Va Discretas

UNIVERSIDADE FEDERAL FLUMINENSE CENTRO DE ESTUDOS GERAIS INSTITUTO DE MATEMTICA
DEPARTAMENTO DE ESTATSTICA VARIVEIS ALEATRIAS DISCRETAS

Ana Maria Lima de Farias Luiz da Costa Laurencel
Agosto de 2008
ii .
Contedo
1 Variveis aleatrias discretas unidimensionais 1.1 Introduo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.2 Variveis aleatrias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.2.1 Exerccios resolvidos . . . . . . . . . . . . . . . . . . . . . . . . . 1.3 Funo de distribuio de probabilidade . . . . . . . . . . . . . . . . . . 1.3.1 Clculo da funo de distribuio de probabilidade . . . . . . . . 1.3.2 Representao grca da funo de distribuio de probabilidade . 1.3.3 Exerccios resolvidos . . . . . . . . . . . . . . . . . . . . . . . . . 1.4 Funo de distribuio acumulada de uma varivel aleatria discreta . . . 1.4.1 Exerccios resolvidos . . . . . . . . . . . . . . . . . . . . . . . . . 1.5 Funes de variveis aleatrias . . . . . . . . . . . . . . . . . . . . . . . . 1.5.1 Exerccios resolvidos . . . . . . . . . . . . . . . . . . . . . . . . . 1.6 Esperana e varincia de variveis aleatrias discretas . . . . . . . . . . . 1.6.1 Probabilidade e freqncia relativa . . . . . . . . . . . . . . . . . 1.6.2 Esperana ou mdia de uma varivel aleatria discreta . . . . . . 1.6.3 Esperana de funes de variveis aleatrias . . . . . . . . . . . . 1.6.4 Propriedades da esperana . . . . . . . . . . . . . . . . . . . . . . 1.6.5 Varincia de uma varivel aleatria . . . . . . . . . . . . . . . . . 1.6.6 Propriedades da varincia . . . . . . . . . . . . . . . . . . . . . . 1.6.7 Desvio padro . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.6.8 Exerccios resolvidos . . . . . . . . . . . . . . . . . . . . . . . . . 1.7 Exerccios propostos do captulo 1 . . . . . . . . . . . . . . . . . . . . . . 2 Algumas distribuies discretas 2.1 Introduo . . . . . . . . . . . . 2.2 Distribuio de Bernoulli . . . . 2.2.1 Denio . . . . . . . . 2.2.2 Esperana . . . . . . . . 2.2.3 Varincia . . . . . . . . 2.3 Distribuio Geomtrica . . . . 2.3.1 Denio . . . . . . . . 2.3.2 Esperana . . . . . . . . 2.3.3 Varincia . . . . . . . . 2.3.4 Exerccios resolvidos . . 2.4 Distribuio binomial negativa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 1 1 2 4 5 6 9 15 18 19 20 21 21 22 23 24 25 26 27 28 29 33 33 34 34 35 35 35 35 36 37 38 38
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
iii
CONTEDO 2.4.1 Denio . . . . . . . . . . . . . . . . . . . . . . . . . . 2.4.2 Esperana . . . . . . . . . . . . . . . . . . . . . . . . . . 2.4.3 Varincia . . . . . . . . . . . . . . . . . . . . . . . . . . 2.4.4 Exerccios resolvidos . . . . . . . . . . . . . . . . . . . . Distribuio Binomial . . . . . . . . . . . . . . . . . . . . . . . . 2.5.1 Denio . . . . . . . . . . . . . . . . . . . . . . . . . . 2.5.2 Esperana . . . . . . . . . . . . . . . . . . . . . . . . . 2.5.3 Varincia . . . . . . . . . . . . . . . . . . . . . . . . . . 2.5.4 Exerccios resolvidos . . . . . . . . . . . . . . . . . . . . Distribuio hipergeomtrica . . . . . . . . . . . . . . . . . . . . 2.6.1 Denio . . . . . . . . . . . . . . . . . . . . . . . . . . 2.6.2 Esperana . . . . . . . . . . . . . . . . . . . . . . . . . . 2.6.3 Varincia . . . . . . . . . . . . . . . . . . . . . . . . . . 2.6.4 Distribuio binomial versus distribuio hipergeomtrica 2.6.5 Exerccios resolvidos . . . . . . . . . . . . . . . . . . . . A distribuio de Poisson . . . . . . . . . . . . . . . . . . . . . . 2.7.1 Aproximao da binomial pela Poisson . . . . . . . . . . 2.7.2 A distribuio de Poisson . . . . . . . . . . . . . . . . . 2.7.3 Exerccios resolvidos . . . . . . . . . . . . . . . . . . . . Alguns resultados de clculo . . . . . . . . . . . . . . . . . . . . 2.8.1 Sries geomtricas . . . . . . . . . . . . . . . . . . . . . . 2.8.2 O nmero e (base dos logaritmos naturais) . . . . . . . . Exerccios propostos do captulo 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
iv 38 40 41 43 43 43 45 45 46 47 47 51 52 53 54 54 54 57 57 58 58 60 61
2.5
2.6
2.7
2.8
2.9
3 Soluo dos exerccios propostos 64 3.1 Captulo 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64 3.2 Captulo 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
Captulo 1 Variveis aleatrias discretas unidimensionais

1.1 Introduo
Muitos experimentos aleatrios fornecem resultados numricos, como no caso do lanamento de um dado. Por outro lado, outros experimentos podem fornecer resultados no numricos, embora possamos associar nmeros aos resultados possveis. No lanamento de uma moeda, por exemplo, podemos associar o nmero 1 ocorrncia de cara e o nmero 2 ocorrncia de coroa. Ao trabalhar com esses nmeros, estaremos sempre interessados em associar probabilidades a eles. Isso ser feito atravs das variveis aleatrias, que sero o objeto de estudo neste captulo.
1.2
Variveis aleatrias
Consideremos o lanamento de dois dados equilibrados. Como j visto, o espao amostral desse experimento formado pelos pares ordenados (i, j ) onde i, j = 1, 2, 3, 4, 5, 6. Esse um experimento onde o espao amostral no formado por nmeros. Suponhamos que nosso interesse esteja no mximo das faces dos dois dados. Nesse caso, podemos associar um nmero a cada ponto do espao amostral, conforme ilustrado na gura 1.1. Esse exemplo ilustra o conceito de varivel aleatria. Denio 1.1 Uma varivel aleatria uma funo real (isto , que assume valores em R) denida no espao amostral de um experimento aleatrio. Por essa denio, podemos ver que, no lanamento de uma moeda, observar o resultado obtido, cara ou coroa, no uma varivel aleatria, pois os resultados no so nmeros. Mas se associarmos o nmero 0 ocorrncia de cara e o nmero 1 ocorrncia de coroa, teremos uma varivel aleatria. Analogamente, em uma pesquisa domiciliar, o espao amostral formado pelos domiclios de uma determinada localidade e simplesmente anotarmos os domiclios sorteados para uma amostra no constitui uma varivel aleatria. Mas, na prtica, quando da realizao de uma pesquisa domiciliar, estamos interessados em alguma caracterstica desse domiclio e a poderemos ter vrias variveis aleatrias associadas a esse experimento, como, por exemplo, a renda domiciliar mensal em reais, 1
CAPTULO 1. VARIVEIS ALEATRIAS DISCRETAS UNIDIMENSIONAIS Figura 1.1: Varivel aleatria: mximo de 2 dados
(1,6) (6,1) (2,6) (6,2) (3,6) (6,3) (4,6) (6,4) (5,6) (6,5) (6,6) (1,5) (5,1) (2,5) (5,2) (3,5) (5,3) (4,5) (5,4) (5,5) 5 (1,4) (4,1) (2,4) (4,2) (3,4) (4,3) (4,4) 4 (1,3) (3,1) ) (2,3) (3,2) (3,3) 3 6
2 (1,1) (1,2) (2,1) (2,2) 1
o nmero de moradores, o grau de instruo do chefe de famlia medido pelo nmero de anos de estudo, etc. No exemplo anterior, podemos distinguir dois grupos de variveis aleatrias. O nmero de moradores e o grau de instruo so variveis que podem assumir valores inteiros; j a varivel renda pode tomar qualquer valor em um determinado intervalo (digamos, por exemplo, de 0 a 500.000). Isso nos leva seguinte denio. Denio 1.2 Uma varivel aleatria discreta se sua imagem (ou conjunto de valores que ela pode tomar) um conjunto nito ou enumervel. Se a imagem um conjunto no enumervel dizemos que a varivel aleatria contnua. Neste captulo estaremos concentrados no estudo das variveis aleatrias discretas e estudaremos vrios conceitos relacionados a elas. Para facilitar a elaborao do texto, muitas vezes usaremos a abreviao v.a. para denotar varivel aleatria.
1.2.1
Exerccios resolvidos
1. Dentre os 5 alunos de um curso com coeciente de rendimento (CR) superior 8,5, dois sero sorteados para receber uma bolsa de estudos. Os CRs desses alunos so: 8,8; 9,2; 8,9; 9,5; 9,0. (a) Designando por A, B, C, D e E os alunos, dena um espao amostral para esse experimento. (b) Seja X = CR mdio dos alunos sorteados. Liste os possveis valores de X.
CAPTULO 1. VARIVEIS ALEATRIAS DISCRETAS UNIDIMENSIONAIS (c) Liste o evento X 9, 0. Soluo:
(b) Usando uma tabela de duas entradas podemos representar os valores de X da seguinte forma: A (8, 8) B (9, 2) C (8,9) D (9,5) E (9,0) A (8, 8) 9,0 8,85 9,15 8,90 B (9, 2) 9,05 9,35 9,10 C (8,9) 9,20 8,95 D (9,5) 9,25 E (9,0) (c) {X 9} = {(A, B ) , (A, D) , (B, C ) , (B, D) , (B, E ) , (C, D) , (D, E )} . 2. Um homem possui 4 chaves em seu bolso. Como est escuro, ele no consegue ver qual a chave correta para abrir a porta de sua casa. Ele testa cada uma das chaves at encontrar a correta. (a) Dena um espao amostral para esse experimento. (b) Dena a v.a. X = nmero de chaves experimentadas at conseguir abrir a porta (inclusive a chave correta). Quais so os valores de X ? Soluo: (a) Vamos designar por C a chave da porta e por E1, E2 e E3 as outras chaves. Se ele para de testar as chaves depois que acha a chave correta, ento o espao amostral : C, E1 C, E2 C, E3 C, E1 E2 C, E2 E1 C, E1 E3 C, E3 E1 C, E2 E3 C, E3 E2 C, = E1 E2 E3 C, E1 E3 E2 C, E2 E1 E3 C, E2 E3 E1 C, E3 E1 E2 C, E3 E2 E1 C (b) X = 1, 2, 3, 4 3. Cinco cartas so extradas de um baralho comum (52 cartas, 13 de cada naipe) sem reposio. Dena a v.a. X = nmero de cartas vermelhas sorteadas. Quais so os possveis valores de X? Soluo: No baralho h 26 cartas vermelhas, 13 de ouros e 13 de copas. Logo, os possveis valores de X so 0,1,2,3,4,5. 4. Numa urna h 7 bolas brancas e 4 bolas verdes. Cinco bolas so extradas dessa urna. Dena a v.a. X = nmero de bolas verdes. Quais so os possveis valores de X se as extraes so feitas
(a) Note que aqui a ordem no importa; logo, # = 5 = 10. Mais especicamente, 2 = {(A, B ) , (A, C ) , (A, D) , (A, E ) , (B, C ) , (B, D) , (B, E ) , (C, D) , (C, E ) , (D, E )}
CAPTULO 1. VARIVEIS ALEATRIAS DISCRETAS UNIDIMENSIONAIS (a) sem reposio; (b) com reposio. Soluo:
(a) Como h apenas 4 verdes, os valores de X so 0, 1, 2, 3, 4. Note que temos bolas brancas em quantidade suciente para que X = 0 (isto , podemos tirar todas brancas). (b) Se as extraes so feitas com reposio, em cada extrao podemos tirar bola branca. Logo, os possveis valores de X so 0, 1, 2, 3, 4, 5. 5. Repita o problema anterior, supondo que a urna tem 4 bolas de cada cor. Soluo: (a) Nesse caso, temos que ter pelo menos uma bola de cada cor. Logo, os possveis valores de X so 1, 2, 3, 4. (b) Como antes, os valores de X so 0, 1, 2, 3, 4, 5.
1.3
Funo de distribuio de probabilidade
Os valores de uma v.a. discreta so denidos a partir do espao amostral de um experimento aleatrio. Sendo assim, natural perguntarmos qual a probabilidade do valor x? No exemplo do mximo das 2 faces de um dado da gura 1.1, por exemplo, o valor 6 da v.a. imagem de 11 pontos do espao amostral, enquanto o valor 2 imagem de apenas 3 pontos. Sendo assim, de se esperar que o valor 6 seja mais provvel que o valor 2. Na verdade, temos a seguinte equivalncia de eventos: se chamamos de X a v.a. mximo dos 2 dados, ento {X = 6} {(6, 1) , (6, 2) , (6, 3) , (6, 4) , (6, 5) , (6, 6) , (1, 6) , ((2, 6) , ((3, 6) , ((4, 6) , ((5, 6)} e, assim Pr ({X = 6}) = Pr {(6, 1) (6, 2) (6, 3) (6, 4) (6, 5) (6, 6) (1, 6) ((2, 6) ((3, 6) (4, 6) (5, 6)} Como os eventos no lado direito da expresso acima so mutuamente exclusivos e igualmente provveis, resulta que 11 1 = Pr ({X = 6}) = 11 36 36 De maneira anloga obtemos que 1 36 7 Pr ({X = 4}) = 36 Pr ({X = 1}) = Esse exemplo ilustra o seguinte conceito: 3 36 9 Pr ({X = 5}) = 36 Pr ({X = 2}) = 5 36 11 Pr ({X = 6}) = 36 Pr ({X = 3}) =
CAPTULO 1. VARIVEIS ALEATRIAS DISCRETAS UNIDIMENSIONAIS
Denio 1.3 Seja X uma v.a. discreta. A funo de distribuio de probabilidades de X a funo pX (x) que associa, a cada valor possvel x de X, sua respectiva probabilidade, calculada da seguinte forma: pX (x) a probabilidade do evento {X = x} consistindo de todos os resultados do espao amostral que deram origem ao valor x. X Pr ( ) (1.1) pX (x) = Pr ({X = x}) =
:X ( )=x
Figura 1.2: Funo de distribuio de probabilidade de uma v.a. discreta
X
1
pX
Para no sobrecarregar o texto, omitiremos os colchetes oriundos da notao de evento/conjunto e escreveremos Pr (X = x) no lugar de Pr ({X = x}) , que seria a forma correta. Uma outra conveno que seguiremos tambm ser a de indicar por letras maisculas as variveis aleatrias e por letras minsculas os nmeros reais, tais como os valores especcos de uma v.a. . Alm disso, abreviaremos por fdp o termo funo de distribuio de probabilidade. Das propriedades (axiomas) da probabilidade resultam os seguintes fatos sobre a funo de distribuio de probabilidades de uma v.a. X : 0 pX (x) 1 P pX (x) = 1
x
(1.2) (1.3)
onde
decorrente do axioma Pr () = 1, pois os eventos {X = x} so mutuamente exclusivos e formam uma partio do espao amostral.
P
x
indica somatrio ao longo de todos os possveis valores de X . Note que essa propriedade
1.3.1
Clculo da funo de distribuio de probabilidade
O clculo da fdp de uma v.a. X qualquer se d em trs etapas:
CAPTULO 1. VARIVEIS ALEATRIAS DISCRETAS UNIDIMENSIONAIS primeiro, temos que identicar todos os possveis valores x da v.a. X ;
segundo, temos que identicar os resultados que do origem a cada valor x e suas respectivas probabilidades; nalmente, temos que somar todas essas probabilidades para obter pX (x). Exemplo 1.1 Considerando novamente a v.a. denida na gura 1.1, podemos resumir a fdp da varivel em questo na seguinte tabela: x pX (x) Exemplo 1.2 Consideremos novamente o lanamento de dois dados mas agora vamos denir a seguinte v.a. X = soma das 2 faces. Para facilitar a soluo desse problema, vamos construir uma tabela de duas entradas, onde cada dimenso representa o resultado de um dado e em cada cela temos a soma das duas faces. 1 2 3 4 5 6 1 2 3 4 5 6 7 2 3 4 5 6 7 8 3 4 5 6 7 8 9 4 5 6 7 8 9 10 5 6 7 8 9 10 11 6 7 8 9 10 11 12 Como cada ponto do espao amostral equiprovvel, a fdp de X : x pX (x) 2
1 36
1
1 36
2
3 36
3
5 36
4
7 36
5
9 36
6
11 36
3
2 36
4
3 36
5
4 36
6
5 36
7
6 36
8
5 36
9
4 36
10 11 12
3 36 2 36 1 36
1.3.2
Representao grca da funo de distribuio de probabilidade
A funo de distribuio de probabilidade de uma v.a. discreta X que assume um nmero nito de valores pode ser representada por um grco de colunas, onde a cada valor de X corresponde uma coluna cuja altura representa a probabilidade do respectivo valor. Na gura 1.3 ilustra-se a fdp da v.a. X do exemplo 1.2. Exemplo 1.3 Suponha que uma moeda lanada 10 vezes e vamos denir a v.a. X = nmero de caras. Suponhamos que a probabilidade de cara seja p e, por conseguinte, a probabilidade de coroa 1 p. Os possveis valores de X so 0, 1, 2, . . . , 10. Vamos agora calcular a probabilidade de cada
CAPTULO 1. VARIVEIS ALEATRIAS DISCRETAS UNIDIMENSIONAIS Figura 1.3: FDP da v.a. X = soma das faces de dois dados
6/36
5/36
4/36
3/36
2/36
1/36
10
11
12
um desses valores, estabelecendo a equivalncia dos eventos envolvidos. Para isso vamos usar a notao Ki = cara no i-simo lanamento e Ci = coroa no i-simo lanamento. {X = 0} = {coroa nos 10 lanamentos} = {C1 C2 C10 } Podemos considerar os lanamentos da moeda como eventos independentes. Logo, Pr (X = 0) = Pr (C1 ) Pr (C2 ) Pr (C10 ) = (1 p)10 O evento {X = 1} corresponde ocorrncia de 1 cara e 9 coroas. Uma seqncia possvel de resultados KCCCCCCCCC e a probabilidade Pr (KCCCCCCCCC ) = p (1 p)9 Mas a seqncia CKCCCCCCCC tambm resulta em X = 1. Na verdade, existem seqncias, todas com a mesma probabilididade; logo, 10 Pr (X = 1) = p (1 p)9 1 10
1
tais
Analogamente, o evento {X = 2} corresponde ocorrncia de 2 caras e 8 coroas; uma seqncia possvel KKCCCCCCCC, que tem probabilidade Mas existem 10 maneiras de colocar 2 caras numa seqncia de 10 lanamentos e todas essas 2 maneiras tm a mesma probabilidade. Logo, 10 2 Pr (X = 2) = p (1 p)8 2 Pr (KKCCCCCCCC ) = p2 (1 p)8
CAPTULO 1. VARIVEIS ALEATRIAS DISCRETAS UNIDIMENSIONAIS Em geral, para qualquer valor de x temos 10 x Pr (X = x) = p (1 p)10x x
x = 0, 1, 2, . . . , 10
Na gura 1.4 ilustramos a fdp para diferentes valores de p. Note que p = 1 resulta em uma 2 distribuio simtrica, enquanto valores de p < 1 resultam em assimetria direita e p > 1 em 2 2 assimetria esquerda. Figura 1.4: Nmero de caras em 10 lanamentos de uma moeda
p=0,5
0,30 0,25 0,20 0,15 0,10 0,05 0,00 0 1 2 3 4 5 6 7 8 9 10
p=0,25
0,30 0,25 0,20 0,15 0,10 0,05 0,00 0 1 2 3 4 5 6 7 8 9 10
p=0,75
0,30 0,25 0,20 0,15 0,10 0,05 0,00 0 1 2 3 4 5 6 7 8 9 10
Exemplo 1.4
Considere uma urna com 10 bolas, das quais 6 so vermelhas e 4 brancas. Dessa urna retiram-se 3 bolas sem reposio e conta-se o nmero de bolas brancas retiradas. Qual a distribuio dessa varivel aleatria? Os possveis valores de X so 0,1,2,3. Para calcular a probabilidade de cada um desses valores, devemos notar inicialmente que o espao amostral tem 10 eventos elementares. 3 O evento {X = 0} corresponde unio dos eventos (seqncias) onde no aparece nenhuma bola branca 64 ou, 6equivalentemente, onde todas as bolas so vermelhas; o nmero de tais seqncias = 3 . (Note que aqui estamos usando o princpio fundamental da multiplicao.) Logo, 3 0 6 4 20 3 0 Pr (X = 0) = = 10 120 3 Analogamente, o evento {X = 1} corresponde unio dos eventos onde aparece 1 bola branca e 2 4 vermelhas. O nmero de tais seqncias 6 e, portanto 2 1 6 4 60 2 1 Pr (X = 1) = = 10 120 3 Analogamente, obtemos que 6 4 36 1 2 Pr (X = 2) = = 10 120 3 6 4 4 0 3 Pr (X = 3) = = 10 120 3 x pX (x) cujo grco est ilustrado na gura 1.5. 0
1 6
e a fdp de X
1
1 2
2
3 10
3
1 30
1.3.3
1. Encontre a fdp da v.a. X do exerccio resolvido 1 da seo 1.2 e a probabilidade do evento {X 9} . Soluo: Como todos os pontos do espao amostral so equiprovveis, a fdp de X : x 8,85 8,90 8,95 9,00 9,05 9,10 9,15 9,20 9,25 9,35 1 1 1 1 1 1 1 1 1 1 pX (x) 10 10 10 10 10 10 10 10 10 10 e Pr (X 9) =
7 . 10
10
Figura 1.5: Nmero de bolas brancas em 3 extraes de uma urna com 6 vermelhas e 4 brancas
1/2
3/10
1/6
1/30
2. Encontre a fdp da v.a. X do exerccio resolvido 2 da seo 1.2. Soluo:

