0

EEL630 Modelos Probabilsticos em Engenharia

Objetivos gerais: Capacitar o aluno para o
entendimento dos fundamentos bsicos do clculo de
probabilidades e de processos estocsticos com nfase em
aplicaes de transmisso e processamento de sinais e na
comunicao e desempenho de redes.

Ementa: Experincia aleatria: espao amostral,
axiomas de probabilidade. Probabilidades condicionais.
Variveis aleatrias. Funo de distribuio. Variveis
aleatrias discretas e contnuas. Funo densidade de
probabilidade. Funo de v. a. Distribuies conjuntas.
Valores esperados. Funes caractersticas e geradoras de
momentos. Seqncia de variveis aleatrias. Processos
estocsticos: definies. Processos estacionrios e ergticos.
O processo de Poisson. Densidade espectral de potencia.
Resposta de sistemas lineares a sinais aleatrios. Cadeias de
Markov.







1

1. Clculo de Probabilidades

1. Fenmenos - Modelos utilizados

Quando estudamos um fenmeno qualquer procuramos
associ-lo a um modelo matemtico para que de alguma
forma possamos prever o comportamento desse fenmeno
em alguma poca futura.
Podemos dividir os modelos matemticos em dois
grandes tipos:
Determinsticos
Os modelos determinsticos so aqueles que dados os
parmetros necessrios, podemos obter o valor desejado
atravs de uma equao. Essa equao representar
adequadamente bem o valor desejado tanto quanto o modelo
for mais bem ajustado, incluindo todos os fatores que
possam influenciar no clculo da varivel desejada.
Exemplo: dada a distncia inicial e
0
(metros), uma
velocidade constante v
0
(m/seg), uma acelerao constante
igual a (m/seg
2
), podemos obter a distncia final em
2
metros de um corpo em movimento como funo do tempo
percorrido pela equao seguinte :

2
0 0
1
e = e + v t + t
2

claro que esse modelo no leva em considerao o atrito
do corpo em movimento com o meio, resistncia do ar, etc.

Probabilsticos ou Aleatrios ou Estocsticos
Nos modelos probabilsticos, no temos a priori o
resultado da experincia, nem equaes de clculo. Temos
algumas possibilidades de resultados e atribui-se a
possibilidade um nmero que representa a chance dele
acontecer antes da realizao da experincia em questo.
Exemplo: vrios carros apostando uma corrida, no
sabemos a priori quem ser o vencedor.

1.1 Definies:

1.1.1 Experincia aleatria
uma experincia tal que no se sabe o resultado a
priori antes da sua realizao. Para se modelar o fenmeno
3
de uma experincia aleatria qualquer segundo um modelo
probabilstico conhecido, temos que saber todos os possveis
resultados dessa experincia.
1.1.2 Espao Amostra S

o conjunto de todos os resultados possveis de uma
experincia aleatria. Os elementos que formam o conjunto
de resultados possveis so chamados de eventos
elementares

Exemplos:
1- Espao amostra discreto: S = {s
0
, s
1
, ...}. Lana-se um
dado e observa-se a face voltada para cima. Nesse caso o
espao amostra ser: S = {1, 2, 3, 4, 5, 6}

2- Espao amostra contnuo: S = {x / x R e x (a, b)},
onde a e b so dois reais quaisquer e b > a. Escolhe-se um
nmero real no intervalo de 0 a 10. Nesse caso o espao
amostral dado por:
4
S = {x / x R e x (0, 10)}


1.1.3 Evento A

Qualquer conjunto formado do espao amostra S:

A S



1.1.4 Eventos elementares do espao amostral S:

So os elementos formadores do conjunto S, desde que
S seja um conjunto formado por elementos discretos, ou
seja, o conjunto dito discreto. Nesse caso podemos fazer
uma associao biunvoca de cada elemento de S com os
elementos do conjunto dos inteiros.

Exemplo 3:

5
S = {1, 2, 3, 4, 5, 6} Temos seis conjuntos formados por
cada nmero de 1 a 6 que so chamados de eventos
elementares: {1}, {2}, {3}, {4}, {5} e {6}.

Num espao amostra discreto e finito, com N eventos
elementares, o nmero total de eventos distintos que
podemos formar
0 1 2 N N
N N N N
C C C ... C 2 + + + + =
0
N
C 1 = - nmero total de conjuntos no agrupados -
conjunto vazio;
1
N
C N = - nmero total de conjuntos agrupados um a um
so os eventos elementares;
2
N
C - nmero total de conjuntos agrupados dois a dois, etc.
No caso do lanamento de um dado, teramos:
S
2
= {(1,2) (1,3) ... (1,6) (2,1) ... (6,6)}

Quando o conjunto S contnuo, ou seja, o espao
amostral infinito no numervel, a noo de eventos
elementares no faz sentido; o que podemos ter uma unio
de conjuntos, no sobrepostos, que reproduz o espao
amostra S (conjuntos chamados de partio de S).
6
Exemplo 4:
Sendo S dado por S = {x / x R e 0 x 1}
podemos definir, por exemplo, uma seqncia de 4
conjuntos da seguinte forma:
A = { x / 0 x < 0,25} B = { x / 0,25 x < 0,5}
C = { x / 0,5 x < 0,75} D = { x / 0,75 x 1}

Nesse caso como se A, B, C e D fossem os eventos
elementares de S, mas na verdade eles formam uma partio
de S, ou seja, S = A U B U C U D

1.2 Utilizao da teoria dos conjuntos:

Notaes:

S - espao amostral

A e B - eventos quaisquer pertencentes a S (A e B S)

- conjunto vazio

A U B A unio B evento definido pelo acontecimento
somente do evento A ou somente do acontecimento do
7
evento B ou do acontecimento de A e B simultaneamente
(concomitantemente).

A B = A B A interseo B evento definido pelo
acontecimento de A e B simultaneamente
(concomitantemente). No pode acontecer A sozinho ou
B sozinho.
evento definido pelo no acontecimento de A
1 =

U
n
i
i
evento definido pela generalizao da unio de
vrios conjuntos.

n
n 1 i =

I
evento definido pela generalizao da
interseo de vrios conjuntos.





A e B so ditos mutuamente exclusivos quando:
A B =

Nesse caso A B significa que: ou acontece o evento
A ou acontece o evento B e no pode acontecer A e B
simultaneamente (concomitantemente), pois os dois eventos
no permitem que isso ocorra j que a interseo dos dois
nula.



8
Relaes de Morgan:

A B = A B e A B = A B














1.3 Freqncia relativa de eventos

Notao:
fr
A
fr
B
frequncia relativa de A e de B;
fr
A U B
frequncia relativa da Unio de A com B ;
fr
A B
frequncia relativa da interseo de A com B;
fr
B
frequncia relativa da interseo de no A
com B; etc



Deseja-se arrumar um modelo matemtico que nos diga
a chance de um determinado evento ocorrer. Este modelo
representado pela probabilidade do evento em questo. O
modelo matemtico baseado na frequncia relativa do
evento. Como exemplo no caso anteriormente colocado do
S











A U B
A B
A B B

Diagrama de Venn
9
Exemplo 1, se quizsemos arranjar nmeros que medissem a
chance de cada um dos seis possveis nmeros das faces do
dado, poderamos jogar este dado 1000 vezes (por exemplo)
e calcularmos a frequncia relativa de cada um dos seis
nmeros.
Essas frequncias relativas poderiam ser os nmeros do
nosso modelo, para esse dado.
Poderamos repetir essa experincia (mais 1000 vezes)
e calcularmos novamente a frequncia relativa dos seis
nmeros. Obviamente os dois resultados seriam diferentes
(dificilmente seriam iguais). O fato que, se repetirmos esse
processo com um nmero cada vez maior vezes, veremos
que as frequncias relativas encontradas oscilam em torno de
nmeros, as quais sero tomados como as probabilidades de
cada um dos seis nmeros que aparecem na face do dado.
Dessa forma, haver uma convergncia estocstica
(estatstica) para um determinado valor de frequncia
relativa (regularidade estatstica). Caso no houvesse essa
convergncia estatstica seria impossvel atribuir
probabilidades aos nmeros, a menos que essas
probabilidades variassem regularmente com a jogada (com o
tempo) ou variassem de forma regular com a pessoa que
lana o dado. Nesses dois ltimos casos mencionados
acima, a forma de atribuir probabilidades aos nmeros tem
que ser tratada de maneira diferente, caso isso seja possvel,
como por exemplo um processo estocstico ou outra forma
diferente.

Seja n
A
o nmero de vezes (frequncia) que o evento A
ocorreu em n totais vezes que a experincia aleatria foi
repetida. A frequncia relativa do evento A calculada
10
como
A
A
n
fr
n
= . De forma similar, podemos definir
frequncia relativa para outros eventos do espao amostral.

Exemplos de obteno das frequncias relativas:

Exemplo 4: Lana-se um dado 1000 vezes e obtm-se a
freqncia de aparecimento de cada nmero do dado
(nmero que aparece na face voltada para cima) e calcula-se
a sua freqncia relativa. A seguir mostra-se o histograma
obtido.
Nmero Freqncia Freqncia
Relativa
1 168 16,8%
2 165 16,5%
3 172 17,2%
4 166 16,6%
5 170 17,0%
6 159 15,9%
Total 1000 100%











1 2 3 4 5 6
0
2
4
6
8
10
12
14
16
18
11
Exemplo 5: Tem-se um sinal aleatrio variando entre 1 e 1
Volt e de durao de 100 milisegundos. O grfico do sinal
aparece na figura abaixo. Fez-se tambm uma amostragem
do sinal, obtendo-se 150 pontos no espao de tempo
(obedecendo-se taxa de Nyquist). O histograma foi obtido
dividindo-se a amplitude (2 Volts) em 20 classes visto a
seguir.
























-1.5 -1 -0.5 0 0.5 1
0
5
10
15
20
25

0 10 20 30 40 50 60 70 80 90 100
-1.5
-1
-0.5
0
0.5
1
12
Sobre o mesmo histograma acima colocado a curva
Normal (Gaussiana), que uma curva de medida de
probabilidade.




























-1.5 -1 -0.5 0 0.5 1
0
5
10
15
20
25
13
1.3.1 Propriedades da freqncia relativa de um evento:

Sendo A e B dois eventos quaisquer de um espao
amostral S, temos:



1. 0 fr
A
1


2. fr
A
= 0 se o evento no ocorre em

momento algum.

3. fr
A
= 1 se o evento ocorre todas as vezes,

ou seja, somente este evento ocorre

durante toda a experincia aleatria.

