Contedo
1 Clculo de Freqncias
1.1 lgebra de Subconjuntos . . . . . . . . . . . . . . . . .
1.1.1 Dualidade . . . . . . . . . . . . . . . . . . . . .
1.2 Freqncias . . . . . . . . . . . . . . . . . . . . . . . .
1.3 Universo e Amostras . . . . . . . . . . . . . . . . . . .
1.3.1 Lei da Regularidade Estatstica . . . . . . . . .
1.3.2 Tcnica de Amostragem Ocasional . . . . . . .
1.3.3 Amostragem ocasional estratificada . . . . . . .
1.3.4 Amostragem ocasional estratificada proporcional
1.4 Leitura . . . . . . . . . . . . . . . . . . . . . . . . . . .
2 Clculo de Probabilidades I
2.1 Conjuntos Enumerveis . . . . . . . . .
2.2 Axiomas . . . . . . . . . . . . . . . . .
2.3 Conseqncias dos axiomas . . . . . . .
2.4 O Conceito de Independncia . . . . .
2.5 Probabilidade e Amostragem ocasional
2.6 Consideraes Prticas . . . . . . . . .
2.7 Exemplos . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1
1
2
4
6
8
8
9
9
10
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
11
11
12
13
18
21
23
23
3 Variveis Aleatrias
3.1 Esperana Matemtica . . . . . . . . . . . . . . . . . . . .
3.1.1 Interpretao Estatstica da Esperana Matemtica
3.1.2 Propriedades da Esperana Matemtica . . . . . .
3.2 Variana . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.2.1 Interpretao Estatstica da Variana . . . . . . . .
3.2.2 Propriedades da Variana . . . . . . . . . . . . . .
3.3 Desigualdade de Chebichev . . . . . . . . . . . . . . . . . .
3.4 Distribuies de Probabilidade . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
31
32
33
33
35
36
36
39
40
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
CONTEDO
3.5 Exemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
4 Distribuies Binomial e de Poisson
4.1 Distribuio Binomial . . . . . . . . . . . . . . . . . . . . . . . .
4.2 Distribuio de Poisson . . . . . . . . . . . . . . . . . . . . . . .
4.2.1 Esperana e variana da distribuio de Poisson . . . . .
4.2.2 Distribuio de Poisson como aproximao da distribuio
binomial . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.2.3 Distribuio de Poisson como distribuio correta . . . .
44
44
47
48
52
52
54
55
56
57
57
59
6 Densidade de Probabilidade
6.1 Definies e Propriedades . . . . . . . . . . . .
6.2 Distribuio Retangular e Distribuio Normal
6.2.1 Distribuio Retangular . . . . . . . .
6.2.2 Distribuio Normal . . . . . . . . . .
6.2.3 Clculo das reas sob a curva normal .
6.3 Exemplos . . . . . . . . . . . . . . . . . . . .
66
66
71
71
71
73
73
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
49
49
60
61
63
65
7 Anexos
81
7.1 Anexo1 - Distribuio de Poisson . . . . . . . . . . . . . . . . . 81
7.2 Anexo 2 - Teoremas do Limite Central . . . . . . . . . . . . . . 85
Captulo 1
Clculo de Freqncias
1.1
lgebra de Subconjuntos
Seja E um conjunto.
O conjunto das partes (ou subconjuntos) de E ser indicado por PE.
Definio 1.1 Dados dois subconjuntos A, B de E, dizemos que A est contido em B (notao A B) se
xA
x B.
x B}.
Observaes 1.5
1. A parte vazia (sem elementos) de E, denotada por .
2. Indicaremos por card(A) (l-se: cardinal de A), o nmero de elementos
de um subconjunto finito A E.
3. A unio tambm denotada por A B, e a interseo por A B.
Propriedades 1.6 As seguintes propriedades decorrem das definies.
1
E=
=E
2
X +X =X
XX = X
3
X +X =E
XX =
4
X +=X
XE = X
5
X +E =E
X =
6
X +Y =Y +X
XY = Y X
7
X + (Y + Z) = (X + Y ) + Z
X (Y Z) = (XY ) Z
8 X + (Y Z) = (X + Y ) (X + Z)
X (Y + Z) = (XY ) + (XZ)
9
X +Y =XY
XY = X + Y
10
X=X
11
X=Y X=Y
12
X Y X Y
X Y X Y
13
X X +Y
X XY
Observao 1.7 As propriedades 2 e 10 so de idempotncia, a propriedade
6 chama-se comutatividade, a propriedade 7 chama-se associatividade e a propriedade 8 distributividade.
1.1.1
Dualidade
Mas
A = X Y + XZ + XY + ZY =
= X Y + Y + XZ + ZY = X + XZ + ZY.
X + XZ + ZY = X + ZY,
A = X + ZY.
pois que XX = X, ZZ = e Y Y = .
Complementando, temos
A =X Z +Y =X + Z +Y =X +ZY =
= X + ZY .
1.2
Freqncias
card (A)
,
card (E)
A E,
A E
3) A B =
f (A + B) = f (A) + f (B)
Prova.
1) f (E) =
card(E)
card(E)
=1
card(A+B)
card(E)
card(A)
card(E)
card(B)
card(E)
= f (A) + f (B)
6) Se A1 , A2 , . . . Am so disjuntos, isto , i = j
Ai Aj = , ento
f (A) f (B)
A, B E
1.2. FREQNCIAS
fA (B) =
f (AB)
,
f (A)
B E.
f (AE)
f (A)
=
= 1.
f (A)
f (A)
Verificao de 2)
fA (B) =
f (AB)
0.
f (A)
Verificao de 3)
Seja BC = . Ento
fA (B + C) =
f (A (B + C))
f (AB + AC)
=
.
f (A)
f (A)
f (AB) + f (AC)
= fA (B) + fA (C) .
f (A)
Prova.
1) Suponhamos que f(A1A2 An1 ) = 0.
f (A1A2 ) = 0,
f (A1 A2 An2 ) = 0.
f (A1 A2 ) f(A1 A2 A3 )
f (A1A2 An )
,
f (A1 ) f (A1 A2 )
f (A1 A2 An1 )
isto ,
f (A1 A2 An ) = f (A1 ) fA1 (A2 ) fA1 A2 (A3 ) fA1 A2 An1 (An ) .
1.3
Universo e Amostras
Seja U um conjunto sobre o qual desejamos obter informaes. Este conjunto chamado Universo pelos estatsticos (tambm Populao ou Espao
Amostral).
