Logo Passei Direto
Buscar
Material
páginas com resultados encontrados.
páginas com resultados encontrados.

Escolha uma das opções e acesse esse e outros materiais sem bloqueio. 🤩

Cadastre-se ou realize login

Ao continuar, você aceita os Termos de Uso e Política de Privacidade

Escolha uma das opções e acesse esse e outros materiais sem bloqueio. 🤩

Cadastre-se ou realize login

Ao continuar, você aceita os Termos de Uso e Política de Privacidade

Escolha uma das opções e acesse esse e outros materiais sem bloqueio. 🤩

Cadastre-se ou realize login

Ao continuar, você aceita os Termos de Uso e Política de Privacidade

Escolha uma das opções e acesse esse e outros materiais sem bloqueio. 🤩

Cadastre-se ou realize login

Ao continuar, você aceita os Termos de Uso e Política de Privacidade

Escolha uma das opções e acesse esse e outros materiais sem bloqueio. 🤩

Cadastre-se ou realize login

Ao continuar, você aceita os Termos de Uso e Política de Privacidade

Escolha uma das opções e acesse esse e outros materiais sem bloqueio. 🤩

Cadastre-se ou realize login

Ao continuar, você aceita os Termos de Uso e Política de Privacidade

Escolha uma das opções e acesse esse e outros materiais sem bloqueio. 🤩

Cadastre-se ou realize login

Ao continuar, você aceita os Termos de Uso e Política de Privacidade

Escolha uma das opções e acesse esse e outros materiais sem bloqueio. 🤩

Cadastre-se ou realize login

Ao continuar, você aceita os Termos de Uso e Política de Privacidade

Escolha uma das opções e acesse esse e outros materiais sem bloqueio. 🤩

Cadastre-se ou realize login

Ao continuar, você aceita os Termos de Uso e Política de Privacidade

Escolha uma das opções e acesse esse e outros materiais sem bloqueio. 🤩

Cadastre-se ou realize login

Ao continuar, você aceita os Termos de Uso e Política de Privacidade

Prévia do material em texto

UNIVERSIDADE FEDERAL DE GOIÁS (UFG)
INSTITUTO DE MATEMÁTICA E ESTATÍSTICA
CURSO DE ESTATÍSTICA
PROBABILIDADE: VETORES ALEATÓRIOS E
TEOREMAS LIMITE
VALDIVINO VARGAS JÚNIOR
GOIÂNIA,
2015
VALDIVINO VARGAS JÚNIOR
PROBABILIDADE: VETORES ALEATÓRIOS E
TEOREMAS LIMITE
vvjunior@gmail.com
Sumário
1 Revisão Básica 5
1.1 Conceitos Básicos de Probabilidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2 Variáveis Aleatórias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.3 Esperança . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2 Funções Geradoras 9
2.1 Função Geradora de Momentos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.2 Função Caracteŕıstica e Função Geradora de Probabilidade . . . . . . . . . . . . . . . 10
3 Vetores Aleatórios 13
3.1 Vetores Aleatórios Discretos Bivariados . . . . . . . . . . . . . . . . . . . . . . . . . . 13
3.2 Vetores Aleatórios Cont́ınuos Bivariados . . . . . . . . . . . . . . . . . . . . . . . . . . 17
3.3 Vetores Aleatórios Mistos e Singulares . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.4 Vetores Aleatórios Discretos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3.5 Vetores Aleatórios Cont́ınuos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
3.6 Independência de Variáveis Aleatórias . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
4 Funções de Variáveis Aleatórias 28
4.1 Funções de Variáveis Aleatórias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
4.2 Método do Jacobiano . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
4.3 Esperança de Funções de Vetores Aleatórios . . . . . . . . . . . . . . . . . . . . . . . 32
4.4 Função Geradora Conjunta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
4.5 Covariância . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
5 Distribuições Condicionais 41
5.1 Distribuição condicionada em Eventos e Distribuições Condicionais - Caso Discreto . . 41
5.2 Distribuições Condicionais- Caso Cont́ınuo . . . . . . . . . . . . . . . . . . . . . . . . . 44
3
5.3 Esperança Condicional- Caso Discreto . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
5.4 Esperança Condicional- Caso Cont́ınuo . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
5.5 Esperança Condicional- Teoria Básica . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
6 Desigualdades Probabiĺısticas 55
7 Modos de Convergência 57
7.1 Convergência Quase Certa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
7.2 Convergência em Probabilidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
7.3 Outros Teoremas Limite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
7.4 Convergência em Distribuição . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
7.5 Mais sobre Convergência . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
8 Lei dos Grandes Números 64
8.1 Lei Fraca e Lei Forte Forte para v.a.i.i.d. . . . . . . . . . . . . . . . . . . . . . . . . . 64
8.2 Lei Fraca e Lei Forte Forte - Caso Geral . . . . . . . . . . . . . . . . . . . . . . . . . 65
9 Teorema Central do Limite 67
Caṕıtulo 1
Revisão Básica
1.1 Conceitos Básicos de Probabilidade
Definição 1.1.1. Um modelo probabiĺıstico é uma tripla (Ω,F ,P) onde Ω é o espaço amostral que
consiste dos posśıveis resultados do experimento, F é uma classe de eventos aleatórios e P é uma
probabilidade. A classe de eventos aleatórios F é uma classe de subconjuntos de Ω satisfazendo:
1. Ω ∈ F ;
2. Se A ∈ F então AC ∈ F ;
3. Se An ∈ F para n = 1, 2, ... então
∞∪
n=1
An ∈ F .
Definição 1.1.2. Uma Probabilidade é uma função P(.) a valores reais definida em uma classe F de
eventos aleatórios de um espaço amostral Ω, tal que
(A1) 0 ≤ P(A) ≤ 1, para todo A ∈ F ,
(A2) P(Ω) = 1,
(A3) Aditividade enumerável: para qualquer sequência A1, A2, ... ∈ F de eventos dois a dois disjuntos:
P
( ∞∪
i=1
Ai
)
=
∞∑
i=1
P(Ai).
Definição 1.1.3. A tripla (Ω,F ,P) é chamada espaço de probabilidade.
Definição 1.1.4. Seja Ω um espaço amostral equiprovável, então
P(A) =
|A|
|Ω|
, para todo A ∈ F .
Observação 1.1.1. No caso de Ω finito ou infinito enumerável, podemos definir a probabilidade na
classe F de todos os subconjuntos de Ω, a qual é usualmente denotada por 2Ω ou P (Ω) (conjunto das
5
partes de Ω). Neste caso, escrevendo Ω = {ω1, ω2, ...}, associamos a cada ωi, i = 1, 2, ..., um número
p(ωi) tal que p(ωi) ≥ 0 e
∑∞
i=1 p(ωi) = 1. Para i = 1, 2, ..., p(ωi) é a probabilidade do evento simples
ωi. A probabilidade de um evento A ∈ F é definida por:
P(A) =
∑
ωi∈A
p(ωi).
Definição 1.1.5. Seja (Ω,F ,P) um espaço de probabilidade. Sejam A ∈ F e B ∈ F dois eventos
aleatórios tais que P(B) > 0. A probabilidade condicional de A dado que B ocorreu é dada por:
P(A|B) = P(A ∩B)
P(B)
.
Teorema 1.1.1. (Teorema da Multiplicação) Seja (Ω,F ,P) um espaço de probabilidade. Sejam
A1, A2, . . . , An eventos aleatórios em F tais que P(A1 ∩A2 ∩ . . . ∩An−1) > 0. Então
P(A1 ∩A2 ∩ . . . ∩An) = P(A1).P(A2|A1).P(A3|A1 ∩A2) . . .P(An|A1 ∩A2 ∩ . . . ∩An−1).
Teorema 1.1.2. (Teorema da Multiplicação Condicional) Seja (Ω,F ,P) um espaço de probabilidade.
Sejam B,A1, A2, . . . , An eventos aleatórios em F tais que P(A1 ∩A2 ∩ . . . ∩An−1) > 0. Então
P(A1 ∩A2 ∩ . . . ∩An|B) = P(A1|B).P(A2|A1 ∩B).P(A3|A1 ∩A2 ∩B) . . .P(An|A1 ∩ . . . ∩An−1 ∩B).
Definição 1.1.6. Seja (Ω,F ,P) um espaço de probabilidade. Os eventos aleatórios A1, A2, . . . , An
em F são ditos independentes se e somente se:
P(Ai1 ∩Ai2 ∩ · · · ∩Aik) = P(Ai1).P(Ai2). · · ·P(Aik)
para todo k = 2, 3, 4, · · ·n com ij ∈ {1, 2, 3, · · · , n} para j = 1, 2, · · · k.
Teorema 1.1.3. (Fórmula da Probabilidade Total) Seja (Ω,F ,P) um espaço de probabilidade e I um
conjunto enumerável de ı́ndices. Suponha que os eventos aleatórios Bi, i ∈ I formem uma partição do
espaço amostral Ω, isto é
i)Bi ∩Bj = ∅, ∀i ̸= j;
ii)
∪
i∈I
Bi = Ω;
iii)P(Bi) > 0 ∀i.
Dado um evento aleatório A ∈ F temos:
P(A) =
∑
i∈I
P(A|Bi).P(Bi).
Teorema 1.1.4. (Fórmula de Bayes) Seja (Ω,F ,P) um espaço de probabilidade e I um conjunto
enumerável de ı́ndices. Suponha que os eventos aleatórios Bi, i ∈ I formem uma partição do espaço
amostral Ω. Dado um evento aleatório A ∈ F temos para todo j ∈ I:
P(Bj |A) =
P(A|Bj).P(Bj)∑
i∈I P(A|Bi).P(Bi)
.
Teorema 1.1.5. (Continuidade da Probabilidade) Seja (Ω,F ,P) um espaço de probabilidade e {An}
uma sequência de eventos aleatórios em F tal que An ⊂ An+1 para todo n. Se A = limn→∞ An então
P(A) = lim
n→∞
P(An).
De forma análoga, se {An} é uma sequência de eventos aleatórios em F tal que An+1 ⊂ An para todo
n e A = limn→∞ An então
P(A) = lim
n→∞
P(An).
1.2 Variáveis Aleatórias
Definição 1.2.1. Uma variável aleatória X em um espaço de probabilidade (Ω,F ,P) é uma função
a valores reais definida em Ω, tal que
{X ≤ x} = {ω ∈ Ω : X(ω) ≤ x} ∈ F ;
Definição 1.2.2. A função de distribuição acumulada de uma variável X é a função F = Fx definida
por
F (x) = P(X ≤ x) = P(ω ∈ Ω : X(ω) ≤ x), x ∈ R.
Propriedades fundamentais de uma função de distribuição:
(F1) F é uma função não-decrescente: x < y, então F (x) ≤ F (y).
(F2) F é cont́ınua a direita: se xn ↓ x, então F (xn) ↓ F (x).
(F3) Se xn ↓ −∞, então F (xn) ↓ 0; se xn ↓ +∞, então F (xn) ↓ 1.
Observação 1.2.1. Uma função F : R → R que satisfaz (F1), (F2) e (F3) é a função de distribuição
de alguma variável aleatória X.
Definição 1.2.3. Seja X uma variável aleatória discreta. A função p(x) = P(X = x) é chamada
função de probabilidade de X.
Definição 1.2.4. Seja X uma variável aleatóriacont́ınua. Então, existe uma função f(x) ≥ 0 tal
que
F (x) =
∫ x
−∞
f(t)dt, ∀x ∈ R.
A função f(x) é chamada função de densidade de probabilidade de X.
Observação 1.2.2. Temos que
i) Se f(x) é densidade de probabilidade de X, então∫ +∞
−∞
f(t)dt = 1.
ii) Se f(x) é densidade de probabilidade de X, então
P(a ≤ X ≤ b) =
∫ b
a
f(x)dx.
1.3 Esperança
Definição 1.3.1. A esperança (média, valor esperado) de uma variável aleatória X é definida por
µX = E(X) =
∑
x
xP(X = x), se X é discreta;
µX = E(X) =
∫ +∞
−∞
xf(x)dx, se X é cont́ınua com densidade f.
Observação 1.3.1. A esperança está definida somente quando a soma (integral) é bem definida.
Teorema 1.3.1. Seja X uma variável aleatória e h(X) uma função de X. Então
E(h(X)) =
∑
x
h(x)P(X = x), se X é discreta;
E(h(X)) =
∫ ∞
−∞
h(x)f(x)dx, se X é cont́ınua.
Definição 1.3.2. A variância de uma variável aleatória X integrável com esperança µ é dada por
V ar(X) =
∑
x
(x− µ)2P(X = x), se X é discreta;
V ar(X) =
∫ +∞
−∞
(x− µ)2f(x)dx, se X é cont́ınua.
Proposição 1.3.1.
V ar(X) = E(X2)− [E(X)]2 = E(X2)− µ2.
Definição 1.3.3. Dizemos que a variável aleatória X é integrável se E(X) é finita. Isto é equivalente
a que E(|X|) ≤ ∞.
Caṕıtulo 2
Funções Geradoras
2.1 Função Geradora de Momentos
Definição 2.1.1. Seja X uma variável aleatória. A função geradora de momentos de X é uma função
M : R → R definida por:
M(t) = E(etX), para todo t tal que |E(etX)| < ∞.
Se X é discreta
M(t) =
∑
k
etk · P(X = k).
Se X é cont́ınua
M(t) =
∫ +∞
−∞
etxf(x)dx,
Teorema 2.1.1. Seja X uma variável aleatória. A função geradora de momentos de X satisfaz:
1.
MX(t) =
∞∑
k=0
E(Xk)tk
k!
;
2. Para a e b reais,
MaX+b(t) = e
tbMX(at);
3. A função geradora de momentos determina a distribuição. Isso significa que se X e Y são
variáveis aleatórias tais que MX(t) = MY (t) para |t| < c, onde c > 0 é uma constante, então
FX(x) = FY (x) para todo x real;
4.
M
(n)
X (0) = E(X
n), n ≥ 1.
9
Exemplo 2.1.1. Seja X uma variável aleatória cont́ınua com densidade
f(x) =
1
2
e−|x|, −∞ < x < ∞
a) Mostre que
MX(t) =
1
1− t2
, −1 < t < 1
b) Calcule Var(X).
Exemplo 2.1.2.
E(Xk) = 0, 8 para k = 1, 2, 3, · · ·
a) Encontre a função geradora de momentos de X.
b) Calcule P (X = 0) e P (X = 1).
Exerćıcio 2.1.1. Obtenha a função geradora de momentos de X, a média de X e a variância de X
quando X tiver distribuição:
a) Binomial com parâmetros n e p.
b) Geométrica com parâmetro p.
c) Exponencial com parâmetro λ.
d) Gama com parâmetros α e λ.
e) Poisson com parâmetro λ.
f) Normal com parâmetros µ e σ2.
2.2 Função Caracteŕıstica e Função Geradora de Probabili-
dade
Definição 2.2.1. Seja X uma variável aleatória. A função caracteŕıstica de X é uma função φ :
R → C definida por:
φ(t) = E(eitX), t ∈ R.
Se X é discreta
φ(t) =
∑
k
eitk · P(X = k).
Se X é cont́ınua
φ(t) =
∫ +∞
−∞
eitxf(x)dx,
Teorema 2.2.1. Seja X uma variável aleatória. A função caracteŕıstica de X satisfaz:
1. |φ(t)| ≤ 1;
2. φ(0) = 1;
3. Para a e b reais,
φaX+b(t) = e
tbφX(at);
4. A função caracteŕıstica determina a distribuição. Isso significa que se X e Y são variáveis
aleatórias tais que φX(t) = φY (t) para todo t real, então FX(x) = FY (x) para todo x real;
5. Se E(|X|n) < ∞ então φ possui n derivadas cont́ınuas e
φ
(k)
X (t) =

