Probab Il I Dade

Clculo de Probabilidades
Ivan de Queiroz Barros

1960 (Reviso em 2008)
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
5 Probabilidade II - Extenso da Teoria

5.1 Necessidade de uma extenso . . . . . . . . . . . . . . . . . . .
5.2 Sigma lgebra de subconjuntos . . . . . . . . . . . . . . . . . . .
5.2.1 Sigma lgebra de Borel na reta . . . . . . . . . . . . . .
5.3 Reformulao dos axiomas de probabilidades . . . . . . . . . . .
5.4 Funes de Distribuio . . . . . . . . . . . . . . . . . . . . . .
5.5 Variveis Aleatrias . . . . . . . . . . . . . . . . . . . . . . . . .
5.6 Esperana Matemtica . . . . . . . . . . . . . . . . . . . . . . .
5.6.1 Esperana matemtica de variveis aleatrias discretas
positivas . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.6.2 Esperana matemtica de variveis aleatrias positivas .
5.6.3 Esperana matemtica de uma varivel aleatria qualquer
5.7 A Desigualdade de Chebichev . . . . . . . . . . . . . . . . . . .
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.
Dizemos que B contm A (notao B A) se A est contido em B.

Entre as partes de E vamos introduzir as operaes: unio, interseo e
complementao.
Definio 1.2 A unio de dois subconjuntos A, B E, que denotaremos por
A + B, o subconjunto de E definido por
A + B = {x E : x A ou x B}.
Definio 1.3 A interseo de dois subconjuntos A, B E, que denotaremos por AB, o subconjunto de E definido por
AB = {x E : x A e
x B}.
Definio 1.4 O complemento de um subconjunto A E, que denotaremos

por A, o subconjunto de E definido por
A = {x E : x
/ A}.
1
CAPTULO 1. CLCULO DE FREQNCIAS
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
Da propriedade 9 (Leis de Morgan) resulta o seguinte.

Se uma parte A de E se deduz de outras partes X, Y , Z de E pela aplicao,
no importa em que ordem, das operaes de unio, interseo e complementao, obter-se- o complementar A, substituindo-se as partes X, Y , Z pelos
seus complementares, e as operaes de unio e interseo, pelas de interseo
e unio respectivamente, respeitada a ordem das operaes. a regra de
dualidade. Tem esse nome porqu uma nova aplicao da regra restaura a
expresso anterior.
1.1. LGEBRA DE SUBCONJUNTOS
Exemplo 1.8 Calculemos o complementar de

A = X + Y Z XZ + Y
usando a regra de dualidade.

Podemos escrever imediatamente

A = X Y + Z + X + Z Y.
Pela distributividade da interseo em relao unio, temos
Mas
A = X Y + XZ + XY + ZY =

= X Y + Y + XZ + ZY = X + XZ + ZY.
pois que XZ X. Logo
X + XZ + ZY = X + ZY,
A = X + ZY.
Obtenhamos o mesmo resultado, primeiro desenvolvendo a expresso original e depois complementando.

A = XXZ + XY + Y ZXZ + Y Z Y =

= XZ + XY = X Z + Y
pois que XX = X, ZZ = e Y Y = .
Complementando, temos

A =X Z +Y =X + Z +Y =X +ZY =
= X + ZY .
Exemplo 1.9 Dos 50 pacientes do terceiro andar de um hospital, 12 tem

mais de 70 anos. Entre stes 8 so mulheres. Quantos pacientes so mulheres
ou no tem mais de 70 anos?
Soluo
Seja M o subconjunto
das

mulheres e V o subconjunto dos idosos. Desejamos calcular card M + V .
Ora,

M + V = M V + V + V = MV + MV + V = M V + V .
Ento, como MV e V so disjuntos,

card M + V = card MV + V = card (MV )+card V = 8+(50 12) = 46.
1.2
Freqncias
Seja E um conjunto finito com n elementos, isto , card (E) = n.

Definimos f : PE R por
f (A) =
card (A)
,
card (E)
A E,
e chamamos f (A) freqncia de A.

Propriedades 1.10 Bsicas
1) f (E) = 1
2) f (A) 0,
A E
3) A B =
f (A + B) = f (A) + f (B)
Prova.
1) f (E) =
card(E)
card(E)
=1
2) f (A) 0, pois card (A) 0 e card (E) 0

3) f (A + B) =
card(A+B)
card(E)
card(A)
card(E)
card(B)
card(E)
= f (A) + f (B)
As propriedades seguintes so conseqncias simples das propriedades bsicas.

Propriedades 1.11
4) f () = 0

5) f (A) + f A = 1
6) Se A1 , A2 , . . . Am so disjuntos, isto , i = j
Ai Aj = , ento
f (A1 + A2 + + Am ) = f (A1 ) + f (A2 ) + + f (Am )

7) A B
f (A) f (B)
8) f (A + B) = f (A) + f (B) f (AB) ,
A, B E
1.2. FREQNCIAS
Definio 1.12 Seja A E com f (A) = 0.

Definimos a aplicao
fA : PE R
por
fA (B) =
f (AB)
,
f (A)
B E.
O valor fA (B) chamado freqncia de B condicionada a A.

Proposio 1.13 A funo fA satisfaz as mesmas propriedades 1 a 8 de f.
Prova.
Basta verificar as propriedades bsicas 1, 2 e 3, pois as restantes so conseqncias.
Verificao de 1)
fA (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)
Como (AB) (AC) = A (BC) = , resulta

fA (B + C) =
f (AB) + f (AC)
= fA (B) + fA (C) .
f (A)
Podemos ento interpretar fA (B) como a freqncia em A dos elementos

de B.
Proposio 1.14 Seja A1 , A2 , An E, onde n > 1.
Se f (A1 A2 An1 ) = 0 ento f (A1 A2 An ) = 0.
Se f (A1 A2 An1 ) = 0 ento
f (A1 A2 An ) = f (A1 ) fA1 (A2 ) fA1 A2 (A3 ) fA1 A2 An1 (An ) .
Prova.
1) Suponhamos que f(A1A2 An1 ) = 0.
Em geral, se A B e f (B) = 0, resulta f (A) = 0.

Como A1 A2 An A1 A2 An1 temos ento
f (A1A2 An ) = 0.
2) Suponhamos que f(A1A2 An1 ) = 0.
Em geral, se A B e f (A) = 0, resulta f (B) = 0.

Como A1 A1 A2 A1 A2 An1, temos
f (A1 ) = 0,
f (A1A2 ) = 0,
f (A1 A2 An2 ) = 0.
Podemos ento escrever:

f (A1 A2 An ) = f (A1 )
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.
1.3. UNIVERSO E AMOSTRAS
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,
que indicaremos por A, e que por sua vez determina o subconjunto.

Estabelecemos, ento, uma correspondncia biunvoca entre atributos e
subconjuntos.
Da mesma forma temos uma correspondncia biunvoca entre atributos dos
elementos de uma amostra E e subconjuntos de E.
Seja A E. Podemos ento falar na freqncia f (A) do subconjunto A
ou atributo A, calculada na amostra.
Seja A U . Se o Universo infinito, no podemos calcular a freqncia
de A no Universo pois no est definida (vide definio de freqncia). Se,
porm, U finito, indicaremos por f u (A) a freqncia de A no Universo.
Observaes 1.15
1) Como uma amostra obtida sempre com reposio, o nmero de elementos da amostra pode ser menor, igual ou maior que o nmero de
elementos do Universo.
2) Mesmo quando a amostra tem menor nmero de elementos, no pode
ser identificada com um subconjunto do Universo, pois podem existir
elementos distintos da amostra que provem do mesmo elemento do Universo.
3) Consideremos um Universo finito. Conforme a tcnica de amostragem, a

freqncia de um atributo na amostra pode ser completamente diferente
da freqncia no Universo do atributo correspondente.
1.3.1
Lei da Regularidade Estatstica
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.
Dados um Universo U, uma tcnica de amostragem, se nos observarmos a

freqncia f (A) de um atributo A U em amostras com um nmero crescente
n de elementos, nos observaremos em geral que f (A) mostra uma acentuada
tendncia de se tornar mais ou menos constante para grandes valores n.
A impresso que se tem a da existncia de uma freqncia ideal para

a qual convergiria a freqencia, observada numa amostra com n elementos,
quando n tendesse ao infinito.
Os ganhos dos cassinos em todo o mundo esto baseados na verificao
diria da validade da lei da regularidade estatstica em seus jogos de azar.
esta lei que motiva a introduo da noo matemtica de Probabilidade
e que garante a sua aplicabilidade prtica.
1.3.2
Tcnica de Amostragem Ocasional
Consideremos um Universo finito e uma tcnica de amostragem.

Diremos que essa tcnica ocasional se para todo atributo A, tivermos
f (A) f u (A) ,
em grandes amostras.
1.3. UNIVERSO E AMOSTRAS
A lei da regularidade estatstica garante a estabilidade da freqncia f (A)

calculada em amostras grandes.
A tcnica de amostragem ser ocasional se essa estabilidade se der em torno
da freqncia do atributo A no Universo f u (A).
A verificao, se uma dada tcnica de amostragem ou no ocasional, se
faz, em ltima anlise, experimentalmente.
imediato verificar que uma tcnica de amostragem ocasional se, e s
se, a freqncia de cada elemento do Universo em grandes amostras aproxi1
madamente igual a card(U
.
)
1.3.3
Amostragem ocasional estratificada
Consideremos um universo finito U , particionado em N partes, isto ,

U = A1 + A2 + + AN
onde Ai Aj = ,
para i = j,
e suponhamos conhecidas as freqncias

f u (Ai ) ,
i = 1, 2, . . . N.
Formemos uma amostra E obtendo a partir de cada Ai uma amostra parcial

Ei com uma tcnica de amostragem ocasional. Teremos
E = E1 + E2 + + EN
onde Ei Ej = ,
para i = j.
Seja F U um atributo qualquer. Teremos

fEi (F ) fAui (F ) ,
porque a amostragem em cada Ai foi ocasional.
Podemos agora estimar a freqncia de F no universo U. Temos
u
f (F ) =
N
(Ai ) fAui
(F )
i=1
1.3.4
N
f u (Ai ) fEi (F ) .
i=1
Amostragem ocasional estratificada proporcional
Nas mesmas condies da subseo anterior, suponhamos agora que o nmero

de elementos em cada amostra parcial Ei E foi escolhido proporcional ao
nmero de elementos de Ai U. Ento
f u (Ai ) = f (Ei ) ,
= 1, 2, . . . N,
10
e portanto
u
f (F )
N
f (Ai ) fEi (F ) =
i=1
1.4
Leitura
[CRAMER, Section 13.3]
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
Definio 2.1 Diremos que um conjunto U enumervel se ele finito, ou

se existe uma correspondncia biunvoca entre U e o conjunto dos nmeros naturais N = {1, 2, 3, . . .}. Em palavras mais simples, um conjunto enumervel
se seus elementos podem ser enumerados.
Exemplo 2.2 So exemplos de conjuntos enumerveis:
a) O conjunto {e1 , e2 , e3, e4}.
b) O conjunto dos nmeros naturais N.
11
12
CAPTULO 2. CLCULO DE PROBABILIDADES I
c) O conjunto Q dos nmeros racionais, isto , dos nmeros da forma

n e m so inteiros.
n
,
m
onde
d) O conjunto dos pares (n, m) onde n e m so inteiros positivos.

e) O conjunto dos pares (p, q) onde p e q so nmeros racionais.
Exerccio 2.3 Exibir uma enumerao dos elementos dos conjuntos do exemplo anterior.
2.2
Axiomas
Seja U um universo enumervel, e seja P : PU R. A aplicao P leva

partes de U em R, isto , associa a cada subconjunto A (atributo A) de U um
nmero real P (A).
Se P satisfizer os axiomas:
1) P (A) 0,
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
diremos que P uma funo probabilidade.