Se U finito e o nmero de elementos no muito grande, podemos recenselo. Se, porm, U infinito ou de cardinal muito elevado, essa operao
invivel.
Procura-se, ento, obter uma amostra por meio de um nmero finito n de
provas. Em cada prova, obtemos um elemento da amostra por extrao de
um elemento do universo.
A tcnica utilizada para obteno de um elemento da amostra chamada
tcnica de amostragem e esta pode ser bastante complexa.
O importante que em cada prova a extrao seja feita com a mesma tcnica, e sempre do mesmo universo. Isso implica que a tcnica de amostragem
em cada prova seja realizada com reposio, caso contrrio o universo j
no seria mais o mesmo na prova seguinte, e por maior razo, a tcnica de
amostragem j seria outra!
Seja A uma propriedade atribuvel aos elementos do Universo. Cada elemento dste pode ter ou no essa propriedade, tambm chamada atributo.
Ao atributo A fica associado um subconjunto de U definido por
{x U : x possui o atributo A}.
Indicaremos esse subconjunto pelo mesmo smbolo A.
Reciprocamente, dado um subconjunto A de U , seus elementos possuem o
atributo
x A,
1.3.1
Esta lei tambm chamada lei da estabilidade das freqncias uma lei emprica, isto , verificada pela experincia. Por isso chamada lei e no
teorema ou axioma, pois pertence ao domnio das cincias experimentais
e no da matemtica.
O enunciado envolve por natureza uma certa impreciso. A seguir apresentamos a formulao contida em [CRAMER, Section 13.3 ] adaptada as nossas
notaes e terminologia.
1.3.2
1.3.3
onde Ai Aj = ,
para i = j,
i = 1, 2, . . . N.
onde Ei Ej = ,
para i = j.
f (F ) =
N
(Ai ) fAui
(F )
i=1
1.3.4
N
f u (Ai ) fEi (F ) .
i=1
= 1, 2, . . . N,
10
e portanto
u
f (F )
N
f (Ai ) fEi (F ) =
i=1
1.4
Leitura
N
i=1
f (Ei ) fEi (F ) = f (F ) .
Captulo 2
Clculo de Probabilidades I
No Captulo 1 vimos que a freqncia de um atributo A aplicvel aos elementos
do universo U , calculada em amostras grandes, praticamente estvel.
Do ponto de vista prtico como se a cada atributo do universo, ou o que
d no mesmo, a cada subconjunto do universo, estivesse associado o valor de
uma freqncia ideal que estaria sendo estimada em cada amostra.
Para podermos trabalhar matematicamente com sse conceito, vamos batizlo de probabilidade, e sujeit-lo a alguns axiomas calcados nas propriedades
bsicas das freqncias vistas no Captulo 1.
Para mantermos um tratamento elementar, vamos nos restringir neste captulo a Universos enumerveis, conceito ste que definiremos a seguir. Mais
tarde mostraremos como estender a teoria para o caso em que o Universo no
enumervel como, por exemplo, a reta real R, ou o espao m-dimensional
Rm .
2.1
Conjuntos Enumerveis
12
n
,
m
onde
2.2
Axiomas
A PU
2) P (U) = 1
3) Se
i=1 Ai uma unio de subconjuntos disjuntos Ai U, ento
P
Ai =
P (Ai ) ,
i=1
i=1
2.3
13
Proposio 2.5 P () = 0.
Prova.
Podemos escrever
=
i=1
P () = P
i =
P (i ) =
i=1
= lim
n
i=1
i=1
P (i ) = lim (P () + P () + + P ()) =
n
= lim nP () .
n
14
Prova.
Como B = A + BA e A BA = . podemos aplicar a proposio 2.6 e
escrever
P (B) = P A + BA = P (A) + P BA .
Pelo axioma 1 P BA 0, e portanto
P (A) P (B) .
= P (AB) + P AB + P AB ,
= P (A) ,
= P (B) .
Ai Aj =
para i = j,
2.
A1 + A2 + + An = U,
3.
P (Ai ) = P (Aj )
para i = j.
15
m
,
n
m
.
n
n
P (ei ) ,
i=1
A = {e1 , e2 , e3 , . . .} U,
teremos
P (A) =
i=1
P (ei ) .
16
P (ei ) = 1.
i=1
pi = 1,
i=1
e fazendo
P (ei ) = pi ,
i = 1, 2, . . . n.
pi = 1,
i=1
e analogamente fazer
P (ei ) = pi ,
i = 1, 2, 3, . . .
P (AB)
.
P (A)
17
P (A)
P (AU)
=
= 1.
P (A)
P (A)
Teremos,
PA
=
Bi
P (A Bi )
PA ( ABi )
=
=
=
P (A)
P (A)
P (ABi ) P (ABi )
=
=
PA (Bi ) .
P (A)
P (A)
PB (CA)
P (BCA) P (B)
=
=
PB (C)
P (B)
P (BC)
P (BCA)
= PBC (A) .
P (BC)
18
Observao 2.18 A proposio 2.17 diz que o condicionamento de probabilidades condicionadas no conduz a novos entes.
Proposio 2.19 Seja A1 , A2 , An U, onde n > 1.
Se P (A1 A2 An1 ) = 0 ento P (A1A2 An ) = 0.
Se P (A1 A2 An1 ) = 0 ento
P (A1A2 An ) = P (A1 ) PA1 (A2 ) PA1 A2 (A3 ) PA1 A2 An1 (An ) .
Prova.
A demonstrao desta proposio igual da proposio 1.14. Basta
substituir a letra f por P .
2.4
O Conceito de Independncia
ou PA (B) = P (B) .
ou fA (B) f (B) .
19
Prova.
a) A condio necessria
Seja B independente de A. Ento
PA (B) = P (B)
ou PA (B) = P (B) .
P AB = P A P (B) .
Substituindo P AB = P (B) P (AB) e P A = 1 P (A), temos
P (B) P (AB) = (1 P (A)) P (B) = P (B) P (A) P (B) .
Portanto
P (AB) = P (A) P (B) .
b) A condio suficiente
Suponhamos que P (AB) = P (A) P (B).
Se P (A) = 0, podemos escrever
P (AB)
= P (B) ,
P (A)
isto ,
PA (B) = P (B) .
20
P (B) P AB = 1 P A P (B) ,
isto ,
P AB = P A P (B) .
Temos agora P A = 0, e analogamente ao caso P (A) = 0, obtemos
PA (B) = P (B) .