1 . Cada uma das 4 linhas do Cada ponto do espao amostral tem a mesma probabilidade 24 espao amostral listado na soluo daquele exerccio corresponde a cada um dos eventos X = 1, X = 2, X = 3 e X = 4, respectivamente. Logo, a fdp de X :
x 1 pX (x) 1 4
2
1 4
3
1 4
4
1 4
3. Encontre a fdp da v.a. X do exerccio resolvido 3 da seo 1.2. Soluo: . O nmero de pontos do espao amostral 52 5 26 23 22 26 25 24 23 22 5 = Pr(X = 0) = Pr(5 pretas) = 52 = = 0, 02531 52 51 50 49 48 2 51 2 49 2 5 2626 Pr (X = 1) = Pr(4 pretas,1 vermelha) = 4521 =
5 26252423 26 432 5251504948 5432
5 23 13 65 23 = = = 0, 14956 2 51 2 49 4 51 49
26 25 23 26 52 51 10 49 2
2626 Pr (X = 2) = Pr(3 pretas,2 vermelhas ) = 3522 =

5
5 13 25 65 25 = = = 0, 32513 2 51 49 2 51 49
262524 25 26 32 2 5251504948 5432
26 25 4 13 25 52 51 5 49 4
CAPTULO 1. VARIVEIS ALEATRIAS DISCRETAS UNIDIMENSIONAIS Como o nmero de cartas pretas e vermelhas o mesmo, resulta que 2626 Pr(X = 3) = Pr (X = 2) = Pr(2 pretas,3 vermelhas ) = 2523 = 0, 32513
5
11
2626 Pr (X = 4) = Pr(1 preta,4 vermelhas) = 1524 = 0, 14956 26 5 = 0, 02531 Pr(X = 5) = Pr(5 vermelhas) = 52
5 5
Logo, a fdp de X
x 0 1 2 3 4 5 pX (x) 0, 02531 0, 14956 0, 32513 0, 32513 0, 14956 0, 02531 4. Encontre a fdp da v.a. X do exerccio resolvido 4 da seo 1.2. Soluo: (a) A cardinalidade do espao amostral 11 10 9 8 7 11 = = 11 6 7 5 5432 7 6 5 4 3 1 3 7 5 = Pr(X = 0) = Pr(5 brancas) = 11 = = 11 10 9 8 7 22 66 5 47 65 4 7 10 20 32 1 4 Pr(X = 1) = Pr(1 verde, 4 brancas) = = = = 11 6 7 11 6 7 33 66 47 43 765 32 5 30 2 3 Pr(X = 2) = Pr(2 verdes, 3 brancas) = = 2 = = 11 6 7 11 6 7 11 66 47 76 4 2 2 12 3 2 = = = Pr(X = 3) = Pr(3 verdes, 2 brancas) = 11 6 7 11 6 7 11 66 47 17 1 4 1 = = Pr(X = 4) = Pr(4 verdes, 1 branca) = 11 6 7 11 6 7 66 Logo, a fdp de X x 0 1 2 3 4 3 20 30 12 1 pX (x) 66 66 66 66 66 (b) Com reposio, sempre temos na urna 7 brancas e 4 verdes e em cada extrao, temos 7 4 que Pr(branca) = 11 e Pr(verde) = 11 . Como as extraes so independentes, resulta que 5 7 Pr(X = 0) = Pr(5 brancas) = = 0, 104358 11
CAPTULO 1. VARIVEIS ALEATRIAS DISCRETAS UNIDIMENSIONAIS 4 1 4 5 7 = 0, 298166 Pr(X = 1) = Pr(1 verde, 4 brancas) = 11 11 1 3 2 4 5 7 = 0, 340762 Pr(X = 2) = Pr(2 verdes, 3 brancas) = 11 11 2 2 3 4 5 7 = 0, 194721 Pr(X = 3) = Pr(3 verdes, 2 brancas) = 11 11 3 1 4 4 5 7 Pr(X = 4) = Pr(4 verdes, 1 branca) = = 0, 055635 11 11 4 5 4 = 0, 006358 Pr(X = 5) = Pr(5 verdes) = 11
12
Logo, a fdp de X :
x 0 1 2 3 4 5 pX (x) 0, 104358 0, 298166 0, 340762 0, 194721 0, 055635 0, 006358 5. Encontre a fdp da v.a. X do exerccio resolvido 5 da seo 1.2. Soluo: (a) A cardinalidade do espao amostral 8 876 = 56 = 32 5 Pr(X = 1) = Pr(1 verde, 4 brancas) = Pr(X = 2) = Pr(2 verdes, 3 brancas) = Pr(X = 3) = Pr(3 verdes, 2 brancas) = Pr(X = 4) = Pr(4 verdes, 1 branca) = Logo, a fdp de X x pX (x) cujo grco dado na gura 1.6 (b) Com reposio, sempre temos na urna 4 brancas e 4 verdes e, assim, em cada extrao, . Como as extraes so independentes, resulta que Pr(branca) = Pr(verde) = 1 2 5 1 1 Pr(X = 0) = Pr(5 brancas) = = 2 32 1
4 56
44
1 4 2 3
56 44
4 1
56 44
3 2
56 44
= = = =
4 56 24 56 24 56 4 56
56
2
24 56
3
24 56
4
4 56
CAPTULO 1. VARIVEIS ALEATRIAS DISCRETAS UNIDIMENSIONAIS Figura 1.6: FDP da v.a. X do exerccio 5 (a)
13
24/56
4/56
4 1 1 5 1 5 Pr(X = 1) = Pr(1 verde, 4 brancas) = = 2 2 32 1 3 2 1 10 5 1 = Pr(X = 2) = Pr(2 verdes, 3 brancas) = 2 2 32 2 2 3 10 1 5 1 = Pr(X = 3) = Pr(3 verdes, 2 brancas) = 2 2 32 3 1 4 1 5 5 1 = Pr(X = 4) = Pr(4 verdes, 1 branca) = 2 2 32 4 5 1 1 = Pr(X = 5) = Pr(5 verdes) = 2 32 x pX (x) 0
1 32
1
5 32
2
10 32
3
10 32
4
5 32
5
1 32
6. Seja uma v.a. X com fdp dada na tabela a seguir: x 0 1 pX (x) 0 p2 (a) Encontre o valor de p. (b) Calcule Pr (X 4) e Pr (X < 3) . (c) Calcule Pr (|X 3| 2) . 2 p2 3 4 5 p p p2
CAPTULO 1. VARIVEIS ALEATRIAS DISCRETAS UNIDIMENSIONAIS Soluo: (a) Como p = 1 2 4 2 4 + 12 2 2 ou = 3p + 2p = 1 3p + 2p 1 = 0 p = 6 6 p= 1 3

1 3
14
pX (i) = 1, temos que ter:
Como p uma probabilidade, temos que ter p 0. Logo, o valor correto p = (b) Pr(X 4) = Pr(X = 4) + Pr(X = 5) = p + p2 = 1 +1 =4 . 3 9 9 2 P r(X < 3) = P r(X = 0) + Pr(X = 1) + Pr(X = 2) = 2p = 2 . 9
(c) Aqui temos que notar o seguinte fato da funo mdulo, ilustrado na gura 1.7: xk ou |x| k x k e | x | k k x k
Figura 1.7: Funo mdulo