Se A U, chamaremos P (A) probabilidade de A.
Observaes 2.4
1. O axioma 3) calcado na propriedade 3) das freqncias, mas estendido
para o caso de uma unio enumervel de subconjuntos disjuntos.
2. Nos problemas prticos a funo probabilidade ou dada, ou calculada
a partir de funes probabilidade conhecidas ou escolhida de forma a
se ajustar s freqncias calculadas em amostras grandes.
3. As proposies que sero enunciadas a seguir, so decorrncias lgicas
dos axiomas e definies. So vlidas, independentemente de qualquer
interpretao estatstica da probabilidade P .
2.3. CONSEQNCIAS DOS AXIOMAS
2.3
13
Conseqncias dos axiomas
Proposio 2.5 P () = 0.
Prova.
Podemos escrever
=

i=1
onde os i so vazios, e portanto disjuntos entre si.

Pelo axioma 3) temos

P () = P
i =
P (i ) =
i=1
= lim
n

i=1
i=1
P (i ) = lim (P () + P () + + P ()) =
n
= lim nP () .
n
O nico valor possvel para P () zero.

Proposio 2.6 Se A, B U so disjuntos, isto , se AB = , ento
P (A + B) = P (A) + P (B) .
Prova.
De fato, pelo terceiro axioma e pela proposio 2.5, temos
p (A + B) = P (A + B + + + + ) =
= P (A) + P (B) + P () + P () + P () + = P (A) + P (B) .

Corolrio 2.7 P (A) + P A = 1.
Corolrio 2.8 Se A1 , A2 , . . . An U so disjuntos, ento

P (A1 + A2 + + An ) = P (A1 ) + P (A2 ) + + P (An ) .
Proposio 2.9 Se A B, ento P (A) P (B).
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) .
Proposio 2.10 Sejam A, B U. Em geral vale:

P (A + B) = P (A) + P (B) P (AB) .
Prova.
Das igualdades
A + B = AB + AB + AB,
AB + AB = A,
AB + AB = B,
teremos, por serem AB, AB e AB disjuntos,
P (A + B)

P (AB) + P AB
P (AB) + P AB

= P (AB) + P AB + P AB ,
= P (A) ,
= P (B) .
Somando-se membro a membro resulta

P (A + B) + P (AB) = P (A) + P (B) .
Proposio 2.11 Sejam A1 , A2 , . . . An U tais que

1.
Ai Aj =
para i = j,
2.
A1 + A2 + + An = U,
3.
P (Ai ) = P (Aj )
para i = j.
15
Ento, se B = A1 + A2 + + Am com m n, teremos

P (B) =
m
,
n
isto , P (B) ser igual ao quociente do nmero de casos favorveis sbre o

nmero de casos possveis, igualmente provveis.
Prova.
Com efeito, pelo corolrio 2.8 temos
P (B) = P (A1) + P (A2 ) + + P (Am ) ,
donde
P (U) = P (A1 ) + P (A2) + + P (An ) ,

P (B) m
= .
P (U)
n
Mas pelo axioma 2, P (U) = 1, e portanto

P (B) =
m
.
n
Observao 2.12 A funo P : PU R fica completamente conhecida

se forem conhecidos os valores P ({ei }) para os subconjuntos {ei } U que
possuem um nico elemento. Para aliviar a notao, indicaremos P ({ei }) por
P (ei ).
Para um subconjunto finito qualquer
A = {e1 , e2 , . . . en } U,
teremos
P (A) =
n
P (ei ) ,
i=1
e para um subconjunto infinito
A = {e1 , e2 , e3 , . . .} U,
teremos
P (A) =

i=1
P (ei ) .
16

Em particular para A = U teremos
P (U) =
P (ei ) = 1.
i=1
Reciprocamente, se tivermos um universo U com n elementos, poderemos

construir uma funco de probabilidade, tomando nmeros pi 0 tais que
n
pi = 1,
i=1
e fazendo
P (ei ) = pi ,
i = 1, 2, . . . n.
Se o universo U for infinito enumervel, podemos tomar uma seqncia

p1 , p2 , p3 , . . . ,
de nmeros reais no negativos, tais que
pi = 1,
i=1
e analogamente fazer
P (ei ) = pi ,
i = 1, 2, 3, . . .
Definio 2.13 Seja A U e P (A) = 0.

Definiremos PA : PU R por
PA (B) =
P (AB)
.
P (A)
O valor PA (B) chamado probabilidade de B condicionada a A.

Observao 2.14 Nos problemas prticos, PA (B) pode ser estimado numa
grande amostra por fA (B) (freqncia de B condicionada a A).
Reciprocamente o conhecimento de PA (B) constitui-se numa previso de
fA (B) .
17
Proposio 2.15 A funo PA uma funo probabilidade definida

sbre U.
Prova.
Basta verificar que os tres axiomas esto satisfeitos.
1. Como P (AB) 0 e P (A) > 0, resulta da definio de PA que
PA (B) 0, B U .
2. Verifiquemos que PA (U) = 1. De fato,
PA (U ) =
3. Seja
P (A)
P (AU)
=
= 1.
P (A)
P (A)
Bi uma unio enumervel de subconjuntos disjuntos de U.
Teremos,
PA
=

Bi

P (A Bi )
PA ( ABi )
=
=
=
P (A)
P (A)
P (ABi ) P (ABi )
=
=
PA (Bi ) .
P (A)
P (A)
Portanto o terceiro axioma est verificado.
Corolrio 2.16 Todas as propriedades de P sero automaticamente propriedades

de PA .
Proposio 2.17 Sejam B, C U tais que P (BC) = 0.
Ento [PB ]C (A) = PBC (A).
Prova.
Como BC B e P (BC) > 0, resulta P (B) > 0.
Podemos ento escrever
[PB ]C (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
Definio 2.20 Seja P uma funo probabilidade definida sbre um universo

U. Sejam B e A subconjuntos de U .
Diremos que B independente de A se
PA (B) = P (B)
ou PA (B) = P (B) .
Observao 2.21 Num problema prtico, a funo de probabilidade P

escolhida de forma a prever as freqncias em grandes amostras. Se B
independente de A segundo a definio 2.20, teremos numa grande amostra
fA (B) f (B)
ou fA (B) f (B) .
Ento com boa aproximao, a ocorrncia ou a no ocorrncia de A

no afeta a ocorrncia de B.
Esta a noo intuitiva de independncia, traduzida em termos matemticos pela definio.
Proposio 2.22 Condio necessria e suficiente para que B seja independente de A que
P (AB) = P (A) P (B) .
2.4. O CONCEITO DE INDEPENDNCIA
19
Prova.
a) A condio necessria
Seja B independente de A. Ento
PA (B) = P (B)
ou PA (B) = P (B) .
Se for aplicvel a primeira alternativa, teremos

P (AB)
= P (B)
P (A)
donde
P (AB) = P (A) P (B) .
Se for aplicvel a segunda, obtemos

P AB
= P (B)
P A
donde

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

Se for P (A) = 0, substituimos P (A) = 1 P A

e P (AB) = P (B) P AB , em P (AB) = P (A) P (B) obtendo

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) .
Corolrio 2.23 Se B independente de A, ento A independente de B,

pela simetria da igualdade P (AB) = P (A) P (B). Diremos daqui por diante
que A e B so independentes entre si.
Definio 2.24 Seja Ak , k = 1, 2, 3, . . ., uma sequncia finita ou infinita
de subconjuntos de U.
Dizemos que os Ak so independentes entre si, se para todo inteiro n
positivo e para toda n-pla Ak1 , Ak2 , . . . Akn de elementos distintos da sequncia, vale
P (Ak1 Ak2 Akn ) = P (Ak1 ) P (Ak2 ) . . . P (Akn ) .
Exerccio 2.25 Sejam A1 , A2 , . . . An B1B2 . . . Bm
P (B1B2 Bm ) = 0. Prove que
independentes entre si, e
PB1 B2 ...Bm (A1A2 An ) = P (A1 A2 An ) .

Exerccio 2.26 Sejam A1, A2, . . . An B1 B2 . . . Bm independentes entre si. Prove
por induo sobre n que

P A1 A2 An B 1 B 2 B m = P (A1 ) P (A2 ) P (An ) P B 1 P B 2 P B m .
Observao 2.27 Nos problemas de probabilidades, em face da expresso

P (A1 A2 An ) procederemos da seguinte maneira:
1. Se A1, A2, . . . An U so independentes entre si, escreveremos
P (A1A2 An ) = P (A1 ) P (A2 ) P (An ) .
2.5. PROBABILIDADE E AMOSTRAGEM OCASIONAL
21
2. Se A1 , A2, . . . An U no forem independentes entre si, tentaremos a

decomposio
P (A1A2 An ) = P (A1 ) PA1 (A2 ) PA1 A2 (A3 ) PA1 A2 An1 (An ) .
Se conseguirmos, ser correta a decomposio.
3. Se no for possvel a decomposio, ser porqu P (A1 A2 Ai ) = 0 para
algum i, 1 i < n, o que implica
P (A1 A2 An ) = 0.
2.5
Probabilidade e Amostragem ocasional
Seja U um universo finito com n elementos, e formemos uma grande amostra

com uma tcnica de amostragem ocasional.
Seja A um atributo que define um subconjunto A do universo. Seja m o
cardinal de A. Pela definio de amostragem ocasional temos
f (A) fu (A) ,
isto , a freqncia f (A) de A, calculada na amostra, aproximadamente igual
freqncia fu (A) de A, calculada no universo U.
Ento, uma escolha conveniente, nestas circunstncias, para a funo probabilidade P : PU R, a funo fu : PU R. Definimos ento:
P (A) = fu (A) =
m
.
n
Se a tcnica de amostragem no for ocasional, uma boa escolha de

P : PU R ser aquela em que definimos P por
P (A) = f (A) ,
A U,
onde f (A) a freqncia de A calculada numa amostra bastante grande.