21
2.5
m
.
n
A U,
22
Exemplo 2.28 Para exemplificarmos o que acabamos de explicar, consideremos uma urna contendo 5 bolas brancas b1, b2 , b3 , b4, b5 e 5 bolas vermelhas
v1, v2, v3 , v4 , v5 .
Retiremos ao acaso uma bola da urna, isto , empreguemos uma tcnica de
amostragem ocasional.
O que resulta de uma prova ser um elemento do universo. Portanto este
poder ser considerado como sendo constitudo pelas 10 bolas.
Indiquemos por B o atributo branco e por V o atributo vermelho. A
probabilidade de branco ser
P (B) =
5
1
= .
10
2
1
5
i = 1, 2, 3, 4, 5,
e
P (vj ) = 0, j = 1, 2, 3, 4, 5.
5
i=1 P (bi ) +
j=1 P (vj ) = 1, os axiomas de probabilidades ficam
5
Como
satisfeitos.
23
Exerccio 2.29 Explique porqu, na segunda tcnica de amostragem do exemplo anterior, temos
1
f (bi ) .
5
2.6
Consideraes Prticas
2.7
Exemplos
24
b) Ao aplicarmos a tcnica de amostragem, efetuamos uma prova, isto , retiramos um elemento do Universo. Ora, que resulta da nossa tcnica de
amostragem que nos interesse? A resposta simples: uma combinao
de elos rompidos e no rompidos. Portanto o conjunto das possveis combinaes de rupturas e no rupturas dos elos da corrente, em nmero de
23 = 8, associado tnica de amostragem descrita no item a) constituir
o Universo a ser considerado.
c) O passo seguinte ser exprimir o evento X cuja probabilidade nos interessa (ruptura da corrente) em funo dos eventos Ri de probabilidades
conhecidas (rupturas dos elos).
Teremos
X = R1 + R2 + R3
pois rompe-se a corrente quando se rompe algum elo:
P (X) = P (R1 + R2 + R3 ) =
P (R1 ) + P (R2) + P (R3 ) P (R1 R2 ) P (R2 R3 ) P (R1 R3 ) + P (R1R2 R3 ).
Observao 2.31 Como poderia ser obtida a informao sbre a probabilidade de ruptura de um elo, caso no fosse este dado fornecido pelo enunciado?
O caminho a seguir seria constituir-se uma amostra pela realizao de n ensaios utilizando-se n correntes de tres elos, segundo a tcnica de amostragem
escolhida, e calcular-se as frequncias de ruptura dos elos superior, mdio e
inferior. Essas frequncias seriam ento as probabilidades a serem adotadas.
Se correta a informao contida no enunciado, obteriamos para esses tres
valores, aproximadamente 1/3. A hiptese de independncia utilisada na
2.7. EXEMPLOS
25
soluo, poderia tambm ser testada nessa amostra calculando-se as frequncias condicionadas
fR1 (R2 ) ,
fR1 (R3) ,
fR2 (R3) ,
fR1 R2 (R3) ,
e verificando se
fR1 (R2 ) f (R2 ) ,
26
ou
p2 p
cujas solues so
p1
p2
p3
p4
=
=
=
=
Calculemos a distncia x.
Para p = p3 temos
e para p = p4
2+ 6
4
2 6
4
2+ 2
4
2 2
4
1
=0
8
> 1 no serve,
< 0 no serve,
aceitvel,
aceitvel.
p
d2
= 2.
0, 5
x
2d
x=
2+ 2
2d
.
2 2
x=
20
55
25
3
5
4
2.7. EXEMPLOS
27
P (B) PB (D)
.
P (A) PA (D) + P (B) PB (D) + P (C) PC (D)
Tomando-se as frequncias tabeladas como estimativas das probabilidades
respectivas, teremos uma estimativa de PD (B)
PD (B) =
PD (B)
ou
0, 55 0, 05
= 0, 1264
0, 20 0, 03 + 0, 55 0, 05 + 0, 25 0, 04
PD (B) 12, 64 %
28
P (D1 F2D3 F4 D5 ) = P (D1) PD1 (F2 ) PD1 F2 (D3 ) PD1 F2 D3 (F4) PD1 F2 D3 F4 (D5) =
= q 2p 2q p 3q = 12p2 q3 .
2.7. EXEMPLOS
29
= (1 q) 1 (1 q) 1 (1 q) = (1 q)3 .
Finalmente
4q (1 q) p2 + 2q (1 q) p + q (1 q)2
PF2 F4 (D1 + D3 + D5) =
2
3.
4q (1 q) p2 + 2q (1 q) p + q (1 q) + (1 q)
Simplificando
PF2 F4 (D1 + D3 + D5 ) =
4qp2 + 2qp + q (1 q)
.
4qp2 + 2qp + (1 q)
donde
P (Bn+1 ) = P Bn Bn+1 + B n Bn+1 = P (Bn Bn+1 ) + P B n Bn+1 =
30
Pelas hipteses
P (Bn+1) = P (Bn )
b
a
+ P Bn
=
a+b
a+b
a
b
+ (1 P (Bn ))
.
a+b
a+b
Chamando P (Bi ) = pi temos
P (Bn )
pn+1 =
b
ab
pn +
.
a+b
a+b
a
.
a+b
A soluo da equao
1
pn =
2
ab
a+b
1
2
Captulo 3
Variveis Aleatrias
Neste captulo consideraremos apenas universos U enumerveis, dotados de
uma funo de probabilidade P .
Uma varivel aleatria, neste contexto, nada mais que uma funo real
x : U R, definida sbre U. Quando formos estudar o caso de universos no
enumerveis, teremos que restringir essa definio.
Por meio da varivel aleatria x, podemos caracterizar atributos de U de
forma quantitativa, como, por exemplo,
A = {e U : x (e) = 5} ,
ou
B = {e U : 2, 3 x (e) < 5, 1} .
31
32
3.1
Esperana Matemtica
n
x (es ) P (es ) ,
se U finito,
(3.1)
s=1
x (es ) P (es ) ,
(3.2)
s=1
n
x (es ) P (es ) ,
s=1
ou caso contrrio,
(x) =
i=1
xi P (Xi ) .
3.1.1
33
3.1.2
34
Prova.
Suponhamos o universo finito com n elementos, U = {e1 , e2 , . . . en }.
(k1x + k2 y) =
n
s=1
n
s=1
n
x (es ) P (es ) + k2
s=1
n
y (es ) P (es ) =
s=1
= k1 (x) + k2 (y) .
n
por
n
s=1
n
s=1
x (es ) = xi
Devido independncia
P (Xi Yj ) = P (Xi ) P (Yj ) ,
3.2. VARIANA
35
donde
(xy) =
xi P (Xi )
3.2
n
por
Variana
se existir.
