acontecer que esta integral (imprpria) no convirja. Con-


I seqentemente, d~remos que..E(X) existir se, e somente se,
'I
1: lx lf(x) dx
for finita.

Comentrio: Devemos observar .a analogia entre o valor esperado de uma


, varivel aleatria e o conceito de "centro de gravidade" em Mecnica. Se uma
l;l
:; unidade de massa for distribuda sobre a reta, em pontos discretos X!J , Xn. e
se p(x;) for a massa no ponto x;, ento vemos que L;': 1 x;p(x;) nipresenta o cen-
tro de gravidade (em relao origem). Semelhantemente, se urna unidade de massa
for distribuda continuamente sobre uma reta, e se j(x) representar a densidade
de massa em x, ento J 2:: xj(x) dx poder tambm ser interpretado como o centro
de gravidade. No sentido acima, E(X) pode representar "um centro" da distri-
buio de probabilidade. Tambm, E(X) algumas vezes denominado med1'da
de posiao central e expresso nas mesmas unidades que X.

Exemplo 7.6. Seja a varivel aleatria X definida como segue.


Suponha-se que X seja o tempo (em minutos) durante o qual um equi-
pamento eltrico seja utilizado em mxima carga, em um certo perodo
de tempo especificado. Suponha-se que X seja uma varivel alea-
tria continua com a seguinte fdp:
I
j(x) ~ (1.500)2 x, ~X~ 1.500,
CARACTERIZAO ADICIONAL DAS VARIVEIS ALEt\TRIAS I 143

I
-1 i
(1. 00)2 (x - 3.00~), . 1.500 ,::; x ::; 3.000,
5
= O, para quaisquei !outros valoreE:,
I .
Portanto

E(X) = r:= xj(x) dx


[ rI
I
1.500 . r3.000 J
1
(1.500)(1.500) }b x2 dx - J1.500 x(x - 3.000) dx
I . ,
= 1.500 minutos. 1

(Veja a Fig. 7.L)

f(x)

~ x l l500 x = 3000

F~g. 7.1
. . I
Exeitnp.Zo 7.7. O contedo de cinzas (em' percentagem) no carvo,
~ri.
di gamos X , }J' . , 'l alea
V'Ue ser coDSl'deradio como uma vanave . t,ona
. con-
tnua c<im. a se~te fdp: f(x) 2
i=
(1/4.S75Yx , 10 ::; x ::; 25. Por-
tanto, E(X) = (1/4.875) .~;: x 31 dx = 19,5 . por cento. Assim; o
5

.coiitedo de cinz~ esperado no particula.r esp~ime de carvo que ,.i


est sendo estudado de 19,5 por cento. ' .

Teoienui 7,2. Seja X . unifo~emente distribuda sobre ci inter-


valo [a, b]. Nesse caso, r
E(X) 1a~ b.

I . I

Demonstrao: Afdp de X 1ada por j(x), = 1/(b-:- a), a:::::;. x ::; b.. .
Portanto, i

E(X).=

fb _x_ dx i= _
a b...,. . a 1
1_.-
b"-a
~210-
2 .. - - -
b.
a+2-. 'I
(Observe-se que est e valor r~pr~enta o ponto.mdio do inte~~lo
[a,b], como era de se espe~ar.int~tivamente.)
. .. .. . . i . . . . .. .
\ '. .
Come1if.<irio:: .Pode ser .valioso leri:tprr nesta oca8io que uma vrivel alea-
tria X uma funo .de .um espao a)nostral S sobre contradomnio Rx. Como
. . I
144 I PROBABILIDADE

j salientamos repetidamente, para. muitos fins, estaremos to-somente interessa-


dos no espao amostral e nas probabilidades definidas nele. Esta noo .de valor
esperado foi definida. completamente em termos do contradomnio. [Veja. as
Eqs. (7.1) e (7.2).] Contudo, ocasionalmente, devemos observar a natureza.
funcional de X. Por exemplo, como expressaremos a Eq. (7.1) em termos do re-
sultado s E S, admitindo que S seja finito? Desde que x; = X(s) para algum
s E S, e j que
p(x:;) = P[s: X(s) = x;],
poderemos escrever
n
E(X) = r:
i- 1
x; p(x;) = L
ES
X(s)P(s), (7.3)

. ~
onde P(s) a probabilidade do evento {s} C S. Por exemplo, se o experimento
consistir na classificao de trs peas como defeituosas (D) ou no-defeituosas
(N), um espao amostral para este experimento seria
S = {NNN, NND, NDN, DNN, NDD, DND, DDN, DDD).

Se X for definido como o nmero de defeituosas, e se admitirmos que todos os re-


sultados acima sejam igualmente possveis, teremos, de acordo com a Eq. (7.3),

E(X) = L X(~)P(s)
ES

+ + +
=o ( t )+ 1 ( )+ 1 ( )+ 1 ( )+ 2 ( t )+ 2 ( t )+2 ( )+ 3 ( t) +
N a.tura.lmente; este resultado poderia ter sido obtido mais facilmente pela aplica-
o da. q. (7.1) diretamente. Contudo, conveniente lembrar que a fim de em-
pregar a Eq. (7.1), necessitaremos conhecer os nmeros p(x;), o que por sua vez
significa que um clculo, tal como aquele que empregam,os acima, teria de ser
executado. O que se deve salientar que uma vez que a distrib\l.io de probabi-
lidade sobre. Rx seja conhecida [neste caso, os valores dos nmeros p(x;)], podere-
mos suprimir a. relao funcional entre Rx e S.

7.2. Expectncia de uma Funo de uma Varivel Alea-


tria

Como j explicamos anteriormente, se X for uma varivel. alea-


tria e se Y = H (X) for uma funo .d e X, ento Y ser tambm
uma varivel aleatria, com alguma distribuio de probabilidade;
conseqentemente, haver interesse e ter sentid calcular E(Y).
Existem duas maneiras de calcular E(Y), .qOO se mostram equiva-
lentes. Mostrar que elas so, em geral, equivalentes, no trivial e
dei:nons~raremos apen~ um caso especal. . No entanto, importante
que o leitor comprenda os dois tratamentos do assunto apresentados
a seguir.
CARACTER I ZAO ADBC.IONAL DAS VARIV..EJS-ALE"ATRUAS I 145

Definio: Seja X uma varivel aleatria e seja ~-- ~ _!!__(~)


(a) Se Y for uma varivel aleatria . discreta C()m valores poss-
veis y1, Y2, . .. e se q(y;) = P(:r := y;), definiremos -
m

E(Y) = L y;q(v.).
i=l
(7.4)

b) Se Y for uma varivel aleatria contnua com fdp g, defini-


remos
+m
E(:> =
f m yg(y)dy. (7.5)

Comentrio: Naturalmente, essas definies so completamente coerentes


com as definies anteriores, dadas para o valor esperado de ~a varivel alea-
. tria. De rato, o que est acima sii:nplesmente representa uma reformula~o em.
termos de Y. Uma "desvantagem" de aplicar a definio acima -a fim de obter
E(Y) que a distribuio de probabilidade d~ Y (isto , a distribuio de proba-
bilidade sobre o contradomjnio Ry) exigida. Explicamos, no captulo anterior,
mtodos pelos quais. podemos obter ou as probabilidades no ponto q(y;), ou g,
a fdp de Y. No entanto, surge a questo de podermos obter E(Y), sem prelilni-
nrmente encontrarmos a distribuio de probabilidade de. Y, partindo-se apenas
do conhecimento da distribUio de probabilidade de X. A resposta afirmativa,
como o indicam os teoremas seguintes.

Teorema 7.3. Seja X uma varivel aleatri e seja Y = H(X).


(a) Se X for uma varivel aleatria discreta e p(x;) = P(X = x;),
teremos

E(Y) = E [H(X)] = f: H(xJ)p(xJ).


i=I
(7.6)

(b) Se X for uma varivel aleatria contnua com fdp j, teremos


+m
E'(Y) = E [H(X) ] = j_ m H(x)j(x)dx. (7.7)

Comentrio: Este teorema torna a avaliao de E(Y) muito . mais simples,


porque ele quer dizer que no necessitamos achar a distribuio de probabilidade
de Y, a. fim de avaliarmos E(Y); o conhecimento da distribuio .de probabilidade
de X suficiente.

Demonstrao: [Somente demonstraremos a Eq. (7.6) . . A de- '...,;.

monstrao da Eq. (7.7) 'u m tanto mais complicada.) Considere-~e


a soma L1:1 H(xJ)p(x;-) = Li:l [_L, H(x;)p(x;)], onde a soma inte-
rior tomada para todos os ndices i para os quais 1I(x;) ~YJ, para
algum Yi fixo. Conseqentemente, todos os termos. H(r.;) so cons-.
146 I PROBABILIDADE

tantes na soma interior. Por isso

EH(x;)p(x;) = .f: Yi L
i=l i=l i
p(x;).

No entanto,
L; p(x;)
.
= L P[x !H(x.;) =
i
y;] = q(y;).

Logo, I:,:I H(x;)p(xi) = }:;:I y;q(y;), o que estabelece a Eq. (7.6)"


Comentrio: O mtodo de demonstrao essencialmente equivalente ao
mtodo de contagem, no qual reunimos todos os itens que tenham o mesmo valor.
Assim, se desejarmos achar a soma total dos valores 1, 1, 2, 3, 5, 3, 2, 1, 2, 2, 3, pode-
remos ou somar diretamente, ou indicar que existem 3 um, 4 dois, ,) trs e 1 cinco,
o que determina que a soma total seja igul a
3(1) + 4(2) + 3(3) + 1(5) = 25.
Exemplo 7.8. Seja V a velocidade do vento (em milhas por hora)
e suponha-se que V seja uniformemente distribmda sobre o intervalo
[0, 10]. A presso, digamos W (em libras/p quadrado), na super-
fcie da asa de um avio dada pela relao: W = 0,003V 2 Para
achar o valor esperado de W, E(W), poderemos proceder de duas
maneiras:
(a) Empregando o Teor. 7.3, teremos

E(W) = 1 10
0,003v 2j(v)dv
{10 1
= }o 0,003v 2 lO dv = 0,1 libras/p quadrado.

(b) Empregando a defini&.o de E(W), precisaremos primeira-


mente achar a fdp de W que chamaremos g, e depois calcular
f_+;, w wg(w)dw. Para acharmos g(w), observamos que w = 0,003v 2
uma funo montona de v para v ~ O. Poderemos aplicar o.
Teor. 5.1 e obter

g(w) = 1~ I~:1
= .l.. Jww-112
213 '
= O, para quaisquer outros valores.
Em conseqncia
. {0,3
E(W) = }o wg(w)dw = 0,1

1! !1!
CARACTERIZAO ADICION.O:liDAS VARIVEIS ALEATRiAS I 147
I ..
!

I
depois de um clculo simples. Deste modo, como afirrn.a o teorema,
os dois clculos de E(W) forne~em o mesmo resultado.
I
Exempla 7.9. Em muitos problemas estamos interessados apenas
na magnitude de uma varivel! aleatria, sem con:siderarmqs o seu
interessados em IX 1. Suponha-
1
sinal algbrico. Isto
.
, estaremos
I
mos que X seja uma varivel a1eatria contnua com a seguinte fdp:
. ec I
j(x) = _ , se x ~O,

e~~ se x > O.
=~
Seja Y = IX 1. Para obtermo~ E(Y), poderemos proceder por uma
de duas maneiras. I
(a) Empregando o Teor. (1.3, teremos

E(Y) = J+ m IX IJ(x) ~X

~~ -[/ (-x)~ + j,"


dx (x),- dx]
( I .
= 2 [1 + 1] = 1!
. I
(b) Para calcular E(Y) einpregando a definio, necessitamos
obter a fdp de Y = lXI, que ! denotaremos g. Seja G a fd de Y. ~,i
~rl~o, i
G(y) = P(Y ~ y) = P[ IXI ~ y] i= P[-y ~X~ y] = 2P(O ~X~ y),
!
porque a fdp de X simtrica! em relao a zero. Logo,
I
l 1
i/ !1..,
G(y) = 2 j(x) dx:! 2 !!._ dx =-e-u+ 1.
1 o 2
I
Deste modo teremos ~ara g, ai fdp ~e Y, g(y) = ~'(y) =e-u, y _"2:. O.
Portanto, E(Y) = fo yg(y) dy r= fo ye-u dy = 1, tal como acrma.
. I
Exemplo 7.10. EIQ mui~s problemas, pode~os empreg:=J:r o
valor esperado de uma varivel alea,tria a fim de tomar uma certa
I
deciso de uma maneira tima: I ' .. . II
Suponha-se que um fabncante produza um cert<J trpo de leo I
lubrificante, o qual perde algum de seus atributos especiais se no
I I
I
~43 I PROBABIUDADIE

for utilizado dentro . de certo pei(odo !e tempo. Seja o :n,lmero _x


de unidades de leo encomElndadas ao' f~bricllJlk (lu~~t~ ;~$~ $Kl~
(Uma uniddie ~ igual' a 1.000 ,gal~.) Suponba-sie que X: aeja uma
V"ariveL aleat6rla coritma; uiform~ment~ . diStlclblddk 8ijb~ [2, 4].
Piirtarito, a fdp J tm .a forma

.' 1
f(x) ,.. > z ' ' '

= o, para quaisquer outros valores.

Suponha-se :.que para cada .unidade vendida; se ~n~a um lucro de


US$ 300, enquanto para cada unidade no vendid~t (durante qualquer
ano especific11do) se .verifique unia perda de US$ ioo, porque uma
.unidade :no . utiliza-da ter.:de ser jogi_da fora. Admt~t-se que o
i' . fabrica.nte deva. decidir, alguns meses antes -do incio de cada ano,
Iii quanto ele ir produzir, e que ele decida fbricar Y unidades. (Y no
'I
I
rima varivel aleat6ri~; especificada pelo fabricante.) S~ja Z
o lucrd por ano (em dlares). Aqui, Z .eVidentemente uma varivel
leatrla, porque uma fW:lo da varivel aleatria X. Especifi-
camente, Z = H(X). onde

H(X) :;: 300Y se x _;: : Y,


300X + (-lOO)(Y - X) se X< Y.'
.. . .
(A 1fltima expresso pode ser escrita como 4ooX ~ lOOY)
A fim de ~bterxnos E(Z), aplicaremos io ~oor. 7.3 e escreve-
remos
'!
I E(Z) = f+ . H(x)J(x) dx = . ! 1. ~ H(i) dx.
-<m 6:1 2

I
E(Z)
I
I

I . ~
2 y 4 Y=2 Y=3~S Y=<l

IFifii; 73

. Para calcul~r esta integrai, dev:ere~os c~nsiderar trs c~os: Y < 2,


2 ::; Y ::; . 4 e Y > .4. Com .a. ajude da F-ig. 1.2 e depois <J,e atgunias
CARACTERIZAO ADICIONAL DAS VAR IVEoiS ALEATRIAS I 149

simplificaes, obteremos

E(Z) = 300 Y se Y ~ 2
- 100Y2 + 700Y- 400
se2<Y< 4
= 1.200- lOOY se Y?: 4,

A questo seguinte apresenta interesse. Como deve o fabri-


cante escoll!er o valor de Y, a fim de maximizar seu lucro esperado ?
Poderemos responder a esta questo facilmente, estabelecendo
apenas que dE(Z)/dY = O. Isto fornece Y = 3. 5. (Veja a Fig. 7. 3.)

7.3: Variveis Aleatrias IBidimensionats

Os conceitos discutidos acima, para o caso unidimensional,


tambm valem pa!a variveis aleatrias de dimenso mais elevada.
Em particular, para o caso bidimensional, estabeleceremos a se-
guinte definio.

Definio. Seja (X, Y) uma varivel aleatria bidimensional


e seja Z' = H(X, Y) uma funo ral de (X, Y). Em conseqncia,
Z ser uma varivel aleatria (unidimensi~nal) e definiremos E(Z)
como se segue: ,.
'
(a) Se Z for uma varivel aleatria discreta, com valores pos-
sveis z1, z_2 , .. e com p(z;) P(Z = z;),
m

ento E(Z) = : z,p(z;). (7.8)


i
i= 1

(b) Se Z for UIIl1l. varivel aleatria contnua com fdp j, teremos

+m
E[(Z) = J_ ~ zj(z) <h. (7.9)

Como no caso unidimensional, o seguinte teorema (anlogo ao


Teor. 7.3) pode ser demonstrado.

Teorema 7.4. Seja (X, Y) uma varivel aleatria bidimensio-


nal e faamos Z = H(X,' Y).
(a) Se (X, Y) for uma varivel aleatria discreta e :;;e
' \

p(xi, y;) = P(X -= x;, Y = Y;), i,j = l, 2,.


!
150 I PROBABiliDADE
:!
teremos
m m

E(Z) = L L H(x;, Yi)p(x;, Yi), )


j - I i=l
(7.10)
~ !

~ (b) Se (X, Y) for urna varivel aleatria contnua com fdp con-
i' junta j, teremos

J: "'1:"'
11
!
i E(Z) = H(x, y)j(x, y)dx dy . (7.11)
r
Comentrio: No demonstraremos o Teor. 7.4. Tambm, tal como no caso
unidimensional, este um resultado extremamente til porque ele afirma que nllo
necessitamos achar a. distribuio . de probabilidade da. va.ri.vel aleatria. Z, a fim
de calcular sua. expectncia. Poderemos achar E(Z) diretamente, a partir do co-
nhecimento da. distribuio conjunta de (X, Y) .

Exemplo 7.11. Vamos reconsiderar o Ex. 6.14 e achar E(E)


onde E= IR . J vimos que I e R er~m variveis aleatrias com
as seguintes fdp g e h, respectivamente:

g(i) = 2i, o~ i~ 1; h(r) = r 2/9, O~ r ~ 3.

Tambm encontramos que a fdp de E era p(e) = (2/9)e(3 - e),


O ~ e ~ - 3. Visto que I e R so variveis aleatrias independentes,
a fdp conjunta de (I, R) simplesmente o produto das fdp de I e de R:
j(i, r) = (2/9)ir 2 , O ~ i ~ 1, O ~ r ~ 3. Para calcular E(E) em-
pregando o Teor. 7.4, teremos '

::,
:~i:
21 1
= -
9 o
1
i 2 di
~
3
r 8 dr = -3
2

Empregando diretamente a definio (7.9), teremos

{3 {3
I
2
E(E) = }o ep(e) de =}o_ e 9 e (3 - e)de
'!
3
~I 2 { 3
I = 9 Jo (3ell- efl) de=
2-.
~
:!
i:' 7.4. Propriedades de Valor Esperado

'~l
ii,,i .1
'i
Mencionaremos algumas importantes propriedades do valor
esperado de uma varivel aleatria, as quais sero muito teis para
i
;I
i :r
11 ~Iii

111: ~\\
I
I
I . . I 151
CARACTERIZAO AD I CION,AL DAS VARIA VEIS ALEATQR I AS

I
o estudo subseqente. Em ~ada _caso, admitirelfos que todos os
valores esperados
.
que
.
mencionarmos,
I
existam. As ,
demonstraes
sero dadas
..
apen&a para o ca.So
I
contnuo. O leitor
I
deve
.
estar apto
111 desenvolver l!ll demonstrao para o c;aso discreto, pela simpl~s
substituiO dM integrais pot somat6rios. .
I
Pr~ 7.1. Se X=+ C, onde C .u ma constante, ento,
F(x) I E(X) = C.

1 Demonstrao:
, . . - - - - - - - -F(x)=i I
i E(X) = J:"' C~(;r;) dx

x=C xl . d.,, r+~


!Fig. 7.4 I -. _)J-"' j(x) dx =C.

Comentrio: O significado de ser X igual a' C o seguinte: Desde- que X


uma funo do espao amostral nd Rx, a propriedade acima diz que o Rx cons-
titudo unicamente plllo v:alor C. Gonseqentemente, X ser iguai a C, se, e . so-
mente se, P[X(s) = C.l = 1. Estai idia melhor explh::ada em termos d;,. 'fd
de X, A saber, F(x) = O, se x < ; F(x) ~ 1, se x 2: C (veia a Fig. 7.4). Tal
varivel aleilt6ria , algumas vez~, chamada degenerada. .
. .... I .
Propriedade 7.2. Supo~a,.:se que C seja uma constante e X
seja uma varivel aleatria. !ED,to, E(CX) ="' CE(X).
Demonstrao: i
E(CX) =
~
! +..
_"' Cxj(x)
I
F f+"'
= C :__ ~ xj(x) dx = CE(X}
I.
Propriedade 7.3. Seja (~, Y) uma varivel aleatria bdimen- .
sional com uma distribuio de probabilidade conjunta. Seja
Z = H 1(X, Y) e W "= H 2 (X, Yj). Ento, E(Z + W) = E(Z) + E(W).
I

I
Demonstrao: i
i

E(Z + W) = J: "'1: . [+(x, y) +H 2 (x, y)]j(x, y)dx dy =


.j
1 [onde j a fdp conjunta de (X, Y)J
: . . ;.- .,
152 I PROBABIUDADIE

Propriedade 7.4. Sejtilm X .~ Y duas variveis aleatriM qu&is-


quer. Ento, E(X + Y) = E(X) + E(Y).
Demonstrao: Isto decorre mOOi&tmnente da Propriedade 7.3,
ao se fazer H 1(X, Y) = X e H 2(X, Y) = Y.

Comentrio: (a) Combinando-se as Propriedades 7.1, 7.2 e 7 .4, observaremos


o seguinte fato importante: Se Y = aX + b, onde a e b sl!.o constantes, .entl!.o
E(Y) = aE(X) + b. Em linguagem corrente: o valor esperado de uma funo
I I
line&r 111 mesma funo line&r do v&lor esper&do. X!!to fUlo ser. verdadeiro, a
: ..
men9s que se trate de funo linear, e constitui um erro comum pensar que a pro-
priedade seja v.lid& para outras funes. Por eJtemplo, E(X 2 ) ;; (E(X)J2,
+
E(ln X) ;; ln E(X) etc. Assim, se X tomar valores _: 1 e 1, cada um com pro-
bBbilidade 1/2, entlto E(X) = O. No entanto,

(b) Em geral, difcil obter expresses para E(l/X) ou E(X 112 ), digamos
em termos de 1 IE (X) ou [E (X) ] 112 Contudo, algumas desigualdades esto
disponveis, as quais so muito simples de deduzir. (Veja os artigos de Fleiss,
Murthy e Pillai e o de Gurland, nos nmeros de fevereiro e dezembro de 1966 e
abril de 1977, respectivamente, da revista The American StatisticiLui.)
Por exemplo, teremos:
(1) se X tomar soinente valores positivos e tiver expectncia finita, ento,
E (I/X);;. 1/E(X).
(2) sob as mesmas hipteses de (1), E(X 112 ) .;; [E(X)] 112

Propriedade 7.5. Sejam n variveis aleatrias X 1 , . , X,..


Ento,
E(Xt + ... + Xn) = E(Xt) + ... + E(Xn).
Demonstrao: Isto decorre imediatamente da Propriedade 7.4,
pela aplicao da indut;o matemtica.

Comentrio: Combina.nd<HJe esta propriedade com a anterior, obteremos

E ( ~x.) E~E(X;),
io:::r 1
=
i -1

onde os a; so constantes.

Propriedade 7.6. Seja (X, Y) uma varivel aleatria bidimen-


sional e suponha-se que X e Y sejam independentes. Ento, E(XY) =
= E(X)E(Y).
CARACTERIZAO ADiCIONAl DAS VARIVEIS AlEATFUAS I 153

Demonstrao:

E(JY) = f _"'+mf+=
_"' xyj(x,y) dxdy

=
r+"'j+"'
J-"' - xyg(x)h(y) dx dy
m

+m xg(x) dx}r+"'
=
f = _"' yh(y) dy = E(X)E(Y).

Comentrio: A hiptese adiCional de independncia exigida para estabele-


cer-se a Propriedade 7 .6, enquanto tal suposio no foi necessria para obter-se
a Propriedade 7 .4.

Exemplo 7.12. (Este exemplo se baseia em um problema do livro


An Introduction to Probability Theory and Its Applications, de W.
Feller, p. 225.)
Suponhamos que seja necessrio testar alguma caracterstica em um
grande nmero .de pessoas, com resultados positivos ou negativos. Alm
disso, suponhamos que algum possa tomar amostras (ou provas) de
vrias pessoas e testar a amostra combinada como uma unidade, como
pode ser o caso de certos tipos de exames de sangue.
Suposio: A amostra combinada dar um resultado negativo se e
somente se todas as amostras que contribuem forem negativas.
Por isso, no caso de um resultado positivo (da amostra combinada),
todas as amostras devem ser retestadas individualmente, para determinar
quais so as positivas. Se as N pessoas forem divididas em n grupos de
'k pessoas (admita-se que N = kn), ento, surgem as seguintes escclhas:
(a) testar todas as N pessoas individualmente, sendo necessrios
Ntestes;
(b) testar grupos de k amostras, o que poder exigir to pouc6
quanto n = Njk testes ou tantos testes quanto (k + l)n = N + n.
Ser nosso propsito estudar o nmero mdio de testes exigidos
no caso (b) e, em seguida, comparar esse nmero comN
Suposio: A prob~bilidade de que os resultados do teste sejm
positivos igual a p, e a mesma para todas as,pessoas. Os resultados
dos testes para pessoas de um mesmo grupo sujeitas ao teste tambm
so independentes. Seja X= nmero de testes requerdos para deterrni-
154 I PROBABILIDADE

nar a caracterstica que esteja sendo estudada para todas as N pessoas,


e seja Xi = nmero de testes requeridos para testar pessoas no i-simo
grupo, i= 1, .. . , n.
Da, X= X 1 + ... +Xn e, por isso, E(X) =E(Xt)+ .. . +E(Xn),
o que igual a nE(Xt), porque todos os Xi tm a mesma expectncia.
Agora, X 1 toma somente dois valores: 1 e k + 1. Ademais,P(X1 = 1) =
= p (todas as k pessoas no grupo 1 so negativas)= (1 - p )k.
Portanto,
P(X 1 =k+ 1)= 1-(1-p)k .)

e ento

E(Xt)= 1 (1-p)k +(k+ 1)[1-(1-p)k]=


= k[ 1- (I- p )k + k- 1 ].
Logo,

(A frmula acima vlida somente para k > 1, desde que k = 1


conduz aE(X) =N + p n, o que obviamente falso!)
Uma questo de interesse a escolha de k para o qual aE(X) s~ja
a menor possvel. Isto poder ser trtado facilmente por algum procedi-
mento numrico. (Veja o Problema 7.11.a.)
Finalmente, note-se que, para o "teste em grupo" ser prefervel ao
teste individual, deveremos ter E(X) < N, isto , 1 - (1- p )k + k- 1 < 1,
o que equivalente a k- 1 < (1: - p )k. Isto no pode ocorrer, se
(1 ~ p) < 1/2, porque, nesse caso, (1'- p)k < 1/2k < 1/k, a ltima
desigualdade decorrendo do fato de que 2k > k. Daqui, obteremos a
seguinte concluso interessante: Se p, a probabilidade de um teste posi-
tivo em qualquer dado individual; for maior do que 1/2, ento nunca
ser preferfvel grupai amostras antes de testar. (Veja o Problema 7.11.b.)

Exemplo 7.13. Vamos aplicar algumas das propriedades acima


pra deduzir (de novo) a expectncia de uma variy;,l aleatria dis-
tribuda binomialmente. O mtodo empregado poder ser aplicado
vantajosamente em muitas situaes similares,
. Consideremos n repeties d~ um experimento e seja X o n-
mero de vezes que algum evento, digamos A, ocorra. Seja p = P(A) e

11~11 1~\ :
CARACTERIZAO AD8C.IONAL pAS VAR~VEIS ALEATRIAS I 155 .

i
admitamos que _este nmero seja\ constante em tod~Mj as repeties
OOWJJidemd&a.
Defmmmoa aa v~iveia ~uxiliarea Y1 , , Y,., asaim:

Yf = .li.
i
ae o ewnto A ooorjrer nm i-sima repetio,
= @ illiiiSO oontxirio.
i . .
Em oonseqncia, X = Y 1
d!M!e 7.5, obteremos . .
Y2
!
+ +... + Y,.; e aplicando a Proprie--
E~X) = E(Yl) l+ ... + E(Y,.).
t!ontudo, I

.
E(Yo) = l(p) + 0(11I - p) = p, para todo i.
.. . - .. ; --) . .
..AssJm, E(X) = np, o que verific~ o resultado antenor.
I
Comentd.rio: V~m~.os relliterpretar ~w importante resultado. Consideremo5l
~ v~iwl aleatria X/n~ Isto repreeenJ a freqUncia relativa do evooto A, dritre
'J!B n repeties de&. Empregando aPro~riedade 7.2, teremos E(X/n) = (np)fn = p.
Isto , intUitivamente, CQmo seria d<a ~p<arar-se, porque afirma que a freqncia.
relativa .~a do evento A . p, quarldo p = P(A). Ele representa a primeira
verifiC8\)li.0 tOOrie& do fato de que existe ~One:xo entre I a freqnciiL remtiVI!. de um
evento e .a probabilidade ds,quele eventb. Em um eaptulo posterior, obteremos
outros nsultados que est:Welecem uma telaio ~uito .:maiS pr~ entre freqn-
cia, rolativa e probabilidade. 1
'
!
I
Exemplo 7.14. Suponhamos que a procura D, por semana, de um
certo produto seja uma varivel [a leatria com uma certa distribui- ..
io de probabilidade, digamos J:r(D = n) = p(n), n = O, 1, 2, ...
Admitamos que o custo pe.ra o t endedo:r seja C1 dlares por pea,
enq1Jlanto ele vende cada pea P?r C2 dlares. Qualquer pea que
no tenha
.
sido vendida at o fimI da semana. deve ser estocada ao
custo de Cu dlares por pea.. Se o vendedor deddir pro-duzir N
pe$.8 no incio da semana, qual s~ seu lucro esperado por seman.11.?
Pam. que valor 'de N, o lucro esp~ra.do se toma mximo? Se T for
.o lucro por semana, teremos \.
I
.T NC,. - N(;l se D > N,
l
DC2- C1N- CJra(N- D) se D ~ N.

Reescrevendo o que
.
ea~
I ;.
acima., Qbteremos I
.
I

I
.'1' N(Cs- C1) se E! > N, \
(Cs + CD)D - N((C1 + Ca) se D ::_:; N.
I
I
156 I PROBABIUDAOE

Por isst>, o lucro esperado obtido assim.


N
E(T) N(C2- Ct)P(D > N) + (C2 + Ca) n=o
L np(n)

- N(Ct + Ca)P(D ~ N)
m N
N(C2- Ct) L p(n) + (C2 + C3) n-0
n=N+l
Lnp(n)
N
- N(Ct + Ca) n=O
L p(n)

N
N(C2- Ct) + (C2 + Ca) n=O
L p(n)(n - N).

Suponhamos que se. saiba que a seguinte distribuio de probabili-


dade seja apropriada para D: P(D = n) = 1/5, n = 1, 2, 3, 4, 5. Da,

E(T) = N(C2- C1) + (C 2 ~ C3) [N(N + 1)/2 .~ N se 2] N ~ 5,


1.
N(C2 - C1) + (C2 + Ca) 5 (15 ~ 5N) se N > 5.

Suponhamos que C 2 = $9, C 1 = $3 e C3 = $1. Logo,


E(T)
E(T) =6N + 2 [ N(N + 1) - N2]
2
se N ~ 5,
6N + 2(15 - 5N) se N > 5,
L-----~------~--~N
7N- N 2 se N ~ 5,.
30-4N se N > 5.
Portanto, o mximo ocorre para N = 3,5. (Veja Fig. 7.5.) Para
N = 3 ou 4, teremos E(T) = 12, que o mximo atingvel, porque
N um inteiro.