|x|
3
|x|>k
|x|<k
1
|x|>k
|x|>k
|x|<k
0 -1 0 1
-3
-2
-k
x
2 3
Usando esses fatos, temos que Pr (|X 3| 2) = Pr (X 3 2 ou X 3 2) = Pr (X 3 2) + Pr (X 3 2) = = Pr (X 1) + Pr (X 5) = Pr (X = 0) + Pr (X = 1) + Pr(X = 5) = 2 = 2p2 = 9
15
1.4
Funo de distribuio acumulada de uma varivel aleatria discreta
A partir da funo de distribuio de probabilidades de uma v.a. discreta X possvel calcular a probabilidade de qualquer evento associado a ela. Por exemplo, para a fdp da gura 1.5, temos que Pr (X 2) = Pr ({X = 2} {X = 3}) = Pr (X = 2) + Pr (X = 3) = 1 3 2 Pr (X 1) = Pr ({X = 0} {X = 1}) = Pr (X = 0) + Pr (X = 1) = 3
Ento, podemos dizer que a fdp de uma varivel aleatria discreta X nos d toda a informao sobre X. Existe uma outra funo com tal caracterstica, que a funo de distribuio acumulada de X, cuja denio apresentamos a seguir. Denio 1.4 Dada uma varivel aleatria (discreta) X, a funo de distribuio acumulada de X denida por FX (x) = Pr (X x) x R (1.4) interessante notar que a funo FX est denida para todo nmero real x. Antes de passar s propriedades tericas da funo de distribuio acumulada (usaremos a abreviao fda), tambm conhecida como funo de distribuio, vamos ver um exemplo. Exemplo 1.5 Voltando ao exemplo 1.1, temos que a fdp da v.a. X = mximo das faces de 2 dados dada por x pX (x) 1
1 36
2
3 36
3
5 36
4
7 36
5
9 36
6
11 36
Para calcular a fda de X, notemos inicialmente que nenhum valor menor que 1 possvel. Logo, FX (x) = 0 Para x = 1 devemos notar que FX (1) = Pr (X 1) = Pr (X < 1) + Pr (X = 1) = 0 + Para qualquer valor de x tal que 1 < x < 2, temos que pX (x) = 0. Logo, FX (x) = Pr (X 1) + Pr (1 < X < x) = FX (1) + 0 = FX (1) Juntando os resultados (1.5) e (1.6), obtemos que FX (x) = FX (1) = Com raciocnio anlogo, obtemos que FX (2) = Pr (X 2) = Pr (X 1) + Pr (1 < X < 2) + Pr (X = 2) = 3 4 1 +0+ = 36 36 36 (1.7) 1 36 x : 1 x < 2 x : 1 < x < 2 (1.6) 1 1 = 36 36 (1.5) x < 1
CAPTULO 1. VARIVEIS ALEATRIAS DISCRETAS UNIDIMENSIONAIS e tambm que FX (x) = Pr (X 2) + Pr (2 < X < x) = FX (2) + 0 = FX (2) ou seja, FX (x) = FX (2) = Continuando obtemos que 9 36 16 FX (x) = FX (4) = 36 25 FX (x) = FX (5) = 36 FX (x) = FX (3) = x : 3 x < 4 x : 4 x < 5 x : 5 x < 6 4 36 x : 2 x < 3 x : 2 < x < 3
16
(1.8)
Para x 6 devemos notar que o evento {X x} corresponde ao espao amostral completo; logo FX (x) = 1 Na gura 1.8 temos o grco de tal funo. Figura 1.8: FDA da v.a. X = mximo das faces de 2 dados
36/36
x 6
25/36
16/36
9/36
4/36 1/36 -2 0 2 4 6 8 10 12
Os axiomas da probabilidade e as propriedades deles decorrentes nos permitem obter as seguintes propriedades da funo de distribuio acumulada de uma v.a. X.
CAPTULO 1. VARIVEIS ALEATRIAS DISCRETAS UNIDIMENSIONAIS 1. Do axioma ?? resulta que 0 FX (x) 1 2. Do axioma ?? resulta que
x
17
lim FX (x) = 1
Note que o evento {X < } corresponde a todos os nmeros reais e, portanto, ao espao amostral. 3. Da propriedade ?? resulta que
x
lim FX (x) = 0
Note que o evento {X < } corresponde ao evento impossvel. 4. FX (x) uma funo no decrescente, isto , se a < b FX (a) FX (b) Esse resultado segue do fato de que, se a < b, ento o evento {X a} {X b} e, pela propriedade ??, segue o resultado. 5. FX (x) uma funo contnua direita, isto FX (b) = lim FX (b + h) , FX b+
h0
Essa propriedade pode ser visualizada na gura 1.8: considere a vizinhana do ponto x = 2. Para um nmero pequeno > 0, temos que FX (2 ) = Pr (X 2 ) = Pr (X = 1) = 1 36
Vamos ver, agora, como obter informaes sobre eventos associados a X a partir de FX . 6. Se a < b, ento Pr (a < X b) = FX (b) FX (a)
1 Isso signica que o limite esquerda de FX quando x aproxima de 2 36 . Da mesma forma, temos que 4 = FX (2) FX (2 + ) = Pr (X 2 + ) = Pr (X = 2) = 36 Isso signica que o limite direita de FX quando x aproxima de 2 FX (2) . Como essa mesma observao vale para todos os valores de X, concluimos que FX contnua direita e descontnua esquerda em cada ponto onde pX (x) 6= 0.
De fato, temos que {X b} = {X a} {a < X b} . Como os eventos so mutuamente exclusivos, resulta que Pr (X b) = Pr (X a) + Pr (a < X b) Pr (a < X b) = Pr (X b) Pr (X a) de onde segue o resultado.
CAPTULO 1. VARIVEIS ALEATRIAS DISCRETAS UNIDIMENSIONAIS 7. A fdp de X pode ser calculada da seguinte forma: pX (x) = FX (x) lim FX (x ) , FX (x) FX x
0
18
(1.9)
A propriedade anterior nos permite escrever o seguinte: para um nmero pequeno > 0, Pr (x < X x) = FX (x) FX (x ) = Pr (X = x) . Note que isso signica que pX (x) igual ao tamanho do salto da fda no ponto x. As probabilidades de qualquer outro tipo de intervalo podem ser calculadas usando os resultados anteriores e as propriedades da probabilidade. Pr (X < b) - basta notar que {X b} = {X < b} {X = b} Pr (a X b) - basta notar que {a X b} = {X = a} {a < X b} Pr (a < X < b) - basta notar que {a < X < b} = {X b} {X a} Pr (X > a) - basta notar que {X > a} = {X a} A concluso que podemos tirar a seguinte: a funo de distribuio de probabilidades (fdp) e a funo de distribuio acumulada (fda), ambas nos do todas as informaes sobre a varivel aleatria X e a partir de uma podemos obter a outra, de forma inequvoca. Tomando o limite quando tende para zero, segue o resultado, uma vez que lim Pr (x < X x)
0
1.4.1
1. Encontre a fda da v.a. X do exerccio 2 da seo 1.3. Soluo: A fda de X 0 x<1 1x<2 1 4 2 2x<3 FX (x) = 4 3 4 3x<4 1 x4
cujo grco dado na gura 1.9.
2. Encontre a fda da v.a. X do exerccio 5 da seo 1.3. Soluo: (a) A fda : 0 x<1 4 1x<2 56 28 2x<3 FX (x) = 56 52 3x<4 56 1 x4
CAPTULO 1. VARIVEIS ALEATRIAS DISCRETAS UNIDIMENSIONAIS Figura 1.9: FDA da v.a. X do exerccio 1
19
3/4
2/4
1/4
-2
-1
(b) A fda
1.5
Funes de variveis aleatrias
0 x<0 1 0x<1 32 6 32 1 x < 2 16 2x<3 FX (x) = 32 26 3x<4 32 31 4x<5 32 1 x5
Dada uma v.a. X, podemos obter outras variveis aleatrias atravs de funes de X e, da mesma forma que calculamos a fdp de X, podemos calcular a fdp dessas novas variveis. Exemplo 1.6 Considere a v.a. X cuja fdp dada na tabela abaixo: x -2 -1 0 1 2 3 pX (x) 0,1 0,2 0,2 0,3 0,1 0,1 Consideremos a funo Y = g(X ) = X 2 . Ento, Y uma nova varivel aleatria, cujos possveis valores so 0, 1, 4, 9. Para calcular as probabilidades desses valores, temos que identicar os valores
CAPTULO 1. VARIVEIS ALEATRIAS DISCRETAS UNIDIMENSIONAIS de X que originaram cada um deles. Temos a seguinte equivalncia de eventos: {Y {Y {Y {Y Pr (Y Pr (Y Pr (Y Pr (Y = 0} = 1} = 4} = 9} = = = = {X {X {X {X = 0} = 1} {X = 1} = 2} {X = 2} = 3}
20
Como os eventos so mutuamente exclusivos, segue que = 0) = 1) = 4) = 9) Pr (X Pr (X Pr (X Pr (X = 0) = 0, 2 = 1) + Pr (X = 1) = 0, 5 = 2) + Pr (X = 2) = 0, 2 = 3) = 0, 1
e podemos resumir essa fdp como y 0 1 4 9 pY (y ) 0,2 0,5 0,2 0,1 Em geral, temos o seguinte resultado: Resultado 1.1 Seja X uma varivel aleatria discreta com funo de distribuio de probabilidade pX (x) . Se denimos uma nova v.a. Y = g (X ), onde g uma funo real qualquer, ento a fdp de Y calculada como X pY (y ) = pX (x)
{x | g (x)=y }
1.5.1
1. Considere o problema do pquer de dados apresentado no exerccio resolvido ?? da seo ??. Suponha que um jogador paga R$100,00 para entrar no jogo. Se ele tirar uma seqncia, ele ganha R$200,00; se tirar 5 iguais, ganha R$5.100,00; se tirar 4 iguais, ganha R$100,00. Em todos os outros casos, ele perde. Seja L o lucro do jogador. Encontre a fdp de L. Soluo: De acordo com o exerccio citado, temos a seguinte equivalncia de eventos: L L L L = = = = 200 100 = 100 A8 5100 100 = 5000 A7 100 100 = 0 A6 0 100 = 100 outros resultados
Para calcular as probabilidades, temos que lembrar que A8 A1 . Logo, se denotarmos por A 1 o eventos todas diferentes mas no em seqncia, temos que Pr (A 1 ) = Pr(A1 ) Pr(A8 ) = 5 5 10 80 162 = 162 = 1296 . Logo, a fdp de L : 54 Resultado 5 = (A7 ) 4 = (A6 ) Seqncia (A8 ) Resto Lucro l 5000 0 100 -100 1 25 40 1230 pL (l) 1296 1296 1296 1296
CAPTULO 1. VARIVEIS ALEATRIAS DISCRETAS UNIDIMENSIONAIS 2. Considere a v.a. X cuja fdp x -3 1 1 pX (x) 1 8 6 Encontre o valor de p e a fda da v.a. Y = X 2 . Soluo: 1 1 = Como Pr () = 1, temos que ter p = 1 1 8 6 2 e Pr (Y = 1) = Pr(X = 1) = 1 6 5 1 1 + = 8 2 8 5 24
5 . 24
21
3
1 2
5 p
Os valores possveis de Y so 1, 9, 25
Pr (Y = 9) = Pr ({X = 3} {X = 3}) = Pr (Y = 25) = Pr (X = 5) = Logo, a fda de Y FY (y ) = 0 1
6 19 24
y<1 1y<9 9 y < 25 y 25
1.6
Esperana e varincia de variveis aleatrias discretas
No estudo da Estatstica Descritiva, vimos como sumarizar conjuntos de dados atravs de distribuies de freqncias e tambm por estatsticas-resumo, como a mdia e a varincia, no caso de variveis quantitativas. Em particular, vimos que a mdia de dados agrupados em classes era calculada como uma mdia ponderada dos valores centrais (valores representativos das classes), com a ponderao denida pelas freqncias relativas das classes. No estudo de variveis aleatrias e suas distribuies de probabilidades, estamos associando nmeros aos pontos do espao amostral, ou seja, o resultado sempre uma varivel quantitativa (note que os resultados cara e coroa no denem uma varivel aleatria; para tal, temos que associar nmeros, 0 e 1 por exemplo, a esses resultados). Sendo assim, podemos fazer perguntas do tipo qual o valor mdio da varivel aleatria X ?, qual a disperso dos valores de X ?, da mesma forma que zemos na anlise descritiva de dados. O ponto chave para a compreenso das denies que sero apresentadas o estabelecimento da analogia com o estudo das distribuies de freqncias feito na parte inicial do curso. Tal analogia se faz atravs da interpretao freqencial do conceito de probabilidade.
1.6.1
Probabilidade e freqncia relativa
Consideremos novamente o experimento aleatrio lanamento de um dado, mas agora um dado que sabemos no ser equilibrado. Como poderamos proceder para calcular a probabilidade de cada face? Uma resposta, talvez intuitiva, seria lanar esse dado um grande nmero de vezes e observar o nmero de ocorrncias de cada face. As freqncias relativas nos dariam, ento, o que poderamos pensar como sendo a probabilidade de cada evento simples (face). de se esperar
22
que, quanto maior o nmero de repeties do experimento (lanamento do dado), mais prximas das verdadeiras probabilidades estariam essas freqncias relativas. Esta , assim, a denio de probabilidade de um evento atravs da freqncia relativa: Pr(A) = nmero de ocorrncias de A nmero de repeties do experimento
onde o nmero de repeties do experimento deve ser grande. Ao trabalharmos com variveis aleatrias, podemos pensar tambm nas probabilidades dos diferentes valores da varivel como sendo freqncias relativas em um nmero sempre crescente de repeties do experimento, ou seja, podemos pensar as probabilidades como sendo limites das freqncias relativas. Dessa forma, deniremos medidas de posio e disperso para distribuies de probabilidades de variveis aleatrias de maneira anloga utilizada em distribuies de freqncias.
1.6.2
Esperana ou mdia de uma varivel aleatria discreta
Seja X uma varivel aleatria discreta que assume os valores x1 , x2 , . . . com probabilidades p1 , p2 , . . . respectivamente. A mdia ou esperana de X denida como P P (1.10) E (X ) = pi xi = xi Pr (X = xi )
i i
onde o somatrio se estende por todos os valores possveis de X. Podemos ver, ento, que a esperana de X uma mdia dos seus valores, ponderada pelasP respectivas probabilidades. Lembre-se que no caso das distribuies de freqncias tnhamos x = fi xi . Como antes, a mdia de uma v.a. X
i
est medida na mesma unidade da varivel. Exemplo 1.7
Em determinado setor de uma loja de departamentos, o nmero de produtos vendidos em um dia pelos funcionrios uma varivel aleatria P com a seguinte distribuio de probabilidades (esses nmeros foram obtidos dos resultados de vrios anos de estudo): Nmero de produtos 0 1 2 3 4 5 6 Probabilidade de venda 0,1 0,4 0,2 0,1 0,1 0,05 0,05 Cada vendedor recebe comisses de venda, distribudas da seguinte forma: se ele vende at 2 produtos em um dia, ele ganha uma comisso de R$10,00 por produto vendido. A partir da terceira venda, a comisso passa para R$50,00. Qual o nmero mdio de produtos vendidos por cada vendedor e qual a comisso mdia de cada um deles? Soluo: O nmero mdio de vendas por funcionrio E (P ) = 0 0, 1 + 1 0, 4 + 2 0, 2 + 3 0, 1 + 4 0, 1 + 5 0, 05 + 6 0, 05 = 2, 05
CAPTULO 1. VARIVEIS ALEATRIAS DISCRETAS UNIDIMENSIONAIS Com relao comisso, vamos construir sua fdp: Nmero de produtos P 0 1 2 3 4 5 6 Comisso C 0 10 20 70 120 170 220 Probabilidade de venda 0,1 0,4 0,2 0,1 0,1 0,05 0,05 e
23
E (C ) = 0 0, 1 + 10 0, 4 + 20 0, 2 + 70 0, 1 + 120 0, 1 + 170 0, 05 + 220 0, 05 = 46, 5 ou seja, a comisso mdia por dia de cada vendedor R$46,50. Em geral, a mdia vista como um valor representativo de X, estando localizada em algum ponto no centro do domnio de valores de X . Uma interpretao mais precisa deste pensamento a seguinte: a esperana de X o centro de gravidade da distribuio de probabildiades, no seguinte sentido (ver gura 1.10). Pensando as colunas do grco, que representam as probabilidades, como pesos distribudos ao longo de uma vara delgada, a mdia representa o ponto onde a vara se equilibraria. Figura 1.10: Interpretao da mdia como centro de gravidade da distribuio
0,55
0,50
0,45
0,40
0,35
0,30
0,25
0,20
0,15
0,10
0,05
0,00 0 1 2 3 4 5 6 7
E (X)
1.6.3
Esperana de funes de variveis aleatrias
Vimos que possvel obter novas variveis aleatrias a partir de funes g (X ) de uma varivel X e atravs da fdp de X podemos obter a fdp de Y. Sendo assim, podemos calcular a esperana de Y. Foi exatamente isso o que zemos no caso das comisses no exemplo 1.7, onde tnhamos C = 2P + 50 (3 P ) . Analisando atentamente aquele exemplo e notando que, por denio de
24
funo, a cada valor de X corresponde um nico Y = g(X ), obtemos o resultado geral sobre a esperana de funes de variveis aleatrias. Resultado 1.2 Seja X uma varivel aleatria discreta com funo de distribuio de probabilidade pX (x) . Se denimos uma nova v.a. Y = g(X ), ento P (1.11) E (Y ) = E [g (X )] = g (x) pX (x)
x
Exemplo 1.8
que o mesmo resultado obtido a partir da fdp de Y : E (Y ) = E X 2 = 0 0, 2 + 1 0, 5 + 4 0, 2 + 9 0, 1 = 2, 2
Consideremos novamente o exemplo 1.6. Para calcular E (X 2 ) no precisamos calcular a fdp de Y = X 2 ; pelo resultado anterior, basta fazer: E X 2 = (2)2 0, 1 + (1)2 0, 2 + 02 0, 2 + 12 0, 3 + 22 0, 1 + 32 0, 1 = 2, 2
1.6.4
Propriedades da esperana
A interpretao da esperana como centro de gravidade nos permite entender melhor as diversas propriedades que demonstraremos a seguir. No que segue, X uma varivel aleatria discreta com distribuio de probabilidades pX (x) e a, b 6= 0 so constantes reais quaisquer. 1. E (a) = a De fato: se X uma v.a. constante, isso signica que X = a com probabilidade 1. Logo, E (X ) = a 1 = a. 2. E (X + a) = E (X ) + a (somando uma constante, a mdia ca somada da constante) De fato: fazendo g(X ) = X + a, pelo resultado 1.11, temos que P P P P (x + a) pX (x) = xpX (x) + apX (x) = E (X ) + a pX (x) = E (X + a) =
x x x x
= E (X ) + a 1 = E (X ) + a
3. E (bX ) = bE (X ) (multiplicando por uma constante, a esperana ca multiplicada pela constante) De fato: fazendo g(X ) = bX, pelo resultado 1.11, temos que P P E (bX ) = bxpX (x) = b xpX (x) = bE (X )
x x
4. E (a + bX ) = a + bE (X ) Esse resultado conseqncia direta dos resultados anteriores.
CAPTULO 1. VARIVEIS ALEATRIAS DISCRETAS UNIDIMENSIONAIS 5. xmin E (X ) xmax onde xmin e xmax so os valores mnimo e mximo da varivel X. De fato: temos que xi xmin e xi xmax i. Ento P P P E (X ) = xi pX (xi ) xmax pX (xi ) = xmax pX (xi ) = xmax
i i i
25
E (X ) =
Logo
P
i
xi pX (xi )
P
i
xmin pX (xi ) = xmin
P
i
pX (xi ) = xmin
xmin E (X ) xmax
1.6.5
Varincia de uma varivel aleatria
A esperana de uma varivel aleatria X uma medida de posio. No entanto, possvel que duas variveis bem diferentes tenham a mesma esperana, como o caso das duas distribuies apresentadas na gura 1.11. Figura 1.11: Distribuies com mesma esperana e diferentes disperses
0,35 0,30 0,25 0,20 0,15 0,10 0,05 0,00 1 2 3 4 5 6 7 8 9
0,35 0,30 0,25 0,20 0,15 0,10 0,05 0,00 1 2 3 4 5 6 7 8 9
Como j visto no caso da Estatstica Descritiva, necessrio mensurar outros aspectos da distribuio, entre eles a disperso dos dados. Esta ser medida atravs da distncia quadrtica de cada valor mdia da distribuio; mais precisamente, denimos a varincia de uma varivel aleatria X como V ar (X ) = E [X E (X )]2 (1.12)
CAPTULO 1. VARIVEIS ALEATRIAS DISCRETAS UNIDIMENSIONAIS Denindo g (X ) = [X E (X )]2 , temos, pelo resultado 1.11, que P P 2 Var (X ) = [x E (X )]2 pX (x) = x 2xE (X ) + [E (X )]2 pX (x) = x x P P 2 P x pX (x) 2E (X ) xpX (x) + [E (X )]2 pX (x) = = x x x P 2 2 2 = x pX (x) 2 [E (X )] + [E (X )] 1 = x P 2 x pX (x) [E (X )]2 =
x
26
Mas, se denimos h(X ) = X 2 , ento E [h(X )] =
Var (X ) = EX 2 [E (X )]2
P
x
x2 pX (x). Logo, podemos escrever
(1.13)
que pode ser lida de maneira mais fcil como a varincia a esperana do quadrado menos o quadrado da esperana. Lembre-se que tnhamos visto resultado anlogo para a varincia de um conjunto de dados. Vimos tambm que a unidade de medida da varincia igual ao quadrado da unidade da varivel.
1.6.6
Propriedades da varincia
Sendo uma medida de disperso, fcil ver as seguintes propriedades: seja X uma v.a. discreta com fdp pX (x) e sejam a, b 6= 0 constantes reais quaisquer. 1. Var (a) = 0 (uma constante no tem disperso) De fato: Note que aqui usamos a propriedade 1 da esperana. Var (a) = E [a E (a)]2 = E (a a)2 = E (0) = 0
2. Var (X + a) = Var (X ) (somando uma constante, a disperso - varincia - no se altera) De fato: Var (X + a) = E [X + a E (X + a)]2 = E [X + a E (X ) a]2 = E [X E (X )]2 = Var (X ) Note que aqui usamos a propriedade 2 da esperana. 3. Var (bX ) = b2 Var (X ) (multiplicando por uma constante no nula, a varincia ca multiplicada pelo quadrado da constante) De fato: Var (bX ) = E [bX E (bX )]2 = E [bX bE (X )]2 = E b2 [X E (X )]2 = = b2 E [X E (X )]2 = b2 Var (X ) Note que aqui usamos a propriedade 3 da esperana. 4. Var (a + bX ) = b2 Var (X ) Essa propriedade conseqncia direta das propriedades anteriores.
27
1.6.7
Desvio padro
Como conseqncia direta dessa denio e das propriedades da varincia, seguem as seguintes propriedades do desvio padro, que devero ser demonstradas pelo leitor. Como antes, seja X uma v.a. discreta com fdp pX (x) e sejam a, b 6= 0 constantes reais quaisquer. 1. DP (a) = 0 (uma constante no tem disperso) 2. DP (X + a) = DP (X ) 3. DP (bX ) = |b| DP (X ) Aqui vale notar que b2 = |b|. 4. DP (a + bX ) = |b| DP (X ). Exemplo 1.9
Como j dito, a unidade de medida da varincia o quadrado da unidade de medida da varivel em estudo, sendo assim, uma unidade sem signicado fsico. Para se ter uma medida de disperso na mesma unidade dos dados, dene-se o desvio padro como a raiz quadrada da varincia. p (1.14) DP (X ) = Var (X )
Um lojista mantm extensos registros das vendas dirias de um certo aparelho. O quadro a seguir d a distribuio de probabilidades do nmero de aparelhos vendidos em uma semana. Se de R$500,00 o lucro por unidade vendida, qual o lucro esperado em uma semana? Qual o desvio padro do lucro? x = nmero de aparelhos 0 1 2 3 4 5 pX (x) 0,1 0,1 0,2 0,3 0,2 0,1 Soluo: Seja X o nmero de aparelhos vendidos em uma semana e seja L o lucro semanal. Ento, L = 500X. E (X ) = 0 0, 1 + 1 0, 1 + 2 0, 2 + 3 0, 3 + 4 0, 2 + 5 0, 1 = 2, 7 aparelhos E X 2 = 02 0, 1 + 12 0, 1 + 22 0, 2 + 32 0, 3 + 42 0, 2 + 52 0, 1 = 10, 2 aparelhos2 Var (X ) = 10, 2 (2, 7)2 = 2, 91 aparelhos2 DP (X ) = 1, 706 aparelhos Com relao ao lucro semanal, temos que E (L) = 500E (X ) = R$1350, 00 DP (L) = R$852, 94
28
1.6.8
1. Encontre o lucro mdio e a varincia do lucro do jogador do pquer de dados do exerccio resolvido 1 da seo 1.5. Soluo: E (L) = 5000 1 40 25 1230 9000 12300 + 100 +0 100 = = 2, 55 1296 1296 1296 1296 1296
V ar(L) = = = DP (L) =
2. Encontre a esperana, a varincia e o desvio padro da varivel do exerccio resolvido 4 da seo 1.3. Soluo: (a) E (X ) = 0 3 + 1 20 + 2 30 + 3 12 + 4 1 120 20 = = = 1, 818182 66 66 11
2 1 40 1230 3300 2 2 = + 100 + (100) 5000 1296 1296 1296 1296 2 37700000 3300 = 1296 1296 48859200000 10890000 37700000 1296 33002 = 29083, 0, 22548 = 2 1296 1679616 p 29083, 0, 22548 = 170, 537
2
2 02 3 + 12 20 + 22 30 + 32 12 + 42 1 264 400 20 Var(X ) = = = 66 11 66 121 84 504 84 264 11 2400 = = = 0, 694215 DP (L) = = 0, 8331956 = 121 6 121 6 121 11 (b) E (X ) = 0 0, 104358 + 1 0, 298166 + 2 0, 340762 + 3 0, 194721 + 4 0, 055635 +5 0, 006358 = 1, 818182 Var(X ) = 02 0, 104358 + 12 0, 298166 + 22 0, 340762 + 32 0, 194721 + +42 0, 055635 + 5 0, 006358 (1, 818182)2 = 1, 157024 DP (X ) = 1, 07565 Note que as esperanas so iguais mas a varincia, no caso de extraes sem reposio, menor.
29
1.7
Exerccios propostos do captulo 1
Sees 1.2 e 1.3