Chamando x (x) de desvio a expresso acima lida: a variana a
esperana matemtica do quadrado do desvio. O valor (x) 0 chamado
desvio padro.
Observao 3.9 Enumeremos os elementos de U: e1 , e2 , . . . es , . . .
Da definio obtemos as seguintes expresses para 2 (x),
2
(x) =
n
s=1
e
2
(x) =
s=1
se U finito,
(3.3)
se U infinito.
(3.4)
(x) =
m
i=1
se x (U ) finito,
ou caso contrrio,
2 (x) =
i=1
36
3.2.1
n
j=1
[zj (x)]
n
3.2.2
Propriedades da Variana
3.2. VARIANA
37
= [k1x k2 y (k11 k22)]2 =
= [k1 (x1 ) k2 (y2)]2 =
= k12 (x1 )2 + k22 (y2 )2 2k1 k2 (x1) (y2 ) =
= k12 [x1 ]2 + k22 [y2 ]2 2k1k2 ([x1 ] [y2 ]) .
Porm
n
j=1
(zj (x))2
n
Como os zj so independentes
n
2
(x) =
j=1
zj
1
1
=
(zj (x))2 = n 2 = 2.
n j=1
n
n
1 2
1
2
2
= 2
(zj ) = 2 n = .
n j=1
n
n
38
Proposio 3.13 Seja x uma varivel aleatria e z1, z2 , . . . , zn os valores obtidos numa amostra de n elementos. Ento s2 definido por
n
2
j=1 (zj x)
2
s =
n1
n
j=1
n
j=1
n
j=1
Mas
n
j=1
Portanto
(zj x) =
j=1
(zj + x)2 =
(zj ) 2 (x )
(zj ) =
n
n
j=1
n
j=1
(zj ) + n (x )2 .
(zj ) n = nx n = n (x ) .
(zj x)2 =
s2 =
n
j=1
Finalmente
n
j=1
(zj )2 n (x )2 .
n
1
(zj )2 n (x )2 =
n1
j=1
1
1 2
n s20 n (x (x))2 =
n n 2 (x) =
n1
n1
1
2
=
n2 n
= 2 .
n1
n
Observao 3.14
1, 2, . . . , m, temos
n
s =
(xi x)2 f (Xi )
n 1 i=1
2
3.3
39
Desigualdade de Chebichev
x
2 (x)
2
2
(t) =
= 1.
=
2
A varivel t pode assumir os valores
ti =
xi
.
isto ,
|ti |
2 P (Ti ) = 2
|ti |
|ti |
P (Ti ) = 2P {e U : |t (e)| } ,
1
.
2
P {e U : |t (e)| }
1
,
2
40
3.4
Distribuies de Probabilidade
i = 1, 2, . . .
Observao 3.16
Uma distribuio de probabilidade p costuma ser
representada num grfico cartesiano, marcando-se no eixo dos x as abcissas
xi e levantando-se segmentos verticais por essas marcas, cujos comprimentos
valem p (xi ).
3.5
Exemplos
3.5. EXEMPLOS
41
x (e) = 35 se e = 10.
x (e) P ({e}) =
36
e=0
eU
x (e)
1
1
1
= (36 1 + 1 (35))
= .
37
37
37
Pela interpretao da esperana matemtica, podemos dizer que o banqueiro ganhar em media, num grande nmero de apostas de uma ficha, 37
avos de ficha por aposta.
Como ja vimos o clculo da esperana matemtica pode ser feito de uma
maneira alternativa. O conjunto dos valores que a funo x pode assumir
x (U) = {x1 , x2} = {1, 35} .
As probabilidades de X1 = {e : x (e) = 1} e X2 = {e : x (e) = 35}
valem respectivamente P (X1) = 36/37 e P (X2 ) = 1/37. Ento
(x) =
2
i=1
xi P (Xi ) = 1
1
1
36
35
= .
37
37
37
O resultado seria o mesmo para aposta em qualquer outro nmero no intervalo 1 e 36.
42
x (e) = 2 se 1 e 12.
25
12
1
2
= .
37
37
37
Como pode-se mostrar, o resultado se mantm com qualquer nmero de
jogadores, jogando em quaisquer das modalidades, quantias quaisquer.
Portanto a porcentagem esperada de ganho do banqueiro de 100
= 2, 7027% . . ..
37
(x) = 1
Exemplo 3.18 Conhecidas as probabilidades pi , i = 0, 1, 3, . . ., de realizar i vendas de um certo artigo num certo perodo de tempo, quer-se calcular o nmero de unidades n que se deve ter em estoque para uma operao
o mais econmica possvel, sabendo-se que
ganho por unidade vendida no perodo = G,
prejuizo por unidade no vendida no perodo = L.
Soluo
Consideremos o Universo U = {0, 1, 2, 3, . . .} cujos elementos so os
nmeros de venda no perodo e a funo de probabilidade P : PUR conhecida
atravs das informaes P ({i}) = pi .
O lucro y(n) (i) apurado num perodo para i vendas calculado por
y(n) (i) = Gi L (n i) ,
se i < n,
se i < n,
se i n.
definida por
x(n) (i) = n,
se i n.
3.5. EXEMPLOS
43
= (G + L) x(n) Ln.
Para descobrirmos o valor de n que maximiza y(n) , uma estratgia
procurar o primeiro valor de n tal que
y(n) = y(n+1) y(n) 0.
Calculemos y(n)
y(n) = (G + L) x(n) L =
= (G + L) x(n) L.
De
obtemos
x(n) (i) = 0,
Ento
se i n,
x(n) (i) = 1,
n
x(n) =
pi = 1
pi
i=n+1
Por substituio
y
ou
(n)
= (G + L)
i=0
n
pi
i=0
n
(n)
y
= G (G + L)
pi .
i=0
se i > n.
Captulo 4
Distribuies Binomial e de
Poisson
4.1
Distribuio Binomial
(4.1)
45
e
2 = npq.
No exemplo a seguir, veremos como a distribuio binomial aparece naturalmente num importante problema, e aproveitaremos para calcular e 2 .
Exemplo 4.1 Enunciemos o problema.
Aplicamos uma determinada tcnica de amostragem n vezes, e de cada
vez classificamos o resultado como sucesso que indicaremos com a letra a ou
fracasso que indicaremos com a letra b. A pergunta : qual a probabilidade
de x sucessos nas n provas?