7.5. A Varincat de uma Varivel Aleatria

Suponhamos que, para uma varivel aleat6ria X, verificamos


que E(X) = 2. Qual o significado disto ? importante que no
atribUamos a essa informao mais significado do que autori~ado ..
CARACTERIZAO ADDCIOI\IAL D"AS.VARIVE.ISAlEATRIAS I 15.7

Ela simplesmente signific& que se considerarmos um grande nmero


de determinaes de X, digamos x ... . , Xn e calcularmos SI mdia
desses valores de X, esta mdia estaria' prxima de 2, se n fosse grande.
No entanto, verdadeiramente crucial no atribu~r demasiado sig-
nificado a um valor esperado. Por exemplo, suponhamos que X
represente a durno da vida de lmpadas que estejam sendo recebi-
das de um fabricante; e que E(X) = 1.000 horas. Isto poderia sig-
nificar uma dentre muitas coisas. Poderia significar que a maioria
das lmpadas deveria durar um periodo compreendido entre 900 horas
e.l.lOO horas. Poderia, tambm, significar que as lmpadas forne-
cidas so formadas de dois tipos de lmpadas, l.nteiramente diferen-
tes:eerca de metade so de muito boa qualidade e du~aro aproxima-
damente 1.300 horas, enquanto a outra metade so de muito m qua-
lidade -e duraro aproximadamente 700 horas.
Existe uma necessidade bvia de introduzir uma medida quanti-
tativa que venha a distinguir entre essas duas situaes. Vria.S
medidas so por si mesmas muito sugestivas, mas a seguinte a quan~
tidade mais comumente empregada.
Definio. Seja X uma varivel aleatria. Definimos a vari-
ncia de X, denotada por V(X) ou ~Yx 2 , da maneira seguinte:

V(X) = E [X - E(X)] 2 (7.12)

A raiz quadrada positiva de V(X) denofuinada o desvio-padro


de X, e denotado por ~Yx.

Comentrios: (a) O nmero V(X) expresso por unidades qua<Jr{ulas de X.


Isto , se X for medido em horas, ento V(X) exprelS:\1 em (horas)2 Este um
motivo para considerarmos o desvio-padro; ele expresso nas m~ unidades
que X.
(b) Outra medida possvel poderia ter sido E IX - E(X) J. Por alguns
. motivos, um dos quais que X2 uma funo melhor "comportada" que IX J,
a varincia preferida.
(c) . Se interpretarmos E(X) como o centro de gravidade da unidade de
massa distribuda sobre = reta, poderemos interpretar V(X) como o momento
de inrcia dessa massa, em relao a um eixo perpendicular que passe pelo centro
.de gravidade da massa.
(d) V(X), tal como definida na Eq. (7.12) : um caso especial da seguinte
noo mais geral. O k-simo rrwmento da varivel aleatria X, em relao a sua
expectncia, definida comd sendo }J. J, = E [X - E(X) ]k. Evidentemente, para
k = 2, obteremos a varincia.

O clculo d V(X) pode ser simplificado com o auxlio :do seguinte


resultado.
158 I PROBABILIDADE

Teorema 7.5.

Demonstrao: Desenvolvendo E[X- E(X)]2 e empregando as


propriedades j estbelecidas para o valor esperado, obteremos
V(X) = E[X - E(X)] 2
= E{X 2 - 2XE(X) + [E(X)] j 2

= E(X 2
)- 2E(X)E(X) + [E(X)] 2
[Lembrar que E(X)
= E(X2) _ [E(X)l2. uma constante.]

'Exemplo 7.15. O servi~ de meteorologia classifica o tipo de


cu que visivel, em termos de "graus de nebulosidade". Uma es-
cala de 11 categorias empregada: O, I, 2, .. . , 10, onde O representa
um cu perfeitamente claro, 10 representa um cu completamente
encoberto, enquanto os outros valores representam ~ diferentes.c,on-
dies intermedirias. Suponha-se que tal classificao seia;}E;!ita
em uma determinada estao meteorolgica, em uriJ. daterminaq~,,dia
e hora. Seja X a varivel aleatria que pode tomar um dos Ii ~a
lores acima. Admita-se que a distribuio de probabilidade de X seja
P1 = P2 = Ps = pa = 0,15;
Pa = p~ = P6 = pa = p1 = 0,06.

Portanto 1
E(X) = 1(0,15)+ 2(0;15) + 3(0,06) + 4(0,06) + 5(0,06) +
+ 6(0;06) + 7(0,06) + 8{0,15) + 9(0,15) +
+ 10(0,05) = 5,0.
A fim de calcular V(X), necessitamos calcular E(X 2).
E(X 2) = 1(0,15) + 4(0,15) + 9(0,06) + 16(0,06) + 25(0,06) +
+ 36(0,06) + 49(0,06) + 64(0,15) + 81(0,15) +
+ 100(0,05) = 35,6.
Portanto,
V(X) = E(X 2 ) - [E(X))2 = 35,6 - 25 = 10,6,
e o de.svio,-padro u = 3,25.
\
Exemplo 7.16. Suponhamos que X seja uma varivel aleatri~
continua com f'dp
~ I . I I .

- I
CARACTERIZAAO AD.ICIONAL DAS VARIA VEIS ALIEATORIAS I t59
- .
j(x) = 1 + X; I - 1 ~ x ~ O,
= 1 ~- X, ~ 0 ~ X ~ 1.

(Veja a Fig. 7.6.) Em virtude da [simetria da fdp, E(X) =O. (Veja


o comentrio abaixo.)
Alm disso, f(x)

E(X') ~ 1>(1 + x) dx + i

+ 1 1
7
x (1- x)ch = ! 1
\

-1 X

Portanto, V(X) =
.
! .i .
IFIQJ. 7.6
.
Com~~rio: Su_ponhamos q~e
uma \va.rivel tenha uma
fdp que seJa s1mtnca em rela.ao a x = O. Isto e, j(- x) = j(x) para todo x.
al~atria con~nua
Ento, desde que E(X) exista, E(X) =o, lo que uma !conseqncia imediata da
definio de E(X). Isto pode ser estendido a um ponto arbitrrio de simetria
. ' . I
z = a, e nesse caso E(X) = a. (Veja o f'robl. 7.33.)
I
I

7.6. Prpriecllades rdla Varincia clle uma Varivel Alea-


tria. !

Existem vana.s propriedades I {!m parte anlogas imp~rtantes,


quelas expostas para a expectn4ia . de uma varivel aleatria, as
quais valem para a varincia. . Ii .

Propriedade 7.7. Se C for uni.a constant~,


I
+
l'(X C)i= V(X). (7.13)
Demonstrao:
I
V(X + C) = E[(X + C) :- E(X +iC)] 2
= l..1(X + C) ...,. E(X) -: C]z
= E[X - E(X)) 2 ,;: V(~.
. I
Comentrio: Esta propriedade intuitivamente evidente, porque somar
UIWI constante a um resultado X ni!.o llllt6-a sua variabilidade, qUl!l siquilo que a
vmncia mede. Apenas "desloca" oo valores de X para 11. direita ou Iii esquerde,
dfl~ndendo do sinal de C. . j .
I
Pr()predade 7.8. ~ C for ~a constante,
V(CX) = lc~V(X). (7J.4)
Demcmstrao: i
. V(CX) = E(C
.
X)~ - [E(CX)}~.. lI (}2E(X 2) - C2[E(X)}2 \
= C!(E(X2)- (E(X)}2}J. = C!V(X).
160 I PROBABIUDADIE

Propriedade 7.9. Se (X, Y) for uma varivel aleatria bidi-


mensional, e se X e Y forem indpendentes, ento
Y(X + Y) = l'(X) + V(Y). (7.15)
Demonstrao:
r(X + Y) = E(X + Y)2- [E(X + Y))2
E(X 2 +2XY + Y 2 ) - [E(X)]2- 2E(X)E(Y)- [E(Y))2
E(X 2 ) - [E(X))2 + E(P)- [E(Y)}2 = V(X) + V(Y).
Comernrio: 1!: importante compreender que .a varincia. nao , em geral,
aditiva, como o o valor esperado. Com a hiptese complementar de indepen-
dncia, a Propriedade 7.9 fica vlida. A varincia t.ambin no possui a proprie-
dade de linearidade, que expusemos para a expectncia, isto , V(aX + b) r"
r" a V(X) + b. .Em vez disso, teremos V(aX + b) = a 2 V(X) .

Propriedade 7:10. Sejam X 1, . . , Xn, n variveis aleatrias in,-


dependentes. Ento,

(7.16)

Demonstrao: Isto decorre da Propriedade 7.9, por induo


matemtica.

Propriedade 7.11. Seja X uma yarivel aleatria com varin-


eia finita. Ento, para qualquer nmero real a,
V(X) = E [(X - a) 2 ] - [E(X) - aJz: (7.17)
Demonstrao: Veja o Probl. 7.36.
Comerrios: (a) Esta 1.1ma extenso bvia do Teor. 7.5, porque fazendo
a = O, obteremos o Teor. 7.5.
(b) Se interpretarmos V(X) como o momento de inrcia e E(X) como o
centro de uma unidade de massa, ento a propriedade acma uma formulao
do bem conhecido teorema dos. e.z':t.os paralelos, em ~Iecnica: O momento de inr-
cia em relao a m ponto arbittrio igual ao mom.e nto de inrcia em relao ao
centro de gravidade, mais o quadrado da distncia desse ponto arbitrrio ao cen-
tro .de gravidade.
(c) E[X - aY se torna mnimo se a = E(X). Isto decorre imediatamente
da propriedade acima. Portanto, o momento de inrcia (de uma unidade de ma.ssa
-distribuda sobre uma reta), em relao a um eixo que passe por um ponto arbi-
trrio, torna-se mnimo se esse ponto escolhido for o centro de gravidade~ ...

Exemplo 7.17. Vamos calcular a varincia de uma varivel


aleatria X, distribuda binomialmente, com parmetro p.
Para calcular F(X), podemos proceder de duas maneiras. Como
j sabemos que E(X) = np, devemos apenas calcular E(X 2 ) e a seguir
.C ARACTERI:ZAOADICDONALDAS VAR!VIEISALEATRIAS I 161

calcular V(X) como igual a E(X 2 ) - [E(X))2. Para calcular E(X 2 ),


empregaremos o fato de que P(X = k) = (Z)pk(1- p)"--k, k =
= o, 1, ... 'n. Portanto, E(X 2) == Lk~O e(~)pk(1 - p)n--k Este
somatrio pode ser calculado bastante facilmente, mas em vez de
fazer isso, empregaremos um mtodo mais simples.
Novamente empregaremos a representao de X introduzida
no Ex. 7.13, a saber, X = Y1 + Y2 + ... + Yn. Agora .observa-
remos que os Y; so variveis aleatrias independentes, uma vez que
o valor de Y; depende somente do resultado da i-sima repetio, e
as sucessivas repeties so supostas independentes. Da podermos
aplicar:..a Propriedade 7.10 e obter
V(X) = V(Y1 + ... + Yn) = V(YI) + ... + V(Yn)
Mas, V(Y/l = E(Y;) 2 - [E(Y;)] 2. Ento,
E(Y;) = 1(p) + 0(1- p) = p, E(Y;) 2 = P(p) + 0 (1-p)= p.
2

Logo, V(Y;) = p- p 2 = p(l - p) para todo ~- Assim , V(X) =


= np(l- p) .
Comentrio: Vamos conside,ar V(X) = V( X)
= np(l - p) como uma funo de p,
para n dado. Esboaremos um grfico
como aquele mostrado na Fig. 7.7.
Resolvendo (d/dp)np(l - p) = O, en-
contraremos que o valor mximo de
V(X) ocorre para p = 1/2. O valor m-
nimo de V(X), obviamente ocorre nos
p=j
extremos do intervalo, para p = O e p = Fig. 7.7 .~J
= 1. Isto est de acordo com o que se
esperava, intuitivamente. Lembrando que a varincia uma medida da varia-
o da varivel aleatria X, definida como o nmero de vezes que o evento A ocorre
em n repeties, encontrar.emos que esta variao ser zero, se p ,;, O ou 1 (isto ,
se A ocorrer com probabilidade O ou 1) e ser mxima quando estivermos to "in-
certos quanto poderamos estar" sobre a ocorrncia ou no de A, isto , quando .
P(A) = 1/2.

Exemplo 7.18. Suponhamos que a varivel aleatria X seja


uniformemente distribuda sobre [a, b]. Como j calculamos ante-.
riormente E(X) = (a+ b)/2..
Para calcular V(X), vamos calcular E(X 2):

E(Xt) =
(.
b
j 1
a
x2
ba- aa
b- a
I
dx = --:--:::---:--
3(b - a)
Da,
2
V(X) = E(X 2 ) - [E(X)] 2 = (b - a)
12
depois de um clculo simples.
162 I PROBAB!LIDADIE

C.omenlrios: (a) Este um resultado intuitivamente significativo. Ele


diz que a varincia de X no depende de a e b, individualmente, mas .somente de
(b - a)2, isto , do quadrado de sua diferena. Portanto, dua.s variveis aleatrias,
cada uma das quais uniformemente distribuda sobre algum intervalo (no ne-
cessariamente o mesmo para ambas), tero varincias iguais enquanto os com-
primentos dos intervalos sejam iguais:
(b) um fato bem conhecido que o momento de inrcia de uma haste del-
. gada de massa Me comprii:nento L, em reLM;.o a um eixo perpendicular que passe
pelo seu centro; dado por MV/12.

7.7. Expresses Aproximadas ola Expectncia e da Va-


rincia

J observamos que a fim de calc1,1lar E(Y) ou V(Y), onde


Y = H(X), no necessitamos achar a distribuio de probabilidade
de Y, pois poderemos trabalhar diretamente com a distribuio de
probabilidade de X. Semelhantemente, se Z = H(X, Y), poderemos
calcular E(Z) e V(Z), sem primei~o obter a distribuio deZ.
Se a funo H for bem complicada, clculo das expectncias
e varincias pode conduzir a .integraes (ou somatrios) que so
bastante difceis. Por . isso, as seguintes aproximaes so muito
teis.
Teorema 7.6. Seja X uma varivel aleatria com E(X) = fJ. e
V(X) = u 2 Suponha-se que Y = H(X). Ento, )

E(Y) e!. H(JJ.) + H'~(JJ.) u 2, (7.18)

V(Y) e!. [H'(JJ.)] 2u 2 (7.19)


(A fim de tornarmos significativas as aproximaes acima, exigi-
remos, obviamente, que H seja derivvel ao menos duas vezes no
ponto x = f.L.)
. Dem(J11,8trao (apenas . esboada): A frm de estabelecer a
Eq. (7.18), deSenvolveremos a funo H em srie de Taylor, prximo
de x = fJ., at dois termos. Deste modo

Y = H(f.L) + (X - !Jr)H'(p.) + (X - JJ.)W"(JJ.) +R 1


,
2 "
onde R1 o resto. Se abandonarmos o resto R 1, e a seguir, tomarmos
o valor esperado de ambos os membros, teremos

E(Y) c::< H(p.) + H"(p.) u 2 ,


2
I
CARACTERIZAO ADICIONAL IE>AS VARIVEIS ALEATRIAS I 163

I
porque E(X - p.) = O. A fim d'e e.Stabelecer a Eq. (7.19), desen-
volveremos H em srie de Taylor lat u~ ~ermo, p~ra x = p.. Nesse
caso, Y = H(p.) +
(X-11-)H'(p.) +.R2. Se abandonarmos o resto R 2
e tomarmos a varincia de ambos os membros, teremos

Exemplo 7.19. Sob certas condies, a tenso superficial de um


lquido (dina/centimetro) ser dad~ pela frmula S = 2(1- 0,005 T) 12 ,
na qual T a temperatura do lq(Iido (em graus centgrados).
Suponhamos que T seja lima i varivel aleatria continua com a
1
seguinte fdp
J(t) = 3.ooot-\ t ;:::: H),
. = O, para quaisqJr outros valores.
r~ I
Da, E(T) ~ ], 3.ooor dt ~ 15 (gm"' rentigrndo,),

e
I
V(T) = E(T 2) .:_ . (15)2 i
I
l
~
= 3.000t- 2 dt .L 225 = 75 (graus centgrados)2.
. o I
Para calcularmos E(S) e V(S), i teremos que calcular as seguintes
integrais: I

J. m (I - 0,005t)1. 2 e- 1 dt eI r~ (1 - 0,005t)Mt- 4 dt.


10 1 J1o ,
i .
Em vez de calcular estas expresses, obteremos aproximaes
de E(S) e V(S) com o emprego d~ Eqs. (7.18) e (7.19). A fim de
titilizar essas frmulas, teremos dJ calcular H'(l5) e H"(15), onde
H(t) = 2(1 - 0,005t) 1 2 Teremos I
H'(t) = 2,4(1- 0,005t)o.2(- 0,005) = - 0,012(1..,.. 0,005t)Oo2.
I
Portanto H(l5) = 1,8~:, H'(15) = 0,01. Semelhantemente,
H"(t) = - 0,002 4(1 -- 0,005t)-M ( jl O.po5) = 0,000 012(1- 0,005t)-0 6:
Logo, . .
I

H"(l5) = 'o;ooo 012 = o+.


(o,925)
I
0 8

Portanto teremos
i
E(S) C:!. H(l5) + 75If'{l5) = 1,82 (d/em)
V(S) ~ 75[H'(l5)]:a :i. 0,87 (d/cm) 2
164 I PROBABDUDADE

Se Z for uma funo de duas variveis, por exemplo Z =. H(X, Y),


um resultado anlogo ser vivel.

Teorema 7.7. Seja (X, Y) uma varivel aleatria bidimensional.


Suponha-se que E(X) = !J.x, E(Y) = FJ.v; V(X) = O"x~ e V(Y) = O"y"'!..
SejaZ = H(X, Y). [Deve-se admitir que as vrias derivadas de H
existam para (Jlx, Jly ).] Ento, se X e Y forem independentes, ter-se-

onde todas as derivadas parciais so calculadas para (;.;.:r, FJ.y).


Demonstrao: A demonstrao envolve o desenvolvimento de
H em srie de Taylor, no ponto (;.;.:r, FJ.v), para um e dois termos, o
abandono do resto, e, a seguir, o clculo da expectncia e da varin-
cia de ambos os membros, tal como foi feito na demonstrao do
Teor. 7.6. Deixamos os detalhes a cargo do leitor. (Se X e Y no forem
independentes, uma frmula um pouco mais complicada poder ser
deduzida.)

Comentrio: O resultado acima pode ser estendido a uma funo de n v&i-


veis aleatrias independentes z=
H(X, ... , Xn). Se E(Xi) = 1-Li, V(Xz) =a{, te-
remos as seguintes aproximaes, admitindo-se que todas as derivadas existam:

onde todas as derivadas parciais so calculadas no ponto !11 , lf.n).

Exemplo 7.20. Admita-se que ~mos um circuito simples,


para o qual a tenso M seja expressa pela Lei de Ohm como,M = IR,
onde I e R so, respectivamente, a corrente e a resistncia do cir-
cuito. Se I e R forem variveis aleatrias independentes, ento M ser
uma varivel aleatria, e empregando o Teor. 7.7, poderemos escrever

E[M] ~ E{I)E(R), V[M] C!l:! [E(R)] 2 V(I) + [E(I)] 2 V(R).


CARACTER~ZAO ADiCiONAl DAS VARIVEIS ALEATRIAS I 165

Existe uma bem conhecida desigualdade, devida ao matemtico


russo Tchebycheff, que desempenhar um importante papel em nosso
trabalho subseqente. Alm disso, ela nos fornece meios de com-
preender precisamente como a varincia mede a variabilidade em re-
lao ao valor esperado de uma varivel aleatria.
Se conhecermos a distribuio de probabilidade de uma varl:vel
aleatria X (quer a fdp no caso contnuo, quer as probabilidades
punctuais no caso discreto), poderemos nesse caso calcular E(X)
e V(X), se existirem. Contudo, a recproca no verdadeira. Isto
, do . conhecimento de E(X) e V(X) no poderemos reconstruir a
distribuio de probabilidade de X e, conseqentemente, calcular
quantidades tais como P[ IX - E(X) I~ C]. No obstante, veri..,
fica-se que muito embora no possamos calcular tais probabilidades
[a partir do conhecimento de E(X) e V(X)], poderemos estabelecer
um limite superior (ou inferior) muito til para essas probabilidades.
Este resultado est contido no que conhecido como desigualdade
de Tchebycheff.

Desigualdade de Tchebycheff. Seja X uma varivel aleatria, com


E(X) = f.l, e seja c um nmero real qualquer. Ent~, seE(X- c? for
fmita e e for qualquer nmero positivo, teremos

1
P[ IX- c !;;. e]< --E(X- c) 2 (7.20)
2

As seguintes formas, equivalentes a (7.20), so imediatas:


(a) Se considerarmos o evento complementar, obteremos
(. 1
P[IX-c l<e];;;;.1 - -E(X - c) 2 (7.20a)
.
( b) Escolhendo c = f.l, obteremos

(7.20b)

(c) Escolhendo c = f.1 e e = ka, onde a 2 = Var X> O, obteremos

P[ IX- f.l i ;;;;.ka] <k- 2 (7.21)


166 I PROBABILIDADE

Esta ltima forma (7.21) particularmente indicativa de como a


varincia mede o "grau de concentrao" da probabilidade prxima de
E(X)=JJ..
Demonstrao: [Demonstraremos apenas a (7 ,20), porque as
outrs decorrem do modo como foi indicado. Trataremos somente do
cso conVnuo. No caso discreto, o raciocnio muito seinelliante, com
as integraes substitudas por somatrios. Contudo, algum cuidado
deve ser tomado com os pontos extremos dos intervalos]:
Consideremos

P[ IX- c I;;;. E] =f .
.X . 1X
_ ..,.
C 1""" c
cJ(x)dx.

(O limite da integral diz que estamos integrando entre - oo e c - ce


entre c+ E e+ oo.)
2
Ora, lx - .cl;;;. 8. equivalente a (x- c) 2 /E ;;;. L
Conseqentemente, a integral acima

(x- c)2
f(x)dx,

onde R = {x: Ix - c I;;;. c} .


Esta inte-gral , por sua vez, ~.

(x- c)2
f(x)dx,

que igual a
1 .
- E[X-c]2
[2 '
. i

como se queria demonstrar.

Comentdrios: (a) importante compreender que o resultado acima no-


tvel, precisamente porque muito pouco suposto a respeito do comportamento
probabilstico da varivel aleatria X.
(/J) Como poderamos suspeitar, informao adicion! sobre a distribuio
da varivel aleatria X nos permitir melhorar a desigualdade deduzida. Por
exemplo, se C= 3/2, teremos da desigualdade de Tchebycheff
CARACTERIZAO ADiCIOI\!All DAS VARI~EIS AlE;ATRiAS I 167

Admita-se que ta.mbm saibamos que ! X . uniformemente distribuda sobre


(1- 1/ v3, 1 + l/"\/'3). Da, E(X i = 1, V(X) = 1/9, e portlilnto,
I
3 I 1 1
P[IX - .ui~ 2o-] =P[IX- 111 ~ 21 ~ 1- P(IX- li,< 21
I

= 1- P[ 2
1
fi
X<
3
21 = 1- -
v3- = 0,134.
2
i
Observe-se que, muito embora o enuncia~o obtido da desigualdade de Tchebycheff
seja coerente ~om este resultado, este ltlmo muito mais preciso. No obstante,
em muitos problemas, nenhuma hipt~e referente . especfica distribuio da
varivel aleatria justificvel e, em tl.Lis casos, a desigualdade de Tchebycheff
nos fornece uma informao importante Jsobre o comportamento da varivel alea.-
tria.

Como podemos observar <l IEq. (7 .21), se V(X) for pequena,


a maior parte da distribuio de probabilidade de X estar "con-
e entrada" prxima de E( X). Isio pode sr expresso mais precisa-
mente no seguinte teorema. I 1
,

Teorema 7.8. Suponha-se qu~ V(X) =O. Ento P[X = JJl = 1,


onde J.L = ECX). (Isto , X = J.L, fom "probabilidade 1.")
Demonstrao: I)a Eq. (7.20:b ), encontramos que
P[i X - pI 9 ] = O para qualquer c > O.
~
Por conseguinte i
I
P[IX- n
JJI < = 1 paraqualquer ~>O.
Como e
pode ser escolhido arbit~riamente pequeno, o teorema fica
demonstrado. ;
Comentrios: (a) Este teorema mJtra que varincia nula implica que toda
probabilidade est concentrada em um rtco
ponto, a saber, em E(X).
I "
(b) Se E(X) = O, ent.o Y(X) = E(X1), e por isso, neste caso, E()(l) ~- O
acarreta a mesma c~ncl~o. . 1 ' .
(c) .f: no senttdo actma que dizem011 que uma vartvel X e ckge1le'l'ada: Ela
toma somente um valor com probabilidJde l.
I

7.9. O Coeficiente de Cofrelao


I

At aqui estivemos t;atandI de. parmetros relacionados,


.
tals
como E(X) e V(X), com a distribuio
i
de. variveis aleatrias
. .
uni-
dimensionais. Estes parmetros /medem, em um sentido ' ~xplicado
anteriormente, certas caracterist~cas da distribuio. Se tivermos
I

~: .. '
168 I PROBABI!.. BDADIE

uma varivel aleatria bidimensional (X, Y), um problema anlogo


ser encontrado. Naturalmente, tambm poderemos eStudar as
variveis aleatrias unidimensionais X e Y associadas com (X, Y).
Contudo, a questo surge quanto a haver um parmetro expressivo,
que mea de algum modo o "grau de associao" entre X e Y. Est~
1 noo bastante vaga ser tornada mais precisa, brevemente. Esta-
beleamos a seguinte definio.

Definio. Seja (X , Y) uma varivel aleatria bidimensionaL


Definiremos pxy, o coeficiente de wrrelao, entre X e Y , da seguinte
forma:

E{[X- E(X)][Y- E(Y)]!


(7.22)
P:zu = VV(X)V(Y)

Comentrios: (a) Supomos que todas as esperanas matemticas existam


e que ambas V(X) e V(Y) sejam no-nulas. Quando no houver dvida quanto
s variveis, simplesme~teescreveremos p em vez de Pxy
(b) O numerador de p, E [[X- E(X)][Y- E(Y)]], denominado cova-
rincia entre X e Y, e algumas vezes d_enotado por axy.
(c) O coefiCiente de correlao uma quantidade adimensional.
(d) Antes que a definio acirria fique realmente expressiva, devemos des-
cobrir exatamente o que p mede. Faremos isto pela considerao de algumas pro-
priedades de p.

Teorema 7.9.
E(XY) - E(X)E(Y)
p = VV(X)V(Y)
Demonstrao: Considere-se
E[[X- E(X)][Y- E(Y)]) =
= E[XY- XE(Y) - YE(X) + E(X)E(Y)J
= E(XY) - E(X)E(Y) - E(Y)E(X) + E(X)E(Y)
= E(XY) - E(X)E(Y).
Tteorema 7.10. Se X e Y forem independentes, ento p =O.
Demonstrao: Isto decorre imediatamente do Teor. 7.9, porque
E(XY) = E(X)E(Y)
se X e Y forem independentes .
. Comentrio: A recproca do Teor. 7.10 em geral nao verdadeira. (Veja
o Probl. 7.39;) Isto , podemos ter p = O, e no entanto X e Y no precisam ser
independentes. Se p = O, diremos que X e Y so nao correlacm.adas. Portanto,
eer no correlacionado e ser independente, em geral, no so equivalentes.
CARACTERIZAO ADDCDONAL IDAS VARIVEIS AUEATROAS / 169

O exemplo seguinte ilustra esta questo.*


Sejam X e Y duas variveis aleatrias quaisquer que tenham a
mesma distribuio. Sejam U =X- Y e V= X+ Y. Ento,E(U) =O
e cov ( U, V) = E[(X- Y) (X + Y)] = E(J(l - J72) = O. Portanto, U
e V so no correlacionadas. Ainda que X e Y sejam independentes,
U e V podem ser dependentes, como a seguinte escolha de X e Y indica.
Sejam X e Y os nmeros que aparecem no primeiro e no segundo dados,
respectivamente, que tenham sido jogados. Ns agora achamos, por
exemplo, que P[ V= 4 I U = 3) = O (uma vez que X- Y = 3; X+ Y
no pode ser igual a 4), enquanto P(V = 4) = 3/36. Portanto, U e V
so depen<!entes.

Teorema 7.11. -1 .::; p ::; 1. (Isto , p toma valores entre


- 1 e + 1, inclusive.)
Demonstrao: Considere-se a seguinte funo da varivel
real i:
q(t) = E[V + tW] 2 ,
onde
V = X - E(X) e W = Y ~ E(Y).

v
'(t} q(t)

~'

(a) (b)

Fig. 7.3

Visto que [V + tW] 2 2: O, temos que q(t) 2: O para todo t. Desen~


volvendo, obteremos

I .
* O exemplo dado neste comentrio foi tirado de uma explicao que apareceu no
artigo intitulado "Mutually Exclusive Events, Independence and Zero C~rrelation",
por J. D. Gibbons, em The American Statistician, 22, N? 5, December)968,
p. 31-32. '
170 I PROBABILIDADE

Deste modo, q(t) uma expresso quadrtica de t. Em geral, se u.


expresso quadrtica q(t) = at 2 +
bt + c tem a propriedade de <
q(t) ~ O para todo t, isto significa que seu grfico toca o eixo dm
em apenas 1un ponto, ou no toca, como se indica na Fig. 7.8. Is
por sua vez, significa que seu discriminante b2 - 4ac deve ser :::::;
porq~e b2 - 4ac >O ~ignificaria que q(t) teria dus razes reais d
tintas. Aplicando-se esta concluso funo q(t), que estvam
considerando acima, obteremos
4[E(VW)]2 - 4E(V.2)E(W2) ~ O.

Isto acarreta
[E(VW)]2 {E[X- E(X)][Y- E(Y)]p
E(V2)E(W 2 ) ~ 1 e da ~ 1.
2
V(X)V(Y) = p

Portanto, - 1 :::::; p ~ 1.
Teorema 7.12. Suponha-se que p 2 = 1. Portanto (com proba
bilidade 1, no sentido do Teor. 7.8), Y = AX +
B, onde A e B s
constantes. Em palavras: Se o coeficiente de correlao p for 1
ento Y ser uma funo linear de X (com probabilidade 1).
Demonstrao: Considere-se novamente a funo q(t), descrita
na dmonstrao do Teor. 7.11. coisa simples observar na de
monstrao daquele teorema que, se q(t) > O para todo t, ento p 2 < 1
Da a hiptese do presente teorema, a saber p2 = 1, acarretar qm
deve existir ao menos um valor de t, digamos to, tal qu~ q(to) =
= E(V + toW) 2 =O. Desde que V+ t 0W =[X- E(X)] + to[Y-
-E(Y)], temos que E(V + toW) =O e portanto a varincia + cv
+toW) = E(V + toW) 2 Deste modo, encontramos que .a hiptesE
do Teor. 7.12 leva concluso de que a varincia de (V+ toW) = O
Conseqentemente, do Teor. 7.8 podemos concluir que a varive
aleatria (V + toW) = O (com probabilidade 1). Logo, [X - E(X)] +
+ to[Y- E(Y)J :o: O. Reescrevendo sto, encontramos que Y =
+
= AX B (com probabilidade 1), como queramos demonstrar.
comentrio: A recproca do Teor. 7.12 tambm vale, como est; mostradc
no Teor. 7'.13.

. Teorema 7.13. Suponha-se que X e Y sejam duas varive


aleatrias, para as quais Y = AX + B, onde ~ e B so constantes
Ento p 2 = 1. Se A >O, p = + 1; se A < , p = -1.
Demonstrao: Visto 1que Y = AX + B,. teremos E(Y) =
= AE(X) + B e V(Y) = A 2 V(X). Tambm, E(XY) = E[X(AX +
+ B)] = AE(X2 ) + BE(X). Portanto,

11~\ ~
CARACTERIZAO AOICIOi\!~l DAS VAR IVEIS ALEATRIAS I 171

i
[E(XY)- E(X)!E(Y)]2
V(X)V(Y)!
I
IAE(X 2) + BE~X)- E(X)[AE(X) + B] 2 }2
l{(X)A 2 V(X)
i .
I . .
IAE(X 2) + BE(iX) - A[E(X))2- BE(X)I2
.j1 2 [V(X))2 .
A 2 1E(X 2) - [E(.~)]2 rz .
1.
A 2 [V(X)F [ .
.I ~- . .
(A segunda. parte do teo~ema resulta. da observao de que vA 2
=IA I.)