1. Considere uma urna contendo 3 bolas vermelhas e 5 pretas. Retire 3 bolas, sem reposio, e dena a v.a. X igual ao nmero de bolas pretas. Obtenha a fdp de X . 2. Repita o problema anterior, mas considerando extraes com reposio. 3. Suponha que uma moeda perfeita lanada at que aparea cara pela primeira vez. Seja X o nmero de lanamentos at que isso acontea. Obtenha a funo de distribuio (fdp) de . X . Repita o exerccio supondo que a probabilidade de cara p, p 6= 1 2 4. Uma moeda perfeita lanada 4 vezes. Seja Y o nmero de caras obtidas. Obtenha a fdp de Y. 5. Repita o problema anterior, considerando agora que a moeda viciada, sendo a probabilidade de cara dada por p, 0 < p < 1, p 6= 1/2. 6. Generalize o problema 5, para n lanamentos da moeda. 7. Seja X uma v.a. cuja fdp dada a seguir: x pX (x) (a) Calcule Pr (X 2 > 9) . (b) Calcule Pr (| X | 2) . -2
1 14
-1
2 21
1
4 21
2
1 14
4
5 42
6
2 21
7
5 14
Seo 1.4
8. Suponha que a v.a. V tenha a seguinte distribuio. Obtenha a fda de V e faa seu grco. v 0 pV (v ) p 1 1p
9. Sabe-se que a v.a. X assume os valores 1, 2 e 3 e que sua fda FX (x) tal que FX (1) FX (1) = 1/3 FX (2) FX (2) = 1/6 . FX (3) FX (3) = 1/2 Obtenha a fdp de X , a fda e os respectivos grcos.
Seo 1.5
10. No problema 1, obtenha a distribuio das v.a. 3X e X 2 .
30
11. O tempo T , em minutos, necessrio para um operrio processar certa pea uma v.a. com fdp dada na tabela abaixo. t 2 3 4 5 6 7 pT (t) 0, 1 0, 1 0, 3 0, 2 0, 2 0, 1 Para cada pea processada, o operrio ganha um xo de 2 u.m. (unidade monetria) mas, se ele processa a pea em menos de 6 minutos, ganha 0,50 u.m. por cada minuto poupado. Encontre a funo de distribuio da v.a. G = quantia (em u.m.) ganha por pea.
Seo 1.6
12. Encontre a mdia e o desvio padro da v.a. V do exerccio 8. 13. Encontre a mdia e o desvio padro da v.a. G do exerccio 11. 14. Seja X com distribuio dada na tabela abaixo. Calcule E (X ). Considere a v.a. (X a)2 , e calcule E (X a)2 para a = 0, 1/4, 1/2, 3/4 e 1. Obtenha o grco de g (a) = E (X a)2 . Para qual valor de a, g (a) mnimo? x pX (x) 0
1 2
1
1 4
2
1 4
15. Considere o lanamento de trs moedas e denote por K a ocorrncia de cara e por C a ocorrncia de coroa. Se ocorre o evento CCC , dizemos que temos uma seqncia, ao passo que se ocorre o evento CKC temos trs seqncias. Dena a v.a. X = nmero de caras obtidas e Y = nmero de seqncias obtidas. Obtenha as distribuies de X e Y . Calcule E (X ) , E (Y ) , V ar (X ) e V ar (Y ). 16. Um vendedor de equipamentos pesados pode visitar, num dia, um ou dois clientes, com probabilidade de 1/3 e 2/3 respectivamente. De cada contato, pode resultar a venda de um equipamento por 50.000 u.m. com probabilidade 1/10 ou nenhuma venda, com probabilidade 9/10. Indicando por Y o valor total de vendas dirias deste vendedor, escreva a funo de probabilidade de Y e calcule o valor total esperado de vendas dirias. 17. Calcule a mdia e a varincia da v.a. Y denida nos problemas 4 e 5
Exerccios complementares
18. As probabilidades de que haja 1,2,3,4 ou 5 pessoas em cada carro que se dirige ao Barra Shopping em um sbado so, respectivamente, 0,05; 0,20; 0,40; 0,25 e 0,10. Qual o nmero mdio de pessoas por carro? Se chegam ao shopping 50 carros por hora, qual o nmero esperado de pessoas no perodo de 13 s 18 horas? 19. Generalize o exerccio 14: se X uma varivel aleatria, encontre o valor de a que minimiza E (X a)2 . Qual o valor da funo nesse ponto de mnimo?
31
20. Na produo de uma pea so empregadas 2 mquinas. A primeira utilizada para efetivamente produzir as peas e o custo de produo de R$50,00 por pea. Das peas produzidas nessa mquina, 90% so perfeitas. As peas defeituosas so colocadas na segunda mquina para a tentativa de recuperao. Nessa segunda mquina o custo de produo de R$25,00 mas apenas 60% das peas so de fato recuperadas. Cada pea perfeita vendida por R$90,00 e cada pea defeituosa vendida por R$20,00. Seja L o lucro por pea. Obtenha: (a) a funo de distribuio de probabilidades de L; (b) a funo de distribuio acumulada de L; (c) o lucro esperado por pea; (d) a varincia do lucro. 21. Um jogador A paga R$5,00 a B e lana um dado. Se sair face 3, ganha R$20,00. Se sair faces 4,5, ou 6, perde. Se sair faces 1 ou 2, tem o direito de jogar novamente. Desta vez lana 2 dados. Se sarem duas faces 6, ganha R$50,00. Se sair uma face 6, recebe o dinheiro de volta. Nos demais casos, perde. Seja X o lucro lquido do jogador A nesse jogo. (a) Calcule a funo de distribuio de probabilidade de X. (b) Calcule o lucro esperado do jogador A. 22. A Transportadora Yuki possui uma frota de quatro caminhes de aluguel. Sabe-se que o aluguel feito por dia e que a distribuio diria do nmero X de caminhes alugados a seguinte: x 0 1 2 3 4 Pr(X = x) 0,10 0,20 0,30 0,30 0,10 Pede-se calcular: (a) o nmero mdio dirio de caminhes alugados, bem como o desvio padro; (b) a mdia e o desvio padro do lucro dirio, sabendo-se que: o valor do aluguel por dia de R$300,00; a despesa total diria com manuteno de cada veculo de R$140,00 quando este alugado e de R$15,00 quando o veculo no alugado. 23. A loteria Ligeirinha distribui prmios entre seus clientes da seguinte forma: 400 prmios de R$100,00; 50 prmios de R$200,00; 10 prmios de R$400,00. Admitindo-se que em um concurso sejam emitidos e vendidos 10.000 bilhetes, qual o preo justo a se pagar por um bilhete?
32
24. Dois jogadores fazem uma aposta. O jogador A paga R$100,00 para o jogador B e lana duas moedas viciadas no simultaneamente. A probabilidade de sair cara na primeira moeda 0,3 e na segunda moeda 0,2. Se sair cara na primeira moeda, o jogador A tem o direito de lanar a segunda moeda: se sair cara, ganha R$200,00 e se sair coroa, ganha R$100,00. Se sair coroa na primeira moeda, A perde. Seja X o lucro do jogador A. Encontre a funo de distribuio de probabilidade de X e o lucro esperado de A neste jogo.
Captulo 2 Algumas distribuies discretas

2.1 Introduo
Considere as seguintes situaes: 1. (a) Lana-se uma moeda e observa-se o resultado obtido e (b) pergunta-se a um eleitor se ele vai votar no candidato A ou B; 2. (a) Lana-se uma moeda n vezes e observa-se o nmero de caras obtidas e (b) de uma grande populao, extrai-se uma amostra de n eleitores e pergunta-se a cada um deles em qual dos candidatos A ou B eles votaro e conta-se o nmero de votos do candidato A; 3. (a) De uma urna com P bolas vermelhas e Q bolas brancas, extraem-se n bolas sem reposio e conta-se o nmero de bolas brancas e (b) de uma populao com P pessoas a favor do candidato A e Q pessoas a favor do candidato B, extrai-se uma amostra de tamanho n sem reposio e conta-se o nmero de pessoas a favor do candidato A. Em cada uma das situaes, os experimentos citados tm algo em comum: em um certo sentido, temos a mesma situao mas em contextos diferentes. Por exemplo, na situao 1, cada um dos experimentos tem dois resultados possveis e observamos o resultado obtido. Na situao 3, temos uma populao dividida em duas categorias e dela extramos uma amostra sem reposio; o interesse est no nmero de elementos de uma determinada categoria. Na prtica, existem muitas outras situaes que podem se encaixar nos modelos acima e mesmo em outros modelos. O que veremos nesse captulo so alguns modelos de variveis aleatrias discretas que podem descrever situaes como as listadas acima. Nesse contexto, um modelo ser denido por uma varivel aleatria e sua funo de distribuio de probabilidade, explicitando-se claramente as hipteses de validade. De posse desses elementos, poderemos analisar diferentes situaes prticas para tentar encaix-las em algum dos modelos dados. Nesse captulo sero descritas as distribuies de probabilidade discretas mais usuais. A introduo de cada uma delas ser feita atravs de um exemplo clssico (moeda, urna, baralho, etc.) e em seguida sero explicitadas as caractersticas do experimento. Tais caractersticas so a ferramenta necessria para sabermos qual modelo se aplica a uma determinada situao prtica. Denida a distribuio, calculam-se a mdia e a varincia. Na ltima seo do captulo so apresentados alguns resultados de clculo utilizados na obteno de tais frmulas. 33
CAPTULO 2. ALGUMAS DISTRIBUIES DISCRETAS
34
2.2
2.2.1
Distribuio de Bernoulli
Denio
Considere o lanamento de uma moeda. A caracterstica desse experimento aleatrio que ele possui apenas dois resultados possveis. Uma situao anloga surge quando da extrao da carta de um baralho, onde o interesse est apenas na cor (preta ou vermelha) da carta sorteada. Um experimento de Bernoulli um experimento aleatrio com apenas dois resultados possveis; por conveno, um deles chamado sucesso e o outro fracasso. A distribuio de Bernoulli a distribuio de uma v.a. X associada a um experimento de Bernoulli, onde se dene X = 1 se ocorre sucesso e X = 0 se ocorre fracasso. Chamando de p a probabilidade de sucesso (0 < p < 1), a distribuio de Bernoulli : x 0 1 Pr(X = x) 1 p p (2.1)
Obviamente, as condies denidoras de uma fdp so satisfeitas, uma vez que p > 0, 1 p > 0 e p +(1 p) = 1. O valor de p o nico valor que precisamos conhecer para determinar completamente a distribuio; ele , ento, chamado parmetro da distribuio de Bernoulli. Vamos denotar a distribuio de Bernoulli com parmetro p por Bern(p). A funo de distribuio acumulada dada por: se x < 0 0 1 p se 0 x < 1 FX (x) = 1 se x 1 Na gura 2.1 temos os grcos da fdp e da fda de uma distribuio de Bernoulli. Figura 2.1: Distribuio de Bernoulli com parmetro p
FDP da Bern(p)
1 1
FDA da Bern(p)
1-p
1-p
0 0 1 -2 -1
0 0 1 2 3 4
35
2.2.2
Esperana
Seja X Bern(p) (l-se: a varivel aleatria X tem distribuio de Bernoulli com parmetro p). Ento, E (X ) = 0 (1 p) + 1 p. Logo, X Bern(p) E (X ) = p (2.2)
2.2.3
Varincia
E (X 2 ) = 02 (1 p) + 12 p E (X 2 ) = p V ar(X ) = p p2
Seja X Bern(p). Ento,
Logo, X Bern(p) V ar(X ) = p(1 p) (2.3)
2.3
2.3.1
Distribuio Geomtrica
Denio
Considere a situao descrita no exerccio 3 do captulo 1: uma moeda com probabilidade p de cara lanada at que aparea cara pela primeira vez. Como visto, tal experimento gera uma v.a. discreta X = nmero de repeties necessrias at a ocorrncia da primeira cara com innitos valores. Essa uma situao onde impossvel encontrar algum paralelo na prtica; no entanto, o innito na prtica, em geral, substitudo por um valor muito grande. Considere uma populao muito grande onde p% das pessoas sofrem de uma doena desconhecida. Precisa-se encontrar uma pessoa portadora da doena para que os mdicos possam estud-la. Quantas pessoas teremos que examinar at encontrar uma portadora? Em ambas as situaes, cada repetio do experimento (lanamento da moeda ou exame de uma pessoa) tem dois resultados possveis (cara ou coroa e Portadora ou no protadora da doena), ou seja, temos experimentos de Bernoulli. Consideremos repeties independentes de um experimento de Bernoulli com parmetro p. Vamos denir a seguinte v.a. associada a esse experimento aleatrio: X = nmero de repeties necessrias para a obteno do primeiro sucesso (2.4)
Os valores possveis de X so 1 (primeiro sucesso na primeira repetio), 2 (primeiro sucesso na segunda repetio e, portanto fracasso na primeira), 3 (primeiro sucesso na terceira repetio e, portanto, fracasso nas duas primeiras), etc. Esse um exemplo de v.a. discreta onde o espao amostral, enumervel, innito. Para calcular a probabilidade de X = k, k = 1, 2, 3, . . . , devemos notar que tal evento corresponde ocorrncia de fracassos nas k 1 primeiras repeties e sucesso na k-sima repetio. Denotando por Fi e Si a ocorrncia de fracasso e sucesso na i-sima repetio respectivamente, temos a seguinte equivalncia de eventos: {X = k} = {F1 F2 Fk1 Sk }
CAPTULO 2. ALGUMAS DISTRIBUIES DISCRETAS Como as repeties so independentes, segue que
36
Pr (X = k) = Pr (F1 F2 Fk1 Sk ) = Pr (F1 ) Pr (F2 ) Pr (Fk1 ) Pr (Sk ) = = (1 p) (1 p) (1 p) p ou seja, Dizemos que X tem distribuio geomtrica com parmetro p (o nico valor necessrio para especicar completamente a fdp) e vamos representar tal fato por X Geom(p). As caractersticas denidoras desse modelo so: (i) repeties de um mesmo experimento de Bernoulli, o que signica que em todas elas a probabilidade de sucesso (e, portanto, de fracasso) a mesma e (ii) as repeties so independentes. No caso do lanamento de uma moeda essas hipteses so bastante plausveis mas no caso da doena a hiptese de independncia pode no ser satisfeita; por exemplo, pode haver um componente de hereditariedade. Para mostrar que (2.5) realmente dene uma fdp, temos que mostrar que a soma das probabilidades, isto , a probabilidade do espao amostral 1 (obviamente, Pr(X = k) 0). Para isso vamos usar o seguinte resultado sobre sries geomtricas1 :
X k=0
Pr(X = k) = (1 p)k1 p
k = 1, 2, 3,
(2.5)
ak =
1 1a
se 0 < |a| < 1
(2.6)
Temos que:
Fazendo j = k 1, temos que k = 1 j = 0 e k = j = . Portanto,

X k=1
X k=1
X X k1 Pr(X = k) = (1 p) p = p (1 p)k1 . k=1 k=1 X (1 p)j j =0
Pr(X = k) = p
Usando (2.6), obtm-se que:

X k=1
Pr(X = k) = p
1 = 1. 1 (1 p)
2.3.2
Esperana
E (X ) =
X k=1
k Pr(X = k) =
Fazendo a mudana de varivel k 1 = j, resulta que k = j + 1, k = 1 j = 0 e k = j = . Logo, X E (X ) = p (j + 1)(1 p)j

j =0
1 Na ltima seo so apresentados esse e outros resultados de clculo, que sero usados para demonstrar propriedades de algumas distribuies discretas de probabilidade.
X k=1
kp(1 p)
k1
=p
X k=1
k(1 p)k1
CAPTULO 2. ALGUMAS DISTRIBUIES DISCRETAS Usando o resultado (2.37) da seo 2.8 com r = 1 p, obtemos que: 1 p E (X ) = p 2 = 2 p [1 (1 p)] Logo, X Geom(p) E (X ) = 1 p
37
(2.7)
2.3.3
Varincia
X X 2 =p k k + k (1 p)k1 = k=1
Para calcular a varincia, temos que calcular E (X 2 ). Por denio, E (X ) =

2
= p = p
k=1 X k=1 X k=1
k p(1 p)
k1
X 2 k1 +p k(1 p)k1 k k (1 p)
k(k 1)(1 p)k1 + p
No primeiro somatrio, a parcela correspondente a k = 1 nula, logo, podemos escrever (note o ndice do somatrio!): E (X 2 ) = p
X k=2
k=1 X k=1
k(1 p)k1
k(k 1)(1 p)k2 (1 p) +

X k=2
X k=1 X k=1
kp(1 p)k1 = kp(1 p)k1
= p(1 p)
k(k 1)(1 p)k2 +
O segundo somatrio a esperana da distribuio geomtrica com parmetro p; logo, ele igual . Fazendo a mudana de varivel k 2 = j no primeiro somatrio, resulta que a 1 p
X 1 E (X ) = p(1 p) (j + 2)(j + 1)(1 p)j + p j =0 2
Usando os resultados (2.39) da seo 2.8 com r = 1 p, obtemos que: 1 2 = E X 2 = p(1 p) 3 + p [1 (1 p)] 2(1 p) 1 2 2p + p 2 p = + = = 2 p p p2 p2 Segue que: 2p 1 2 V ar(X ) = E (X 2 ) [E (X )]2 = 2 p p Logo, 1p X Geom(p) V ar(X ) = p2
(2.8)
38
2.3.4
1. Um atirador acerta na mosca do alvo, 20% dos tiros. Qual a probabilidade de ele acertar na mosca pela primeira vez no 10o tiro? Soluo: Podemos pensar os tiros como experimentos independentes de Bernoulli (acerta ou no acerta). A probabilidade de sucesso (acertar no alvo) p = 0, 20. Estamos querendo o nmero de tiros at o primeiro acerto e calcular a probabilidade desse nmero ser 10. Seja X = nmero de tiros at primeiro acerto. Ento, X Geom(0, 20) e Pr (X = 10) = 0, 89 0, 2 = 0, 02684. 2. Joga-se um dado equilibrado. Qual a probabilidade de serem necessrios 10 lanamentos at a primeira ocorrncia de um seis? Soluo: Nesse caso, sucesso a ocorrncia de face seis. Logo, Pr(sucesso) = p = 1 e Pr(fracasso 6 1 ) = 1p = 5 . Seja X = nmero de lanamentos at primeiro seis. Ento, X geom eo 6 6 5 9 1 problema pede Pr (X = 10) = 6 = 0, 03230. 6
2.4
2.4.1
Distribuio binomial negativa

Denio
Consideremos novamente repeties independentes de um experimento de Bernoulli com probabilidade p de sucesso. Vamos considerar agora uma generalizao da v.a. geomtrica, no seguinte sentido: X = nmero de repeties necessrias at a obteno do r-simo sucesso, r 1 (2.9)
Note que r = 1 a geomtrica. Para denir os possveis valores de X, devemos notar que para ter r sucessos, so necessrios no mnimo r repeties. Logo, os possveis valores de X so r, r + 1, r + 2, . . . . O evento X = k indica que foram necessrias k repeties para obter r sucessos e, portanto, k r fracassos. Pela denio da varivel, a ltima repetio resultou em sucesso e os outros r 1 sucessos podem estar em quaisquer das k 1 posies restantes (ver gura 2.2). Uma seqncia possvel de resultados ter os r 1 sucessos nas primeiras posies, os k r fracassos nas posies seguintes e o ltimo sucesso na ltima posio: S1 . . . Sr1 Fr . . . Fk1 Sk . A probabilidade de tal seqncia dada pelo produto das probabilidades, j que as repeties so independentes, isto : Pr (S1 . . . Sr1 Fr . . . Fk1 Sk ) = = Pr (S1 ) Pr (Sr1 ) Pr (Fr ) Pr (Fk1 ) Pr (Sk ) = p p (1 p) (1 p) p = pr (1 p)kr 1 Mas existem k maneiras de arrumar r 1 sucessos em k 1 posies e as seqncias resulr1 tantes tm todas a probabilidade acima. Como elas constituem eventos mutuamente exclusivos, a
CAPTULO 2. ALGUMAS DISTRIBUIES DISCRETAS Figura 2.2: Ilustrao do evento {X = k} para a v.a. binomial negativa
39
k-1 repeties r-1 sucessos