Na verdade, nesse caso no existe experincia
aleatria, ou seja, temos um fenmeno
determinstico pois, A um evento certo (100%
de certeza do acontecimento de A, desde que a
experincia seja realizada).

4. Se A e B so mutuamente exclusivos, isto , a
ocorrncia de A no ocasionar a ocorrncia de B e
vice versa, ento:

fr
A U B
= fr
A
+ fr
B

14
Exemplo 6:
Uma caixa contm 2 bolas brancas, 3 bolas azuis e 5
bolas vermelhas. As bolas so aproximadamente do mesmo
tamanho e peso, diferindo somente pela cor. Estas bolas
foram devidamente misturadas de modo que a pessoa que
retirasse uma bola, no pudesse distinguir a sua cor antes da
sua retirada.
A experincia consiste em misturar as bolas, retirar uma
bola, observar sua cor e rep-la caixa.
Essa experincia foi repetida um grande nmero de
vezes e abaixo v-se a tabela de retiradas e as frequncias de
saida das bolas (Tabela 1.1).


Tabela 1.1 Frequncia de retirada das bolas
Nmero de repeties da experincia Cor da bola
50 100 200 300 500
Branca 8 18 43 58 103
Azul 19 27 59 91 149
Vermelha 23 55 98 151 248


Tabela 1.2 Frequncia relativa de retirada das bolas
Nmero de repeties da experincia Cor da bola
50 100 200 300 500
Branca 0,160 0,180 0,215 0,193 0,206
Azul 0,380 0,270 0,295 0,303 0,298
Vermelha 0,460 0,550 0,490 0,503 0,496

15
As frequncias relativas mostradas na Tabela 1.2
mostram a tendncia da retirada de uma determinada
bola convergir para um nmero, ou seja, a fr
Br
(frequncia relativa da bola branca) tende para 0,2; a
fr
Azul
(frequncia relativa da bola azul) tende para 0,3 e a
fr
Ver
(frequncia relativa da bola vermelha) tende para
0,5. Estes nmeros medem ento, a chance do
aparecimento de uma bola de determinada cor ser
sorteada ao acaso.



1.4 Definio de Probabilidade

um nmero representativo da chance do
acontecimento de um dado evento e tem as mesmas
propriedades da freqncia relativa.

p(A) = probabilidade do evento A

1.4.1 Axiomas da Probabilidade (propriedades da
probabilidade de um evento) So os mesmos da frequncia
relativa de um evento:
1. 0 p(A) 1
2. p(S) = 1 [Como conseqncia p() = 0]
16
3. Se A e B so mutuamente exclusivos, ou seja,
A B = ento p(A B) = p(A) + p(B)


1.4.2 Teoremas relativos probabilidade (deduzidos dos
axiomas):
1. Probabilidade do evento impossvel
p() = 0
Mostrao:
Como se tem as relaes: A = A e
A = A e so mutuamente exclusivos
Logo utilizando-se os axiomas tem-se:
p(A ) + p() = p(A) ento: p() = 0
2. Probabilidade do evento complementar
p() = 1 p(A)
Mostrao:
Como se tem as relaes: A = S A =
AA= A e so mutuamente exclusivos
Logo, p(A) + p() = p(S) = 1
ento: p () = 1 - p(A)
onde chamado de complemento de A
17
3. Se A e B so dois conjuntos quaisquer, ento:
p(A B) = p(A) + p(B) - p(A B)
Mostrao:
Como se tem as relaes:
A B = A (B )
B = B S = B ( A ) = (B A) (B )
A e (B ) so mutuamente exclusivos
(B A) e (B ) so mutuamente exclusivos
Logo,
p(A B ) = p(A) + p(B ) e
p(B) = p(BA) + p(B) p(B) = p(AB) + p(B)
ou p(B) = p(B) - p(AB)
ento: p(A B ) = p(A) + p(B) - p(AB)













A
B




S


AB
18
4. Generalizando-se, tem-se para trs ou mais eventos:

p(A U B U C )

= p(A) + p(B) + p(C)
- p(AB) - p(AC) - p(BC) + p(ABC)
sendo A B e C eventos quaisquer

( )
n n
i i i j i j k
i 1 i j i j k i 1
i j i j k
n
n-1
i
i 1
p A p A - p A A p A A A -
... (-1) p A
= =

=
| |
| | | |
|
| |
|
\ \
\
| |
|
|
\
= +
+

1442443 1442443
U
I

Demonstrao feita a partir da demonstrao anterior.

5. A B ento p(A) p(B)

Mostrao:
A B p(A) p(B)
A B A B = A
B = A ( B)
Porm: A ( B) = (A) (AB) =
A = , logo so mutuamente exclusivos.
Ento: p(B) p(A)

6. p( U B )= p (A B ) = 1 - p(A B)

7. p( B ) = p(A B ) = 1 - p(A U B) =

1 - p(A) - p(B) + p(AB)
Estas duas ltimas relaes so obtidas a partir das relaes
de Morgan
B
A
19
Observaes:

1- Quando um evento impossvel de acontecer, ele
dito um conjunto vazio . Ento a probabilidade do
evento impossvel zero. Exemplo 6: No
lanamento de um dado no tendencioso, qual a
probabilidade de sair um nmero 8? Essa
probabilidade zero.

2- Nem sempre que a probabilidade zero, significa que
o evento impossvel. Exemplo 7: Na cidade do Rio
de Janeiro observou-se que ao longo dos ltimos 500
anos, que a temperatura atmosfrica da cidade sempre
esteve no intervalo (-10, 50) graus centgrados, logo se
considera que a Prob[temperatura da cidade do RJ
estar entre 10 e 50] = 1. Qual a probabilidade dessa
temperatura estar entre 15 e 10 graus centgrados?
Segundo os dados dos ltimos 500 anos, fica
estabelecido que essa probabilidade zero. Isso no
quer dizer que o evento temperatura entre 15 e 10
graus centgrados seja um evento impossvel. Na
verdade o que podemos afirmar que nunca foi
registrada temperatura fora do intervalo (-10,50)
o
C
na cidade do Rio de Janeiro.

3- Viu-se que p() = 1- p(A). Esta expresso
importante porque algumas vezes muito mais
trabalhoso se calcular a probabilidade de um evento do
que a probabilidade do evento complementar (evento
contrrio).

20
1.5 Mtodos de Contagem Anlise Combinatria

Nem sempre o espao amostra pose ser obtido atravs
da listagem de todos os elementos, dado o grande nmero
deles ou mesmo pela incovenincia dessa listagem quando se
est interessado num evento em particular. Dessa forma
valemo-nos da anlise combinatria para contar, tanto os
elementos do evento A quanto os elementos do espao
amostra (nmeros de casos favorveis ao acontecimento de
A e nmero de casos possveis).

1.5.1 Mtodo da Multiplicao

Suponha que o procedimento I pode ocorrer de m
maneiras diferentes e um outro procedimento (II) pode
ocorrer de n outras maneiras diferentes. Alm disso,
se qualquer uma das m maneiras de chegar a I possa
ser seguida de qualquer uma das n maneiras de se
chegar a II. Ento o nmero de vezes de se
realizar I, seguido de II igual a m . n maneiras
diferentes.
21
Exemplo:
Suponha que para se ir de Petrpolis para o Rio de
Janeiro se possa de ir de nibus (empresa) ou de carro
(particular). Para se ir do Rio para So Paulo pode-se ir
de trem, avio, nibus (empresa) ou de carro
(particular). De quantas maneiras pode-se ir de
Petrpolis para So Paulo, passando-se pelo Rio?
Total: 2 maneiras vezes 4 maneiras = 8 formas
diferentes.












Petrpolis
Rio
So Paulo
22
1.5.2 Mtodo da Adio

Suponha que o procedimento I pode ocorrer de m
maneiras diferentes e um outro procedimento (II) pode
ocorrer de n outras maneiras diferentes. Alm disso,
no se pode realizar os dois procedimentos em
conjunto, isto , um aps o outro. Ento o nmero
de vezes de se realizar I ou de se realizar II igual a
m + n maneiras diferentes.

Exemplo:
Suponha a seguinte experincia: Lana-se uma moeda.
Se sair cara joga-se um dado e verifica-se o nmero que
saiu. Se sair coroa, escolhe-se um nmero inteiro no
conjunto {7, 8, 9}. De quantas maneiras pode-se
escolher um nmero nessa experincia?

Cara lance do dado 6 maneiras
Coroa escolha de um nmero 3 maneiras
no conjunto {7, 8, 9}
Nmero total de maneiras = 9
23
1.5.3 Agrupamentos importantes
Baseado nos dois mtodos anteriormente descritos,
surgem os agrupamentos mais importantes e suas frmulas
de contagem.

1.5.3.1 Permutao de n elementos - P
n

Neste tipo de agrupamento todos os elementos
participam do mesmo, sendo que cada agrupamento
diferir um do outro somente pela ordem com que os
elementos aparecem.
Exemplo: permutaes de trs elementos A, B e C
ABC ACB

Nmero total de permutaes: P
n
= 1.2.3. . n = n !

Restrio: p inteirospositivo

Mostrao: Suponha que tenhamos n-1 elementos
no agrupamento e o nmero de permutaes distintas
seja P
n-1
. Vamos introduzir o n-simo elemento.
24
Este elemento poder ocupar n posies em cada um
dos agrupamentos de n-1 elementos. Sendo o
agrupamento de n-1 elementos A B C D ... M, ao
introduzir o n-simo elemento temos ter n posies
aonde este elemento poder ocupar (figura abaixo),
com as setas indicando as n possveis posies
aonde o n-simo elemento poder ser introduzido.
A B C D ... M
Pelo mtodo da multiplicao, como cada
agrupamento de n-1 elementos formar n
agrupamentos de n elementos, os P
n-1
agrupamentos
formaro um total de (n . P
n-1
)

permutaes de n
elementos, ou seja,
P
n
= n P
n-1

Clculo de P
n
:
P
2
= 2 P
1

P
3
= 3 P
2

.
.
P
n
= n P
n-1
.
Multiplicando-se membro a membro, tem-se:
25
P
n
= 2 . 3. 4 . . . . n . P
1
Mas P
1
= 1, isto , todos os agrupamentos com 1
elemento. Logo se tem P
n
= n !