Cmnentrio: Os Teors. 7. 1~
i '
e 7.13 estabelecem. a seguinte importal).te carac-
terstica do coeficiente de correlao: O coeficiente de correlao ~ma medida
I
do grau de linearidade entre X e Y. V~l<il'es de p prximos de -f- 1 ou - r indicam
um alto grau de linearidade, .enquan~ valores de p prximos de O jndiam ralta
de tal linearidade. Valores positivos ~e p mostram que Y "tende a crescer com o
crescimento de _X, enquanto ~alares nekativos de p Iii.ostr&m que Y tende a decres-
cer com valores crescentes de X, Exi~te muito eqU:ivoco sobre a interp"ret&.o do
coeficiente de correlao. Um valor d~ p prximo de zero indica apenas a ausn-
cia M relao linear entre X e. Y. E!~ n elimin a possibilidade de alguma re-
lao nali-llar. ' . . . .
j Exemplo 7 .21. Suponha-se q,ue a
y
varivel aleatria bidimensional (X, Y)
sej~ uniformemente distribuda sobre as ~I
f------,--71(1, 1)
regies
I
triangulares
.

R
I R= l(x,y)IO<x<y<l}.
!
(Veja a Fig. 7.9) Conseqentemente, a
fdp \ dada como
I
.i
{
~
I f(x, y) ;, , 2, (x, y) E R,
i
Fig. 7.9 = O, para outros quais-
quer valores.
I

Por conseguinte, as fdp niargiriaid dX e Y so


- I
~(x) = ~(J- x), O~ :t ~ 1;
1
/ (2) dy,;
I

h(y) ,;, 11! (2)d~ = ~y,


O I
O~y~l.
\

I
- --------- ----.--

172 I PROBABIUDADE

Logo,
1 1
E(X)

.
=
1[1 x2(1- x) dx
1
= -,
3
1
E(Y) =
1 o
1
2
y2ydy = - i
3

E(X 2 ) = }o x 2 2(1- x)dx = 6, E(P) =


1 y 2 2y dy =
1
2 ;
V (X) = E(X 2) - [E(X)]2 = __!_, V(Y) = E(P) - [E(Y)]2 = _!_ ;
18 18

E(XY) =
111Y o
xy2 dx dy = - .
1
4

Portanto,
E(J( Y) - E(X)E(Y) 1
p = VV(X)V(Y) =2
Como j observamos~ o coeficiente de correlao uma quanti-
dade adimensional. Seu valor no influenciado pela mudana de
escala. O seguinte teorema pode ser facilmente demonstrado. (Veja
o Problema 7.41.)

Teorema 7.14. Se Pxy for o coeficiente de correlao entre


X e Y, e se V = AX + +
B e W = CY D, onde A, B, C e D so
constantes, eiJ.to Pvw = (ACfJACJ)Pxv (Supondo-se A~ O, C ~ - 0.)

7.i0. Valor Esperado Condicionado

Tal como definimos o valor esperado de uma varivel aleatria X


(em termos de sua distribuio de probabilidade)_igual a f-~"' xj(x) dx
ou .;E;=l x,p(x;), tambm podemos definir o valor esperado condi-
cionado de uma varivel .aleatria (em termos de sua distribuio de
probabilidade condicionada), da seguinte maneira:

Definio. (a) Se (X, Y) for uma varivel aleatria contnua


bidimensional, definiremos o valor esperado condicionado de X, para.
um dado Y = y, como sendo

+"'
E(X jy) =
1 "' xg(xjy) dx. (7 .23}

(b) Se (X, Y) for uma varivel aleatria discreta bidimensio-


nal, definiremos o valor esperado condicionado de X, para um dado
CARACTERIZAO AIJI!C!ONAL DAS VARiVEIS AlEATRIAS I 173

Y = y;, como sendo

E(X IYi) = L"'


i=l
x;p(x; I Yi) . (7.24)

O valor esperado condicionado de Y, para um dado X, ser


definido de modo anlogo.
Oomentrios: (a) A interpretao do valor esperado condicionado a se-
guinte: Desde que g(xly) representa a fdp condicionada de X para um dado
Y = y, E(XIy) o valor esperado de X, condicionado ao evento {Y = y). Por
exemplo, se (X, Y) representar o esforo de trao e a durza de um espcime de
ao, enj;o E(XIy = 52,7) ser o esforo de trao esperado de um espcime de
ao escolhido ao acaso da populao de espcimes, cuja dureza (medida na Escala
Rockwell) for 52,7.
(b) :f: importante compreender que, em geral, E(XIy) uma funo de y e,
por isso, uma varivel aleat6ria. Semelhantemente, E(Yix) uma funo de x
e, tambm, uma varivel aleatria. [Estritamente falarido, E(XIy) o valor
da varivel aleafria E(X I Y) .]
(c) Porque E(YIX) e E(XIY) so variveis aleatrias, ter.sentido falar de-
BetUI valores esperados. Deste modo, poderemos considerar E[E(X IY)l, por exem-
plo. :f: importante compreender que o valor esperado, interno, tomado em re-
lao distribuio condicionada de X, para Y igual a y, enquanto o valor espe-
ya,do, externo, tomado em relao distribuio de probabilidade de Y.

Teorema 7.15.
E[E(XI Y)] = E(X), (7,.25)
E[E(YIX)] = E(Y). (7.26)

Demonstrao (apenas para o caso continuo): Por definio,

+ f+~ )
E(XIy) =,
f " xg(xly) dx = . _., x j~~f dx,

onde f a fdp conjunta de (X, Y) e a fdp marginal de Y. Por isso,

E[E(X IY)] =
! +"".. E(X Iy)h(y) dy=
f+"'[f_+"' ] .
_"' . _.. xf~Cy~) dx h(y) dy.

Se existirem todos os v17lores esperados, ser permitido escreyeX'


a integral iterada acima, com a ordem de integrao .trocada. Por isso

E[E(XI Y)] = 1:= [J:"'j(x,


x y) dy ]dx = J:""xg(x) dx '1, (X),
174 I PRO.BABBLIDADE

[Um raciocnio semelhante poderia ser empregado para estabele-


cer a Eq. (7.26).] Este teorema muito til, como ilustram os exem-
plos seguintes.
Exemplo 7.22. Suponha-se que remessas, contendo um nmero
varivel de peas, chegue cada dia. Se N for o nmero de peas da
remessa, a distribuio de probabilidade da varivel aleatria N,
ser dada assitn:
n: 10 11 12 13 14 15
P(N = n): 0,05 0,10 0,10 0,20 0,35 0,20
A probabilidade de que qualquer pea em particular seja defeituosa
a mesma. para todas as peas e igual a O, 10. Se X for o nmero de
peas defeituosas que chegue cada dia, qual ser. o valor esperado
de X? Para um dado N igual a n, X apresentar distribuio bi-
nomial. Como N, por sua vez, uma varivel aleatria, procedere-
mos como se segue.
Temos E(X) = E[E(X IN)l. Contudo, E(X!N) = 0,10N, porque
para N dado, X tem distribuio binomial. Conseqentemente,
E(X) = E(0,10N) = O,lOE(N)
= 0,10[10(0,05) + 11(0,10) + 12(0,10) + 13(0,20) + 14(0,35) +
+ 15(0,20)]
= 1,33.
Teorema 7.16. Suponha-se que X e Y sejam variveis aleat-
rias independentes. Ento
E(X I Y) = E(X) e E(Y IX) = .8(Y).
Demonstrao: Veja o Probl. 7.43.
Exemplo 7.23. Suponha-se que o fornecimento energtico (qui-
lowatts) a uma companhia hidreltrica, durante um perodo especi-
ficado, seja uma varivel aleatria X, a qual admitiremos ter uma
distribuio uniforme sobre [10, 30]. A demanda de potncia (qui-
lowatts) tambm uma varivel aleatria Y, que admitiremos ser
uniformemente distribu.da sobre [10, 20]. [Deste modo, em mdia,
mais potncia fornecida do que demandada, porque E(X) = 20,
enquanto E(Y) = 15.1 Para cada quilowatt fornecido, a companhia
realiza um lucro de US$ 0,03. Se a demanda exceder a oferta, a
companhia obter potncia adicional de outra fonte, realizando um
lucro de US$ 0,01 por quilowatt desta potncia fornecida. Qual ser.
o lucro esperado, durante o especificado perodo considerado?
CARACTERrZAO ADiCiONAL dAs VARiVEIS ALEATRiAS/ 175
. I
Seja T este lucro. Teremos!
i
I
'1' = 0,03Y se Y <X,
I
= 0,03X + O,OI(Y- K) se Y >X.
I
Para calcular E(T), o escreveremos como E[E(TIX)]. Teremo10
I .
i" 1~ dy + 1 20
+ 0,02x) 1~ dy
!
0,03y (O,Oly
E(Tix) I= 1 se 10 < x < 20,
L 20
0,03y
1~ dy se '20 <x < 30~ :...

1~ [0,015x 2
1,5 + ~ + 0,4x - 0,005x2 ~ 0,02xz]

!
-

= 1 se 10 <x< 20,
9 i
se 20 <x< 30, ,
20 I .
I
= { 0,05 + 0,04x - 0,001X 2 se 10 < x < 20,
0~45 se 20 <x< 30!.
, I
Logo,

E[E(TIX)] =
r
~ } 10 (0,051+ 0,04x-
I 0,00lx 2)dx +
~I

i 1 (30
j+ 20 J 20 0,45 dx ~ $0,43
I

7.11. Regresso da Mdia I

Como j salientamos na seo Ianterior, E(X Iy) o valor dava-


rivel' aleatria E(X I Y) e uma juno de y. O grfico .desta funo
de y conhecido como a urva de Iregresso (da mdia) de X em Y.
Analogamente, o grfico da funp de x, E(Yix) denominado a
curva de regresso (da mdia) de Y em X,. Para, cada valor fixalio
y, E(XIy) ser o valor esperado da varivel aleatria (unidimensio-
nal) cuja distribUio de probabililade definida pela Eq. (6.5) ou
(6.7). (Veja a Fig. 7.10.) Em geral, este valpr esperado dlipender
de y. [Interpretaes anlogas podem ser feitas para E(Yix).r '
176 I IP'ROBAB!U.DADE

E(Y ix) E(XJy)

J!

(a) (b)

Fig.7.11

Exemplc 7.24. Suponha-se que (X, Y) seja uniformemente dis-


tribuda sobre o semicrculo indicado na Fig. 7 .11. Nesse csso,
f(x, y) = 2/'if', (x, y) E semicireulo. Portanto,

-1 :::;; :E:::;; ll;

Logo, .

1
g(x Iy) - V 1 - y2 :::; x :::; V 1- y 2 ,
I = 2Vl- Y2 '

1
h(yix) - O:::; y:::; V 1 - x 2
- Vl- x2 '
CARACTERiZAO ADi CiONAl DAS VARIVEiS AlEATRiAS I 177

Em conseqncia

E(Yix) = i.yr-:;; yh(ylx) dy

- r~y 1 dy= 1 r/~=


- }o V 1 - x2 V 1 - x2 2 o
l _;--
= 2 v 1- x 2

;Semelhantemen te
{ '

!
+ ~II-
E(XIy) = _ xg(xly) dx
-v1-11'

=o.
Pode acontecer que uma ou ambas as curvas de regresso sejam
de fato linhas retas (Fig. 7.12). Isto , E(YI;;) pode ~er uma funo
linear .de x, ou E(X Iy) pode ser uma funo linear de y, ou ambas as
funes podem ser lineares. Neste caso, diremos que a regresso
da mdia, digamos de Y em X, linear.
y

Fig. 7.12

Exemplo 7.25. Suponha-se que (X, Y) seja uniformemente dis-


tribuda sobre o tringulo indicado na Fig. 7 .13. :Kesse caso,
j(x, y) = 1, (x, y) E T. As seguintes expresses para as dp margi-
nal e condicionada so facilmente encontradas:
2- y
g(x)= 2x, O::::; x::::; 1j h(y) = -2- ' o::; y ::::; 2.

2 '1
g(xly) = _ y , y/2::::; x::::; 1; h(ylx) =
2
x , O ~\ y::::; 2x.
2
Portanto, E(Yix) = fr/z yh(yjx) dy = fo 2" y(!/2x)dy = x.
178 I PROBABIUDADE

Semelhantemen te,

1
1
E(X Iy) = r! xg(x Iy)dx
JY/2
-
Y/2
X
2- y
2
""
y
dx=--:;-+-
2
1

Por conseguinte, ambas as regresses de Y em X e de X em Y so


lineares (Fig. 7.14).
y y

(1, 2)
(1, 2)

Fig. 7.13 !Fig. 7.14

Verifica-se que se a regresso da mdia de Y em X for ~ear,


digamos E(Yix) = aX + {3, po,deremos nesse caso e,q>rimir os coe-
ficientes a e f3 em termos de certos parmetros da distribuio con-
junta de (X, Y). Vale o seguinte teorema:

Teorema 7.17. Seja (X, Y) uma varivel aleatria bidimensio-


nal e suponha-se que
E(X) = J.Lx, E(Y) = J.Ly,
Seja p o coeficiente de correlao entre X e Y. Se a regresso
de Y em X for linear, teremos

E(Yix) = !J.y +p uu (x- J.L,).


u.,
('1.27)

Se a regresso de X em Y for linear, teremos "

E(XIy) = Jl.x + P Ux (y- J.Ly).


fTy
(7.28)

Demonstrao: A demonstrao deste teorema est esboada no


Probl. 7.44.
- I . . .
CARACTEIFI!ZAAO ADICiONAl DAS VARDAVIEiS AliEATORiAS I 179

Comentrios:
I
(a) Como foi sugerido pe~a exposio acima, possvel que uma.
das regresses da mdia seja linear, enquanto ia outra no o seja.
(b) Observe-se o papel decisivo represbnt!do pelo coeficiente de correlao
nas expresses ooima. Se 111 regresso de xj em Y, por exemplo, for linear, e se
p =O, ento verificaremos (de novo) que E(X Iy) no depende de y. Observe-se
tambm que o sinal algbrico de p determiml' o sinal da declividade da reta de re-
gresso.
(c) Se ambas as funes de regressb forem lineares, verificaremos, pela
resoluo simultnea das Eqs. (7.'J:7) e (7.28),! que as retas de regresso se intercep-
tam no "centro" da distribuio, (y.", P-y).
I
I
I
!
Como j salientamos (Ex. 7.23), por exemplo), as funes de
regresso no precisam ser lineares. No entanto, poderemos ainda estar
interessados em aproximar a curva Id e regresso com uma funo
linear. Isto usualmente feito recorrendo-se ao princpio dos m-
nimos quadrados, o qual neste conte~to assim enunciado: Esco-
lham-se as constantes a e b de modo \ que E[E(YJX) - (aX b))2 se +
torne mnima. Semelhantemente, es,colham-se as constantes c e d,
de modo que E[E(XI Y)- (cY +
d)]r se torne minma.
As retas y = ax b e ~ = cy ~ d so denominadas as aproxi-
+
maes de mnimos quadrados s correspondentes curvas de regresso
E(Yix) e E(X Jy), respectivamente: I O teorema seguinte relaciona
essas retas de regresso quelas examinadas anteriormente.
. I
Teorema 7.18. Se y = ax +b
fpr a aproximao de I}nimos
quadrados a E(Y Ix) e se E(YJx) for de fato uma funo linear de x,
isto I I
E(YJx) = a'x + b',
ento a = a' e b = b'. Enunciado biogo vale para . a regresso
de X em Y. I
Demoru;trao: Veja o Probl. 7.45.

Problemas
I
i
7.1 . Determinar o valor esperado das seguintes vativeis alea.t6rias:
(a) A varivel aleatria X definida nd Probl. 4.1.
(b) A varivel aleat6ria. X definid& ndProbl. 4.2.
(c) ,A_ varivel ~eatria T definida ndProbl. 4.'6 .
(d) k varivel aleat6ria. X definida. no, Probl. 4.18.
I
' l I \, ',

7.2. Mostre que E(X) no existe par~ a varivel aleatria X defini~& ~.o
Probl. 4.25.
180 I PROBABIUDADE

7.3. Os valores abaixo represent!!m a distribuie.o de probabilidade de D,


a procura diria de um certo produto. Calcule E(D):
d: 1, 2, 3, 4, 5
P(D = d) : 0,1, 0,1, 0,3, 0,3, 0,2.

7.4. Na produo de petrleo, e temperstura de destila.o T (graus cen-


tgrados) decisivs na determ ina..o da qualidade do produto final. Suponh&-se
que T seja considerada uma varivel aleatria uniformemente distribufda sobre
(150, 300).
Admita-se que produzir um galo de petrleo . custe C1 dlaz:es . . Se o leo
for destilado ums temperatura menor que 200<>C, o produto conhecido como
nafta e se vende por C2 dlares por galo. Se o .~leo for destilado a uma tempe-
rstura maior que 200<>C, o produto denominado leo refinado desti.lado e se vende
por CJ dlares o galo. Determinar lucro lquido esperado (por ga!Ao). .
7.5. Uma cert.a. liga formada pela reunio da mistura em f~o de dois
metais. A liga resultante contm uma certe percentagem de chumbo X, que pode
ser considerada como uma. varivel aleatria. Suponha que X tenha a seguinte fdp:

f(x) = 53 l<r5 x(lOO - x), o~ z~ 100.

Suponha-se que P, o lucro lquido obtido pela venda dessa liga (por libra), seja a
seguinte funo da percentagem de chumbo contida: P = C1 + C2X. Calcule
o lucro esperado (por libra).
7.6. -Suponha que um dispositivo eletrnico tenha uma durao de vida X
(em unidades de 1.000 horas), a qual considerada como uma varivel aleatria.
contnua, com a seguinte fdp: '.

f(x) = e-:r:, X> O.

Suponha que o custo de fabricao de um desses dispositivos seja US$ 2,00. O


fsbricante vende a pea por US$ 5,00, mas garante o reembolso tot.a.l se X::::_ (),9.
Qual ser o lucro esperado por pea, pelo fabricante? .
7.7. As 5 primeiras repeties de um experimento custam US$10 cada.uma.
'I'odru; as repeties subseqen'tes custn.m US$ 5 cada uma. Suponha que o ex-
perimento seje. repetido at que o primeiro resultado bem sucedido ocorra. Se a
probabilidade de mn resultado bem sucedido for sempre iguai a 0,9, e se as repe-
ties forem independentes, qual. ser o custo esperado da operao complete?
7.8. Sabe-se que um lote contm 2 peas defeituosas e 8 n.CHI.efeituoses.
Se essas peas forem inspecionadas ao acaso, uma aps outra, qual ser o nmero
esperado de peas que devem ser escolldas para inspeo, a fim de removerem-se
todas as peas defeituosas?
7.9. Um lote 'de 10 motores eltricos deve ser ou totalmente rejeitado ou
vendido, dependendo do resultado do seguinte procedimento: Dois motores
f!Ji.o es_colhidos ao acaso e inspecionados. Se um ou mais forem defeituoooo, o
lote ser rejeitado; caso contrrio, ser aceito. Suponha que cada motor custe
US$ 75 e seja vendido por US$ 100. Se o lote contiver 1 motor defeituoso, qual
ser. o lucro esperado do fabricante?
CARACTEIFIRZAO ADiCIONAL DAS VAifUVIERS AlEATRiAS I 181

7.10. Suponha que D, a demanda diria de uma pea, seja uma varivel
aleatria com a seguinte distribuio de probabilidade:

1
P(D = d) = C2ajd!, d = 1' 2, 3, 4.

(a) Calcule a constante C.


(b) Calcule a demanda esperada.
(c)Suponha que urna pea seja vendida por US$ 5,00 Um fabricante
produz diariamente K peas. Qualquer pea que no .tenha sido vendida ao fim
do dia, deve ser abandonada, com um prejuzo de US$ 3,00. (i) Determine a
distribuio de probabilidade do lucro dirio, como uma funo de K. (ii) Quan-
ws peas devem ser fabricadas para tomar mx.imo o lucro dirio esperado?
7.11 . (a) Com N =50, p = 0,3, efetue alguns clculos para achar.qual o
valor de k minirnizaE(X) no Ex. 7 .12.
(b) Empregrando os valores acima de N e p, e tomando lc = 5, 10, 25,
determine, para cada um desses valores de k, se o "teste de grupo" prefer-
vel.
7.12. Suponha que X e Y sejam variveis aleatrias independentes, com
as seguintes fdp:

J(x) = 8/r, X> 2; g(y) = 2y, o< y < 1.


(a) Determine a fdp de Z,;, XY.
Obtenha E(Z) por duas maneiras: (i) empregai;!.do a fdp de Z, como
(b)
foi obtida em (a); (ii) Diretamente, sem empregar a dp de Z.
7.13. Suponha que X tenha a fdp: j(x) = Sfr, x > 2. Seja W = (lj3)X.
(a) Calcule E(W), empregando a fdp de W.
(b) CeJcule E(W), sem empregar a fdp de W.
7.14. Um dado equilibrado jogado 72 vezes. Chamando de X o nmero
de vezes que aparece o seis, calcule E()(l ).
7.1!i. Determine o valor esperado e a varincia das variveis aleatrias Y e Z
do JP'robl. 5.2.
7.16. Determine o valor C:,!peyado e a varincia da vari.vel aleatrie Y do
lP'robl. 5.3.
7.17. Determine o valor esperado e a varincia das variveis aleatrias Y e Z
do Probl. 5.5.
7.18. Determine o valor espern.do e a varincia das variveis Y, Z e W do
lP'robl. 5.6
7.19. Determine o valor esperado e a varincia. das variveis slentrias
V e S do Probl. 5.'!.
'1.211. Determine o valor esperado e a varincis de varivel Y do Probl. 5.10,
am cuis um dos trs casoo.
7.21. Determine o valor espe,rado e . a ve.rinci& da varivel aleatri:~. A
do lP'robl. 6.'1.
7.22. Determine o valor e.~per~o e 11 varincia da. varivel ~tle~trh;l H
dlo Pl"obl. 6. 11.
[~11
1_,
!I
l
,,l:t 182 I PROIBABIUDADE

"
); !"~!i .
7.23. Determine o valor esperado e a varincia da; varivel aleat6ria W do
fi 'I Probl. 6.13.

I!j 'I
li i :,
\i !;~;l !I. i:~.
r
7.24. Suponha que X seja uma varivel aleatria, para a ,qual E(X) = 10
e V(X) = 25. Para quais valores positivos de a e b deve Y = aX - b ter valot
esperado O e varincia 1 ?

~l:l
,/ 7.25, Suponha que S, uma _tenso aleatria, varie entre O e 1 volt e seja
I
i
uniformemente distribud-a sobre esse intervalo. Suponha que o sinal S seja per-
1' :'1 nj turbado p~r um rudo aleatrio indepe~dente, aditivo, N, o qual seja uniforme-

~11
me_nte distribudo;> entre O e 2 volts.
'I
(a) Determine a tenso esperada do sinal. levando em conta o rudo.
.!1
(b) Determine a potncia esperada quando o sinal perturbado for aplicado
~.;; a um resistor de 2 ohms.
t{~:ii!l[ !:)!
':]!