S
k repeties
probabilidade da unio delas, que Pr (X = k ) , a soma das probabilidades, ou seja: Pr (X = k) = pr (1 p)kr + pr (1 p)kr + + pr (1 p)kr 1 onde o nmero de parcelas k . Logo r1 k1 r Pr (X = k ) = p (1 p)kr r1 kr (2.10)
Essa distribuio, caracterizada pelos parmetros r e p, chamada distribuio binomial negativa, tambm conhecida como distribuio de Pascal. Se X tem tal distribuio, vamos representar tal fato por X BinNeg (r, p). Como Pr (X = k) 0, para mostrar que (2.10) realmente dene uma fdp, ca faltando mostrar que X X k1 r p (1 p)kr = 1. Pr (X = k) = r 1 k=r k=r Fazendo k r = j, temos que k = r j = 0 e k = r + j. Logo X X X r+j1 r r1+j j r Pr (X = k) = p (1 p) = p (1 p)j r1 r1 j =0 j =0 k=r
X k=r
Usando o resultado dado na equao (2.42) da seo 2.8 com k = r 1 e r = 1 p, obtemos que: Pr (X = k) = pr 1 =1 [1 (1 p)]r1+1
40
2.4.2
Esperana
Por denio, e usando a mesma mudana de varivel usada anteriormente, temos que X X k1 r r+j1 kr r k =p (j + r) E (X ) = p (1 p) (1 p)j = r 1 r 1 j =0 k=r X r1+j X r1+j r j r (1 p)j = j (1 p) + rp (por 2.42) = p r 1 r 1 j =0 j =0 X r1+j rpr r j (1 p)j + = = p r1 [1 (1 p)]r1+1 j =0 X r1+j r j (1 p)j + r (2.11) = p r 1 j =0 Vamos calcular esse somatrio. A primeira observao que, quando j = 0, a parcela correspondente no somatrio nula; logo, podemos comear o somatrio de j = 1, ou seja: X X r1+j r1+j j j (1 p) = j (1 p)j = r 1 r 1 j =0 j =1 = = =
X j =1 X j =1 X j =1
j j j
(r 1 + j )! (1 p)j (r 1)! (r 1 + j r + 1)!
(r 1 + j )! (1 p)j = (r 1)!j ! (r 1 + j )! (1 p)j (r 1)!j (j 1)!
Como j 6= 0, podemos dividir por j, o que resulta na simplicao: X X X (r + j 1)! (r + j 1)! r1+j j j j (1 p) = (1 p) (1 p)j 1 (1 p) = ( r 1)!( j 1)! ( r 1)!( j 1)! r 1 j =0 j =1 j =1 Fazendo j 1 = n, obtemos: X X (r + n)! r1+j j j (1 p)n = (1 p) = (1 p) ( r 1)! n ! r 1 n=0 j =0
X r(r + n)! (1 p)n = = (1 p) r ( r 1)! n ! n=0 X (r + n)! n=0 X n=0
= r(1 p) = r(1 p)
r!n!
(1 p)n
r+n (1 p)n n
CAPTULO 2. ALGUMAS DISTRIBUIES DISCRETAS Usando novamente o resultado (2.42) da seo 2.8 com r = 1 p e k = r, otm-se que: X r1+j 1 r(1 p) j (1 p)j = r(1 p) r+1 = pr+1 r1 [1 (1 p)] j =0
41
(2.12)
Substituindo em (2.11), obtemos que: E (X ) = pr Logo, X BinNeg(r, p) E (X ) = r(1 p) r(1 p) +r +r = r +1 p p r p (2.13)
2.4.3
Varincia
k1 r p (1 p)kr = k r 1 k=r X r 2 r+j 1 (1 p)j = (j + r) p r 1 j =0 X r1+j r 2 2 (r + 2rj + j ) (1 p)j = p r 1 j =0 X X X r1+j r1+j 2 r j r j r 2 r1+j (1 p) + 2rp (1 p)j j (1 p) + p j r p r 1 r 1 r 1 j =0 j =0 j =0
X 2
Vamos calcular E (X 2 ). Como antes, vamos usar a mudana de varivel k r = j. E (X ) = = = =

2
Usando os resultados (2.42) da seo 2.8 com k = r 1 e r = 1 p e (2.12) anterior, temos que: X 1 r(1 p) r r 2 r1+j E (X ) = r p (1 p)j(2.14) +p j r1+1 + 2rp r+1 p r 1 [1 (1 p)] j =0 2 X r1+j 2r (1 p) (1 p)j = + pr j2 = r2 + r 1 p j =0 2 2 X 2r r p r 2 r1+j (1 p)j +p j (2.15) = r 1 p j =0
2 2 r
De modo anlogo, esse somatrio calculado, notando inicialmente que, quando j = 0, a parcela do somatrio nula; logo,
42
X r1+j (r 1 + j )! j j j2 (1 p)j (1 p) = (r 1)!(r 1 + j r + 1)! r1 j =0 j =1

2
X j =1
j2
= (1 p)
X j =1
(r 1 + j )! (1 p)j = (r 1)!j (j 1)! j
(r + j 1)! (1 p)j 1 = (r 1)!(j 1)!
Fazendo j 1 = n, obtemos que: X X (r + n)! 2 r1+j j j (n + 1) (1 p)n = (1 p) = (1 p) ( r 1)! n ! r 1 n=0 j =0
X r(r + n)! (n + 1) (1 p)n = = (1 p) r ( r 1)! n ! n=0
X X (r + n)! (r + n)! (1 p)n + r(1 p) (1 p)n = n r ! n ! r ! n ! n=0 n=0 X X r+n r+n n = r(1 p) (1 p)n n (1 p) + r(1 p) n r n=0 n=0
= r(1 p)
Usando o resultado (2.12) com r no lugar de r 1 e o resultado (2.42) da seo 2.8, obtemos:
X
r1+j (1 p)(r + 1) 1 (1 p)j = (1 p)r j + (1 p)r = r +2 r1 p [1 (1 p)]r+1 j =0

2
= = = =
(1 p)2 r(r + 1) (1 p)r + pr+2 pr+1 2 2 (1 2p + p )(r + r) + pr(1 p) = pr+2 r2 2pr2 + p2 r2 + r 2pr + p2 r + pr p2 r = pr+2 r2 2pr2 + p2 r2 + r pr pr+2
Substituindo em (2.15), obtemos que:
43
E (X 2 ) =
2r2 r2 p r2 2pr2 + p2 r2 + r pr + pr = p pr+2 2r2 r2 p r2 2pr2 + p2 r2 + r pr = + p p2 2r2 p r2 p2 + r2 2pr2 + p2 r2 + r pr = = p2 r2 + r pr = p2 2 r r2 + r pr r2 = p p2 r(1 p) p2 (2.16)
Logo, r2 + r pr V ar(X ) = p2 ou
X BinNeg (r, p) V ar(X ) =
2.4.4
1. Joga-se um dado equilibrado. Qual a probabilidade de serem necessrios 10 lanamentos at a terceira ocorrncia de um seis? Soluo: Nesse caso, sucesso a ocorrncia de face seis. Logo, Pr(sucesso) = p = 1 e Pr(fracasso 6 1)= 1p = 5 . Seja X = nmero de lanamentos at terceiro seis. Ento, X BinNeg 3; 6 e 6 9 5 7 1 3 o problema pede Pr (X = 10) = 2 6 = 0, 046514. 6
2. Deseja-se produzir 5 peas boas, em uma mquina que d 20% de peas defeituosas. Qual a probabilidade de ser necessrio fabricar 8 peas para se conseguir as 5 peas boas? Soluo: Seja X = nmero de peas fabricadas at a obteno de 5 boas (sucesso). Temos que Pr(pea boa) = 0, 80 e ) = 0, 20. Logo, X BinNeg (5; 0, 80) . O problema pede Pr( pea 5defeituosa 3 (0 , 20) = 0, 0917504. Pr(X = 8) = 7 (0 , 80) 4
2.5
2.5.1
Distribuio Binomial
Denio
Consideremos n repeties independentes de um experimento de Bernoulli com parmetro p (pense em n lanamentos de uma moeda com probabilidade p de cara). Vamos denir a seguinte v.a. associada a este experimento: X = nmero de sucessos obtidos nas n repeties (2.17)
44
Lembre-se que voc encontrou esta situao no exerccio 5 do captulo 1. Os valores possveis de X so 0 (s ocorrem fracassos), 1 (ocorre apenas 1 sucesso), 2 (ocorrem 2 sucessos), . . . , n (ocorrem apenas sucessos). Vamos calcular a probabilidade de X = k, onde k = 0, 1, 2, . . . , n. O evento X = k equivale ocorrncia de k sucessos e n k fracassos. Consideremos uma situao especca: as k primeiras repeties so sucesso. Como as repeties so independentes, temos a probabilidade da interseo de eventos independentes; logo, Pr(S1 . . . Sk Fk+1 . . . Fn ) = Pr (S1 ) Pr (Sk ) Pr (Fk+1 ) Pr (Fn ) = = p p p (1 p) (1 p) (1 p) = pk (1 p)nk Mas essa uma ordenao especca, onde os sucessos so os primeiros resultados. Na verdade, os k sucessos podem estar em qualquer posio e ainda teremos X = k. O nmero de maneiras possveis de obter k sucessos em n repeties nada mais que o nmero de combinaes de n elementos n tomados k a k, ou seja, . Como cada uma dessas maneiras tem a mesma probabilidade acima k e elas so eventos mutuamente exclusivos, resulta que Pr(X = k) = pk (1 p)nk + pk (1 p)nk + + pk (1 p)nk onde o nmero de parcelas n . Logo k n k k = 0, 1, 2, . . . , n Pr(X = k ) = p (1 p)nk k
(2.18)
Essa a distribuio binomial ; note que para determin-la precisamos conhecer os valores de n e p, que so os parmetros da distribuio. Vamos usar a seguinte notao: X bin(n; p). Note que na distribuio binomial, o nmero de lanamentos xo e o nmero de sucessos a varivel de interesse; note o contraste com a distribuio binomial negativa onde o nmero de lanamentos varivel e o nmero de sucessos um nmero xo (pr-determinado). Para mostrar que (2.18) realmente dene uma fdp falta mostrar que
n X k=0
Pr(X = k) = 1.
j que, obviamente, Pr(X = k) 0. De fato: o teorema do binmio de Newton nos diz que, se x e y so nmeros reais e n um inteiro positivo, ento n X n k nk n (x + y ) = x y . (2.19) k k=0 Fazendo x = p e y = 1 p em (2.19), obtm-se:
n n n n X X n k p (1 p)nk = Pr(X = k) [p + (1 p)] = 1 = 1 = k k=0 k=0
o que prova o resultado.
45
2.5.2
Esperana
n X n k E (X ) = k Pr (X = k) = k p (1 p)nk = k k=0 k=0
n X n X k=0
n! pk (1 p)nk k! (n k)!
Quando k = 0, a parcela correspondente no somatrio nula. Logo, podemos escrever (note o ndice do somatrio!): X n! n! k k pk (1 p)nk = pk (1 p)nk E (X ) = k! (n k)! k (k 1)! (n k)! k=1 k=1
n n X
e como k 6= 0, podemos fazer a diviso, o que resulta na simplicao

n X n! n (n 1)! nk k E (X ) = p (1 p) p pk1 (1 p)nk = = (k 1)! (n k)! (k 1)! (n k)! k=1 k=1 n n X X (n 1)! n 1 k1 nk k1 = np p (1 p) = np p (1 p)nk ( k 1)! ( n k )! k 1 k=1 k=1 n X
Fazendo j = k 1, temos que k = j + 1, k = 1 j = 0 e k = n j = n 1. Logo, n1 X n1 j p (1 p)n1j E (X ) = np j j =0
Mas nesse somatrio temos as probabilidades de uma distribuio binomial com parmetros (n 1) e p; como estamos somando as probabilidades de todos os pontos do espao amostral, segue que esse somatrio igual a 1 (note que essa a expresso do binmio de Newton para (x + y )n1 com x = p e y = 1 p) e, portanto, X bin(n, p) E (X ) = np (2.20)
2.5.3
Varincia
Vamos calcular E (X 2 ) . Usando raciocnio anlogo ao usado no clculo da esperana, temos que:
46
n n X X 2 n! nk 2 n k E X k = k2 pk (1 p)nk = = p (1 p) k! (n k)! k k=0 k=1 = = =