∫ ∞
−∞
(ix)kfX(x)dx se X é cont́ınua com densidade fX(x);∑
x
(ix)kP(X = x) se X é discreta.
Em particular,
φ
(k)
X (0) = i
kE(Xk).
Exerćıcio 2.2.1. Obtenha a função caracteŕıstica de X, a média de X e a variância de X quando
X tiver distribuição:
a) Binomial com parâmetros n e p.
b) Geométrica com parâmetro p.
c) Exponencial com parâmetro λ.
d) Gama com parâmetros α e λ.
e) Poisson com parâmetro λ.
f) Normal com parâmetros µ e σ2.
Definição 2.2.2. Seja X uma variável aleatória discreta assumindo apenas valores inteiros. A função
geradora de probabilidade de X é uma função G : [−1; 1] → R definida por:
G(s) = E(sX) =
∑
k
skP(X = k), para todo s ∈ [−1; 1].
Teorema 2.2.2. Seja X uma variável aleatória discreta assumindo apenas valores inteiros. A função
geradora de probabilidade de X satisfaz:
1. Para a e b reais,
GaX+b(s) = e
sbGX(as);
2. |GX(s)| ≤ 1 para todo s ∈ [−1; 1];
3. A função geradora de probabilidade determina a distribuição. Isso significa que se X e Y são
variáveis aleatórias tais que Gs(t) = GY (s) para s ∈ [−1; 1] então pX(x) = pY (x) para todo x
real;
4. Tome |s| < 1. Então, G(k)X (s) =
∞∑
n=k
n!P(X = n)
(n− k)!
, k ≥ 1.
5. G
(k)
X (1) = lim
s↑1
∞∑
n=k
n!P(X = n)
(n− k)!
, k ≥ 1. Em particular, E(X) = G′X(1);
6. P(X = n) = G
(n)
X (0)
n! .
Exemplo 2.2.1. Obtenha a função geradora de probabilidade de X, a média de X e a variância de
X quando X tiver distribuição Poisson com parâmetro λ.
Exemplo 2.2.2. Seja X uma variável aleatória com função geradora de probabilidade
f(s) = 1− b
1− c
− bs
1− cs
.
Obtenha:
a) A média de X.
b) A variância de X.
c) A distribuição de X.
Exerćıcio 2.2.2. Obtenha a função geradora de probabilidade de X, a média de X e a variância de
X quando X tiver distribuição:
a) Binomial com parâmetros n e p.
b) Geométrica com parâmetro p.
c) Bernoulli com parâmetro p.
d) Pascal com parâmetros r e p.
Caṕıtulo 3
Vetores Aleatórios
3.1 Vetores Aleatórios Discretos Bivariados
Definição 3.1.1. Vetor Aleatório
Um vetor (X1, X2, · · · , Xn) onde Xi é variável aleatória para todo i = 1, 2, · · · , n é chamado vetor
aleatório.
Exemplo 3.1.1. Suponha que jogamos uma moeda três vezes formando uma sequências de caras e
coroas. Forme um vetor aleatório mapeando cada posśıvel resultado na sequência em 0 se for cara e
1 se for coroa. Quantas realizações do vetor podem ser geradas? Liste elas.
Definição 3.1.2. Vetor Aleatório Discreto
Um vetor aleatório (X1, X2, · · · , Xn) é discreto caso todas as variáveis aleatórias Xi, i = 1, 2, · · · , n
sejam discretas.
Definição 3.1.3. Vetor Aleatório Cont́ınuo
Um vetor aleatório (X1, X2, · · · , Xn) é cont́ınuo caso todas as variáveis aleatórias Xi, i = 1, 2, · · · , n
sejam cont́ınuas e haja uma função real não negativa f(x1, · · · , xn) tal que∫ ∞
−∞
· · ·
∫ ∞
−∞
f(x1, · · · , xn)dx1 · · · dxn = 1
para distribuir probabilidade para o vetor em questão.
Observação 3.1.1. Se n = 2 temos um vetor aleatório bivariado. No restante da seção consideramos
o caso onde n = 2.
Definição 3.1.4. Função de Distribuição Acumulada Conjunta
Seja (X;Y ) um vetor aleatório bivariado. A função
FX;Y (x; y) = P(X ≤ x;Y ≤ y)
13
é chamada função de distribuição acumulada conjunta do vetor aleatório (X;Y ) .
Definição 3.1.5. Função de Distribuição Marginal
Seja (X,Y ) um vetor aleatório bivariado. A função
FX(x) = P(X ≤ x)
é chamada função de distribuição marginal de X. Analogamente, a função
FY (y) = P(Y ≤ y)
é chamada função de distribuição marginal de Y .
Definição 3.1.6. Função de Probabilidade Conjunta
Seja (X,Y ) um vetor aleatório discreto bivariado. A função
pX;Y (x; y) = P(X = x;Y = y)
é chamada função de probabilidade conjunta.
Definição 3.1.7. Função de Probabilidade Marginal
Seja (X,Y ) um vetor aleatório discreto bivariado. A função
pX(x) =
∑
y
pX;Y (x; y)
é chamada função de probabilidade marginal de X. Analogamente, a função
pY (y) =
∑
x
pX;Y (x; y)
é chamada função de probabilidade marginal de Y .
Proposição 3.1.1. Seja (X,Y ) um vetor aleatório discreto bivariado. Para todo B ∈ B2 , vale
P((X,Y ) ∈ B) =
∑
(x,y)∈B
pX;Y (x; y).
Exemplo 3.1.2. Suponha que 3 bolas sejam sorteadas uma a uma ao acaso e sem reposição de uma
urna contendo 7 bolas verdes, 2 bolas vermelhas e 1 bola preta. Se X e Y representam respectivamente,
o número de bolas verdes e vermelhas extráıdas, determine:a) A função de probabilidade conjunta de X e Y .
b) As funções de probabilidade marginais de X e Y .
c) P(X = 1;Y ≤ 1).
Exemplo 3.1.3. Suponha que 2 bolas sejam sorteadas uma a uma de uma urna contendo 7 bolas ver-
des, 2 bolas vermelhas e 1 bola preta. Admita que após a primira extração a bola retirada é devolvida
junto com 5 bolas de mesma cor. Se X e Y representam respectivamente, o número de bolas verdes e
vermelhas extráıdas, determine:
a) A função de probabilidade conjunta de X e Y .
b) As funções de probabilidade marginais de X e Y .
c) A função de distribuição acumulada do vetor (X,Y ).
d) As funções de distribuição marginais de X e Y .
Exerćıcio 3.1.1. Suponha que 3 bolas sejam sorteadas uma a uma ao acaso e com reposição de uma
urna contendo 7 bolas verdes, 2 bolas vermelhas e 1 bola preta. Se X e Y representam respectivamente,
o número de bolas verdes e vermelhas extráıdas, determine:
a) A função de probabilidade conjunta de X e Y .
b) As funções de probabilidade marginais de X e Y .
c) P(X = 1;Y ≤ 1).
Exerćıcio 3.1.2. Suponha que 3 bolas sejam sorteadas uma a uma ao acaso e sem reposição de uma
urna contendo 3 bolas vermelhas, 4 bolas brancas e 5 bolas verdes. Se X e Y representam respectiva-
mente, o número de bolas vermelhas e brancas escolhidas, determine:
a) A função de probabilidade conjunta de X e Y .
b) As funções de probabilidade marginais de X e Y .
c) A função de distribuição acumulada conjunta de (X,Y ).
d) P(X ≥ 1;Y ≤ 1).
Exerćıcio 3.1.3. A função de probabilidade conjunta de uma variável aleatória bivariada (X,Y ) é
dada por
pX,Y (x, y) =
 k(2x+ y) x = 1, 2 e y = 1, 2.0 caso contrário.
onde k é uma constante.
a) Obtenha k.
b) Obtenha as funções de probabilidade marginal de X e Y .
c) A função de distribuição acumulada do vetor (X,Y ).
d) As funções de distribuição marginais de X e Y .
Exerćıcio 3.1.4. Suponha que uma urna contenha 6 bolas enumeradas 1,2,3,4,5 e 6. Duas bolas são
retiradas ao acaso e sem reposição. Seja X o número da primeira bola e Y o da segunda bola. Qual
a distribuição conjunta de X e Y ?
Exerćıcio 3.1.5. Suponha que 15% das famı́lias de certa comunidade não tenham filhos, 20% tenham
1 filho, 35% tenham 2 filhos e 30% tenham 3. Suponha também que, em cada famı́lia, cada filho tenha
a mesma probabilidade (independente) de ser menino ou menina. Suponha que uma famı́lia dessa
comunidade é escolhida aleatoriamente, Seja B, o número de meninos, e G, o número de meninas
nesta famı́lia. Obtenha:
a) A função de probabilidade conjunta do vetor (B, V ).
b) As funções de probabilidade marginais de B e de V .
c) As funções de distribuição marginais de B e de V .
Exerćıcio 3.1.6. Dois dados honestos são rolados. Determine a função de probabilidade conjunta de
X e Y quando:
(a) X é o maior valor obtido em um dado e Y é a soma dos valores;
(b) X é o valor no primeiro dado e Y é o maior dos dois valores;
(c) X é o menor e Y é o maior valor obtido com os dados.
Exerćıcio 3.1.7. Suponha que 3 bolas sejam sorteadas sem reposição de uma urna consistindo em 5
bolas brancas e 8 bolas verdes. Considere Xi = l caso a i-ésima bola selecionada seja branca e Xi = O
caso contrário. Dê a função de probabilidade conjunta de
(a) (Xl, X2);
(b) X1, X2, X3).
Exerćıcio 3.1.8. Sabe-se que um cesto com 5 transistores contém 2 com defeito. Os transistores
devem ser testados, um de cada vez, até que os defeituosos sejam identificados. Suponha que N1,
represente o número de testes feitos até que o primeiro transistor defeituoso seja identificado e N2 o
número de testes adicionais feitos até que o segundo transistor defeituoso seja identificado. Determine
a função de probabilidade conjunta de N1 e N2.
Exerćıcio 3.1.9. Considere uma sequência de tentativas de Bernoulli independentes, cada uma com
probabilidade de sucesso p. Sejam X1, o número de fracassos precedendo o primeiro sucesso e X2, o
número de fracassos entre os dois primeiros sucessos. Determine a função de probabilidade conjunta
de X1, e X2.
3.2 Vetores Aleatórios Cont́ınuos Bivariados
Definição 3.2.1. Função Densidade Conjunta
Seja (X;Y ) um vetor aleatório cont́ınuo bivariado. A função densidade de probabilidade conjunta,
denotada por fX;Y (xx, y) é definida como a segunda derivada da função de distribuição acumulada
conjunta onde ela existe. Ou seja,
fX;Y (x, y) =
∂2FX;Y (x; y)
∂x∂y
onde
FX;Y (x; y) = P(X ≤ x;Y ≤ y).
Proposição 3.2.1. Seja (X,Y ) um vetor aleatório cont́ınuo bivariado. Para todo B ∈ B2 , vale
P((X,Y ) ∈ B) =
∫
B
fX;Y (x; y)dxdy.
Definição 3.2.2. Função de Distribuição Marginal
Seja (X;Y ) um vetor aleatório cont́ınuo bivariado. A função
FX(x) = lim
y→∞
FX,Y (x, y)
é chamada função de distribuição marginal de X. Analogamente,
FY (y) = lim
x→∞
FX,Y (x, y)
é a função de distribuição marginal de Y .
Definição 3.2.3. Função Densidade Marginal
Seja (X;Y ) um vetor aleatório cont́ınuo bivariado. A função
fX(x) =
∫ ∞
−∞
fX;Y (x; y)dy
é chamada função densidade marginal de X. Analogamente, a função
fY (y) =
∫ ∞
−∞
fX;Y (x; y)dx
é chamada função densidade marginal de Y .
Exemplo 3.2.1. A densidade conjunta de uma variável aleatória bivariada (X,Y ) é dada por
fX,Y (x, y) =
 kxy 0 < x < y < 10 caso contrário.
onde k é uma constante.
a) Obtenha k.
b) Obtenha as densidades marginais de X e Y .
c) Calcule P
(
X + Y < 12
)
.
Exemplo 3.2.2. A densidade de probabilidade conjunta de um vetor aleatório bivariado é dada por
fX,Y (x, y) =
 kxy 0 < x < y < 10 caso contrário.
onde k é uma constante.
a) Calcule k.
b) Calcule P(X + Y < 1).
c) Obtenha a função de distribuição acumulada de X e Y .
d) Obtenha cada uma das marginais de X e de Y .
Exemplo 3.2.3. A função densidade conjunta de X e Y é dada por
fX,Y (x, y) =
 2e−x−2y x > 0, y > 00 caso contrário.
Calcule:
a) P(X > 1, Y < 1).
b) P(X < y).
c) P(X < a).
Exerćıcio 3.2.1. Dois componentes eletrônicos do sistema de um mı́ssil funcionam em harmonia para
o sucesso total do sistema. Considere X e Y a vida, em horas, dos dois componentes. A densidade
conjunta de X e Y é:
fX,Y (x, y) =
 380 (x2 + xy), 0 ≤ x ≤ 2 e 0 ≤ y ≤ 4;0, caso contrário.
a) Dê as funções de densidade marginal para as duas variáveis aleatórias.
b) Calcule a probabilidade da vida de pelo menos um desses componentes exceder uma hora.
Exerćıcio 3.2.2. Suponha que nós selecionaremos um ponto ao acaso de dentro de um ćırculo com
raio R. Suponha que o centro do ćırculo denote a origem e defina X e Y como as coordenadas dos
pontos escolhidos. Então (X,Y ) é uma variável aleatória bivariada com densidade conjunta dada por
fX,Y (x, y) =
 k x2 + y2 ≤ R20 x2 + y2 > R2
onde k é uma constante.
a) Determine k.
b) Encontre as densidades marginais de X e Y .
c) Encontre a probabilidade de que D, a distância da origem ao ponto selecionado não seja maior que
a.
d) Calcule E(D) e Var(D).
Exerćıcio 3.2.3. Seja (X,Y ) uma variável aleatória bivariada com densidade conjunta
fX,Y (x, y) =
 λµe−(λx+µy) x > 0, y > 00 caso contrário.
Obtenha a densidade marginal de X.
Exerćıcio 3.2.4. A função densidade conjunta de X e Y é dada por
fX,Y (x, y) =
 c(y2 − x2)e−y − y ≤ x ≤ y, y > 00 caso contrário.
a) Determine c.
b) Determine as densidades marginais de X e de Y .
c) Determine a média de X.
Exerćıcio 3.2.5. A função densidade conjunta de X e Y é dada por
fX,Y (x, y) =

6
7
(
x2 +
xy
2
)
0 < x < 1, 0 < y < 2
0 caso contrário.
a) Verifique que esta é de fato uma função de densidade conjunta.
b) Determine as densidades marginais de X e de Y .
c) Determine a média de X.
d) Calcule P(X > Y ).
3.3 Vetores Aleatórios Mistos e Singulares
Observação 3.3.1. Função Mista de Probabilidade Conjunta
Seja (X;Y ) um vetor aleatório bivariado onde X é discretae Y cont́ınua. Nesse caso, o compor-
tamento probabiĺıstico conjunto das variáveis é dado pela função mista de probabilidade conjunta
fX,Y (x, y).
Exemplo 3.3.1. Seja (X;Y ) um vetor aleatório bivariado onde X é discreta e Y cont́ınua. Suponha
que a função mista de probabilidade conjunta de X,Y é dada por
fX,Y (x, y) =
 kxy x = 1, 2, 3, 0 < y < 10 caso contrário.
a) Calcule k.
b) Obtenha a função de probabilidade de X.
c) Obtenha a densidade de probabilidade da variável de Y .
d) Calcule P(X ≤ 2, 0 ≤ Y ≤ 0.5).
e) Calcule a função de distribuição acumulada de X,Y .
Exerćıcio 3.3.1. Seja (X;Y ) um vetor aleatório bivariado onde X é discreta e Y cont́ınua. Suponha
que a função mista de probabilidade conjunta de X,Y é dada por
fX,Y (x, y) =