Neste caso P (A) pode ser muito diferente de fu (A).
A amostragem ocasional s possvel para universos finitos. A segunda
alternativa para escolha de P pode ser aplicada para universos no finitos,
pois uma amostra sempre finita.
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
Alteremos agora a tcnica de amostragem. A nova tcnica ser a seguinte.

Retiramos ao acaso uma bola. Se no for branca, devolvemos urna e repetimos a operao at que saia uma bola branca. Temos agora um elemento da
amostra.
Repetimos a tcnica de amostragem at ter uma grande amostra com 100
elementos.
Qual ser a freqncia na amostra dos atributos branco e vermelho?
Obviamente teremos f (B) = 1 e f (V ) = 0, bem diferentes das freqncias
respectivas no universo que so fu (B) = 0.5 e fu (V ) = 0.5.
Portanto esta nova tcnica de amostragem no ocasional.
Qual a funo de probabilidade P apropriada neste caso? A freqencia de
uma particular bola branca bi na amostra ser aproximadamente
f (bi )
1
5
e a freqncia de uma bola vermelha vj ser

f (vj ) = 0.
Portanto uma boa escolha de P ser aquela determinada por
1
P (bi ) = ,
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.
2.6. CONSIDERAES PRTICAS
23
Exerccio 2.29 Explique porqu, na segunda tcnica de amostragem do exemplo anterior, temos
1
f (bi ) .
5
2.6
Consideraes Prticas
Como devemos atacar um problema sbre probabilidades?

claro que para podermos usar os resultados tericos precisamos conhecer
o universo U e a funo probabilidade P .
Pelo enunciado do problema nem sempre bvio qual o universo que
devemos adotar, principalmente quando a tcnica de amostragem de alguma
complexidade.
Conheceremos o universo se soubermos reconhecer seus elementos. O que
que se obtm numa prova, isto , numa aplicao da tcnica de amostragem?
Ora, exatamente um elemento do universo.
Ento olhamos para o que temos em mos aps a execuo da tcnica de
amostragem. O universo U ser o conjunto dos elementos dsse tipo.
Quando termina a descrio da tcnica de amostragem? Como a tcnica
de amostragem determina a probabilidade P que apropriada para o problema, logo que alguma pergunta feita referente a probabilidades, a tcnica de
amostragem j dever ter sido descrita.
Estas consideraes sero ilustradas nos exemplos que sero apresentados.
2.7
Exemplos
Exemplo 2.30 Sabendo-se que a probabilidade de ruptura de um elo, de uma

corrente com tres elos, vale 1/3, qual a probabilidade de ruptura da corrente?
Soluo
a) Fixemos, inicialmente, para melhor compreenso do problema uma possvel
tcnica de amostragem compatvel com o enuciado acima. Consideremos, por exemplo, que uma corrente de tres elos seja separada da produo segundo um critrio determinado e ensaiada da seguinte maneira:
suspende-se a corrente e aplica-se no elo inferior uma carga P durante
um certo tempo t.
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 ).
Supondo-se que as rupturas dos diversos elos ocorrem independentemente

entre si, teremos
P (X) = P (R1 ) + P (R2 ) + P (R3 )
P (R1 ) P (R2 ) P (R2 ) P (R3) P (R1 ) P (R3) + P (R1 ) P (R2 ) P (R3 ) =
= 1/3 + 1/3 + 1/3 1/9 1/9 1/9 + 1/27 = 19/27.
Uma soluo mais simples seria

P (X) = 1 P X = 1 P R1 + R2 + R3 = 1 P R1 R2R3 =

1 P R1 P R2 P R3 = 1 2/3 2/3 2/3 = 19/27.
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 ) ,
fR1 (R3 ) f (R3 ),
fR2 (R3 ) f (R3 ) ,
fR1 R2 (R3 ) f (R3 ) .
Quanto maior a amostra, tanto maior a confiana com que concluiremos

sobre os diversos quesitos.
O valor obtido na soluo do problema, P (X) = 19/27, ser considerado na
prtica, como uma frequncia ideal de ruptura, isto , como uma antecipao
da frequncia de ruptura numa amostra qualquer.
Exemplo 2.32 A probabilidade de um canho uma distncia d do alvo
acertar um tiro 50%.
que distncia deve ser colocada uma bateria de 4 canhes para que a
probabilidade de cairem duas balas no alvo ao atirarem os 4 canhes seja
3/32. Sabe-se que a probabilidade de um tiro atingir o alvo inversamente
proporcional ao quadrado da distncia.
Soluo
O resultado da aplicao da tcnica de amostragem (atirarem os quatro
canhes) ser uma possvel combinao de acertos e erros (elemento do Universo).
Indicando por Ai o evento canho i acertar o alvo , o evento acertar
duas balas no alvo que indicaremos por X, ser expresso por
A = A1A2 A3 A4+A1 A2 A3 A4+A1 A2 A3 A4+A1 A2 A3 A4+A1 A2 A3A4 +A1 A2 A3A4 .
Considerando agora os smbolos X e Ai como representaes dos subconjuntos do Universo determinados pelos eventos correspondentes, podemos escrever

P (X) = P A1A2 A3 A4 + P A1 A2 A3A4 + P A1A2 A3 A4 +

+P A1A2 A3 A4 + P A1 A2 A3A4 + P A1 A2A3 A4 .
Supondo-se independncia entre os tiros teremos

P (X) = 6P (A1) P (A2) P A3 P A4 .
26

Chamando P (Ai ) = p e substituindo P (X) = 3/32 ficamos com
3
= 6p2 (1 p)2
32
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=
Exemplo 2.33 Numa fbrica, tres mquinas produzem lmpadas segundo a

tabela:
% de defeituosos na produo
de cada mquina
Mquina % da produo total

A
B
C
20
55
25
3
5
4
Qual a probabilidade de uma lmpada tomada ao acaso e verificada defeituosa

ter sido fabricada pela mquina B?
Soluo
Indiquemos por A o evento ocorrncia de uma lmpada fabricada pela
mquina A. Analogamente para B e C.
Indiquemos por D o evento ocorrncia de uma lmpada defeituosa.
2.7. EXEMPLOS
27
O enunciado pede PD (B). Pela definio de probabilidade condicionada

PD (B) =
P (BD) P (B) PB (D)

=
.
P (D)
P (D)
P (D) no conhecida, mas pode ser determinada efetuando-se a decomposio

D = (A + B + C) D = AD + BD + CD.
Como AD, BD, CD, so incompatveis,
P (D) = P (A) PA (D) + P (B) PB (D) + P (C) PC (D)
donde
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 %
Exemplo 2.34 Numa linha de produo uma unidade bruta processada

em srie por tres mquinas e entra numa linha de inspeco onde um operrio
separa os defeituosos. A segunda e terceira mquinas possuem dispositivos
automticos que rejeitam unidades semiacabadas defeituosas. Sabendo-se que
a probabilidade de no rejeio pelos dispositivos automticos 2p quando
a unidade ja foi processada defeituosamente uma vez e p quando duas vezes
e ainda que as probabilidades de processamento defeituoso valem respectivamente q, 2q, 3q, conforme ja tiver havido 0, 1, 2, processamentos defeituosos,
pergunta-se qual a probabilidade de uma unidade que chega linha de inspeco ser rejeitada.
Mostrar que no caso particular em que os mecanismos de rejeio funcionem
perfeitamente (p = 0), a soluo ser como era de se esperar igual a q.
Soluo
Numerando-se as operaes segundo a ordem em que so realizadas, o Universo a ser considerado ser constituido pelas possveis combinaes de processamentos defeituosos ou no defeituosos nas operaes 1, 3 e 5, com rejeies
ou no rejeies nas operaes 2 e 4.
28
Indiquemos por Di , (i = 1, 3, 5), os eventos ocorrncia de processamento

defeituoso na operao i e por Fj , (j = 2, 4), os eventos ocorrncia de no
rejeio na operao j .
A probabilidade pedida a probabilidade associada ocorrncia de algum
processamento defeituoso, condicionada no rejeio nas operaes 2 e 4, isto
,
P ((D1 + D3 + D5 ) F2F4 )
PF2 F4 (D1 + D3 + D5 ) =
.
P (F2 F4)
Calculemos o numerador.
Podemos escrever
D1 + D3 + D5 = D1 D3 D5 + D1 D3 D5 + D1 D3 D5+
+D1 D3D5 + D1D3 D5 + D1 D3 D5 + D1 D3 D5 .
Portanto
P ((D1 + D3 + D5) F2 F4 ) = P (D1F2 D3 F4 D5) +

+P D1F2 D3 F4 D5 + P D1 F2 D3 F4 D5 + P D1 F2 D3 F4D5 +

+P D1F2 D3 F4D5 + P D1F2 D3 F4D5 + P D1F2 D3 F4D5 .
Exemplo do clculo de uma das parcelas
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 .
Efetuando todos os clculos e simplificando obtemos

P ((D1 + D3 + D5 ) F2F4 ) = 4q (1 q) p2 + 2q (1 q) p + q (1 q)2
Calculemos o denominador
F2 F4 = (D1 + D3 + D5) F2 F4 + (D1 + D3 + D5 )F2 F4 =
= (D1 + D3 + D5 ) F2F4 + D1D3 D5 F2 F4

P (F2F4 ) = P ((D1 + D3 + D5 ) F2 F4) + P D1F2 D3 F4 D5
A primeira parcela ja foi calculada. A segunda vale

P D1 F2 D3 F4 D5 = P D1 PD1 (F2) PD1 F2 D3 PD1 F2 D3 (F4 ) PD1 F2 D3 F4 P D5 =
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)
Fazendo p = 0 obtemos como era de se esperar

PF2 F4 (D1 + D3 + D5) = q.
Exemplo 2.35 Duas urnas contm bolas brancas e pretas. A primeira
contm a bolas brancas e b bolas pretas. A segunda contm a bolas pretas e b
brancas.
Uma srie de extraes ao acaso so feitas de acordo com as seguintes
regras:
Em cada extrao apenas uma bola retirada e imediatamente devolvida
mesma urna.
Se a bola retirada resultar branca a extrao seguinte feita da primeira
urna. Se preta, da segunda.
A primeira extrao feita da primeira urna.
Qual a probabilidade que a bola retirada na extrao n seja branca?
Soluo
Como a probabilidade de se retirar uma bola branca numa extrao depende do que possa ter ocorrido na anterior, chamando Bi o evento ocorrncia
de bola branca na extrao i consideremos a relao

Bn+1 = Bn + B n Bn+1 = Bn Bn+1 + B n Bn+1
donde

P (Bn+1 ) = P Bn Bn+1 + B n Bn+1 = P (Bn Bn+1 ) + P B n Bn+1 =
30

= P (Bn ) PBn (Bn+1 ) + P B n PB n (Bn+1) .
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
Esta uma equao de diferenas com condio inicial

p1 =
a
.
a+b
A soluo da equao
1
pn =
2
ab
a+b
1
2
como se pode verificar por substituio na equao de diferenas.