1.5.3.2 Arranjos de n elementos tomados p a p =
p
n
A
Este tipo de agrupamento formado com p
elementos de um conjunto de n elementos.
Os agrupamentos vo diferir pela natureza dos
elementos e pela ordem com que os elementos esto
situados no agrupamento.
Exemplo: Tem-se 5 elementos A, B, C, D e F.
Formemos arranjos de 3 elementos. Temos alguns
arranjos diferentes: ABC ACB ADB

Nmero total de agrupamentos:

p
n
n!
A n(n 1)(n 2)...(n p 1)
(n p)!
= = +

Restries: n, p inteiros positivos e p n

26
Mostrao:
Continuando com o exemplo acima, contemos o
nmero de arranjos possveis. Para isso faamos 3
clulas e preenchamos com os elementos disponveis.




Na 1
a
clula podemos colocar qualquer dos 5
elementos disponveis. Ficamos com 4 elementos
disponveis. Podemos colocar na 2
a
clula qualquer
um dos 4 elementos. Para a ltima clula, a 3
a
, temos
3 elementos disponveis e podemos colocar qualquer
um dos trs. Pelo mtodo de contagem da
multiplicao teremos um total de 5 x 4 x 3 arranjos
possveis.
Generalizando, para se calcular os arranjos de n
elementos tomados p a p temos:



1 clula 2 clula 3 clula
1 clula 2 clula p-sima clula
. . . . .

27

Na 1
a
clula podemos colocar n elementos; na 2
a

podemos colocar n-1; e assim sucessivamente at a
p-sima, onde podemos colocar um dos ltimos (n-
p+1) elementos. Dessa forma podemos ter, pela regra
da multiplicao,

n(n 1)(n 2)...(n p 1) +
arranjos distintos.






1.5.3.3 Combinao de n elementos formados p a p =
p
n
C
Este tipo de agrupamento formado com p
elemntos de um grupo de n elementos, porm os
agrupamentos vo diferir uns dos outros pela natureza
dos elementos no grupo e no pela sua posio.

28
Exemplo: Tem-se 5 elementos A, B, C, D e F.
Formemos combinaes de 3 elementos. Temos
algumas combinaes: ABC = ACB ADB

Nmero total de combinaes:
( )
( )( ) ( )
p
p
n
n
p
n n-1 n-2 ... n-p 1
A n !
C
P 1. 2. ... . p
n-p ! p !
+
= = =


Restries: n,p inteiros positivos e p n

Mostrao:
O clculo do nmero de combinaes possveis se
torna fcil, se notarmos que a nica diferena para o
nmero de arranjos que cada agrupamento de
combinao gera o mesmo nmero de arranjos,
multiplicado pelo nmero de permutaes que
podemos fazer com os p elementos do agrupamento
de combinao, ou seja,

p p
n p n
C P = A
29
Logo,
n (n-1) (n-2) ... (n-p+1)

p!
p
p
n
n
p
A
C =
P
=


1.5.3.4 Permutao com Repetio -
1 2 k
n ,n ,...,n
n
PR

Neste tipo de permutao tem-se n
1
elementos
iguais entre si, n
2
elementos iguais de outro tipo; ...
etc at n
k
elementos idnticos, sendo que
n
1
+ n
2
+ + n
k
= n

Nmero total de permutaes com repetio:

1, 2, k
n n ...,n
n
1 2 k
n!
PR
n !n !...n !
=
Restries: os n
i
(i=1,2,...k) so inteiros positivos


Exemplo: Tem-se 5 elementos A, A, B, B e C. Na
permutao todos os elementos fazem parte do
agrupamento.
30
Mostrao:
O agrupamento A A B B C diferente do
agrupamento A B A B C. Mas se no agrupamento
A A B B C permutamos os dois primeiros
elementos, o agrupamento no se modifica, ficaremos
com a mesma permutao. Ento analogamente ao
raciocnio feito para as combinaes, o nmero de
permutaes diferentes com elementos repetidos
igual ao nmero de permutaes simples de n
objetos, dividido pelo nmero de permutaes que se
pode fazer entre os elementos repetidos, isto ,

1 2 k
n ,n ,...,n
n n
1 2 k
P n! = n !n ! ... n ! PR =

Logo,
1 2 k
n ,n ,...,n
n
1 2 k
n!
PR
n !n ! ... n !
=
Caso particular: Somente 2 elementos diferentes:
n
1
+ n
2
= n


1 2 1 2
n ,n n n
n n n
= PR C = C


31


1.5.3.5 Arranjos com Repetio de n elementos tomados
p a p -
p
n
AR

Este tipo de agrupamento idntico ao
agrupamento formado pelos arranjos simples com o
adicional que os elementos podem aparecer repetidos
2, 3, etc. vezes at n vezes.


etc. ACB, AAB ABC AR
3
C B, A,



p p
n
AR n =

Restries: n, p inteiros positivos. O valor de p
pode ser menor ou maior que n (sem restrio).

Mostrao:
facilmente demostrada pela regra da multiplicao.


1 clula 2 clula p-sima clula
. . . . .

32

Conforme mostrado na Figura, em qualquer das p
clulas podemos colocar n elementos, j que pode
haver repetio. Logo teremos um total de:

p
p vezes
n.n...n = n
14243

1.5.3.6 Permutao Circular de n elementos - PC
n
Quando os elementos a serem permutados de lugar
s podem ser mudados circularmente. No clculo de
probabilidades esse tipo de agrupamento no usado.
Exemplo 8: Sejam os 5 elementos: A, B, C, D e E.
Se ABCDE um grupamento, ento EABCD outro
agrupamento. Porm ABCED no faz parte desse
agrupamento pois no agrupamento circular com os
anteriores.
O nmero de permutaes circulares PC
n
= n-1
Restrio: n inteiro positivo



1.6 Atribuio de Probabilidades aos Eventos
33

1.6.1 Tipos de Espao Amostral S

Numervel finito: Exemplo 9: S = {1, 2, 3, 4, 5, 6}
Numervel infinito: Exemplo 10:
S = {1, 2, 3, 4, 5, 6, 7, ... }
Infinito no contvel: Exemplo 11:
S = {x|x e x (-10,10) }

1.6.2 Atribuio de probabilidades aos espaos numerveis
finitos:

Se nada dito em contrrio, supe-se que todos os
eventos so equiprovveis. Logo, tendo-se o espao
amostral S, tem-se:

{ } ( )
n
1 i
1
S s , , s ; p s ; i 1, , n
n
= = = L L

Como n > 0 vemos que
1
0 1
n
< <
e alm disso,

n n
i
i=1 i=1
1
p(s ) 1
n
= =


34
Logo,
( )
i
1
p s =
n
pode ser usada como uma medida de
probabilidade.
Se n = 0 no faz sentido falar em espao amostra, ou
seja, definirmos um espao amostra que no tem elemento
algum no faz sentido pois seria a realizao de uma
experincia onde nada vai ser observado.


Quando o nmero de eventos elementares do espao
amostra extenso, ou mesmo quando no queremos fazer
uma listagem (contagem) desses eventos elementares para
atribuio de probabilidades, podemos usar a anlise
combinatria. Dessa forma, fazendo-se a suposio de
eqiprobabilidade dos eventos elementares, podemos usar a
anlise combinatria para calcular as probabilidades dos
eventos, da seguinte forma:
Para um evento A S (espao amostra), e se A
formado de r eventos elementares, a probabilidade de A
ser:
35
q
i j k
r eventos elementares
A = { x , x , x , ... , x }
1444442444443

r vezes
1 1 1 1 r
p(A) ...
n n n n n
= + + + =
14444244443




Nmero de casos favorveis

ao aparecimento do evento A
p(A)
Nmero de casos possveis - todos

os possveis casos do espao amostra

`
)
=

`
)



A anlise combinatria poder ser usada para se
calcular tanto o nmero de casos do numerador como o do
denominador da expresso acima.
Caso os eventos elementares no sejam
equiprovveis, no podemos usar a anlise combinatria
para se clacular p(A).





36
Exemplo 12 (Atribuio de Probabilidades num espao
amostra finito):

Um grupo de pessoas formado por 6 mulheres e 4
homens. Deseja-se formar comisses de 5 pessoas. Qual a
probabilidade de que estas comisses sejam formadas por
3 mulheres e dois homens? (Independentemente de quem
sejam as pessoas e que ordem elas sejam escolhidas, ou
seja, est se supondo que as comisses s dependam de
quem foram os escolhidos).

Neste exemplo podemos supor que todas as comisses
possveis de serem formadas so equiprovveis. Logo, como
muito trabalhoso listar todas estas comisses, e cont-las,
calculamos a probabilidade por:
nmero de casos favorveis
p
nmero de casos possveis
= isso s vlido caso
os eventos (todas as possveis comisses formadas) sejam
equiprovveis.

a) nmero total de grupos de 3 mulheres:
3
6
C

37
b) nmero total de grupos de 2 homens:
2
4
C

c) nmero total de grupos onde apaream 3 mulheres e 2
homens ( nmero de casos favorveis):
2
4
3
6
C . C

e) nmero total de comisses de 5 pessoas (nmero de
casos possveis):
5
10
C



3 2
6 4
5
10
C C
Prob =
C


(a distribuio de probabilidades dada pela razo anterior
chamada de distribuio hipergeomtrica, que ser vista
mais adiante)





1.6.2 Atribuio de Probabilidades aos espaos amostras
numerveis infinitos:
38
Nesse caso os eventos elementares no podem ser
equiprovveis, pois se isso pudesse acontecer, os eventos
elementares teriam probabilidades iguais a zero, porque:
nmero de casos favorveis 1
Prob(evento elementar) 0
nmero de casos possveis
= =

Ento, nesse caso, atribui-se probabilidades aos eventos
observando-se a caracterstica do espao amostra que
originou o novo espao amostra infinito o qual deseja-se
atribuir probabilidades aos eventos.

Exemplo 13:
Seja a Experincia aleatria que consiste no lanamento
de um dado no tendencioso, at que se obtenha o nmero
2. O espao amostra formado pelo nmero de vezes
que se tem que lanar o dado at que aparea o nmero 2.
Espao amostra do lanamento do dado :
S
1
= {1, 2, 3, 4, 5, 6}
onde Prob(i) = 1/6 i = 1,..,6
Espao amostra de interesse:
S
2
= {jogar 1 vez, jogar 2 vezes, jogar 3 vezes, ..., ).
39
S
2
= {1, 2, 3, ... ,).
Supondo-se que
Prob (sair qualquer nmero no dado) = 1/6, tem-se:
P
S2
(1) = Prob(jogar 1 vez aparecer o nmero 2 na 1
a
vez) =
1/6
P
S2
(2) = Prob(jogar 2 vezes no aparecer o 2 na 1
a
. vez e
aparecer o 2 na 2
a
. vez) = p(A) p(A) = 5/6 x 1/6
P
S2
(3) = Prob(jogar 3 vezes no aparecer o 2 na 1
a
. nem na
2
a
. vez, porm vai aparecer o 2 na 3
a
. vez) = p(A)
p(A) p(A) = 5/6 5/6 1/6 = (5/6 )
2
1/6
.
.
.
p
S2
(n) = 5/6 . 5/6 . . 5/6 . 1/6 = (5/6)
n-1
. 1/6
Logo,

2
S
k 1
1 5
p (k)
6 6

| |
|
|
\
=

S = {1, 2, 3, ... k, ... }
Vemos que, para k 1 0 p(k) 1 < <

Ser que
k 1
p(k) 1 ?