Soluo
Sigamos os conselhos emitidos em 2.6.
A tcnica de amostragem deve estar totalmente descrita quando a pergunta
feita. O que temos nesse momento? A resposta : uma seqncia de sucessos
e fracassos, ou sinteticamente uma seqencia de as e bs num total de n.
Portanto o universo U ser o conjunto das seqncias e1 e2 . . . en onde cada ei
pode ser a ou b. um conjunto finito com 2n elementos.
O evento cuja probabilidade se pede a ocorrncia do atributo nmero x
de as, isto , do subconjunto
Bx = {e1 e2 . . . en U : nmero de as = x} .
Seja Ai U definido por
Ai = {e1 e2 . . . en U : ei = a} ,
isto , definido pelo atributo sucesso na prova i.
Podemos exprimir Bx em termos dos Ai e dos Ai ,
Bx = A1A2 Ax Ax+1 Ax+2 An + ,
onde no segundo membro devemos incluir como termos da soma todas as combinaes que contenham x fatores Ai e n 1 fatores Aj .
Como os termos so disjuntos entre si, teremos
P (Bx ) = P A1 A2 AxAx+1 Ax+2 An + ,
46
Pela tcnica de amostragem sabemos que os Ai , i = 1, 2, . . . n, so independentes entre si, e tem igual probabilidade que chamaremos de p. Portanto a
nx
probabilidade de cada parcela ser px (1 p) .
Como o nmero de parcelas
n igual ao nmero de combinaes dos A1, A2 , . . .,An
tomados x a x, que vale x , teremos
n x
P (Bx ) =
p (1 p)nx .
x
Chamando 1 p = q, temos finalmente,
n x nx
Pn (x) = P (Bx ) =
p q .
x
Calculemos a esperana matemtica e a variana da varivel aleatria x :
U R, definida por
x (e1e2 . . . en ) = x = nmero de as entre os ei .
Indiquemos por zi : U R, a varivel aleatria definida por
1 se ei = a,
zi (e1 e2 . . . en ) =
0 se ei = a.
Temos ento
x = z1 +z2 + + zn .
47
Portanto
(x) = np e 2 (x) = npq.
Mas
(x) =
n
xP (Bx ) =
x=0
e
2 (x) =
n
x=0
n
xpn (x) = ,
x=0
[x (x)]2 P (Bx ) =
n
x=0
[x ]2 pn (x) = 2.
4.2
Distribuio de Poisson
p (x) =
(4.2)
e x
.
x!
x = 0, 1, 2, . . .
48
4.2.1
e x e x e x
x
=
x
=
=
x!
x!
(x 1)!
x=1
x=1
x=0
2 3
(x1)
= e
1++
+
+ =
(x 1)!
2!
3!
x=1
= e
= e e = .
Calculemos a variana.
2 =
x=0
[x ]2
x=0
e x
e x 2
=
x 2x + 2
=
x!
x!
x=0
x (x 1) + (1 2) x + 2
e x
=
x!
e x
e x 2 e x
+
(1 2) x
+
=
=
x (x 1)
x!
x!
x!
x=0
x=0
x=0
=
x=2
x (x 1)
e x
e x
x
+ (1 2)
x
+ 2 e
=
x!
x!
x!
x=0
x=0
e x
=
+ (1 2) + 2e e =
(x 2)!
x=2
2
= e
= e
(x2)
+ 22 + 2 =
(x
2)!
x=2
2 3
1++
+
+ + 2 =
2!
3!
= 2 e e + 2 = 2 + 2 = .
4.2.2
49
n
np=
np=
x
n!
nx
1
=
n x! (n x)! n
n
n!
x
n
x
= lim
.
n (n x)!nx
x!
n
n
= lim
Como
n!
1,
(n x)!nx
quando n , resulta
x
1,
n
lim Pn (x) =
n
np=
4.2.3
n
e ,
n
e x
= P (x) .
x!
x = 0, 1, 2, . . . ,
(4.3)
50
1) p (x, 1 + 2 ) =
x
k=0
p (x k, 1) p (k, 2 ) ,
x = 1, 2, 3, . . . ,
2) p (1, ) = + o () ,
3) p (x > 1, ) = o () .
Observaes 4.3
i) A distribuio definida pela expresso 4.3 a distribuio de Poisson de
esperana matemtica .
ii) Por abuso de notao,
estamos indicando por p (x > 1, ) a probabilidade
P ({2, 3, 4, . . .}) = x=2 p (x, ).
iii) A notao o () indica uma funo de que tende a zero quando 0,
mais rapidamente que , isto ,
o ()
= 0.
0
lim
51
x
k=0
{(y1 , y2 ) : y1 = x k} {(y1 , y2 ) : y2 = k} .
x
k=0
x
k=0
p (x k, T1 ) p (k, T2) ,
x = 1, 2, 3, . . .
Captulo 5
Probabilidade II - Extenso da
Teoria
5.1
Consideremos a seguinte tcnica de amostragem. Tomamos uma roleta, graduada de 0 a 1 em sua circunferncia. Giramos a roleta, e aps sua parada
lemos o valor apontado por uma seta fixa. O resultado da aplicao da tcnica
de amostragem um nmero real no intervalo (0, 1]. Portanto o universo ser
esse intervalo, que um conjunto no enumervel.
Constituindo uma grande amostra, por repetio da tcnica de amostragem,
podemos observar que a freqncia de um sub intervalo (a, b] resulta aproximadamente igual a b a.
Gostariamos ento de definir uma funo P sbre todas as partes de (0, 1],
satisfazendo os tres axiomas de probabilidades, e tal que
P ((a, b]) = b a,
(a, b] (0, 1] .
53
probabilidades:
Ai A,
i = 1, 2, 3, . . .
AA
i
Ai A,
A A.
(x)
P x1 (Ai ) =
P (Ai ) .
54
5.2
Ai =
n
i=1
Ai
Ai =
i=1
Ai .
i=1
55
Exemplo 5.5
1) A coleo PU de todos os subconjuntos de U uma -lgebra.
2) A coleo {, U } de subconjuntos de U uma -lgebra.
3) Sejam A, B, C, subconjuntos no vazios de U, disjuntos, e tais que
A + B + C = U.
Ento a coleo {, A, B, C, A + B, B + C, A + C, U} uma -lgebra.
Proposio 5.6 Seja C uma coleo qualquer de subconjuntos de U. Ento
existe e nica uma -lgebra que satifaz
i) C.
ii) Se A uma -lgebra e A C ento A .
A -lgebra dita -lgebra gerada por C. a menor -lgebra que
contm C.