n X k=1 n X k=1 n X k=1
k2 k k
n! pk (1 p)nk = k (k 1)! (n k)!
n! pk (1 p)nk = (k 1)! (n k)! n (n 1)! p pk1 (1 p)nk = (k 1)! (n k)! k (n 1)! pk1 (1 p)nk = (k 1)! (n k )!
= np = np
n X k=1 n 1 X j =0 n1 X
(j + 1)
(n 1)! pj (1 p)nj 1 = j ! (n j 1)!
n1 X (n 1)! (n 1)! nj 1 j p (1 p) pj (1 p)nj 1 = j + np = np j ! ( n j 1)! j ! ( n j 1)! j =0 j =0 n1 X (n 1)! (n 1)! n1j j p (1 p) pj (1 p)n1j = j + np = np j ! (n 1 j )! j ! (n 1 j )! j =0 j =0 n1 n1 X X n1 j n1 j n1j = np j + np p (1 p)n1j p (1 p) j j j =0 j =0 n1 X
e, portanto, ou seja,
Mas o primeiro somatrio a esperana de uma binomial com parmetros (n 1) e p; portanto, pelo resultado (2.20), igual a (n 1) p. J o segundo somatrio a soma das probabilidades dos valores de uma binomial com esses mesmos parmetros (ou binmio de Newton); logo, igual a 1. Segue, ento, que E X 2 = np [(n 1) p + 1] = n2 p2 np2 + np V ar (X ) = n2 p2 np2 + np (np)2 = np np2 X bin(n, p) V ar (X ) = np (1 p)
(2.21)
2.5.4
1. Um atirador acerta na mosca do alvo, 20% dos tiros. Se ele d 10 tiros, qual a probabilidade de ele acertar na mosca no mximo 1 vez? Soluo:
47
Podemos pensar os tiros como experimentos de Bernoulli independentes, onde a probabilidade de sucesso 0,20. Ento, o problema pede Pr(X 1), onde X = nmero de acertos em 10 tiros. Logo, X bin(10; 0, 20) e 10 10 0 10 Pr(X 1) = Pr(X = 0)+Pr(X = 1) = (0, 20) (0, 80) + (0, 20)1 (0, 80)9 = 0, 37581 0 1 2. Dois adversrios A e B disputam uma srie de 8 partidas de um determinado jogo. A probabilidade de A ganhar uma partida 0,6 e no h empate. Qual a probabilidade de A ganhar a srie? Soluo: Note que s podem ocorrer vitrias ou derrotas, o que signica que temos repeties de um experimento de Bernoulli com probabilidade 0,6 de sucesso (vitria). Assumindo a independncia das provas, se denimos X = nmero de vitrias de A, ento X bin(8; 0, 6) e o problema pede Pr (X 5) , isto A ganha mais partidas que B. Pr (X 5) = Pr (X = 5) + Pr (X = 6) + Pr (X = 7) + Pr (X = 8) = 8 8 8 8 5 3 6 7 1 = (0, 6) (0, 4) 2 + (0, 6) (0, 4) + (0, 6)8 (0, 4)0 = (0, 6) (0, 4) + 6 7 8 5 = 0, 5940864 3. Joga-se uma moeda no viciada. Qual a probabilidade de serem obtidas 5 caras antes de 3 coroas? Soluo: Vamos denir sucesso = cara e fracasso = coroa. Ento, Pr(sucesso) = Pr(fracasso) = 0, 5 e temos repeties de um experimento de Bernoulli. A ocorrncia de 5 sucessos antes de 3 fracassos s possvel se nas 7 primeiras repeties tivermos pelo menos 5 sucessos. Seja, ento, X = nmero de sucessos em 7 repeties. Logo, X bin(7; 0, 5) e o problema pede Pr(X 5). Pr (X 5) = Pr (X = 5) + Pr (X = 6) + Pr (X = 7) = 7 7 7 7 7 = (0, 5) + (0, 5) + (0, 5)7 = 5 6 7 = 0, 2265625
2.6
2.6.1
Distribuio hipergeomtrica
Denio
Considere os exerccios resolvidos 4 e 5 da seo 1.2: de uma urna com bolas de duas cores, extraamse 5 bolas sem reposio. Tais exerccios podem ser encaixados na seguinte situao: considere uma populao de tamanho N (a urna com as bolas) dividida em 2 classes (duas cores), uma composta de r sucessos e a outra composta de N r fracassos. Dessa populao, vamos extrair uma
CAPTULO 2. ALGUMAS DISTRIBUIES DISCRETAS Figura 2.3: Ilustrao do experimento denidor da v.a. hipergeomtrica
48
r Sucessos n
N-r Fracassos
amostra de tamanho n sem reposio, o que, no caso de uma urna, equivale tambm a retirar as n bolas simultaneamente (ver gura 2.3). Vamos considerar a seguinte v.a. para esse experimento: X = nmero de sucessos em uma amostra retirada sem reposio. Valores possveis de X Para determinar os valores possveis de X, vamos considerar o problema em termos da urna com bolas verdes (Sucessos) e brancas (Fracassos), s para facilitar. Ento, temos que considerar as seguintes situaes: Se eu tiver bolas sucientes de ambas as cores (sucessos e fracassos), isto , se r n e N r n (exerccio 4), ento os possveis valores de X variam de 0 (todas as bolas na amostra podem ser brancas, fracassos) a n (todas as bolas na amostra podem ser verdes, sucessos). Se eu no tiver bolas brancas sucientes (fracassos), isto , se N r < n (exerccio 5), ento eu terei que ter pelo menos n (N r) bolas verdes (sucessos) na amostra. Juntando esse resultado com a observao anterior, conclui-se que o valor mnimo de X max {0, n (N r)} .
Ilustrando: N = 6, r = 4 e n = 3 : N r = 2 < 3; como s h duas bolas brancas, eu tenho que ter pelo menos 1 bola verde na amostra, isto , o valor mnimo de X 1 = max {0, 3 2} . Se eu no tiver bolas verdes sucientes (sucessos), isto , se r < n (exerccio 5), ento o mximo de bolas brancas na amostra ser r. Juntando esse resultado com o resultado da primeira observao, conclui-se que o valor mximo de X min {n, r}
49
Ilustrando: N = 6, r = 2 e n = 3; como s h duas bolas verdes, o nmero mximo possvel de bolas brancas na amostra 2 = min {3, 2} . Clculo das probabilidades O nmero total de amostras de tamanho n que podem ser extradas de uma populao de tamanho N N , sem reposio, (note que isso equivale ao nmero de subconjuntos de tamanho n do n conjunto universo de tamanho N ). Consideremos inicialmente a situao em que existem bolas sucientes de ambas as cores, isto , r n e N r n. A presena de k bolas verdes (sucessos) na amostra implica na presena r N r de n k bolas brancas (fracassos) e o nmero de tais amostras , pelo princpio k nk fundamental da multiplicao. Logo, r N r k nk (2.22) Pr (X = k) = N n e nesse caso, os valores de k vo de 0 a n. Consideremos agora a situao em que no h bolas verdes sucientes, isto , r < n. Ento, os valores de k entre r + 1 e n no podem ocorrer. Mas, o termo no numerador em (2.22) pode ser reescrito como r r (r 1) (r k + 1) r (r 1) (r k + 1) (r k)! = = k ! (r k)! k! k e para esses valores impossveis de k, isto , k r + 1, o ltimo termo no produtrio negativo, o que signica que algum termo anterior zero e, portanto, o produto no numerador se anula. De forma anloga, se no h bolas brancas sucientes (fracassos), isto , N r < n, os valores de k entre 0 e [n (N r) + 1] no podem ocorrer. Mas N r (N r) (N r 1) [N r (n k) + 1)] [N r (n k )]! = = (n k)! [N r (n k)]! nk (N r) (N r 1) [N r (n k) + 1)] = (n k)! e para qualquer desses valores impossveis o ltimo termo no produtrio do numerador negativo, o que signica que algum termo anterior nulo e, portanto, o numerador zero. Ento, se estabelecemos a conveno de que m = 0 se j > m j podemos trabalhar com o espao amostral S = {0, . . . , n} e probabilidades denidas por (2.22), uma vez que isso equivale a associar probabilidades nulas aos eventos impossveis.
CAPTULO 2. ALGUMAS DISTRIBUIES DISCRETAS Resumindo, a funo de distribuio da varivel aleatria X dada por r N r k nk Pr (X = k) = k = 0, . . . , n N n
50
(2.23)
Essa a distribuio hipergeomtrica com parmetros N, r e n. Notao: X hiper(N, r, n). Vericao das condies denidoras de uma fdp Para provar que (2.23) realmente dene uma funo de distribuio de probabilidade, note inicialmente P que Pr (X = k) 0. Temos que provar que a probabilidade do espao amostral 1, isto , que k Pr (X = k ) = 1. No caso da distribuio hipergeomtrica, provar esse resultado equivale a provar que n X r N r N = (2.24) k n k n k=0 Para isso, recordemos o teorema do binmio de Newton que estabelece que n X n j nj n (x + y ) = xy j j =0 (1 + x)r (1 + x)N r = (1 + x)N (2.25)
e notemos a igualdade (2.26) Para provar o resultado (2.24), vamos calcular os coecientes de xn em ambos os termos da igualdade (2.26). Esses coecientes tm que ser iguais! Por (2.25), a expresso do lado direito de (2.26) N X N N j N (1 + x) = x j j =0 e, portanto, o coeciente de xn obtido fazendo N j = n j = N n, ou seja, o coeciente de xn (ver relao das combinaes complementares na seo ??): N N = (2.27) N n n No lado esquerdo de (2.26), a potncia xn decorre da multiplicao de xk , vindo do primeiro termo (1 + x)r , por xnk , vindo do segundo termo (1 + x)N r . r X r rj r x (1 + x) = k j =0 Logo, o coeciente de xk obtido fazendo r j = k j = r k, ou seja, o coeciente r r = rk k
51
Analogamente, o coeciente de xnk em (1 + x)N r obtido fazendo n k = N r j j = (N r) (n k), ou seja, o coeciente N r N r = N r (n k) nk r N r k nk Sendo assim, os coecientes de x x so , k = 0, . . . , n, o que implica que o k nk coeciente de xn no lado esquerdo de (2.26) n X r N r k nk k=0 (2.28)
Por (2.26), os coecientes dados em (2.27) e (2.28) tm que ser iguais. Igualando-os, obtemos o resultado desejado dado em (2.24).
2.6.2
Esperana
r N r n n X 1 X r N r k nk k k = = N N k nk k=0 k=1 n n n r(r 1)! N r 1 X k = N k ( k 1)! ( r k )! n k k=1 n n N r (r 1)! r X = N ( k 1)! ( r k )! n k k=1 n n1 (r 1)! N r r X = N j =0 j ! (r 1 j )! n 1 j n n1 r X r 1 N 1 (r 1) = N j =0 j n1j n (N 1)! r N 1 rn! (N n)! = N N! (n 1)! (N n)! n1 n X hiper(N, r, n) E (X ) = n r N
E (X ) =
(note o ndice)
(porque k 6= 0)
(j = k 1)
(por (2.24))
Logo,
(2.29)
52
2.6.3
Varincia
Vamos calcular E (X 2 ). r N r n n X 2 1 X 2 r N r nk 2 k E X k k = = = N N k n k k=0 k=1 n n n r(r 1)! N r 1 X 2 k = = N k ( k 1)! ( r k )! n k k=1 n n (r 1)! N r r X k = = N (k 1)! (r k)! n k k=1 n =
(note o ndice)
(porque k 6= 0)
Mas o primeiro somatrio a esperana de uma hipergeomtrica com parmetros N 1, n 1 e r 1 e o segundo somatrio a soma das probabilidades no espao amostral de uma hipergeomtrica com os mesmos parmetros. Segue, ento, que N 1 r 2 r1 n1 E X (n 1) +1 = = N N 1 n rn (n 1) (r 1) + N 1 = N N 1
n1 (r 1)! N r r X (j + 1) = (j = k 1) N j =0 j ! (r 1 j )! n 1 j n n1 r1 N r r X (j + 1) = N j =0 j n1j n " n1 # n1 X r 1 N r X r1 N r r = j + N j n 1 j j n 1 j j =0 j =0 n r 1 N 1 (r 1) N 1 r 1 N 1 (r 1) r n1 n1 X j n1j n 1 X j n1j j + N N 1 N 1 j =0 j =0 n n1 n1
CAPTULO 2. ALGUMAS DISTRIBUIES DISCRETAS e, portanto, Var (X ) = rn (n 1) (r 1) + N 1 n2 r2 2 = N N 1 N N nr nN Nr + N + N 2 N Nnr + nr rn = = N N (N 1) r N (N n) r (N n) = n N N (N 1) V ar (X ) = n r N rN n N N N 1
53
ou seja, X hiper(N, r, n) (2.30)
2.6.4
Distribuio binomial versus distribuio hipergeomtrica
Vamos fazer agora algumas comparaes entre as distribuies binomial e hipergeomtrica. Colocando ambas em termos de extraes de bolas verdes de uma urna com bolas verdes e brancas, a binomial equivale a extraes independentes com reposio. Note que, repondo as bolas, a probabilidade de sucesso (isto , bola verde) permanece constante ao longo das extraes. J a hipergeomtrica corresponde a extraes sem reposio. A esperana da binomial igual ao produto do tamanho da amostra pela probabilidade de r r sucesso; em termos da urna, a probabilidade de sucesso e, portanto, a esperana n . Na N N hipergeomtrica, a esperana tambm o produto do tamanho da amostra pela probabilidade de sucesso, probabilidade essa tomada apenas na primeira extrao. A varincia da binomial igual ao produto do tamanho da amostra pelas probabilidades de N r r e . Na hipergeomtrica, sucesso e fracasso. Em termos de urna, essas probabilidades so N N considerando apenas a primeira extrao, a varincia igual a esse produto, mas corrigido pelo N n . fator N 1 Em pesquisas estatsticas por amostragem, normalmente lidamos com amostragem sem reposio (j imaginou visitar e entrevistar um mesmo morador duas vezes?). No entanto, os resultados tericos sobre amostragem com reposio so bem mais simples (como voc ver num segundo curso de Mtodos Estatsticos, isso equivale a lidar com variveis independentes); assim, costuma-se usar uma aproximao, sempre que possvel. Ou seja, quando a populao (tamanho N ) sucientemente grande (de modo que podemos encar-la como uma populao innita) e o tamanho da amostra relativamente pequeno, podemos ignorar o fato de as extraes serem feitas sem 1 reposio. Lembre-se que a probabilidade em extraes sucessivas so N , N1 , . . . , N1 . Ento, se 1 n N grande e n pequeno, temos que N N 1 N n. Nessas condies, extraes com e sem reposio podem ser consideradas como equivalentes. O termo que aparece na varn incia da hipergeomtrica, N , chamado correo para populaes nitas, exatamente porque, N 1 se a populao pequena, no podemos ignorar o fato de as extraes estarem sendo feitas sem reposio.
54
2.6.5
1. Um caador, aps um dia de caa, vericou que matou 5 andorinhas e 2 aves de uma espcie rara, proibida de ser caada. Como todos os espcimes tinham o mesmo tamanho, ele os colocou na mesma bolsa, pensando em dicultar o trabalho dos scais. No posto de scalizao h dois scais, Manoel e Pedro, que adotam diferentes mtodos de inspeo. Manoel retira trs espcimes de cada bolsa dos caadores. Pedro retira um espcime, classica-o e o repe na bolsa, retirando em seguida um segundo espcime. Em qualquer caso, o caador multado se encontrado pelo menos um espcime proibido. Qual dos dois scais mais favorvel para o caador em questo? Soluo: Seja X = nmero de aves proibidas (sucessos) encontradas por um scal. No caso de Manoel, 2 temos que X hiper(7; 2; 3) e no caso do scal Pedro, X bin 2; 7 . Queremos calcular Pr (multa) = Pr (X 1) = 1 Pr (X = 0) . 25 5 35 2 Manoel: Pr (multa) = 1 Pr (X = 0) = 1 073 = 1 = = 7 7 49 3 2 25 24 2 5 =1 Pedro: Pr (multa) = 1 Pr (X = 0) = 1 = 7 49 49 0 Logo, a probabilidade de multa maior no caso do scal Manoel, e, portanto, Pedro o scal mais favorvel para o caador. 2. Entre os 16 programadores de uma empresa, 12 so do sexo masculino. A empresa decide sortear 5 programadores para fazer um curso avanado de programao. Qual a probabilidade dos 5 sorteados serem do sexo masculino? Soluo: Sucesso = sexo masculino. Se X = nmero de homens sorteados, ento X hiper(16; 12; 5) e o problema pede 12 33 12 11 10 9 8 5 = = = 0, 181319 Pr (X = 5) = 16 16 15 14 13 12 14 13 5
2.7
A distribuio de Poisson
2.7.1
Aproximao da binomial pela Poisson
Suponhamos que estamos observando um determinado fenmeno de interesse por um certo perodo de tempo de comprimento t com o interesse de contar o nmero de vezes X que determinado evento ocorre. Vamos fazer as seguintes hipteses sobre a forma como esse evento ocorre: H1) Em um intervalo de tempo sucientemente curto, apenas 0 ou 1 evento ocorre, ou seja, 2 ou mais ocorrncias no podem acontecer simultaneamente. Ento, em cada um desses intervalos temos um experimento de Bernoulli.
55
H2) A probabilidade de exatamente 1 ocorrncia nesse pequeno intervalo de tempo, de comprimento t, proporcional a esse comprimento, ou seja, t. Logo, a ocorrncia de nenhum evento 1 t. H3) As ocorrncias em intervalos pequenos e disjuntos so experimentos de Bernoulli independentes. Estamos interessados na v.a. X = nmero de ocorrncias do evento no intervalo (0, t]. Particionando esse intervalo em n pequenos subintervalos de comprimento t, temos que o nmero total de ocorrncias ser a soma do nmero de ocorrncias em cada subintervalo. Mas em cada subintervalo t podemos aplicar as hipteses acima. Logo, X uma varivel binomial com parmetros n = t t (note que t = ) e probabilidade de sucesso igual a t pela hiptese 2 acima. Ento, para n k = 0, 1, 2, . . . , n temos que: k nk n t n t k nk Pr(X = k ) = 1 = = (t) (1 t) n n k k n k 1 t t n! k (t) 1 1 = = k !(n k)! nk n n n k 1 t (t)k t n(n 1) (n k + 1)(n k)! k 1 1 = = (n k )! n k! n n n k n(n 1) (n k + 1) (t)k t t = 1 = 1 nk k! n n n k n k + 1 (t)k t t n n1 1 1 = n n n k! n n Consideremos, agora, a situao em que t 0, ou equivalentemente, n . Nesse caso, a v.a. X pode assumir qualquer valor inteiro no negativo e n k # n n1 n k + 1 (t)k t t lim Pr(X = k) = lim 1 1 n n n n n k! n n n (t)k t (t)k = 1 1 1 lim 1 exp(t) 1= n k! n k! Aqui fz-se uso do resultado (2.45) da seo 2.8. Provamos, assim, o seguinte resultado: Teorema 2.1 Sejam eventos gerados de acordo com as hipteses H1 a H3 acima. Se X o nmero de eventos em um intervalo de tempo de comprimento t, ento a funo de distribuio de probabilidade de X Pr(X = k) = (t)k exp(t) k! k = 0, 1, 2, . . . (2.31) "
Diz-que que X tem distribuio de Poisson com parmetro t : X P oi(t).
CAPTULO 2. ALGUMAS DISTRIBUIES DISCRETAS Para mostrar que (2.31) realmente dene uma fdp, temos que provar que fato, usando o resultado (2.46) da seo 2.8, temos que:
X k=0 X (t)k k=0 X (t)k k=0
56 P
k
Pr(X = k) = 1. De
Pr(X = k) =
k!
exp(t) = exp(t)
k!
= exp(t) exp(t) = 1
Esperana e varincia Vamos agora calcular a esperana e a varincia de tal distribuio.

X X (t)k (t)k E (X ) = k k exp(t) = exp(t) = k! k(k 1)! k=0 k=1
X X (t)k (t) (t)k1 exp(t) = exp(t) = = ( k 1)! ( k 1)! k=1 k=1
= (t) exp(t) exp(t) Logo,
X X (t)k1 (t)j = (t) exp(t) = (t) exp(t) = (k 1)! j! j =0 k=1
X P oi(t) E (X ) = t E (X ) = =
2 X k=0 X k=1
(2.32)
k k
k 2 (t)
X X (t)k1 (t)j = (t) exp(t) = k (j + 1) = (t) exp(t) ( k 1)! j ! j =0 k=1
X (t)k (t) (t)k1 exp(t) = exp(t) = k (k 1)! ( k 1)! k=1
(t)k k exp(t) = exp(t) = k! k(k 1)! k=1

2
= (t) [E (X ) + exp(t) exp(t)] = (t)2 + (t) Aqui fz-se uso dos resultados (2.32) e (2.46) da seo 2.8. Logo, Var(X ) = (t)2 + (t) (t)2 X P oi(t) Var(X ) = t
# " X (t)j X (t)j exp(t) + exp(t) = j = (t) j ! j ! j =0 j =0
ou
(2.33)
A interpretao desses resultados nos d que o nmero mdio de ocorrncias do evento em um intervalo de comprimento t t, proporcional ao comprimento. Fazendo t = 1, obtm-se o nmero mdio de ocorrncias em um intervalo unitrio. Note que a esperana e a varincia so iguais!
57
2.7.2
A distribuio de Poisson
Vamos apresentar, agora, a denio geral da distribuio de Poisson, usando uma outra parametrizao. Diz-se que a v.a. X tem distribuio de Poisson com parmetro se sua fdp dada por k Pr(X = k) = e k = 0, 1, 2, . . . k! Nesse caso, a esperana e a varincia de X so dadas por: E (X ) = Var(X ) = (2.34)
Pelos resultados anteriores, o nmero mdio de ocorrncias do evento de interesse em um intervalo unitrio e o nmero de ocorrncias num intervalo qualquer proporcional ao comprimento do intervalo.
2.7.3
1. Uma central telefnica recebe uma mdia de 5 chamadas por minuto. Supondo que as chamadas que chegam constituam uma distribuio de Poisson, qual a probabilidade de a central no receber nenhuma chamada em um minuto? e de receber no mximo 2 chamadas em 2 mintuos? Soluo: 50 exp(5) = 0, 00673795 0! Seja y = nmero de chamadas em 2 minutos. Ento, X P oi(5 2). Logo, Pr(X = 0) = Pr(Y 2) = Pr(Y = 0) + Pr(Y = 1) + Pr(Y = 2) = 0 10 101 102 = exp(10) + + = 0! 1! 2! = 0, 00276940 Seja X = nmero de chamadas por minuto. Ento, X P oi(5). Logo,
2. Em um certo tipo de fabricao de ta magntica, ocorrem cortes a uma taxa de um corte por 2000 ps. Qual a probabilidade de que um rolo com comprimento de 4000 ps apresente no mximo dois cortes? Pelo menos dois cortes? Soluo: Seja Y = nmero de cortes num rolo de 400o ps. Ento, Y P oi(2). Pr(no mximo 2 cortes) = Pr(Y 2) = Pr(Y = 0) + Pr(Y = 1) + Pr(Y = 2) = 0 2 21 22 = exp(2) + + = 5 exp(2) = 0, 676676 0! 1! 2! Pr(pelo menos 2 cortes) = Pr(Y 2) = 1 Pr(Y < 2) = 1 [Pr(Y = 0) + Pr(Y = 1)] = 0 21 2 + = 1 3 exp(2) = 0, 593994 = 1 exp(2) 0! 1!
58
2.8
2.8.1
Alguns resultados de clculo

Sries geomtricas
Recordemos inicialmente a progresso geomtrica (pg) de razo r, dada por (1, r, r2 , r3 , . . . , rn ) . Para calcular a soma dos n primeiros termos de uma pg, note que, se r 6= 1, podemos escrever: (1 + r + r2 + . . . + rn )(1 r) = (1 + r + r2 + . . . + rn ) (r + r2 + . . . + rn+1 ) = 1 rn+1 Logo, (1 + r + r2 + . . . + rn ) = Alm disso, se |r| < 1, lim rn+1 n isto : 1 rn+1 r 6= 1 1r = 0. Logo, a soma dos termos da pg converge, quando n ,
X i=0
ri =
1 1r
se | r | < 1.
(2.35)
A srie
i=0
Note que podemos escrever (ateno aos ndices dos somatrios!):

X i=0
ri chamada srie geomtrica de razo r.
ri = 1 +
X i=1
ri
X 1 ri =1+ 1r i=1
se | r | < 1
ou
Consideremos, agora, as derivadas da srie geomtrica. Vamos comear com a derivada de primeira ordem. ! X d d X i 2 n 2 n1 r = (1 + r + r + . . . + r + ) = 1 + 2r + 3r + + nr + = (1 + i)ri dr i=0 dr i=0 Como a srie geomtrica convergente para | r | < 1, podemos igualar as derivadas, isto : ! X d 1 d X i i se | r | < 1 (1 + i)r = r = dr i=0 dr 1 r i=0 ou seja,
X (1 + i)ri = i=0
X i=1
ri = 1
1 r = 1r 1r
se | r | < 1
(2.36)
1 (1 r)2
se | r | < 1 1+i i
(2.37)
Mas podemos escrever
(1 + i) i! (1 + i)! (1 + i) = = = i! i! 1!
CAPTULO 2. ALGUMAS DISTRIBUIES DISCRETAS resultando que X 1+i i 1 r = i (1 r)2 i=0
59
se | r | < 1
(2.38)
Consideremos a segunda derivada. ! d2 X i d2 = r (1 + r + r2 + r3 + r4 + + rn1 + rn + rn+1 ) = dr2 i=0 dr2 d = 1 + 2r + 3r2 + 4r3 + (n 1)rn2 + nrn1 + (n + 1)rn + = dr = 2 1 + 3 2 r + 4 3 r2 + + (n 1)(n 2)rn3 + n(n 1)rn2 + (n + 1)nrn1 + X = (i + 2)(i + 1)ri
i=0
Igualando as derivadas, obtemos: X 1 2 (1 r)(1) d2 d 1 i = (i + 2)(i + 1)r = 2 = 2 dr 1r dr (1 r) (1 r)4 i=0 ou