Logo

1 ab n 1
P (Bn ) =
+ .
2 a+b
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} .
Como U enumervel, o conjunto dos valores possveis que x (e) pode

assumir, isto , a imagem x (U), de U por x, tambm enumervel.
Usaremos as notaes
x (U) = {x1, x2 , . . .} R,
Xi = {e U : x (e) = xi }.

Pela definio dos Xi claro que
Xi = U, e que Xi Xj = , para i = j,
isto , os subconjuntos Xi formam uma partio de U .
Denotaremos o valor x (e) tambm por xe .
31
32
3.1
CAPTULO 3. VARIVEIS ALEATRIAS
Esperana Matemtica
Definio 3.1 Enumeremos os elementos de U: e1, e2, . . . es , . . .

Definimos esperana matemtica da varivel aleatria x, que denotaremos por (x), por
(x) =
n
x (es ) P (es ) ,
se U finito,
(3.1)
s=1
e caso contrrio, por meio da srie

(x) =
x (es ) P (es ) ,
(3.2)
s=1
desde que a srie seja absolutamente convergente.

Caso a srie no seja absolutamente convergente, x no admite esperana
matemtica.
Observao 3.2 Uma srie dita absolutamente convergente, se a srie
dos valores absolutos dos termos, converge. A convergncia absoluta implica
a existncia de (x), isto , do limite
(x) = lim
n
x (es ) P (es ) ,
s=1
finito e independente da particular enumerao de U.

Observao 3.3
Agrupando-se nas expresses em 3.1 e 3.2, os termos
x (es ) P (es ) para os quais x (es ) = xi , e evidenciando-se os valores xi obtemos
m

(x) =
xi P (Xi ) , se x (U) finito,
i=1
ou caso contrrio,
(x) =

i=1
xi P (Xi ) .
3.1. ESPERANA MATEMTICA
3.1.1
33
Interpretao Estatstica da Esperana Matemtica
Seja U um universo enumervel, E uma amostra obtida com uma particular

tcnica de amostragem, P uma funo probabilidade adaptada a esta tcnica
de amostragem e x : U R uma varivel aleatria que admite esperana
matemtica.
Sabemos que se a amostra E suficientemente grande, temos
P (Xi ) f (Xi ) ,
onde f (Xi ) a freqncia de Xi calculada na amostra.
Teremos ento,

xi P (Xi )
xi f (Xi ) = x,
(x) =
i
onde x R a mdia dos valores de x obtidos na amostra.

Como a amostra finita, teremos f (Xi ) = 0 apenas para um nmero finito
de ndices.
Concluindo, a mdia dos valores de x numa amostra grande uma estimativa de (x) e, pela estabilidade das freqncias, (x) pode ser considerada
uma previso da mdia em amostras grandes.
Seja n o nmero de elementos da amostra e z1 , z2, . . . zn os valores, distintos
ou no, da varivel aleatria x, obtidos na amostra. Ento a mdia x se exprime
como:
n
j=1 zj
x=
n
3.1.2
Propriedades da Esperana Matemtica
Definio 3.4 Sejam x : U R, e y : U R, variveis aleatrias, e

k R uma constante. Indicaremos por k + x, x + y, kx e xy, novas variveis
aleatrias definidas por
(k + x) (e) = k + x (e)
, (x + y) (e) = x (e) + y (e)
(kx) (e) = kx (e)
, (xy) (e) = x (e) y (e)
Proposio 3.5 Sejam x, y, variveis aleatrias que admitem esperana matemtica,

e k1 , k2 R, constantes. Ento
(k1 x + k2 y) = k1 (x) + k2 (y) .
34
Prova.
Suponhamos o universo finito com n elementos, U = {e1 , e2 , . . . en }.
(k1x + k2 y) =
n
(k1 x + k2 y) (es ) P (es ) =
s=1
n
[k1x (es ) + k2y (es )] P (es ) = k1
s=1
n
x (es ) P (es ) + k2
s=1
n
y (es ) P (es ) =
s=1
= k1 (x) + k2 (y) .
Se U for infinito enumervel, basta substituir na demonstrao

.
n
por
Definio 3.6 Dizemos que duas variveis aleatrias x e y so independentes,

se as partioes {Xi } e {Yj } de U determinadas por x e y forem independentes,
isto , se Xi e Yj forem independentes para i, j.
Proposio 3.7 Se x, y so variveis aleatrias independentes que admitem
esperana matemtica, ento
(xy) = (x) (y) .
Prova.
Suponhamos o universo finito com n elementos, U = {e1 , e2 , . . . en }.
(xy) =
n
(xy) (es ) P (es ) =
s=1
n
x (es ) y (es ) P (es ) .
s=1
Agrupando-se os valores x (es ) y (es ) P (es ) para os quais

e y (es ) = yj ,
x (es ) = xi
e evidenciando-se os produtos xi yj obtemos

(xy) =
xi yj P (Xi Yj ) .
i,j
Devido independncia
P (Xi Yj ) = P (Xi ) P (Yj ) ,
3.2. VARIANA
35
donde
(xy) =
xi P (Xi )
yj P (Yj ) = (x) (y) .
Se U for infinito enumervel, basta substituir na demonstrao

.
3.2
n
por
Variana
Definio 3.8 Definimos variana da varivel aleatria x, que denotaremos

por 2 (x), por

2 (x) = [x (x)]2 ,
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
[x (es ) (x)]2 P (es ) ,
[x (es ) (x)]2 P (es ) ,
se U finito,
(3.3)
se U infinito.
(3.4)
Agrupando-se nas expresses em 3.3 e 3.4, os termos [x (es ) (x)]2 P (es )

para os quais x (es ) = xi , e evidenciando-se os valores [xi (x)]2 obtemos
2
(x) =
m

i=1
[xi (x)]2 P (Xi ) ,
se x (U ) finito,
ou caso contrrio,
2 (x) =

i=1
[xi (x)]2 P (Xi ) .
36
3.2.1
Interpretao Estatstica da Variana
Seja U um universo enumervel, E uma amostra obtida com uma particular

tcnica de amostragem, P uma funo probabilidade adaptada a esta tcnica
de amostragem e x : U R uma varivel aleatria que admite esperana
matemtica e variana.
Sabemos que se a amostra E suficientemente grande, temos
P (Xi ) f (Xi ) ,
onde f (Xi ) a freqncia de Xi calculada na amostra.
Teremos ento,

2 (x) =
[xi (x)]2 P (Xi )
[xi (x)]2 f (Xi ) = s20,
i
onde s20 R uma medida da disperso dos valores de x obtidos na amostra.

Como a amostra finita, teremos f (Xi ) = 0 apenas para um nmero finito
de ndices. Um inconveniente de s20 que seu emprego exige o conhecimento
de (x). Mais adiante introduziremos a estimativa s2 para 2 (x), que usa a
mdia x em lugar da esperana matemtica (x).
Seja n o nmero de elementos da amostra e z1 , z2, . . . zn os valores, distintos
ou no, da varivel aleatria x, obtidos na amostra. Ento s20 se exprime como:
s20
n
j=1
[zj (x)]
n
A notao s20 foi empregada em [VAN DER WAERDEN, pargrafo 18].
3.2.2
Propriedades da Variana
Proposio 3.10 Sejam x, y, variveis aleatrias independentes que admitem

esperana matemtica e variana, e sejam k1 , k2 R, constantes. Ento
2 (k1 x k2 y) = k12 2 (x) + k22 2 (y) .
Prova.
Indiquemos, para aliviar a escritura, (x) por 1 , e (y) por 2 .
Calculemos:

2 (k1x k2 y) = [k1 x k2y (k1 x k2 y)]2 =
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
([x1 ] [y2 ]) = (xy 1y2 x+1 2 ) =

= (xy) 12 21 + 1 2 =
= (xy) (x) (y) .
Como x e y so independentes, resulta (xy) (x) (y) = 0.

Portanto
2 (k1 x k2 y) = k12 2 (x) + k22 2 (y) .
Proposio 3.11 Seja x uma varivel aleatria com (x) = e 2 (x) =
2.
2
Ento (x) = , (s20 ) = 2 e 2 (x) = n .
Prova.

n
n
1
1
j=1
zj =
(zj ) = n = .
(x) =
n
n j=1
n

s20 =
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
Observao 3.12 Os resultados (x) = e (s20 ) = 2 dizem que as

estimativas x da esperana matematica e s2 da variana so justas. Uma
estimativa justa quando a esperana matemtica da estimativa igual ao
parmetro estimado.
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
uma estimativa justa da variana 2 (x) = 2 , isto , (s2 ) = 2.

Prova.
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
(zj )2 + 2 (zj ) ( x) + ( x)2 =
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
Em termos dos valores distintos na amostra xi i =

m
n
s =
(xi x)2 f (Xi )
n 1 i=1
2
onde Xi o evento ocorrncia do valor xi na amostra.
3.3. DESIGUALDADE DE CHEBICHEV
3.3
39
Desigualdade de Chebichev
Seja x uma varivel aleatria com esperana matemtica (x) = e variana

2 (x) = 2 .
Introduzamos a nova varivel aleatria
x
t=
.
Caculemos a esperana matemtica e a variana da nova varivel.

x
(x)
= 0,
(t) =
=

x
2 (x)
2
2
(t) =
= 1.
=
2
A varivel t pode assumir os valores
ti =
xi
.
Indiquemos por Ti U o subconjunto

Ti = {e U : t (e) = ti } ,
e por um nmero real 1.
Podemos agora esvrever

2
1 = 2 (t) = t2 =
ti P (Ti )
t2i P (Ti )
i
isto ,
|ti |
2 P (Ti ) = 2
|ti |
|ti |
P (Ti ) = 2P {e U : |t (e)| } ,
1
.
2
P {e U : |t (e)| }
Retornando varivel original, temos

|x (e) |
1
P eU :
2.
Temos ento a desigualdade de Chebichev

P {|x (e) | }
1
,
2
40
que diz: a probabilidade de ocorrer um valor de x que dista da esperana

matemtica no menos que vezes o desvio padro , menor ou igual a
1/ 2 .
Observao 3.15 A desigualdade de Chebichev extrai dos parmetros e
, informaes neles contidas sbre P .
3.4
Distribuies de Probabilidade
Seja U um universo enumervel, P : PU R uma funo probabilidade

e x : U R uma varivel aleatria.
Seja x (U) = {x1 , x2, . . .} e Xi = {e U : x (e) = xi } , i = 1, 2, . . .
A funo p : x (U) R definida por
p (xi ) = P (Xi ) ,
i = 1, 2, . . .
chamada distribuio de probabilidade da varivel alatria x.