xyx−1
3 x = 1, 2, 3, 0 ≤ y ≤ 1
0 caso contrário.
a) Calcule k.
b) Obtenha a função de probabilidade de X.
c) Obtenha a densidade de probabilidade da variável de Y .
d) Calcule P(X ≥ 2, Y ≥ 0.5).
e) Calcule a função de distribuição acumulada de X,Y .
Observação 3.3.2. Seja (X;Y ) um vetor aleatório bivariado onde X e Y são cont́ınuas. Nem sempre
existe uma densidade conjunta para o vetor (X,Y ). Neste caso, temos uma distribuição singular.
Exemplo 3.3.2. Seja (X,Y ) um vetor aleatório uniformente distribúıdo em G = {(x, y) ∈ [0, 1] ×
[0, 1], x = y}.
a) Quem são as densidades marginais de X e de Y .
b) Existe uma densidade conjunta fX,Y (x, y) ? Isto é, existe fX,Y (x, y) tal que∫
G
∫
fX,Y (x, y)dxdy = 1?
c) Obtenha a função de distribuição de X,Y .
d) Calcule P
(
0 ≤ X ≤ 1
3
,
1
4
≤ Y ≤ 1
2
)
.
e) Como seria uma fórmula para o cálculo de P(X,Y ) ∈ B) onde B é um boreliano plano?
Exerćıcio 3.3.2. Seja (X,Y ) um vetor aleatório uniformente distribúıdo em G = {(x, y) ∈ [1, 2] ×
[1, 2], x = y}.
a) Quem são as densidades marginais de X e de Y .
b) Existe uma densidade conjunta fX,Y (x, y) ? Isto é, existe fX,Y (x, y) tal que∫
G
∫
fX,Y (x, y)dxdy = 1?
c) Obtenha a função de distribuição de X,Y .
d) Calcule P
(
4
3
≤ X ≤ 5
3
,
5
4
≤ Y ≤ 7
4
)
.
e) Como seria uma fórmula para o cálculo de P(X,Y ) ∈ B) onde B é um boreliano plano?
3.4 Vetores Aleatórios Discretos
Definição 3.4.1. Função de Distribuição Acumulada Conjunta
Seja (X1, X2, · · · , Xn) um vetor aleatório. A função
FX1;X2;··· ;Xn(x1;x2; · · · ;xn) = P(X1 ≤ x1;X2 ≤ x2; · · · ;Xn ≤ xn)
é chamada função de distribuição acumulada conjunta do vetor aleatório (X1, X2, · · · , Xn) .
Observação 3.4.1. A Função de Distribuição Acumulada Conjunta satisfaz:
1. FX1;X2;··· ;Xn(x1;x2; · · · ;xn) é não-decrescente em cada variável. Por exemplo, é não-decrescente
em X1 ou seja, se x < y
FX1;X2;··· ;Xn(x;x2; · · · ;xn) ≤ FX1;X2;··· ;Xn(y;x2; · · · ;xn);
2. FX1;X2;··· ;Xn(x1;x2; · · · ;xn) é cont́ınua a direita em cada variável. Por exemplo, é cont́ınua a
direita em X1, ou seja, se ym ↓ x1
FX1;X2;··· ;Xn(ym;x2; · · · ;xn) ↓ FX1;X2;··· ;Xn(x1;x2; · · · ;xn);
3. ∀i,
lim
xi→−∞
FX1;X2;··· ,Xi,··· ;Xn(x1;x2; · · · , xi · · · ;xn) = 0
e
lim
∀i,xi→∞
FX1;X2;··· ,Xi,··· ;Xn(x1;x2; · · · , xi · · · ;xn) = 1;
4. FX1;X2;··· ,Xi,··· ;Xn(x1;x2; · · · , xi · · · ;xn) deve ser tal que
P(a1 < X1 ≤ b1, · · · , an < Xn ≤ bn) ≥ 0,
para toda escolha posśıvel de a1, b1, · · · , an, bn.
Exerćıcio 3.4.1. Demonstre que a função
F (x, y) =
 1− e−x−y x ≥ 0, y ≥ 00 caso contrário.
não é função de distribuição de um vetor aleatório.
Definição 3.4.2. Função de Probabilidade Conjunta
Seja (X1, X2, · · · , Xn) um vetor aleatório discreto. A função
pX1;X2;··· ;Xn(x1;x2; · · · ;xn) = P(X1 = x1;X2 = x2; · · · ;Xn = xn)
é chamada função de probabilidade conjunta.
Definição 3.4.3. Função de Probabilidade Marginal
Seja (X1, X2, · · · , Xn) um vetor aleatório discreto , I = {i1, · · · , in}, 1 ≤ i1 < i2 < · · · < ik ≤ n e
J = {j1, · · · , jn−k}, 1 ≤ j1 < j2 < · · · < jn−k ≤ n dois conjuntos de ı́ndices com I ∩ J = ∅. A função
pXi1 ;··· ;Xik (xi1 ; · · · ;xik) =
∑
xj1
∑
xj2
· · ·
∑
xjn−k
pX1;X2;··· ;Xn(x1;x2; · · · ;xn)
é chamada função de probabilidade marginal de (Xi1 , Xi2 , · · · , Xik).
Proposição 3.4.1. Seja (X1, X2, · · · , Xn) um vetor aleatório discreto. Para todo B ∈ Bn , vale
P((X1, X2, · · · , Xn) ∈ B) =
∑
(x1,x2,··· ,xn)∈B
pX1;X2;··· ;Xn(x1;x2; · · · ;xn).
Exemplo 3.4.1. A função de probabilidade conjunta de uma variável aleatória trivariada (X,Y, Z)
é dada por
pX,Y,Z(x, y, z) =
 k(2x+ 3y + 5z) x = 1, 2 , y = 1, 2 e z = 1 , 2.0 caso contrário.
onde k é uma constante.
a) Obtenha k.
b) Obtenha a função de probabilidade marginal conjunta de X e Y .
Exemplo 3.4.2. Considere o experimento retirar três bolas uma a uma ao acaso e sem reposição de
uma urna contendo 6 bolas verdes, 3 bolas vermelhas, 2 bolas pretas, 4 bolas brancas e 5 bolas azuis.
Seja (X1, X2, X3, X4, X5) o vetor aleatório de cinco dimensões onde X1 é o número de bolas verdes
retiradas, X2 é o número de bolas vermelhas retiradas, X3 é o número de bolas pretas retiradas, X4
é o número de bolas brancas retiradas e X5 é o número de bolas azuis retiradas.
a) Qual a distribuição de (X1, X2, X3, X4, X5)?
b) Encontre as funções de probabilidade marginais de X1, X2, X3, X4, X5.
c) Calcule P(X1 = 1, X2 = 1, X3 = 0).
Exemplo 3.4.3. Considere o experimento retirar dez bolas uma a uma ao acaso e com reposição de
uma urna contendo 6 bolas verdes, 3 bolas vermelhas, 2 bolas pretas, 4 bolas brancas e 5 bolas azuis.
Seja (X1, X2, X3, X4, X5) o vetor aleatório de cinco dimensões onde X1 é o número de bolas verdes
retiradas, X2 é o número de bolas vermelhas retiradas, X3 é o número de bolas pretas retiradas, X4
é o número de bolas brancas retiradas e X5 é o número de bolas azuis retiradas.
a) Qual a distribuição de (X1, X2, X3, X4, X5)?
b) Encontre as funções de probabilidade marginais de X1, X2, X3, X4, X5.
c) Calcule P(X1 = 5, X2 = 1, X3 = 2).
Exerćıcio 3.4.2. Uma urna contém 5 bolas verdes, 4 bolas vermelhas, 3 bolas pretas, 3 bolas azuis,
2 bolas brancas e 3 bolas amarelas. Considere o experimento retirar 5 bolas desta urna uma a uma ao
acaso e sem reposição. Sejam X1, X2, X3, X4, X5 e X6 o número de bolas verdes, vermelhas, pretas,
azuis, brancas e amarelas retiradas, respectivamente.
a) Quais são os posśıveis valores para o vetor aleatório X1, X2, X3, X4, X5, X6 ?
b) Calcule P(X1 = 2, X2 = 2, X3 = 0, X4 = 0, X5 = 0, X6 = 1).
c) Calcule P(X1 = 2).
Exerćıcio 3.4.3. O proprietário de uma loja de televisores imagina que 45 % dos clientes que entram
em sua loja comprarão um televisor comum, 15% comprarão um televisor de plasma e 40% estarão
apenas dando uma olhada. Se 5 clientes entrarem nesta loja em um dia, qual é a probabilidade de que
ele venda exatamente 2 televisores comuns e 1 de plasma naquele mesmo dia?
Exerćıcio 3.4.4. Uma urna contém 5 bolas verdes, 4 bolas vermelhas e 3 bolas amarelas. Considere
o experimento retirar 5 bolas desta urna uma a uma ao acaso e sem reposição. Sejam X1, X2 e X3 o
número de bolas verdes, vermelhas e amarelas retiradas, respectivamente.
a) a) Qual a distribuição de (X1, X2, X3)?
b) Encontre as funções de probabilidade marginais de X1, X2 e de X1, X3 .
c) Calcule P(X1 = 2, X2 = 1, X3 = 2).
d) Calcule P(X1 = 2).
Exerćıcio 3.4.5. Uma urna contém 5 bolas verdes, 4 bolas vermelhas e 3 bolas amarelas. Considere
o experimento retirar 5 bolas desta urna uma a uma ao acaso e com reposição. Sejam X1, X2 e X3 o
número de bolas verdes, vermelhas e amarelas retiradas, respectivamente.
a) a) Qual a distribuição de (X1, X2, X3)?
b) Encontre as funções de probabilidade marginais de X1, X2 e de X1, X3 .
c) Calcule P(X1 = 2, X2 = 1, X3 = 2).
d) Calcule P(X1 = 2).
3.5 Vetores Aleatórios Cont́ınuos
Definição 3.5.1. Função Densidade Conjunta
Seja (X1, X2, · · · , Xn) um vetor aleatório cont́ınuo. A função densidade de probabilidadeconjunta,
denotada por fX1;X2;··· ;xn(x1;x2; · · · ;xn) é definida como a n-ésima derivada da função de distribuição
acumulada conjunta onde ela existe. Ou seja,
fX1;X2;··· ;Xn(x1;x2; · · · ;xn) =
∂nFX1;X2;··· ;Xn(x1;x2; · · · ;xn)
∂x1∂x2 · · · ∂xn
Definição 3.5.2. Função de Distribuição Marginal
Seja (X1, X2, · · · , Xn) um vetor aleatório cont́ınuo. , I = {i1, · · · , ik}, 1 ≤ i1 < i2 < · · · < ik ≤ n e
J = {j1, · · · , jn−k}, 1 ≤ j1 < j2 < · · · < jn−k ≤ n dois conjuntos de ı́ndices com I ∩ J = ∅. A função
FXi1 ;··· ;Xik (xi1 ; · · · ;xik) = lim∀xj ,j∈J
FX1;X2;··· ;Xn(x1;x2; · · · ;xn)
é chamada função de distribuição marginal de (Xi1 , Xi2 , · · · , Xik).
Definição 3.5.3. Função Densidade Marginal
Seja (X1, X2, · · · , Xn) um vetor aleatório cont́ınuo. , I = {i1, · · · , ik}, 1 ≤ i1 < i2 < · · · < ik ≤ n e
J = {j1, · · · , jn−k}, 1 ≤ j1 < j2 < · · · < jn−k ≤ n dois conjuntos de ı́ndices com I ∩ J = ∅. A função
fXi1 ;··· ;Xik (xi1 ; · · · ;xik) =
∫ ∞
−∞
∫ ∞
−∞
· · ·
∫ ∞
−∞
fX1;X2;··· ;Xn(x1;x2; · · · ;xn)dxj1dxj2 · · · dxjn−k
é chamada função de probabilidade marginal de (Xi1 , Xi2 , · · · , Xik).
Proposição 3.5.1. Seja (X1, X2, · · · , Xn) um vetor aleatório cont́ınuo. Para todo B ∈ Bn , vale
P((X1, X2, · · · , Xn) ∈ B) =
∫
(x1,x2,··· ,xn)∈B
fX1;X2;··· ;Xn(x1;x2; · · · ;xn)dx1 · · · dxn.
Exemplo 3.5.1. A densidade conjunta de uma variável aleatória trivariada (X,Y, Z) é dada por
fX,Y,Z(x, y, z) =
 ke−(ax+by+cz) x > 0 e y > 0 e z > 00 caso contrário.
onde a, b e c são constantes positivas e k é uma constante.
a) Obtenha k.
b) Obtenha as densidades marginais de X , Y e Z.
c) Obtenha a densidade marginal conjunta de X e Y .
Exerćıcio 3.5.1. A densidade conjunta de uma variável aleatória trivariada (X,Y, Z) é dada por
fX,Y,Z(x, y, z) =
 e−(x+y+z) x > 0 e y > 0 e z > 00 caso contrário.
a) Obtenha as densidades marginais de X , Y e Z.
b) Obtenha a densidade marginal conjunta de X e Y .
c) Calcule P(X > Y ).
d) Calcule P(Y + Z > 2).
Exerćıcio 3.5.2. Se o primeiro resultado obtido em um jogo de dados resultar na soma dos dados ser
igual a 4, então o jogador continua a jogar os dados até que a soma dê 4 ou 7. Se a soma der 4, então
o jogador vence; se der 7, ele perde. Suponha que N represente o número de jogadas necessárias até
que a soma seja 7 ou 4, e que X represente o valor (4 ou 7) da jogada final. N é independente de X?
3.6 Independência de Variáveis Aleatórias
Definição 3.6.1. Independência de Variáveis Aleatórias
Seja (X1, X2, · · · , Xn) um vetor aleatório. As variáveis aleatórias X1, X2, · · · , Xn são ditas indepen-
dentes se para quaisquer conjuntos Ai ⊂ R (boreliano), i = 1, 2, · · · , n vale
P(X1 ∈ A1;X2 ∈ A2; · · · ;Xn ∈ An) =
n∏
i=1
[P(Xi ∈ Ai)].
Proposição 3.6.1. Se X1, X2, · · · , Xn são independentes então
FX1;X2;··· ;Xn(x1;x2; · · · ;xn) =
n∏
i=1
FXi(xi).
Reciprocamente, se existem funções F1, · · · , Fn tais que para todo i
lim
x→∞
Fi(x) = 1
e
FX1;X2;··· ;Xn(x1;x2; · · · ;xn) =
n∏
i=1
Fi(xi)
para todo escolha de (x1, · · · , xn) ∈ Rn então as variáveis aleatórias X1, X2, · · · , Xn são independentes
e FXi = Fi, ∀i = 1, 2, · · · , n.
Proposição 3.6.2. Seja (X1, X2, · · · , Xn) um vetor aleatório discreto. As variáveis aleatórias X1, X2, · · · , Xn
são ditas independentes se para toda escolha de (x1; · · · ;xn)
pX1;X2;··· ;Xn(x1;x2; · · · ;xn) =
n∏
i=1
pXi(xi).
Exemplo 3.6.1. A função de probabilidade conjunta de uma variável aleatória bivariada (X,Y ) é
dada por
pX,Y (x, y) =
 118 (2x+ y) x = 1, 2 e y = 1, 2.0 caso contrário.
Verifique se X e Y são independentes.
Exerćıcio 3.6.1. Suponha que 3 bolas sejam sorteadas de uma urna contendo 3 bolas vermelhas, 4
bolas brancas e 5 bolas verdes. Se X e Y representam respectivamente, o número de bolas vermelhas
e brancas escolhidas, determine:
a) A função de probabilidade conjunta de X e Y .
b) As funções de probabilidade marginais de X e Y .
c) Se X e Y são independentes.
Exemplo 3.6.2. Considere um experimento que consiste em lançar duas moedas três vezes. A moeda
A é honesta, porém a moeda B não (esta tem P(cara) = 14 e P(coroa) =
3
4). Considere uma variável
aleatória bivariada (X,Y), onde X denota o número de caras obtidas da moeda A e Y o número de
caras obtidas da moeda B.
a) Quais os posśıveis valores de (X,Y)?
b) Encontre a função de probabilidade conjunta de (X,Y).
c) Encontre P(X=Y), P(X > Y) e P(X + Y ≤ 4).
Exerćıcio 3.6.2. Suponha que 3 bolas sejam sorteadas uma a uma ao acaso e sem reposição de uma
urna contendo 3 bolas vermelhas, 4 bolas brancas e 5 bolas verdes. Sejam X e Y respectivamente, o
número de bolas vermelhas e brancas escolhidas. Verifique se X e Y são independentes.
Proposição 3.6.3. Seja (X1, X2, · · · , Xn) um vetor aleatório cont́ınuo. Se X1, X2, · · · , Xn são in-
dependentes com densidades fX1 , · · · , fXn então
fX1;X2;··· ;Xn(x1;x2; · · · ;xn) =
n∏
i=1
fXi(xi).
é a densidade conjunta de (X1, X2, · · · , Xn). Reciprocamente, se existem funções f1, · · · , fn tais que
para todo i
fi(xi) ≥ 0,
∫ ∞
−∞
fi(xi)dxi = 1
e
fX1;X2;··· ;Xn(x1;x2; · · · ;xn) =
n∏
i=1
fi(xi)
para todo escolha de (x1, · · · , xn) ∈ Rn então as variáveis aleatórias X1, X2, · · · , Xn são independentes
e fXi = fi,∀i = 1, 2, · · · , n.
Proposição 3.6.4. Seja (X1, X2, · · · , Xn) um vetor aleatório cont́ınuo. As variáveis aleatórias
X1, X2, · · · , Xn são ditas independentes se para quase toda escolha de (x1; · · · ;xn)
fX1;X2;··· ;Xn(x1;x2; · · · ;xn) =
n∏
i=1
fXi(xi).
A condição pode falhar num conjunto de medida de Lebesgue nula.
Exemplo 3.6.3. Seja (X,Y, Z) uma variável aleatória trivariada, onde X,Y e Z são variáveis
aleatórias independentes cada uma com distribuição uniforme sobre (0,1). Calcule P(Z ≥ XY).
Exemplo 3.6.4. A densidade conjunta de uma variável aleatória bivariada (X,Y ) é dada por
fX,Y (x, y) =
 8xy 0 < x < y < 10 caso contrário.
Verifique se X e Y são independentes.
Exerćıcio 3.6.3. A densidade conjunta de uma variável aleatória bivariada (X,Y ) é dada por
fX,Y (x, y) =
 380 (x2 + xy), 0 ≤ x ≤ 2 e 0 ≤ y ≤ 4;0, caso contrário.
Verifique se X e Y são independentes.
Exerćıcio 3.6.4. A densidade conjunta de uma variável aleatória bivariada (X,Y ) é dada por
fX,Y (x, y) =
 2e−x−2y x > 0, y > 00 caso contrário.
Verifique se X e Y são independentes.
Exerćıcio 3.6.5. Um homem e uma mulher decidem se encontrar em certo lugar. Se cada um deles
chega independentemente em um tempo uniformemente distribúıdo entre 12:00 e 13:00, determine a
probabilidade de que o primeiro a chegar tenha que esperar mais de 10 minutos.
Caṕıtulo 4
Funções de Variáveis Aleatórias
4.1 Funções de Variáveis Aleatórias
Proposição 4.1.1. Seja (X1, X2, · · · , Xn) um vetor aleatório discreto. Para todo B ∈ Bn , vale
P((X1, X2, · · · , Xn) ∈ B) =
∑
(x1,x2,··· ,xn)∈B
pX1;X2;··· ;Xn(x1;x2; · · · ;xn).
Proposição 4.1.2. Seja (X1, X2, · · · , Xn) um vetor aleatório cont́ınuo. Para todo B ∈ Bn , vale
P((X1, X2, · · · , Xn) ∈ B) =
∫
(x1,x2,··· ,xn)∈B
fX1;X2;··· ;Xn(x1;x2; · · · ;xn)dx1 · · · dxn.
Proposição 4.1.3. Seja (X1, X2, · · · , Xn) um vetor aleatório cont́ınuo e Y = g(X1, X2, · · · , Xn).
Defina
By = {(x1, · · · , xn) : g(x1, · · · , xn) ≤ y}.
Então
FY (y) = P(Y ≤ y) = P(g(X1, · · · , Xn) ≤ y) = P((X1, · · · , Xn) ∈ By) =
∫
By
· · ·
∫
fX1;··· ;Xn(x1; · · · ;xn)dx1 · · · dxn.
Exemplo 4.1.1. Considere Z = X+Y onde X e Y são variáveis aleatórias Poisson com parâmetros
λ e µ, respectivamente. Qual é a distribuição de Z?
Exerćıcio 4.1.1. Sejam X e Y variáveis aleatórias binomiais independentes com respectivos parâmetros
(n, p) e (m, p). Calcule a distribuição de X + Y .
Exemplo 4.1.2. Sejam X1, X2, · · · , Xn variáveis aleatórias independentes em (Ω,F ,P). Defina:
M = max{X1, X2, · · · , Xn} e N = min{X1, X2, ·· · , Xn}.
29
a) Obtenha a distribuição de N quando Xi ∼ exp(λ), i = 1, 2, · · · , n.
b) Obtenha E(M) quando Xi ∼ Uniforme(0; 1), i = 1, 2, · · · , n.
Exemplo 4.1.3. Suponha que 4 bolas sejam sorteadas uma a uma ao acaso e sem reposição de uma
urna contendo 2 bolas vermelhas, 1 bola branca e 7 bolas verdes. Se X e Y representam respectiva-
mente, o número de bolas vermelhas e verdes sorteadas, determine:
a) A função de probabilidade conjunta de X e Y .
b) As funções de probabilidade marginais de X e Y .
c) A esperança e a variância de X e de Y .
d) Se X e Y são independentes.
e) Defina Z = XY (Z, a fração entre o número de bolas vermelhas e verdes retiradas). Calcule a
distribuição de probabilidade, a esperança e a variância de Z.
Exerćıcio 4.1.2. A função de probabilidade conjunta de uma variável aleatória trivariada (X,Y, Z)
é dada por
pX,Y,Z(x, y, z) =
 k(2x+ 3y + 5z) x = 1, 2 , y = 1, 2 e z = 1 , 2.0 caso contrário.
onde k é uma constante.
a) Obtenha k.
b) Obtenha a função de probabilidade marginal conjunta de X e Y .
c) Obtenha a distribuição de probabilidade e a esperança da variável aleatória W = XY .
Exerćıcio 4.1.3. Suponha que n+m tentativas independentes com probabilidade comum de sucesso p
sejam realizadas. Sejam X o número de sucessos nas primeiras n tentativas, Y o número de sucessos
nas m tentativas finais e Z o número total de sucessos em n+m tentativas.
a) X e Y são independentes?
b) X e Z são independentes?
Exemplo 4.1.4. Sejam X e Y variáveis aleatórias uniformes em (0,1). Encontre a densidade de
probabilidade de Z = X + Y .
Exerćıcio 4.1.4. Sejam X e Y variáveis aleatórias uniformes em (0,1). Encontre a densidade de
probabilidade de Z = XY .
Exemplo 4.1.5. Seja X ∼ Uniforme(−π2 ,
π
2 ). Defina Y = tan(X)
Calcule, se existir, E(Y ).
Exerćıcio 4.1.5. Sejam X e Y variáveis aleatórias independentes cada uma com distribuição expo-
nencial de parâmetro 1. Defina Z = X + Y e W = XY .
a) Encontre a densidade conjunta de (Z,W ) e suas respectivas marginais.
b) Z e W são independentes?
Exerćıcio 4.1.6. Sejam X e Y variáveis aleatórias normais padrão independentes. Encontre a den-
sidade de probabilidade de Z = XY .