5.2.1
{x R : x c} .
56
=
=
=
=
{x R : x > a} {x R : x b} ,
{x R : x a} {x R : x < b} ,
{x R : x > a} {x R : x < b} ,
{x R : x a} {x R : x b} .
5.3
i=1
{xi } .
A A,
2) P (U) = 1
3) Se
i=1 Ai uma unio de subconjuntos disjuntos Ai A, ento
P
Ai =
P (Ai ) ,
i=1
i=1
57
Observaes 5.9
1) Todas as definies e proposies do Captulo 2 continuam validas desde
que sejam considerados exclusivamente subconjuntos pertencentes
-lgebra.
2) Como a coleo de todos os subconjuntos do universo U uma -lgebra,
a teoria no caso de universo enumervel resulta um caso particular da
nova formulao.
3) As definies que sero introduzidas, o sero de tal maneira, que constituiro extenses dos conceitos correspondentes no caso de universos
enumerveis.
5.4
Funes de Distribuio
Definio 5.10 Dizemos que a funo F : R R uma funo de distribuio (a uma varivel) se satisfaz as seguintes propriedades
a)
lim F (x) = 1
b)
lim F (x) = 0
F (x + h) F (x) 0, h 0
F (x) contnua pela direita.
c)
d)
5.5
lim G (x, y) = 1
x
y
G (x + h, y + k) G (x + h, y) G (x, y + k) + G (x, y) 0,
G (x, y) contnua pela direita em relao a x e a y.
h 0, k 0
Variveis Aleatrias
58
{e U : x (e) c} A, c R.
(5.1)
Esta condio imposta para que possamos escrever P ({x U : x (x) c}).
A importncia dessa condio ficar mais evidente a seguir.
Observao 5.11 Como, no caso anteriormente estudado para universos
enumerveis, a -lgebra A era a coleo de todos os subconjuntos de U, a
condio 5.1 estava trivialmente satisfeita. Portanto a nova definio extenso da anterior.
Proposio 5.12 Seja U um universo munido de uma -lgebra A, e de uma
funo probabilidade P : A R e sejam x :U R e y : U R variveis
aleatrias.
Ento as funes x + y, e xy, so variveis aleatrias, isto , satisfazem
a condio 5.1.
Observao 5.13 A funo constante k : U R definida por k (e) = k,
e U, uma varivel aleatria, pois
U se k c
{e U : k (e) c} =
se k > c.
Em conseqncia, as funes x+k e kx, so variveis aleatrias.
x R.
59
(x, y) R2 ,
5.6
Esperana Matemtica
se x (e) 0,
se x (e) < 0.
60
se
se
x (e) 0,
x (e) > 0.
x (x) = x
x (x) = 0
5.6.1
se x 0,
se x > 0.
xi P (Xi ) .
i=0
61
xi P (Xi )
i=0
xi f (Xi ) .
i=0
ki
N
onde ki
o nmero de ocorrncias do evento Xi na amostra.
Como
i=0 ki = N , claro que ki = 0 apenas para um nmero finito de
ndices.
Ento
ki
(x)
xi f (Xi ) =
xi = x.
N
i=0
i=0
onde x a mdia de x na amostra.
5.6.2
finito ou + (infinito).
Definio 5.25 Seja x uma varivel aleatria positiva e seja xn uma seqncia de variveis aleatrias discretas positivas tal que xn x, isto , tal que
i)
ii)
xn (e) x (e) ,
e U,
e U.
62
para n m0 .
| (x) (xn )| <
2
Formemos uma amostra com N elementos {e1 , e2 , . . . eN }. Teremos
x=
e
xn =
Vale tambm x < xn + 21n pois que x (ej ) < xn (ej ) + 21n , j = 1, 2, . . . N.
Logo dado > 0 existe m1 tal que
|xn x| <
para n m1
e N
63
Podemos escrever
| (x) x| = | (x) (xn ) + (xn ) xn + xn x|
| (x) (xn )| + | (xn ) xn | + |xn x| .
Seja
5.6.3
Observao 5.28 Suponhamos P : A R escolhida convenientemente, relativamente tcnica de amostragem utilizada, e seja x uma varivel aleatria
que admite esperana matemtica.
2
A ferramenta matemtica apropriada para o desnvolvimento da Teoria aas Probabilidades a Teoria da Medida e Integrao. Aqueles familiarizados com ela tero identificado
a funo de Probabilidade P como uma medida, uma varivel aleatoria como uma funo
mensurvel e a esperana matemtica como a integral
(x) =
xdP.
U
64
(x) = x+ x x+ x = x.
Podemos dizer ento, em geral, que a esperana matemtica uma previso da mdia ou reciprocamente que a mdia uma estimativa da esperana
matemtica.
Definio 5.29 Definimos variana da varivel aleatria x, se existir, por
2 (x) = (x (x))2
s =
N
j=1
(zj x)2
N 1
Propriedades 5.30 De e 2
Sejam x, x1 , x2 , . . . xn , variveis aleatrias e k constante. Suporemos que
admitem esperana matemtica e variana.
1. Se x limitada, existe (x).
2. | (x)| (|x|)
3. (kx) = k (x), 2 (kx) = k 2 2 (x).
4. (x1 + x2 + + xn ) = (x1 ) + (x2 ) + + (xn ).
5. (x1 x2 xn ) = (x1) (x2 ) (xn )
pendentes.
se
x1 , x2 , . . . xn ,
so inde-
5.7
65
A Desigualdade de Chebichev
1
2
Captulo 6
Densidade de Probabilidade
Neste captulo U indicar um Universo, A uma -gebra em U, e P : A R
uma funo probabilidade. As integrais consideradas sero integrais de Riemann
6.1
Definies e Propriedades
(t) dt.
a
67
definida
Prova.
2 (x) = x2 ( (x))2 .
con-
68
69
Ento
P ({e U : (x (e) , y (e)) S}) =
(u, v) dudv.
S
2G
(u0 , v0 ) .
uv
definida
u1 (u) du
(u, v) dv du =
70
u R
(u, v) dv,
(x, y) R2,
donde
G (x, y) =
1 (u) du
2 (v) dv =
Portanto
G (x, y) =
(u, v) dudv
(u, v) R2
6.2
6.2.1
71
Seja x : U R uma varivel aleatria que admite a densidade de probabilidade : R R definida por
se x < a
0
1
(x) =
(b a)
se a x b
0
se x > b.