Pela definio evidente que p satisfaz as propriedades

p (xi ) 0, i e
p (xi ) = 1.
i
A esperana matemtica e a variana de x se escrevem em termos de p

como

(x) =
xi p (xi ) e 2 =
(xi (x))2 p (xi ) .
i
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
Exemplo 3.17 Qual a porcentagem esperada de ganho, de um banqueiro,

sbre as apostas na roleta?
Soluo
3.5. EXEMPLOS
41
Os nmeros na roleta variam de 0 a 36 e o zero est excludo das apostas.

O nosso Universo ser
U = {e N : 0 e 36} .
Consideremos a aposta de uma ficha. Para cada modalidade de jogo (aposta
num nmero, no vermelho ou no preto, no grande ou no pequeno, na primeira,
segunda ou terceira duzia, etc) o ganho do banqueiro numa aposta de uma
ficha ser uma funo x do nmero sorteado
x:U R
Supondo-se uma roleta no viciada (amostragem ocasional), as probabilidades de cada nmero sero iguais a 1/37.
Portanto a funo x ser uma varivel aleatria.
Para cada modalidade de jogo, essa funo definida pelo cassino de forma
a garantir o seu lucro.
Por exemplo, na aposta no nmero e = 10, a funo x definida por
x (e) = 1 se e = 10
x (e) = 35 se e = 10.
Calculemos a esperana matemtica de x.

(x) =
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
Para todas as modalidades de jogo, a definio de x tal que o resultado

sempre 1/37.
Por exemplo, no jogo na primeira dzia, a definio de x
x (e) = 1 se 13 e 36 ou e = 0
Resulta
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,
Introduzamos a nova varivel aleatria x(n)

x(n) (i) = i,
se i < n,
y(n) (i) = Gn,
se i n.
definida por
x(n) (i) = n,
se i n.
Podemos ento exprimir a varivel aleatria y(n) em funco de x(n)

y(n) = Gx(n) L n x(n) .
A esperana matematica do ganho com n unidades em estoque ser

y(n) = G x(n) L n x(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
x(n) (i) = x(n+1) (i) x(n) (i)
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
Agora fica fcil determinar o valor timo de n.
se i > n.
Captulo 4
Distribuies Binomial e de
Poisson
4.1
Distribuio Binomial
Seja p R, tal que 0 p 1, e q = 1 p.

Seja n N.
Desenvolvendo (p + q)n obtemos
n

n x nx
n
1 = (p + q) =
p q .
x
x=0
(4.1)
Seja U = {0, 1, 2, . . . n} R, e definamos pn : U R por

n x nx
pn (x) =
p q .
x

De nx px qnx 0, e de 4.1, vemos que pn pode ser considerada uma distribuio de probabilidade de uma varivel aleatria x : U R, definida
por
x (x) = x, x = 0, 1, . . . n.
chamada distribuio binomial ou distribuio de Bernoulli.
A funo de probabilidade P : PU R ser ento calculada por

P (X) =
pn (x) , X U.
xX
A esperana matemtica e a variana da distribuio, valem

= np,
44
4.1. DISTRIBUIO BINOMIAL
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 + ,
isto , P (Bx ) igual a soma das probabilidades dos termos.
46
CAPTULO 4. DISTRIBUIES BINOMIAL E DE POISSON
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 .
Como as variveis aleatrias zi so independentes entre si, podemos escrever

e
(x) = (z1 ) + (z2) + + (zn ) ,

2 (x) = 2 (z1 ) + 2 (z2) + + 2 (zn ) .
Como os zi assumem os valores 1 ou 0 com probabilidades respectivamente

p e q obtemos
(zi ) = 1 p + 0 q = p,
2 (zi ) = (1 p)2 p + (0 p)2 q =

= q2 p + p2 q = pq (q + p) = pq.
4.2. DISTRIBUIO DE POISSON
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.
Portanto, a esperana matemtica e a variana da distribuio binomial

valem
= np e 2 = npq.
4.2
Distribuio de Poisson
Desenvolvendo e em srie temos

2 3
+
+
2!
3!
Seja U = {0, 1, 2, 3, . . .} R, e > 0. Definamos p : U R por
e = 1 + +
p (x) =
(4.2)
e x
.
x!
De e x! 0, e de 4.2, vemos que p pode ser considerada uma distribuio

de probabilidade de uma varivel aleatria x : U R, definida por
x (x) = x,
x = 0, 1, 2, . . .
chamada distribuio de Poisson.

A funo de probabilidade P : PU R ser ento calculada por

P (X) =
p (x) , X U.
xX
A esperana matemtica e a variana da distribuio, valem

= ,
e
2 = .
Observemos que o parmetro que comparece na definio da distribuio

a prpria esperana matemtica desta, e que o valor da variana coincide
com o da esperana matemtica.
48
4.2.1
Esperana e variana da distribuio de Poisson
Calculemos a esperana matemtica.

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
Distribuio de Poisson como aproximao da distribuio binomial
Quando numa distribuio binomial n muito grande e p muito pequeno,

podemos substitu-la aproximadamente pela distribuio de Poisson que tem
igual ao da distribuio binomial, isto , = np.
Isso se justifica pelo seguinte limite
lim Pn (x) = P (x) ,
n
np=
isto , a distribuio binomial converge para a distribuio de Poisson, quando

n tende ao infinito, mantendo-se constante o valor de . Como = np, o valor
p = n tende a zero.
Calculemos o limite
n!
lim Pn (x) = lim
px q(nx) =
n
n x! (n x)!
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!
Distribuio de Poisson como distribuio correta
Seja U={0, 1, 2, . . .} e p : U R, uma distribuio de probabilidade que

depende de um parmetro . Denotaremos p (x) por p (x, ).
Proposio 4.2 Uma condio necessria e suficiente para que
e ()x
p (x, ) =
,
x!
que
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
iv) A prova da proposio encontra-se no Anexo 1.

Exemplo 4.4 Consideremos a seguinte tcnica de amostragem. Observamos
o intervalo de tempo [t1 , t2) e registramos o nmero x de chamadas telefnicas
recebidas. Analisando uma srie de amostras percebemos que a freqncia do
nmero x de chamadas depende de T = t2 t1 , e no de t1 ou t2. Ento
uma distribuio apropriada para o universo U = {0, 1, 2, . . .} com a tcnica
de amostragem descrita ser da forma p (x, T ).
Dividamos o intervalo [t1 , t2) em dois subintervalos da mesma natureza, de
larguras respectivamente T1 e T2 . As distribuies de probabilidade correspondentes a sses subintervalos sero dadas por p (x, T1 ) e p (x, T2).
Alteremos agora a tcnica de amostragem inicial. Primeiro observemos o
nmero y1 de chamadas no intervalo de largura T1 e em seguida o nmero y2
de chamadas no intervalo de largura T2.
ser agora formado pelos pares
O novo universo U
= (y1 , y2 ) {0, 1, 2, . . .} {0, 1, 2, . . .} = U U.
U
51
Podemos exprimir o atributo {(y1 , y2) : y1 + y2 = x}, como

{(y1 , y2) : y1 + y2 = x} =
=
x

k=0
{(y1 , y2 ) : y1 = x k} {(y1 , y2 ) : y2 = k} .
Como os termos da unio so disjuntos, e os atributos {y1 = k} e {y2 = x k}

podem ser supostos independentes, devido tcnica de amostragem, teremos
P ({(y1, y2 ) : y1 + y2 = x}) =
=
x

k=0
P ({(y1 , y2 ) : y1 = x k}) P ({(y1 , y2 ) : y2 = k}) .
Pela maneira como a tcnica de amostragem se relaciona com as tcnicas

originais nos intervalos de larguras T , T1 , T2 , podemos escrever
p (x, T1 + T2 ) =
x

k=0
p (x k, T1 ) p (k, T2) ,
x = 1, 2, 3, . . .
Portanto a condio 1) fica satisfeita.

Pelo exame de vrias amostras percebemos que a freqncia de uma nica
chamada no intervalo, aproximadamente proporcional a T se T muito
pequeno. Traduzimos isso pela condio 2)
p (1, T ) = T + o (T ) .
Da mesma maneira verificamos que a freqncia de mais de uma chamada
no intervalo, se T muito pequeno, desprezvel. Traduzimos isso pela
condio 3)
p (x > 1, T ) = o (T ) .
Portanto pela proposio 4.2, p (x, T ) dado pela distribuio de Poisson
de esperana matemtica T .
Captulo 5
Probabilidade II - Extenso da
Teoria
5.1
Necessidade de uma extenso
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] .
Infelizmente, demonstra-se na Teoria da Medida, que no existe uma tal

funo.
A soluo, encontrada pelos matemticos, no exigir que uma funo
probabilidade seja definida necessariamente sbre todos os subconjuntos do
universo.
No caso acima descrito, possvel porm obter a funo P definida sbre
uma conveniente coleo A de subconjuntos de (0, 1]. Esta coleo dever
obviamente conter os subintervalos (a, b]. Alm disso, a coleo A dever
satisfazer as seguintes propriedades para que possamos impor os axiomas de
52
5.1. NECESSIDADE DE UMA EXTENSO
53
probabilidades:
Ai A,
i = 1, 2, 3, . . .
AA

i
Ai A,
A A.
Estudaremos as colees de subconjuntos que satisfazem essas propriedades

na seo seguinte.
O fato de o universo ser no enumervel, no impede que existam funes
probabilidade definidas sbre todos os suconjuntos, como mostra o exemplo
a seguir.
Exemplo 5.1 Seja U um universo enumervel dotado de uma funo de
probabilidade P : PU R e seja x : U R uma varivel aleatria. Por
meio de x, podemos construir um funo probabilidade P (x) sobre todos os
subconjuntos de R (que no enumervel), definindo

P (x) (A) = P x1 (A) , A R,
onde x1 (A) a imagem inversa de A por x, isto ,
x1 (A) = {e U : x (e) A}.