Exemplo 4.1.6. Uma corrente I em ampères que flui em uma resistência de R ohms varia de acordo
com a distribuição de probabilidade
fI(i) =
 6i(1− i), 0 < i < 1;0, caso contrário.
Se a resistência varia, independentemente da corrente de acordo com a distribuição de probabilidade
fR(r) =
 2r, 0 < r < 1;0, caso contrário.
determine a distribuição de probabilidade para a potência W = I2R watts.
Exerćıcio 4.1.7. Um time de basquete jogará uma temporada com 44 partidas. Vinte e seis dessas
partidas serão contra times da divisão A, e 18 contra times da divisão B. Suponha que o time ganhe
cada partida disputada contra um adversário da divisão A com probabilidade 0,4, e ganhe cada partida
disputada contra um adversário da divisão B com probabilidade O,7. Suponha também que os resulta-
dos das diferentes partidas sejam independentes. Obtenha um valor aproximado para a probabilidade
de que
(a) o time vença 25 partidas ou mais;
(b) o time vença mais partidas contra times da divisão A do que contra times da divisão B.
4.2 Método do Jacobiano
Proposição 4.2.1. Seja G0 ⊂ Rn e G ⊂ Rn conjuntos abertos e g : G0 → G uma bijeção entre G0 e
G onde
g(x1, · · · , xn) = (g1(x1, · · · , xn), · · · , gn(x1, · · · , xn)) = (yi, · · · , yn).
Então existe a função inversa h = g−1 em G, onde
x1 = h1(y1, · · · , yn), · · ·xn = hn(y1, · · · , yn).
Suponha que existam as derivadas parciais
∂xi
∂yj
=
∂hi(y1, · · · , yn)
∂yj
, 1 ≤ i, j ≤ n
e que elas sejam cont́ınuas em G. Defina o Jacobiano
J((x1, · · ·xn), (y1, · · · , yn)) =
∣∣∣∣∣∣∣∣∣
∂x1
∂y1
∂x1
∂y2
· · · ∂x1∂yn
...
...
. . .
...
∂xn
∂y1
∂xn
∂y2
· · · ∂xn∂yn
∣∣∣∣∣∣∣∣∣ .
Se J((x1, · · ·xn), (y1, · · · , yn)) ̸= 0 a densidade conjunta de (Y1, · · · , Yn) é dada por
fY1,··· ,Yn(y1, · · · , yn) =
 f(h1(y1, · · · , yn), · · · , hn(y1, · · · , yn))|J((x1, · · ·xn), (y1, · · · , yn))|, (y1, · · · , yn) ∈ G0 caso contrário,
onde f(x1, · · · , xn) é a densidade conjunta do vetor (X1, · · · , Xn).
Exemplo 4.2.1. Sejam T1, T2 e T3 variáveis aleatórias independentes cada uma com distribuição
exponencial de parâmetro λ. Seja Si = T1 + · · ·+ Ti, i = 1, 2, 3.
a) Determine a densidade conjunta de S1, S2, S3.
b) Determine a densidade de S3.
Exerćıcio 4.2.1. Sejam X e Y variáveis aleatórias independentes cada uma com distribuição expo-
nencial com parâmetro 1.
a) Encontre a densidade de probabilidade de Z = X + Y .
b) Encontre a densidade de probabilidade de W = XY .
c) Calcule P(1 ≤ Z ≤ 2).
d) Verifique se Z e W são independentes.
Exerćıcio 4.2.2. Sejam X e Y variáveis aleatórias independentes cada uma com distribuição uni-
formes em (0,1).
a) Encontre a densidade de probabilidade de Z = X + Y .
b) Encontre a densidade de probabilidade de W = XY .
c) Calcule P
(
3
4
≤ Z ≤ 5
4
)
.
d) Verifique se Z e W são independentes.
4.3 Esperança de Funções de Vetores Aleatórios
Teorema 4.3.1. Seja (X1, X2, · · · , Xn) um vetor aleatório e h(X1, X2, · · · , Xn) uma função de
(X1, X2, · · · , Xn). Então se (X1, X2, · · · , Xn) é discreto,
E(h(X1, X2, · · · , Xn)) =
∑
x1
∑
x2
· · ·
∑
xn
h(x1, x2, · · · , xn)P(X1 = x1, X2 = x2, · · ·Xn = xn).
Por outro lado, (X1, X2, · · · , Xn) se é cont́ınuo
E(h(X1, X2, · · · , Xn)) =
∫ ∞
−∞
∫ ∞
−∞
· · ·
∫ ∞
−∞
h(x1, x2, · · · , xn)f(x1, x2, · · · , xn)dx1dx2 · · · dxn.
Exemplo 4.3.1. Um acidente ocorre em um ponto X uniformemente distribúıdo ao longo de uma
estrada com extensão L. No momento do acidente, uma ambulância está no ponto Y , que também é
uniformemente distribúıdo ao longo da estrada. Supondo que X e Y sejam independentes, determine
a distância esperada entre a ambulância e o local do acidente.
Exerćıcio 4.3.1. Na fabricação de uma peça, um eixo ciĺındrico, com uma seção transversal circular
deve-se encaixar num soquete circular. É sabido que as distribuições do diâmetro do eixo e do diâmetro
do soquete são ambas Normais. Para o diâmetro do eixo a média é de 3,42 cm, com um desvio padrão
de 0,01 cm. Para o diâmetro de soquete, a média é 3, 47 cm, com um desvio padrão de 0,02 cm.
Suponha que, para efeitos de montagem, as componentes das peças são selecionadas ao acaso, e que
eles só se encaixam se a folga estiver entre 0,025 cm e 0,100 cm. Qual a probabilidade do eixo se
encaixar no soquete? Suponha independência entre os diâmetros do eixo e do soquete.
Exerćıcio 4.3.2. A densidade de probabilidade conjunta de um vetor aleatório bivariado é dada por
fX,Y (x, y) =
 8xy 0 < x < y < 10 caso contrário.
Calcule E(XY )
Corolário 4.3.1. Seja (X1, X2, · · · , Xn) um vetor aleatório. Então se E(X1+X2+· · ·Xn) faz sentido
E
(
n∑
i=1
Xi
)
=
n∑
i=1
E(Xi).
Exemplo 4.3.2. Considere uma urna contendo 50 bolas vermelhas e 150 verdes. Trinta bolas são
retiradas da urna ao acaso e sem reposição Calcule o número esperado de bolas verdes retiradas.
Exerćıcio 4.3.3. Considere uma urna contendo 50 bolas vermelhas e 150 verdes. Trinta bolas são
retiradas da urna ao acaso e sem reposição Calcule o número esperado de bolas verdes retiradas.
Exerćıcio 4.3.4. Suponha que N pessoas joguem os seus chapéus no centro de uma sala. Os chapéus
são misturados e cada pessoa seleciona um deles aleatoriamente. Determine o número esperado de
pessoas que selecionam o próprio chapéu.
Exerćıcio 4.3.5. Suponha que existam N diferentes tipos de cupons de desconto, e que cada vez
que alguém recolha um cupom este tenha a mesma probabilidade de ser de qualquer um dos N tipos.
Determine o número esperado de cupons que alguém precisa acumular antes de conseguir um conjunto
completo que contenha pelo menos um de cada tipo.
Exerćıcio 4.3.6. Dez caçadoresestáo esperando uma revoada de patos. Quando aparece um bando
de patos, os caçadores atiram simultaneamente, mas cada um deles escolhe o seu alvo aleatoriamente,
independentemente dos demais. Se cada caçador atinge o seu alvo de maneira independente com
probabilidade p, calcule o número esperado de patos que escapam ilesos quando um bando com 10
deles passa voando na frente dos caçadores.
Corolário 4.3.2. Se as variáveis aleatórias X1, X2, · · · , Xn são independentes então
E
(
n∏
i=1
Xi
)
=
n∏
i=1
E(Xi).
Exemplo 4.3.3. Sejam X e Y variáveis aleatórias independentes tais que X ∼ Exp(λ) e Y ∼ Exp(µ).
a) Calcule P(X > Y ).
b) Calcule E(X.Y ).
Exemplo 4.3.4. Uma corrente I em ampères que flui em uma resistência de R ohms varia de acordo
com a distribuição de probabilidade
fI(i) =
 6i(1− i), 0 < i < 1;0, caso contrário.
Suponha que a resistência varia, independentemente da corrente de acordo com a distribuição de
probabilidade
fR(r) =
 2r, 0 < r < 1;0, caso contrário.
Calcule E(U), onde U = RI é a ddp associada.
Exerćıcio 4.3.7. Uma corrente I em ampères que flui em uma resistência de R ohms varia de acordo
com a distribuição de probabilidade
fI(i) =
 6i(1− i), 0 < i < 1;0, caso contrário.
Se a resistência varia, independentemente da corrente de acordo com a distribuição de probabilidade
fR(r) =
 2r, 0 < r < 1;0, caso contrário.
determine a potência média de W = I2R watts. Isto é calcule E(W ).
4.4 Função Geradora Conjunta
Definição 4.4.1. Sejam X1, X2, · · · , Xn variáveis aleatórias em um espaço de probabilidade (Ω,F ,P)
e t1, · · · , tn números reais. A função geradora de momentos conjunta dessa variáveis é dadapo
MX1,··· ,Xn(t1, · · · , tn) = E(et1X1+···+tnXn)
desde que a esperança seja finita para os tj tomados numa vizinhança de zero.
Exemplo 4.4.1. Suponha que a função de probabilidade conjunta de X1, X2 e X3 é multinomial com
parâmetros n, p1, p2 e p3.
a) Obtenha a função geradora de momentos conjunta de (X1, X2, X3).
b) Obtenha a função geradora de momentos conjunta de (X1, X2).
c) Obtenha a função geradora de momentos de X1.
d) Calcule E(X1X2).
Exerćıcio 4.4.1. Uma urna contém 5 bolas verdes, 4 bolas vermelhas e 3 bolas amarelas. Considere
o experimento retirar 5 bolas desta urna uma a uma ao acaso e com reposição. Sejam X1, X2 e X3 o
número de bolas verdes, vermelhas e amarelas retiradas, respectivamente.
a) Obtenha a função geradora de momentos conjunta de (X1, X2, X3).
b) Obtenha a função geradora de momentos conjunta de (X1, X2).
c) Obtenha a função geradora de momentos de X1.
d) Calcule E(X1X2).
Teorema 4.4.1. Sejam X1, X2, · · · , Xn variáveis aleatórias independentes com funções geradoras de
momentos respectivas MX1(t), · · · ,MXn(t), então a função geradora de momentos de Sn = X1+ · · ·+
Xn é dada por
MSn(t) =
n∏
i=1
MXi(t).
Teorema 4.4.2. Sejam X1, X2, · · · , Xn variáveis aleatórias independentes com funções caracteŕısticas
respectivas φX1(t), · · · , φXn(t), então a função caracteŕıstica de Sn = X1 + · · ·+Xn é dada por
φSn(t) =
n∏
j=1
φXj (t).
Teorema 4.4.3. Sejam X1, X2, · · · , Xn variáveis aleatórias inteiras independentes com funções ge-
radoras de probabilidade respectivas GX1(t), · · · , GXn(t), então a função geradora de probabilidade de
Sn = X1 + · · ·+Xn é dada por
GSn(s) =
n∏
i=1
GXi(s).
Exemplo 4.4.2. Sejam X1, X2, · · · , Xn variáveis aleatórias Poisson independentes com parâmetros,
λ1, λ2 · · · , λn, respectivamente. Mostre que Sn = X1 + X2 + · · · + Xn é Poisson com parâmetro
λ = λ1 + λ2 · · ·+ λn.
Exerćıcio 4.4.2. Sejam X1, X2, · · · , Xn variáveis aleatórias Exponenciais independentes com parâmetro
comum λ. Mostre que Sn = X1 +X2 + · · ·+Xn tem distribuição gama com parâmetros n e λ.
Exerćıcio 4.4.3. Sejam X1, X2, · · · , Xn variáveis aleatórias Gama independentes com parâmetros
comuns m,λ. Mostre que Sn = X1 +X2 + · · ·+Xn tem distribuição gama com parâmetros nm e λ.
Exerćıcio 4.4.4. Sejam X1, X2, · · · , Xn variáveis aleatórias Geométricas independentes com parâmetro
comum p. Mostre que Sn = X1 +X2 + · · ·+Xn tem distribuição Pascal com parâmetros n e p.
Exerćıcio 4.4.5. Sejam X1, X2, · · · , Xn variáveis aleatórias Pascal independentes com parâmetros
comum r, p. Mostre que Sn = X1 +X2 + · · ·+Xn tem distribuição Pascal com parâmetros nr e p.
Exerćıcio 4.4.6. Sejam X1, X2, · · · , Xn variáveis aleatórias Normais independentes com parâmetros
comuns µ, σ2. Encontre a distribuição de Sn = X1 +X2 + · · ·+Xn. A distribuição de Sn é conhecida
no caso onde Xi é normal com parâmetros µi e σ
2
i
4.5 Covariância
Definição 4.5.1. Covariância entre Variáveis Aleatórias
Seja (X;Y ) um vetor aleatório bivariado. A função
Cov(X;Y ) = E[(X − E(X))(Y − E(Y ))]
é chamada covariância entre as variáveis aleatórias X e Y .
Teorema 4.5.1. Seja (X;Y ) um vetor aleatório bivariado. Então
Cov(X;Y ) = E(XY )− E(X)E(Y ).
Exemplo 4.5.1. Considere uma urna contendo inicialmente sete bolas verdes, duas bolas vermelhas e
uma bola preta. Duas bolas são retiradas uma a uma de forma aleatória desta urna segundo o seguinte
processo: após a primeira retirada, a bola extráıda é devolvida junto com cinco bolas de mesma cor.
Sejam X,Y , e Z o número de bolas verdes, vermelhas e pretas retiradas, respectivamente. Calcule:
a) Cov(X,Y ).
b) Cov(X,Z).
Exerćıcio 4.5.1. Considere uma urna contendo inicialmente sete bolas verdes, duas bolas vermelhas
e uma bola preta. Três bolas são retiradas uma a a uma ao acaso e sem resposição. Sejam X,Y , e Z
o número de bolas verdes, vermelhas e pretas retiradas, respectivamente. Calcule:
a) Cov(X,Y ).
b) Cov(X,Z).
Exerćıcio 4.5.2. Considere uma urna contendo inicialmente sete bolas verdes, duas bolas vermelhas
e uma bola preta. Três bolas são retiradas uma a a uma ao acaso e com resposição. Sejam X,Y , e Z
o número de bolas verdes, vermelhas e pretas retiradas, respectivamente. Calcule:
a) Cov(X,Y ).
b) Cov(X,Z).
Definição 4.5.2. Coeficiente de Correlação entre Variáveis Aleatórias
Seja (X;Y ) um vetor aleatório bivariado. A função
ρ(X;Y ) =
Cov(X,Y )
σXσY
é chamada coeficiente de correlação entre as variáveis aleatórias X e Y .
Observação 4.5.1. O coeficiente de correlação satisfaz as seguintes propriedades:
• −1 ≤ ρ(X,Y ) ≤ 1;
• ρ(X,Y ) = 1 ⇔ P(Y = aX + b) = 1 para algum par a > 0 e b;
• ρ(X,Y ) = −1 ⇔ P(Y = aX + b) = 1 para algum par a < 0 e b.
Exemplo 4.5.2. Suponha que a variável aleatória bidimensional (X,Y ) seja uniformemente dis-
tribúıda sobre a região triangular
T = {(x, y); 0 < x < y < 1}
Calcule o coeficiente de correlação entre X e Y .
Exerćıcio 4.5.3. Suponha que a função de probabilidade conjunta de X1, X2 e X3 é multinomial com
parâmetros n, p1, p2 e p3.
a) Obtenha a função geradora de momentos conjunta de (X1, X2, X3).
b) Obtenha a função geradora de momentos conjunta de (X1, X2).
c) Obtenha a função geradora de momentos de X1.
d) Calcule E(X1X2).
e) Calcule Cov(X1, X2).
f) Calcule ρ(X1, X2).
Teorema 4.5.2. Seja um vetor aleatório (X1, X2, · · · , Xn). Então
V ar
(
n∑
i=1
Xi
)
=
n∑
i=1
V ar(Xi) + 2
∑
1≤i<j≤n
Cov(Xi, Xj).
Exemplo 4.5.3. Considere o experimento retirar cinco bolas uma a uma ao acaso e sem reposição de
uma urna contendo 16 bolas verdes e 4 bolas vermelhas. Seja X o número de bolas verdes retiradas.
Obtenha Var(X).
Exemplo 4.5.4. Um dado honesto é lançado infinitas vezes independentemente. Sejam X1, X2, · · ·
as variáveis aleatórias definidas por
Xi =
 1, se o i-ésimo e o (i + 1)-ésimo lançamentos resultam em face cinco,0, caso contrário.
a) Obtenha E(Xi) e Var(Xi).
b) Mostre que
Cov(Xi, Xj) =
 51296 , se j = i+ 1,0, se j > i+ 1.
c) Seja Sn =
∑n
i=1 Xn. Determine E(Sn) e Var(Sn).
Exerćıcio 4.5.4. Considere uma urna contendo 8 bolas verdes e 2 bolasvermelhas. Bolas são retiradas
uma a uma da urna ao acaso e com reposição. Sejam X1, X2, · · · as variáveis aleatórias definidas por
Xi =
 1, se a i-ésima e a (i + 1)-ésima retiradas resultam em bola verde,0, caso contrário.
Defina Sn =
n∑
i=1
Xi. Obtenha E(Sn) e Var(Sn). Quais esses valores quando n = 100?
Exerćıcio 4.5.5. Considere uma urna contendo g bolas verdes e r bolas vermelhas. Bolas são retiradas
uma a uma da urna ao acaso e com reposição. Sejam X1, X2, · · · as variáveis aleatórias definidas por
Xi =
 1, se a i-ésima e a (i + 1)-ésima retiradas resultam em bola verde,0, caso contrário.
Defina Sn =
n∑
i=1
Xi. Obtenha E(Sn) e Var(Sn). Qual o significado de Sn ?
Exerćıcio 4.5.6. Um dado honesto é lançado 100 vezes independentemente. Sejam X1, X2, · · · as
variáveis aleatórias definidas por
Xi =
 1, se o i-ésimo e o (i + 1)-ésimo lançamentos resultam em face menor que 3,0, caso contrário.
a) Obtenha E(Xi) e Var(Xi).
b) Calcule Cov(Xi, Xj).
c) Seja S100 =
∑100
i=1 Xi. Determine E(S100) e Var(S100).
Teorema 4.5.3. Se as variáveis aleatórias X1, X2, · · · , Xn são independentes então
V ar
(
n∑
i=1
Xi
)
=
n∑
i=1
V ar(Xi).
Exemplo 4.5.5. A quantidade de tempo que certo tipo de componente funciona antes de falhar é
uma variável aleatória com função densidade de probabilidade
f(x) =
 2x, 0 < x < 1;0, caso contrário.
Assim que o componente falha, ele é imediatamente substitúıdo por outro do mesmo tipo. Se Xi
representa o tempo de vida do i-ésimo componente utilizado, então Sn = Σ
n
i=1Xi representa o instante
da n-ésima falha. Supondo que as variáveis aleatórias Xi, i ≥ 1, sejam independentes, calcule:
a) E(Sn).
b) Var(Sn).
Exerćıcio 4.5.7. Considere uma urna contendo duas bolas vermelhas e oito verdes. Dez bolas são
retiradas da urna ao acaso e com reposição. Calcule a variância do número de bolas verdes retiradas.
Exerćıcio 4.5.8. Sejam X1, X2, · · · , Xn variáveis aleatórias independentes cada uma com distribuição
normal de média µ e variância σ2. Sejam
X̄ =
1
n
n∑
i=1
Xi e S
2 =
1
(n− 1)
n∑
i=1
(Xi − X̄)2
a média amostral e a variância amostral das variáveis Xi, respectivamente.
a) Calcule Var(X̄).
b) Calcule E(S2).
Exerćıcio 4.5.9. Sejam X1, · · · , Xn variáveis aleatórias independentes com distribuição comum U [0, 1].
Defina Yn como a média geométrica das X
,
is, definida por
Yn =
(
n∏
i=1
Xi
) 1
n
.
Seja Zn = −2n lnYn.
a) Calcule a média e a variância de Zn.
b) Encontre a distribuição de Zn = −2n lnYn.
Exerćıcio 4.5.10. Considere uma urna contendo sete bolas verdes, uma bola branca e duas bolas
vermelhas. Seis bolas são retiradas uma a uma da urna ao acaso e com reposição. Sejam X,Y, Z o
número de bolas verdes, vermelhas e brancas retiradas, respectivamente. Calcule:
a) A função geradora de momentos conjunta de X,Y e Z.
b) Cov(X,Z).
Exerćıcio 4.5.11. Mostre que
Cov
 n∑
i=1
aiXi,
m∑
j=1
bjYj
 = n∑
i=1
m∑
j=1
aibjCov(Xi, Yj)
onde os ai e bj são números reais.
Exerćıcio 4.5.12. Sejam X1, ..., Xn variáveis aleatórias i.i.d. com densidade comum definida por
f(x) =
 2(1− x), 0 < x < 1;0, caso contrário.
Calcule a função geradora de momentos da variável aleatória
Y = − 1
n
n∑
j=1
log(1−Xj)
e dáı conclua qual a sua distribuição.
Caṕıtulo 5
Distribuições Condicionais
5.1 Distribuição condicionada em Eventos e Distribuições Con-
dicionais - Caso Discreto
Definição 5.1.1. Seja X uma variável aleatória no espaço de probabilidade (Ω,F ,P) e A ∈ F . A
distribuição condicional de X dado o evento A é dada por
P(X ∈ B|A) = P([X ∈ B] ∩A)
P(A)
para todo boreliano B.
Além disso, a função de distribuição de X dada o evento A é
FX(x|A) = P(X ≤ x|A) =
P([X ≤ x] ∩A)
P(A)
e por fim
E(X|A) =