=
=

n-1
40
Somemos ento as probabilidades para 1 k
k 1 k
k 1 k 1
5
1 5 1 6 5 1
6
1
5
6 6 6 5 6 5
1
6

= =
| | | |
| |
\ \
= = =

Logo
k 1
1 5
p(k)
6 6

| |
|
\
=

pode ser usada como uma medida
de probabilidade.


1.6.3 Atribuio de Probabilidades aos Eventos nos espaos
infinitos no contveis:
Nesse caso, tem-se uma funo qualquer que integrada
num intervalo d a probabilidade do intervalo. Essa
funo f(x), como ser visto no captulo de variveis
aleatrias, tal que:


f (x) 0 x, x e f (x) dx 1

b
a
Prob a X b f(x) dx
| |
|
\
< =


1.8 Probabilidade Condicionada

41
Tem-se um espao amostra S e dois eventos A e B
desse espao amostral. A experincia aleatria foi realizada
e tem-se a informao, as vezes no completa, sobre o
resultado da experincia. Deseja-se calcular a probabilidade
do evento A, sabendo-se que o outro evento B ocorreu aps
a realizao da experincia aleatria. claro que esses dois
eventos pertencem ao espao amostra da experincia em
questo, caso contrrio no faria o menor sentido querer usar
o acontecimento do evento B para se fazer o clculo da
probabilidade de A. Deve ficar claro tambm que o evento
B s vai alterar a probabilidade de A se eles tiverem
elementos comuns, ou seja, A B 0.
Notao: p(A,B) Probabilidade de A dado B ou,
probabilidade de A na certeza de B ou, probabilidade de A
na certeza que B ocorreu.
Quando temos uma probabilidade condicionada, esta
reduz o espao amostra da experincia aleatria, pois a
ocorrncia do evento B d uma informao adicional a
respeito da ocorrncia de A. Dessa forma, temos um novo
espao amostra reduzido, j que temos uma informao
adicional que a certeza da ocorrncia do evento B.
42
Certeza de qualquer evento traduz-se como
probabilidade igual a 1.

Exemplo 14: Suponha que lancemos um dado no
tendencioso. Os possveis valores so os eventos elementares
do espao amostra S = {1, 2, 3, 4, 5, 6}. Nesse caso,
supondo-se a eqiprobabilidade de cada valor, temos p(k) =
1/6 k=1,..,6. Algum tem a informao adicional que, o
valor que saiu no lanamento do dado um nmero par
mas no se sabe qual realmente o valor que se obteve. Isso
muda o espao amostra para S

= {2, 4, 6}. Da mesma
forma que antes do lanamento do dado, supe-se a
eqiprobabilidade de cada valor. Logo temos que:
p(k) = 1/3 k=2, 4, 6.

1.8.1-1 A forma mais comum de se obter a probabilidade
condicionada P(A,B) deduzida a seguir:

n(A B)
P(A|B) =
n(B)

onde n(AB) representa o nmero de elementos comuns
aos conjuntos A e B enquanto n(B) representa o nmero de
43
elementos de B. Estamos na verdade, normalizando os
valores de n(AB) pelos de n(B), pois a probabilidade do
evento B, nesse caso, igual a 1. Os eventos elementares
que no pertencem a B tm, nesse caso, probabilidade igual
a zero, pois no aconteceram na realizao da experincia
aleatria. Caso realizemos novamente a experincia
aleatria, o espao amostral volta a ser S = {1, 2, 3, 4, 5, 6} e
cada elemento volta a ter probabilidade igual a 1/6.
Continuando-se o exemplo acima, suponha que aps o
lanamento do dado, sabe-se que o valor foi par; qual a
probabilidade de ter saido um nmero menor ou igual a 5?

claro que nesse caso, a probabilidade do nmero ser mpar
zero. Ento temos que:
n(AB) = nmero de elementos de A iguais ou menores
que 5 e que so pares (evento B); so os
nmeros 2 e 4, o que d um total de 2 valores.
n(B) = nmero de elementos de B que so pares: que
so os nmeros 2, 4 e 6, que d um total de 3
valores.
Logo, como temos equiprobabilidade, obtemos:
44

n(A B) 2
P(A|B) =
n(B) 3

=
Podemos tambm fazer:

n(A B) n(A B)/n(S) 2 6
P(A|B) =
n(B) n(B)/n(S) 3 6

= =

onde: n(AB) = 2; n(B) = 3 e n(S) = 6
Porm
n(A B)
P(A B)=P(AB)
n(S)

= e
n(B)
P(B)
n(S)
= ,
onde P(AB) e P(B) so obtidos no espao amostra
original, isto , no espao amostral sem reduo.

n(S) o nmero de elementos do espao amostra S, que
nesse caso igual a 6.
Chega-se ento a forma mais comum de se calcular a
probabilidade condicionada, clculo esse feito atravs do
espao amostra original da experincia aleatria:


( )
( )
( )
( )
( ) B P
B A P

B P
AB P
B A P

= =
No exemplo:
2 3 2/6 2
P(A B) P(B) P(A|B)=
6 6 3/6 3
= = =
45

Exemplos 15- Lanam-se dois dados. Seja (x, y) o par
formado. Sejam os seguintes eventos:
A = {x + y = 5) e B = (x par)
Qual o valor da probabilidade P(A,B) ?

Espao amostra:


(1,1) (1, 2) (1, 3) (1, 4) (1, 5) (1, 6)
(2,1) (2, 2) (2, 3) (2, 4) (2, 5) (2, 6)
(3,1) (3, 2) (3, 3) (3, 4) (3, 5) (3, 6)
S
(4,1) (4, 2) (4, 3) (4, 4) (4, 5) (4, 6)
(5,1) (5, 2) (5, 3) (5, 4) (5, 5) (5, 6)
(6,1) (6, 2) (6, 3) (6, 4) (6, 5) (6, 6)
(
(
(
(
=
(
(
(
(




A probabilidade de qualquer um deses pares de valores
igual a 1/36, pois so todos equiprovveis.
36
2
B) e P(A = devido aos pares (2, 3) e (4, 1)
36
18
P(B) = devido a todos os grupos (x, y) onde x par
46
18
2

18/36
2/36
) B P(A = =



Exemplo 16- No lanamento de dois dados, qual a
probabilidade da soma ser 10 (evento A) se o primeiro dado
que saiu o nmero 8 (evento B)?

P(A,B) no tem sentido pois p(B) = p(8) = 0


1.8.1-2 Outras definies:

Probabilidade conjunta de dois eventos.
Da definio de probabilidade condicionada,tem-se:
P(A,B) = P(AB) P(B)
P(B,A) = P(BA) P(A) = P(AB) P(A)
Logo, tem-se: P(AB) = P(B) P(A,B) = P(A) P(B,A)
Extenso para probabilidade conjunta de trs eventos:
P(ABC) = P(A) P(B,A) P(C,AB)
Isso pode ser deduzido a partir de P(A,B

), fazendo-se
47
B

= BC
Extenso para probabilidade conjunta para mais de dois
eventos: Por exemplo, calculo de p(ABCDE)
P(ABCDE) = P(A) P(B,A) P(C,AB) P(D,ABC) P(E,ABCD)

Se B
1
B
2
, ento:
P[A(B
1
B
2
)] = p(AB
1
) + p(AB
2
)
Essa relao pode ser vista atravs do diagrama de
Venn











S
A
B

C

48

1.8.2 Teorema de Bayes

Sejam o espao amostra S, um evento A e os eventos
B
i
, tal que:



N 3
N
1 i
2 1 i
B B B B B S = =
=
L
U

e sendo os conjuntos B
i
, disjuntos ( ) j i 0, B B
j i
=
O evento A tem interseo (pode ter) com os diversos
B
i
onde i = 1, ..., N.

Logo, um conjunto A qualquer do espao amostra S
pode ser colocado como:

49

N 2 1
AB AB AB A = L

e como, nesse caso, as intersees satisfazem a
AB
i
AB
j
= , tem-se:

( ) ( ) ( )
N 2 1
AB P AB P AB P P(A) + + + = L

como P(AB
i
) = P(B
i
) P(A/B
i
), tem-se:

( ) ( ) ( ) ( ) L B A P . B P B A P . B P P(A)
2 2 1 1
+ + =


Tem-se tambm que


k k k k
P(AB ) P(A).P B A P(B ).P(AB
| |
|
|
\
= = )

Logo, tendo-se essas relaes de clculo de probabilidades,
onde os conjuntos B
i
i=1,N formam uma partio do
espao amostral S e A um conjunto qualquer de S, segue-
se ento o teorema de Bayes ou relao de Bayes.