(x) =
6.2.2
x (x) dx =
b
a
a+b
x
dx =
.
ba
2
b
a+b 2
a+b 2 1
(b a)2
x
dx =
.
(x) dx =
x
2
2
ba
12
a
Distribuio Normal
Seja x : U R uma varivel aleatria que admite a densidade de probabilidade : R R definida por
(x) =
(x)2
1
e 22
2
72
= t obtemos
1
(x) =
2
=
2
Mas
dt =
t2
( + t) e 2 dt =
t2
t2
e portanto
dt +
2
t2
te 2 dt.
t2
te 2 dt = 0
(x) = .
Calculemos 2 (x).
1
(x) =
2
2
1
=
2
2 2 t2
te
(x )2 e
dt =
2
(x)2
2 2
dx =
t2
t2e 2 dt
2 t2
t e
= te
donde
t2
dt =
+
+
d t2
e 2 dt =
dt
t2
e 2 dt =
2 (x) = 2 .
Portanto os parmetros e 2 que comparecem na expresso
(x)2
1
e 22
2
6.3. EXEMPLOS
6.2.3
73
b
a
1
(x) dx =
2
(x)2
2 2
dx.
xu
t2
t2
e 2 dt onde t1 =
t1
e t2 =
b
.
t0
0
t2
e 2 dt para t0 0
6.3
Exemplos
Exemplo 6.7 Admitindo-se que o erro x cometido ao fazermos arredondamentos para um certo nmero de casas decimais, com os valores expressos em
unidades da ltima casa conservada, uma varivel aleatria com densidade
de probabilidade retangular dada por
0 se t < 0, 5
1 se 0, 5 t 0, 5 ,
(t) =
0 se t > 0, 5
qual ser a densidade de probabilidade do erro resultante da soma de dois
nmeros assim arredondados?
74
Soluo
Indiquemos por z1 e z2 os nmeros antes do arredondamento e por c1 e c2
aps o arredondamento. Teremos
z1 + z2 = (c1 + c2) + (x1 + x2) .
Portanto o erro da soma x ser a soma dos erros de arredondamento.
Podemos considerar como Universo o conjunto R2 cujos elementos
e = (x1 , x2 ) sero interpretados como pares de erros de arredondamento.
As variveis aleatrias x1 , x2 , e x sero definidas por x1 (x1 , x2) = x1,
x2 (x1 , x2) = x2 e x = x1 + x2.
A densidade de probabilidade, tanto de x1 como de x2 por hiptese ,
e como x1 e x2 so variveis aleatrias independentes, existe a densidade de
probabilidade do par (x1 , x2 ) dada por
(u, v) = (u) (v) .
Seja C o quadrado C = {(u, v) : 0, 5 u 0, 5
Temos
1 se (u, v) C
(u, v) =
0 se (u, v)
/ C.
0, 5 v 0, 5} .
= Area
dudv =
{(x1 ,x2 )R2 :x1 +x2 x}C
(x1 , x2 ) R2 : x1 + x2 x C
se
se
se
se
x < 1
1 x 0
.
0x1
x>1
6.3. EXEMPLOS
75
se
se
se
se
x < 1
1 x 0
0x1
x > 1.
Soluo
Calculemos para exemplificar o nmero de calados a serem fabricados de
nmero 39, uma vez que para os demais a soluo anloga. Na realidade o
calado tamanho 39 cala todos os indivduos com p entre 38, 5 e 39, 5.
Seja x : U R a varivel aleatria que associa a cada indivduo e U,
seu tamanho de p x (e).
O nmero pedido ser
10.000 P ({e U : 38, 5 x (e) 39, 5})
pois que P ({e U : 38, 5 x (e) 39, 5}) constitui uma previso da frequncia correspondente.
Adotando-se para (x) e 2 (x) os valores de suas estimativas x = 40, 3
e s2 = 1, 69 podemos calcular P = P ({e U : 38, 5 x (e) 39, 5}) pela
integral
39,5
(x)2
1
P =
e 22 dx.
2 38,5
Fazendo
x
x 40, 3
t=
=
1, 3
teremos
0,62
1
t2
P =
e 2 dt.
2 1,38
76
Quantidade
158
680
1838
2920
2616
1333
386
69
1
.
2
6.3. EXEMPLOS
77
Como estamos interessados em valores de x menores ou iguais a 12, consideraremos os valores de x tais que |x 20| 8. Isso inclui tambm valores
de x maiores ou iguais a 28.
Na falta de informaes sobre uma possvel simetria na distribuio de
probabilidade, no temos alternativa sino incluir essa faixa de valores de x.
Fica ento determinado o valor de
3 = 8
isto , = 8/3. Portanto
P ({e U : x 12}) P
8
e U : |x 20| 3
3
1
2 = 0, 14
8
3
Exemplo 6.10 Um industrial precisa fabricar barras de 1 metro de comprimento com tolerncia para mais ou para menos de 0, 1 mm. A mquina a
ser utilizada capaz de fabricar peas cujos comprimentos variam com desvio
padro de 0, 08 mm. Aps a fabricao as peas excessivamente compridas
devero ser cortadas e as excessivamente curtas refundidas. Sabendo-se que
o prejuizo de 1, 00 real por pea que necessite ser cortada e de 10, 00 reais
por pea que necessite ser refundida, e que a mquina pode ser ajustada para
cortar 1.000, 01 ou 1.000, 02 mm, pergunta-se qual desses ajustamentos conduz
operao mais econmica.
Supor distribuio normal para o comprimento cortado.
Soluo
Seja y a varivel aleatria discreta custo adicional por pea. Pode assumir
os valores
y0 = 0, y1 = 1, y2 = 10.
A esperana matemtica dos custos adicionais por pea ser:
(y) =
2
i=0
p (y1 ) =
e 0,082 dx
20, 08 1000,1
78
999,9
(x)2
2 0,082
dx.
0, 08
t=
teremos
1
p (y1 ) =
2
1
p (y2) =
2
t2
1,125
1,375
1
dt = 0, 5
2
2
t2
1,125
t2
e 2 dt
1
dt = 0, 5
2
1,375
t2
e 2 dt
0, 08
t=
teremos
1
p (y1 ) =
2
1
p (y2) =
2
t2
1,5
t2
1
dt = 0, 5
2
1
dt = 0, 5
2
t2
e 2 dt
1,5
t2
e 2 dt
6.3. EXEMPLOS
79
Clculo de (y)
Para (x) = 1000, 01
(y) = 0, 130 + 10 0, 085 = 0, 980
Para (x) = 1000, 02
(y) = 0, 159 + 10 0, 067 = 0, 829.