∑
x
xP(X = x|A) se X é discreta .∫ ∞
−∞
xfX(x|A)dx se X é cont́ınua
No caso cont́ınuo
fX(x|A) = F ′X(x|A).
Proposição 5.1.1. Seja X uma variável aleatória no espaço de probabilidade (Ω,F ,P) e A ∈ F e
{An}n∈I uma partição de Ω. Temos
P(X ∈ B) =
∑
n∈I
P(An)P(X ∈ B|An) para todo B boreliano
e
E(X) =
∑
n∈I
P(An)E(X|An).
42
Exemplo 5.1.1. Lâmpadas do tipo i funcionam uma quantidade de tempo aleatório com distribuição
exponencial de parâmetro λi =
1
i , i = 1, 2, · · · , 6. Uma lâmpada aleatoriamente escolhida é do tipo i
com probabilidade proporcional a i. Suponha que X represente o tempo de vida desta lâmpada. De-
termine a distribuição de X, E(X) e VarX.
Exemplo 5.1.2. Suponha uma urna contendo inicialmente 7 bolas verdes e três bolas vermelhas.
Suponha que 4 bolas sejam retiradas uma a uma ao acaso e sem reposição. Defina o evento Ai sair
bola verde na i-ésima retirada e X a variável aleatória que dá o número de bolas verdes retiradas.
Determine:
a)A função de distribuição de X dado A1 ∩A2, E(X | A1 ∩A2) e Var(X | A1 ∩A2).
b)A função de distribuição de X dado A1 ∩AC2 , E(X | A1 ∩AC2 ) e Var(X | A1 ∩AC2 ).
Exerćıcio 5.1.1. Suponha uma urna contendo inicialmente 7 bolas verdes e três bolas vermelhas.
Suponha que 4 bolas sejam retiradas uma a uma ao acaso e sem reposição. Defina o evento Ai sair
bola verde na i-ésima retirada e X a variável aleatória que dá o número de bolas verdes retiradas.
Determine:
a)A função de distribuição de X dado A1 ∩A2, E(X | A1 ∩A2) e Var(X | A1 ∩A2).
b)A função de distribuição de X dado A1 ∩AC2 , E(X | A1 ∩AC2 ) e Var(X | A1 ∩AC2 ).
Exerćıcio 5.1.2. Seja X ∼ Uniforme[−1, 1] e A = [X ≥ 0]. Qual a distribuição condicional de X
dado A?
Exerćıcio 5.1.3. Lâmpadas do tipo i funcionam uma quantidade de tempo aleatório com média
µi =
1
i e desvio padrão σi =
1
i2 , i = 1, 2. Uma lâmpada aleatoriamente escolhida é do tipo 1 com
probabilidade 0, 6 e do tipo 2 com probabilidade 0, 4. Suponha que X represente o tempo de vida desta
lâmpada. Determine E(X) e VarX.
Definição 5.1.2. Função de Probabilidade Condicional
Sejam X e Y variáveis aleatórias discretas. A função de probabilidade condicional de X dado que
Y = y é definida por
pX|Y (x|y) = P(X = x|Y = y) =
pX,Y (x, y)
pY (y)
, desde que pY (y) > 0.
Analogamente, a função de probabilidade condicional de Y dado que X = x é definida por
pY |X(y|x) = P(Y = y|X = x) =
pX,Y (x, y)
pX(x)
, desde que pX(x) > 0.
Proposição 5.1.2. Sejam X e Y variáveis aleatórias discretas. Se B ⊂ R então
P(X ∈ B|Y = y) =
∑
x∈B
P(X = x|Y = y).
Exemplo 5.1.3. Suponha que o número de pessoas que entram em uma agência de correio em certo
dia seja uma variável aleatória de Poisson com parâmetroλ. Mostre que, se cada pessoa que entra na
agência de correio for homem com probabilidade p e mulher com probabilidade 1 − p, então pode-se
representar o número de homens e mulheres entrando na agência por variáveis aleatórias de Poisson
com respectivos parâmetros λp e λ(1− p).
Exemplo 5.1.4. A função de probabilidade conjunta de uma variável aleatória bivariada (X,Y ) é
dada por
pX,Y (x, y) =
 130x2y se x = 1, 2 , y = 1, 2, 3.0 caso contrário.
a) Obtenha a função de probabilidade condicional de X dado Y = y.
b) Obtenha a função de probabilidade condicional de Y dado que X = x.
c) Calcule P(X = 1|Y = 2).
d)Calcule P(Y = 1|X = 2).
Exemplo 5.1.5. Suponha que 3 bolas sejam sorteadas uma a uma de uma urna contendo 7 bolas
verdes, 2 bolas vermelhas e 1 bola preta. Admita que após cada retirada a bola extráıda é devolvida
junto com 3 bolas de mesma cor. Se X e Y representam respectivamente, o número de bolas verdes e
vermelhas extráıdas, determine:
a) Obtenha a função de probabilidade condicional de X dado Y = y.
b) Obtenha a função de probabilidade condicional de Y dado que X = x.
Exerćıcio 5.1.4. Se X e Y são variáveis aleatórias de Poisson independentes com respectivos parâmetros
λ1, e λ2, calcule a distribuição condicional de X dado que X + Y = n.
Exerćıcio 5.1.5. Suponha que 2bolas sejam sorteadas uma a uma de uma urna contendo 7 bolas
verdes, 2 bolas vermelhas e 1 bola preta. Admita que após a primeira extração a bola retirada é de-
volvida junto com 5 bolas de mesma cor. Se X e Y representam respectivamente, o número de bolas
verdes e vermelhas extráıdas, determine:
a) Obtenha a função de probabilidade condicional de X dado Y = y.
b) Obtenha a função de probabilidade condicional de Y dado que X = x.
Exerćıcio 5.1.6. Suponha que 5 bolas sejam sorteadas uma a uma ao acaso e com reposição de uma
urna contendo 7 bolas verdes, 2 bolas vermelhas e 1 bola preta. Se X e Y representam respectivamente,
o número de bolas verdes e vermelhas extráıdas, determine:
a) Obtenha a função de probabilidade condicional de X dado Y = y.
b) Obtenha a função de probabilidade condicional de Y dado que X = x.
Exerćıcio 5.1.7. Suponha que 5 bolas sejam sorteadas uma a uma ao acaso e sem reposição de uma
urna contendo 7 bolas verdes, 2 bolas vermelhas e 1 bola preta. Se X e Y representam respectivamente,
o número de bolas verdes e vermelhas extráıdas, determine:
a) Obtenha a função de probabilidade condicional de X dado Y = y.
b) Obtenha a função de probabilidade condicional de Y dado que X = x.
Exerćıcio 5.1.8. A função de probabilidade conjunta de uma variável aleatória bivariada (X,Y ) é
dada por
pX,Y (x, y) =
 k(2x+ y) x = 1, 2 e y = 1, 2.0 caso contrário.
onde k é uma constante.
Calcule P(X = 1|Y = 1).
Exerćıcio 5.1.9. A função de probabilidade conjunta de uma variável aleatória bivariada (X,Y ) é
dada por
pX,Y (x, y) =
 k(2x+ y) x = 1, 2, 3 e y = 1, 2, 3.0 caso contrário.
onde k é uma constante.
a) Obtenha a função de probabilidade condicional de X dado Y = y.
b) Obtenha a função de probabilidade condicional de Y dado que X = x.
c) Calcule P(X = 1|Y = 1).
5.2 Distribuições Condicionais- Caso Cont́ınuo
Definição 5.2.1. Função Densidade Condicional
Sejam X e Y variáveis aleatórias cont́ınuas. A função densidade condicional de X dado que Y = y
é definida por
fX|Y (x|y) =
fX,Y (x, y)
fY (y)
, desde que fY (y) > 0.
Analogamente, a função densidade condicional de Y dado que X = x é definida por
fY |X(y|x) =
fX,Y (x, y)
fX(x)
, desde que fX(x) > 0.
Proposição 5.2.1. Sejam X e Y variáveis aleatórias cont́ınuas. Se B ⊂ R então
P(X ∈ B|Y = y) =
∫
x∈B
fX|Y (x|y)dx.
Exemplo 5.2.1. Suponha que a densidade conjunta de X e Y é dada por
fX,Y (x, y) =