t~:iil
! 7.26. Suponha que X seja uniformemente distribuda sobre [ -: a, 3a]. De-
I
I
;li termine a varincia de X.
):i
lt ill;
't:!,11'l1'1;11 7.27. Um alvo constitudo de trs crculos concntricos de raios 1/v3; 1,
; ~ l"'!:Jt,l'!''
'ni' i!l! e V3. Tiros dentro do ~lrculo interior valem 4 pontos, dentro do anel seguinte
'/ 'l~l'~r~~ll' ll~ ji~~;
:!, 1,
valem 3 pontos, e dentro do anel exterior valem 2 pontos. Tiros fora do alvo
~~~-'1~ li,, '
1\;. valem zero. S0ja R a varivel-aleatria que representa a distncia do ponto de
I!;[ impacto ao centro do alvo. Suponha que a fdp de R seja j(r) = 2{-rr(l + r'Z),

ffi
,,liI'
1
1 ~ 1 ' 11
'iii.
":!lii
r > O. Calcule o valor esperado do escore depois de 5 tiros.
7.28. Suponha que a varivel contnua X tenha a fdp
_il!biI ,.r, j(x) = 2xe-r, X~
tm~ 1 1 :111
0.
. ~,~ -- i[;! Seja Y =X'-. Calcule E(Y): (a) Diretamente, sem primeiro obter a fdp de Y.
1\r!l!ii (b) Primeirame!_lte, obtendo a fdp de Y.
I':..
'111'!
""i['l
( 1,,., 7.29. Suponha que a vaxjvel aleatria bidimensional (_X, Y) seja unifor-
'I'!'
'1,[':I
,; 'iii
memente distribuda sobre o tringulo da Fig. 7.15. Calcule V(X) e _V(Y).
y
I' j'i:l
ld:r
'11;
~: lJi~!l!(
!I
ii-:1
'ir' ii. :
(2, 4)

I'
~' i'!!jJ [

~
,_,,,,,,
: J~l,l'
I
'i'''':[
~
Uji
11~1- ,
;;l,l l',;
~ i:i}tji
"j I

If"r'H Fig. 7.15 Fig. 7.16

l l!t:ii 7.30. Suponha que (X, Y) seja unonnemente distribuda sobre o trin-
gulo da Fig. 7.16.
(a) Estabelea a fdp marginal de X e 111 de Y.
fi' ii::!
!i!lj:f ' I (b) Calcule V(X) e V(Y),
!liJfii
;n~. ! lr1 l~i'I
t'!

~)f.:ii.!il
!

CARACTERI2AO ADJCIONAL -Dl SVARIVEIS AlEATfliAS l 183

7.31. Suponh& que X e Y sejjI variveis mleatrioo


.
para oo quais
.E(X) = p.,., E(Y) =lly, V(X) = ~r,}, e V{IY) =<rl. Empregmndo o Teor. 7.7,
obtenha uma aproximaittbde E(Z) e V(Z), jonde Z = X/Y.
7.32. Suponha qu~ X e Y sejam v~.veis eJ.e~trias indepndentA:s, cmdl!.
uma delas uniformemente distribuda sobrjl (1, 2). Seja Z = X/Y.
(a) Empregando o Teor. 7.7, obtenpa expresses aproximadas para E(Z)
a V(Z). 1

(b) Empregando o Teor. 6.5, obteruJ a fdp de Z, a a seguir, determine oo


I
vll.llores exmtos de E(Z) e V(Z). Comparej<>s com (a).
7.33. Mostre que se X for ~ma va~vel aleatria contma, com fdp j tendo
propriedade de que o grfico de j sejaJ simtrico em relao & z = a, ent.o
111
E(X) =a, desde que E(X) exista. (Veja o Ex. 7.16.) .
7.34. (a) Suponha que a varivel eJ.Ja.tria X tome os valores -1 e 1, c!Mlm
um deles com probabilidade 1/2. Consid~re P[ IX- E(X)I 2:: k v'v(X}] como
uma funo de k, k > O. Em um grfico) marque esta funo de k e, no mesmo
sistema de coordenadas, marque o limitei superior da probabilidade acima, tal
COIW) dada. pela. desigualdade de Tchebylheff.

(b) O mesmo que em (a), exceto qj P(X = - 1) = 1/3, P(X = 1) = 2/3.

7.35. Compare o limite superior da probabilidade P[ IX- E(X) I 2:: 2 VV(X)l,


obtida pela desigualdade de Tchebycheff, <iam a. probabilidade exata se X for uni-
formemente distribuda sobre (-1, 3). j.

7.35. Verifique a. Eq. (7.17). i


7.37. Suponha que a varivel alea.Jsria. bidimensional (X, Y) seja unifor-
1
memente distribuda sobre R, onde R definida por ((z, y) Iz2 + y2 2 1, y 2:: Ol .
(Veja a Fig. 7.17.) Calcule p"'Y, o coefici~nte de correlao.
7.38~ Suponha que a varivel aledtria bidimensional (X, Y) tenha fdp
dada. por l
j(x, y) = ke""11, IO < z < y < l
= -0, para.1 quaisquer putros valores.
(Veja a Fig, 7.1!3.) Detennine o coefrciente de oon:elao Pzu
I y .
I
I

I
I
-1 I
FiiiJ. 7.17 ~ig. 7.18
I
7.~9. O exemplo seginte ilustra ~ue p =O no significa independncia.
Suponha que (X, Y) tenha uma distribui~o de probabilidade conjunta d11-da pele.
Tab. 7.1. ! .

. \
184 I PROBABILIDADE

(a) Mostre que E(XY) = E(X)E(Y) e conseqentemente p =O.


(b) Explique por que X e Y no so independentes.
(c) Mostre que este exemplo pode ser generalizado como se segue. A esco-
lha do nmero 1/8 no decisiva. O que importante que todos os valores cir-
cundados sejam iguais, todos os vm.lores enqWIIdrados sejl!m iguais e o valor cen-
tral seja zero.
'I.I
i
Tab. 7.1

I>< CD
-I
- I

[}] CD
o i

o [I] o []]
I CD w CD
7 ..00. Suponha que A. e B sejam dois eventos associados ao experimento e.
Suponhs que P(A) > O e P(B) > O. Sejam as variveis aleatrias X e Y defini-
das =im:

X = 1 se A. ocorrer, e O em caso contrrio,


Y = 1 se B ocorrer, e O em caso contrrio.

Mostre que P:rv = O implica que X e Y sejam independentes.

7.41. Demonstre o Teor. 7.14.


7.42. Para a varivel aleatria (X, Y) definida no Probl. 6.15, calcule E(Xjy),
E(Yjx), e v~rifique que E(X) = E[E(XIY)] e E(Y) = E[E(YjX)].

7.43. Demonstre o Teor. 7.16.


7.44. Demonstre o Teor. 7.17. [SugesUw: Para o ci!SO contnuo, multi-
plique a equao E(Y.lx) = Ax + B por g(x), a fdp de X, e integre de - <D 111 m,
Faa a mesma coisa, empregando xg(x) e, depois, resolva ru> duas equaes resul-
tantes para A e para B.]
7.45. DemolllStre o Teor. 7.18.
7.46. Se X, Y e Z forem variveis m.leatri&s no-correlacionadas, com
desvios-padres 5, 12 e 9, respectivamente, e se U = X + Y e V = Y + Z, cal-
cule o coeficiente. de correlao entre U e V. ..,
7.47. Suponha que ambas as curvas de regressO da mdia. sejam, de fato,
lineares. Particularmente, admita. que E(Y)jx) = - (3/2)x- 2 e E(Xjy) =
= - (3/5)y - 3.

(a) Determine o coeficiente de correlao p.


(b) Determine E(X) e E(Y).
CARACTERfiZAO ADICRONAL DAS VARIVEIS AlEATRiAS I 185

7.48. Considere a previso de tempo com duas possibilidades: "chove" ou


"no chove" nas prximas 24 horas; Suponha que p = Prob (chove nas prximas
24 horas > 1/2). O previsor marca 1 ponto se ele estiver correto e O ponto se no
estiver. Ao fazer n previses, um previsor sem capacidade escolhe de qualquer
maneira, ao acaso, n dias, (O< r < n) para afirmar "chove" e os restantes n- r
dias para afirmar "no chove" . Seu escore total de pontos Sn . Calcule E(Sn) e
V ar (Sn) e encontre qual o valor de r para o qual E (Sn) o maior. (Sugesto:
F aa Xi = 1 ou O, dependendo de que a i-sima previso esteja correta ou no .
Ento, Sn = :Ef= 1 Xi. Observe que os xi no so independentes.]

\.
'.
Variveis Aleatrias Discretas:
A de Poisson e Outras
Captulo 8

8,1, A !Distribuio de Poisson

Tal como nos modelos determinsticos, nos quais algumas rela-


es funcionais desempenham importante papel (como por exemplo
a linear, a quadrtica, a exponencial, a trigonomtrica etc.), tambm
verificamos que, na construo de modelos no-determinsticos para
fenmenos observveis, algumas distribuies de probabilidade sur-
gem mais freqentemente que outras. Um motivo para isso ~ que,
da mesma maneira que no caso determinstico, alguns modelos mate-
mticos relativamente si~ples parecem ser capazes de descrever uma
classe bastante grande de fenmenos.
Neste captulo, estudaremos bastante pormenorizadamente, algu-
mas variveis aleatrias discretas. No capitulo seguinte, faremos
o mesmo para variveis aleatrias contnuas.
Vamos apresentar. rigorosamente a seguinte varivel aleatria.
Depois, indicaremos sob quais circunstncias esta varivel aleatria
poder representar o resultado de um experimento aleatrio.

Definio. Seja X uma varivel aleatria discreta, tomando os


seguintes valores: O, 1, . .. , n, . . . Se
e--a ak
P(X= k) = -k!- I
k. = O, 1, ...~ n, ... , (8.1)

diremos que X tem distribuio de Poisson, com parmetro a > O.


Para verificar que a expresso. acima representa uma legtima
distribuio de probabilidade, basta observar q~e

L;;=oP(X = k) = L,;;=o (e--aakfk!) = e,_,.e" = 1.


VARIVEiS ALEATRiAS DISCRIE~AS: A DE POISSON E' OUTRAS I 187
I

Comentrio:
i
J que estamos definindo a varivel aleatria diretamente em
termcs de seu contradomnio e distribbio de probabilidade, sem referncia a
qualquer espao amostral subjacente s,l
poderemos snpor que o espao amostral
S tenha sido identificado coin Rx e qt.e X(s) = s. Isto , os resultados do ex-
perimento so apenas os nmeros O, 1, 2j .. . e as probabilidades associadas a cada
um desses resultados so dadas pela. Eq.!I (8.1).

Teorema 8.1. Se X tiver ~istribuio de Poissn com par-


metro a, .ento E(X) ;, a e V(X) I= a.
i
Demonstrao:

=.L
. :t ~-e-_a_k-.-:
E(X)
k~O
k! I k=1 (k - 1)! ~~
,t~;
jf,
Fazendo-se s = k - 1; verificamos que a expresso se torna

L
"' e-"a'~ l=aL-
j 1"' e-"a'
=a.
~~
E(X)
s~o 8! I s~O 8! ~
!i
I
~
Semelhan temente,
~
J j
= L .k
"' 2 --a
E(XZ) e a ' f~
k~O k! I
r;,
~f
:j'
Fazendo, novamente, 8 = k-- 1,!obteremos
I ~
2
o~O
(I)

E(X ) = L (s + 1)
e-a.as+ 1
s!
= a s:[:
~o
e--aa'
8 --+ a
s!
1 Ol co

L--
s!
e-aas
= a +a 2 l?i :i

~
s=O
I

(porque o primeiro somatrio rewesenta E(X), enquanto o segundo


,.1 t
igual a um]. Portanto,
I ~~:
V(X) = E(X 2 ) - [E(X))Z = a 2 + a - a 2 = a. ~

Comentrio: NotEHJe a. interessante / propriedade que uma 1varivel aleatria


lif~f'
de Poisson apresenta.: seu valor esperadt igual a sua varincia. t~
'~
1i'
f
i:
8.2. A DistriblUiio de Poisson! Como AproJtimao : ni'

i
da Distrib111io Binomial 1

A distribuio de Poi~son reJresenta U:m papel muito importante,


por si mesma; como um modelo probabilstico adequado para um gran- t
de nmero de fenmenos 'aleat~os. Explanaremos isso na prxima
seo. Aqui, trataremos da impo~tncia dessa dist'ribuio como uma
aproximao das probabilidades bihomiais.
I .
Exemplo 8.1. Suponhamos que chamadas telefnicas <;heguem a
uma grande central, e que em fn
perodo particular de trs 'horas
188 I PROBABI LIDADE

(180 minutos), um total de 270 chamadas tenham sido recebidas, ou


seja, 1,5 chamadas por minuto. Suponhamos que pretendamos, com
base nessa evidncia, calcular a probabilidade de serem recebidas O,
1, 2 etc. chamadas durante os prximos trs minutos.
Ao considerar o fenmeno da chegada de chamadas, poderemos
chegar .concluso. de que, a qualquer instante, uma chamada telefnica
to provvel de ocorrer comoem qualquer outro instante . Assim, a
probabilidade permanece constante de "momento" a "momento". A di-
ficuldade que, mesmo em um intervalo de tempo muito pequeno, o
nmero de pontos no apenas infinito, mas n~o pode ser enumerado.
Por isso, seremos levados a uma srie de aproximaes, que descreve-
remos agora.
Para comear, poderemos considerar o intervalo de trs minutos
subdividido em nove intervalos de 20 segundos cada um. Poderemos
ento tratar cada um desses nove intervalos como uma prova de
Bernouilli, durante a qual observaremos uma chamada (sucesso) ou
nenhuma chamada (insucesso ou falha), com P (sucesso) = (1,5)
(20/60) = 0,5. Desse modo, poderemos ser tentados a afirmar que a
probabilidade de duas chamadas durante o intervalo de trs minutos
[isto , 2 sucessos em 9 tentativas com P (sucesso) = 0,5] seja igual a

(~)(J/2) 9 = 9/128.
A dificuldade com esta aproximao que estamos ignorando as
possibilidades de, digamos, duas, trs etc. chamadas durante um dos
perodos experimentais de 20 segundos. Se essas possibilidades fossem
consideradas, o emprego da distribuio binomial indicado no poderia
ser legitimado, porque essa distribuio aplicvel somente quando
existe uma dicotomia: uma chamada ou nenhuma chamada.
para eliminar essa dificuldade que nos voltamos para a aproxima-
o seguinte e, de fato, seremos levados a uma inteira seqncia de
aproximaes. Uma das maneiras de estar provavelmente certo de que
ao menos uma chamada ser recebida na central, durante um pequeno
intervalo de tempo, fazer esse intervalo muito curto. Assim, em vez de
considerar nove intervalos de 20 segundos de durao, vamos, a seguir,
considerar 18 intervalos, cada um de dez segundos de durao. Agora
poderemos representar nosso experimento como 18' provas de Bernouilli,
com P (sucesso) = P (entrar chamada durante o subintervalo) = (1,5)
(10/60) = 0,25. Conseqentemente, P (duas chamadas durante o inter-

valo de trs minutos)= C~J (0,25)2 (0,75l 6 . Observe-se que, no


obstante, agora, estarmos tratando com uma distribuio binomial
VARIVEIS ALEATRIAS DISCRETAS: A DE POISSON E OUTRAS I 189

diferente da anterior (isto , tendo parmetros n = 18, p = 0,25, em


lugar de n = 9, p = 0,5), o valor esperado np o mesmo, a saber, np =
= 18 (0,25) = 9(0,5) = 4,5.
Se continuarmos nesta maneira, aumentando o nmero de subinter-
valas (isto , n), faremos, ao mesmo tempo, decrescer a probabilidade
de chegar uma chamada (isto , p ), de tal maneira que np fique cons-
tante .
Portanto, o exemplo precedente nos leva a formular a seguinte

pergunta: que acontece .com as probabilidades binomiais ( Z) pk


(1 - p )n - k, se n--* oo e p--* O, de tal maneira que np permanea cons-
tante, digamos np =ex?
O clculo seguinte leva resposta desta questo muito importante.
Consideremos a expresso geral da probabilidade binomial,

P(X = k) = (~ )p,.(1 - p)n-<c =


n! k .....Jc
k!(n - k)! p {l - p) =

n(n- l )(n- 2) .. . (n- 1c + 1)


k!

Faamos np = ot. Da, p = ot/n, e 1 - p = 1 - afn = (n - a)/n.


Substituindo todos os termos que contenham p . por sua expresso
equivalente em termos de ot, obteremos

P(X = k) = n(n- 1). (n ~


~~- k + 1) (~f otr-k _

1
= otk!' [ (1) ( 1 - 1)( 2) (
-; 1 - -; . . . 1 - k- n
- - 1)' ]( 1 --;;-a ]"-k

~~ [ (1) ( 1 ~ ~) ( 1 - !)... ( 1 -- k ~ 1
)] X

X(1- ;r(l .- :rk


Agora, faamos n --+ m, de tal modo que np = ot permneil, cons-
tante. Evidentemente, isto significa que p --+ O, enquanto n --> oo,
f~J, E :: ~:, ~ ri

!~i::,:
I

190 I PROBABIUDADIE
\:~i.-r: ~
n::: .
porque de outro modo np no poderia ficar constante. (Equiva-
!i:~ r
],;
lentemente, poderamos impor que n ~ co e p ~ O, de tal modo que
:.u:.
np~a.)
11 -~ ~~J!, . .i

Na expresso acima, os termos da forma (1 - 1/n), (1 - 2/n), . . .


J
se aproximam da unidade medida que n tende para infinito, o que
d (1 - afn)-~<. f} bem conhecido (da definio do nmero e) que
I ::I
' I j: (1 - afn)" ~ e- quando n ~ "".
!' ' !
~ l \:;: Por isso, Iim ,._,, P(X = k) = e- ak/k!. Isto , no limite,
;.iI:
obteremos a distribuio de Poisson com parmetro .01. . Vamos resu-
i
.! :i mir este importante :resultado no seguinte teorema:
'
ti!:l'lil 'i lt:ll Teorna 8.2. Seja X uma varivel ahiatria distribuda bino-
I'
' .ii mialmente com parmetro p (baseado em n repeties de um experi-
mento). Isto ,
1111 iini:!,
~~1jl!l
jiill''l i': l t'
~~~:!I j,[:''';!
~iiL !!:!!
.jfjl;]fll Admita-se que quando n ~ "", fique np = 01. (const.), ou equi-
lilffi!ir!ii1'i l
r
l:i: t!j
' rii 11: valentemente, quando n ~ "", p ~O, de modo que np ~a. Nessas
' lll
:'1!; ;: Condies teremos
' 1\l:;il :i Iii::
~~i;:l: e-mOt.k
!t'( I,H,I' t,il'l- lim. P(X = k) = - - - ,
~ ~ ;i: ,_,.. k!
li\j'l \!iil
Ir
! :::,l 1,:rl
I ,':~~ i: 1,;!i~l
l' i !
ii111 que a distribuio de Poisson com parmetro a.
Comentrios: (a) O teorema acima diz, essencialmente, que poderemos
obter uma aproximao das probabilidades binomiais com as probabilidades da
;!i'it J ,.,
' I
,.,I
distribuio de Poisson, toda ve~ que n seja grande e p seja peq,ueno.
~~~I .i, !t
H

J:j:.l!~" ~ :1I 'ii (b) J verificamos que se X tiver uma distribuio binomial, E (X) = np,
:''' I' ' !' enquanto se X tiver uma distribuio de Poisson (com parmetro a), E(X) == a.
'.iit
ii: HI (c) A distribuio binomial caracterizada por dois parmetros, n e p,
~i}:' ir
.l:;i,
enquanto a distribuio de Poisson caracterizada por um nico parmetro,
f;j a == np, o qual representa o nmero esperado de sucessos por unidade de tempo
li l!i!i,il (ou por unidade de espao em alguma outra situao). Esse parmetro tambm

I i[!' t
''I
1!1:..
,;

:~ ;
conhecido com a intensidade da distribuio. importante distinguir entre o
nmero esperado de ocorrncias por unidade de tempo e o nmero esperado de
[ :'II ocorrncias em um perodo de tempo especificado. Por exemplo, no Ex. 8.1, a
i!lii!l intensidade 1,5 chamadas por minutos e, portanto, o nmero esperado de cha-

~~
:

madas em, digamos, um perodo de 10 minutos seria 15. "


!
(d) Poderemos tambm considerar o seguinte raciocnio para avaliannos a
varincia de uma varivel aleatria de Poisson X, com parmetro a: X pode ser

il!
mnr:
!~i l :i
considerado como um caso limite de uma varivel aleatria distribuda binomial-
mente Y, com parmetros n e p, onde .n--+ oo e p _,.O, de tal modo que np--+ a.
Desde que E(Y) = np e Var(Y) = np (1- p), ns observamos que, no limite,
Var(Y) --+ a.
j,
ilii:!i
!'"!.:;!i r:
~~r ::! ,!!!
~
~'~!
VARIVEIS ALEATRIAS DISC T ETAS: A DE POISSON E OUTRAS I 191

I ~
~:t

:~.
J existem extensas tbu~s da distribuio de Poisson. (E. C.
Molina, Poisson's Exponential j Binomial Limit, D. Van Nostrand
~
-,;,~'!/
Company, Inc., New York, 1942.) Uma tbua resumida desta distribui-
o est apresentado no Apndid,e (Tbua 3):
~i

exe~plos
Ig;
Vamos apresentar trs
da distribuio de Poisson.
I
I
a mais, que ilustram a aplicao

,
11"' Exemplo 8.2. Em um cruzamento de trfego intenso, a probabili-
dade p de um carro sofrer uni acidente muito pequena, digamos
[i p = 0,0001. Contudo, durante! certa parte 1 do dia, por exemplo das
16 s 18 horas, um grande nmero de carros passa no cruzamento
~, (1000 carros, admitamos). Ness~s condies, qual a probabilidade de
que dois ou mais acidentes ocorr~m durante aquele perodo?
~l
.
Vamos fazer algumas hipt~ses. Dever{1mos admitir que p seja a

I~i mesma para todo carro. Tamb~ deveremo~ supor que o fato de um
carro sofrer o~I no um acidente Ino depende do que ocorra a qualquer
outro carro. (Esta hiptese, ob~amente, no corresponde realidade,
mas, apesar disso, a aceitaremos.) Assim, poderemos supor que, se X

Ii~ for o nmero de acidentes ent}e os 1000 parros que chegam, ento.
X ter distribuio binomial corrb = 0,0001. (Outra hiptese que fare-
mos, no explicitamente, que n, o nmero de carros que passam no
.~[( cruzamento entre 16 e 18 horas, prefixado em 1000. Obviamente,
. I .
~~ um tratamento mais realista seFia considerar o prprio n como uma
varivel aleatria, cujo vaior
.
dep~nda
I
de um mecanismo casual. Contu-
do, no faremos isso, e tomare*os n como pr-fixado.) Deste modo,
poderemos obter o valor exato d~ probabilidade procurada:
I
P(X~ 2) = 1- [Jf(X= O)+ P(X= 1)] =

= 1- (0,9999) 1000 - 11000(0,0001)(0,9999)999


I
Considervel dificuldade sulrge para o clculo desses nmeros.
:~;~.{~. Como n grande e p pequeno!, poderemos aplicar o Teorema 8.2, e
~1~ obter a seguinte aproximao: I .

I
i e-o,I (O 1,k
P(X~k)~ 'r
k!
Conseqentemente,

I F(X~ 2) ~ 1- e~ 0 ' 1 (1 + 0,1) = 0,0045.


192 I I?ROBABflUDADIE

Exemplo 8.3. Suponha-se que um processo de fabricao pro-


duza peas de tal maneira que uma determinada proporo (cons-
tante) das peas p seja defeituosa. Se uma partida de n dessas peas
for obtida, a probabilidade de encontrar exatamente k peas defei-
tuosas pode ser calculada pela distribuio binomial como igual a
P(X = k) = (~)pk(l - p)"-k, onde X o nmero de peas defei-
tuosas na partida. Se n for grande e p for pequeno (como freqen-
temente o caso), poderemos aproximar a probabilidade acima por

Suponha-se, por exemplo, que um fabricante produza peas, das quais


cerca de 1 em 1.000 sejam defeituof.fas. Isto , p = 0,001. Da,
empregando-se a distribuio binomial, encontraremos que em uma
partida de 500 peas, a probabilidade de que nenhuma das peas
seja defeituosa ser. (0,999) 600 = 0,609. Se aplicarmos a aproxi-
mao de Poisson, esta probabilidade poder ser escrita cerno
e-0 6 = 0,61. A probabilidade de encontrar 2 ou mais peas defei-
tuosas ser, de acordo com a aproximao de Poisson, 1 - e-M(l .+
+ 0,5) = 0,085.
Exemplo 8.4. [Sugerido por uma expostao contida em A.
Renyi, .lcul de Probabilidade (em alemo) VEB Deutscher Verlag
der Wisaenschaft, Berlim, 1962.1
Na fabricao de garrafas de vidro, partculas pequenas e duras
silo encontradas no vidr() em fuso, com o qual se fabricam as garrafas.
Se uma. nica dessas partculas aparece na garrafa, a garrafa no
pode ser utilizada e deve ser jogada fora. Pode-se admitir que as
partculas estejam aleatoriamente espalhadas no vidro em fuso.
Devemos supor que o vidro em fuso seja produzido de ta:l maneira
que o nmero de partculas seja (em mdia) o mesmo para uma quan-
tidade constante de vidro em fuso. Suponha-se, em particular, que
em 100 kg de vidro em fuso sejam encontradas x dessas partculas e
que seja necessrio 1 kg de vidro em fuso para fabricar uma ga;rafa.
Pergunta: Que percentagem das garrafas ter de ser jogada
fora pelo fato de serem defeituosas? A primeira vista, a "soluo'
deste problema poderia ser a seguinte. Visto que o material par~
100 garrafas contm x partculas, haver aproximadamente x pol
cento de garrafas que deva ser jogada fora. Um pouco de reflexc
mostrar, no entanto, que essa soluo no correta, porque umf
garrafa defeituosa poder conter mais de uma partcula, deste mod<
VARiVEIS ALIEA'l"ROAS DISCRETAS : ADIE POUSSON E OUTRAS I 1~3

reduzindo a percentagem das garrafas defeituosas obtidas a partir


do material restante.
A fim de obtermos uma soluo "correta", vamos fazer as se-
guintes hipteses simplificadoras: (a) Cada particula aparece no
material de cada garrafa com igual probabilidade, e (b) a distribui~
o de qualquer partcula especifica independente da de qualquer
outra partcula especfica. Com essas hipteses, poderemos reduzir
nosso problema ao seguinte modelo de "urna":-n bolas so distribu-
das ao aca.So por N urnas. Qual a probabilidade de que, em uma
urna escolhida aleatoriamente, sejam encontradas exatamente k bo-
las? (As urnas, evidentemente, correspondem s garrafas, enquanto ~
as bolas correspondem s partculas.)
Chamando de Z o nmero de bolas encontradas em uma urna
escolhida aleatoriamente, decorre das hipteses acima que Z bino-
mialmente distribuda com parmetro 1/N. Por isso

P(Z = k) = (~) (~r (1_ ~r-~


Suponha-se, agora, que o vidro em fuso seja preparado em quanti-
dades muito grandes. De fato, suponha-se que seja preparado em
unidades delOO kg e que M dessas unidades tenham sido fornecidas.
Portanto, N = 100M e n = xM. Faamos a = x/100, que igual
proporo de particulas por garrafa. Conseqentem-ente, N = nfa
e a probabilidade acima pode ser escrita como igual a

Deste modo, medida que o processo de produo continuar (isto ,


queM-+ oo e portanto n -+ oo), obteremos

Vamos calcular a probabilidade de que uma garrafa deva ser jogada


fora. Ela ser igual a 1 - P(Z = 0). Conseqentemente, a P(uma
garrafa defeituosa) ~ 1 - e'""' 100 Se o nmero de garrafas fabri-
cadas for bastante grande; poderemos identificar a probabilidade de
uma garrafa defeituosa com a freqncia relati'va das garrafas de-
feituosas. Por isso, a percentagem de garrafas defeitdosas . ser,
aproximadamente, 100(1- e""'' 100). Se desenvolvermos 100(1 -
194 I PROBABDUDADE

- e-4/Ioo) pela srie de Maclaurin, obteremos

x x2 xs
100 [ 1 - ( 1 - 100 + 2(100)2 - 3!(100) 8 + ... )] =

Portanto, se x for pequeno, a propor<> de garrafas jogadas fora


ser aproximadamente x, como inicialmente sugerimos. No en-
tanto, para x grande, isto no valer mais, Na situaao em que
x = 100, a percentagem de garrafas jogadas fora no ser 100, mas
em vez disso 100(1 - e- 1) = 63,21 por cento . Este constitui, na~
turalmente, um caso extremo e no seria encontrado em um 'processo
de fabricao razoavelmente controlado. Suponha-se que x = 30
(um nmero mais prximo da realidade). Nesse caso, em vez de
jogar fora 30 por cento (nossa soluo inicial, novamente), somente
jogaramos 100(1 - e-08) = 25,92 por cento. Poderamos observar
que se x fosse razoavelmente grande, seria mais ec~nmico fabricar
garrafas menores. Por exemplo, quando for necessrio apenas
0,25 kg de vidro em fuso por garrafa em vez de 1 kg, e se x = 30,
ento a percentagem jogada fora se reduzir de 25,92 por cento para
7,22 por cento.

8.3, O Processo dle IPoisson

Na seo anterior, a distribuio de Poisson foi empregada como


um recurso de aproximao de uma distribuio conhecida, a saber,
a binomial. No entanto, a distribuio de Poissom exerce por si
mesma um papel extremamente importante porque ela representa
um modelo probabilistico adequado pari!.. wn grande nmero de fie-
nmen.os ob~ervveis.
Muito embora noo venhamos a dlax um d.ed:uo completamente
rigorosa de alguns dos resUltados que iremos apresentar, o tmtamento
gemi de tal i.mporla.ncia que valer a pena- oomproorid-lo, mesmo
que no po.ssamos d,emonstrnr cada pasaagem.
Com o objetivo de aludir a um exemplo especfico, enquanto
formos apresentando os detalhes matemticos, vamos considerar
uma fon~ de. material radi()ativo, que emita partmlls.s a. Seja Xt
definido como o nmero de partculas emitidas durante um perOdo
especificado de tempo .[O, t)~ Devemos fazer algumas hipteses sobre
!
VARiVEiS ALEATRIAS DDSCRIE~AS: A DE POISSOI\I E ~UTRAS I 195

i!> varivel aleatria (discreta) Xt, L quais nos, pe,mritiroo estabelecer


~~> distribuio de probabilidade d~ Xe. A plausibilidade dessas hi-
p6t.eses (recordando o que Xe rep~esenta) fortl!.lecida pelo fato de
que a evidncia emprica aceita, ~m grau bastante oo~der.vel, oa
resultados tericos que iremos obier.
!
I
Vale a pena salientar que ao deduzir qualquer resultado mate-
mtico, deveremos aceitar alguns postulados 1 ou axiomas subjacen-
tes. Ao procurarmos axiomas p~.ra descrevei' fen.menoa observ-
veis, alguns axiomas podero ser ibastant.e mais plausveis (e menos
l!J'bitr.rios~ que outros. Por exemplo, ao descrever o movimento
de um objeto lanado para cima ~om ~alguma velocidade inicial, po-
deremos &Upor que a distncia acima do solo, s, seja uma funo
quadrtica do tempo t; isto , si= +
at 2 bt + c. Com dificuldade
isto contituiria uma suposio intuitiva genuna, em termos de
!
nossa experincia. Em lugar dissp, poderamos supor que a acele-
rao fosse constante e, depois, deduzir disso 1que s deveria ser uma
funo quadrtica de t. O importante , naturalmente, que se de-
vemos supor alguma coisa a fun de ~laborar nosso modelo matemtico,
deveremos admitir aqulo que sej~ plausvel, em lugar daquilo que
1
seja menos plausvel.

A .mesma orientao nos guia~ I


aqui, a construirmos um mo-
delo probabilstico para a emiss<j de partculas a, por uma fonte
:radioativa. A varivel aleatria Jtt, definid~ acima, pode tomar os
valores O, l, 2, . . . Seja Pn(t) = li[X, = n], n = O, 1, 2, ...
I I

Agora sero feitas as cinco hipteses seguintes:


. I
A1 : O nmero de partculak emitidas durante 'intervalos de
tempo no-sobrepostos Jonstituem variveis ;aleatrias in-
dependentes. I I
'
A2 : Se Xt for definida como ~cima, e se Y, for igual ao nmero
de partculas emitidas !durante [tJ, tl + t), ento, para
qualquer t 1 > O, as variveis aleatrias Xt e Y; tero a
mesma distribuio de brobabilidade. (Em outras pala-
vras, a distribuiCo do n~mero de partculas emitidas du~
rante qualquer intervaloi depende apenas do comprimento
daquele intervalo e po !de seus pontos extremos.)
I
A a: p 1(!:J.t) ser aproximadamente igual a )\t, 'se l for sufi-
cientemente pequeno, onde )\ uma constante positi>;a. Es-
creveremos isto, as~im \PJ(.t) ~ .t. Por toda \~st. se-
o, a(.t)
.
~ b(!:J.t)
.
sigllifica
.. I
que a(.t)jb(!:J.t)
-- .
-> 1 quando
..
I
196, I PROBABILIDADE

ilt ---7 O. Devemos tambm supor que D.t > O. (Esta hi-
ptese afirma que se o intervalo for suficientemente pe-
queno, a probabilidade de obter exatamente uma eniissO
durante o intervalo diretamente proporcional ao compri-
mento do intervalo considerado.)
A4: L,;:= 2Pk(!J.t)
-r O. (Isto significa que Pk(D.t) "' O, k ;:::: 2.)
Isto afirma que a probabilidade de obter duas ou mais
emisses durante um intervalo suficientemente pequeno
desprezvel.
A~: Xo = O, ou o que equivalente, po(O) = 1. Isto equivale a
uma condio inicial ~ara o modelo que estamos apresen-
tando.
Como dentro em pouco demonstraremos, as cinco hipteses
relacionadas acima nos permitiro deduzir ~a expresso para
Pn(t) = P[Xt = nl. Vamos agora tirar algumas concluses, a par-
tir das hipteses acima.
(a) As hipteses Ai . e A2, em conjunto, querem dizer que as
variveis aleatrias Xt e [XttAt-
- Xt l so variveis aleatrias in-
o t+~t dependentes, com a mesma distri-
Fig. 8.1 buio de probabilidade. (Veja a
Fig. 8.1.)
(b) Da.c; hipteses Aa e 4, pqdemos concluir que
m

Po(!J.t)= 1-pl(!J.t)- L Pk(!J.t)~l-'At+p(!J.t), (8.2)


k=2

quando t-+ O.

(c) Podemos escrever

po(t + Llt) = P[Xt+At = O]


= P[Xt = O e (X~+t.t- Xt) = oJ
= Po(t)po(fJ.t). [Veja a concluso (a).]
~ Po(t)[t - !J.t]. [Veja a Eq. (8.2).]

(d) Da, teremos

Po(t + D.t) - Po(t) ,...., _ po(t).


tit
VARiVEiS AILEATRDAS DISCRETAS: A DE PO!SSOI\I E OUTRAS / 197

Fazendo i1t--) O, e observando que o primeiro membro repre-


senta o quociente das diferenas da funo po e por isso se aproxima
de po'(t) (mais corretamente, se aproxima da derivada direita, por-
que i1t > O), teremos

Po '(t) = - 'I'.Po () . I ente, -(-)


t ou, o que e., eqmva Po'(t) = - ,1\.
Po t
Integrando ambos os membros em relao a t, obtm-se ln po(t) =
= - t + C, onde C uma constante de integrao. Da hiptese
As, fazendo t = O, obtemos C = O. Portanto,

Deste modo, nossas hipteses nos levaram a uma expresso para


P[X1 = ot Empregando essencialmente o mesmo caminho, agora
obteremos pn(t) para n;:::: 1.
(e) Consideremos Pn(t + l1t) = P[Xt+Lit = n].
Agora Xt+Lit = n se, e somente se, X, = x e [Xt+Lit ~ X,] =
= n- x, x =O, 1, 2, .. -., n. Empregando as hipteses At e A2,
teremos

Pn(t + f:1t) x=O


:t Px(t)pn-x(f:1t) =
n-2
= L
8=0
p.f...t}pn-x(f:1t) + Pn-t(t)pl(f:1t)+Pn(t)po(f:1t).
Empregando as hipteses A3 e 4 e tambm a Eq. (8.2), obteremos
Pn(t + f:1t) "-' Pn-t(l)./::it + p,.(t)(l - .f:1t].
Conseqentemente,

Pn(t + /::it) - Pn(t) "-' pn-t(l) - pn(t).


l1t
De novo fazendo l1t--) O, e tambm observando que o primeiro mem-
bro representa o quociente das diferenas da funo pn, obteremos
Pn'(t) = - pn(t) + pn-I(t), n = 1, 2, .. :

Isto representa um sistema infinito de equaes diferenciais e de di-