Os tres axiomas das probabilidades ficam satisfeitos. De fato
a) P (x) (A) = P (x1 (A)) 0
b) P (x) (R) = P (x1 (R)) = P (U ) = 1
c) Se Ai R, i = 1, 2, . . . , so disjuntos, ento os x1 (Ai ) tambm so,
donde

(x)
1
1
P
Ai = P x
Ai
=P
x (Ai ) =
=

(x)
P x1 (Ai ) =
P (Ai ) .
O conjunto R, faz aqui o papel de universo (no enumervel).
54
CAPTULO 5. PROBABILIDADE II - EXTENSO DA TEORIA
Observao 5.2 Neste captulo estenderemos, de forma rigorosa, as definies

introduzidas no caso de Universos enumerveis e justificaremos a definio estendida de esperana matemtica por sua relao com a mdia numa amostra.
A maior parte das proposies no ser demonstrada porqu os prerequisitos
excedem o nvel deste texto.
No prximo captulo sero analisados casos particulares que podem ser
tratados no nvel de um curso de Clculo I
5.2
Sigma lgebra de subconjuntos
Definio 5.3 Dizemos que uma coleo A, no vazia, de subconjuntos de U ,

constitue uma -lgebra se satisfaz as propriedades:
a) Se um subconjunto de U pertence A, seu complementar pertence A.
b) Toda unio enumervel1 de subconjuntos de U que pertencem A, pertence
A.
Corolrio 5.4 So conseqncias imediatas
i) A e U A pois, sendo B um elemento de A, temos U = B + B e
= U.
ii) Toda interseo enumervel de subconjuntos de Ai U que pertencem
A, pertence A, pois que
n

i=1
Ai =
n

i=1
Ai
Ai =
i=1
Ai .
i=1
iii) Se A A e B A, ento A B A, pois que

A B = AB.
Neste texto estamos considerando os conjuntos finitos como enumerveis.
5.2. SIGMA LGEBRA DE SUBCONJUNTOS
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
Sigma lgebra de Borel na reta
Consideremos o caso extremamente importante em que U = R.

A -lgebra gerada pelos intervalos da forma {x R : x c} chamada
-lgebra de Borel e os elementos de , borelianos.
So borelianos todos os tipos de intervalo. Comecemos com os intervalos
do tipo {x R : x < c}. Pela segunda propriedade da definio de -lgebra
temos

1
{x R : x < c} =
xR:xc
.
n
n=1
Por complementao, temos pela primeira propriedade da definio de

-lgebra,
{x R : x > c} ,
e
{x R : x c} .
56

Como intersees de elementos de pertencem , podemos escrever
(a, b]
[a, b)
(a, b)
[a, 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} ,
{x R : x a} {x R : x b} .
Os subconjuntos unitrios pertencem , pois {a} = [a, a] .

Os subconjuntos enumerveis {x1 , x2 , x3 , . . .} pertencem , pois
{x1 , x2 , x3 , . . .} =
5.3

i=1
{xi } .
Reformulao dos axiomas de probabilidades
Enunciemos a nova verso dos axiomas de probabilidades

Seja U um universo, A uma -lgebra de subconjuntos de U, e P a aplicao P : A R.
Axioma 5.7 Se P satisfizer os axiomas:
1) P (A) 0,
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
diremos que P uma funo probabilidade.

Se A A, chamaremos P (A) probabilidade de A.
Exemplo 5.8 Retomemos o caso, analisado inicialmente, do intervalo (0, 1].
Seja a -lgebra gerada pelos subintervalos (a, b] (0, 1]. Demonstra-se que
existe e nica a funo probabilidade P : R tal que
P ((a, b]) = b a.
Vemos que a nova formulao resolve o impasse que existia com a antiga.
5.4. FUNES DE DISTRIBUIO
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)
Dizemos que a funo G : R2 R uma funo de distribuio (a duas

variveis) se satisfaz as seguintes propriedades
a)
b)
c)
d)
5.5
lim G (x, y) = 1
x
y
lim G (x, y) = lim G (x, y) = 0
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
Seja U um Universo (enumervel ou no), A uma -lgebra em U, e P : A R

uma funo probabilidade.
Como no caso de universo enumervel, uma varivel aleatria ser uma
uma funo real x : U R, definida sbre o universo U. Imporemos contudo
uma condio que x deve satisfazer
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.
Proposio 5.14 Seja x : U R uma varivel aleatria.

A funo F : R R definida por
F (x) = P ({e U : x (e) x}) ,
x R.
uma funo de distribuio, dita funo de distribuio da varivel aleatria

x.
Proposio 5.15 Sejam x : U R e y : U R variveis aleatrias.
A funo G : R2 R definida por
G (x, y) = P ({e U : x (e) x} {e U : y (e) y})
uma funo de distribuio, dita funo de distribuio do par de variveis
aleatrias x e y.
59
Definio 5.16 Dizemos que duas variveis aleatrias x e y so independentes se

P ({x (e) a} {y (e) b}) = P ({x (e) a}) P ({y (e) b})
quaisquer que sejam a, b R.
Proposio 5.17 Condio necessria e suficiente para que duas variveis
aleatrias x e y sejam independentes que
G (x, y) = F1 (x) F2 (y) ,
(x, y) R2 ,
onde F1 , F2 e G, so as funes de distribuio de x, y e do par (x, y) respectivamente.

Podemos estender a noo de independncia para um conjunto qualquer de
variveis aleatrias.
Definio 5.18 Seja C um conjunto de variveis aleatrias definidas sbre o
Universo U. Diremos que essas variveis aleatrias so independentes se para
todo subconjunto finito
{x1 , x2, . . . xn } C
as variveis aleatrias x1 , x2 , . . . , xn forem independentes, isto , se para
quaisquer (a1 , a2 , . . . an ) Rn
P ({x1 (e) a1 } {x2 (e) a2 } {xn (e) an }) =
= P ({x1 (e) a1 }) P ({x2 (e) a2 }) P ({xn (e) an }) .
5.6
Esperana Matemtica
Vamos generalizar a noao de esperana matemtica em tres etapas, do caso

mais simples ao mais geral. Mas antes mostremos como decompor uma varivel
aleatria em suas partes positiva e negativa.
Definio 5.19 Seja x : U R uma varivel aleatria. Definimos a parte
positiva de x como a varivel aleatria x+ : U R definida por
x+ (e) = x (e)
x+ (e) = 0
se x (e) 0,
se x (e) < 0.
60

Analogamente definimos a parte negativa x por
x (e) = x (e)
x (e) = 0
se
se
x (e) 0,
x (e) > 0.
Das definies claro que x+ 0, x 0, e que

x = x + x .
e
|x| = x+ + x .
Exemplo 5.20 Seja U = R e x definida por x (x) = x. Ento,
x+ (x) = x se x 0,
x+ (x) = 0 se x < 0.
e
x (x) = x
x (x) = 0
5.6.1
se x 0,
se x > 0.
Esperana matemtica de variveis aleatrias discretas positivas
Definio 5.21 Diremos que uma varivel aleatria x : U R discreta

positiva se x (U) = {x0, x1 , x2, . . . xn . . .}, isto , se o conjunto dos valores de
x (e) um subconjunto enumervel de R, e xi 0, i.
Definio 5.22 Seja x varivel aleatria discreta.
Sejam Xi A, i = 1, 2, . . ., definidos por
Xi = {e U : x (e) = xi } .
Definimos (x) por
(x) =
xi P (Xi ) .
i=0
Se (x) < dizemos que x admite esperana matemtica (x).

Observao 5.23 Se P : A R foi escolhida convenientemente, relativamente tcnica de amostragem, sabemos que P (Xi ) uma aproximao da
freqncia f (Xi ) calculada numa amostra grande.
61
Seja (x) < . Ento

(x) =
xi P (Xi )
i=0
xi f (Xi ) .
i=0
Se a amostra tem N elementos, a freqncia calculada por

f (Xi ) =
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
Esperana matemtica de variveis aleatrias positivas
Vamos definir a esperana matemtica de uma varivel aleatria positiva x 0

como limite de esperanas matemticas de variveis aleatrias discretas positivas.
Proposio 5.24 Seja xn , n = 1, 2, . . ., uma seqncia de variveis aleatrias discretas positivas, tal que xn (e) no decrescente quando n ,
para e U.
Ento a seqncia (xn ) no decrescente e portanto existe o limite
lim (xn )
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,
lim xn (e) = x (e) ,
e U.
62

Definimos (x) por
(x) = lim (xn ) .
n
Se (x) < dizemos que x admite esperana matemtica (x).

Observaes 5.26
a) Existem seqncias xn com as propriedades exigidas. Por exemplo, a

seqncia onde cada xn definida por

j
j
j+1
n
xn (e) = n se e Xj = e U : n x (e) < n
,
2
2
2
onde j = 0, 1, 2, . . ..
b) Demonstra-se que (x) independe da particular seqncia xn usada para
calcul-la.
c) Suponhamos P : A R escolhida convenientemente, relativamente tcnica de amostragem utilizada, e seja x uma varivel aleatria positiva
que admite esperana matemtica.
Sejam xn as variveis aleatrias discretas positivas definidas na observao a).
Como (xn ) (x), dado > 0 arbitrariamente pequeno, existe m0 tal
que
para n m0 .
| (x) (xn )| <
2
Formemos uma amostra com N elementos {e1 , e2 , . . . eN }. Teremos
x=
e
xn =
x (e1 ) + x (e2) + + x (eN )

N
xn (e1) + xn (e2 ) + + xn (eN )

.
N
Vale a desigualdade xn x pois que xn (ej ) x (ej ), j = 1, 2, . . . N .
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
m = max (m0 , m1 ) . Ento

| (x) x| < | (xn ) xn | + para n > m e N.
Para uma amostra com N grande, teremos pelo caso anterior

(xn ) xn
donde
(x) x
Novamente, neste caso, a mdia x numa amostra grande estimativa da
esperana matemtica (x).
5.6.3
Esperana matemtica de uma varivel aleatria

qualquer
Definio 5.27 Seja x : U R uma varivel aleatria. Diremos que x

admite esperana matemtica se x+ e x admitem esperana matemtica2 , e
nesse caso definimos esperana matemtica (x) de x por

(x) = x+ x .
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
No Captulo 6 examinaremos casos particulares em que podemos efetuar os cculos usando

a integral de Rieman.
64

Calculemos x+ e x numa grande amostra e observemos que x+ x = x.
Como vimos no caso anterior,
(x+ ) x+ ,
(x ) x .
Portanto

(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
Numa amostra pode ser estimada por

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-
6. 2 (x1 + x2 + + xn ) = 2 (x1) + 2 (x2 ) + + 2 (xn ) se x1 , x2 ,

. . . xn , so independentes.
5.7. A DESIGUALDADE DE CHEBICHEV
5.7
65
A Desigualdade de Chebichev
Pode ser demonstrado que admitindo-se apenas a existncia de (x) e 2 (x)

vale sempre a desigualdade
P {|x (x)| (x)}
onde 1.
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
Definio 6.1 Seja x : U R uma varivel aleatria com funo de distribuio F.