x+y
8 , 0 < x < 2, 0 < y < 2;
0, caso contrário.
a) Obtenha as densidades marginais de X e Y .
b) X e Y são independentes?
c) Obtenha a densidade condicional de X dado Y .
d) Calcule P (0 < X < 0, 5|Y = 1).
Exemplo 5.2.2. Seja (X,Y, Z) um vetor aleatório trivariado. Mostre que
fX,Y,Z(x, y, z) = fZ|X,Y (z|x, y)fY |X(y|x)fX(x).
Exerćıcio 5.2.1. A função densidade conjunta de X e Y é dada por
fX,Y (x, y) =
 c(y2 − x2)e−y − y ≤ x ≤ y, y > 00 caso contrário.
a) Determine c.
b) Determine as densidades marginais de X e de Y .
c) Obtenha a densidade condicional de X dado Y = y.
d) Obtenha a densidade condicional de Y dado X = x.
e) Calcule P (0 < X < 0, 5|Y = 1)
Exerćıcio 5.2.2. A função densidade conjunta de X e Y é dada por
fX,Y (x, y) =

6
7
(
x2 +
xy
2
)
0 < x < 1, 0 < y < 2
0 caso contrário.
a) Verifique que esta é de fato uma função de densidade conjunta.
b) Determine as densidades marginais de X e de Y .
c) Obtenha a densidade condicional de X dado Y = y.
d) Obtenha a densidade condicional de Y dado X = x.
e) Calcule P (0 < X < 0, 5|Y = 1)
5.3 Esperança Condicional- Caso Discreto
Definição 5.3.1. Esperança Condicional- Caso Discreto
Sejam X e Y variáveis aleatórias discretas. A esperança condicional de X dado que Y = y é definida
por
E(X|Y = y) =
∑
x
xpX|Y (x|y), desde que pY (y) > 0.
Analogamente, a esperança condicional de Y dado que X = x é definida por
E(Y |X = x) =
∑
y
ypY |X(y|x), desde que pX(x) > 0.
Exemplo 5.3.1. A função de probabilidade conjunta de uma variável aleatória bivariada (X,Y ) é
dada por
pX,Y (x, y) =
 130x2y se x = 1, 2 , y = 1, 2, 3.0 caso contrário.
a) Calcule E(X|Y = 2).
b)Calcule E(Y |X).
c) Calcule E(X|Y = 1), E(X|Y = 2) e E(X|Y = 3).
d) Calcule E(X|Y = y) e E(Y |X = x) .
e) Calcule E(X|Y ), E(Y |X), E[E(X|Y )] e E[E(Y |X)].
Exemplo 5.3.2. A função de probabilidade conjunta de uma variável aleatória bivariada (X,Y) é
dada por
pX,Y (x, y) =
 k(2x+ 3y) x = 1, 2, 3 e y = 1, 2, 3.0 caso contrário.
onde k é uma constante.
a) Obtenha k.
b) Obtenha as funções de probabilidade marginal de X e Y .
c) Calcule E(X|Y = 1), E(X|Y = 2) e E(X|Y = 3).
d) Calcule E(X|Y = y) e E(Y |X = x) .
e) Calcule E(X|Y ), E(Y |X), E[E(X|Y )] e E[E(Y |X)].
Exerćıcio 5.3.1. Suponha que 2 bolas sejam sorteadas uma a uma de uma urna contendo 7 bolas
verdes, 2 bolas vermelhas e 1 bola preta. Admita que após a primeira extração a bola retirada é de-
volvida junto com 5 bolas de mesma cor. Se X e Y representam respectivamente, o número de bolas
verdes e vermelhas extráıdas, determine:
a) Obtenha a função de probabilidade condicional de X dado Y = y.
b) Obtenha a função de probabilidade condicional de Y dado que X = x.
c) Calcule E(X|Y = 1), E(X|Y = 2) e E(X|Y = 3).
d) Calcule E(X|Y = y) e E(Y |X = x) .
e) Calcule E(X|Y ), E(Y |X), E[E(X|Y )] e E[E(Y |X)].
Exerćıcio 5.3.2. Suponha que 5 bolas sejam sorteadas uma a uma ao acaso e com reposição de uma
urna contendo 7 bolas verdes, 2 bolas vermelhas e 1 bola preta. Se X e Y representam respectivamente,
o número de bolas verdes e vermelhas extráıdas, determine:
a) Obtenha a função de probabilidade condicional de X dado Y = y.
b) Obtenha a função de probabilidade condicional de Y dado que X = x.
c) Calcule E(X|Y = 1), E(X|Y = 2) e E(X|Y = 3).
d) Calcule E(X|Y = y) e E(Y |X = x) .
e) Calcule E(X|Y ), E(Y |X), E[E(X|Y )] e E[E(Y |X)].
Exerćıcio 5.3.3. Suponha que 5 bolas sejam sorteadas uma a uma ao acaso e sem reposição de uma
urna contendo 7 bolas verdes, 2 bolas vermelhas e 1 bola preta. Se X e Y representam respectivamente,
o número de bolas verdes e vermelhas extráıdas, determine:
a) Obtenha a função de probabilidade condicional de X dado Y = y.
b) Obtenha a função de probabilidade condicional de Y dado que X = x.
c) Calcule E(X|Y = 1), E(X|Y = 2) e E(X|Y = 3).
d) Calcule E(X|Y = y) e E(Y |X = x) .
e) Calcule E(X|Y ), E(Y |X), E[E(X|Y )] e E[E(Y |X)].
5.4 Esperança Condicional- Caso Cont́ınuo
Definição 5.4.1. Sejam X e Y variáveis aleatórias cont́ınuas. A esperança condicional de X dado
que Y = y é definida por
E(X|Y = y) =
∫ ∞
−∞
xfX|Y (x|y)dx.
Analogamente, a esperança condicional de Y dado que X = x é definida por
E(Y |X = x) =
∫
−∞
yfY |X(y|x)dy.
Exemplo 5.4.1. A densidade de probabilidade conjunta de um vetor aleatório bivariado é dada por
fX,Y (x, y) =

x+y
8 0 < x < 2, 0 < y < 2
0 caso contrário.
onde k é uma constante.
a) Calcule P(X < 1|Y = 1).
b) Calcule E(X|Y = 1).
Exemplo 5.4.2. A densidade de probabilidade conjunta de um vetor aleatório bivariado é dada por
fX,Y (x, y) =
 8xy 0 < x < y < 10 caso contrário.
a) Calcule E(Y |X = 0, 5).
b) Calcule P(X ≤ 0, 5|Y = 0, 8).
Exerćıcio 5.4.1. A densidade de probabilidade conjunta de um vetor aleatório bivariado é dada por
fX,Y (x, y) =
 kxy 0 < x < 2, 0 < y < x0 caso contrário.
onde k é uma constante.
a) Calcule E(X|Y = 1) e E(Y |X = 1)
b) Calcule E(X|Y = y) e E(Y |X = x) .
c) Calcule E(X|Y ), E(Y |X), E[E(X|Y )] e E[E(Y |X)].
Exerćıcio 5.4.2. A função densidade conjunta de X e Y é dada por
fX,Y (x, y) =
 c(y2 − x2)e−y − y ≤ x ≤ y, y > 00 caso contrário.
a) Determine c.
b) Calcule E(X|Y = y) e E(Y |X = x) .
c) Calcule E(X|Y ), E(Y |X), E[E(X|Y )] e E[E(Y |X)].
Exerćıcio 5.4.3. A função densidade conjunta de X e Y é dada por
fX,Y (x, y) =