50

Teorema de Bayes:
Dado que os conjuntos B
i
i=1,N formam uma partio
do espao amostral S e A um conjunto qualquer de S,
segue-se ento a seguinte expresso, chamada de teorema de
Bayes ou tambm chamado de teorema das causas:


k k
k N
i i
i 1
P B .P AB
P B A
P(A) P B P(AB )
| |
| |
|
|
|
| | \
\
|
|
\ | |
|
\
=
=
=



Exemplo 17: Tem-se trs urnas contendo bolas azuis e outras
de diferentes cores, da seguinte forma:

1
a
. Urna 2
a
. Urna 3
a
. Urna
20 bolas sendo
4 azuis
15 bolas sendo
5 azuis
30 bolas sendo
3 azuis

Todas as bolas so colocadas numa nica urna. Qual a
probabilidade de sair azul ?
51

1
a
. maneira: 65 bolas totais, sendo 13 azuis.
Logo, Prob(azul) =
12
65


2
a
. maneira: Define-se os seguintes eventos:
B
1
= {bola da urna 1} B
2
= {bola da urna 2}
B
3
= {bola da urna 3} A = {sair bola azul}

P(A) = P(B
1
) . P(A,B
1
) + P(B
2
) . P(A,B
2
) + P(B
3
) . P(A,B
3
)

( )
65
20
B P
1
=

( )
65
15
B P
2
=

( )
65
30
B P
3
=


1
4
P AB
20
| |
|
|
\
=
( )
15
5
B A P
2
=

( )
30
3
B A P
3
=


20 4 15 5 30 3 12
P(A) . . .
65 20 65 15 65 30 65
= + + =



52

Exemplo 18 (Aplicao do teorema de Bayes):
No exemplo anterior sabendo-se que foi retirada uma
bola, verificou-se ser azul. Qual a probabilidade de ter vindo
da urna 1 ?
( ) ? A B P
1
=

1 1
1
P B P A B
20/65 .(4/20)
4
P B A
12 P(A) 12/65
| |
| |
| |
|
|
| |
| |
\
\ \
|
|
\
= = =
Nesse caso particular, outra maneira de se calcular a
probabilidade sem usar o teorema de Bayes, seria:
Nmero de bolas azuis de cada urna
1
a
. Urna 2
a
. urna 3
a
. urna
4 5 3

A Tabela mostra as bolas azuis de cada urna, j que a
probabilidade de ter saido bola de outra cor zero (saiu uma
azul e no se sabe de qual urna). Ento a probabilidade
pedida
1
4 4
P B A
4 5 3 12
| |
|
|
\
= =
+ +

53
O problema que nem sempre fcil calcular P(B
i
,A)
da ltima forma acima. Ento mais fcil se usar o teorema
de Bayes.
1.8.3 Eventos Independentes.

Dois eventos A e B de uma experincia aleatria so
ditos estatisticamente independentes quando a ocorrncia de
um no afeta a ocorrncia do outro e isso leva seguinte
relao: p(AB) = p(AB) = p(A) p(B).

Isto tambm implica que: p(A,B) = p(A) e p(B,A) = p(B)
Por outro lado sabe-se que se dois eventos so mutuamente
exclusivos, isto , AB = , ento p(AB) = p(AB) = 0.

Logo, numa experincia aleatria simples se A e B so
mutuamente exclusivos, eles no podem ser independentes e
vice-versa.
No se deve confundir eventos mutuamente exclusivos com
eventos independentes em experincias aleatrias
compostas.
54
Exemplo 19: Lana-se um dado no tendencioso duas vezes
(duas realizaes da mesma experincia aleatria).
Dados os eventos:
A = {sair nmero menor que 3 no 1
o
lance}
B = {sair um nmero maior que 4 no 2
o
lance}.
Calcule p(AB)
claro que se pensarmos nos conjuntos A e B
desassociados dos lances do dado, vemos que AB = .
Dessa forma poderamos pensar que p(AB) = 0. Isso seria
verdade se fosse no mesmo lance. Como so em lances
diferentes, os conjuntos so independentes e p(AB) 0.

Podemos generalizar a independncia para diversos
eventos:

Se A, B, C, ... so independentes, ento:

p(ABC...) = p(A) p(B) p(C) ...

ou ainda: p(A,BCD...) = p(A) p(B,ACD...) = p(B), etc.

55
2. Varivel Aleatria (v.a.)


2.1 Definio

Nem sempre o espao amostra S numrico. Ento
associam-se nmeros aos elementos de S por uma relao X
qualquer biunvoca. Logo, tem-se a seguinte definio para
varivel aleatria:
a transformao do espao amostral no numrico ou
mesmo numrico em um espao amostral numrico atravs
de uma transformao qualquer que leva um evento
elementar de S a somente um evento elementar do novo
espao amostral X. Os eventos de S e os correspondentes
de X (varivel aleatria) obtidos pela funo biunvoca so
chamados de eventos equivalentes. Eventos equivalentes tm
iguais probabilidades. O espao amostra da varivel
aleatria tem como notao R
X
. Obtm-se ento atravs
dos eventos equivalentes a probabilidade de cada evento de X
56
e cuja notao p(X=x) ou P(X=x) ou Prob(X=x),
significando a probabilidade da varivel aleatria X ser igual
e um valor numrico especfico x.













Exemplo:
Lanamento de uma moeda no tendenciosa:
S = (Cara, Coroa)
S

R
X
A

B

Figura 2.1 Transformao do espao amostra S em um novo espao amostra da
varivel X, chamada de varivel aleatria. O evento A de S equivalente ao evento
B de X. Nesse caso, Prob(B) = Prob(A).
57
Faz-se, por exemplo, x = 0 para Cara e
x = 1 para Coroa
Logo, temos os seguintes eventos equivalentes:
{sair cara} {x = 0} {sair coroa} {x = 1}
e dessa forma, temos:
p(sair cara) = p(X = 0) p(sair coroa) = p(X = 1)
{ } 0,1 R
x
= ( )
2
1
0 x p = = ( )
2
1
1 x p = =
Quando o espao S numrico, a v.a. vem da prpria
experincia aleatria original.

Exemplo: Experincia aleatria = lanamento de um
dado no tendencioso. Logo, S = {1, 2, 3, 4, 5, 6}
Fazendo-se os eventos elementares de X equivalentes aos
eventos elementares de S, tem-se:
R
x
= {1, 2, 3, 4, 5, 6}
1
p(X i) i 1 , 2, , 6
6
= = = L
No exemplo acima do lanamento de um dado,
poderamos definir outro relacionamento entre os eventos
elementares de S e os de X como por exemplo, definir os
58
eventos elementares de X como sendo obtidos pela
exponencial dos valores de S. Porm nesse caso,
descaracterizaramos a experincia aleatria do lanamento
de um dado como sendo a varivel aleatria. Ou seja,
teramos outra v.a.

Neste ponto para ser matematicamente mais preciso
seria necessrio definir o espao de Borel. Essa necessidade
vem do fato que: tendo-se um espao amostra pertencente aos
reais e a esse conjunto atribuiu-se uma medida de
probabilidade ento, todas as operaes com conjuntos de
eventos tambm tero uma medida de probabilidade? O
conjunto de Borel e a medida de Borel (medida associada aos
elementos do conjunto de Borel) mostram que a medida de
probabilidade que satisfaz aos axiomas da probabilidade
definidos anteriormente, garantem a atribuio de
probabilidades aos eventos obtidos por quaisquer operaes
com conjuntos.



59



2.2 Variveis aleatrias discretas:
Tem-se um espao amostra X discreto, podendo ter um
nmero finito ou infinito de eventos elementares e com uma
funo de probabilidade p(x)
p
X
(x) = Prob(X=x) = p(x) ( ) i 1, x p
i
i
=

Seguem-se as definies de algumas variveis aleatrias
discretas com seus espaos amostras e suas respectivas
funes de probabilidade.

p(x
0
) (x- x
0
)
x
0

p(x)
p(x
1
) (x- x
1
)
p(x
k
) (x-x
k
)
0 x
1
x
k

. . .
x
60
2.2.1 Distribuio Uniforme Discreta de parmetro N
A varivel aleatria que aps a realizao da experincia
aleatria pode assumir um entre N valores dita uniforme
quando todos os valores so equiprovveis. Nesse caso sua
funo de probabilidade dada por:
1
p(X k) k 1, 2,...N
N
= = = X={1, 2, 3, ... N}
Exemplo: X uniforme para o espao amostra X={-2, -1,
0, 1, 2}


2.2.2 Distribuio de Bernoulli
Seja um evento A qualquer de uma experincia
aleatria. A varivel aleatria assume o valor 1 caso o evento
0,2 (x+2) 0,2 (x+1) 0,2 (x) 0,2 (x-1) 0,2 (x-2)
-2 -1 0 1 2 x
p(X)
61
ocorra, ou seja, caso haja sucesso; e a varivel aleatria
assume o valor 0 caso haja fracasso. A probabilidade do
evento A ocorrer p e de no ocorrer 1-p = q. A essa
varivel aleatria denomina-se de distribuio de Bernoulli.
X = {0 , 1} p(X=1) = p p(X=0) = q








0 1 x
q (x)
p (x-1)
62
2.2.3 Distribuio Binomial de parmetros N e p
Seja uma experincia aleatria com espao amostra S
e um evento A de S. Considere N repeties dessa
experincia onde p(A) = p permanece constante durante as
N repeties. Define-se a v.a. X como o nmero (k) de
vezes que A ocorre nas N repeties. Diz-se que X tem
distribuio Binomial com parmetros N, p e com funo
de probabilidade dada por:

k - N k k
N
p) - (1 p C k) p(X = = para k = 0, 1, 2, ...,N

Espao amostra: X = {0,1,N}
A distribuio Binomial a repetio N vezes da
distribuio de Bernoulli, onde a cada sucesso do evento A,
conta-se 1 ponto e quando houver fracasso, no se conta
ponto (0 pontos).
Exemplo: Tem-se uma moeda viciada de tal forma que
Prob(cara) = 1/3 e Prob(coroa) = 2/3. Lanando-se essa
63
moeda 10 vezes, qual a probabilidade de sair somente 3 caras
nos 10 lanamentos? Resposta:
3 10 3
3
10
1 2
C
3 3

| | | |
| |
\ \

Clculo da probabilidade p(X=k):
Tem-se uma experincia aleatria e um evento A dessa
experincia, com probabilidade p(A) = p. Repete-se N vezes
a experincia e p(A) permanece constante nas N repeties.
Qual a probabilidade de A ocorrer k vezes, sendo 1 k N
?
O evento A pode ocorrer nas k primeiras vezes e nas
demais vezes, no ocorrer. Tambm pode ocorrer na 1
a
vez,
no ocorrer na 2
a
vez e ocorrer nas k-1 vezes posteriores e
enfim, por diversas outras possibilidades, desde que o total de
vezes que A ocorra seja igual a k. Temos ento a seguir uma
das maneiras de A ocorrer: A...A...AA...A...A

1424314243
k vezes N k vezes

64
A probabilidade desse agrupamento dada por:
p
k
(1-p)
N-k

As demais maneiras de ocorrncia so permutaes do
grupamento acima, logo o nmero total de vezes em que A
ocorre dado por:
k, N-k
N
PR , que nesse caso particular dado
por:
k N-k
N N
C C = . Ento a probabilidade de A ocorrer k vezes
num total de N vezes (0 k N), dada por:
P(A) p onde p) - (1 p C k) P(X
k - N k k
N
= = =
A distribuio chamada de Binomial pois vem do binmio
de Newton:
N
N k k N k
N
k 0
(a b) C a b