Se existe : R R, tal que 0 e
x
F (x) =
(t) dt, x R,
dizemos que densidade de probabilidade da varivel aleatria x.

Nesse caso, F uma funo contnua.
Propriedades 6.2 Seja : R R densidade de probabilidade da varivel
aleatria x, com funo de distribuio F .
1) Seja I R um intervalo com extremos a e b onde a b e tal que a
pode ser e b pode ser +. Convencionemos que F () = 0 e
F (+) = 1.
Ento
P ({e U : x (e) I}) = F (b) F (a) =
66
(t) dt.
a
6.1. DEFINIES E PROPRIEDADES
67
2) Se contnua numa vizinhana do ponto x0 R, ento

(x0) = F (x0 ) .
3) Seja h : R R uma funo contnua. Ento z : U R

por z = h (x) uma varivel aleatria, isto , satisfaz
definida
P ({e U : z (e) a}) A, a R.

4) Seja h : R R
z = h (x).
uma funo contnua. e z : U R definida por
Se a Esperana Matemtica de z existe, vale

+
(z) =
h (t) (t) dt.
Fazendo h (t) = t, t R, temos

+
(x) =
t (t) dt.
5) A Variana da varivel aleatria x, quando existe vale

+
2
(x) =
(t (x))2 (t) dt,
ou alternativamente
Prova.

2 (x) = x2 ( (x))2 .
1) Consequncia imediata das definies de F e de .

2) Consequncia do Teorema Fundamental do Clculo.
3) e 4) Demonstrao excede o nvel deste texto.
5) Pela definio de 2 (x) temos

2 (x) = [x (x)]2 .
A funo h : R R definida por h (x) = [x (x)]2

tnua. Pelo item 4)
+
2
(x) =
(t (x))2 (t) dt.
con-
68
CAPTULO 6. DENSIDADE DE PROBABILIDADE

Alternativamente,

2 (x) = [x (x)]2 = x2 2 (x) x + ( (x))2 =

= x2 2 ( (x))2 + ( (x))2 = x2 ( (x))2 .
Observao 6.3 Determinao emprica de F.

Suponhanos fixada a tcnica de amostragem. Por meio de uma grande
amostra podemos construir a funo escada F0 : R R por
F0 (x) = f (t x) ,
onde f (t x) a freqncia do subconjunto {t R : t x} na amostra.
fcil verificar que F0 uma funo de distribuio. Podemos adotar F0 ou
aproxim-la, se for o caso, por outra funo de distribuio F mais conveniente
do ponto de vista da manipulao matemtica. Por exemplo, uma funo F
contnua, com derivadas contnuas.
Observao 6.4 Deterninao emprica de .
Suponhanos fixada a tcnica de amostragem.
No caso em que a funo de distribuio F admite uma densidade de probabilidade contnua, podemos aproximar a partir de uma grande amostra,
construindo um histograma.
Dividimos a reta num nmero finito de intervalos. Calculamos a freqncia
de cada intervalo na amostra e construimos sbre cada intervalo um retngulo
com rea igual freqncia. Obtemos assim o grfico de uma funo degrau
0 que podemos em seguida aproximar por uma funo contnua .
Definio 6.5 Seja (x, y) : U R2 um par de variveis aleatrias com
funo de distribuio G : R2 R.
Se existe : R2 R, tal que 0 e
x y
G (x, y) =
(u, v) dudv, (x, y) R2 ,
dizemos que densidade de probabilidade do par de variveis aleatrias

(x, y).
Nesse caso, G uma funo contnua.
6.1. DEFINIES E PROPRIEDADES
69
Propriedades 6.6 Seja : R2 R densidade de probabilidade do par de

variveis aleatrias (x, y), com funo de distribuio G. Sejam ainda, F1
funo de distribuio de x, e F2 funo de distribuio de y.
1) Seja S R2 um subconjunto tal que exista

(u, v) dudv.
S
Ento
P ({e U : (x (e) , y (e)) S}) =
(u, v) dudv.
S
2) Se contnua numa vizinhana do ponto (u0 , v0 ) R2 , ento

(u0 , v0) =
2G
(u0 , v0 ) .
uv
Este resultado obtido pela aplicao repetida do Teorema Fundamental

do Clculo.
3) Seja h : R2 R uma funo contnua. Ento z : U R
por z = h (x, y) uma varivel aleatria, isto , satisfaz
definida
P ({e U : z (e) a}) A, a R.

4) Seja h : R2 R
z = h (x, y).
uma funo contnua. e z : U R definida por
Se a Esperana Matemtica de z existe, vale

+ +
(z) =
h (u, v) (u, v) dudv.
Fazendo h (u, v) = u, (u, v) R2 , temos

+ +
+
(x) =
u (u, v) dudv =
u
u1 (u) du
(u, v) dv du =
70

onde
1 (u) =
u R
(u, v) dv,
A funo 1 a densidade de probabilidade da varivel aleatria x, e

dita densidade de probabilidade marginal do par (x, y). Temos
analogamente
+
+
(y) =
v2 (v) dv,
2 (v) =
(u, v) du, v R
5) Seja (x, y) um par de variveis aleatrias. Se x e y so independentes e

admitem densidades de probabilidade 1 e 2 , ento o par (x, y) admite
densidade de probabilidade e
(x, y) R2 .
(x, y) = 1 (x) 2 (y) ,

De fato, pela independncia de x e y temos
G (x, y) = F1 (x) F2 (y) ,
(x, y) R2,
donde
G (x, y) =
1 (u) du
2 (v) dv =
1 (u) 2 (v) dudv.
Portanto
G (x, y) =
(u, v) dudv
onde (u, v) = 1 (u) 2 (v) ,
(u, v) R2
6.2. DISTRIBUIO RETANGULAR E DISTRIBUIO NORMAL
6.2
6.2.1
71
Distribuio Retangular e Distribuio Normal

Distribuio Retangular
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.
onde < a < b < +.

Dizemos que a distribuio de probabilidade de x retangular.
Calculemos (x) e 2 (x).
(x) =
(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
onde e 2 > 0 so duas constantes.

Dizemos que a distribuio de probabilidade de x uma distribuio
normal.
Calculemos (x).
+
(x)2
1
(x) =
xe 22 dx.
2
72

Fazendo
= 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
Por integrao por partes

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
so a esperana matemtica e a variana de x o que justifica a notao.
6.3. EXEMPLOS
6.2.3
73
Clculo das reas sob a curva normal
Seja I R um intervalo de natureza qualquer de extremos a e b com

a b e x uma varivel aleatria com distribuio normal. A probabilidade de
{e U : x (e) I} dada por

b
a
1
(x) dx =
2
(x)2
2 2
dx.
Com a mudana de varivel

t=
xu
o problema se reduz ao calculo da integral

1
t2
t2
e 2 dt onde t1 =
t1
e t2 =
b
.
Como a curva normal simtrica em torno de 0 e como a rea total conhecida

(vale 1), basta saber calcular a integral
1
t0
0
t2
e 2 dt para t0 0
que encontramos tabelada em funo de t0 .
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} .
Para calcularmos a densidade de probabilidade da varivel aleatria

x = x1 + x2 , obtenhamos primeiro a funo de distribuio F de x.
F (x) = P ({e U : x (e) x}) =

= P (x1 , x2) R2 : x (x1 , x2) x =

= P (x1 , x2) R2 : x1 (x1 , x2 ) + x2 (x1 , x2) x =

= P (x1 , x2 ) R2 : x1 + x2 x =

=
(u, v) du dv =
{(x1 ,x2 )R2 :x1 +x2 x}
= Area
dudv =
{(x1 ,x2 )R2 :x1 +x2 x}C

(x1 , x2 ) R2 : x1 + x2 x C
Calculando a rea da interseo do quadrado C com {x1 + x2 x} para os

valores de x entre e + obtemos
0
0, 5 (1 + 2x + x2 )
F (x) =
0, 5 (1 + 2x x2 )
1
se
se
se
se
x < 1
1 x 0
.
0x1
x>1
6.3. EXEMPLOS
75
Calculando (x) = F (x) temos a densidade de probabilidade da varivel aleatria x = x1 + x2 .

0
1+x
(x) =
1x
1
se
se
se
se
x < 1
1 x 0
0x1
x > 1.
Exemplo 6.8 Um fabricante de sapatos deseja saber quantos pares de sapato

deve fabricar de cada tamanho numa partida de 10.000 pares, sabendo que
numa amostra suficientemente grande do Universo dos consumidores, obtida
com uma tcnica de amostragem adequada, a mdia x dos tamanhos de p
resultou 40, 3 e a disperso foi de
n
2
2
i=1 (xi x)
= 1, 69.
s =
n1
A distribuio de probabilidade dos tamanhos de p ser admitida normal.
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

Pela simetria da curva normal
1,38
1,38
0,62
2
2
1
1
1
t2
t2
t2
P =
e dt =
e dt
e 2 dt.
2 0,62
2 0
2 0
Da tabela da distribuio normal obtemos
P {38, 5 < x < 39, 5} = 0, 4162 0, 2324 = 0, 1838
donde o nmero de pares tamanho 39 a ser fabricado ser

10.000 0, 1838 = 1.838
De forma anloga completamos a tabela abaixo
Calado
37 ou menor
38
39
40
41
42
43
44 ou maior
Quantidade
158
680
1838
2920
2616
1333
386
69
Exemplo 6.9 Um fabricante de baterias para automveis sabe que a vida

mdia x de uma bateria de 20 meses, com s = 3 meses. Desejando oferecer
aos consumidores uma garantia de 12 meses para as baterias de sua fabricao,
quer saber qual a porcentagem de sua produo que no est em condies de
satisfazer esse prazo. Desconhece-se a distribuio de probabilidade da varivel
aleatria x, vida de uma bateria.
Soluo
Na falta de mais informaes, recorramos desigualdade de Tchebycheff
P ({e U : |x (e) (x)| (x)})
1
.
2
Adotando para (x) e (x) os valores de suas estimativas x = 20 e

s = 3, temos
1
P ({e U : |x 20| 3}) 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
yi p (yi ) = p (y1 ) + 10 p (y2 ) .
i=0
Calculemos p (y1 ), probabilidade da ocorrncia de comprimento excessivo

alm da tolerncia e p (y2 ), probabilidade da ocorrncia de comprimento deficiente aqum da tolerncia.
Admitindo-se que x, comprimento cortado, uma varivel aleatria com
densidade de probabilidade normal, teremos