6
7
(
x2 +
xy
2
)
0 < x < 1, 0 < y < 2
0 caso contrário.
a)Verifique que esta é de fato uma função de densidade conjunta.
b) Calcule E(X|Y = y) e E(Y |X = x) .
c) Calcule E(X|Y ), E(Y |X), E[E(X|Y )] e E[E(Y |X)].
Exerćıcio 5.4.4. Suponha que a densidade conjunta de X e Y é dada por
fX,Y (x, y) =

x+y
8 , 0 < x < 2, 0 < y < 2;
0, caso contrário.
a) Verifique que esta é de fato uma função de densidade conjunta.
b) Calcule E(X|Y = y) e E(Y |X = x) .
c) Calcule E(X|Y ), E(Y |X), E[E(X|Y )] e E[E(Y |X)].
5.5 Esperança Condicional- Teoria Básica
Teorema 5.5.1. Prinćıpio da Substituição para a Esperança Condicional
Seja h(X,Y ) uma função das variáveis aleatórias X e Y . Então
E(h(X,Y )|Y = y) = E(h(X, y)|Y = y).
Exemplo 5.5.1. Sejam Xi, i = 1, 2 variáveis aleatórias independentes, cada uma com distribuição
geométrica definida por
P(Xi = k) = p(1− p)n, n = 0, 1, 2, · · ·
onde 0 < p < 1.
a) Calcule P(X1 = X2) e P(X1 < X2).
b) Determine a distribuição condicional de X1 dado X1 +X2.
Exemplo 5.5.2. Um minerador está preso em uma mina contendo 3 portas. A primeira porta leva a
um túnel que o levará a sáıda após 2 horas de viagem. A segunda porta leva a um túnel que fará com
que ele retorne à mina após 3 horas de viagem. A terceira porta leva a um túnel que fará com que ele
retorne à mina após 8 horas. Considere que em todo o tempo o minerador escolhe qualquer uma das
portas com igual probabilidade. Seja T o tempo até o minerador sair livre. Defina uma sequência de
v.a.i.i.d. X1, X2, · · · e um tempo N (número de vezes que o minerador abre portas antes de escolher
a porta para sáıda) tal que
T =
N∑
i=1
Xi
Obs.: Você pode supor que o minerador continua escolhendo portas aleatoriamente mesmo após ele
alcançar a liberdade.
Calcule
E
[
N∑
i=1
Xi|N = n
]
.
Esta quantidade é igual a E
[
n∑
i=1
Xi
]
?
Exerćıcio 5.5.1. Defina SN = X1 +X2 +X3 + · · ·+XN onde as variáveis aleatórias Xi são inde-
pendentes e identicamente distribúıdas com distribuição comum exponencial de parâmetro λ e N tem
distribuição geométrica de parâmetro p. Encontre a distribuição de SN .
Exerćıcio 5.5.2. Suponha que o número de ocorrências em um determinado evento siga um processo
de Poisson de taxa λ.
a) Mostre que o tempo entre duas ocorrências sucessivas tem lei exponencial de parâmetro λ.
b) Mostre que o tempo entre n ocorrências sucessivas tem distribuição gama com parâmetro λ.
c) Suponha que t não é um instante na qual houve uma ocorrência no processo Xt. Defina a variável
aleatória W(t) como o tempo até a próxima ocorrência. Então
1. W(t) é independente de t;
2. W(t) tem distribuição exponencial de parâmetro λ.
d) Seja Sn o tempo até a n-esima ocorrência nesse processo.
1. Suponha que houve uma ocorrência no intervalo (0; t). Então S1|Xt = 1 ∼ Uniforme(0; t).
2. Suponha que houveram k ocorrências no intervalo (0; t). Então (S1;S2; · · · ;Sk)|Xt = k tem den-
sidade conjunta das estat́ısticas de ordem correspondentes a k variáveis aleatórias independentes
e uniformemente distribúıdas no intervalo (0; t).
Corolário 5.5.1. Sejam g(X) e h(Y ) funções das variáveis aleatórias X e Y , respectivamente. Então
E(g(X).h(Y )|Y = y) = h(y)E(g(X)|Y = y).
Teorema 5.5.2. Sejam X e Y variáveis aleatórias tais que E(X) é finita . Então
E(E(X|Y )) = E(X).
Ou seja, se Y é discreta, então
E(X) =
∑
y
E(X|Y = y)P(Y = y).
Por outro lado, se Y é cont́ınua com função densidade fY
E(X) =
∫ ∞
−∞
E(X|Y = y)fY (y)dy.
Exemplo 5.5.3. Um minerador está preso em uma mina contendo 3 portas. A primeira porta leva a
um túnel que o levará a sáıda após 2 horas de viagem. A segunda porta leva a um túnel que fará com
que ele retorne à mina após 3 horas de viagem. A terceira porta leva a um túnel que fará com que ele
retorne à mina após 8 horas. Considere que em todo o tempo o minerador escolhe qualquer uma das
portas com igual probabilidade. Seja T o tempo até o minerador sair livre. Defina uma sequência de
v.a.i.i.d. X1, X2, · · · e um tempo N (número de vezes que o minerador abre portas antes de escolher
a porta para sáıda) tal que
T =
N∑
i=1
Xi
Obs.: Você pode supor que o minerador continua escolhendo portas aleatoriamente mesmo após ele
alcançar a liberdade. Calcule E(T ).
Exemplo 5.5.4. Um minerador está preso em uma mina contendo 3 portas. A primeira porta leva
a um túnel que o levará a sáıda após 2 horas de viagem. A segunda porta leva a um túnel que fará
com que ele retorne à mina após 3 horas de viagem. A terceira porta leva a um túnel que fará com
que ele retorne à mina após 8 horas. Considere que em todo o tempo o minerador não escolhe uma
porta repetida e que das restantes ele escolhe qualquer uma das portas com igual probabilidade. Seja
T o tempo até o minerador sair livre. Defina uma sequência de variáveis aleatórias X1, X2, X3 e um
tempo N (número de vezes que o minerador abre portas antes de escolher a porta para sáıda) tal que
T =
N∑
i=1
Xi
Obs.: Você pode supor que o minerador continua escolhendo portas aleatoriamente mesmo após ele
alcançar a liberdade. Calcule E(T ).
Exerćıcio 5.5.3. Suponha que o número de pessoas que entram em uma loja de departamentos em
determinado dia seja uma variável aleatória com média 50. Suponha ainda que as quantias de dinheiro
gastas por esses clientes sejam variáveis aleatórias independentes com média comum de R$ 80,00.
Finalmente, suponha também que a quantia gasta por um cliente seja independente do número total
de clientes que entram na loja. Qual é a quantidade esperada de dinheiro gasto na loja em um dado
dia?
Exerćıcio 5.5.4. Sejam X e Y variáveis aleatórias binomiais independentes com parâmetros n e p
idênticos, calcule o valor esperado condicional de X dado que X + Y = n.
Exerćıcio 5.5.5. Sejam X1, X2, · · · , Xn variáveis aleatórias independentes e identicamente distribúıdas
tais que
P(Xn = 1) =
24
25
e P(Xn = −1) =
1
25
Seja
Sn =
n∑
i=1
Xi, n = 1, 2, · · ·
e S0 = 0. {Sn, n ≥ 0} é chamado passeio aleatório simples assimétrico. Sn é a posição do passeio
no tempo n. Seja N o tempo até o passeio alcançar a posição 5 pela primeira vez. Calcule o valor
esperado de N .
Corolário 5.5.2. Seja Y uma variável aleatória discreta. Então
P(A) =
∑
y
P(A|Y = y)P(Y = y).
Exemplo 5.5.5. O tempo para um menino terminar a disputa de qualquer fase de um jogo de v́ıdeo
game é uma variável aleatória exponencial de parâmetro λ. O menino decide que após terminar a
disputa de cada fase irá lançar um dado honesto e caso saia face cinco irá parar de jogar e iniciar as
tarefas da escola imediatamente. Caso saia face diferente de cinco iniciará uma nova fase. Considere
despreźıvel o tempo gasto com os lançamentos do dado. Seja X o tempo até que o menino inicie as
tarefas escolares. Qual a distribuição de X?
Exerćıcio 5.5.6. Considere o seguinte experimento realizado com um dado honesto e uma urna
contendo inicialmente 8 bolas verdes e 2 bolas vermelhas. Lança-se o dado e de acordo com a face
obtida faz se as retiradas na urna. Isto é, se o dado revela face i são feitas i retiradas uma a uma ao
acaso e com reposição. Seja X o número de bolas verdes extráıdas. Obtenha a distribuição de X.
Exerćıcio 5.5.7. Considere o seguinte experimento realizado com um dado honesto e uma urna
contendo inicialmente 8 bolas verdes e 2 bolas vermelhas. Lança-se o dado e de acordo com a face
obtida faz se as retiradas na urna. Isto é, se o dado revela face i são feitas i retiradas sem reposição.
Seja X o número de bolas verdes extráıdas. Obtenha a distribuição de X.
Corolário 5.5.3. Seja Y uma variável aleatória cont́ınua com densidade fY . Então
P(A) =
∫ ∞
−∞
P(A|Y = y)fY (y)dy.
Exemplo 5.5.6. Sejam X e Y variáveis aleatórias independentes tais que X ∼ Exp(λ) e Y ∼ Exp(µ).
Calcule P(X > Y ).
Exemplo 5.5.7. O número de e-mails que chegam a um servidor no intervalode tempo [0, t] dado
em minutos é, para cada t > 0, uma variável aleatória Nt com distribuição de Poisson com parâmetro
λt. Somente um computador é conectado ao servidor para ler os e-mails recebidos.
a) Dado que três e-mails chegaram no primeiro minuto, qual é a probabilidade de que exatamente dois
tenham chegado nos primeiros 15 segundos?
b) Se o tempo de vida T desse computador tem distribuição exponencial de parâmetro θ. Além disso,
Nt e T são independentes para todo t. Obtenha a distribuição do número de e-mails lidos até o com-
putador falhar.
Exerćıcio 5.5.8. Suponha que num clássico entre Goiás e Vila Nova a partir do tempo t = 0 torcedo-
res do Goiás chegam a bilheteria do Estádio Serra Dourada segundo um processo de Poisson de taxa
λ torcedores por minuto. De forma análoga, torcedores do Vila Nova chegam a bilheteria do Estádio
Serra Dourada segundo um processo de Poisson de taxa µ torcedores por minuto. A partir do tempo
t = 0 qual é a probabilidade do primeiro torcedor a chegar ser do Goiás?
Exerćıcio 5.5.9. Seja U uma variável aleatória uniforme no intervalo (0, 1), e suponha que a dis-
tribuição condicional de X dado que U = p seja binomial com parâmetros n e p. Determine a função
de probabilidade de X.
Exerćıcio 5.5.10. a) Sejam X e Y variáveis aleatórias independentes tais que X ∼ Binomial(m, p)
e Y ∼ Binomial(n, p). Mostre que X + Y ∼ Binomial (m+ n, p).
b) Suponha que X e Y são variáveis aleatórias independentes com distribuição comum Binomial(n, p).
Mostre que a distribuição condicional de X dado que X + Y = m é Hipergeométrica (2n, n,m).
Corolário 5.5.4. Seja h(X) é uma variável aleatória com média finita, então
E(h(X)) = E[E(h(X)|Y )].
Exemplo 5.5.8. Defina SN = X1 +X2 +X3 + · · · +XN onde as variáveis aleatórias Xi são inde-
pendentes e identicamente distribúıdas com distribuição comum exponencial de parâmetro λ e N tem
distribuição geométrica de parâmetro p. Encontre a distribuição de SN .
Exerćıcio 5.5.11. Defina SN = X1 + X2 + X3 + · · · + XN onde as variáveis aleatórias Xi são
independentes e identicamente distribúıdas com distribuição comum exponencial de parâmetro λ e N
tem distribuição Pascal com parãmetros r e p. Encontre a distribuição de SN .
Teorema 5.5.3. Seja X uma variável aleatória cont́ınua com densidade fX e Y uma variável aleatória
discreta. Então
fX|Y (x|y) =
P(Y = y|X = x)
P(Y = y)
.fX(x), desde que P(Y = y) > 0.
Exemplo 5.5.9. O tempo para um menino terminar a disputa de qualquer fase de um jogo de v́ıdeo
game é uma variável aleatória exponencial de parâmetro λ. O menino decide que após terminar a
disputa de cada fase irá lançar um dado honesto e caso saia face cinco irá parar de jogar e iniciar as
tarefas da escola imediatamente. Caso saia face diferente de cinco iniciará uma nova fase. Considere
despreźıvel o tempo gasto com os lançamentos do dado. Seja X o tempo até que o menino inicie
as tarefas escolares e N o número de fases disputadas por ele antes de iniciar as tarefas escolares.
Calcule P(N = n|X = x) e E(N |X).
Exerćıcio 5.5.12. Defina SN = X1 +X2 +X3 + · · ·+XN onde as variáveis aleatórias Xi são inde-
pendentes e identicamente distribúıdas com distribuição comum exponencial de parâmetro λ e N tem
distribuição geométrica de parâmetro p. Calcule P(N = n|Sn = x) e E(N |SN ).
Definição 5.5.1. Sejam X e Y variáveis aleatórias. A variância condicional de X dado que Y = y
é definida por
V ar(X|Y ) = E
[
(X − E(X|Y ))2|Y
]
= E(X2|Y )− (E(X|Y ))2
Teorema 5.5.4. Sejam X e Y variáveis aleatórias. A variância condicional satisfaz:
V ar(X) = E[V ar(X|Y )] + V ar[E(X|Y )]
Exemplo 5.5.10. Suponha que o número de pessoas que chegam em uma estação de trem em qual-
quer instante t seja uma variável aleatória de Poisson com média 20t. Se o primeiro trem chega na
estação em um instante de tempo que é uniforme mente distribúıdo ao longo de (0, 10) e independente
do instante de chegada dos passageiros, quais são a média e a variância do número de passageiros que
entram no trem?
Exerćıcio 5.5.13. Suponha que o número de pessoas que chegam em uma estação de trem em qual-
quer instante t seja uma variável aleatória de Poisson com média 30t. Se o primeiro trem chega na
estação em um instante de tempo que é uniforme mente distribúıdo ao longo de (0, 15) e independente
do instante de chegada dos passageiros, quais são a média e a variância do número de passageiros que
entram no trem?
Caṕıtulo 6
Desigualdades Probabiĺısticas
Teorema 6.0.1. Desigualdade de Markov
Seja X uma variável aleatória com P(X ≥ 0) = 1. Então, para qualquer ϵ > 0,
P(X ≥ ϵ) ≤ E(X)
ϵ
.
Teorema 6.0.2. Desigualdade de Markov
Seja X uma variável aleatória qualquer. Então, para qualquer ϵ > 0 e para todo t > 0,
P(|X| ≥ ϵ) ≤ E(|X|
t)
ϵt
.
Teorema 6.0.3. Desigualdade de Chebyshev
Seja X uma variável aleatória com E(X) < ∞. Então, para qualquer ϵ > 0,
P(|X − E(X)| ≥ ϵ) ≤ V ar(X)
ϵ2
.
Exemplo 6.0.1. Suponha que se saiba que o número de itens produzidos por uma fábrica durante
uma semana seja uma variável aleatória com média 50.
(a) O que se pode dizer sobre a probabilidade de que a produção desta semana seja superior a 75 itens?
(b) Se é sabido que a variância da produção de uma semana é igual a 25, então o que se pode dizer
sobre a probabilidade de que a produção desta semana esteja entre 40 e 60?
Exemplo 6.0.2. Seja X uma variável aleatória cont́ınua com função densidade de probabilidade
f(x) =
 1− |x|, se |x| < 1;0, caso contrário.
i) Calcule E(X) e V ar(X).
ii) Utilizando a desigualdade de Chebyshev, obtenha uma cota superior para
P(|X| ≥ k), onde 0 < k < 1.
56
Exerćıcio 6.0.1. Seja X uma variável aleatória cont́ınua com função densidade de probabilidade
fX,Y (x, y) =
 8xy 0 < x < y < 10 caso contrário.
i) Calcule E(X) e V ar(X).
ii) Utilizando a desigualdade de Chebyshev, obtenha uma cota superior para
P(X ≥ k), onde 0 < k < 1.
Teorema 6.0.4. Desigualdade de Jensen
Seja h : R → R uma função convexa. Se a variável aleatória X é integrável, então
E(h(X)) ≥ h(E(X)).
Exemplo 6.0.3. Seja X ∼ Geométrica(p). Mostre que
E(X−1) ≥ p
Exerćıcio 6.0.2. Seja X ∼ Pascal(10,12). Mostre que
E[log(X)] ≤ 3.
Teorema 6.0.5. Limitantes de Chernoff
Seja X uma variável aleatória qualquer e a uma constante real. Então
P(X ≥ a) ≤ e−taMX(t) para todo t > 0;
P(X ≤ a) ≤ e−taMX(t) para todo t < 0.
Exemplo 6.0.4. Seja X ∼ Poisson(1). Mostre que:
P(X ≥ k) ≤ e
−k
kk
, para k > 1.
Exerćıcio 6.0.3. Seja X ∼ Normal(0,1). Mostre que:
P(X ≥ 100) ≤ e−5000.
Teorema 6.0.6. Desigualdade de Cauchy-Schwarz:
Sejam X e Y variáveis aleatórias com variâncias finitas. Então
|E(XY )| ≤ [E(X2)E(Y 2)] 12 .
Teorema 6.0.7. Desigualdade de Holder:
Suponha que p e q satisfazem p > 1, q > 1 e 1p +
1
q = 1. Sejam X e Y variáveis aleatórias tais que
E(|X|p) < ∞ e E(|Y |q) < ∞ . Então
E(|XY |) ≤ [E(|X|p)]
1
p [E(|Y |q)]
1
q .
Caṕıtulo 7
Modos de Convergência
7.1 Convergência Quase Certa
Teorema 7.1.1. Lema de Borel Cantelli
Seja (Ω,F ,P) um espaço de probabilidade e {An}n≥1 eventos alatórios em F .
a) Se os eventos An satisfazem
∞∑
n=1
P(An) < ∞ então P(An Infinitas Vezes) = 0.
b) Se os eventos An são independentes e satisfazem
∞∑
n=1
P(An) = ∞ então P(An Infinitas Vezes) = 1.
Exemplo 7.1.1. Uma moeda honesta é lançada repetidamente, sendo os lançamentos independentes.
Prove que qualquer seqüência finita de resultados ocorre infinitas vezes, com probabilidade 1.
Exemplo 7.1.2. Considere uma sequência infinita de urnas numeradas por 1,2,· · · tal que a urna de
número n contém 1 bola vermelha e n − 1 bolas verdes. Uma bola é retirada ao acaso e independen-
temente de cada urna. Sejam os eventos An “Bola retirada na urna n é vermelha”, n ≥ 1.
Calcule
P
(
lim sup
n→∞
An
)
.
Exerćıcio 7.1.1. Sejam X1, X2,· · · , Xn variáveis aleatórias independentes tais que Xn tem distri-
buição Uniforme(0,an), onde an > 0. Mostre:
a) Se an = n
2, então com probabilidade 1, somente um número finito das Xn toma valores menores
58
que 1.
b) Se an = n, então com probabilidade 1, um número infinito das Xn toma valores menores que 1.
Definição 7.1.1. Convergência Quase Certa
Sejam X1, X2, ..., X variáveis aleatórias em um espaço de probabilidade (Ω,F ,P). Dizemos que Xn
converge para X quase certamente (Xn
q.c.−→ X) se o evento {ω ∈ Ω : Xn(ω) → X(ω) quando n → ∞}
tem probabilidade 1.
Teorema 7.1.2. Sejam X1, X2, · · · e X variáveis aleatórias em um mesmo espaço de probabilidade
(Ω,F ,P). Então,
Xn
q.c.−→ X ⇔ P(|Xn −X| > ϵ Infinitas Vezes ) = 0, para todo ϵ > 0.
Exemplo 7.1.3. Sejam X1, X2, · · · variáveis aleatórias independentes, com
P(Xn = 1) =
1
n2
e P(Xn = 0) =
(n− 1)(n+ 1)
n2
.
Mostre que Xn converge para 0 quase certamente.
Exemplo 7.1.4. Sejam X1, X2, · · · variáveis aleatórias independentes, com
P(Xn = 1) =
1
n
e P(Xn = 0) =
n− 1
n
.
Mostre que Xn não converge para 0 quase certamente.
Exerćıcio 7.1.2. Sejam X1, X2, · · · variáveis aleatórias independentes, com
P(Xn = 2) =
5
n4
= 1− P(Xn = 1).
Mostre que Xn converge para 0 quase certamente.
Exerćıcio 7.1.3. Sejam X1, X2, · · · variáveis aleatórias independentes, com
P(Xn = 5) =
n− 1
n2
= 1− P(Xn = 0)
Mostre que Xn não converge para 0 quase certamente.
7.2 Convergência em Probabilidade
Teorema 7.2.1. Desigualdade de Chebyshev
Seja X uma variável aleatória com E(X) < ∞. Então, para qualquer ϵ > 0,
P(|X − E(X)| ≥ ϵ) ≤ V ar(X)
ϵ2
.
Exemplo 7.2.1. Seja X uma variável aleatória cont́ınua com função densidade de probabilidade
f(x) =
 1− |x|, se |x| < 1;0, caso contrário.
i) Calcule E(X) e V ar(X).
ii) Utilizando a desigualdade de Chebyshev, obtenha uma cota superior para
P(|X| ≥ k), onde 0 < k < 1.
Exemplo 7.2.2. Se o número de ı́tens produzidos por uma fábrica durante uma semana é uma variável
aleatória com média 100 e variância 400, calcule um limite superior para a probabilidade de que a
produção desta semana seja de pelo menos 120 ı́tens.
Exerćıcio 7.2.1. Um conjunto de 200 pessoas formado por 100 homens e 100 mulheres é dividido
aleatoriamente em 100 pares. Forneça um limite superior para a probabilidade de que no máximo 30
desses pares sejam formados por um homem e uma mulher.
Definição 7.2.1. Convergência em Probabilidade
Sejam X1, X2, ..., X variáveis aleatórias em um espaço de probabilidade (Ω,F ,P). Dizemos que Xn
converge para X em probabilidade (Xn
P−→ X) se para qualquer ϵ > 0,
P(|Xn −X| > ϵ) → 0 quando n → ∞.
Exemplo 7.2.3. Sejam X1, X2, · · · variáveis aleatórias independentes, com
P(Xn = 1) =
1
n
e P(Xn = 0) =
n− 1
n
.
Mostre que Xn converge para 0 em probabilidade.
Exemplo 7.2.4. Seja {Xn}n≥1 uma seqüência de variáveis aleatórias tal que Xn ∼ Binomial(n, 1n2 ).
Mostre que Xn − 1n converge para 0 em probabilidade.
Exemplo 7.2.5. Considere uma sequência infinita de urnas numeradas por 1,2,· · · tal que a urna de
número n contém 1 bola vermelha e n − 1 bolas verdes. Uma bola é retirada ao acaso e independen-
temente em cada urna. Sejam as variáveis aleatórias Xn, n ≥ 1, definidas por:
Xn =
 1, se bola retirada da urna n é vermelha0, caso contrário.
a) É verdade que Xn converge para 0 em probabilidade?
b) É verdade que Xn converge para 0 quase certamente?
Exerćıcio 7.2.2. Considere uma sequência infinita de urnas numeradas por 1,2,· · · tal que a urna
de número n contém 1 bola vermelha e n2 − 1 bolas verdes. Uma bola é retirada ao acaso e indepen-
dentemente em cada urna. Sejam as variáveis aleatórias Xn, n ≥ 1, definidas por:
Xn =
 1, se bola retirada da urna n é vermelha0, caso contrário.
a) É verdade que Xn converge para 0 em probabilidade?
b) É verdade que Xn converge para 0 quase certamente?
Exerćıcio 7.2.3. Sejam X2, X3, · · · variáveis aleatórias independentes e identicamente distribúıdas,
com distribuição exponencial de parâmetro 1. Para n ≥ 2, considere
Yn =
Xn
log n
a) Mostre que Yn
P→ 0
b) Prove que P(|Yn| > 12 infinitas vezes) = 1.
c) Conclua do item (b) que Yn não converge para 0 quase certamente.
7.3 Outros Teoremas Limite
Exemplo 7.3.1. Seja {Xn}n≥1 uma seqüência de variáveis aleatórias tais que
P(Xn = n3) =
1
n2
,P(Xn = 0) = 1−
1
n2
.
a) Prove que Xn converge quase certamente para 0.
b) Mostre que lim
n→∞
E(Xn) ̸= 0.
Teorema 7.3.1. Teorema da Convergência Monótona
Sejam X1, X2, · · · e X variáveis aleatórias não negativas. Se Xn ↑ X quase certamente quando
n → ∞, então E(Xn) ↑ E(X) quando n → ∞.
Exemplo 7.3.2. Sejam X1, X2, · · · , Xk, · · · , Xn variáveis aleatórias não-negativas em (Ω,F ,P). Su-
ponha que
∞∑
n=1
Xn
é convergente em Ω. Mostre que
E
( ∞∑
n=1
Xn
)
=
∞∑
n=1
E(Xn).
Teorema 7.3.2. Teorema da Convergência Dominada
Sejam X1, X2, · · · e X variáveis aleatórias. Suponha que |Xn| ≤ Y para todo n, onde Y é integrável
e que Xn → X. Então, X e Xn são integráveis e quase certamente limE(Xn) = E(X).
Exemplo 7.3.3. Seja X uma variável aleatória Mostre que se E(|X|) < ∞ então φ possui derivada
cont́ınua
φ′X(t) =