=
+ =

No caso temos p, a probabilidade do evento A ocorrer e a
probabilidade de A no ocorrer (1-p). claro que
65
p + (1-p) = 1 Normalmente faz-se q = (1-p) por
simplificao, isto , p() = 1-p = q Ento:

N
N k k N k
N
k 0
(p 1 p) 1 C p (1 p)

=
+ = =

Grfico da distribuio Binomial de parmetros N e p:
p(x) = Prob(X=k) k = 0,1, 2, N

Exemplos de grficos da distribuio Binomial:


66
a) N=10 p=0,1




b) N=50 e p=0,5







0 1 2 3 4 5 6 7 8 9 10
0
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4

0 5 10 15 20 25 30 35 40 45 50
0
0.02
0.04
0.06
0.08
0.1
0.12

0 5 10 15 20 25 30 35 40 45 50
0
0.02
0.04
0.06
0.08
0.1
0.12
Grfico idntico ao anterior colocado como funo contnua
67
c) N=50 e p=0,8



d) N=50 e p=0,05








0 5 10 15 20 25 30 35 40 45 50
0
0.05
0.1
0.15
0.2
0.25
0.3
0.35

0 5 10 15 20 25 30 35 40 45 50
0
0.02
0.04
0.06
0.08
0.1
0.12
0.14
68
2.2.4 Distribuio de Poisson de parmetro
A v.a. tem distribuio de Poisson quando sua funo de
probabilidade dada por

k -
p(X k)
k
e

= =
!
k=0,1
Espao amostra: X = {0,1} = {inteiros 0 }
O parmetro define o nmero mdio de eventos
que acontecem por unidade de tempo, como por exemplo: o
nmero mdio de partculas eltricas que so emitidas por
uma substncia radioativa; o nmero mdio de chamadas
para uma central telefnica, etc. Todos esses fenmenos e
diversos outros, podem ser modelados por uma distribuio
de Poisson.
Exemplos de grficos da distribuio de Poisson:
69
a) = 0,5






b) =20





0 5 10 15 20 25 30 35 40 45 50
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7

0 5 10 15 20 25 30 35 40 45 50
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7

0 5 10 15 20 25 30 35 40 45 50
0
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
70
c) =10







2.2.5 Distribuio de Poisson como limite da Binomial:
quando N e p 0
Vantagem: mais fcil calcular os valores de Poisson do que
os da Binomial com N muito grande pois esta envolve o

0 5 10 15 20 25 30 35 40 45 50
0
0.02
0.04
0.06
0.08
0.1
0.12
0.14

0 5 10 15 20 25 30 35 40 45 50
0
0.02
0.04
0.06
0.08
0.1
0.12
0.14
71
clculo de fatoriais. Em alguns casos, como ser visto
adiante, a Binomial pode tambm ser aproximada por uma
distribuio contnua, chamada de Gaussiana.
Mostrao:
Na distribuio Binomial temos:

k k N-k
N k
p(X k) p = C p (1-p) = =
o termo anterior :
k-1 k-1 N-k+1
N k-1
p = C p (1-p)
Dividindo-se um termo pelo outro, tem-se:




k N k
k
k 1 N k 1
k 1
N!
p q
p
(N k)! k!
p
N!
p q
(N k 1)! (k-1)!

=
+

Simplificando-se chega-se a
k k-1
(N-k+1) p
p = p
q
k


72
Faamos = N p e tal que N e p 0
de modo que a indeterminao dada por N. p ( . 0 =

)
leva a um valor de finito.
Substituindo-se N p = , obtem-se:

k k-1 k-1
( - k + )
(N p - k p+p)
N N
p = p p
k (1-p)
k (1 - )
N

=




k k-1
N
( - k + )
N N
p = lim p
k (1 - )
N

k k-1
p = p
k

Para o termo k = 0, temos:
0 0 N
N 0
p = C p (1-p)
N N
0
N N N
-

lim p = lim (1-p) = lim (1- ) = e

N



73
Logo,
1 0
p = p
1

2 1
p = p
2

3 2
p = p
3

multiplicando-se
. membro a membro
.
. obtm-se:

k k-1
p = p
k

k
k 0

p = p
k!

Logo:
k
-
k

p = e
k!
que distribuio de Poisson

Exemplos dos grficos da Binomial e da Poisson:

74
a) Binomial com N=10000 p= 0.003:


Poisson com = N.p = 30:



A seguir, programa em Matlab para clculo da distribuio
Binomial feito de duas maneiras.
clear all; close all;
x=0.0:1.0:30; y=BINOPDF(x,10000,0.003); soma=0.0;
for i=1:31 soma=soma+y(i); end;
figure plot(x,y); figure stem(x,y);
soma somadireta=0.997^10000; fato=1.;
for k=1:30
0 10 20 30 40 50 60 70 80 90 100
0
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08

0 10 20 30 40 50 60 70 80 90 100
0
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
75
fato=fato*(10000-k+1)/k;
termo=(fato*0.003^k)*0.997^(10000-k);
somadireta=somadireta+termo;
end;
somadireta
Grfico obtido do Matlab:




Valores obtidos: soma = 0,5484 somadireta = 0,5484

2.2.6 Distribuio Geomtrica com parmetro p
0 5 10 15 20 25 30
0
0.0
1
0.0
2
0.0
3
0.0
4
0.0
5
0.0
6
0.0
7
0.0
8
76
Seja uma experincia aleatria com espao amostra S e um
evento A de S. Considere N repeties dessa experincia
onde p(A) = p permanece constante durante as N repeties.
Define-se a v.a. X como o nmero de repeties necessrias
at que o evento A ocorra. Diz-se que X tem distribuio
Geomtrica com parmetro p e com funo de
probabilidade dada por: P(X=k) = p (1-p)
k-1
= p q
k-1
onde
q = 1- p Espao amostra: X = {1,2,} = {inteiros 1}
Exemplo p = 0,1


A distribuio geomtrica chamada de distribuio sem
memria, pois
Prob(X > s+t / X > s) = Prob(X > t)

0 10 20 30 40 50 60 70 80 90 100
0
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
0.1
77
onde s e t so inteiros
Mostrao:
P{X > s+t e X > s} P{X > s+t }
P{X > s+t / X > s} =
P{X > s} P{X > s}
=


s+t
k-1
t
k=s+t+1
s
k-1
k=s+1
q
p q
1-q
= = q
q
p q
1-q

Porm
t
k-1 t
k=t+1
q
p q p = q = p{X > t}
1-q

Logo P{X > s+t / X > s} = P{X > t}
2.2.7 Distribuio de Pascal com parmetros p, r e k
Seja uma experincia aleatria com espao amostra S e um
evento A de S. Considere repeties dessa experincia
78
onde p(A) = p permanece constante durante essas repeties.
Define-se a v.a. X como o nmero k de repeties
necessrias at que o evento A ocorra r vezes. Diz-se que
X tem distribuio de Pascal com parmetros p, r, e k
sendo sua funo de probabilidade dada por:

r - k r 1 - r
1 - k
p) - (1 p C k) P(X = = k r
Essa distribuio uma de generalizao da distribuio
geomtrica. Exemplos de possibilidade de acontecer o
evento A ocorrer em r vezes:

Espao amostra: X = {r, r+1, r+2,}
++...+ , -++...+, +-++...+, ... ++-++...+, ... etc

r vezes r vezes r-1 vezes r-2 vezes
k = r k = r + 1 k = r + 1 k = r + 2

79
Exemplos de grficos da distribuio de Pascal: p = 0,2 ; 0,5
e com r = 10.
80
2.2.8 Distribuio Hipergeomtrica com parmetros r, N e
n.
Tem-se um espao amostra com N elementos e um
conjunto A desse espao amostra com r elementos sendo
ento, N-r elementos de caracterstica A. A varivel
aleatria tem distribuio hipergeomtrica quando
escolhemos k elementos do conjunto A e n-k elementos
do conjunto A, perfazendo um total de n elementos
retirados. Desejamos obter a probabilidade desse evento. A
distribuio hipergeomtrica tem como funo de
probabilidade a seguinte expresso:

n
N
k - n
r - N
k
r
C
C . C
k) P(X = =
Espao amostra: X = {0,1,2,t}
81
t = r se n r
onde
t = n se n r

Exemplo de aplicao da distribuio hipergeomtrica:
Um grupo de pessoas formado por 6 mulheres e 4
homens. Deseja-se formar comisses de 5 pessoas. Qual a
probabilidade de que estas comisses sejam formadas por 3
mulheres e dois homens ? (Independentemente de quem
sejam as pessoas e que ordem elas sejam escolhidas, ou seja,
est se supondo que as comisses s dependam de quem
foram os escolhidos).
Neste exemplo vamos supor que todas as comisses
possveis de serem formadas so equiprovveis. Temos que:
82
r = 6 N = 10 n = 5 Dessa forma, k pode variar de k =
0 at k = 5. No caso queremos k = 3, logo calculamos a
probabilidade por:

3 2
6 4
5
10
C C
Prob =
C


2.2.9 Distribuio Binomial como limite da
Hipergeomtrica:
quando N e r
Da hipergeomtrica temos:

k n-k
r
N-r
n
k
N
C C
p(X k) p =
C
= =
Dividindo-se dois termos consecutivos, obtemos:
83

k
k-1


p
= =
p

k n-k
r
N-r
n k n-k
r
N N-r
k-1 n-k+1 k-1 n-k+1
r r
N-r N-r
n
N
C C
C C C

C C C C
C
=

(N r)!
r!

k! r k ! (n k)! N r n k !

(N r)!
r!