ferenaS (lineares). O leitor, interessado poder verificar que se
definirmos a funo qn pela relao qn(t) = e1pn(t), ' o sistema acima
se torna qn'(t) = qn- 1(t), n = 1, 2, ... Desd~ que po(t) = ,e..->..\ en-
contramos que qo(t) = L [Observe-se tambm que qn(O) ='9 para
n > O.] Por conseguinte, obteremos sucessivamente
t.JJJ '!

1!!8 I PROBABiliDADE

e da

Em geral, q..'(t) = q,.- 1(t) e por isso q,.(t) = (t)n/n! Lembrando a


definio de q,., obteremos finalmente
p,.(t) = e-">-'(1\t)"/n!,' n = O, 1, 2, . . . (8.4)

Mostramos, portanto, que o nmero de partfclas emitidas


durante o intervalo de tempo [0, t) por uma fonte radioativa, sujeita
~ hipteses feitas acima, uma varivel aleatria, com distribuio
de Poisson, com parmetro (t).
Comenirios: (a) 11: importante compreender que a distrib,lio de Poisson
surgiu como wna conseqncia de alguma.s hiptE'.ses que fizemos. Isto significa
que ~empre que essas hipteses sejani vlida.s (ou ao menos aproximadamente
vlida.s), a. distribuio de Poisson po.de ser empregada como um modelo adequado.
Verifica-se que existe uma grande classe de fenmenos para os quais o modelo de
Po.isson adequado.
(i) Admita-se que Xt represente o nmero de chamados que chegam a uma
central telefnica, durante um perodo de tempo de comprimento t. As hlp-
teses acima so aproximadamente satisfeitas, particularmente durahte o "p~
rlodo movimentado" do dia. Conseqentemente, Xt tem urna distribuio de
Poisson.
(i) Adm.ita-tle que Xt represente o nmero de eltrons lil:.>ertados pelo
catodo de uma vlvula eletrnica. Tambin as hipteses acima.so adequadss
e, portanto, Xt tem uma distribuio de Poisson.
(iii) o seguinte exemplo (da Astronomia) revela que o racioc(nio ACima pode
ser aplicado no ,somente ao nmero de ocorrncias de algum evento, durante
um perodo de tempo fixado, mas tambm ao nmero de ocorrncias de
um evento dentro das fronteiras de uma rea ou volume fixados. Suponha-se
que um astrnomo investigue uma parte de. via-Lctea, .a admita que na parte
considerada, a densidade das estrelas X seja constante. [Isto. significa que em
um volume V (unidades cbicas), podem-se encontrar, em mdia, V estrelas.)
Seja X v o nmero de estrelas encontradaS em uma parte da Via-Lctea que
tenha o volume V. Se as hipteses acima forem sat~fetas (com "volume"
substituindo "tempo"), ent!l:o P[X v = n) = (X V)n e- Vjn!. (As hipteses,
intsrpreta.das neste contexto, afirmariam essencialmente que o nmero de estre-
las que aparecem em P.artes no-sobrepostas do cu, representam variveis
aleatrias independentes, e que e. probabilidade de mais do que uma estrehl.
&parecer em uma parte bastante pequena do cu zeto.)
(iv) Outra aplicao, no campo da Biologia, lembrada se fizermos XA ser
o nmero de glbulos sangneos visveis ao microscpio, a rea de superfcie
visvel no campo do microscpio sendo de.da por A unide.des quadradas.
(b) A constante ]\. originalmente surgiu como uma constante de proporcio-
nalidade Dili hiptese Aa. As seguintes interpretaes de ]\. sl!,o dignas de nOta :
Se Xt representar o nmero de ocorrncias de algum evento, durante um intervalC>
de tempo de comprimento t, ento E(Xt) = t, e portanto X = [E(Xt)lft repre-
I
VARiVEiS AliEATRDAS DISCRIEf AS: A DE POISSON E OUTRAS I 1S!ll

115nt& a. taxa (freqncia} esperada segun~oa qual as partculas sil.o emitidms. Se


X v representar o nmero de ocorrnci4.. de algu~ evento dentro de um vol~e
especificado V, ento E(Xv) = XV, e portanto X= [E(Xy)]/V representa adefl..
sidade esperada, segundo a qual as estn\las
I
ap&recem.
(c) import&nte co~preender qu~ nossa exposio na. Se. 8.3 nll.o tratou
exatamente de uma v.a riivel ale&tri& X 1possuindo uma distribuio de Poiss<in .
Mais exatamente, para todo t > O, encontramos que Xt possualuma distribuio
de Poisson com um parmetro dependehte de t. Tal coleo (infinita) de variveis
aleatrias tambm conhecida conio Pr, cesso de Poiss~n.

(Equivalentemente, um Processo de Poisson gerado sempre que


um evento ocorra em algum interv~lo de tempo:para o qual as hiptses
A 1 t A 5 sejam satisfeitas.) De maheira anloga, poderemos.dfmir um
Processo de Bemouilli: se X 1 ,X2 , 1 , Xn, ... forem os nmeros de
ocorrncias de sucessos em 1, 2, . j ., n, . .. provas de Bemouilli, ento
I .
a coleo de variveis aleatrias Xi\1' ... '
xn' ... denominada um
Processo de Bernouilli. .
Exemplo 8.5. Uma corriplic~da pea de maquinaria, quando
funciona adequadamente, d,
um l~cro
I
de C dla~s por hora (C > 2)
a urna firma. Contudo, esta mquina tende a falhaJ;" em momentos
in~sperados e imprevisveis. Su~onha-se que o nm~ro de falhas,
dura~te qualquer perlodo de duraJo t horas, seja urna varivel alea-.
tria com uma distribUio de Poisson com parmetro t. Se a m:
quina falhar x vezes durante as t horas, o prejuzo sofrido (parada da
+
mquina mais reparao) igual ~ (~ 2 x) dlares. Assim, o lucro
total P, durante qualquer perodb de t horas, igual a P = Ct -
- (X 2. + X), onde X a varivel Ialeatria que repres~nta o nmero
de falhas da mquina. Logo, P uma varivel aleatria, e poder
interessar escolher-se t (o qual es,t nossa disposio) de .tal ma-
. neira que o lucro esperado se tome mximo. Teremos
E(P) = Ct ~ E(X 2 + X).
Do Teor. 8.1, encontraremos !I que E(X) =. t e E(X 2) = t + (t)a.
Segue-se ento que E(P) = Ct - ~ 2t- t2 Para achar o valor de t
para o qual E(P) se torna m.xirila, derivaremos E(P) e faremos a
~xpr~sso resultante igual a zero. j . Obteremos C - 2 - 2t = O, qu~
fornece t = 1/2 (C - 2) horas. !
I .

I .

Exemplo 8.6. Seja Xt o nmero de partculas emitidas por un:i.a


fonte radioativa, durante um intenralo.d.e tempo de durao t. Admi-
ta-se que X, possua distribuio d~ Poisson com parmetro at. ,, Um
dispositivo contador colocado ~ara registrar Q nmero de p'a rt-
.culas emitidas. Suponha-se que exista urna probabilidade consmte p
I .. .,
!
200 I PROBABIUDADE

de que qualquer partcula emitida no seja contada. Se Rt for o


nmero de partculas contadas durante o intervalo especificado, qual
sem a distribuio de probabilidade de Rt?
Para um dadO X. = x, a varivel aleatria Rc possui uma distri-
buio binomial, baseada em x repeties; com pacl~etro (1 - p).
Isto ,

Empregando a frmula da probabilidade total [Eq. (3.4)], teremos


.,
P(Rc = k) "L, P(R, =
= 8-k klXt = x)P(Xc = x)
.

1-p .)I& e- " 11


,
= ( .- .p - -k, L (X - k)i (pat).
. a-k
Faamos i = x - k. Porlanto,
1 "' )"' e-mi "' l~~t)i+k
P(R, = k) = ( - " ~L -"'\}J'-"~-
p k! i-O i!

= ( 1 .,.- p )"' e-' (patY'eP"'t =


p k!
e-CI--Pll(I - p)at]"'
k!

Deste modo verificamos que Rt tambm possui distribuio de Pois-


son, com parmetro (1 - p)at.

8,4, A Distribuilo Geomtrica

Suponha-se que realizemos um experimento S e que estejamos


interessados apenas na ocorrncia ou. no-ocorrncia de algum
evento A. Admita~se; tal como na explicao da distribuio bino-
mial, que realizemos S repetidamente, que as ,.repeties sejam inde-
pendentes, e que em cada repetio P(A) = p e P(A) = 1 - p .= q
permaneam os mesmos. Suponha-se que repetimos o experimento
at que A ocorra pela primeira vez. (Aqui nos afastamos das hip-
teseS que levaram distribuio. binomial. L, o nmero de repeti-
es era predeterminado, enquanto aqui uma varivel aleatria.)
VARIVIEIS AllEATRIAS DISCRETAS: ADIE I?OiSSOI\I E OUTRAS I 201

Defina-se a varivel aleatria X como o nmero de repeties


necessrias para obter a primeira ocorrncia de A, nele se incluindo
essa ltima. Assim, X toma os valores possiveis 1, 2, ... Como
X:= k se, e somen.te se, as primeiras (k- 1) repeties de 8 derem
o resultado A, enquanto a k-sima repetio d o resultado A, te-
remos

k = 1, 2, ... (8.5)

Uma varivel aleatria com a distribuio de probabilidade da


Eq. (8.5) recebe ~ denominao de distribuio geomtrica.
Um clculo fcil mostra que a Eq. (8.5) define uma distribuio
de probabilidade legtima. Temos, obviamente, que P(X = k) 2:: O, e

L"'
k~l
- .
P(X = k) = p(l
.
'
+ q + q + - .) = p [ - 1-1 q- ]
2
-
= 1.

, Poderemos obter o vlor esperado de X, da seguinte maneira:


"' "' d
E(X) = Lkprf- 1 =p
k=l
:E-
k=ldq
q"' =

d"'2.::: t =
= p---:- P- d[ --] = -.
1
dqk=l qq 1-q p

(A permuta da derivao e do somatrio vlida aqui, porque a srie


converge quando Iq I < 1.) Um clculo semelhante mostra que
V(X) = q(p 2. (Obteremos de novo, ambos os resultados no Cap. 10,
..;
seguindo um caminho diferente.) Resumindo o que est acima,
enunciamos o seguinte teorema:

Teorema 8.3. Se X tiver uma distribuio geomtrica, como


dada pela Eq. (8.5),
E(X) = 1/p e V(X) = q(p2.
Conie.nt<irio: O fato de E(X) ser igual ao inverso de ']i aceito intuitivamente,
porque diz que pequenos valores de p = P(A) exigem muitas repetiges a fim de
permitir que A (ocorra.

Exemplo 8.7. Suponha-se que o custo de realizao de um ex-


perimento seja US$ 1.000. Se o experimento falhar, ocorrer um
custo adicional de US$ 300 em virtude de serem necessrias algumas
alteraes antes que a prxima tentativa seja executada. - Se a pro-
babilidade de sucesso em uma tentativa qualquer for 0,2, se as provas
forem independentes, e se os experimentos continuarem at que o
202 I PROBABILIDADE

primeiro resultado frutuoso seja alem!Mllo, quru aem o eusto elipe-;


rado do procedimento completo "f
Se C for o custo, e X for o nmero. de provM necessrias para
alcanar sucesso, tremos
C = :LOOOX + 300(X - 1) = 1.300X ~ 300.
Em conseqncia,
1 .
E( C) = 1.300E(X) - 300 = 1.300 0, - 300 = US$ 6.200~
2
Exemplo 8.8. Em determinada localidade, a probabilidade da
ocorrncia de uma tormenta em algum dia durante o vero (nos
meses de dezembro e janeiro) igual a 0,1. Admitindo independu-
cia de um dia para outro, qual a probabilidade da ocorrncia da
primeira tormenta da estao de vero no dia 3 de janeiro?
Chamemos de X o nmero de dias (comeando de 1.0 de dezembro)
at a primeira tormenta e faamos P(X = 34), o que igual a
(0,9) 88(0,1) = 0,003.

Exemplo 8.9. Se a probabilidade de que um certo ensaio d .


reao "positiva" for igual a 0,4, qual ser. a probabilidade de qu
menos de 5 reaes "negativas~' ocorram antes da primeira positiva?
Chamando de Y o nmero de reaes negativas antes da, primeira
positiva, teremos
P(Y == k) = (0,6}'<(0,4), k =o, 1, 2, ... .
Da,
4
P(Y < 5) = L
k=O
(0,6)k(0,4) = 0,92.

Cament.rio: Se X tiver uma distribuio goomtrica como a descrita pela


. Eq. (8.5) e se fizermos Z = X - 1, poderemos inter-Pretar Z como o nmero de
falhas que precedem o primeiro sucesso. Teremos: P(Z = k) = qkp, .k =
= O, 1, 2, ... , onde p = P (sucesso) e q = P (falha):
A distribuio geomtrica apresnta uma propriedade interes-
sante, que ser resumida no teorema seguinte:

Teorema 8.4. Suponha-se que X tenha uma distribuio geo-


mtrica dada pela Eq. (8.5). Ento, para dois quisquer' inteiros
positivos 8 e t,
P(X;::::: 8 + t I X.> 8) = P(X > t). (8.6)

Demonstrao: Vej~ o Probl. 8.18.


- - I
VARIA VEIS A L EATORBAS DISCRETAS: A DE P-OISSON E OUTRAS I 203
,
I .
I
Comentrios: (a) O teorem& adima afirma que a distribuio geomtrica.
"no possui memria", no oontido ~eguinte: Suponha-se que o evento A nao
tenha ocorrido durante !l8 primeiras ~ repeties de E. Ento, a probabilidade de
que ele no ocorre, durante as prximas t repeties ser a .mesma probabilidade
de que no tivesse oeot"rido durante ~s primeiras t repeties. Em outras pala-
vras, a informao de nenhum sucessJ "esquecida", no que inte~~essa aos clculos
I
subseqentes.
(b) A recproca do teorema. acima tambm verdadeira: Se a Eq. (8.6)
valer para uma varivel aleatria, qde .tome somente valores inteiros positivos, en-
to essa varivel aleatria deve te~ uma distribuio geomtrica. (No ~ de-
J;Ilonstraremos aqui. Uma exposio pode ser encontrada no livro de Feller, An
[ntrodudion to Probability Theory a~ Its Applications, John Wiley and Sons,
Inc., 2. Edio, New York, 1957, lg. 304.)
(c) Observaremos no prximo ~aptulo que existe urna varivel aleatria
contnua, com urna distribuio que possui propriedade anloga da Eq. (8.6),
a saber, a_ listribuio exponencial.

Exemplo 8.10. Suponha-se que uma pea seja inspecionada ao


fim de cada dia, para verificar ke ela ainda funciona, adequadamente.
Seja p = P [de falhar duranJ qualquer dia especificado]. Conse-
.qentemente, se X for o nme~o de inspees necessrias.para veri-
.ficar a primeira falha, X ter~ disti.-ibuio geomtrica." e teremos
. P(X = n) = (1- p)n- 1p. Ou de modo equivalente, (1- p)n-ip = P
e [a pea falhar na n-sima insJeo e no ' ter falhado na (n- 1)].
? I
:1.
o valor mximo desta probabilidade obtido pela resoluo de
. I .
d r

dp r:<f = n) = O.
O que fornece I
i
p(n - 1)(1 - p)'H( -1) + (1 ;- p)"- 1
=;: O

que equivalente a
(1 - p)n-2[(1 --;' p) - (n - 1)p] = O,
da qual obtemo.s p = 1/n. I
i
I
8.5. A Distribuio de i f?asc~l

Uma gener~lizao
bvia Ida distrib~o
geomtrica surge ' se
propusermos a seguinte quest~o: Suponha-se que 'Uill experiinento
seja continuado at que hm p~rticular evento A ocorra na r-sima
vez. Se I ' .
P(A) = p, i P(A) = q=1 - p
em cada repetio, dofiniremool varivcl aloat6ria Y como St;lgue:
204 I PIF!OBA.BD UIDIA.OE

Y o nmero de repeties necessrias a fim de que A possa


ocorrer exatamente r vezes.
Pede-se a distribuio de probabilidade de Y; evidente que se
r = 1, Y ter a distribuio geomtrica dada pela Eq. (8.5).
Ora, Y = k se, e somente se, A ocorrer na k-sima repetio e A
tiver ocorrido e7'atamente (r - 1) vezes nas (k - 1) repeties~ante
riores. A probabilidade deste evento meramente p(~:Dp-t~f-v,
desde que o que acontece nas primeiras (k - 1) repeties indepen-
dente daquilo que acontece na k-sima repeti_o. Portanto,

P(Y = k) = (~ =o p'q'<-, k = r, r+ 1, . . . ,. (8.7)

V-se facilmente que para k = 1, a eJCpresso acima se reduz


Eq. (8.5). Uma varivel aleatria que tenha a distribuio de pro-
babilidade dada pela Eq. (8.7) possui a distribuio de Pascal.

Comentrio: A precedente distribuio de Pascal tambm geralmente


I'
conhecida corno Distribuio Binomial Negativa. O motivo para isso que, ao se
verificar a condio

L
k=l
P(Y=k)= 1,

obtm-se

t(k- 1l)prqk-r=pr f:(k-


k=l r -
l)qk-r=
r - 1 k=l

que , obviamente, igual a 1. A ltima igualdade provm do desenvolvimento


em srie de

(1-q) - r =L ( -nr)(-q)n,
n=l

que igual a E(k-


r -
k=I
)qk- r, 1
1

depois de algumas simplificaes algbricas e relembrando a definio do coefi-


ciente binomial generalizado (veja o Comentrio antes do Ex. 2.7 ). Em virtude
do expoente negativo (-r) na expresso acima que a distribuio denominada
binomial negativa.
VA R IVEIS AlEATRiAS Di SCRETAS: A DE POISSON E OU TRAS / 205

Para calcular E(Y) e V(Y) poderemos ou proceder diretamente,


tentando calcular os vrios somatrios, ou proceder da seguinte maneira:
se Faamos
Z1 = nmero de repeties necessrias at a primeira ocorrn-
cia de A.
e- Z2 = nmero de repeties necessrias entre a primeira ocorrn-
.... ,
cia de A at, inclusive, a segunda ocorrncia de A .

Zr = nmero de repeties necessrias entre a ocorrncia de


ordem (r - 1) de A at, inclusive, a r-sima ocorrncia
de A.
Deste modo, verificamos que todos os Z; so variveis aleat-
rias independentes, cada uma delas tendo uma distribuio geOITi-
trica. 'Tambm, Y = Z 1 + , + Zr. Da, empregando o Teor. 8.3,
termos o seguinte teorema:
e Teorema 8.5. Se Y tiver uma distribuio de Pascal dada pela
:e
Eq. (8.7), ento
E(Y) = rjp, V(Y) = rqjp 2 (8.8)

Exemplo 8.11. A pt:obabilidade de que um experimento seja


bem sucedido 0,8. Se o experimento for repetido at que quatro
resultados b'em sucedidos tenham ocorrido, qual ser o nmero espe-
rado de repeties necessrias? Do que foi exposto acima, teremos '
E(nmero de repeties) = 4/0,8 = 5.

8.6. Relao entre as Distribui9fies Binomial e de !Pascal

Suponhamos que X tenha distribuio binomial com parmetros


n e p. (Isto , X = nmero de sucessos em n provas repetidas de
Bemouilli, com P(sucesso) = p.) Suponhamos que Y te':i1ha uma dist.ri
buio de Pascal com parmetros r e p. (Isto , Y = nmero de provas
de Bemouilli necessrias para obter r sucessos, com P(sucesso) = p.)
Ento, valem as seguintes rplaes:

(a) P(Y<;n) = P(X?'-r)


(b) P(Y>n) = P(X<r)

..,.- -;.+
1,

206 I PROBABILIDADE

Demonstrao: (a) Se ocorrerem r ou mais sucessos nas primeiras


n provas repetidas, ento sero necessrias n ou menos provas para
obter os primeiros r sucessos.
(b) Se ocorrerem menos de r sucessos nas primeiras n provas,
ento ser preciso realizar mais do que n provas para obter r sucessos.

Comentrios: (a) As propriedades acima tornam possvel empregar a tbua


da distribuio binomial para calcular probabilidades asSociadas distribuio de
Pascal. Por exemplo, suponhamos que desejamos calcular a probabilidade de que
mais de 10 repeties sejam necessrias para obter o terceiro sucesso, quando
p = P(sucesso) = 0,2. Empregando a notao acima para X e Y, teremos [P( Y >

> 10) = P(X < 3) = t


k=O
(~) (0:2)k (0,8) 10 -k = 0,678 (da tbua no

Apndice).
(b) Vamos rapidamente comparar as distribuies Binomial e de Pascal.
Nos dois casos, estaremos tratando com provas repetidas de Bernouilli. A distri-
buio binomial surge quando lidamos com nmero fixado (digamos n) dessas
provas e estaremos interessados no nmero de sucessos que venha a ocorrer. A
distribuio de Pascal encontrada quando ns pr-fixamos o nmero de sucessos
a ser obtido e ento registramos o nmero de provas de Bernouilli necessrias.
Isto ser particularmente importante em um problema estatstico que iremos
explicar mais tarde (veja o Ex. 14.1).

' .
8.7. . A Distribui~ Hipergeomtrica

Suponha-se que tenhamos um lote de N peas, r das quais sejam


defeituqsas e (N - r) das quais sejam no~defeituosas. Suponha-se
que escolhamos, ao acaso, n peas desse lote (n ~ N), sem reposio.
Seja X o nmero de peas defeituosas encontradas. Desde que X = k
se, e somente se, obtivermos exatamente k peas defeituosas (dentre
as r defei~uosas do lote) e exatamente (n - k) no-defeituosas (dentre
as (N - r) no-defeituosas do lote], teremos
(o)(;:'.:ik)
P(X = k) = (~) , k =O, 1, 2, . . . (8.9)

Diz-se que uma varivel aleatria, que tenha a,.. distribuio de. pro-
babilidade da Eq. (8.9), tem distribuio hipergeomtrica.

CQmentrio: Visto que (6) = O sem~re que b > a, se a e .b forem inteiros


n.o-negativos, poderemos definir iiB probabilidades acima para todo k = O, 1, 2, ..
No poderemos, obviamente, obter mais do que r peas defeituosas, unicamente
probabilidade zero ser associada 11. esse evento, pel11. Eq. (8.9).
, )
VARiVEIS AlEATRIAS DISCRET ~S: A DE POISSOi\1 E OUTRAS I 207
I
Exemplo 8.12. Pequenos motores eltricos so expedidos em
lotes de 50 unidades. Antes que ba remessa seja aprovada, um
inspetor escolhe 5 desses motores ~ os inspeciona. Se ,n enhum dos
motores inspecionados for defeituosp, o lote aprov~.do~ Se um ou
mais f~rem verificados defeituos~s, ~todos os motores da remessa s~o
inspecwnados. Suponha que eXIst,m, de fato, trs motores defei-
tuosos no lote. Qual a probabil~dade de que a inspeo 100 por
cento seja necessria? I I
Se fizermos igual a X o nme~o de motores defeitosos encon-
trado, a inspeo 100 por cento ser hecessria se, e somente se, X~ 1.
Logo, I
I
I (~)(~)
P(X
.
2 1) = 1 - P(X = O)' = 1 - (~) = 0,28.
I

Teorema 8.6. Admita-se que ~ tenha distribuio hipergeo-


mtrica, como indicada pela Eq. (8.9). Faamos p = r/N, q = 1 - p.
Nesse caso, teremos
I
(a) E(X) = np;

(b) V(X) = npq NN-n


_ .
1
i
(c) P(X = k) ~ (~) p" (1 - p~,._,.,
para N grande. I
~~ 4
I -~
~
Demonstrao: Deixaremos ao leitor os detalhes da demonstra- 1

o. (Veja o Probl. 8.19.)


I
Comentrio: A propriedade (c) do T~or. 8.6 afirma que se o tamanho do
lote N for suficientemente grande, a distribuio de X poder. ser aproximada
pela distribuio binomial. Isto intuitiv~mente aceitvel, porque a distribuio
binomial aplicvel quando fazemos amostragem com reposio (visto que, nesse
caso, a probabilidade de obter uma pea defeituosa permanece constante), enquanto
a distribuio hipergeomtrica .aplicvel1 quando fazemos amostragem sem re-
posio. Se o tam!!-nho do lote. for grande1 no far grande diferena se fazemos
ou no retornar ao lote wna pea determinada, antes que a prxima seja escolhida.
A propriedade (c) do Teor. 8.6 constitui apenas uma afirinao matemtica desse
fato. Observe-se, tambm, que o vaf.or esJierado de uma varivel aleatria hiper-
geomtrica X o mesmo que o da corresdondente varivel aleatria com distri-
buio binomial, en~uan~ a varincia de X lum tanto menor do que a. co~es~,p
dente no caso da bmmrual. O "fator de correo" (N - n){(N - 1) , aproxi-
madamente igual a 1, para N grande. I .
I
i li
208 I PROIBAB8UDA.DE

Podemos ilustrar o sentido da propriedade (c), com o seguinte


4:lxemplo simples. Suponha-se que desejemos calcular P(X = 0).
;.
i: ''
Para n = 1, obteremos para a distribuio hipergeomtrica,
I'" i
. :1 P(X = O) = (N - r)/N = 1 - rfN = q. Para a distribuio bfuo-
mial, obteremos diretamente P(X = O) = q. Portanto, essas res-
postas so iguais, quando se trata de n = L
Para n=2, obteremos para a distribuio hipe.rgeomtrica

P(X = O) = N - r
N
N - r - 1
N-1
=(1 - _!_)
N
(1 - r
N-1
) .

Para a distribuio binomial, obteremos P(X = O) == q2 Deve"se


observar que (1 - r/N) = q, enquanto [1 - rf(N - 1)] quase
igual a q.
Em geral, a aproximao da distribuio hipergeomtrica pela
distribuio binomial bastante boa, se n f N 0,1. s
8.8. A Distribuio Multinomial

Finalmente, vamos examinar uma importante varivel aleatria


discreta de maior nmero de dimenses, a qual pode ser considerada
como uma generalizao da distribuio binomial. Considere-se um
experimento &, seu espao amostral S, e a partio de S em k even-
tos mutuamente excludentes A 1, . , A~&. (Isto , quando & fo.r rea-
lizado, um, e somente um, dos eventos A; ocorter.) Comderem-se
n repeties de S. Seja p; = P(A;) e suponha-se que .Pi permimea
constante durante todas as repeties. Evidentemente, teremos
"'I'
.L.i=lP = l. Definam-se as variveis aleatrias X 1 , . . . , X~& como
segue:
X; o nmero de vezes que A; ooorre nas nrepeties de &,
.~ = ll, ... , k.
Os X; no so variveis .aleatrias independentes, porque
'I:f-1 X; = n. Em conseqncia, logo que os valores de quaisquer
(k - 1) dessas variveis aleatrias sejam conhecidos, o valor da
outra ficar. determinado. Chegamos ao seguinte resultado:

Teorema 8.7. Se X;, i = 1, 2, ... , k, forj)m definidas como


acima, teremos
VARDVIEUS AlEATRiAS DiSCRETAS: A IDE IPODSSON 1E OUTRAS I 209

Demonstrao: O raciocnio idntico quele empregado para.


estabelecer a distribuio de probabilidade binomial. Devemos
simplesmente observar que o nmero de maneiras de arranjar n obje-
tos, n 1 dos quais so de uma espcie, n2 dos quais so de uma segunda
espcie, ... , nk dos quais so de uma k-sima espcie, dado por
n!

Comenlrws: (a) Se k = 2, o que est acii;n& se reduz & disiriliuiil.o bino-


mial. Nesse Ca.'lO, denominaremos os dois eventos possveis "suresso" e "in-
sucesso''.
(b) A distribui1o da Eq. (8.10) conhecida como a dltribuiao de probabili-
dade multinomial (ou polinomilll). Vamos recordar que os termos da distribuio
binomial so possveis de se obter de um desenvolvimento da expresso binomial
[p + (1- p)]" = L~=O(k)pk(l-p)~. De maneira anloga, as probabilidades
acima se podem opter do desenvolvimento da expresso multinomial (PI + P2 +
+ + Pk)n.
Teorema 8.8. Suponha-s~ que (X1, , ... Xk) tenha uma distri-
buio multinomial, dada pela Eq. (8.10). Nesse caso,

E(X;) = np; e V(X;) = np; (1-p;), i= 1, 2, ... , k.

Demondtrao: Isto uma ~onseqncia imediata da observao


de que cada X;, como foi definida acima, tem uma distribuio bi-
nomial, com a probabilidade de sucesso (isto , a ocorrncia de A;)
igual a p;.
Exemplo 8.13. Uma barra de comprimento especificado fabri-
cada. Admita-se que o comprimento real X (polegadas) seja uma
varivel aleatria uniformemente distribuda sobre [10, 12]. Supo-
nha-se que somente interesse saber se um dos trs eventos seguintes
ter ocorrido:
A1 = {X< 10,5}, A2 = {10,5 ~X~ 11,81 .e Aa = [X> 11,81.
E sejam as probabilidades
PI = P(AI) = 0,25, P2 = P(A2) = 0,65 e pa = P(Aa) = 0,1.

Portanto, se 10 dessas barras forem fabricadas, a probabilidade de


se obter exatamente 5 barras de .comprimento menor do que 10,5 po-
legadas e exatamente 2 de com~rimento maior do que 11,8 polegadas
dada por
210 I I"ROBABULIDADIE

Problemas

8.1. Se X tiver uma distribuio de Poisson com parmetro {3, e ~e


P(X = O) = 0,2, calcular P(X > 2).
8.2. Admita-se que X tenha distribui.o de Poisson com parmetro . De-
termine aquele valor de k para o qual P(X = k) seja mxima. [Sugestao: Com-
pare P(X = k) com J'(X = k - 1).]
8.3. (F..ste problema foi tirado do livro ProbabiUty and Sta.t-istical /tLjcrcnct
for Engineers, por Derman e Klein, Oxford University Press, Londres, 1959.) O
nmero de navios petroleiros, digamos N, que chegam a .determinada refinaria,
cada dia, tem distribuio de Poisson, com parmetro = 2. As atuais insta-
laes do porto podem atender a trs petroleiros por dia. Se mais. de trs petro-
leiros aportarem por dia, os excedentes a trs devero seguir para outro porto.
(a) Em um dia, qual a probabilidade de se ter de mandar petroleiros para
outro porto ?
(b) De quanto dever'o as atuais instalaes ser aumentadas para permitir
manobrar todos os petroleiros, em aproximadamente 90 por cento dos dias?
(c) QLtal o nmero esperado de petroleiros a chegarem por dia?
(d) Qual o nmero mais provvel de petroleiros a chegarem por dia?
(e) Qual o nmero esperado de petroleiros a serem atendidos diariamente?
(f) Qual o nmero espemdo de petroleiros que voltaro a outros portos
diariamente?
8.4. Suponha-se que a probabilidade de que uma pea, produzida por de-
terminada mquina, seja defeituosa 0,2. Se 10 peas produzidas por essa m-
quina forem escolhidas ao acaso, qual a probabilidade de que no mais de uma
defeituosa seja encontrada? Empregue as distribuies binomial e cie Poisson
e compare as respostas.
8.5. Uma companhia de seguros descobriu que somente cerca de 0,1 por
cento da populao est includa em certo tipo de acidente cada ano. Se seus
10.000 segurados so escolhidos, ao acaso, na populao, qual a probabilidade
de que no mais do que 5 de seus clientes venham a estar includos em tal aciden-
te no prximo ano?
8.6. Suponha que X tenha uma distribuio de Poisson. Se P(X = 2)
2 P(X =!),calcular P(X =O) eP(X = 3).
3
8.7. Um fabricante de filmes produz 10 rolos de um filme especialmente
sensvel, cada ano. Se o filme no for vendido dentro do ano, ele deve ser refu-
gado. A experincia passada. diz que . D, a (pequena) procura desse filme,
uma varivel aleatria com distribuio de Poisson, com parmetro 8. Se um
lucro de US$ 7 for obtido, para cada rolo vendido, enqu~nto um prejuzo deUS$ 3
verificado para cada rolo refuga.do, calcule o lucro esperado que o fabricante
poder realizar com os 10 rolos que ele produz.
8.8. Partculas so emitidas por uma fonte radioatiya. Suponha que o
nmero de tais partculas, emitidas durante um perodo de uma hora,. tenha uma
distribuio de Poisson com parmetro . Um dispositivo contador empregado
para registrar o nmero dess8.9 partcul8.9 emitidas. Se mais de 30 partculas
VARIVEIS ALEATRIAS DISCRETAS: A DE POISSON E OUTRAS I 211

I
chegarem durante qualquer perodo de um1a hora, o dispositivo registrador inca-
I
paz de registrar o excesso e simplesmente registra 30. Se Y for ~ varivel ale~~>
tria definida como o nmero de partculti,s registradas pelo dispositivo contador,
determine a distribuio de probabilidade! de Y.
8.9. Suponha que partculas sejam ertidas por uma. fonte radioativa e que
o nmero de partculas emitidas durante ~m perodo de uma. hora. tenha uma dis-
1

tribuio de Poisson com parmetro . Admita que o dispositivo conta.dor, que


registra essas emisses, ocasionalmente falHe no registro de uma ps.rt.cula emitida.
1
EspeCificamente, suponha que qualquer p artcula emiti~a tenha uma. probabili-
dade p de ser registrada. I
(a) Se Y for definida como o nmer~ de partculas registradas, quru um&
expresso para a distribuio de probabilidade de Y? '
. I
(b) Calcule P(Y = 0), se =4 e p 'F 0,9.
8.1 O. Suponha que um recipiente encerre 10.000 partculas. 1 A probabili-
dade de que uma dessas Pl!-rtculas escape \do recipiente i!'llal a 0,000 4. Qual
a probabilidade de que mais de 5 escapamentos desses oorri!Jll? (Pode-se
admitir que os vrios escapamentos sejam \independentes. uns doo obtros.) . .
8.11. Suponha qne um livro de 585 pginas contenha 43 erros tipogrficos.
Se esses erros estiverem aleatoriamente distribudos pelo livro, qual i a probabili-
dade de 10 pginas, escolhidas ao acaso, e5tejam livres de erros? (Sugest(!,o: Su-
,ponha que X = nmero de erros .,Por pgi~a tenha uma distribuio de Poisson.)
8.12. Uma fonte radioativa obsertada durante . 7 intervalos de tempo,
cada um de dez segundos de durao. O ~mero de partculas emitidas durante
cada perodo contado. Suponha que o ~mero de par~culas emitidas X, du-
rante cada
.
perodo observado, tenha uma qistribui!l.o
I .
de Poisson com ps.rii\etto
5,0. (Isto , partculas so emitid!IS t~ de 0,5 partcul!IB por segundo.)
(a) Qual a probabilidade d,e que em c.a da um dos 7 intervalos de tempo, 4 ou
1
mais partculas sejam emitidas? . \

(b) I Qual a probabilidade de que em 1ao menos 1 d~s 7 interv~os de tempo,


4 ou mais partculas sejam emitidas? I 1
8.13. Verificou-se que o nmt)ro de falhas de um transistor em um compu-
tador eletrnico, em qualquer perodo de }una hora, pqde ser considerado como
uma varivel aleatria que tenha uma distribuio de Poisson com parmetro 0,1.
(Isto , em mdia, haver uma falha. de t~ansistor cada 10 hors.) Determinado
clculo, que requer 20 horas de tempo de c~lculo, ini<;iado.
(a) Determinar a probabilidade que clculo acima. seja completado com
xito, sem falhas. (Admita que a. mquinJ se torne inoperante somente se 3 ou