X (i + 2)(i + 1)ri = i=0
2 (1 r)3 2 (1 r)3 1 (1 r)3
(2.39)
Esse resultado pode ser escrito de outra forma:
i=0 X i=0
X (i + 2)(i + 1)
X (i + 2)(i + 1)ri = i=0
ri =
(i + 2)(i + 1)i! i 1 r = 2 i! (1 r)3

i=0 X i=0 X (i + 2)!
i! 2! i+2 i 1 r = (1 r)3 2 i+2

2
ri =
1 (1 r)3
Pela relao das relaes complementares, sabemos que
X i+2 i X i+2 i 1 r = r = (1 r)3 2 i i=0 i=0
i+2
i
e, portanto, resulta que (2.40)
CAPTULO 2. ALGUMAS DISTRIBUIES DISCRETAS Tomando a terceira derivada: ! d3 X i d3 = r (1 + r + r2 + r3 + r4 + r5 + + rn1 + rn + rn+1 ) = dr3 i=0 dr3 =
60
= 3 2 1 + 4 3 2 r + 5 4 3 r2 + + (n 1)(n 2)(n 3)rn4 + +n(n 1)(n 2)rn3 + (n + 1)n(n 1)rn2 + X (i + 3)(i + 2)(i + 1)ri =
i=0
d2 1 + 2r + 3r2 + 4r3 + 5r4 + + (n 1)rn2 + nrn1 + (n + 1)rn + = 2 dr d 2 1 + 3 2 r + 4 3 r2 + 5 4 r3 + + (n 1)(n 2)rn3 = +n(n 1)rn2 + (n + 1)nrn1 + dr
Igualando as derivadas: X 1 2 3 (1 r)2 (1) d 2 d3 3! i = = (i + 3)(i + 2)(i + 1)r = 3 = 3 6 dr 1r dr (1 r) (1 r) (1 r)4 i=0 Logo,
X (i + 3)(i + 2)(i + 1) i=0
3!
ri =
Continuando a derivar (note que podemos tomar derivadas de qualquer ordem!), obtm-se o seguinte resultado geral: X k+i i X k+i i 1 (2.42) r = r = (1 r)k+1 i k i=0 i=0
X 3+i i X 3+i i 1 r = r = (1 r)4 i 3 i=0 i=0
X (i + 3)(i + 2)(i + 1)i! 1 1 i r = 4 (1 r)4 3! i ! (1 r ) i=0
(2.41)
2.8.2
1.
O nmero e (base dos logaritmos naturais)

n 1 =e lim 1 + n n
1 h0
(2.43)
2.
lim (1 + h) h = e
(2.44)
3. A partir desses resultados obtm-se que: x n = ex lim 1 + n n (2.45)
CAPTULO 2. ALGUMAS DISTRIBUIES DISCRETAS De fato: fazendo t = x , resulta que n x 1 x x n lim 1 + = lim (1 + t) t = lim (1 + t) t = ex n t0 t0 n
X k k=0
61
4.
k!
= e
(2.46)
2.9
Exerccios propostos do captulo 2
1. Seja X bin(n; p). Se E (X ) = 12 e Var(X ) = 4, determine os valores de n e p. 2. A probabilidade de uma mquina produzir uma pea defeituosa em um dia 0,1. (a) Qual a probabilidade de que, em 20 peas produzidas em um dia, exatamente 5 sejam defeituosas? (b) Qual a probabilidade de que a 10a pea produzida em um dia seja a primeira defeituosa? 3. Um atirador acerta na mosca do alvo, 20% dos tiros. (a) Qual a probabilidade de ele ter de dar 10 tiros para acertar 6 vezes na mosca? (b) Se ele d 10 tiros, qual a probabilidade de ele acertar na mosca 6 vezes? 4. Suponha que 100 peixes especiais so pescados, marcados e colocados no lago de um sitiante, que passa a ter, ento, um total de 2000 peixes. Num certo dia, o sitiante autoriza a realizao de uma pescaria. Assuma que a quantidade de peixes no lago at esse dia no se alterou. Se 60 peixes so pescados, calcule a probabilidade de 5 serem especiais (a) supondo que os peixes pescados so colocados de volta no lago; (b) supondo que os peixes pescados no so colocados de volta no lago. 5. Um supermercado faz a seguinte promoo: o cliente, ao passar pelo caixa, lana um dado. Se sair face 6 tem um desconto de 30% sobre o total de sua conta. Se sair face 5 o desconto de 20%. Se sair face 4 o desconto de 10% e se ocorrerem faces 1, 2 ou 3, o desconto de 5%. Seja X = desconto concedido. (a) Encontre a funo de distribuio de probabilidade de X . (b) Calcule o desconto mdio concedido. (c) Calcule a probabilidade de que, num grupo de 5 clientes, pelo menos um consiga um desconto maior que 10%. (d) Calcule a probabilidade de que o quarto cliente seja o primeiro a receber 30% de desconto.
62
6. As probabilidades de que haja 1, 2, 3, 4 ou 5 pessoas nos carros que passam por um pedgio so, respectivamente, 0,05; 0,20; 0,40; 0,25 e 0,10. Seja X = nmero de passageiros por veculo. (a) Explicite a funo de distribuio de probabilidade de X . (b) Calcule o nmero mdio de passageiros por veculo. (c) Calcule a probabilidade de que, num grupo de 5 carros, pelo menos um tenha mais que 3 pessoas. (d) Calcule a probabilidade de que o quarto carro seja o primeiro a ter 5 passageiros. 7. Numa estrada h 2 acidentes para cada 100 km. Qual a probabilidade de que (a) ocorram pelo menos 3 acidentes em 250 km? (b) ocorram 5 acidentes em 300 km? 8. Na manufatura de certo artigo, sabido que 1 entre 10 artigos defeituoso. Uma amostra de tamanho 4 retirada com reposio, de um lote da produo. Qual a probabilidade de que a amostra contenha (a) nenhum defeituoso? (b) pelo menos 2 defeituosos? (c) exatamente 1 defeituoso? 9. Um fabricante de peas de automveis garante que uma caixa de suas peas conter, no mximo, 2 defeituosas. Se a caixa contm 18 peas e a experincia mostra que esse processo de fabricao produz 5% de peas defeituosas, qual a probabilidade de que uma caixa satisfaa a garantia? 10. Certo curso de treinamento aumenta a produtividade de uma certa populao de funcionrios em 80% dos casos. Se 10 funcionrios quaisquer participam deste curso, encontre a probabilidade de: (a) exatamente 7 funcionrios aumentarem a produtividade; (b) pelo menos 3 uncionrios no aumentarem a produtividade; (c) no mais que 8 funcionrios aumentarem a produtividade. 11. Determinado tipo de parafuso vendido em caixas com 1000 peas. uma caracterstica da fabricao produzir 10% de defeituosos. Normalmente, cada caixa vendida por 13,50 u.m.. Um compardor faz a seguinte proposta para o produtor: de cada caixa, ele escolhe uma amostra de 20 peas; se ele encontrar 0 defeituoso, ele paga 20,00 u.m. pela caixa; 1 ou 2 defeituosos, ele paga 10,00 u.m.; 3 ou mais defeituosos, ele paga 8,00 u.m.. Qual a alternativa mais vantajosa para o fabricante?
63
12. Numa central telefnica, o nmero de chamadas chega segundo uma distribuio de Poisson, com a mdia de 8 chamadas por minuto. Determinar qual a probabilidade de que em um minuto se tenha: (a) 10 ou mais chamadas; (b) menos de 5 chamadas. 13. As chegadas de petroleiros a uma renaria em cada dia ocorrem segundo uma distribuio de Poisson, com parmetro = 2. As atuais instalaes podem atender, no mximo, a 3 petroleiros por dia. Se mais de 3 petroleiros chegarem num dia, o excesso enviado a outro porto. (a) Em um dia, qual a probabilidade de se enviar petroleiros para outro porto? (b) De quanto devero ser aumentadas as instalaes para permitir atender a todos os navios que chegarem em pelo menos 95% dos dias? (c) Qual o nmero mdio de petroleiros que chegam em um dia? 14. Um industrial fabrica peas, das quais 20% so defeituosas. Dois compradores, A e B, classicam as partidas adquiridas em categorias I e II, pagando 1,20 u.m. e 0,80 u.m. respectivamente, do seguinte modo: Comprador A: retira uma amostra de 5 peas; se encontrar mais que uma defeituosa, classica como II; Comprador B: retira uma amostra de 10 peas; se encontrar mais que 2 defeituosas, classica como II. Em mdia, qual comprador oferece maior lucro para o fabricante?
Captulo 3 Soluo dos exerccios propostos

3.1 Captulo 1
Sees 1.2 e 1.3

1. Como h bolas sucientes de ambas as cores, os valores possveis da v.a. X so 0, 1, 2, 3. O 8espao amostral formado por todos os subconjuntos de 3 bolas e sua cardinalidade = 56. Usando a denio clssica de probabilidade, temos que: 3 3 1 Pr(X = 0) = Pr(3 vermelhas) = 3 8 = 56 3 35 15 Pr(X = 1) = Pr(2 vermelhas, 1 preta) = 281 = 56 3 35 30 Pr(X = 2) = Pr(1 vermelhas, 2 pretas) = 182 = 56 3 5 10 Pr(X = 3) = Pr(3 pretas) = 3 8 = 56 3 x pX (x) 0 1 2 3
1 56 15 56 30 56 10 56
Assim, a fdp de X :
2. Em cada extrao as probabilidades se mantm constante: Pr (Vermelha) = 3 e Pr (preta) = 8 5 . Como antes, os valores de X so 0 , 1 , 2 , 3 e as extraes constituem eventos independentes. 8 27 3 3 3 = 8 8 8 512 135 3 3 3 5 Pr(X = 1) = Pr(2 vermelhas, 1 preta) = = 8 8 8 512 1 Pr(X = 0) = Pr(3 vermelhas) = 64
CAPTULO 3. SOLUO DOS EXERCCIOS PROPOSTOS
65
e a fdp de X :
O nmero combinatrio aparece por que a vermelha poderia ter sida a primeira, a segunda ou a terceira (veja o exemplo 1.3). 3 3 5 5 225 Pr(X = 2) = Pr(1 vermelha, 2 pretas) = = 2 8 8 8 512 3 125 5 5 5 Pr(X = 3) = Pr(3 pretas) = = 8 8 8 512 3 x pX (x) 0
27 512
1
135 512
2
225 512
3
125 512
3. A primeira observao diz respeito aos valores possveis de X. Podemos ter sorte e obter cara no primeiro lanamento; nesse caso, X = 1. Nossa sorte pode comear a diminuir de modo que obtemos cara no segundo lanamento; nesse caso, X = 2. Continuando, podemos ser bastante infelizes e ter que car jogando a moeda innitas vezes at obter a primeira cara. Esse um exemplo de v.a. discreta onde o espao amostral enumervel mas innito: os valores possveis de X so 1, 2, 3, . . .. Cada resultado desses signica que os primeiros lanamentos foram coroa (C) e o ltimo cara (K). Como os lanamentos podem ser considerados independentes, resulta que: 1 Pr(X = 1) = Pr(K ) = 2 2 1 1 1 Pr(X = 2) = Pr(CK ) = = 2 2 2 3 1 1 1 1 1 1 1 Pr(X = 3) = Pr(CCK ) = = = = 2 2 2 4 2 8 2 4 1 1 1 1 1 1 1 1 Pr(X = 4) = Pr(CCCK ) = = = = 2 2 2 2 8 2 16 2 En geral, k1 k 1 1 1 Pr(X = k) = = 2 2 2 k = 1, 2, 3, . . .
A nica diferena com relao ao visto anteriormente que Pr(K ) = p e Pr(C ) = 1 p. Ento, k = 1, 2, 3, . . . Pr(X = k) = (1 p)k1 p 4. Em cada lanamento pode sair cara (K ) ou coroa (C ), cada um com probabilidade 1 . Em 4 2 lanamentos podemos ter 0, 1, 2, 3, 4 caras e os lanamentos so independentes. Logo, 4 1 1 1 1 4 1 1 Pr(X = 0) = Pr(4 coroas) = = = 2 2 2 2 0 2 16 3 1 4 1 4 4 1 1 1 1 = Pr(X = 1) = Pr(3 coroas, 1 cara) = = 2 2 2 2 2 2 16 1 1
66
3 4 1 1 1 1 4 1 1 4 Pr(X = 3) = Pr(1 coroa, 3 caras) = = = 3 2 2 2 2 1 2 2 16 4 1 1 1 1 1 4 4 1 1 1 1 1 = Pr(X = 4) = Pr(4 caras) = = = 2 2 2 2 2 2 2 2 2 16 4 4 e a fdp de X : x pX (x) ou em forma reduzida: k 4k 4 4 1 1 4 1 Pr(X = k) = = k 2 2 2 k k = 0, 1, 2, 3, 4 0
1 16
O nmero combinatrio aparece por que a cara poderia ter ocorrido em qualquer um dos 4 lanamentos. 2 2 4 1 1 1 1 4 1 1 6 Pr(X = 2) = Pr(2 coroas, 2 caras) = = = 2 2 2 2 2 1 2 2 16
1
4 16
2
6 16
3
4 16
4
1 16
5. A nica alterao agora que Pr(K ) = p e Pr(C ) = 1 p e, assim, a fdp de X : 4 k k = 0, 1, 2, 3, 4 Pr(X = k ) = p (1 p)4k k 6. Como temos n lanamentos, os valores possveis de X vo de 0 at n. Na frmula anterior, basta substituir 4 por n, ou seja, a fdp de X : n k k = 0, 1, . . . , n Pr(X = k) = p (1 p)nk k (a) Note a equivalncia dos seguintes eventos: X 2 9 | X | 3 X 3 ou X 3 Logo, 5 + 4 + 15 24 4 = = Pr X 2 9 = Pr(X = 4) + Pr(X = 6) + Pr(X = 7) = 42 42 7 Pr (| X | 2) = 1 Pr (| X | 3) = 1 4 3 = 7 7
(b) Como X s assume valores inteiros, resulta que:
Seo 1.4
CAPTULO 3. SOLUO DOS EXERCCIOS PROPOSTOS Figura 3.1: FDA da v.a. V do exerccio 7
2
67
0 -3 -2 -1 0 1 2 3 4
7.
8. Os pontos de descontinuidade da fda so os pontos onde temos probabilidade maior que zero. Logo, os valores da v.a. X so 1, 2, 3. As probabilidades dadas correspondem ao tamanho do salto da fda em cada ponto. Conforme visto na equao (1.9), esses so exatamente os valores da fdp, ou seja, a fdp da v.a. X x pX (x) e a fda 1
1 3
0 se x < 0 p se 0 x < 1 FV (v) = 1 se x 1
2
1 6
3
1 2
cujos grcos esto na gura 3.2.
Seo 1.5
0 se 1 se 3 FX (x) = 3 se 6 1 se
x<1 1x<2 2x<3 x3
9. Vamos denir Y = 3X e Z = X 2 . Temos a seguinte fdp para X : x pX (x) 0

1 56
1
15 56
2
30 56
3
10 56
CAPTULO 3. SOLUO DOS EXERCCIOS PROPOSTOS Figura 3.2: Soluo do exerccio 9

fdp
1/2 1/3 1 1/6 0,5 1/3 0 1 2 3 -2 -1 0 1 2 3 4 5 6 1,5
68
fda
Logo, as fdps para Y e Z so: y pY (y ) z pZ (x) 10. t 2 3 4 5 6 ou 7 g 4, 0 3, 5 3, 0 2, 5 2, 0 pG (g) 0, 1 0, 1 0, 3 0, 2 0, 3 0

1 56
3
15 56
6
30 56
9
10 56
0
1 56
1
15 56
4
30 56
9
10 56
Seo 1.6
11. E (V ) = 0 p + 1 (1 p) = 1 p p) = 1 p Var (V ) = (1 p) (1 p)2 = (1 p) [1 (1 p)] = E (V 2 ) = 02 p +12 (1 p p (1 p) DP (V ) = p (1 p)
12. E (G) = 4 0, 1 + 3, 5 0, 1 + 3 0, 3 + 2, 5 0, 2 + 2 0, 3 = 2, 75 u.m. Var (G) = 7, 975 2, 752 = 0, 4125 DP (G) = 0, 6423 u.m.
1 4
E (G2 ) = 42 0, 1 + 3, 52 0, 1 + 32 0, 3 + 2, 52 0, 2 + 22 0, 3 = 7, 975 =
3 4
13. E (X ) = 0 1 +1 1 +2 2 4
g (a) = E (X a)2 = (0 a)2
1 1 1 + (1 a)2 + (2 a)2 2 4 4 a2 5 3 a2 1 a a2 + + +1a+ = a2 a + = 2 4 2 4 4 2 4
CAPTULO 3. SOLUO DOS EXERCCIOS PROPOSTOS 5 20 a = 0 g (0) = = 4 16 15 1 1 g = a = 4 4 16 1 12 3 1 g = = a = 2 2 4 16 3 11 3 g = a = 4 4 16 3 12 a = 1 g (1) = = 4 16
69
g (a) mnimo quando a = 3 . Note que a equao de g (a) uma equao de segundo grau, 4 ou melhor, de uma parbola. 14. O espao amostral, bem como as variveis aleatrias e seguir: w Pr(w) X 1 CCC 3 8 1 CCK 2 8 1 CKC 2 8 1 KCC 2 8 1 CKK 1 8 1 KCK 1 8 1 KKC 1 8 1 KKK 0 8 x pX (x) y pY (y ) E (X ) = 0
1 8
suas fdps esto dadas nas tabelas a Y 1 2 3 2 2 3 2 1 3

1 8
1
3 8
2
3 8
1
2 8
2
4 8
3
2 8
3 3 6 3 12 + + = = 8 8 8 8 2 3 12 9 9 9 3 Var (X ) = + + =3 = 8 8 8 4 4 4 2 8 6 16 + + = =2 8 8 8 8 2 16 18 9 1 Var (X ) = + + 4= 4= 8 8 8 2 2 E (Y ) = 15. Na gura ?? temos o esquema do espao amsotral desse experimento, com as probabilidades e variveis envolvidas no problema.A partir da obtemos a seguinte fdp para p valor Y das vendas dirias: y 0 50000 100000 252 46 2 pY (y ) 300 300 300
CAPTULO 3. SOLUO DOS EXERCCIOS PROPOSTOS Figura 3.3: Soluo do exerccio 16