Portanto o industrial deve preferir a segunda alternativa, na qual resulta
menor a esperana matemtica do custo adicional por pea, isto , na qual se
prev um custo adicional mdio menor.
Exemplo 6.11 Ao somarmos 10 parcelas, todas arredondadas at a mesma
casa decimal, qual a probabilidade que o erro na soma oriundo dos arredondamentos ultrapassem uma unidade da ltima casa conservada?
Soluo
Neste problema podemos adotar como universo U = R10 .
Um elemento de U, e = (x1 , x2, . . . x10 ) onde xi o erro de arredondamento da i-sima parcela. Seja xi : U R a varivel aleatria definida
por xi (e) = xi .
Estamos interessados na varivel aleatria x = x1 + x2 + + x10 .
Admitindo que as variveis aleatrias xi , i = 1, 2, . . . 10 tem densidade
de probabilidade retangular, poderiamos, seguindo a linha de soluo do exemplo (1), procurar calcular a densidade de probabilidade de x. Descobririamos
sem demora, que esse clculo seria extremamente laborioso e demorado.
Podemos encontrar uma restrio superior para a probabilidade pedida
p = P (e U : |x (e)| 1)
por meio da desigualdade de Tchebycheff.
Calculemos (x) e 2 (x). Temos
(x) = (x1 ) + (x2 ) + + (x10)
e por serem os xi independentes
2 (x) = 2 (x1 ) + 2 (x2 ) + +2 (x10 ) .
Mas
(xi ) =
0,5
2
xdx = 0 e (xi ) =
0,5
0,5
x2dx =
0,5
1
.
12
80
Fazendo =
|x (e)|
10
12
10
.
12
1
.
2
1, 2 obtemos
p P ({|x (e)| 1})
1
= 0, 833
1, 2
Pelo Teorema 7.5 (Teorema do Limite Central) que aplicvel neste caso,
podemos aproximar a distribuio de probabilidade da varivel aleatria x pela
distribuio normal de mesma esperana matemtica e variana.
Ento, como melhor alternativa, vamos usar a aproximao
P ({|x (e)| 1}) = 1 P ({|x (e)| < 1})
1
2
1
1
x2
1
e 2 dx onde =
= 0, 833 = 0, 913.
12
2 1
Fazendo
t=
x
x
=
0, 913
temos
1,095
1
t2
P ({|x (e)| 1}) 1
e 2 dt =
2 1,095
1,095
t2
1
= 1 2
e 2 dt.
2 0
Da tabela da curva normal obtemos
P ({|x (e)| 1}) 1 2 0, 3632 = 1 0, 7264 = 0, 2736.
A probabilidade de 27, 4%.
Captulo 7
Anexos
7.1
e ()x
,
x!
x = 0, 1, 2, . . . ,
(7.1)
que
1) p (x, 1 + 2 ) =
x
k=0
p (x k, 1) p (k, 2 ) ,
x,
2) p (1, ) = + o () ,
3) p (x > 1, ) = o () .
Observaes 7.2
i) A distribuio definida pela expresso 7.1 a distribuio de Poisson de
esperana matemtica .
ii) Por abuso de notao,
estamos indicando por p (x > 1, ) a probabilidade
P ({2, 3, 4, . . .}) = x=2 p (x, ).
Prova.
81
82
CAPTULO 7. ANEXOS
a) A condio necessria.
Suponhamos que
e ()x
p (x, ) =
,
x!
x = 0, 1, 2, . . . ,
x
e1 (1 )xk e 2 (2)k
(x k)!
k=0
x
k=0
k!
p (x k, 1 ) p (k, 2 ) .
Como
resulta
p (1, ) = e = + e 1 .
e 1
= e 1 0, quando 0,
p (1, ) = + o () .
x=2
p (x, ) =
e ()x
x=2
x!
e ()x+2
x=0
(x + 2)!
2
()
x=0
x=0
83
()2
()x
(x + 2) (x + 1) x!
2
()x
()2
()
=e
e =
.
x!
2
2
Logo
p (x > 1, ) = o () .
b) A condio suficiente.
Vamos supor agora que valem as condies 1), 2), e 3), e vamos provar que
p (x, ) dada pela expresso 7.1. Por comodidade vamos convencionar
que p (x, ) = 0 para valores negativos de x.
Pela condio 1) podemos escrever
p (x, + ) =
x
k=0
p (x k, ) p (k, ) =
x
k=2
p (x k, ) p (k, ) .
p (1, ) = + o () .
Portanto
p (x, + ) = p (x, ) (1 + o ())+p (x 1, ) ( + o ()) +
+
x
k=2
p (x k, ) p (k, ) .
Mas
x
k=2
p (x k, ) p (k, )
x
k=2
p (k, ) = p (x > 1, ) = o () .
84
CAPTULO 7. ANEXOS
Podemos ento escrever
p (x, + )p (x, ) = ( + o ()) (p (x 1, ) p (x, ))+o () .
Divindo por temos
p (x, + ) p (x, )
=
o ()
o ()
+
(p (x 1, ) p (x, ))+
.
x = 0, 1, 2, . . .
Considerando x = 0, 1, 2, . . ., como um parmetro temos uma seqncia de equaes diferenciais ordinrias. As condies 2) e 3) fornecem
condies iniciais. De fato passando ao limite
p (1, ) = + o () ,
p (x, ) = p (x > 1, ) = o () ,
x=2
x = 1, 2, 3, . . .
e portanto
p (0, 0) = 1
p (x, 0) = 1
x=1
p (0, 0) = 1.
Para x = 1, 2, 3, . . ., teremos
dp(x,)
d + p (x, )
p (x, 0)
= p (x 1, ) ,
= 0.
85
e ()x
x!
7.2
e 2 dt = () () .
2
2. Os teoremas que fornecem condies suficientes para que (xk ) tenha a
Propriedade do Limite Central so chamados Teoremas do Limite Central.
86
CAPTULO 7. ANEXOS
k = 1, 2, 3 . . . ,
c)
Mn
0 para n
(zn )
ento (xk ) possui a Propriedade do Limite Central.
Observaes 7.7
1. Se |xk (xk )| M,
ficam satisfeitas.
Bibliografia
[BARROS]
[BERQUO]
E. S. BERQU, J. M. P. de SOUZA, S. L. D.
GOTLIEB. Bioestatstica. EPU Editora Pedaggica
Universitria Ltda, So Paulo, 1980
[CRAMER]
[KOLMOGOROV]
[LEME]
[TUCKER]
87