mais transistores falharem.) i
i
(b) O mesmo que (a), exceto que a m.~uina se torna inoperante se 2 ou mais
transistores falharem. I '

8.14. Ao formar nmeros binrios co\n n dgitos, ~ proba.bilidade de que


um dgito incorreto possa aparecer 0,002. Se os erros forem independentes,
qual a proba.bilidade de encontrar zero, fun,
ou mais de um digitas incorretos
em um nmero binri~ de 25 dgitos? Se b computador forma 106 desses<.nnle-
ros de 25 digitas por segundo, qual a pro~abilidade de que um . nmero .\nc~\-
reto seja forri:J.a.do durante qualquer perodo ide um segundo?

I
212 I !"ROBABIUDADIE

8.15. Dois procedimentos de lanamento, que operam independentemente,


so empregados toda semana para lanamento de foguetes . Admit~J. que cada
procedimento seja continuado at que ele produza um lanamento bem sucedido .
Suponha que empregando o procedimento I, P(S), a probabilidade de um lana-
mento bem sucedido, seja igual a PI> enquanto para o procedimento II, P(S) = P2
Admita, tambm, que uma tentativa seja feita toda semana com cada um dos
dois mtodos. Sejam Xt e X2 o nmero de sema~a.s exigidas para alcanar-se
um lanamento bem sucedido pelos procedimentos I e II, respectivamente. (Por-
tanto, X1 e Xz so variveis aleatria.s independentes, cada uma tendo uma dis-
tribto geomtrica.) Faamos W igual ao m!rmo (X11 X 2 ) e Z ao mximo
(Xt, X2). Deste modo, W representa o nmero de semana.s necessrias para obter
um lanamento bem sucedido, enquanto Z representa o nmero de semanas ne-
cessria.s para obter lanamentos bem sucedidos com ambos os procedimentos.
(Portanto, se o procedimento I der SSS S, enquanto o procedimento II derSS-S,
teremos w = 3, z = 4.)
(a) Estabelea urna expresso para a distribt.o de probabilidade de W.
(SugesUto: Exprima, em termos de X1 e X 2, o evento i W = k) .)
(b) Estabelea uma expresso para a distribuio de probabilidade de Z.
(c) Reescreva a.s expresses acima se for PI = pz .

8.16. Quatro componentes so reurdos em um nico aparelho. Os com-


p onentes so originrios de fontes independentes e p; = P(i-6mo componente
seja defeituoso), i .= 1, 2, 3, 4.
(a) Estabelea. uma. expresso para a probabilidade <de que o aparelho com-
pleto venha. a funcionar.
(b) Est&belea uma. expresso para a probabilidade de que w menos 3 com-
ponentes venham a funcionar,
(.:) Se PI- = P2 = 0,1 e P3 = p~ = 0,2, calcule e. probabilidade de qe exa-
tamente 2 componentes venham a funcionar.

8.17. Um maquinisttll conserva um grande nmero de arruelas em uma


gaveta. Cerca de 50 por cento dessas arruelas so de 1/4 de polegada de dimetro;
cerca de 30 por cento 81!.0 de 1/8 de dAmetro, e os restantes 20 por cento so de 3/8.
Suponha que 10 arruelms sejam 6SCOlhid118 !W aca.so.
(a) Qual a probabilidade de que existam exatamente cinco arruelas de 1/4,
quatro de 1/8 e uma arruela de 3/8?
(b) Qual a probabilidade de que somente doa tipos de arruelaa estejam
entre as escolhidlll!l?
'(c). Qual 1!. probabilidade de que todos os trs tipos de arruell!B estejam
entre aquelas escolhidas ?
(d) Qual 1!. probabilidade que existam tr& de um tipo, trs de outro tipo,
e quatro do terceiro tipo, em urna e.mostra. de 10?
$.18. Demonstre o Teor. 8.41.
8.19. Demonstre o Teor. 8.6.
8.20. O .nmero de partcu!B.s emitidas por uma fonte radioativa, durante
um perodo especificado, uma. va.rivel aleatria com distribuio de Poisson.
Se a probabilidade de nl!,o haver emisses for igual a l/3, qual a probabilidade
de que 2 ou mais emil;S5es ocoi!Tam 't
VARIVEIS AlEATRiAS DISCRETAS: A DE I'OiSSON !E OUTRAS I 213

8.21. Suponha que Xt, o nmero de partculas emitidas em t horas por uma
fonte radioativa, tenha uma distribuio de Poisson com parmetro 20t. Qual
ser a probabilidade de que exatamente 5 partculas sejam emitjdas durante um
perodo de 15 minutos?
8.22. A probabilidade de um bem sucedido lanamento de foguete igual
a 0,8. Suponha que tentativas de lanamento sejam feitas at que tenham ocor-
rido 3 lanamentos bem sucedidos. Qual a probabilidade de que exatamentc 6
tentativas sejam necessrias? Qual a probabilidade de que menos de 6 tenta-
tivas sejam necessrias?
8.23. Na situao descrita no Probl. 8.22, suponha que as tentativas de lan-
amento sejam feitas at que trs lanamentos bem sucedidos, consecutivos , ocor-
ram . Responda s questes que surgiram no problema anterior, neste caso.
8.24. Considere novamente a situao descrita no Probl. 8.22. Suponha
que cada tentativa de lanamento custe US$ 5.000. Alm disso, um lanamento
falho acarrete um custo adicional de US$ 500. Calcule o custo esperado, para a
situao apresentada.
8.25. Com X e Y definidos como na Seo 8.6, comprove se a expresso
seguinte ou no verdadeira:

P(Y<n)=P(X>r).
Algumas Variveis Aleatrias
Contnuas Importantes
Captulo 9

9.1. Introduo

Neste captulo, prosseguiremos a tarefa que nos propusemos


no Cap. 8, e estudaremos minuciosamente algumas variveis alea-
trias contnuas importantes, e suas caracteristicas. Como j sa-
lientamos anteriormente, em muitos problemas se torna matemati-
camente mais simples considerar um espao amostral "idealizado"
para uma varivel aleatria X, no qual todos os nmeros reais pos-
sveis (em algum intervalo especificado ou conjunto de intervalos)
possam ser considerados como resultados possveis. Desta Jhaneira,
seremos levados s variveis aleatrias contnuas. Muitas das va-
riveis que agora introduziremos possuem importantes aplicaes, e
adiaremos para um captulo posterior o exame de algumas dessas
aplicaes.

9.2. A Distribuio Normal

A seguinte uma das mais importantes variveis aleatrias


contnua'3.
Definio. A varivel aleatria X, que tome todos os valores
reais - oo < x < oo, tem uma distribuio normal (ou Gaussiana)
se sua fdp for da forma
2
j(x) = _1 exp ( - -
1 [ -X - - jJ. ] ) , -oo <X<"" (9.1)
vz7r u 2 u .

Os parmetros fJ. eu devem satisfazer s condies - oo < fJ. < oo,


ff > O. J que teremos muitas ocasies de nos referir distribuio
I
ALGUMAS VARIVEIS ALEATRIAS CONTfNUAS IMPORTANTES I 215

. I .
acima, empregaremos a seguinte notao: X ter distribuio N(p., u 2 )
se, e somente se, sua distribuio de probabilidade for dada pela Eq.
(9.1). (Freqentemente, utilizaremos Ia notao exp (t) para repre-
sentarmos e'.] .I
At o Cap. 12, no vamos explicar a razo da grande importncia
desta distribuio. Vamos apenas afirmar, por enquanto, que a distri-
buio normal serve como uma extelente aproximao para uma
grande classe de distribuies, que tm I
enorme importncia
.
prtica.
Alm disso, esta distribuio apresent ~ algumas propriedades matemti~
cas muito desejveis, que permitem ~oncluir importantes resultados
tericos. I
9.3. !Propriedades Ola Distriruio ~ormal

(a) Vamos mostrar que f uiI a . fdp legitima. Obviamente,


j(x);?; O. Devemos ainda verificar qlie f_"t,"' f(x) dx = 1. Notamos
I
que fazendo t = (x - JL )/u, poderemos!'escrever f_"t."' j(x) dx na fonw~
(lf'\h7r) f_"t,"' e~lz dt =I. .
O artifcio empregado pra calc&lar esta integml. (e um arti-
ficio) considerar, em
lugar de I, o Juadrado de::>ta integral, a saber
I 2 Deste modo, I
1 2 =-= _!_!+"'
2r "'.
e-ttz dt
II
!+ .
-.,
e-'!2 ds

= -1
27r
J_+"'
_.,
f_+"',I
_., I
e-W'+t'>/2 ds dt.

Vamos introduzir coordenadas polares para calcular est& integral


dupla:
s = r cosa, t =r sena. 1
I
Conseqentemente, o elemento de re\i ds dt se toma r dr da. Com
8e t variain entre - 00 e + CIO 1 f' Variall entre o e 00 1 enquantO Ol VlllJ!'ia '
entre O e 27r. Portanto,

J! = - 1 12"1~l re-,'!2 dr da
I I.
21r o o 1

=-
l 12rr -
I , ., da
ef' '2lo
. 27r ,o I
= -1
27r
12"' 0
dct. :b 1.
I

Por isso, I= i, como se queria mostr~r.

!,.
,-.-
216 l PROBABiLIDADE

(b) Vamos examinar o aspecto do grfico de j. Ele apresenta


a bem conhecida forma de sino, mostrada na Fig. 9.1. Visto que j
depende de x somente atravs
f(Jt) da expresso (x - J.J.)\ torna-se
evidente que o grfico de f ser
simtrico em relao a J.l. . Por
exemplo, se x = J.l. + 2, (x -
- J.J.F == (J.J. + 2 - J.J.) 2 = 4, en-
quanto para x = fJ. - 2, (x -
-p.)2 = (JJ.-2- J.J.) 2 = 4, tambm.
O parmetro u tambm
X = p.

!Fig. 9.1
pode ser interpretado geometri-
camente. Observamos que para
x = Jl., o grfico de j descendente, de concavidade para baixo.
Quando x ~ ro; j(x) ~O, assintoticamente. Visto que f(x) ?: O
para todo x, isto significa que, para valores grandes de x (positivos
r
ou negativos), o grfico de tem a concavidade para cima.. o ponto
no qual a concavidade muda denominado ponto de ID.flexo, e ser
localizado pela resoluo da equao f"(x) = O. Ao fazer isso
verificamos que os pontos de inflexo ocorrem para x = J1. u.
Isto , u unidades para a direita e para a esquerda d~ .Jl. o grfico de
f muda de concavidade. Por isso, se u . for relativamente grande, o
grfico de f tende a ser "achatado", enquanto se u for pequeno, o
r
grfico de tende a ser bastante "pontiagudo". ',
(c) Em complemento interpreta~o geomtrica dos par-
metros J1. e u, o seguinte significado probabilstico importante pode
ser associado a essas quantidades. Consideremos

E(X) = V 211r u !+ ~
_~ x exp
( - 21 [.-X u fJ.- ]
2
).
dx.

Fazendo z = (x - J.J.)/u e observando que dx = u dz, obteremos

E(X) = - 1 J_+~ (uz + J.J.)e-'fl .dz


v21r -~
1 J_+~ 1 +m
~ O"
v21r - ~
ze-'1 2 dz + J.l.-=
. -v!21r J_ ~
e -'12 dz.

A primeira das integrais acima igual a zero, porque o integrando


g(z) possui a propriedade g(z) = - g(-z), e por isso, g uma funo
impar. A segunda integral (sem o fator JL) representa a rea total
sob a fdp normal e, por isso, igual unidade. Assim, E(X) = Jl.
. i ~

. AlGUMAS VAI'HVE!S A L IETRftAS CONTI"NUAS iMPORTANTES I 217

Consideremos agora

]. [ x - Jl.
( --
2 -dr-
]z) dx

Novament e fazendo-se z = (x - J.L)Iu , obteremos

:;

,,i:'
i

! I

A segunda integral tambm igual a zero, pelo mesmo argumento


usado acima. A ltima integral (sem o fator' J.L 2 ) igual unidade.
Para calcular (l/V 27r) J_+.,m z 2e-'12 dz, integraremos por partes,
fazendo ze-'1 2 = dv .e z = u. Conseqentemente v = - e~Jz en-
quanto dz = du. Obteremos
{ "

1 f+m z e-'1 2 2 dz =
-ze-<'J2,+m + --=
1 f+m e-'1 dz= 2
v'21r m v21r -.., v21r -..,
=,0 +1= 1.
Logo, E(X 2) = a- + J.L e, portanto, V(X) = E(X 2) - [E(X))2 = a- 2
2 2

Deste modo verificamos que os dois parmetros J.l e 172, que caracterizam
a distribuio normal, so a expectncia e a varincia de X , respectiva-
mente. Para diz-lo de outra maneira, se souoormos que X distri-
buida normalmente, saooremos apenas que sua distribuio de pro-
babilidade de um certo tipo (ou pertence a uma certa famllia). Se,
alm disso, conhecermos E(X) e V(X), a distribuio de X estar
completamente especificada. Como dissemos acima, o grfico da
fdp de uma varivel aleatria nor-
malmente distribuida simtrico l;
em relao a J.L. O achatamento
do grfico determinado por 17 2,
no sentido de que :oe X tiver distri-
buio N(J.L, 1712) e Y tiver distribui- 1

o N(J.L, 17z2), onde 171 2 > 17z 2, ento ~C::::.....----x-l~,-p.-----""--<>X


suas fdp tero as formas relativas I . Fig. 9.2
apresentadas na Fig. 9.2.
() Se X tiver a distribuio N(O, 1), diremos que X possui. a
dis.tribuio normal reduzida. Isto , a fdp de X pode ser escrita co~o
218 I PROBABiliDADE

igual a
I -x'f2 .
l{J(x) = V 27r e (9.2)

(Empregaremos a letra l{J exclusivamente para a fdp da varivel


aleatria X acima.) A importncia da distribuio normal reduzida
est no fato de que ela est tabelada. Sempre que X tiver a distri-
buio N(p., CT 2), poderemos sempre obter a forma reduzida, pela
adoo de uma funo linear de X, como o indica o seguinte teorema :

Teorema 9.1. Se X tiver a distribuio N(}J., u 2), e se Y =


= aX + b, ento Y ter a distribuio N(ap, + b, a 2 u 2) .

Demonstrao: O fato de que E(Y) = ap, + b e V(Y) = a 2CT 2


decorre imediatamente da.'l propriedades do valor esperado e da vari-
ncia explicadas no Cap. 7. Para mostrar que, de fato, Y ser nor-
malmente distribuida, poderemos aplicar o Teor. 5.1, j que aX + b
ser ou uma funo decrescente ou uma funo crescente de X, de-
pendendo do sinal de a. Em conseqncia, se g for a fdp de Y, te-
remos

g(y) = ~:11" CT exp ( - 2!~ [ Y ~b - J.L ] ) I! I


1
V27r CT!al exp ( -

que representa a fdp de uma varivel aleatria com distribuio


N(a!J. + b, a 2ir 2).

Coroldrio. Se X tiver distribuio N(}J., u 2) e se Y = (X - J.L)/CT,


ento Y ter distribuio N(O, 1).

Demonstrao: evidente que Y uma funo linear de X, e,


por isso, o Teor. 9.1 se aplica. .,

Comentrio: A importncia deste corolrio que, pela mudana de unidades


na qual a varivel mensurada, poderemos obter a distribuio reduzida (veja o
item d). Ao fazer isso, obteremos urna distribuio com parmetros no-especifi-
cados, situao a mais desejVel do ponto de vista da tabulao da distribuio
(veja a seo seguinte).
ALGUMAS VARIVEiS ALEATRIAS C0NTfNUAS IMPORTANTES I 219
! .
I
9.4. Tabu illlo da1 IOistriino i\o INlorm~i

Suponha-se que X tenha distrib~io N(O, 1).. Nesse caso,

P(a <X . .l I
- -< b) = v2n- rb e-"'12 dx.
J,.
Esta integral no pode ser calculadl pelos caminhos comuns. (A
dificuldade reside no fa~ de que llio dodemos aplicar o Teorema Fun-
. I
damental do Clcwo, porque no podemo:> achar uma funo cuja
derivada seja igual a e-z'f2 .) Cont~do, mtodos de int~grao nu-
mrica podem ser empregados para ca;lcular integris da :.forma acima.,
e de fato P(X ~ s) tem sido tabelada.
A fd da distribuio normal -reduzida sem coerentemente deno-
tada por <][>. Isto ,

<ll(s) =
1
~~ e-z'f2 dx. (9.3)
v21r . T
(Veja a Fig. 9.3.) A funo ,<ll tem ~ido tabelada extensivamente, e
um extrato dessa .tbua est 1 ( )
' .p X
apresentada no Apndice. Po- I
demos agora utilizar a tapuia- ,
o da funo <I>, a fim de cal-
cularmos P(a ~X ~ b), onde X
tem a distribuio reduzida
N(O, 1) visto que

P(a ~ X ~ b) = <X>(b) - <Jr>(a). !Fig. u


A utilidade notvel da tabulao devida ao fato de que,
1

se X tiver qualquer distribuio , N(p., u2), a. funo tabelada ~


pode ser empregada para calcular pnloa.outaaa!)s associadas a X. ,
Simplesmente empregaremos o 9.1 para salientar que se
X tiver distribuio N(p., u 2), ento r Y = (X - Jl)/u ter distribui-
o N(O, 1). Conseqentemente, i

P(a < X < b) = P ( a - J&! < Y < b - ,u ) =


- - u I- - u

-q-1
/LI) -
_ <][> '( b -
- <][>
( -u
.z - p. ) . (9.4)

lr: tambm evidente da definio de <J[>I (Veja Fig. 9.3) que


<][>(- x) = 1- ~(x). (9.5),
-: '
220 I I?ROBABIUOADIE

Esta relao particularmente til, porque na maioria das tbuas,


a funo 4\1 est tabulada somente para valores positivos de x.
Finalmente, vamos calcular P(fl - ku ::::; X ::::; p. + ku), onde X
tem distribuio N(p., c:r 2). A probabilidade acima pode ser expreasm
em termos da funo <ilP>, ao se escrevteK'

P(p, - ku :$ X :$ p. + ku) = P ( - k :$ X; !A :$ k)
= q[>(k) ~ <ilP>(- k).

Empregando a Eq. (9.5), teremos para_ k > O,

P(fl - ku :$ X :$ p., + ku) = 2<i>(k) - 1. (9.6)

Observe-se que a probabilidade acima independente de p., e u. Ex-


plicando: A probJJ.bilidade de que uma varivel aleatria com distri-
buio N(p., u 2 ) tome valores at k desvios padres do valor esperado
depende somente de k, e dada pela Eq. (9.6).

Came11trio: Teremos muitas ocasies de nos referir a "!unes tabeladas" .


Em certo sentido, quando uma. expresso pode ser escrita. em termos de furi.es
tabeladas, o problema est. "resolvido". (Com o recurso das modems instalaes
de computao, muitas funes que ainda. no estejam tabuladas podem ser facil-
mente calcula.da.3. Muito embora no ll.'lperemos que qualquer pessoa. tenha
fcil aCesso s. um computador, . no parece muito desarrazoado supor que algnma.S
t..buas comuns sejam dispmveis.) Por isso, nos sentimos to vontade com, a
funo cil(x) = (I/ V27r) f_!"' e -n'/2 ds quanto com a funo f(x) = ...;-;.
Amba..9 essas funes esto tabeladas e, em ambos os casos poderemos sentir algu-
ma dificuldade em calcular diretamente a funo para x = 0,43, por eJWmplo. No
Apndice, esto reunidas vrias t..buas de algumas das mais importantes funes
que encontraremoa em nosso trabalh.o. Referncias ocasionais .sero feitas a outras
tbuas no incltdas neste livro.

Exemplo 9J.. Suponha-se que X tenha distribuio N(3, 4).


Desejamos achar um nmero c, tal que P(X > c) = 2P(X ::::; c).
Observamos que (X - 3)/2 tem distribuio N(O, 1). Logo,

P(X > c) = prf X - 3 > c- .3 ) = l _ ~ ( c - 3 )


\ .2 2 2 .

Tm1hm,

P(X ,::::; c) = p (X ; 3: : ; c~ 3) = ~ ( c ~ 3).


,j:
ALGUMAS VARIVEOS ALEATRiAS CONTfNUAS 11\/lPORTAN"fES I 221 :

A condio anterior pode, pois, ser escrita como 1 - <I> [ (c- 3)/2] =
= 2q[P [(c - 3)/2]. Isto se toma P [(c - 3)/2] = 1[3. Dai (a par-
tir das tbuas da distribuio normal) encontrarmo~ que (c- 3)/2 =
= - 0,43, fornecendo c = 2, 14.

Exemplo 9.2. Suponha-se que a carga de rupturn de um tecido


de algodo (em libras), X, seja D.ormalmente distribuda com E(X) =
= 165 e .V(X) = 9. Alm disso, admita-se que uma amostra desse
tecido seja considerada defeituosa ae X < 162. . Q~al a probabili-
dade de que :mn. _tecido escolhido ao acaso ~ja defeituoso i'
Devem~s calcular P(X < i62). .Contudo,

P(X < 162) = p (X ~ 165 < 162 ; 165 )


= <][>( - 1) = 1 - <][>(1) = 0,159.

Comentrio: Uma objeo imediata ao emprego da distribuio normal pode


surgir aqui, porque bvio que X, a carga de ruptura de um tecido de algodo,
no pode tomar valores negativos, enquanto uma varivel aleatria no.rmalmente
distribuda pode tomar todos. os valores positivos e negativos. No entanto, o
modelo acima (aparentemente .no vlido, vista da objeo recm surgida) atri-
bui probabilidade desprezvel ao evento {X <O}. Isto , ,

.P(X <O)= p( X-; 165 < O -3165) = .cf>(-55)~0.


O caso surgido aqui ocorrer freqentemente: Uma dada varivel aleatria X,
que sabemos no poder tomar valores negativos, ser suposta. ter uma distribto
normal, desse modo tomando (ao menos teoricamente) tanto valores positivos
como negativos. Enquanto os parmetros J1. e u 2 forem escolhidos de modo que
P(X < O) seja essencialmente nula, tal representao ser perfeitamente vlida.

O problema de encontrar a fdp de uma funo de varivel alea-


tria, por exemplo Y = H(X), tal como se explicou no Cap. 5, se
apresenta nesta passagem, em que a varivel aleatria X tem distri-
buio normal.
Exemplo 9.3. Suponha-se que o raio R de uma esfera de rola-
mento seja normalmente distribudo com valor esperado 1 e varin-
cia 0,04. Determinar a fdp do volume da esfera de rolamento.
A fdp da varivel aleatria R dada por

j(r) = 1
V21r (0,2) exp
(
-
[r- 2

21 (),21 ] )
J que V uma funo monotonicamente crescente de R, P9demos
aplicar direta.mente o Teor. 5.1 para a fdp de V = 4/3 1rR 3, e 9pter
222 I PROBABILIDADE

g(v) = j(r) (drfdv), onde r ser sempre expresso em termos de v. Da.


relao acima, obteremos r = {/3v/47r. Da, drjdv = (1/47r)(3v/47r)-2' 3
Pela substituio dessas expresses na equao acima, obteremos a
fdp de V desejada.

Exemplo 9.4. Suponha-se que X, o dimetro interno (milme-


tros) de um boal, seja uma varivel aleat6na normalmente distri-
buda com valor esperado p, e varincia 1. Se X no atender a deter-
mmadas especificaes, o fabricante sofrer um prejuzo. Especifi-
camente, suponha-se que o lucro T (por bocal) seja a seguinte funo
d~.X:
T = Cx dlares se 10 :$ X :5;; 12,
se X< 10,
se X> 12.

Conseqentemente, o lucro esperado (por bocal) pode ser escrito:


E(T) = Cx[<l>(12- p,)- cl>(10- p,)]- Cz[<I>(IO_. p,)]- Ca[1- <1>(12-:- p,)]
= (Cx + Ca)ci>(12-,u)- (Cx+Cz)<I>(IO- p,)- Ca.
Admita-se que o processo de fabricao possa ser ajustado de
modo q,ue diferentes valores de p, possam 'Ser encontrados. Para
que valor. de p, o lucro esperado ser mxiino? Devere~os calcular
dE(T)j(dp,) e igual/i-la a zero. Denotando, como cost\nne, a fdp
da distribuio N(O, 1) por l{J, teremos
dE(Tl
~ = (Cx + Ca)[-l{J(l2- p,)]- (Cx +Cz)[- l{J(lO- p,)].

Da,

- (Cx + Ca) V~7r exp [ - ~ (12- p,)2] +


+ (C1 + C.,J V~7r exp [ - ~ (10-p,)2 J=0.

Ou

Portanto,
M = ll _ _!_ln ( Ct + Ca )
2 . C1 + Cz
[f; fcil tarefa para o leitor verificar que a expresso acima fornece
o valor mximo para E(T).]
I
[

ALGUMAS VARIVEIS AlEATijH AS CONTfNUAS IMPORTANTES I 223

i
Comentrios: (a) Se C2 = C3, is~o , se um dimetro X muito grande ou.
muito pequeno constiturem defeitos igualmente srios, ento o valor de Jl, para
o qual o valor mximo de E(T) atingido, ser Jl = 11. Se C2 > C3, o valor
a de p. ser maior que 11, enquanto sei C2 < C3 , o valor de Jl ser menor que 11.
Quando p. ~ + oo, E(T) ~ -Ca, enquanto se JL __,. ,_ "" E('l') ~ -C2.
(b) Considerem-se 08 seguintes v~ores de custo: cl = US$ 10, c2 = US$ 3,
I '
e Ca = US$ 2. Em conseqncia, o !valor de fi. para o qual E(T) se tomar
l- =i
mximo p. = 11 - (1/2) ln (12/13) US$11 ,04. Deste modo, o valor mt!.JP..mo
r- atingido por E(T) ser igual a US$ 6 ,~4 por bocal.
i-
io

Definio. Uma varivel al~at6ria contnua X, que tome todos


oo valores no-negativos, ter ~a distribuio exponencial com parA-
metro 01. > O, se sua fdp for dad~ por
1
1

i
J(x) = ae-;J\"''
,., I O
x l> :.,
:!: , para quaisquer outros valores; (9.7)
I
(Veja a Fig. 9.4.) [Uma inte- f(x)
grao imediata mostra que
:le
ra
ar
1"' J(x) dx = 1 1

!
lp e, por isso, a Eq. (9.7) represen1a
uma fdp.J
!
A distribuio exponencial dib-
sempenha importante papel n~ Fig. 9 4
descrio de uma grande classe ide fenmenos, particularmente nos
assuntos da teoria da confiabntdade. Dedicaremos : o Cap. 11 a
algumas dessas aplicaes. Por1 enquanto, ' vamos apenas estudar
algumas das propriedades da dis~ribuio exponencial.
o. I
r

9.6. Propriedac!Jem da lOi~,tribuiio E:rqoonencie!

(a) A fd F da distribuio e~nencial dada por


I

F(x) =.P(X s x) = ("/xe-'dt


j.J! ~
e:;;;}~~ O
l .- ><>
1 . .:::-L--
(9.8)

'f O, para o:utros quaisque,r v~ores.

[Portanto, P(X > x) = ~r"""J . ':


\
224 I PROBABIUOADE

(b) O valolt' esperado de X obtido assim:

E(X) = 1'" :me-- dx.


por partes e fazendo ae-""' dx = dv, x = u, obtemos
du = dx. Port~mto,

E(X) = [- u-"llo . + 1"' o


e--<12 dx = - :1.
Ol
(9.9)

Por conseguinte, o valor esperado igual ao inverso do parmetro a.


[Pelo simples rebatismo do parmetro a = 1/~, poderamos escrever
a fdp de X como sendo f(x) = (1/~)e-x 113. Nesta forma, o parme-
tro ~ fica igual ao valor esperado de X. No entanto, continuaremos a
empregar a forma da Eq. (9.7).]
(c) A varincia de X pode ser obtida por uma integrao seme-
lhante. Encontraremos que E(X 2) = 2/a 2 e por isso
1
V(X) = E(X 2 ) - [E(X)]2 = - (9.10)
Ol~

() A distribuio exponencial apresentm a seguinte interes-


sante propriedade, nnloga Eq. (8.6) exposta para a distribuio
geomtrica. Considere-se para quaisquer s, t > O, P(X > s +
+ tiX >e). Teremos

P(X > s + tI X > s) = P(X >


8
+ i)
P(X > s)
Portanto,
P(X > s + tI X > s) = P(X > i). (9.11)

Desta maneira,. mostramos que a distribuio exponencial apresenta


, tambm a propriedade de "no possuir memria", tal como a distri-
buio geomtrica. ('"feja o Comentrio que se segue ao Teor. 8.4.)
Faremos uso intenso dessa propriedade ao aplicarmos a distribuio
exponencial aos modelos de fadiga, no Cp. 11.
. Comentrio: Do mesmo modo que ~ verdadeira no caso da distribuio geo-
mtrica, a reciproca da; Propriedade (d) tambm vale aqui. A nica varivel alea-
t&-ia contln= X, que toma valores no-negativos para os quais P(X > s +
+ t \X > g)= P(X > t) para todos s, t > O, uma varivel aleatria distribuda
exponencialmente. [Muito embora no o provemos aqui, deve-se salientar que o
ponto crtico do racioclnio se refere ao fato de que a nica funo continua G, que
tem a propriedade de G(x + y) = G(x)G(y) para todQs x,
y > O, G(x) = e-k:<.
Verifica-oo facilmente que se definirmos G(x) = 1 - F(x), onde F a fd de X,
enti,o G satisfar. a esta condio.]
;.1
h
.!i
::i!,,,
ALGUMAS VARIVEIS ALIEATR8AS CONTfi\IUAS iMPORTANTES / 225 :
:!~
~;~
.:;~
Exemplo 9.5. Suponha-se que tn:n fusfvei tenha uma durao de ';!
vida X, a qual pode ser considerada uma varivel aleatria contnua 'I
com uma distribuio exponencial. Existem dois processos pelos :!~
"1 ~
quais o fusvel pode ser fabricado. O processo I apresenta uma du- :jj
rao de vida esperada de 100 horas (isto , o parmetro igual a fi
ll00- 1), enquanto o Processo H apresenta uma durao de vida espe- l!~
rada de 150 horas (isto , o parmetro igual a 150-1). Suponha-se ~ l~
que o processo H seja duas vezes mais custoso (por fusvel) que ll ij.l
processo I, que custa C dlares por fusvel. Admita-se, alm disso, fj';li
que se um fusvel durar menos que 200 horas, um& multa de K dlares li,
seja lanada sobre o fabricante. Que processo deve ser empregado? .jij
Vamos calcular o custo esperado para cada processo. Para o pro- i,I,:l
cesso I , teremos ,,,'J
- Cr = custo (por fusivel) C se X> 200
C + K se X ::s; 200.
,li
I
'
Logo, I
) E(C1) = CP(X <_200) + (C + K)P(X ::s; 200) I
+ (C + K)(l _ e-<lliooJzoo)
= ce-<ltloo)2oo fi I
'li
= Ce-2 + (C + K){l - e- = K(l - e- + C.
2) 2) [I
.ii
Iii
<:11
Por um clculo semelhante, encontraremos
li!i
lllj
n.
~1\1
Portanto,
-~
E(Cn) - E(Cr) = C + K(e- 2 - e-413) =C- 0,13K.
ll:j.,,
P\
ConBeqentemente, preferiremos o processo I, visto que !:Iii
'!;I
C> 0,13K.
T
."!
i,'
q
Exemplo 9.6. Suponhamos que
j(x)
X tenha uma distribuio exponen-
:!i').i
cial com parmetro ot. Nesse caso, t,
E(X) = 1/ot. Vamos calcular a pro- ii:I
babilidade de que X ultrapasse seu ;L
valor esperado (Fig. 9.5). Teremos

p (X > ! )= e-..(1/m}
:r=l
:I!:r
:iji'
I . 1
= e-n < -- ''I.'
2 J\;
d'
i.'
Exemplo 9.7. Suponhamos que T, o perodo para a quebrli de I
:
um componente, seja distribuido exponencialmente. Portan,to,
;:. "
I'
. '\\
l
b'ii
226 I PROBABiUDADE

j(t) = ae-at. Se n desses componentes forem instalados, quai ser


a probabilidade de que a metade ou mais deles ainda esteja em fun
cionamento oo fim de t horas? .A probabilidade pedida

e -at)n-k(e-atk) se n f or mpar.

Eumplo 9.8. Suponhamos que a durao da vida T, em horas,


de determinada. vlvula eletrnica seja uma va-rivel aleatria com
distribwo exponencial, com parmetro ~- Quer dizer, a fdp
dada por j(t) = (3e-f3 1, t > O. Uma mquina que emprega esta
vlvula custa C1 dlares/hora de funcionamento. Enquanto a m-
quina est funcionando, um lucro de C 2 dlares/hora obtido. Um
operador deve ser contratado para um nmero de horas prefixado,
H, e recebe um pagamento de Ca dlares/hora. Para qual valor de H,
o lucro esperado ser mximo ?
Vamos inicialmente obter uma expresso para o lucro R. Te-
remos
R = C2H - C1H - CaH se T >H
= C2T - C1T - CaH se T :::; H.

Note-se que R um:a varivel aleatria, porque uma funo de T.


Da

E(R) = H(C2- C1 - Ca)P(T > H) - CaHP(T :::; H)

+ (C2- C1) 18
t(3e-f3 1 dt

= H(C2- C1 -Ca)e-f3 8 - CaH(l - e-f3 8 )


, + (C2- Cl)[(3- 1 - e-f3 8 ((3- 1 + H)]
= (C2 - CI)[He-f3H + {J- 1 - e-f3H({f"- 1 +H)] - CJI.

Para obtermos o valor JWL.ximo de E(R), derivaremos em relao


a H e faremos a derivada igwLI a zero. Teremos

"~ :
ft~

ALGUMAS VARIVEIS AlEATRIP\S CONTfNUAS IMPORTANTES I 227


I
I ,
Conseqentemente dE(R)/dH = O ~carreta q'111e
I
H= _,(__!_)
(3
1n
I
1[ C3
Cz- Ct
]
I
ifi1 [A fim de que a soluo acima tenHa significado, devemos ter H > O,
~~ I
o que ocorre se, e somente se, O 'S Ca /(C 2 - C1) < 1, o que por ~ua ,
]~ vez equivalente a Cz- Ct >O e iC2 - C1 - Ca >O. No entanto,
J-~5
~~ a ltka condio exige apenas quk os dados de custo sejam de tal
t
~ri
magnitude que um lucro possa ser auferido.)
I .
Suponha-se, em particular, que (3 = 0,01, C1 = US$ 3, Cz =
,q~
:~~
:~ ,Y:
= US$ 10, e Ca = US$ 4." Nessel' caso, H = - 100 ln (4/7) =
= 55,9 horas e::: 56 horas. Portanto,I! o operador
'
deve ser contratadGl
para 56 horas, de modo a se alcan'ar o mximo lucro. (Para uma
ligeira modificao do exemplo acim~, veja o Probl. 9.18.)

J"~'
-~"'
~r::
9.7. A Distribuio Gama
'
I
I
1

'
I
I

.:i;
Vamos, inicialmente, introduzir uma funo que da maior
~~
~~
importncia, no somente em teoria ide probabilidade, mas em muitos
'1~ domnios da Matemtica. _I

ti _ Definio. A juno gama, denotada por r, assim definida:


I
1
j~ ~
'\r = xP~le-" dx, !definida para
~~ ' r(p)
I
p > O. (9.12)
~~ I
[Pode-se demonstrar que essa I integral imprpria existe (con-
verge) sempre que p > O.l Se iqtegrarmos por partes,' fazendo

I e_, dx = du e xP-t = u obteremos !

r(p)

= O + (p
'

= -e-:rxp-ll -

-
,

1) l
~~J

0
~I
I

\e-:rxp- 2 dx
I
[-e-"(p- 1)xP-Z d:d

= (p - 1)rcv - I). ! (9.13)


I
Desse 'modo, mostramos que a fun~o gama ob~dece a uma interes-
sante relao .de recorrncia. Sup6nha.:.se que p seja 1 um inteiro
positivo, digamos p = n. Enio, aplicando-se a Eq. (9.13) repeti-
"'I damente, obteremos i
'

Ii~';_, _
. ~#i,.!tt:.
.
rcn) = cn - l)rcn - 1)
= (n- l)(n- 2)r(n- 2~
'
I ,. ,
= ... = (n - l)(n - 2) . . r(l};.
~
228 I PAOBABHUDAIIJIIE

Porm, I'(l) = fo "'e-"' dx = 1, e, por isso, teremos


r(n) = (n- 1)! (9.14)

(se n for um inteiro positivo). (Portanto, poderemos considerar a


funo gama como uma generalizao da funo fatorial.) tam-
bm fcil verificar que

r( ~ ) =i"' x- 112e-"' dx = -v;. (9.15)

(Veja o Probl. 9.19.)


Com o auxilio da fun gama, poderemos agora introduzir a
distribuio de probabilidade gama.

Definio. Seja X uma varivel aleatria continua, que tome


somente valores no-negativos. Diremos que X tem uma distri-
buio de probabilidade gama, se sua fdp for dada por

f{x)
j(x) = -01.- (ax)'- 1e-&-" x>O
I'(r) '
= O, para quaisquer outros
valores. (9.16)

Esta distribuio depende de


dois parmetros, r e a, dos quais
~:::::::::_ _ _..:=::=:=::::::::=...,.x se exige r >O, a >O. [Em virtude
Fig. 9.6 da definio da funo gama,
fcil ver que f_:!:"' j(x) dx = 1.]
A Fig. 9.6 mostra o grfico da fdp Eq. (9.16), para vrios valores
de r e a= L

9.8. Propriedades d<l! Distri!:wio Gama

(a) Se r = 1, a Eq. (9.16) fica j(x) = ae-"'. Portanto, a d1s-