(x)2
1
p (y1 ) =
e 0,082 dx
20, 08 1000,1
78

1
p (y2 ) =
20, 08
999,9
(x)2
2 0,082
dx.
Clculo de p (y1 ) e p (y2 )

a) Supondo = 1000, 01 (primeiro ajustamento) e fazendo
x
x 1000, 01
=
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
Da tabela da curva normal obtemos

p (y1 ) = 0, 5 0, 370 = 0, 130
p (y2) = 0, 5 0, 415 = 0, 085.
b) Supondo = 1000, 02 (segundo ajustamento) e fazendo

x
x 1000, 02
=
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

p (y1 ) = 0, 5 0, 341 = 0, 159
p (y2) = 0, 5 0, 433 = 0, 067.
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

Portanto
(x) = 0 e 2 (x) =
Pela desigualdade de Tchebycheff

P
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
P ({|x (e)| 1}) 1 2 0, 3632 = 1 0, 7264 = 0, 2736.
A probabilidade de 27, 4%.
Captulo 7
Anexos
7.1
Anexo1 - Distribuio de Poisson
Seja U={0, 1, 2, . . .} e p : U R, uma distribuio de probabilidade que

depende de um parmetro . Denotaremos p (x) por p (x, ).
Proposio 7.1 Uma condio necessria e suficiente para que
p (x, ) =
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, . . . ,
e mostremos que 1), 2), e 3) ficam satisfeitas.

Verifiquemos a condio 1).
e( 1 + 2 ) ( (1 + 2 ))x
=
p (x, 1 + 2) =
x!
x
(1 + 2)x =
x!
x
x
x!
1 2
=e
e
xk
k2 =
1
x! k=0 k! (x k)!
= e1 e 2
x

e1 (1 )xk e 2 (2)k
(x k)!
k=0
x

k=0
k!
p (x k, 1 ) p (k, 2 ) .
verifiquemos a condio 2).
Como
resulta

p (1, ) = e = + e 1 .

e 1
= e 1 0, quando 0,
p (1, ) = + o () .
Verifiquemos a condio 3).

p (x > 1, ) =

x=2
p (x, ) =

e ()x
x=2
x!
7.1. ANEXO1 - DISTRIBUIO DE POISSON

=

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, ) =
= p (x, ) p (0, ) + p (x 1, ) p (1, ) +
x

k=2
p (x k, ) p (k, ) .
Pelas condies 2) e 3), temos

p (0, ) = 1 p (1, ) p (x > 1, ) =
= 1 + o () + o () = 1 + o () ,
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, ))+
.
Passando ao limite para 0, obtemos

p (x, )
= (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
e lembrando que p (x, ) 0 para todo x obtemos

p (x, 0) = 0,
x = 1, 2, 3, . . .
e portanto
p (0, 0) = 1
p (x, 0) = 1
x=1
Como p (1, ) 0, temos para x = 0,

dp(0,)
d + p (0, ) = 0,
p (0, 0) = 1.
Para x = 1, 2, 3, . . ., teremos
dp(x,)
d + p (x, )
p (x, 0)
= p (x 1, ) ,
= 0.
7.2. ANEXO 2 - TEOREMAS DO LIMITE CENTRAL
85
O segundo membro da equao para x > 0 obtido como soluo da

equao anterior com parmetro x 1.
As solues existem e so nicas.
Ora, facil verificar por substituio que

p (x, ) =
e ()x
x!
a soluo do sistema de equaes.
7.2
Anexo 2 - Teoremas do Limite Central
Definio 7.3 Seja U um universo, A uma -lgebra e P : A R uma

funo probabilidade.
Sejam xk : U R, k = 1, 2, 3, . . ., variveis aleatrias independentes
que admitem esperana matemtica (xk ) e variana 2 (xk ).
Sejam zn , n = 1, 2, 3, . . . as variveis aleatrias definidas por
zn = x1 + x2 + xn
Diremos que a sequncia (xk ) possui a Propriedade do Limite Central
se

zn (zn )
1
t2
<
e 2 dt para n ,
P <
(zn )
2
para todo e , tais que < .

Observaes 7.4
1. Indicando por a funo de distribuio normal, correspondente = 0

e = 1, podemos escrever

t2
1
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
Teorema 7.5 (do Limite Central (1))

Nas condies da definio (7.3), se as variveis aleatrias xk tem a mesma
funo de distribuio, ento (xk ) possui a Propriedade do Limite Central.
Teorema 7.6 (do Limite Central (2))
Nas condies da definio (7.3), se as variveis aleatrias xk satisfazem
as condies:
a) (zn ) para n .
b) |xk (xk )| Mk
decrescente.
k = 1, 2, 3 . . . ,
onde (Mk ) uma sequncia no
c)
Mn
0 para n
(zn )
ento (xk ) possui a Propriedade do Limite Central.
Observaes 7.7
1. Se |xk (xk )| M,
ficam satisfeitas.
k, as condies b) e c) do Teorema (7.5)
2. Os Teoremas (7.5) e (7.6) so casos particulares do Teorema do Limite

Central de Lindeberg e Feller ([TUCKER]), mas um no caso particular
do outro.
Bibliografia
[BARROS]
I. Q. BARROS. Clculo de Probalidades. Apostila

do Departamento de Matemtica da Escola Politcnica da USP, So Paulo, 1960
[BERQUO]
E. S. BERQU, J. M. P. de SOUZA, S. L. D.
GOTLIEB. Bioestatstica. EPU Editora Pedaggica
Universitria Ltda, So Paulo, 1980
[CRAMER]
H. CRAMR. Mathematical Methods of Statistics.

Princeton University Press, Princeton, 1946
[KOLMOGOROV]
A. N. Kolmogorov. Foundations of the Theory

of Probability. Chelsea Publishing Company, New
York, 1956
[LEME]
R. A. S. LEME. Curso de Estatstica. Ao Livro Tcnico S. A., Rio de Janeiro, 1963
[TUCKER]
H. G. Tucker. A Graduate Course in Probability.

Academic Press, New York and London, 1967
[VAN DER WAERDEN] B. L. van der WAERDEN. Mathematical Statistics.

Springer-Verlag, New York, 1969
87

Probab Il I Dade

Diunggah oleh

Informasi Dokumen

Judul Asli

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

Probab Il I Dade

Diunggah oleh

Hak Cipta:

Format Tersedia

Clculo de Probabilidades

Ivan de Queiroz Barros

5 Probabilidade II - Extenso da Teoria

Dizemos que B contm A (notao B A) se A est contido em B.

Definio 1.4 O complemento de um subconjunto A E, que denotaremos

CAPTULO 1. CLCULO DE FREQNCIAS

Da propriedade 9 (Leis de Morgan) resulta o seguinte.

1.1. LGEBRA DE SUBCONJUNTOS

Exemplo 1.8 Calculemos o complementar de

usando a regra de dualidade.

Pela distributividade da interseo em relao unio, temos

pois que XZ X. Logo

Obtenhamos o mesmo resultado, primeiro desenvolvendo a expresso original e depois complementando.

Exemplo 1.9 Dos 50 pacientes do terceiro andar de um hospital, 12 tem

Ento, como MV e V so disjuntos,

CAPTULO 1. CLCULO DE FREQNCIAS

Seja E um conjunto finito com n elementos, isto , card (E) = n.

e chamamos f (A) freqncia de A.

2) f (A) 0, pois card (A) 0 e card (E) 0

As propriedades seguintes so conseqncias simples das propriedades bsicas.

f (A1 + A2 + + Am ) = f (A1 ) + f (A2 ) + + f (Am )

8) f (A + B) = f (A) + f (B) f (AB) ,

Definio 1.12 Seja A E com f (A) = 0.

O valor fA (B) chamado freqncia de B condicionada a A.

Como (AB) (AC) = A (BC) = , resulta

Podemos ento interpretar fA (B) como a freqncia em A dos elementos

CAPTULO 1. CLCULO DE FREQNCIAS

Em geral, se A B e f (B) = 0, resulta f (A) = 0.

2) Suponhamos que f(A1A2 An1 ) = 0.

Em geral, se A B e f (A) = 0, resulta f (B) = 0.

Podemos ento escrever:

1.3. UNIVERSO E AMOSTRAS

que indicaremos por A, e que por sua vez determina o subconjunto.

CAPTULO 1. CLCULO DE FREQNCIAS

3) Consideremos um Universo finito. Conforme a tcnica de amostragem, a

Lei da Regularidade Estatstica

Dados um Universo U, uma tcnica de amostragem, se nos observarmos a

A impresso que se tem a da existncia de uma freqncia ideal para

Tcnica de Amostragem Ocasional

Consideremos um Universo finito e uma tcnica de amostragem.

1.3. UNIVERSO E AMOSTRAS

A lei da regularidade estatstica garante a estabilidade da freqncia f (A)

Amostragem ocasional estratificada

Consideremos um universo finito U , particionado em N partes, isto ,

e suponhamos conhecidas as freqncias

Formemos uma amostra E obtendo a partir de cada Ai uma amostra parcial

Seja F U um atributo qualquer. Teremos

Amostragem ocasional estratificada proporcional

Nas mesmas condies da subseo anterior, suponhamos agora que o nmero

CAPTULO 1. CLCULO DE FREQNCIAS

[CRAMER, Section 13.3]

Definio 2.1 Diremos que um conjunto U enumervel se ele finito, ou

CAPTULO 2. CLCULO DE PROBABILIDADES I

c) O conjunto Q dos nmeros racionais, isto , dos nmeros da forma

d) O conjunto dos pares (n, m) onde n e m so inteiros positivos.

Seja U um universo enumervel, e seja P : PU R. A aplicao P leva

diremos que P uma funo probabilidade.

2.3. CONSEQNCIAS DOS AXIOMAS

Conseqncias dos axiomas

onde os i so vazios, e portanto disjuntos entre si.

O nico valor possvel para P () zero.

Corolrio 2.8 Se A1 , A2 , . . . An U so disjuntos, ento

CAPTULO 2. CLCULO DE PROBABILIDADES I

Definio 1.12 Seja A E com f (A) = 0.

2) Suponhamos que f(A1A2 An1 ) = 0.

Em geral, se A B e f (A) = 0, resulta f (B) = 0.

Definio 2.13 Seja A U e P (A) = 0.