(k 1)! r k 1! (n k 1)! N r n k 1!

| | | |
| |
| |
\ \
| | | |
| |
| |
\ \

+ + +
=

ou seja
k
k-1
p
r-k+1 n-k+1

p
k (N-r-n+k)
=
Faamos p = r / N, onde N e r de modo que a
indeterminao r / N leva a um valor de p finito. Ento,

k
k-1
N
p N p - k + 1 n - k + 1

p k (N - N p - n + k)
lim

=
Obtemos ento a seguinte expresso aps o clculo do limite:
84

k
k-1
p p n-k+1
p (1-p) k
=
ou seja,
k k-1
p n-k+1
p p
(1-p) k
=
Coloquemos os termos p
k
em funo dos p
k-1
desde k = 1
at k = k, e a seguir multipliquemos membro a membro as k
equaes obtidas.
Logo,
1 0
n p
p = p
1 q


2 1
n-1 p
p = p
2 q
multiplicando-se

3 2
n-2 p
p = p
3 q
membro a membro
. obtm-se:
85
.
k
k 0
k
n(n-1)...(n-k+1) p
p = p
k! q


k k-1
n-k+1 p
p = p
k q


Clculo de p
0
: O valor de p
0
ocorre quando escolhemos
todos os n elementos com caracterstica . Como r e
N, N-r tambm tende para infinito tornando o espao
amostra N-r infinito e contvel, pois estamos retirando
valores discretos. Dessa forma, para um valor n finito, o
valor de p praticamente no se altera medida que vamos
retirando n eventos do tipo . Dessa forma, com p
constante, a probabilidade de no se obter nenhum evento do
tipo A, ou seja, todos eventos do tipo , em n realizaes
ser :
86
p
0
= (1-p)
n
= q
n

Ento finalmente obtemos:
k
n
k
k
n(n-1)...(n-k+1) p
p = (1-p)
k! q
ou ainda
k
n k k n-k
k n
k
n! p
p = (1-p) = C p (1-p)
(n-k)! k! q

que a expresso da distribuio Binomial.
Exemplo: Clculo da Hipergeomtrica com
r = 5000, N = 10050 e n=100:
O clculo direto usando a funo HYGEPDF do Matlab
resulta no seguinte grfico:




87
O clculo usando a funo BINOPDF do Matlab resulta no
seguinte grfico:




2.2.9 Distribuio Multinomial
Seja uma experincia onde o espao amostra X constitudo
dos eventos X
1
, X
2
, X
3
, ... , X
k
. Todos esses eventos so
disjuntos e formam uma partio do espao amostra.
Suponha que a experincia aleatria repetida N vezes.
A distribuio da varivel aleatria nmero de vezes que X
1

ocorreu nas N repeties conjuntamente com o nmero de

88
vezes que X
2
ocorreu nas N repeties e o nmero de vezes
que X
3
ocorreu nas N repeties e etc, at o nmero de vezes
que X
k
ocorreu nas N repeties tem distribuio
multinomial.
A varivel aleatria X multinomial tem funo de
probabilidade dada por:

1 2 k
n n n
1 1 2 2 k k 1 2 k
1 2 k
N!
p(X n , X n ,...X n ) p p ...p
n !n !...n !
= = = =
Um possvel agrupamento seria como mostrado na figura
abaixo:
onde
k k
i i
i 1 i 1
n N e p 1
= =
= =


p
i
= Prob{X = x
i
} = constante nas N repeties da
experincia aleatria. Essa varivel aleatria pode ser vista
como uma v.a. k - dimensional.
X
1
X
1
... X
1
X
2
X
2
... X
2
. . . X
k
X
k
...X
k


n
1
vezes n
2
vezes n
k
vezes

89
2.2.10 Distribuio Binomial Negativa de parmetros
k, r e p
Seja uma experincia aleatria com espao amostra S
e um evento A de S. Considere N repeties dessa
experincia onde p(A) = p permanece constante durante as
N repeties. Define-se a v.a. X como o nmero de vezes k
que A ocorre (nmero de sucessos de A) nas N repeties,
antes de ocorrer r falhas de A. Diz-se que X tem
distribuio Binomial Negativa com parmetros k, r e
p (onde N = k + r) e com funo de probabilidade
dada por:
k k r
k+r-1
p(X k) C p (1-p) = =
para k = 1, 2, ... N-r r = 1, 2, 3, ... e com N = k+r >
0
Espao amostra: X = {1, 2, 3, }
Clculo da probabilidade p(X=k):
90
Tem-se uma experincia aleatria e um evento A dessa
experincia, com probabilidade p(A) = p. Repete-se N vezes
a experincia e p(A) permanece constante nas N repeties.
Qual a probabilidade de ocorrerem k sucessos de A, antes
da ocorrerncia r falhas de A ?
O evento A pode ocorrer nas k primeiras vezes e no
ocorrer nas r demais vezes . Tambm pode ocorrer na 1
a

vez, no ocorrer na 2
a
vez e ocorrer nas k-1 vezes posteriores
seguido de r-1 falhas e enfim, por diversas outras
possibilidades, desde que o total de vezes seja igual a k + r.
Temos ento algumas maneiras de ocorrncia:
1
A...A...AA...A...A A...A...AAAA...A...A
A...A...AAAA...A...AAA

+
1424314243 142431442443
14444244443
k vezes r vezes k vezes
r vezes A
k r vezes
ou ou

91
Pode ocorrer qualquer agrupamento contendo o
aparecimento de A em k posies e A aparecendo r vezes,
sendo necessariamente que na ltima posio de qualquer
agrupamento tem que aparecer A, pois seria a ltima falha
aps os k sucessos de A.
A probabilidade de qualquer desses agrupamentos dada
por: p
k
(1-p)
r

As ocorrncias so permutaes de qualquer
agrupamento acima, sendo que o ltimo no pode ser
permutado, ou seja, tem que permanecer A. Logo o nmero
total de vezes em que isso ocorre dado por:
k, r-1
k+r-1
PR , que
nesse caso particular dado por:
k k r-1 r-1
k+r-1 N-1 k+r-1 N-1
C C C C = = = .
Ento a probabilidade de A ocorrer k vezes, A ocorrer r-1
vezes e de A ocorrer na ltima posio, dada por:

k k r
k+r-1
P(X k) C p (1-p) onde p P(A) = = =
ou pode ser escrita semelhante a distribuio binomial:

k k N-k
N-1
P(X k) C p (1-p) onde N k r = = = +
92
Exemplo: Faamos k variar de 0 a 100, com r = 3 e p = 0.9
Usando o Matlab podemos fazer os grficos da funo
densidade de probabilidade e da funo acumulada dessa
distribuio. Para tal usamos o seguinte programa:
x=(0:100); y=nbinpdf(x,3,0.1); figure; stem(x,y); figure;
z=nbincdf(x,3,0.1); stem(x,z) Note que no matlab usamos
como parmetro, o valor de q = 0,1 = 1 p


93
2.3 Variveis aleatrias contnuas:
Neste caso no tem sentido em se falar em probabilidade
de um nico valor, pois,
nmero de casos favorveis 1
P(X um valor qualquer ) 0
nmero de casos possveis
= = =

Existe ento uma funo f
X
(x) chamada de funo
densidade de probabilidade tal que:


b
X
a
P(a X b) f (x) dx < =


Restrio sobre f
X
(x):



f
X
(x) negativa em (a,b)

94

f
X
(x) no pode ter valores negativos, pois seno aconteceria
X
P(a X b) f (x)dx
b
a
< =

< 0 o que no faz sentido.

Alm disso, essa funo deve satisfazer a seguinte relao:

X
f (x) dx 1 100%

= =

A funo densidade de probabilidade d a medida de
chance de um determinado evento por unidade do que se est
avaliando. Como exemplo, suponhamos que temos um sinal
de tenso eltrica, o qual no podemos expressar a sua forma
de onda atravs de uma frmula fechada. Por exemplo, no
f(x)
0
x
f(x) 0 x IR
95
grfico a seguir temos uma forma de onda que no tem uma
expresso fechada de sua variao ao londo do tempo, um
sinal aleatrio.

Podemos expressar a sua funo chance de eventos por
unidade de Volts, ou seja, a probabilidade da tenso em
qualquer instante de tempo estar entre dois nveis quaisquer
de voltagem especificados. A sua funo densidade de
96
probabilidade, a qual est desenhada sobre o histograma do
sinal, mostrada a seguir.


Seguem-se as definies de algumas variveis aleatrias
contnuas com seus espaos amostras e as respectivas
funes densidade de probabilidade:

97
2.3.1 Distribuio Uniforme com parmetros a, b
A v.a. tem distribuio de Uniforme quando sua funo
densidade de probabilidade constante no intervalo onde
definida essa varivel aleatria e dada por
f
X
(x) = c onde c = 1 / (b-a) b > a e
c a constante que vale o inverso do tamanho do
intervalo.
Diz-se que X uniformemente distribuda no intervalo (a,b).
X
1
X (a,b)
(b-a) f (x) =
0 X (a,b)

f(x)
c

x
0 a b

98
uma distribuio similar a:
No. casos favoraveis
No. casos possveis

pois a Prob(c < X < d) =
d
c
(d-c) 1 Tamanho do intervalo de c at d
dx =
(b-a)
b-a Tamanho total do intervalo = b-a
=

Aplicaes da distribuio uniforme:
Seja a experincia que consiste na escolha aleatria de
um nmero num dado intervalo (a,b). A distribuio de
probabilidade da varivel aleatria X = {nmero
escolhido no intervalo dado} tem distribuio uniforme
nesse intervalo.
Constantemente processamos sinais que so analgicos,
como sinais digitais. Para isso necessitamos converter o
sinal analgico em digital passando-o atravs de um
conversor analgico digital (conversor A/D). O perodo
de amostragem deve satisfazer taxa de Nyquist do
99
sinal. Caso o nmero de nveis significativos (nmero
de nveis quantizados da amplitude) em que esse sinal
transformado for maior que um dado valor
(normalmente 64 nveis, ou seja, 6 bits), ento a
variao do sinal analgico entre dois nveis de
quantizao consecutivos obedece a uma distribuio
uniforme, conforme mostrado na figura a seguir.






Volts
n (n+1)
Prob./
Volts
1/
Figura da Prob da variao da tenso entre dois intervalos consecutivos; n=0, 1, 2, etc.
100
2.3.2 Distribuio Gaussiana ou Normal
com parmetros m e
2

A v.a. tem distribuio de Gaussiana ou Normal quando sua
funo densidade de probabilidade dada por:
2
2
(x-m)
-
2
X
1
f (x) = e
2
x IR onde
2
=



A distribuio Normal tem uma importncia fundamental em
diversas reas da cincia, ou seja, muitos fenmenos fsicos
so modelados como distribuio Normal. Isso se deve na
maioria dos casos propriedade da normalidade da soma de
um nmero grande de variveis aleatrias independentes,
conforme ser visto mais adiante atravs do teorema do
limite central.