tribuio eiponencial um caso particular da distribuio gama. (Se r
for um inteiro positivo maior do que um, a distribuio gama tam-
bm estar relacionada com a distribuio exponencial, porm de
uma forma ligeiramente diferente. Tratare~os disso no Cap. 10.)
(b) Na maioria de nossas aplicaes, o parmetro r ser um
inteiro positivo. Neste caso, existe uma interessante relao entre
a fd da distribuio gama e a distribuio de Poisson, que agora apre-
sentaremos.
.ALGUMAS VARiVEiS ALEATRIAS COI\!TfNUAS iilliPORTANTES I 229

Considere-se a integral r = fa "'(e-Y!/fr!)dy, na qual r um


inteiro positivo e a > O. Ento, r!I = fa"' e-ily dy. Integrando r1or
partes; fazendo-se u = y' e dv = e-Y dy, teremos du = ryr-I dy e v =
= - e-11 Da, r!J = e--ea + r .f." e-11 y'- 1 dy. Nessa expresso, a in-
tegral exatamente da mesma forma que a integral original, com r
substitudo por (r- 1). Deste modo, continuando-se a integrar
por partes, desde que r seja um inteiro positivo, teremos
r!I = e-a [a'+ ra'- 1 + r(r - l)a'- 2 + + r!l.
Conseqentemente,
I = e-<~[1 + a + a /2! + + a'fr!]
2

= t
k=o
P(Y = k),

onde Y tem uma distribuio de Poisson com parmetro a.


Consideremos agora a fd da varivel aleatria cuja fdp seja
dada pela Eq. (9.16). Desd~ que r seja um inteiro positivo, a Eq. (9.16)
poder ser escrita assim
a
j(x) = (ax)'- 1e-'", x >O
(r- 1)!

.e cohsiflentemente a fd de X se torna

F(x) = 1- P(X > x) = 1- j"' _


x
_!!_ (as)'- 1e-"' ds, x >O.
(r - 1)!

Fazendo-se (as) = , verificamos que isto se transforma em

F(x) = 1 -
. 1"' '""'
u-!e-"
(r_ 1)! du, X> .

Esta integral justamente da forma considerada acima, a saber I


(com a = ax), e portanto
r-1
F(x) = 1 - L
k~O
e-"'x(ax)k/k!, X> 0. (9.17)

Por isso, a jd da distribuio gama pode ser expressa em termos


da jd tabulada da distribuio de Poisson. (Lembramos que isto
vlido quando o parmetro r um inteiro positivo.)
I
1
e
Comentdrio: O resultado apresentado na Eq. (9 .11), que relacionaa fd',da
. distribuio de Poisson com a fd da distribuio gama, no to surpreendente
quanto poderia parecer primeira vista, como ser explicado a seguir. .
230 I ' PROBAB~LBDADE

Antes de tudo, lembremo-nos da relao entre as distribuies binomial e


de Pascal (veja o Comentrio (b ), Seo 8.6). Uma relao semelliante existe entre
as distribuies de Poisson e gama, destacando-se que esta ltima uma distribui-
o contfuua. Quando tratamos com uma distribuio de Poisson, estamos essen-
cialmente interessados no nmero de ocorrncias de algum evento durante um
periodo de tempo fixado. E, como tambm ser indicado, a distribuio gama
surge quando inqagamos a distfibuio do tmpo necessrio para obter um nme-
ro especificado de ocorrncias do evento.
Especificinente, suponhamos X = nmero de ocorrncias do evento A
durante (0, t). Ento, sob condies adequadas (por exemplo, satisfazendo as
hipteses A 1 at A 5 da Seo 8.3), X tem uma distribuio de Poisson com par-
metro at, onde a o nmero esperado (ou mdio) de ocorrncias de A durante
um intervalo de tempo unitrio. Seja T = tempo necessrio para observar r ocor-
rncias de A .
Teremos:

H(t) =P(T <. t) = 1- P(T > t)


1 - P(menor do que r ocorrncias de A ocorram em
(O, t])
1-P(X<r)
r- 1 e- at (at)k
1- I:
k =O k!
A comparao disso com a Eq. (9.17) estabelece a relao desejada.

(c) Se X tiver uma distribuio gama, dada pela Eq. (9.16),


teremos
E(X) =r/a, (9.18)

Demonstrao: Veja o Probl. 9.20.

9.9. A Distribuio de Qui-Quadrado

Um caso particular, muito importante, da distribuio gama


Eq. (9 .16) ser obtido, se fizermos a = 1/2 e r = n/2, onde n um
inteiro positivo. Obteremos uma famlia de distribmes. de um
parmetro, com fdp

z >o. (9.19)

Uma varivel aleatria Z, que tenha fdp dada pela Eq. {9.19), ter
uma distribuio de quz'-quadrado, com n graus de liberdade, (denotada
por Xn 2). Na Fig. 9.7, a fdp est. apresentada; para n = 1, 2 e n > 2.
ALGUMAS VARiVEIS ALIEATfUAS C.Oi\ITfNUAS HVii?ORTANTJES I 231

I
mal e Uma conseqncia imediata da !Eq. (9.18) ~ que se Z tiver a fdp da
:e entre Eq. (9.19), teremos
stribui-
s essen- E(Z) = n,l . V(Z) = 2n. (9.20)
l).te um
o gama
t'nme-
f(z) J(z)
Ii J(z)

entoA I
n=2[I
mdo as
m par- R>2
iurante
r ocor-
z ~--~-(~~~~--~z
(a)

.1
F1lg . 9.7

ram em I
A distribuio de qui-quadr~do possui numerosas aplicaes imm
portantes em inferncia estatistica, algumas das quais mencionare-
mos mais tarde. Em Virtude jde sua importncia, a distribuio
de qui-quadrado est tabulada1 para diferentes valores do par-
metro n. (Veja o Apndice.)
j(z) .Deste modo, poderemos . ahar
na tbua, aquelevalor denotado
(9 .16), por x-,.3 que sat~sfaa a P(Z $
~ Xa 2) =a, O< a< 1 (Fig. 9.8). .-M.'.l
O Ex. 9.9 trata de um caso par-
(9.18)
ticular de uma , cara.cterizao
geral da distribuio de qui-
-quadrado, a qual estudaremos
Fig. 9.8 em capitulo posterior.
I
gama
Exemplo 9.9. Suponha-se due a velocidade V de um objeto
um
tenha distribuio N(O, 1). Sej~ K = mP/2 a energia cintica do
.e um objeto. Para encontrar-se a fdb de K, vamos inicialmente achar
a fdp . de S = V 2 Aplicando ditetmente o Teor. 5.2, teremos . .

(9.19) 1 1 I_r -
g(s) = .y-; [~{v
2
s) + (,0(-:- V s)] .

'), ter
notada
= s-'il _l_j e-'-"12.
v'21r
n > 2.
232 I I?ROBABIUDADE

Se compararmos esse resultado com a Eq. (9.19) e recordarmos que


I'(l/2) = .y;;:, observaremos que S tem uma distribuio de X1 2
Assim, encontramos que o quadrado de uma varidvel aleatria com
distribuio N(O, 1) tem uma distribuio de )( 12 ( este resultado
que generalizaremos mais tarde.)
Agora, poderemos obter a fdp h da energia cintica K. J&
que K uma funo montona de P, cuja fdp dada por g, acima,
teremos diretamente

2 , .( -2 k ) . = -
h(k) = _ 2 -li. . ( -2 k )-11/2e-kfm k >o.
m"' m m V271" m '

Para calcularmos, por exemplo, P(K .::::; 5), no necessitaremos empre-


gar a fdp de K, mas poderemos simplesmente utilizar a distribuio
tabulada de qui--quadrado, da seguinte maneira:

' Esta ltima probabilidade poder s~r diretamente obtida das tbuas
da distribuio de qui-quadrado (se m for conhecido), porque VZ
apresenta uma distribuio de X1 2 J que E(V2) == 1 e t varincia
(V 2 ) =-2 [veja a Eq. (9.20)], acharemos diretamente .

E(K) = m/2 e V(K) = m 2/2.

Comentrio: A tabulao da distribuio de qui-quadrado, dada no Apn-


dice, somente apresenta aqueles valores para os quais n, o nmero de graus de
liberdade, menor ou igual a 45. A justificativa disso que, se n for grande,
poderemos aproximar a distribuio de qui-quadrado com a distribuio normal,
como se indica pelo teorema seguinte.

Teorema 9.2. Suponha-se que a varivel aleatria Y tenha


n
distribuio de x.. ~. Ento, para suficientemente grande, a vari-
vel aleatria V2Y tem aproximadamente a distribuio N( V2n-1, 1).
(A demonstrao no dada aqui.)
Este teorema pode ser empregado da seguinte maneira. Supo-
nha-se que desejamos P(Y .::::; t); onde Y tem distribuio de Xn 2, e
n to_ grande que essa probabilidade no possa ser diretamente
obtida da tbua da distribuio de qui-quadrado. Empregando o
AII..GUIVlAS VAR8V lEIS AILEATR !AS COI\!Tfi\!UAS !IVliPORTAN1l"ES I 233

Teor. 9.2, poderemos escrever


2
I.
P (Y :$ t) = P(v2Y :$ -v'2t)
m
lo = P(y2Y- ..j2n=-i :$ v2t -V2n- 1)
= <P(v2t..,.. v2n - 1).
l

r&
O valor de <lP ser obtido das tbuas da distribuio normal.
a,
9.10. Comparaes e111t 1re Diversas Distrib!Aies

At agora, j apresentamos algumas importantes distribuies de


probabilidades, discretas ou contnuas: a binomial, a de Pascal e a
de Poisson, dentre as discretas; a exponencial, a geomtrica e a gama,
e~
dentre l!S. contnuas. N9 vamos reafirmar as vrias hipteses que
levaram a essas distribuies. Nosso principal propsito destacar certas
LO
semelhanas (e diferenas) entre as variveis aleati:ias que possuem
essas distribuies.

realizadas: .,
1. Admita-se que provas independentes de Bemouilli estejam sendo

(a) varivel aleatria: nmero de ocorrncias do evento A em


lS um nmero fixado de provas;
T2 distribuio: binomial;
ta (b) varivel aleatria: nmero de provas de Bemouilli necess-
rias para obter a primeira ocorrncia de A;
.;:.::.1
distribuio: geomtrica;
(c) varivel aleatria: nmero de provas de Bemouilli necess-
rias para obter a r-sima ocorrncia de A;
n-
je
distribuio: Pascal.
!e, 2. Admita-se um Processo de Poisson (veja o Comentrio (c) que
a!, precede o Ex. 8.5):
(d) varivel aleatria: nmero de ocorrncias do evento A, du-
rante um intervalo de tempo fixado;
ta
~
distribuio: Poisson;

). (e) varivel aleatria: tempo :p.ecessrio at a primeira ocorrn-


cia de A;
distribuio: exponencial;
D- I

e (J) varivel aleatria: tempo necessrio at. a r-sima ocorrncia


te ~A \
'
o distn"buio: gama.
.. l
234 I I'ROBABBUDADE

Comentrio: Observe-se a similaridade entre (a) e (d), (b) e (e) e, finalmen


te, (c) e (f).

9.11. A Distribuio Normal ~Bidimen s ional

Todas as variveis aleatrias contnuas que temos estudado


tm sido variveis aleatrias unidimensionais. Como mencionamos
no Cap. 6, variveis aleatrias de maior nmero de dimenses de-
sempenham importante papel ila descrio de resultados experimen-
tais. Uma das mais importantes variveis aleatrias contnuas
bidimensionais, uma generalizao direta da distribuio normal
unidimensional, definida da seguihte maneira:
Definio. Seja (X, Y) uma varivel aleatria contnua, bi-
dimensional, tomando todos os valores no plano euclidiano. _Dire-
mos que (X, Y) tem uma distribuio normal bidimensional se sua fdp
conjunta for dada pela seguinte espresso

1
f(x, y) = X
21T"O"x0"1/Vl - P2
2
1 [( X :;- 1-L:r: )
X exp { - 20 _ p 2) ----;;-

- 2p (x - Jl~~- Jlv) + ( y ~YP.v YJ},


-- co <x< c o , - co <y< co. (9.21)

A fdp acima depende de 5 parmetros. Para que j defina uma


fdp legtima [isto , j(x, y) :2: O, J _+,oo f_+,oo j(x, y)dx dy = I], devere-
mos impor as seguintes restries aos parmetros: - co < Jlx < co;
- co < Jlv < co; O"x > O; O"y > O; -1 < p < 1. As seguintes pro-
priedades da distribuio normal bidimensional podem ser facilmente
verificadas.

Teorema 9.3. Suponha-se que (X, Y) tenha fdp como a dada


.pela Eq. (9.21). Ento, nesse caso:
(a) As distribuies marginais de X e de Y sero N(p,., u,,2)
e N(Jlu, 0"1/), respectivamente.
(b) O parmetro p, que aparece acima, ser o coeficiente de cor-
relao entre X e Y.
,,,~,- I

~i_:~
I
!
1
ALGUMAS VARiVE!S ALIEATR !AS CONTfNUAS IMPORTANTES I 23.5

J (c) As distribuies condicionadas de X (dado que Y = y) e de Y


(dado que X = x) sero, respectivamente:
i
1__
_-_,_
__

I
l ~-

I
N [,Ux + P ;: (y J.Lv), (T,,Z (1 '- p 2 ) ]
11

4~
N [J.Lv + p :: (x t '

I
J.Lz), O"v 2(1 - p2) ]

I
Demonstrao: Veja o Prob~. 9.21.

ii~r; Cinnentrios:
'
(a) A recproca de (a) do Teor. 9.3 no verdadeira. pos~

]f~
svel ter-se uma fdp . conjunta, que n~ seja normal bidimensional, e no entanto,
as fdp marginais de X e Y serem norm~is unidimensionais. .
'!J..i

-~-_ ~,~_-;
(b) Observamos da Eq. (9.21) quelse p = O, a fdp conjunta de (X, Y) poder
ser fatorada e, conseqentemente, X e Y sero independentes. Assim, verifica-
~!m mos que no caso de uma distribuio n~rmal bidimensional, correlao zero e inde-
pendncia sao equivalentes. 1
-

(c) A proposio (c) do teorema ~cima mostra que ambas as funes de re-
gresso da mdia so linearesJ Tamb ~m mostra que a varincia da distribuio
condicionada fica reduzida na mesma proporo que (1 - pz). Isto , se p for pr-
xim.o d~ zero, ~ .varincia condicionada\ ser ess_encialmente a mes~a ~ue a ~~
nCia nao-condrcwnada, enquanto se p -.for prXImo de 1, a vannCill> condicio-
nada ser prxima de zero. _ \ . .

A fdp normal bidimensional \apresenta algumas in- p~opriedades


teressantes. Formularemos algunas delas como teorema, deixando
a demonstrao para o leitor. !
Teorema 9.4. Considere-se ~ superfcie z = f(x, y), onde f
a fdp normal bidimensional, dadalpela Eq. (9.3). .
(a) z = c (const.) corta a 1superficie em uma elipse. (Estas
so, algumas vezes, denominadas\ contornos de densidade de proba;
bilidade constante.) '
-:'~
?._.~-~

~
(b) Se p = O e U::: - Cfv, essa elipse se transforma em
uma circunferncia. (Que acont~cer elipse .mencionada quandO'
P --l> 1 ?) I
I
Demonstrao: Veja o Probl. l9.22.
"'m,

I Comentrio:
I
Em virtude da importncia da distribuio normal bidimen-
I

sional, diferentes probabilid~;~des com )ela. associadas foram tabuladas.. (Veja


D. B. Owen, Handbook oj .Statistical T,le3, Addison-Wesley Publishing omvany,

l.
Inc., Reading, Mass., 1962.)

iI
I
236 I PROBAB ! UDADE .

9.12; D istri bu ies Truncadas

Exemplo 9.10. Suponha-se que um dado tipo de parafuso ~eja


fabricado e seu comprimento Y seja uma varivel aleatria com dis-
tribuio N(2,2, 0,01). De um
grande lote desses parafusos, um
o . 2 X
novo lote obtido pelo refugo de
Fig. 9.9 todos aqueles parafusos para os
quais Y > 2.
Nesse caso, se X for a varivel aleatria que representa o
comprimento dos parafusos no novo lote, e se F for sua fd, teremos
F(x) = ::s; x) '
P(X
= P(Y ::s; X I y ::s; 2) = 1 se x > 2,
= P(Y ::s; x)/P(Y ::s; 2) se x $ 2.

(Veja a Fig. 9.9.) Portanto j, a fdp de X ser dada por


j(x) = Fi(x) = O se x > 2,
1
exp\-2
I 1[ X -
~
2,2 ]
2
)
v21r co, 1)
<I>(- 2)
se .x ::s; 2.

Em seguida,

P(Y ::s; 2) = P ( y ~:,'2 ::s; 2


~} 2 ) =<I> (-2) . -~
[<I>, como de costume; .a fd da distribuio N(O, 1).]
Esse um exemplo de uma distribuio normal truncada (espe-
cificamente truncada direita de X = 2). Este exemplo pode ser
generalizado da maneira seguinte.
Definio. Diremos que uma varivel aleatria X tem uma
distribuio normal truncada direita de X = r, se sua fdp for da
.forma
j(x) =O se .x > r,
= K _1
v 27r(J'
l
. exp (_ ~ [X~ M ] ) se x ::s; r. (9.22)

Observamos que K determinado pela condio f_-:, ~ .J(x) dx ,:, 1


. e, conseqentemente,
1
K = <I> [(r - p.)/(J'] P(Z ::s; r)
ALGUMAS VARiVEiS AlEATI'IHAS CONTfNUAS iMPORTANTES I 237

onde Z tem distribuio N(p, a2 ). Analogamente defmio anterior,


teremos a seguinte:
Dejinic.. Diremos que a varivel aleatria X tem uma distri-
buio normal truncmoo esquerda de X = "f, se sua fdp j for da forma
j(x) =O se x < "f,
= K
"\1211"0'
exp. (-
2
.!.[ x - JL ]
(7
2
) se z ;;::: 'Y (9.23)

Tambm K determinado pela condiof-"!:"' j(x)dx = 1 e1


portanto,

Os conceits acima, introduzidos para a distribuio normal,


podem ser estendidos de uma forma 'bvia para outras distribuies.
Por exemplo, uma varivel aleatria X distribuda exponencialmente,
truncada esquerda de X = -y, teria a seguinte fdp:
j(x) = O :se x < -y,
= Ca.e-<>"' se x ;::: 'Y. (9.24)

N OVaD1ente, C determinado pela condio f_~"' j(x) dx =1 e poX'


isso
C = e" 7
Podemos tambm considerar uma varivel aleatria truncada
no caso discreto. Por exemplo, se uma varivel aleatria com dis-
tribuio de Poisson X (com parmetro R) for truncada direita de
X = k +1, isso significh que X tem a seguinte distribuio:
P(X = i) = O se i ;::: k + 1,
-- c '
e- se t -- o,. 1, .. , k . (9.25)
. t.1

Determinamos C pela condio L;"'~ o P(X = t) = 1 e achamos

c= .k 1.
Lj =O ('/ j!)e-A
Assim,
' 1
P(X = t) = 1 i= O, 1, ... , k e zero para outro:>
t. I:J=o(''/j!) ' '
valores.
238 I PROBABILIDADE

Distribuies truncadas podem surgir em muitas aplicaes impor-


tantes. Abaixo, apresentaremos .alguns exemplos.
Exemplo 9.11. Suponha-se que X represente a durao da vida
de wn componente. Se X for distribuda normalmente, com
E(X) 7' 4 e V(X) = 4,
encontraremos que
P(X < O) = (Jl(- 2) = 0,023
. . )

Por conseguinte, este modelo no muito significativo, porque ele


~tribui probabilidade 0,023 a wn evento que sabemos no pode ocorrer.
P'oderlamos, em seu lugar, considerar .a varivel aleatria X trun-
cada esquerda de X = O. Da, admitiremos qtie a fdp da vari-
vel aleatria X ser dada por
f(x) = O se x :::;; O,

= V(2~) (2) exp [- !( x ~ 4 YJ <1)~2) . se x >O.

Ccnnentrio: J mencionamos que, freqentemente, empregamos a distri


buio normal para representar uma varivel aleatria X, a respeito da qual sabe-
mos que ela no pode tomar valores negativos. (Por exemplo, tempo at falhar,
comprimento de uma barra etc.) Para detenninados valores dos ' parmetros
p. = E(X) e a 2 = V(X), o valor de P(X < O) ser desprezvel. Contudo, se no
for este o caso (como no Ex. 9.11), deveremos empregar a distribuio nomial
truncada a esquerda de X = O.

Exemplo 9.12. Suponha-se que um sistema seja constitudo


por n com.ponentes, que funcionem independentemente, cada um
deles tendo a mesma probabilidade p de funcionar adequadm:ente.
Sempre que o sistema funcione mal, ele inspecionado para desco-
brir quais e quantos componentes esto defeitl10sos. Seja a varivel
aleatria X definida como o nmero dos componentes que sejam
verificados defeituosos nwn sistema que tenha falhado. Se admi-
tirmos que o sistema falhe se, e somente se, ao menos um componente
falhar, ento X ter U.ma distribuio b~rwmial truncada esquerda
de X = O; porque o simples fato de que o sistema tenha fal]lado,
elimina a possibilidade de que X= O. Nesse caso, teremos
. (k)(l - p )kpn--k . "
P(X = k) . = P(si:s:emaae
.t f lh ) , k .= 1, 2, ... , n ..

J que P(sistema falhe) = 1- p", podemos escrever


(~)(1 -p )k_pn--k
P(X = k) =
1- p"
.k = 1,2, ... ,n.
A L GUMAS VARBVEDS ALEATRiAS CONTfNUAS IMPORTANTES I 239 .

I
Exemplo 9.13. Suponha-se que partculas sej'am emitidas por
uma fonte radioativa, de acordo com a distribuio de Poisson, com
parmetro . Um dispositivo co~tador registra e~as emisses so-
mente quando menos de trs paft;iculas .chegam. (Isto , se trs
ou mais partculas chegarem durante um perodo de tempo especifi-
cado, o dispositivo cessa de funcibnar em virtude de algum "trava-
' . .
mento" que ocorre.) Portanto, fie Y for o 'nmero de partculas
registradas durante o intervalo de Itempo especlficado, Y tem os va-
lores .possveis O, 1 e 2. Conseqentemente,
I ~-
.. . e-x . )>.k
P(Y = k) k! e-~[1 + lf- + (2f2)] ' k =O, 1, 2,
. I
= O, para quaisquer outros valores.
!
Visto que a distribuio nokal truticada particularmente
importante, vamos considerar o sekumte problema, associado a essa
distribuio.
Suponha-se que X seja uma varivel aleatria normalmente dis-
tribuida, truncada direita de X =\r.
Por isso, sua fdp da forma
'
f(x) = O se x ~ r,
= ---=
1
v'2mr
exp [- ; (" ~ ~ )'] 1
se x ~r.

Logo, teremos

E(X) = J:"' .x .j(x)dx


i '
1
<i[(r- J.L)/CF]
f_T., x
V27rCF
exp [ - _!_ ( ~
I 2 CF
)2] dx
, I
1 1 f(T-p.)/u
<i[(r -:- iJ.)/CF]
-=
V27r
i
-.,
(sq + p.)e-ll'/

2 ds
.
<i[(r ~ J.L)fq] [J.L<i( r~ p.\) + q V~7r J~-p.)fcr se-ll'/2 ds]
I
= J.1. + q 1 ' e--''/2 (-1) J '!.:p.)/u
<l>[(r - J.L)/CF] V27r 1

= J.1. -
. q
<P[(r- J.L)fq]
, 1 \
V27r! exp
[
- 2
1 (r - )2] .
~
J.1.

Observe-se que a expresso obtida .bara E(X) est expressa ein t~r
mos de funes tabuladas. A funo <I> , naturalmente, a conhecida
I ''
240 I PROBABILIDADE

fd da distribuio N(O, 1), enquanto (1/V27r) e-x'fZ a ordenada


da fdp da distribuio N(O, 1) e est, tambm, tabulada.
De fato, o quociente
(1jy'2;;)e-z'f2
<l>(x)

est tabulado. (Veja D. B. Owen, Handbook oj Statistical Tables,


Addison-Wesley Publishing Company, Inc~, Reading, Mass., 1962:)
. Empregando o resultado acima, poderemos agor fazer a seguinte
pergunta: Para p, e u dados, onde ocorrer q truncamento (isto ,
qual ser o valor de r) de m.odo que o valor esperado depois do trun.,.
caniento tenha algum valor A preestabelecido ? Poderemos respon-
der a essa pergunta com o auxilio da distribuio normal tabulada.
Suponha-se que p, = 10, u = 1, e que imponhamos A = 9,5. Con-
seqentemente, deveremos resolver
1 1
9,5 = 10- - - - e-Cr-l0)'/2.
<il(r - 10) V27r
Isto se toma
1 (1/y'2;)e-(r-10!'/2
2 <I>(r - 10)

Empregando as tbuas mencionadas acima, encontraremos que


T --, 10 .~ 0,52 e, portanto, r = 10,52.

Comentrio: O problema surgido acima somente pode ser resolvido para


determinados valores de ].l, rr e A. Isto , para J.l e a: dados, poder no ser possvel
obter uril valor de A especificado. Consid~re-se a equao que deve ser resolvida:

J.l -A =
(!'
<I>[(r - J.l)fa:]
1 . [ 2(
V27r exp. -
1 T-
-u-
J.l
)2] .

O segundo membro desta equao , evidentemente, positivo. Logo, dev~remos


ter (p.- A)> O a fim de que o problema acima tenha uma soluo. Estacondi-
o no muito surpreendente, porque ela apenas diz que o valor esperado (depois
do truncamento direita) deve ser menor do que o valor esperado original.

Problemas
/':""'--..,_

\_9.j). Suponha que X tenha a distribuio N(2, O 16). Empregando a tbu&


da dGtribuio normal, calcule as seguintes probabilidades: .
(a) P(X "?. 2,3). (b) P(1,8~ X S2,1).

9.2. O dimetro .de um cabo eltrico normalmente distribudo com mdia


0,8 e varincia 0,000 4.,. Qual a probabilidade de que o dimetro ultrapasse 0,81 T
ALGUMAS VARiVE iS ALIEAlrROAS COi\!Ti"NUAS 6MPORTAi\!TES I 241

9.3. Suponha que o cabo, _no P robl. _9.2, seje, considerad_o defeituoso se o
dimetro diferir de s)la. m&Ha e"in;'naiS de .o,is. . Q"ual . a probabilidade de se
encontrar um cabo defeituoso? 't - > . -.
9.4. Sabe-se que os erros, em certo dispositivo pare. medir comprimentos,
so normal';nente ' distrioudos CQ!_ll.-valor esperado zero e desvio-padro 1 unidad~.
Qua"l a probabilidade de que Q erro na .111edid. sej!!-')naior: do que 1 ~rtidJrcie?
2 ur]!,cJ~des? 3 unidadei? E (X ) -::-,_,,-!, ;.,_ 16 2t'- '-: . 4;,)
{ 9.$'. Suponha-se que a durao da vida de dois dispositivos eletrnicos,
D 1'e'>z, tenham distribuies N(40, 36) e N(4.i, 9), respectivamente. Se o dis-
positivo eletrnico tiver de ser usado por nm perodo de 4.' horas, qual dos dispo-
sitivos deve ser preferido? Se tiver de ser usado por um perodo de 48 boras,
qual deles deve ser preferido?
9.6. Podemos estar interessados apenas na magnitude de X , digamos .
Y,;, lXI . Se X tiver distribuio N(O, 1), determine a fdp de Y, e calcule-
E(Y) e V(Y).

g,7. Suponha que estejamos medindo a posio de um objeto no plano.


Sejam X e Y os err.os de mensurao das coordenadas x e y, respectivamente.
Suponha que X e Y sejam independentes e identicamente distribudos, cada um
deles com a distribuio N(O, u 2). Estabelea a fdp de R = v'X2 yz_ (A +
distribuio de R conhecida. como distribuillo de Rayleigh.) [Sugestllo: Faa
X = R cos 1/,- e Y = R sen v,; Obtenha a fdp conjunta de (R, t/1) e, depois,
obtenha. a fdp m'arginal de R.] '
9.8. Estabelea a fdp da varivel aleatria Q = X/Y, onde X e Y so dis-
tribufdos tal como no Probl. 9.7. (A distribuio de Q conhecida como .distri-
buiao de Cauchy.) Voc pode c.alcular E(Q)?
9.9. Uma distribuib, estreitamente relacionada com a distribuio normal,
a distribU1{llo wgnormal. Suponha que X seja normalmente distribudo, com
mdia J.L e varincia u 2 Faa-se Y = eX. Ento, Y possui a distribuio log-
norma.l. (Isto , Y ser lognormal se, e somente se, ln Y for normal.) Estabelea
a fdp de Y. Comentrio:. As seguintes varivei~ aleatrias -podem ser represen-
tadas pela distribuiq_acima: o dimetro de pequenas partculas aps um processo
de triturao, o tamir.ho de um organismo sujeito a alguns pequenos impulsos, a
durao da vida de determinadas peas.
9.10. Suponha. que X tenha distribuio N(J.L, u 2). Determine c (como
uma funo de p. e u), tal que P(X ~c) = 2P(X > c). .
fG)l, Suponha que a temperatura (medida em graus centgrados) seja nor-
m~te distribuda,' c.om expectncia 5 Oq, -~ , varincia 4. Qual a probabilidade
de que a temperatura T esteja entre"48o e 53 centgrados?
/~ .
@1..1.~ O dimetro exterior de um eixo, D, especificado igual a 4 polegadas.-
Contaere D como .uma varivel aleatria rrormalmlmte distribuda com mda
o
4 polegadas e fa.r~nc.:ia 0,01 (Qoleg~d~) 2 Se. dimetro reaf difern do yalor
especificado pot:, m:;;is de .(l,0-1~ pJ.'i~dll..'! e_menos de_0108-polegada5, o preju!zo do
fabricante sera~ US$ ...
~
o;E0:2:Se o 'd itiie't;o
--~_...,.... . . refdifrir
~~ .
~o d(meU:ii' espcificado por
' .. .
~....... ~

maia' de 0,08poJegadas, fprejlifzo ser d''US$1,p0. O prejZo L pode ser:'coU:


sid(lrado ~ ,}.ri~~l ~eat~. " Estaoele ~a distribuio de probabilidade
de L e calcule :E(L ).. .t'
242 I PROBABILIDADE

9.13. Compare o limite superiar da prob~bilidade P[ IX- E(X)I~2VV(X)],


obtido pela desigualdade de Tchebycheff, col:n a probabilidade ._exata, em cada.
um dos casos se~uintes: \ .
(a) X tem d~tr~bu~o N(p., u~). \
(b) X tem distnbmo de. Pmsson, com parmetro .
(c) X tem distribuio exponencial, com parlnetro a.
~--- \
~ SiiJonha que X seja uma varivel aleatria para a qual E(X)-== 11-1. e
r.
V(X) = u2. "S'uponha.--que Y seja unifo.rmemente diktribuda sobr o intei:Yalo
.. - I . --
'(a; b) . ...Dtermine a e b de modo que E(X) = ~{Y) e V.(X) =. V(Y)I -
~ . . . ... ..r / . ' I L .... \ ...

9.15 . Suponha que X, a carga de ruptura de um Ct!-bo (em kg), tenha distri
buio N(100, 16). Cada rolo de 100 metros de cabo 'd um lucro de US$ 25,
desde que X > 95. Se X .:S. 95, o cabo poder ser utilizado para uma finalidade
dife~ente e um lucro de US$ 10 por rolo ser obtido. Determinar o lucro espe
rado por rolo.

9.16. Sejam X 1 e X 2 variveis aleatrias independentes, cada nma com


+
distribuio N(Jl, u 2 ). Faa-se Z(t) = X 1 cos wt X2 sen wt. Esta varivel in-
teressa ao estudo de sinais aleatrios. Seja V(t) ;;. l dZ(t)fdt. (Supe-se que w
seja constante;} ..
(a) Qual ~:.llistribuio de probabilidade de Z(t) e V(t), para qualquer t
fixado ? ,\..'--
'-..._ j _;__ ., , -
(b)Mostre que Z(t) e'-V(tt:Jo nO-correlacionadas. [Comentrio: Poder-
se-. tambm mostrar que Z(t) e V(t) so independentes, mas isto um tanto mais
difcil de fazer-se.]
9.17. Um combustvel para foguetes deve conter uma certa perce~ttagem X
de um componente especial. As CRpecificaes exigem que X esteja entre 30 e 35
por cento. O fabricante obter um lucro lquido T sobre o combustvel (por ga-
lo ), que dado pela seguinte funo de X:
T(X) = U$.$ 0,10 por galo se 30 < X < 35,
US$ 0,05 por galo se 35 ~X < 40 ou 25 <X~ 30,
= - US$ 0,10 por galo, para outros quaisquer valores.
(a) Calcular E(T), quando X tiver a distribuio N(33,.9).
(b) Suponha que o fabricante deseje aumentar seu iucro esperado E(T),
em 50 por cento. Ele pretende faz-lo pelo aumento de seu lucro (por galo),
naquelas remessas de combustvel que tendam s especificaes, 30 < X < 35.
Qual dever ser seu novo lucro lquido?

9.18. Reconsidere o Ex. 9.8. Suponha que se pague ao operador C3 dla-


res/hora, enquanto a mquina estiver operando e C4 dlares/hora (C4 < C3)
para o tempo restante em que tenha sido contratado, depois que a mquina tiver
parado. Determine novamente para que valor de H (o"'nmero de horas para as
quais o operador contratado), deve o Incro esperado ser mximo.

9.19. Mostre que r (1/2) = y';. (Veja 9.15.) [Sugestao: Faa uma mu-
dana de varivel X = u2j2 na i integral r (1/2) = fo"' x-If2e-Z dx.]

9.20. Verifique as expresses de E(X) e V(X), onde X tem a distribuio


gama [veja a Eq. (9.18)1.
:~~ I
:~ II
I
~F . ALGUMAS VARIVEIS ALEATRIA~CONTfi\!UAS IMPORTANTES I 243
,l;;~

Jt~ !
!;~~ !ll.211. Demolllltre o Teo~. 9.3. i
,;~.

~~
!1.22. Demoi!Stre o Teor. 9.4. I

i .
9.23. Suponh11. que a varivel mlea~ria X tem uina distribuii!.o de qui~
~~
. -quadrado, com 10 gre.us de liberde.de. Sa pedirmos p&ra determin&r .dois mi-

I
meros a e b, tais que P(a < :z: < b) = 0,85, por exemplo, deverems compreende!"
que existem muitos pares dessa espcie.
1 . I
(a) Determine dois diferentes conjuntos de valores (a, b) que satisf~Ljiam
condi~ acimm. I 1

~.~
~~ .
(b) Suponhm que, em aditamento ao !"cima, se exije. que .
P(X < a) = P(X > b).

~
Quantos pares de ve.lores haver agora 1 I
9.24. Suj:lOnh~ que V, a velocidade (cm/seg) de um objeto que tenha mli.ss11.

I
de 1 kg, seja ume. varivel alee.tria co~ distribuio N(O, 25). Admita-se .que
K = 1.000 Vlf2 = 500 V2 represente a energia cintica (EC) do objeto. Calculr
P(K < 200), P(K > 800). . i
9;25. Suponha que X tenha distribui~o N(!L, u2 ). Empregando o Teor. 7.7,

']I obtenha uma. expresso aproximada para E (Y) e V(Y), quando .Y = ln X.


1
j~ 9.26. Suponha que X tenha uma distribuio normal truncada . direite.,
tal como dada pela Eq. (9.22). Estabele~ ~ma expresso para E(X), em 'termos
:.;' ~'
.t :.
de funes tabuladas. -.
1

;~'~t
..
i

~i~ 9.27. Suporiha que X tenha uma d~tribuio exponenciru truncada es-
querda, como est dada pela Eq. (9.24). Obtenha.E(X).
9.28. {a) Estabelea a distribui~ dk probabilidade de uma varivel e.lea-

I ~.~ ~~.:
tria binomialmente distribuda (baseada !em n repeties de um experimento)
.truncada direita de X = n; isto ., X =: n no poder ser observado.
(b)
em (a) .
Determine o valor e~;~;~do e a J.arincia da varivel aletria descrita.
.

I
I

9.29. Suponha que uma varivel aleatria normalmente distribuda, com


'

.
i ~~li'
~~~
;f~ti
i.. tf
valor esperado !L e varincia u2, seja truncafia esquerda de X ,;, T e direita de
X= 'Y .Estabelea a fdp desta varivel : aleatria "duplamente truncada".
9.30.
N(lO, 2).
Suponha que X, o comprimento de uma barra, tenha distribuio
Em VflZ de se . medir o valor d~ X, somente so especificadas certas
exigncias que devem ser atendidas. Espepificame~te, cada barra fabricada ser
classificada como segue: X < 8, 8 :':X < i1.2, e X 2:: 12. Se 15 dessas barras
forem fabricadas,
.
qual a probabilidade d~I que um igual nmero de barras . caia
em cada uma das categorias acima?
9.31. Sabe-se que a precipitao anqal de chuva, em certa localidade,
uma varivel
. aleatria
. normalmente
. . distribuda,
I com
. mdia igual a 29,5 cm e
desvio-padro 2,5 cm. Quantos centmetr9s de chuva (anualmente) so ultra-
passados em cerca de 5 por cento do tempo?
9.32. Suponha que X tenha distribuio N(O, 25). Calcule P(l
I
< X2 < 4).
9.33. Seja Xt o nmero de partcula emitidas em t horas por uma fon~e
radioativa e suponha-se que Xt tenha uma! distribuio de Poisson, com pe.r~-.
~ metro {Jt. Fa~~rSe igual a T o nmero de hras entre emisscil sucessivas. Mostre