0 venda 9/10 0
70
1 venda 1 cliente 1/3
1/10
50000
0 venda 2 clientes 2/3 Vende 1 , no vende 2

o o
9/10 x 9/10 1/10 x 9/10
0 50000
No vende 1 , vende 2 2 vendas
9/10 x 1/10 1/10 x 1/10
50000 100000
E (Y ) =
50000 46 + 200000 = 8333, 33 u.m. 300
16. Da interpretao da esperana como centro de gravidade e notando que a distribuio no exerccio 4 simtrica, resulta que E (X ) = 2. Para o problema 5 temos que (substituindo os valores de k na frmula obtida e usando o binmio de Newton): E (X ) = 0 (1 p)4 + 1 4p (1 p)3 + 2 6p2 (1 p)2 + 3 4p3 (1 p) + 4 p4 = = 4p 1 3p + 3p2 p3 + 12p2 24p3 + 12p4 + 12p3 12p4 + 4p4 = = 4p 12p2 + 12p3 4p4 + 12p2 12p3 + 4p4 E (X ) = 4p Note que n = 4!
Exerccios complementares
17. X : nmero de pessoas em cada carro Y : nmero de pessoas em 4000 carros em 10 horas de contagem X: Y = 4000 10 X x 1 2 3 4 5 p 0, 05 0, 20 0, 40 0, 25 0, 10
E (X ) = 0, 05 + 0, 40 + 1, 20 + 1, 0 + 0, 5 = 3, 15 pessoas por carro E (Y ) = 4000 10 3, 15 = 126.000 pessoas
71
18. g (a) = E (X a)2 = E [X 2 2aE (X ) + a2 ] . Mas a e E (X ) so constantes; logo, g(a) = E (X )2 2aE (X ) + a2 . Derivando a funo (note que temos uma funo de a!) obtemos que: g (a) = 2E (X ) + 2a Igualando a zero: g (a) = 0 a = E (X ) Calculando a derivada segunda nesse ponto, resulta: g (a) = 2 > 0 ponto de mnimo! Logo, o mnimo da funo g (a) ocorre quando a = E (X ) e nesse ponto temos g [E (X )] = E [X E (X )]2 = Var(X ). 19. Na gura 3.4 temos o esquema do espao amsotral desse experimento. Figura 3.4: Soluo do exerccio 20
Custo Venda Lucro
50 90%
90
40
50+25 10% 60%
90
15
40% 50+25 20 -55
(a) l -55 15 40 pL (l) 0,04 0,06 0,90 (b) 0 0, 04 FL (l) = 0, 10 1, 00 se se se se l < 55 55 l < 15 15 l < 40 l 40
(d) Var (L) = (55)2 0, 04+152 0, 06+402 0, 90 (34, 7)2 = 1574, 5 1204, 09 = 370, 41
(c) E (L) = 55 0, 04 + 15 0, 06 + 40 0, 90 = 34, 7
CAPTULO 3. SOLUO DOS EXERCCIOS PROPOSTOS 20. Na tabela abaixo temos o espao amsotral dades: 1a jogada 2a jogada 3 4, 5, 6 1 66 6 6 ou 6 6 66 2 66 6 6 ou 6 6 66 (a) x pX (x) (b) E (X ) =
1585+1536+452 216
72
desse exeprimento com as respectivas probabiliprob. 1 36 = 216 6 1 = 108 2 216 1 1 1 1 = 216 6 6 6 1 1 5 2 6 6 6 = 1 25 5 5 = 216 6 6 6 1 1 1 1 = 216 6 6 6 1 1 5 2 6 6 6 = 1 25 5 5 = 216 6 6 6 -5
158 216
10 216
10 216
lucro 15 5 45 0 5 45 0 5
0
20 216
15
36 216
45
2 216
= 160 = 0, 74 216
(a) E (X ) = 0, 20+, 060 + 0, 90 + 0, 40 = 2, 1 caminhes por dia (b) x 0 1 2 3 4 l 300 15 300 140 2 (300 140) 3 (300 140) 4 (300 140) pL (l) 0,10 0,20 0,30 0,30 0,10 E (L) = 160 0, 20 + 320 0, 30 + 480 0, 30 + 640 0, 10 = R$ 336, 00 Var(L) = 1602 0, 20 + 3202 0, 30 + 4802 0, 30 + 6402 0, 10 (336)2 = = 145920 112896 = 33024 DP (L) = R$ 181, 73
400 50 10 ; Pr(prmio 200) = 10000 ; Pr(prmio 400) = 10000 . Logo, o 21. Temos que Pr(prmio 100) = 10000 gasto esperado da Loteria com os prmios : 400 50 10 E (P ) = 100 + 200 + 400 = 4 + 1 + 0, 4 = R$5, 4 10000 10000 10000 e esse valor o valor que a loteria gasta, em mdia, por bilhete. Logo, para cobrir as despesas, o preo justo do bilhete seria R$ 5,40. Note que, nesse caso, a loteria no teria lucro!
22. Abaixo temos o esquema do espao amostral desse jogo: 1a moeda 2a moeda lucro K (0, 3) K (0, 2) 100 C (0, 8) 0 C (0, 7) 100 x 100 0 100 pX (x) 0, 7 0, 3 0, 8 = 0, 24 0, 3 0, 2 = 0, 06
A fdp de X :
e E (X ) = 70 + 6 = R$ 64, 00.
73
3.2
1. .
Captulo 2
E (X ) = np = 12 Var (X ) = np(1 p) = 4 Subsituindo a primeira equao na segunda obtm-se: 12 (1 p) = 4 1 p = Logo n 1 2 p= 3 3
2 = 12 n = 18 3
2. A observao importante na soluo deste exerccio a seguinte: podemos pensar o processo de produo gerando uma populao to grande que extraes com ou sem reposio no afetam em demasia as probabilidades. Ou seja, podemos pensar que as extraes so experimentos de Bernoulli (defeituosa ou no defeituosa) independentes. (a) X = nmero de peas defeituosas em 20 extraes. Com a observao acima, resulta que X bin(20; 0, 1). Logo 20 Pr (X = 5) = (0, 1)5 (0, 9)15 = 0, 0319214 5 (b) X = nmero de peas produzidas at primeira defeituosa. Com a observao acima resulta que X geom(0, 1). Logo, Pr (X = 10) = (0, 9)9 (0, 1) = 0, 0387420 3. Aqui temos experimentos de Bernoulli (acerta ou erra o alvo) independentes (tiros so independentes). Pr (acerto) = 0, 20. (a) X = nmero de tiros at sexto acerto na mosca. Temos que X bin.neg (6; 0, 2) . Logo 9 Pr (X = 10) = (0, 2)6 (0, 8)4 = 0, 003303 5 (b) X = nmero de acertos em 10 tiros. Ento, X bin (10; 0, 2) e, portanto 10 Pr (X = 6) = (0, 2)6 (0, 8)4 = 0, 005505 6 4. Temos uma populao de 2000 peixes, dos quais 100 so especiais. Seja X = nmero de peixes especiais pescados.
CAPTULO 3. SOLUO DOS EXERCCIOS PROPOSTOS 100 (a) Como os peixes so recolocados no lago, X bin 60; 2000 e, assim,
74
5 55 1900 60 100 = 0, 101616 Pr (X = 5) = 2000 2000 5
(b) Como os peixes no so recolocados, X hiperg (2000; 100; 60) e, portanto 1001900 = 0, 101943 Pr (X = 5) = 5200055
60
Note que aqui j no ~ diferena substancial entre sem e com reposio.

1 6
5. Como o dado honesto, cada face tem probabilidade (a) X = desconto concedido x (%) 5 pX (x) 1 2 (b) E (X ) = 5 1 + 10 1 + 20 1 + 30 2 6 6
1 6
10 20 30
1 6 1 6 5 2 1 6
60 6
= 12, 5%
(c) A probabilidade de se ter um desconto maior que 10% (20% ou 30%) de 2 . Seja X = 6 nmero de clientes, num grupo de 5, que recebem desconto maior que 10%. Ento, 2 X bin 5; 6 . Logo, 0 5 4 5 2 = 0, 868313 Pr (X 1) = 1 Pr (X = 0) = 1 6 6 0
(d) Seja Y = nmero de clientes que passam pelo caixa at primeiro desconto de 30% 1 1 (probabilidade 6 ). Ento X geom 6 e, portanto, 3 1 5 = 0, 096450617 Pr (Y = 4) = 6 6
6. X : nmero de pessoas em cada carro (a) X: x 1 2 3 4 5 p 0, 05 0, 20 0, 40 0, 25 0, 10
(b) E (X ) = 0, 05 + 0, 40 + 1, 20 + 1, 0 + 0, 5 = 3, 15 (c) A probabilidade de, em um carro, haver mais de 3 pessoas 0, 35 = 0, 25+0, 10. Seja Y = nmero de carros, num grupo de 5, com mais de 3 pessoas. Ento, Y bin (5; 0, 35) . Logo 5 Pr (X 1) = 1 Pr (X = 0) = 1 (0, 35)0 (0, 65)5 = 0, 883971 0
75
(d) Seja Z = nmero de carros at primeiro com 5 passageiros. Ento, Z geom (0, 10) e, assim Pr (Z = 4) = (0, 90)3 (0, 10) = 0, 00729 7. Supondo que os acidentes ocorram segundo uma distribuio de Poisson, temos que o nmero de acidentes em cada 100 km X P oi(2): (a) Y = nmero de acidentes em 250 km; ento, Y P oi(5). Pr(Y 3) = 1 Pr(Y = 0) Pr(Y = 1) Pr(Y = 2) 0 5 51 52 = 1 exp(5) + + = 0, 875348 0! 1! 2! 65 = 0, 160623 5!
(b) Z = nmero de acidentes em 30 km; ento, Y P oi(6). Pr(Z = 5) = exp(6)
8. Como as extraes so feitas com reposio, as extraes podem ser consideradas experimentos de Bernoulli independentes. Se denimos X = nmero de itens defeituosas na amostra de 4, temos que X bin (4; 0, 10) (a) Pr (X = 0) = 4 (0, 10)0 (0, 90)4 = 0, 6561 0 (b) Pr (X 2) = 1 Pr (X < 2) = 1 Pr (X = 1) Pr (X = 0) = 4 4 1 3 (0, 10) (0, 90) = 1 (0, 10)0 (0, 90)4 = 0, 0037 1 0 (c) Pr (X = 1) = 4
1
(0, 10)1 (0, 90)3 = 0, 2916
9. Podemos pensar a amostra de 18 peas que entram em uma caixa como uma amostra de uma populao sucientemente grande, de tal modo que os sorteios das peas que entram numa caixa podem ser considerados experimentos independentes de Bernoulli. Assim, se X = nmero de peas defeituosas em uma caixa, resulta que X bin (18; 0, 05) . A caixa satisfaz a garantia se X 2. Logo, a probabilidade de uma caixa satisfazer a a garantia Pr (X 2) = Pr (X = 0) + Pr (X = 1) + Pr (X = 2) = 18 18 18 0 18 1 17 = (0, 05) (0, 95) + (0, 05) (0, 95) + (0, 05)2 (0, 95) = 0 1 2 = 0, 941871 10. Novamente podemos pensar os funcionrios selecionados para o curso como experimentos de Bernoulli (aumenta ou no a produtividade) independentes. Seja X = nmero de funcionrios, dentre os 10, que aumentam produtividade.
CAPTULO 3. SOLUO DOS EXERCCIOS PROPOSTOS (a) Pr (X = 7) = 10

7
76
(0, 80)7 (0, 20)3 = 0, 201327.
(b) Pelo menos 3 no aumentarem a produtividade equivalente a no mximo 7 dos 10 aumentarem a produtividade. Logo, a probabilidade pedida Pr (X 7) = 1 Pr (X > 7) = 1 Pr (X = 8) Pr (X = 9) Pr (X = 10) = 10 10 10 8 2 9 1 = 1 (0, 80) (0, 20) (0, 80) (0, 20) (0, 80)10 (0, 20)0 = 8 9 10 = 0, 322200 (c) 10 Pr (X 8) = Pr (X 7) + Pr (X = 8) = 0, 322200 + (0, 80)8 (0, 20)2 = 8 = 0, 624190362 11. Numa populao de 1000, retirar uma amostra de 20 pode ser vista como repeties de experimentos independentes de Bernoulli. Seja V = valor de compra proposto pelo cliente. Ento, V pode assumir os valores 20, 10 ou 8 u.m. e, pela regra dada, 20 Pr (V = 20) = Pr (X = 0) = (0, 10)0 (0, 90)20 = 0, 1216 0 Pr (V = 10) = Pr (X = 1) + Pr (X = 2) = 20 20 1 19 = (0, 10) (0, 90) + (0, 10)2 (0, 90)18 = 0, 5553 1 2 Pr (V = 8) = Pr (X 3) = 1 Pr (X = 0) Pr (X = 1) Pr (X = 2) = 0, 3231 v 8 10 20 pV (v) 0, 3231 0, 5553 0, 1216 E (V ) = 8 0, 3231 + 10 0, 5553 + 20 0, 1216 = 10, 5698 A proposta do cliente mais desvantajosa para o fabricante. 12. X = nmero de chamadas em um minuto. Ento, X P oi(8) (b) Pr(X < 5) = Pr(X 4) = 0, 0996324 (a) Pr(X 10) = 1 Pr(X 9) = 0, 283376 Seja X = nmero de defeituosas na amostra de 20. Ento, X bin (20; 0, 10)
13. X = nmero de petroleiros por dia; X P oi(2). Capacidade atual: 3 petroleiros.
CAPTULO 3. SOLUO DOS EXERCCIOS PROPOSTOS (a)
77
Pr(X > 3) = 1 Pr(X 3) = 1 Pr(X = 0) Pr(X = 1) Pr(X = 2) Pr(X = 3) = 0 2 21 22 23 = 1 exp(2) + + + = 0, 14287654 0! 1! 2! 3! (b) Seja k a nova capacidade. Atender a essa capacidade signica que X k. Como essa probabilidade tem que ser pelo menos 95%, temos que ter: Pr(X k) 0, 95 Na tabela a seguir apresentamos a fdp de uma P OI (2). k 0 1 2 3 4 5 6 7 8 9 10 Pr(X = k)1 0,135335283 0,270670566 0,270670566 0,180447044 0,090223522 0,036089409 0,012029803 0,003437087 0,000859272 0,000190949 0,000046498 Pr(X k) 0,135335283 0,406005850 0,676676416 0,857123460 0,947346983 0,983436392 0,995466194 0,998903281 0,999762553 0,999953502 1,000000000
A nova capacidade dever ser de 5 petroleiros. 14. Sejam os seguintes eventos: A = comprador A classica partida como tipo II e B = omprador B classica partida como tipo II. Sejam XA nmero de peas defeituosas na amostra do comprador A e XB o nmero de peas defeituosas na amostra do comprador B. 5 5 0 5 Pr (A) = Pr (XA > 1) = 1 Pr (XA 1) = 1 (0, 2) (0, 8) (0, 2)1 (0, 8)4 = 0 1 = 0, 2627 Pr (B ) = Pr (XB > 2) = 1 Pr (XA 2) = 10 10 10 0 10 1 9 = 1 (0, 2) (0, 8) (0, 2) (0, 8) (0, 2)2 (0, 8)8 = 0 1 2 = 0, 3222 Sejam PA e PB os preos pagos pelos compradores A e B respectivamente. Ento, as distribuies de probabilidade dessas variveis so: PA 0,8 1,2 Pr 0,2627 0,7373
1
E (PA ) = 1, 095
Valores calculados com a funo POISSON do EXCEL.
CAPTULO 3. SOLUO DOS EXERCCIOS PROPOSTOS PB 0,8 1,2 Pr 0,3222 0,6778 A proposta do comprador A mais vantajosa. E (PB ) = 1, 071
78

Va Discretas

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Va Discretas

Diunggah oleh

Hak Cipta:

Format Tersedia

UNIVERSIDADE FEDERAL FLUMINENSE CENTRO DE ESTUDOS GERAIS INSTITUTO DE MATEMTICA

DEPARTAMENTO DE ESTATSTICA VARIVEIS ALEATRIAS DISCRETAS

3 Soluo dos exerccios propostos 64 3.1 Captulo 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64 3.2 Captulo 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73

Captulo 1 Variveis aleatrias discretas unidimensionais

2 (1,1) (1,2) (2,1) (2,2) 1

CAPTULO 1. VARIVEIS ALEATRIAS DISCRETAS UNIDIMENSIONAIS (c) Liste o evento X 9, 0. Soluo:

Funo de distribuio de probabilidade

CAPTULO 1. VARIVEIS ALEATRIAS DISCRETAS UNIDIMENSIONAIS

Figura 1.2: Funo de distribuio de probabilidade de uma v.a. discreta

Clculo da funo de distribuio de probabilidade

O clculo da fdp de uma v.a. X qualquer se d em trs etapas:

Representao grca da funo de distribuio de probabilidade

CAPTULO 1. VARIVEIS ALEATRIAS DISCRETAS UNIDIMENSIONAIS

CAPTULO 1. VARIVEIS ALEATRIAS DISCRETAS UNIDIMENSIONAIS

2. Encontre a fdp da v.a. X do exerccio resolvido 2 da seo 1.2. Soluo:

2626 Pr (X = 2) = Pr(3 pretas,2 vermelhas ) = 3522 =

262524 25 26 32 2 5251504948 5432

CAPTULO 1. VARIVEIS ALEATRIAS DISCRETAS UNIDIMENSIONAIS Soluo: (a) Como p = 1 2 4 2 4 + 12 2 2 ou = 3p + 2p = 1 3p + 2p 1 = 0 p = 6 6 p= 1 3

pX (i) = 1, temos que ter:

Figura 1.7: Funo mdulo

Usando esses fatos, temos que Pr (|X 3| 2) = Pr (X 3 2 ou X 3 2) = Pr (X 3 2) + Pr (X 3 2) = = Pr (X 1) + Pr (X 5) = Pr (X = 0) + Pr (X = 1) + Pr(X = 5) = 2 = 2p2 = 9

CAPTULO 1. VARIVEIS ALEATRIAS DISCRETAS UNIDIMENSIONAIS

Funo de distribuio acumulada de uma varivel aleatria discreta

cujo grco dado na gura 1.9.

Funes de variveis aleatrias

0 x<0 1 0x<1 32 6 32 1 x < 2 16 2x<3 FX (x) = 32 26 3x<4 32 31 4x<5 32 1 x5

Como os eventos so mutuamente exclusivos, segue que = 0) = 1) = 4) = 9) Pr (X Pr (X Pr (X Pr (X = 0) = 0, 2 = 1) + Pr (X = 1) = 0, 5 = 2) + Pr (X = 2) = 0, 2 = 3) = 0, 1

Pr (Y = 9) = Pr ({X = 3} {X = 3}) = Pr (Y = 25) = Pr (X = 5) = Logo, a fda de Y FY (y ) = 0 1

y<1 1y<9 9 y < 25 y 25

Esperana e varincia de variveis aleatrias discretas

Probabilidade e freqncia relativa

CAPTULO 1. VARIVEIS ALEATRIAS DISCRETAS UNIDIMENSIONAIS

Esperana ou mdia de uma varivel aleatria discreta

est medida na mesma unidade da varivel. Exemplo 1.7

Esperana de funes de variveis aleatrias

CAPTULO 1. VARIVEIS ALEATRIAS DISCRETAS UNIDIMENSIONAIS

que o mesmo resultado obtido a partir da fdp de Y : E (Y ) = E X 2 = 0 0, 2 + 1 0, 5 + 4 0, 2 + 9 0, 1 = 2, 2

4. E (a + bX ) = a + bE (X ) Esse resultado conseqncia direta dos resultados anteriores.

xmin pX (xi ) = xmin

Varincia de uma varivel aleatria

0,35 0,30 0,25 0,20 0,15 0,10 0,05 0,00 1 2 3 4 5 6 7 8 9

0,35 0,30 0,25 0,20 0,15 0,10 0,05 0,00 1 2 3 4 5 6 7 8 9

Mas, se denimos h(X ) = X 2 , ento E [h(X )] =

x2 pX (x). Logo, podemos escrever

CAPTULO 1. VARIVEIS ALEATRIAS DISCRETAS UNIDIMENSIONAIS

CAPTULO 1. VARIVEIS ALEATRIAS DISCRETAS UNIDIMENSIONAIS

CAPTULO 1. VARIVEIS ALEATRIAS DISCRETAS UNIDIMENSIONAIS

Exerccios propostos do captulo 1

Sees 1.2 e 1.3

CAPTULO 1. VARIVEIS ALEATRIAS DISCRETAS UNIDIMENSIONAIS

CAPTULO 1. VARIVEIS ALEATRIAS DISCRETAS UNIDIMENSIONAIS

CAPTULO 1. VARIVEIS ALEATRIAS DISCRETAS UNIDIMENSIONAIS

Captulo 2 Algumas distribuies discretas

CAPTULO 2. ALGUMAS DISTRIBUIES DISCRETAS

CAPTULO 2. ALGUMAS DISTRIBUIES DISCRETAS

Seja X Bern(p). Ento,

Logo, X Bern(p) V ar(X ) = p(1 p) (2.3)

CAPTULO 2. ALGUMAS DISTRIBUIES DISCRETAS Como as repeties so independentes, segue que

se 0 < |a| < 1

Fazendo j = k 1, temos que k = 1 j = 0 e k = j = . Portanto,

X X k1 Pr(X = k) = (1 p) p = p (1 p)k1 . k=1 k=1 X (1 p)j j =0

Usando (2.6), obtm-se que:

Fazendo a mudana de varivel k 1 = j, resulta que k = j + 1, k = 1 j = 0 e k = j = . Logo, X E (X ) = p (j + 1)(1 p)j

Para calcular a varincia, temos que calcular E (X 2 ). Por denio, E (X ) =