∫ ∞
−∞
(ix)fX(x)dx se X é cont́ınua com densidade fX(x);∑
x
(ix)P(X = x) se X é discreta.
Conclua que
φ′X(0) = iE(X).
Pode usar sem provar que para qualquer x real
lim
h→0
eitx − 1
h
= ix.
7.4 Convergência em Distribuição
Definição 7.4.1. Convergência em Distribuição
Sejam X1, X2, ..., X variáveis aleatórias. Dizemos que Xn converge para X em distribuição (Xn
D−→
X) se
P(Xn ≤ x) → P(X ≤ x) quando n → ∞.
Exemplo 7.4.1. Sejam (Xn)n≥1 tal que Xn ∼ geométrica(λn), 0 < λ < 1. Seja Yn =
Xn
n . Mostre
que Yn
D→ Y , onde Y ∼ exp(λ).
Exerćıcio 7.4.1. Seja (Xn)n≥1 uma sequência de variáveis aleatórias tais que Xn ∼ Uniforme({0, 1, · · · , n}).Isto
é,
P(Xn = k) =
1
n+ 1
, k = 0, 1, · · · , n.
Mostre que Xnn
D→ Uniforme(0,1).
Teorema 7.4.1. Sejam X1, X2, · · · e X variáveis aleatórias inteiras e não-negativas. Então,
Xn
D−→ X ⇔ lim
n→∞
P(Xn = k) = P(X = k) para todo k ∈ N.
Exemplo 7.4.2. Seja Xn ∼ Binomial(n, pn), n ≥ 1 e X ∼ Poisson(λ). Suponha que
lim
n→∞
npn = λ.
Mostre que Xn converge para X em distribuição.
Exerćıcio 7.4.2. Seja XN ∼ hipergeométrica(N,A, n), n ≥ 1 e X ∼ Binomial (n,A/N). Mostre que
XN converge para X em distribuição.
Teorema 7.4.2. Teorema de Scheffé
Sejam X1, X2, · · · e X variáveis aleatórias cont́ınuas com densidades respectivas f1, f2, · · · e f . Se
fn(x) → f(x) quando n → ∞ para quase todo x, então Xn
D−→ X.
Exemplo 7.4.3. Suponha uma sequência de variáveis aleatórias {Xn}n≥1 tal que Xn ∼ Exponencial( nλn+5)
para n = 1, 2, · · · . Verifique se a sequência Xn converge em distribuição.
Exerćıcio 7.4.3. Suponha uma sequência de variáveis aleatórias {Xn}n≥1 tal que Xn ∼ Exponencial( 2nλ6n+5)
para n = 1, 2, · · · . Verifique se a sequência Xn converge em distribuição.
Exerćıcio 7.4.4. Seja (Xn)n≥1 uma sequência de variáveis aleatórias independentes e identicamente
distribúıdas tais que E(X1) = 0. Ache o limite, quando n → ∞, da função caracteŕıstica de Yn =
cos(X̄n) onde
X̄n =
X1 +X2 · · ·+Xn
n
7.5 Mais sobre Convergência
Proposição 7.5.1. Sejam X1, X2, ..., X variáveis aleatórias em um espaço de probabilidade (Ω,F ,P).
Vale que:
• Se Xn
q.c.→ X então Xn
P→ X;
• Se Xn
P→ X então Xn
D→ X.
Proposição 7.5.2. Sejam X1, X2, ..., X variáveis aleatórias em um espaço de probabilidade (Ω,F ,P)
e g uma função real cont́ınua. Temos que:
• Se Xn
q.c.→ X então g(Xn)
q.c.→ g(X),
• Se Xn
P→ X então g(Xn)
P→ g(X),
• Se Xn
D→ X então g(Xn)
D→ g(X).
Teorema 7.5.1. Caso particular do Teorema de Helly-Bray
Sejam X1, X2, ..., X variáveis aleatórias em um espaço de probabilidade (Ω,F ,P) e g : R → R uma
função real cont́ınua e limitada. Se Xn
D→ X então E(Xn)→ E(X).
Teorema 7.5.2. Caso particular do Teorema de Paul-Levy
Sejam X1, X2, · · · variáveis aleatórias em um espaço de probabilidade (Ω,F ,P) e φ1, φ2, · · · suas
respectivas funções caracteŕısticas. Se φn(t) → φ(t) para todo t real e φ é cont́ınua no 0 então φ é
função caracteŕıstica de X tal que Xn
D→ X.
Como consequência dos teoremas de Helly-Bray e Paul-Levy temos que
Teorema 7.5.3. Sejam X,X1, X2, · · · variáveis aleatórias em um espaço de probabilidade (Ω,F ,P) e
φ,φ1, φ2, · · · suas respectivas funções caracteŕısticas. Então Xn
D→ X se e somente se φn(t) → φ(t)
para todo t real.
Exemplo 7.5.1. Seja (Xn)n≥1 uma sequência de variáveis aleatórias tais que Xn ∼ Uniforme(n, n+
1). Estude a convergência em distribuição de Xn.
Exemplo 7.5.2. Seja (Xn)n≥1 uma sequência de variáveis aleatórias independentes e identicamente
distribúıdas tais que
P(Xn = 1) =
1
2
= P(Xn = −1)
e seja
Yn =
n∑
k=1
1
2k
Xk.
Mostre que Yn
D→ Uniforme(-1,1).
Caṕıtulo 8
Lei dos Grandes Números
8.1 Lei Fraca e Lei Forte Forte para v.a.i.i.d.
Teorema 8.1.1. Lei Fraca dos Grandes Números de Bernoulli (1713)
Considere uma sequência de ensaios de Bernoulli independentes, tendo a mesma probabilidade p de
sucesso em cada ensaio.Se Sn é o número de sucessos nos primeiros n ensaios então,
Sn
n
P−→ p.
Teorema 8.1.2. Lei Fraca dos Grandes Números de Khintchine (1929)
Seja X1, X2, X3, ... uma sequência de variáveis independentes e identicamente distribúıdas, com média
comum (µ) finita. Defina Sn = X1 +X2 + ...+Xn. Então,
Sn
n
P−→ µ.
Exemplo 8.1.1. Considere uma urna contendo nove bolas verdes e uma bola vermelha. Bolas são
retiradas uma a uma da urna ao acaso e com reposição. Sejam X1, X2, · · · as variáveis aleatórias
definidas por
Xi =
 1, se a i-ésima e (i+1)-ésima retiradas resultam em bola verde,0, caso contrário.
Defina Sn = X1 +X2 + · · ·+Xn. Mostre que
Sn
n
P→ 81
100
e interprete o resultado.
Exerćıcio 8.1.1. Uma massa radioativa emite part́ıculas segundo um processo de Poisson com parâmetro
λ > 0. Sejam T1, T2, · · · os tempos transcorridos entre emissões sucessivas, assim, Ti ∼ Exponencial
(λ). Defina
X̄n =
T1 + T2 + · · ·Tn
n
Encontre um limite em probabilidade para {X̄n}n≥1.
65
Teorema 8.1.3. Lei Forte dos Grandes Números de Borel(1909)
Seja X1, X2, X3, ... uma sequência de variáveis independentes e identicamente distribúıdas, tais que
P(Xn = 1) = p e P(Xn = 0) = 1− p . Defina Sn = X1 +X2 + ...+Xn. Então, Snn
q.c.−→ p.
Teorema 8.1.4. Primeira Lei Forte dos Grandes Números de Kolmogorov(1933)
Seja X1, X2, X3, ... uma sequência de variáveis independentes e identicamente distribúıdas, com média
comum (µ) finita. Defina Sn = X1 +X2 + ...+Xn. Então,
Sn
n
q.c.−→ µ.
Exemplo 8.1.2. Seja {Xn}n≥1 uma sequência de variáveis aleatórias independentes e identicamente
distribúıdas com distribuição uniforme em (0,1). Definimos amédia geométrica de X1, · · · , Xn por
Yn =
(
n∏
i=1
Xi
) 1
n
Mostre que a sequência {Yn}n≥1 converge quase certamente para uma constante e encontre o valor
dessa constante.
Exerćıcio 8.1.2. A quantidade de tempo que certo tipo de componente funciona antes de falhar é
uma variável aleatória com função densidade de probabilidade
f(x) =
 2x, 0 < x < 1;0, caso contrário.
Assim que o componente falha, ele é imediatamente substitúıdo por outro do mesmo tipo. Se Xi
representa o tempo de vida do i-ésimo componente utilizado, então Sn = Σ
n
i=1Xi representa o instante
da n-ésima falha. A taxa de falhas r a longo prazo é definida por
r = lim
n→∞
n
Sn
.
Supondo que as variáveis aleatórias Xi, i ≥ 1, sejam independentes, determine r.
8.2 Lei Fraca e Lei Forte Forte - Caso Geral
Teorema 8.2.1. Lei Fraca dos Grandes Números de Chebyshev(1867)
Seja X1, X2, X3, ... uma sequência de variáveis e Sn = X1 + X2 + ... + Xn. Se lim
n→∞
V ar(Sn)
n2
= 0
então Sn−E(Sn)n
P−→ 0.
Teorema 8.2.2. Segunda Lei Forte dos Grandes Números de Kolmogorov(1933)
Seja X1, X2, X3, ... uma sequência de variáveis e Sn = X1 +X2 + ...+Xn. Se
V ar(Xn)
n2
< ∞ então
Sn−E(Sn)
n
q.c.−→ 0.
Exemplo 8.2.1. Um dado honesto é lançado infinitas vezes independentemente. Sejam X1, X2, · · ·
as variáveis aleatórias definidas por
Xi =
 1, se o i-ésimo e o (i + 1)-ésimo lançamentos resultam em face cinco,0, caso contrário.
a) Obtenha E(Xi) e Var(Xi).
b) Mostre que
Cov(Xi, Xj) =
 51296 , se j = i+ 1,0, se j > i+ 1.
c) Seja Sn =
∑n
i=1 Xn. Determine E(Sn) e Var(Sn).
d) Mostre que Snn
P→ 136 .
Exerćıcio 8.2.1. Sejam X1, X2, · · · variáveis aleatórias independentes tais que P(X1 = 0) = 1 e,
para cada n ≥ 2,
P(Xn = n) = P(Xn = −n) =
1
2n log(n)
e P(Xn = 0) = 1−
1
n log(n)
Seja Sn = X1 +X2 + · · ·+Xn.
a)Usando a desigualdade de Chebyshev, prove que Snn
P−→ 0.
b)Prove que P(|Xn| > n2 infinitas vezes) = 1
c) Conclua que Xnn não converge para 0 quase certamente e portanto
Sn
n não converge para 0 quase
certamente.
Obs.: Temos neste exerćıcio uma seqüência de variáveis aleatórias que satisfaz a Lei Fraca dos
Grandes Números, porém não a Lei Forte.
Exerćıcio 8.2.2. Considere o seguinte jogo hipotético.Existe uma sequência infinita de urnas nume-
radas por 1,2,· · · tal que a urna de número n contém 1 bola vermelha e n2−1 bolas verdes. A n-ésima
rodada do jogo consiste em retirar ao acaso uma bola. O jogador ganha n reais caso saia bola vermelha
e perde n reais caso saia bola verde. Sejam as variáveis aleatórias Xn, n ≥ 1, definidas por:
Xn =
 n, se bola retirada da urna 5n é vermelha−n, caso contrário.
Xn dá o ganho do jogador na n-ésima rodada.
Defina Sn = Σ
n
i=1Xi. A Lei Forte pode ser aplicada? Em caso positivo, qual a conclusão obtida via
Lei Forte?
Caṕıtulo 9
Teorema Central do Limite
Teorema 9.0.1. Teorema Central do Limite
Seja X1, X2, X3, ... uma sequência de variáveis independentes e identicamente distribúıdas, com média
µ (µ < ∞) e variância σ2 ( 0 < σ2 < ∞). Defina Sn = X1 +X2 + ... +Xn e Zn = Sn−nµσ√n . Então
Zn
D−→ Z, onde Z é normal padrão.
Exemplo 9.0.1.
a) Seja X uma variável aleatória Cauchy padrão, isto é X tem densidade dada por
f(x) =
1
π(1 + x2)
, −∞ < x < ∞.
Mostre que
φX(t) = e
−|t|.
Obs.:Pode usar
1
π
∫ ∞
−∞
cos(tx)
1 + x2
dx = e−|t|.
b) Sejam X1, X2, · · · , Xn variáveis aleatórias independentes e identicamente distribúıdas com distri-
buição comum Cauchy padrão. Mostre que
Sn
n
=
X1 + · · ·+Xn
n
também é Cauchy padrão. O TCL vale nesse caso?
Exemplo 9.0.2. Uma enchedora automática de refrigerantes está regulada para que o volume médio
de ĺıquido em cada garrafa seja de 1000 cm3 e desvio padrão de 10 cm3. Admita que o volume siga
uma distribuição normal.
a) Qual é a probabilidade de uma dessas garrafas escolhida ao acaso ter volume de ĺıquido superior a
68
1010 cm3?
b) Se 10 garrafas são selecionadas ao acaso, qual é a probabilidade de que, no máximo, 1 tenha volume
de ĺıquido superior a 1010 cm3?
c) Se 1.000 garrafas são selecionadas ao acaso, qual é a probabilidade de que, no máximo, 100 tenha
volume de ĺıquido superior a 1010 cm3?
d) Se 1.000 garrafas são selecionadas ao acaso, qual é a probabilidade do volume médio delas ser
superior a 1.001 cm3?
Exemplo 9.0.3. Voltagens de sinais independentes, digamos, Vi, i = 1, 2, · · · , n são recebidas num
“somador”. Seja V a soma das voltagens recebidas pelo “somador”, isto é,
V =
n∑
i=1
Vi.
Suponha que cada Vi seja uma variável aleatória com distribuição normal de média 5 volts e desvio
padrão 1 volt. Determine a probabilidade de que V exceda 105 volts, quando n = 20. Justifique seus
cálculos.
Exemplo 9.0.4. Suponha que o peso bruto de certas latas de pêssego em calda é uma variável aleatória
normal, com média 1.000 gramas e desvio padrão 20 gramas.
a) Qual a probabilidade de uma dessas latas pesar menos de 960 gramas?
b) Se 100 dessas latas sãoescolhidas ao acaso, qual é a probabilidade de no máximo 3 delas pesarem
menos de 960 gramas?
Exemplo 9.0.5. a) Uma pessoa possui 100 lâmpadas cujos tempos de vida são exponenciais indepen-
dentes com média de 5 horas. Se as lâmpadas são usadas uma de cada vez, sendo a Iâmpada queimada
imediatamente substitúıda por uma nova, obtenha uma aproximação para a probabilidade de que ainda
exista uma Iâmpada funcionando após 525 horas.
b) No item anterior,suponha que seja necessário um tempo aleatório, uniformemente distribúıdo em
(0,0,5), para que a lâmpada queimada seja substitúıda. Obtenha uma aproximação para a probabilidade
de que todas as lâmpadas tenham queimado após 550 horas.
Exerćıcio 9.0.1. A duração de um certo tipo de pneu, em quilômetros rodados, é uma variável
aleatória com distribuição normal com duração média de 60.000 km e desvio padrão de 10.000 km.
a) Qual a probabilidade de um pneu deste tipo escolhido ao acaso durar mais de 70.000 km?
b) Se 1.000 destes pneus são escolhidos ao acaso, qual a probabilidade de pelo menos 160 durarem
mais do que 70.000 km?
Exerćıcio 9.0.2. Uma instituição de caridade deseja realizar uma obra que custa R$3500,00 em sua
sede. Entre os contribuintes habituais dessa instituição, cada um pode contribuir com algo em torno
de R$ 120,00 mais ou menos um desvio padrão de R$ 50,00. Se 30 dessas pessoas se quotizarem para
levantar fundos com essa finalidade, qual a probabilidade de que eles consigam o montante necessário?
Exerćıcio 9.0.3. Uma companhia de seguros emitiu apólices para 10000 pessoas, todas da mesma
faixa etária. A probabilidade de morte durante um ano é de 0,006 para cada pessoa nessa faixa etária.
Em um dia pré-fixado, todos os segurados depositam 12 u.m. e, se algum deles morrer dentro de 1
ano, seus beneficiários receberão 1000 u.m. da seguradora. Qual a probabilidade de que em 1 ano:
(a) A companhia tenha prejúızo?
(b) A companhia tenha um lucro de pelo menos 40000 u.m.? E 60000 u.m.? E 80000 u.m.?
Exerćıcio 9.0.4. O Comitê organizador de um congresso cient́ıfico contratou 5 hotéis da cidade onde
vai se realizar esse evento para hospedarem os 1000 congressistas inscritos. Cada um desses hotéis
só têm quartos individuais e só poderá hospedar os participantes do congresso durante esse peŕıodo.
Admita que cada congressista escolherá de forma aleatória para qual dos 5 hotéis ele vai se dirigir. O
Hotel X é um desses 5 hotéis e tem capacidade para acomodar 210 pessoas.
(a) Qual a probabilidade de que o Hotel X consiga acomodar todos os congressistas que o procurarem?
(b) Qual a probabilidade de que pelo menos p = 90 % do total de quartos do Hotel X sejam ocupados?
(c) Para que no Hotel Y (outro dos 5):
i) a probabilidade de que ele consiga acomodar todos os congressistas que o procurarem seja 0,95; e
ii) a probabilidade de pelo menos π% do seu total de quartos serem ocupados seja 0,99;
qual deve ser o valor de π e qual deve ser a capacidade total desse hotel?
Exerćıcio 9.0.5. Um fabricante afirma que sua vacina contra gripe imuniza em 80 % dos casos.
Uma amostra de 25 indiv́ıduos que tomaram a vacina foi sorteada e testes foram feitos para verificar
a imunização ou não desses indiv́ıduos. Se o fabricante estiver correto, qual é a probabilidade da
proporção de imunizados na mostra ser inferior à 0,75? E superior à 0,85?
Exerćıcio 9.0.6. Admita que o consumo mensal de água por residência em um certo bairro de Goiânia
tem distribuição Normal com média 10 e desvio padrão 2 (em m3). Para uma amostra de 25 dessas
residências, qual é a probabilidade de a média amostral não se afastar da verdadeira média por mais
de 1 m3 ?
Exerćıcio 9.0.7. Uma pessoa possui 100 lâmpadas cujos tempos de vida são exponenciais indepen-
dentes com média 5 horas. Se as lâmpadas são usadas uma de cada vez, sendo necessário um tempo
aleatório (em horas) uniformemente distribúıdo em (0, 12) para que uma lâmpada queimada seja subs-
titúıda, qual é a probabilidade de que todas as lâmpadas tenham queimado após 550 horas?
Exerćıcio 9.0.8. Um fabricante afirma que sua vacina contra gripe imuniza em 80 % dos casos.
Uma amostra de 25 indiv́ıduos que tomaram a vacina foi sorteada e testes foram feitos para verificar
a imunização ou não desses indiv́ıduos. Se o fabricante estiver correto, qual é a probabilidade da
proporção de imunizados na mostra ser inferior à 0,75? E superior à 0,85?
Exerćıcio 9.0.9. Suponha que o peso bruto de latas de pêssego em calda pesadas por uma determi-
nada máquina tem distribuição normal, com média 1.000 gramas e desvio padrão 25 gramas. Se latas
são pesadas uma a uma até se ter 10 latas com peso inferior a 1050 gramas, calcule a probabilidade
de serem necessárias no máximo 12 pesagens.
Exerćıcio 9.0.10. Numa partida do Goiás pela Copa do Brasil, torcedores esmeraldinos chegam ao
Serra Dourada em instantes aleatórios pontuais. Seja Xn o tempo em minutos até a chegada do
n-ésimo esmeraldino. Podemos escrever:
Xn =
n∑
i=1
Ti, n = 1, 2, · · ·
e X0 = 0, onde Ti é o tempo entre a chegada do (i−1)-ésimo torcedor e do i-ésimo torcedor. Suponha
que o tempo entre a chegada de dois torcedores esmeraldinos consecutivos é uma variável aleatória
exponencial de parâmetro λ= 100 torcedores por minuto, calcule a probabilidade de se demorar no
máximo 90 segundos até a chegada de 144 torcedores.
Exerćıcio 9.0.11. Uma pesquisa mostra que 40 % dos usuários da Internet usam o Google Chrome
como seu browser. Selecione ao acaso 256 usuários e pergunte se eles usam ou não o Google Chrome.
Qual a probabilidade de que no máximo 50 usuários respondam “sim”?
Exerćıcio 9.0.12. Em um circuito simples, cem resistores, R1, · · · , R100 são ligados em série, por-
tanto a resistência total será dada por RS = R1 + · · ·R100. Suponha que R1, · · ·R100 sejam variáveis
aleatórias independentes tendo cada uma densidade
fRi(r) =
 r50 , 0 < r < 10, i = 1, · · · , 100;0, caso contrário.
Calcule P(RS ≥ 660).
Exerćıcio 9.0.13. Considere o experimento de lançar um dado honesto 7200 vezes. Qual é a proba-
bilidade de se obter mais que 1206 vezes a face cinco?
Exerćıcio 9.0.14. Considere uma sequência de 1000 urnas tal que a i-ésima urna contém i+4 bolas
verdes e 1 bola vermelha. Cinco bolas são retiradas de cada urna uma a uma ao acaso e com reposição.
Seja X o número total de bolas verdes retiradas em todas as urnas, isto é, X = X1 +X2 + · · ·X1000,
onde Xi é o número de bolas verdes retiradas na i-ésima urna.
a) Calcule a probabilidade do número total de bolas verdes retiradas ser superior a 4.500.
b) Se as retiradas fossem realizadas sem reposição, qual seria a probabilidade de serem retiradas 5.000
bolas verdes.
Exerćıcio 9.0.15. A variável aleatória X (em milissegundos) é o tempo total de acesso (tempo de
espera + tempo de leitura) para obter um bloco de informação de um disco de computador. X é unifor-
memente distribúıda no intervalo de 0 a 12 milissegundos. Antes de realizar uma determinada tarefa,
o computador precisa acessar 12 blocos de informação diferentes do disco (Os tempos de acesso para
blocos diferentes são independentes um do outro). O tempo total de acesso para todas as informações é
uma variável aleatória Y (em milissegundos). Calcule em todos os detalhes, a probabilidade do tempo
total de acesso exceder 75 ms.
Exerćıcio 9.0.16. Suponha que uma lanterna de feixe estreito seja girada em torno de seu eixo que
está localizado a um metro do eixo x (eixo horizontal). Considere o ponto X no qual o feixe intercepta
o eixo x no instante em que a lanterna pára de girar ( se o feixe não estiver apontando para o eixo x,
repita o procedimento).
a) Mostre que X tem distribuição Cauchy padrão.
b) Considere 1.000 repetições do experimento acima. Seja Xi o ponto no qual o feixe intercepta o
eixo x no instanteem que a lanterna pára de girar na i-ésima repetição e X̄ a média amostral dessas
observações. Calcule P(X̄ ≤ 1).
Dica: Uma variável aleatória X tem distribuição Cauchy padrão, se sua densidade é
dada por f(x) =
1
π(1 + x2)
, −∞ < x < ∞ e sua função caracteŕıstica por φX(t) = e−|t|.
Exerćıcio 9.0.17. Um professor tem 50 provas para corrigir. O tempo necessário para corrigir cada
uma das 50 provas é uma variável aleatória independente com distribuição que possui média de 20
minutos e desvio padrão de 4 minutos. Aproxime a probabilidade de que o professor corrija pelo menos
25 provas nos primeiros 450 minutos de trabalho.
Exerćıcio 9.0.18. Cinquenta números são arredondados para o inteiro mais próximo e somados. Se
os erros de arredondamento individuais são uniformemente distribúıdos ao longo de (-0,5,5), obtenha
uma aproximação para a probabilidade de que a soma resultante difira da soma exata em mais de 3.
Exerćıcio 9.0.19. Um dado é jogado continuamente até que a soma total das jogadas exceda 300.
Obtenha uma aproximação para a probabilidade de que pelo menos 80 jogadas sejam necessárias.
Exerćıcio 9.0.20. Engenheiros civis acreditam que W, a quantidade de peso (em unidades de tonela-
das) que certo vão de uma ponte pode suportar sem sofrer danos estrutu seja normalmente distribúıdo
com média 400 e desvio padrão 40. que o peso (novamente em toneladas) de um carro seja uma
variável aleatória com média 3 e desvio padrão 0,3. Aproximadamente quantos carros devem estar
sobre a ponte para que a probabilidade de dano estrutural exceda 0,1?
Exerćıcio 9.0.21. Uma companhia de seguros tem 10.000 carros segurados. O valor esperado recla-
mado por cada segurado em um ano é de R$ 240,00, com um desvio padrão de R$800. Obtenha uma
aproximação para a probabilidade de que o total reclamado em um ano supere R$2,7 milhões.
Exerćıcio 9.0.22. Certo componente é cŕıtico para a operação de um sistema elétrico e deve ser
substitúıdo imediatamente após a sua falha. Se o tempo de vida médio deste tipo de componente é
de 100 horas e seu desvio padrão é de 30 horas, quantos desses componentes devem estar em estoque
de forma que a probabilidade de que o sistema permaneça em operação cont́ınua nas próximas 2000
horas seja de pelo menos 0,95?
Referências Bibliográficas
[1] Durret, R., Probability: theory and examples, (2nd edn.), Duxburry, Belmont. Calif.
[2] Feller, W., An Introduction to Probability Theory and its Applications, Wiley, New York,1966.
[3] Ferrari, P.A. e Galves, J.A., Acoplamento em Processos Estocásticos, Notas para um minicurso
apresentado na XIII Escuela Venezolana de Matematicas, 2000,
[4] Grimmett, G., Percolation , 2 edição. Springer-Verlag, New York, 1999.
[5] Hoel, P. G., Port, S. C. e Stone, C. J. Introduction to stochastic processes, Waveland Press, 1986,
[6] Lyons, R., Peres, Y., Probability on trees and networks, dispońıvel em
http://php.indiana.edu/ rdlyons/prbtree/book.pdf.
[7] Norris, J.R., Markov Chains, Cambridge University Press,1998,
[8] Meyn, S.P.; Tweedie, R.L., Markov chains and Stochastic Stability.
[9] Ross, S. M., A first course in probability, Prentice Hall; 8a edição , 2009,
[10] Ross, S. M., Simulation, Academic Press, 4a edição, 2006,
[11] Ross, S.H. , Stochastic Processes, Wiley Series in Probability and Mathematical Statistics, 1996.
[12] Ross, S. Probabilidade: Um curso Moderno com Aplicações. Oitava Edição, Editora Bookman,
2010.

Mais conteúdos dessa disciplina