t /.
; i
244 I IJ>ROBABHUDADIE

41!1W 7' tzm uma distribuiil.o <elrpOnencil!.l com pmrimel.ro {J. [Sugestao: Ache o
01rento equivalente (em tennoo de Xt} ao evento 7' > t.)
~.34. Suponha que Xt seja, definido te,l como no Probl. 9.33 1 com fJ = 30.
!Qual e, probabilide,de de que o tempo entre duas emisses sucessivas seja maior
do que 5 minutos? Maior do que 10 minutos? Menor do que 30 segundos?
!li.SS. Em algumas tbuas di! distribuio normal, H(x) == (1/V27r) fo"ct'P. dt
i:lpresentBrse tabulada para valores positivos de x (em vez de cl[>(x), como dada,
no Apndice]. Se & varivel aleatria X . tiver distribuio N(l, 4), exprimir
cad& uma das seguintes probabilidades em termos dos valores tabulados da funo H:
(a) P[IXI> 2]. (b) P[X <O].

!ll.36. Suponha que um dispositivo te!emedidor de um satlite receba duas


espcies de sinais, os quais podel!l ser registrados como nmeros reais, X e Y. Su-
ponha que X e Y sejam variveis aleatrias continuas indepandentes, com fdp,
respectivamente, J e g. Suponha que, durante qualquer perodo de tempo especi-
ficado, somente um desses sinais possa ser recebido e, em conseqncia, transmi-
tido de volt& Terra, e, saber a,quele sinal que cheg41' primeiro. Admita, alm
c:lissq, que o sinal que d origem ao. valor de X chegue primeiro, com
probabilidade
p, e, por isso, o sinal que d origem a Y chegue primeiro com probabilidade 1- p.
Faa Z denotar a varivel aleatria, cujo valor seja realmente recebido e trans-
mitido.
(a) Exprimir a fdp de Z, em termos de j e g.
(b) Exprimir E(Z) em termos de E(X) e E(Y).
(c) Exprimir V(Z) em termos de V(X) e V(Y).
(d) Admita-se que X tenha distribuio N(2, 4) e que Y tenha distribuio
N (3, 3). Calcular P(Z > 2), s p = 2/3.
(e) Admita-se que X e Y tenham distribuies, respectivamente, N(p1, Ut2)
e N<P-1., u22 ). Mostre que f!e !li = J.t 2 , a distribuio de Z ser "unimodal", isto ,
a fdp de Z ter um nico mximo relativo.
9.37. Suponha que o mmero de acidentes em uma fbrica possa ser repre-
sentado por um Processo de Poisson, com uma mdia de 2 acidentes por semana.
Qual a probabilidade de que: (a) o tempo decorrido de um acidente at o
prximo seja maior do que trs dias? ( b) o tempo decorrido desde um acidente
at o terceiro acidente seja maior do que uma semana? [Sugesto: Em (a), faa
T=tempo (emdias)ecalculeP(T> 3).]

9.38. Em mdia, um processo de produo cria uma pea defeituosa entre


cada 300 fabricadas. Qual a probabilidade de que a terceira pea defeituosa
aparea:
(a) antes de 1.000 peas terem sido fabricadas?
(b) quando a 1.000~ (milsima) pea for fabricada?

(c) depois que a milsima pea for fabricada?


[Sugesto: Suponha um Processo de Poisson.]
A Funo Geratriz de M omentos
Captulo 10

Neste captulo introduziremos um importante conceito mate-


mtico que possui mUitas aplicaes aos modelos probbilisticos que
estamos estudando. A fim de apresentar um desenvolvimento rigo-
roso deste assunto, seria necessrio um conhecimento matemtico
de nfvel bem mais elevado do que aquele que aqui temos empregado--.
No entanto, se es.tivermos dispostos a evitar certas dificuldades
matemticas que surgem e a aceitar que determinadas operaes
sejam V.lidas, nesse caso poderemos alcanar uma compreenso su-
ficiente das principaiS idias abrangidas a fim de empreg-las inteli-
. gentemente.
Para motivarmos o que se segue, vamos recordar .nosso mais
antigo encontro com o logaritmo. Ele nos foi apresentado simples-
mente como um recurso de clculo. A cada nmero real positivo x,
associamos outro nmero, denotado por log x. (O valor deste n-
mero pode-se obter de tbuas adequadas.) .. Com o objetivo de cal-
cularmos xy, por exemplo,. obtnhamos os valores de log x e de lg y
e, a seguir, calculvamos log : +log y; o que representa log xy. Do
conhecimento de log xy, ramos, ento, capazes de obter o valor
de xy (novamente com o auxlio de tbuas). De maneira semelhante;
poderemos simplificar o clculo de outras .operaes aritmticas, com
o auxlio do logaritmo. O tratamento acima til, pelas seguintes .
razes:
(a) A cada nmero positivo X corresponde exatamente .um n-
mero, log x, e este nmero failmente obtido nas tbuas.
(b) A cada valor de log :{corresponde exatamente um valor de x,
e este valor tambm encontrado nas tbuas. (sto , a relao
entre x e log x . biunvoca.)
li:

246 I PROBABiliDADE.

(c) Detexmindas opem~s aritmticas abmn.gendo o_s nmeros


:z e y, tl!.is como multiplicao e diviSo, podem ser substitudas pm
operaes mais simples, tais como adio e subtra.o, por intermdio
dos nmeros 11
tmnsfolrn!UM:los" log :r; e log y (veja o ~quem& na,
Fig. lO.ll.).

-~Jogx,
L~~ ~~~~~ ~~------ a x+looY

--- Jog _v

Em lugar de executar as contas diretamente com os nmeros


x e y, primeiramente obtemos os nmeros log x e log y, fazemos
noosas contas com esses nmeros e, em seguida, os transformamos de
novo.

10.2. A. Funo Geratriz de Momeritol!ll

Vamos agora considerar uma situao mais complicada. . Supo-


nhamos que X seja uma varivel aleatria, ist<:JA X uma furlo do
espao amostral para os nmeros reais. Ao calcularmos vrias carac~
terlstica.s da. varivel aleatria X, tais como E(X) ou V(X); traba-
lhamos diretamente com a distribuio de probabilidade de X,
{A distribuio de probabilidade . dada por uma juno: quer
a fdp no caso contnuo, quer as probabilidades punctuais p(Xi) =
= P(X = Xi) no caso discreto. A ltima pode tambm ser consi.:.
dera.da uma funo que tOma valores no-nulos somente se X = x.,
i = L, 2, ... ] Possivelmente, poderemos introduzir alguma outra
juno e fazer os clculos necessrios em termos desta nova funo
(exatamente como acima associamos a cada nmero, algum novo
nmero). Isto , na verdade, precisamente aquilo que faremos.
Vamos, inicialmente, estabelecer uma definio formal.

Definio. Seja X, uma varivel aleatria " discreta, com di&-


tribuio de probabilidade p(Xi) = P(X = Xi), i = 1, 2, . . . A fun-
o Mx, denominada juno geratriz de momentos de X, definida por

(!0.1)
A FUNp;o GERATRIZ DE MOMENTOS I 247

I
Se X for uma varivel aleatri~ contnua com fdp J, definiremos
a funo geratriz de momentos por l

Mx(t) = J_+i.. .. ~ J(x) dz.


1
.
(10.2)

Comentrios: (a) Em qualquer dos lasos, o discreto ou o contnuo, Mx(t)


apenas o valor esperado de etX_ Por i~so, poderemos combinar as expresses
acima e escrever I
I
Mx(t) =E(etX). (1 0.3)
I
(b) Mx(t) o valor que a funo M X torna para a varivel (real) t. A nota-
o, que indica a dependncia de X, eqpregada porque ns poderemos desejar
considerar duas variveis aleatrias, X e ~ e depois investigarmos a funo gera-
. triz de rnorn~.ntQs de cada urna delas, a sabfr M X eMy. .
(c) Empregaremos a abreviatura fglp para a fun~o geratriz de .momentos.
(d) A fgrn, tal corno definida antefiorrnente, escrita como urna srie in-
finita ou integral (imprpria), conforme a: varivel aleatria seja discreta ou con-
tnua. Essa srie (ou integral) poder nem ~ernpre existir (isto , convergir para um
valor finito) para todos os valores de t. c6nseqenternente, poder acontecer que
a fgrn no seja definida para todos os valdres de t. No entanto, no nos preocupa-
remos com esta dificuldade potenciaL Qu~ndo ernpreganrios a fgrn, admitiremos
que ela sempre exista. (Observe-se que aJfgm existe sempre para o valor t = O,
e igual a 1.) i
(e) Existe urna outra funo, estreitamente relacionada com a fgrn, a qual
freqenternente empregada em seu lug~r. Ela . denominada funo caracter(s-
. tica, denotada por Cx e definida por Cx<tj) =E(e 1tX ), ondd = ,;-:::1, a unidade
irnaginri: Por motivos tericos; existe enorme vantagem, em empregar-se Cx(t)
em vez de M x(t). [Por esta razo: Cx<tJ) sempre existe, para todos os valores
de t.] Contudo, a fim de evitarmos clcul?s com nmeros complexos, restringire-
mos nossa exposio funo geratriz de D?ornentos.
(f} Adiaremos at a Se. 10 .4 a explicao da justificativa de chamar-seMX
de funo geratriz de momentos. j

10.3. Exemplos de Fune~ Geratrizes de Momentos


. Antes de estudarmos algumas ~importantes aplicaes da fgm
teoria da probabilidade, vamos calcular algumas dessas funes.
I
.
Exemplo 10.1. Suponha-se que X seja uniformemente distri-
bula sobre o intervalo [a, bl. Logo, a fgm ser dada por
I

Mx(t)=

i' ..
b
--dx
b a
let:z:
1
-

= (b ~- a)t [' - eot], g ~ O. (lo.4)


248 I PROBABILIDADE

Exemplo 10.2. Suponha-se que X seja binomialmente dislri"bu-


da, com parmetros n e p. Nesse caso,

(10.5)

(A ltima igualdade decorre de uma aplicao direta do teorema


binomial.)

.fl
, I
I ,!:; ,: Exemplo 10.3. Suponha-se que X tenha uma distribuio de
,'1,
Poisson com parmetro X. Por conseguinte,
~ '"~~

= e-~1
i (~~~;,
,'

Mx(t)
'
=i ~etk e-r
k = ,k. ' \~~ /p.
\. ,

=e-~ ~ (10.6)
i
'I', [A .terceira igualdade decorre do desenvolvimento de ev em '2;=~ ("/h!).
Esta foi empregada com y =
Xe1.] '
5

Exemplo 10.4. Suponha-se que X tenha uma distribuio e;po-


nencial, com p~rmetro a. Logo,

Mx(t) = 1"'
o
e1"' ae-a" dx =a 1"'
o
e"<t-a) dx.
1
(Essa integral converge somente se t < a. Por isso, a:, fgm existe
l
somente para aqueles valores de t. Admitindo que essa condio
seja satisfeita, podemos prosseguir.) Da,
)
Mx(t) = _a_ ez(t-a)
t"-a.
I"'
. o
01.
Ol- t '
t < Ol. (10.7)

Co-mentric>: Visto: que a fgm apena.s um valor esperado d X, poderemos


obter a fgm de uma funo de uma varivel aleatria sem primeiramente obtermos
sua distribuio de probabilidade (veja o Teor .. 7.3). Por exemplo, se X tiver
A FUNO GERATRIZ DE MOMENTOS I 249 .

distribuio N(O, 1) e desejarmos achar a fgm de Y =X'-, poderemos prosseguir


sem obterm.os a fgm d~ Y. Bastar simplesmente escrever

My(t) = E(e 1Y) = E(e 1X') = --=


1
v2?l'
!+"'_.,
exp (b;2- x2-f2) dx = (1- 2t)- 112

depois de = integrao imediata.

Exemplo 10.5. Suponha-se que X tenha distribuio N(p,, u 2).


Por isso,

Mx(t) =
1
V27ru
J _., \ 2 u
2
+"' " exp {- _!__ [ x - 11' ]. ) dx.

Faamos (x - p,)fu = s; portanto, x = us + JL e dx = u ds. Por


conseguinte,

+"' .
1
Mx(t) =
'\121!' f _., . exp _[t(us + p,)]e-'1 2
ds

j +"' (
_"' exp -
2
1 .
[s 2 -
)
2ut8] ds

= etP> _ }
-v 21!'
j.+"'e~
_.,
{- _!_ [(s-
2
ut) 2 - u2t2]} ds

= e1JA + cr't'/2 V~'ll' J:., exp ( - ~ [s - ut] 2) ds.

Faamos s - ut = v; ento, ds = dv, e obteremos

1 +"'
Mx(t)
.
= e~JA+ <i't'/2

= e(tJA+ O''t'/2l,
--=
v21l' ! _., e-v'/2 dv

(10.8)
( '

Exemplo 10.6. Admita-se que X tenha uma distribuio gama


com parmetros 01. e r (veja a Eq: 9.16). Nesse caso,

Mx(t) = _!!:__ 1
r (r) o
~e
1
:;; (ax)'- 1 e-a= dx
250 I PROIBABIUDADE

(Esta integral converge desde que a > t.) Faamos x(a - t) = u;


por isso
dx = (du)/(a - t),
e obteremos

Mx(t) = a'
(a - t) r(r)
1"' (~ )r-
o a - t
1
e-"' du

= (-a_' )'_Jl_i=
a- t r(r) o
u-1 e-" du.

. J que a integral igual a r(r), teremos

Mx(t) =

(-a-)r.
a- t
(10.9)
~

Comentrios: (a) Se r = 1, a funo gama se transforma na distribuio


expnencial. Conclumos que se r = 1, as Eqs. (10.7) e (10.9) so iguais.
(b) ViSto que a distnuif!.o de qui-quadrado obtida como um caso parti-
cular .da. distribuio gama, fazenlo-se a = 1/2 e r = n/2 (n um inteiro positivo),
conclumos que se Z tiver distribuio ento x! , .

M z (t) = (1 - 2t)-nf2 (10.10)


'.

10.4. Propriedades da Funo Geratriz de Momentos

Apresentaremos, agora, i a justificativa de se denominar Mx


funo geratriz de momentos. Recordemos o desenvolvimento da
funo iT em s~rie de Macla:urin:

x2 xa x."J
e" = 1 + x + -21. + -3,. + ... + -,
n. + ....

(Sabe-se que esta srie converge para todos os valores de x.) Por isso,

(tx)2 (tx)n
etz = 1 + tx + -21
.
+ ... + -,-
n.
+ ... ~

Em seguida,
2
(tX) (tX)" )
MxW =
. IX
E(e) =E 1 +tX+
(
2! + ... + ~+
Mostramos que para uma soma finita, o valor esperado da soma
igual soma dos vaio:res esperados. No entanto, eEJtamos tratando
- i
A FUNAO[GERAl:RIZ DE MOMENTOS I 251

I
acima com uma sene infinita e por ~sso no poderemos, de ifnediato,
aplicar tal resultado. Verifica-se, cpntudo, que sob condies bas-
tante gerais, esta operao ainda . vlida. Ns admitiremos que
as condies exigidas sejam satisfei~as e prosseguiremos d~ acordo
com elas. I
Lembremo-nos de que t uma cbnstante, de modo que tomando
. I
os valores esperados, poderemos escrever
. I
t~E(X 2 ) tnE(Xn)
Mx(t) = 1 + tE(X) +- 2-1-~

+ ... + n! + ...
l
J que Mx uma funo de varivel real t, poderemos tomar a deri-
vada de Mx(t) em relao a t, isto \, [d/(dt)] Mx(t), ou por simpli-
cidade M'(. Novamente
. estamos diante
I. de u~a dificuiade mate-
mtica. A derivada de uma soma finita sempre igual soma das
derivadas (admitindo-se, naturalmente, que todas as derivadas em
questo existam). Contudo, para u~a soma infinita, isto no. ser
sempre assim. Determinada11.condies devem ser satisfeitas para
que esta operao seja justificvel; \simplesmente admitiremos que
essas condies sejam atendidas e j prosseguiremos. (Na maioria
dos problemas que encontrarmos, tal liiptese se justifica.) Portanto,
II
t E(X
2 3) \ tn- 1 E(Xn)i
M'(t) = E(X) + tE(X + ~I + ... +
2
) (n _ )! , + ...
1

Fazendo-se t = O, verifica-se que somente o primeiro termo subsiste,


e teremos !I
' .
M'(O) = EI( X).
I
Portanto, a derivada
.
primeira da fgm,! calculada para t = IO, fornece
.
o valor esperado da varivel aleatria. Se .:alcularmos a derivada
segunda de Mx(t), procedendo novami).te tal como acima, obteremos

i tn-2E(Xn.)
M"(t) = E(X 2) + tE(X + ... +
3
)
1
1 (n- 2)! + ... ,
e fazendo t = O, teremos I
i
.I
M"(O) = E(X~).

i .
Continuando dessa maneira, obteremo:;; [admitindo que M<n>(Q) exista]
I
o seguinte teorema:
252 I PROBABIIliDADE

Teorema :l.IG.ll..
(lO. H)

Xsto , a derivada n-sima de Mx(t), crucula4a pal!'a t = O, foy~


n.ece E(X"').

Comentrios: (a) Os ndmeros E(X"), n = 1, 2, .. ), so denominados Oll


m.omentoa de IYfdem n da varivel aleaMria X, em relao a zero. Por isso, mos-
tramos que a partir do conhecimento d11. funo Mx os momentos podem ser "ge-
Fados". (Da o nome "funo geratriz de momentos".)
(b) Vamos recordar o desenvolvimento de uma funo k, em srie de
M&claurin:
h"(O)t2 _ h(n) (O)t"
h(t) = h(O) + h (O)t + 2 ! + , ..
1
-t= ~ + .. .,

onde Ja{n)(O) a derivada n-sima da fu~o h, calculada para t = O. Aplicando


este resultado funo Mx, poderemos esrever
. M!;l (O)tn
Mx(t) = Mx(O) + Mx'(O)t + . + nl +
=i +~lt + }l2t2/21 + ... + f.Lnt"
--;J. + ... , .
onde JAi == E(X0), i = 1, 2, . . . .Em particular,

V(X) = E(X2)- [E(X))2 = M"(O)- [M'(0))2.


(c) O leitor pode se surpreender por que os mtodos acima seri;;m de fato
proveitosos. No seria mais simples (e mais imediato) calcular direta.mente os
momentos de X, em :vez de primeiramente obter a fgm e depois deriv-la? A
re.sposta que em muitos problemas o ltimo caminho mais . facilmente percor-
rido. Oa exemplos seguintes ilustraro esse fato.

Exemplo 10.7. Suponh.-se que X tenha uma distribuio bi-


nomial com parAmetros n e p. Conseqentemen.te (Ex. :1.0.2),
+
Mx(t) = [pe 1 q]". Por isso,

M'(t) = n(pe6 + q) ..... pe


1 8
,

M"(t) = np[tl(n - 1)(ptl + q)"-2pe1 + (pe1 + q)">-~ei].


lLo@O>, E(X) = M'(O) = np, o que concorda com nosso resultado ante-
rior. Tambm, E(X2) = M"(O) = np [(n - 1) p + 1]. Da,

V(X) = M"(O) - [M'(0)]2 = np(:l- p),

o que tambm concorda com o que achamos anteriormente.


A FUNO GERATRIZ DE MOMENTOS I 253

Exemplo ].0.8. Suponha-se que X tenha distribuio N(a, {32).


Por isso (Ex. 10.5), Mx(t) = exp (at +
1j2 {3 2t2). Portanto,

Jli!'(t) = e"'t +fl't'/2((3zt +a),


M"(t) = ef3't'!2 + at{32 + ({32t + a)2ef3't'/2 + aa,
e M'(O) = a, M"(O) = {3 2 + a 2, fornecendo E(X) = a e V(X) = {32
como anteriormente.
Vamos empregar o mtodo d fgm para calcular o valor esperado
e a varincia de uma varivel aleatria com distribuio de probabi-
lidade geomtrica, Eq. (8.5) .

Exemplo 10.9. Admita-se que X tenha uma distribuio de


probabilidade geomtrica. Isto ,

P(X = k) = qk-1p,k = 1, 2, ... (p + q = 1).


Por isso, ., .,
Mx(t) = L e1 ~q~-
k""l .
1p = .E_ L (qe 1)~.
qk=l

Se nos restringirmos queles valores de t para os quais O < qe1 < 1


[isto , t <ln (1/q)] ento, poderemos somar a srie acima como,uma
srie geomtrica e obter

( "

Portanto,

(1 - qe1) 2

M"(t) =
(1 - qe1) 2 pi- pe12(1 - qe 1)( - qe 1) pet(l qet)+
(1 - qt!)4 (1 - qe 1) 3
Em conseqncia,

E(X) = M'(O) = p/(1 - q) 2 = 1/p,


E(X 2 ) = M"(O) = p(1 ;!- q)/(1 - q) 3 = (1 + q) /p 2
,
e
V(X) = (1 +.q)jpi- (l/p)2 = q/pz,
Dessa forma, temos uma verificao do Teor. 8.5.
254 I PROBABILIDADE

Os dois teoremas seguintes sero de notvel importncia em


nossa aplicao da fgm.

Teorema 10.2. Suponha~se que a varivel aleatria X . tenha


fgm Mx. Seja Y = a X + {3. Ento, M y, a fgm da varivel Y,
ser dada por
My(t) , = ef3tMx(at). (10.12)

Explicando: Para achar a fgm de Y = aX + {3, calcule-se a


fgm de X para at (em vez de t) e multiplique-se por ef3'.

Demonstrao:
My(t) = E(eYt) = E[e<aX+f3lt]

=ef3'E(e"' 1x) = ef3'Mx(at).

Teorema 10.3. Sejam X e Y duas variveis aleatrias com fgm


Mx(t) e My(t), respectivam!;)nte. Se .Mx(t) = My(t) pai:a todos.
os valores de t, ento X e Y tero a mesma distribuio de probabili-
dade.
Demonstrao: A demonstrao deste teorema bastante di~cil
para ser dada aqui. Contudo, muito importante compreender
exatamente o que o teorema afirma. Diz que se duas variveis
aleatrias tiverem a mesma fgm, ento elas tero a mesma distribui-
o de probabilidade. Isto , a fgm determina univocamente a dis~
tribuio de probabilidade da varivel aleatria.

Exemplo 10.10.
Suponhamos que X tenha a distribuio
N(JJ., Seja Y = aX + {3. Ento, Y ser tambm distribuda
CT 2).
normalmente. Do Teor. 10.2, teremos que a fgm de Y ser M y(t) =
= e61 Mx(at). Contudo, do E~. 10.8, temos que

M x(t) = eJL! + u't'/2.


Portanto,
M y(t) = eflt[ e"'Jd + <aul't'/2]

.Ora, isto a fgm de uma varivel aleatria normalfllente distribuda,


+
com expectncia a}J. {3 e varincia a 2 CT 2 Assiin, de aco~do com
o Teor. 10.3, a distribuio de Y normal.
o teorema seguinte tambm desempenha papel fundamental em
nosso trabalho subseqent