101
Exemplos a) m = 50
2
= 9




b) m = 50
2
= 100



c) m = 50
2
= 225





102
Observaes:
1. A distribuio Normal comumente utilizada entre os
limites da varivel X de m - 3 a m + 3 onde a
probabilidade entre esses dois limites de 99,74%.
2. Em alguns casos a variao de X pode exceder esses
limites como o caso do clculo da probabilidade de
rro na transmisso digital de smbolos. No caso
transmisso digital, como a probabilidade de rro
assume valores da ordem de 10
-3
ou inferior, usa-se uma
funo especfica para se obter a probabilidade desses
valores que a funo erro (erf ) ou ento usa-se a
funo erro complementar (erfc).
Exerccios de clculo de probabilidade usando a distribuio
Normal:
A v.a. X
1
normal de mdia 0 e varincia 1, isto ,
N(m = 0,
2
= 1), calcule:
Prob(0< X
1
<1); Prob(0< X
1
<2); Prob(0< X
1
<3) ;
103
Prob(0< X
1
<4) ; Prob(0< X
1
<5) ; Prob(-1 < X
1
< 0)
;
Prob(-2< X
1
<0); Prob(-1< X
1
<0); Prob(-2 < X
1
< 0) ;
Prob(-2 < X
1
< 2) ; Prob(-1 < X
1
< 2) ;
2) A v.a. X
2
N(m = 5,
2
= 16), calcule:
Prob(1 < X
2
< 9) ; Prob(1 < X
2
< 13) ;

104
2.3.3 Distribuio Normal como limite da Binomial
Na distribuio Binomial (N,p) possvel aproxim-la
pela distribuio Normal quando N e p tem um valor
qualquer finito. Nesse caso uma distribuio discreta
aproximada por uma contnua, ou seja, a distribuio
Binomial fica muito densa e a probabilidade da varivel
Binomial estar entre dois inteiros aproximadamente igual a
105
probabilidade da Normal ficar no intervalo contnuo desses
mesmos inteiros.


O procedimento fazer a mdia e a varincia da distribuio
Normal iguais mdia e varincia da distribuio Binomial,
106
ou seja, a mdia e a varincia da Binomial obtida da
seguinte maneira:
m = N.p
2
= N.p.(1-p) = N.p.q
Exemplo: A v.a. X Binomial (N=1000, p=0,2) calcule a
probabilidade 0 X 188.
Cculo direto :
188
k k 1000 k
1000
k=0
Prob(0 X 188) = C 0, 2 0,8

=

0,1820
Clculo pela Normal: X
2
X
1
X
2
= N(m=200,
2
=160)
Prob(-0,5 X
1
188,5) = Prob(-15,85 X
2
- 0,909155)
onde X
2
N(0,1) Prob(X
2
- 0,90) = 0,1841 e
Prob(X
2
- 0,91) = 0,1814 logo
Prob(-15,81X
2
-0,909155) Prob(X
2
-0,909155) = 0,1816
(valor obtido pela interpolao entre 0,1841 e 0,1816
Erro encontrado usando a Normal = 0.0004 ou seja, de
0.22%
107


A seguir so mostrados os grficos das distribuies
Binomial e Normal do exemplo.
108
109
A seguir o programa em Matlab para fazer estes clculos
assim como o grfico da Binomial.
clear all;
close all;
% Clculo usando a distribuio de probabilidade do Matlab
x=0.0:1.0:188;
y=BINOPDF(x,1000,0.2);
soma=0.0;
for i=1:189
soma=soma+y(i);
end;
figure
plot(x,y);
figure
stem(x,y);
soma
% Clculo da prob. usando fatoriais
somadireta=0.0;
110
fatorial=1.
for k=1:188
fatorial=fatorial*(1000-k+1)/k;
termo=(fatorial*0.2^k)*0.8^(1000-k);
somadireta=somadireta+termo;
end;
somadireta
Resultado: soma = somadireta = 0,1820








0 20 40 60 80 100 120 140 160 180 200
0
0.00
5
0.0
1
0.01
5
0.0
2
0.02
5
111
2.3.4 Distribuio Exponencial com parmetro a
A v.a. tem distribuio de Exponencial quando sua
funo densidade de probabilidade dada por
X
-ax
f (x)=a com x>0 e a >0 e
ou como aparece em alguns livros:

x
b
X
e
f (x) com x 0 e b 0
b

= > >
A distribuio Exponencial chamada distribuio contnua
sem memria, pois
Prob(X> s+t , X> s) = Prob(X> t)
onde s e t so reais quaisquer

112
2.3.5 Distribuio Gama com parmetros a, p



Funo Gama:

A integral
p p 1 a.x p 1 x
0 0
(p) a x e dx x e dx


= =


conhecida como funo Gama. O grfico de (p)
mostrado a seguir:
Propriedades de (p):
1. (p) converge para p > 0.
2. (1) =1
3. (p+1) = p (p)
4. Se p inteiro, ento: (p) = (p-1)!
-5 -4 -3 -2 -1 0 1 2 3 4 5
-15
-10
-5
0
5
10
15
20
25
(p)
p
113
5. Da relao (p) = (p+1) / p , extende-se o conceito
para p < 0 e obtm-se o grfico acima para p < 0.
6.
1
( )
2
=
7. Se n inteiro:
n
1.3.5...(2n 1) 1
(n )
2
2

+ =
8. Se n inteiro e par:
n/ 2
1.3.5...(n 1) n 1
( )
2
2
+
=
A varivel aleatria X tem distribuio Gama (a,p) se sua
funo densidade de probabilidade dada por:

p
p 1 a.x
X
a
f (x) x e x > 0
(p)

=


onde a e p so parmetros da distribuio e (p) a
funo Gama.
















114
2.3.6 Distribuio Qui-quadrado -
2
com
parmetro n

um caso particular da distribuio Gama quando
a = 1 / 2 e p = n/2, sendo n um inteiro. A funo
densidade dada por
n x
1
2 2
X
n
2
1
f (x) x e x > 0
n
2 ( )
2

=

O ndice n da
2
conhecido como grau de liberdade.
Grfico da
2
:

















0 1 2 3 4 5 6 7 8 9 10
0
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4
0.45
0.5
0
1

2

3

4

5

6

7

8

9

10

0

0.05

0.1

0.15

0.2

0.25

0.3

0.35

0.4

0.45

0.5

n=2

n=3

n=4

n=5

n=10

n ? ? : Normal
n
2
Normal
115

Mais geral ainda, a distribuio
2
tem a seguinte
funo densidade de probabilidade:

2
x
n
1
2 2
X
n
n
2
1
f (x) x e x 0 e 0
n
2 ( )
2

= > >


onde n inteiro.

Observaes:
1. Quando = 1, obtm-se a distribuio anterior que
conhecida realmente como distribuio
2
.
2. Se Y tem distribuio Normal (m=0;
2
) e, sendo
X = Y
2
ento, a varivel aleatria X ter distribuio

2
com 1 grau de liberdade, isto , n = 1.
3. A distribuio
2
usada em estatstica quando se
deseja obter intervalos de confiana para a razo entre a
varincia verdadeira amostral S
2
de tamanho n e a
varincia da populao
2
, ou seja,
2
2
(n 1)S
2
n 1

(qui-quadrado com n-1 graus de
liberdade)








116


2.3.7 Distribuio Qui - com parmetros ,
n

Se uma varivel aleatria X tem distribuio
2
e se
fizermos
X
Y
n
= ento a varivel aleatria Y ter
distribuio A funo densidade de probabilidade da
distribuio

dada por:

2
2
n
2
n y
n 1
2
Y
n
n
2
2
f (y) y e y 0 e 0
n
( )
2
| |
|
\

| |
|
\
= > >



onde n inteiro.





2.3.8 Distribuio de Student com parmetro n (n
graus de liberdade)

A varivel aleatria X tem distribuio T de Student
com n graus de liberdade, quando sua funo densidade de
probabilidade dada por:


117

n 1
2
2
X
n 1
1 x 2
f (x) 1 x
n 2
n
2
+ | |

|
\
+
| |

|
| |
\
= +
|
|
| |
\

|
\

Quando n a distribuio de Student tende para a
Normal(0;1).

O grfico da distribuio de Student :

















Observaes:

1. Essa distribuio de probabilidade foi descoberta por
William Sealey Gosset usando o pseudnimo de
Student of Statistics.
-4 -3 -2
-1
0
1
2 3 4
0
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4
n = 1
n = 2
n = 100 Normal(0;1)
118
2. A distribuio T de Student usada em estatstica
quando se deseja obter intervalos de confiana para a
razo entre a mdia amostral de uma varivel aleatria
e sua varincia verdadeira amostral.



2.3.9 Distribuio F de Snedecor com parmetros
m, n

A varivel aleatria X tem distribuio F de Snedecor
com m graus de liberdade no numerador e n graus de
liberdade no denominador, quando sua funo densidade de
probabilidade dada por:


m
m 1
2
2
X
m n
2
m n
m x 2
f (x) x 0
m n n
m
2 2
1 x
n
| |

|
\
+ | |
|
\
+
| |

|
| |
\
= >
|
| | | |
\

| | | |
+ \ \
|
\



Obs.: A distribuio F de Snedecor muito usada em
estatstica quando se deseja obter intervalos de confiana
para a razo entre as varincias amostrais de duas amostras
independentes de uma mesma varivel aleatria.





119





















2.3.10 Distribuio de Cauchy ou distribuio de
Lorentzian
com parmetros ,


A varivel aleatria X tem distribuio de Cauchy com
parmetros , se sua funo densidade de probabilidade
dada por:


120

X
2
1
f (x) x 0
x
1
(
| |
(
|
(
\
(

= >

+




A distribuio T de Student coincide com a distribuio de
Cauchy, quando se coloca n = 1 na de Student e se
coloca = 0 com = 1, na distribuio de Cauchy.



2.3.11 Distribuio de Rayleigh com parmetro

A varivel aleatria X tem distribuio de Rayleigh se
sua funo densidade de probabilidade dada por:
2
2
x
2
X
2
x
f (x) e x 0 e 0

= > >

Na distribuio quando n = 2 e = 2 , temos a
distribuio de Rayleigh.
A figura a seguir mostra o grfico da distribuio de
Rayleigh com = 0,5



121
A distribuio de Rayleigh muito aplicada em
propagao de sinais eletromagnticos.
Quando um sinal se propaga ele pode produzir um sinal
principal, que normalmente o que se deseja obter, e pode
tambm produzir outros diversos sinais atrasados devido ao
fenmeno de multipercurso. Dessa forma, tem-se a soma de
um sinal principal e de componentes de multipercurso. A
relao entre a potncia do sinal principal e a potncia
devido a multipercursos chamada de fator de Rician K.
A funo densidade de probabilidade da envoltria da
combinao dos sinais conhecida como distribuio de
Nakagami-Rice ou por distribuio de Rician e dada por:

2
(1 K)x K
X 0
f (x) 2 (1 K) x e J 2 x K(K 1) x 0
(
+

(
= + + >


onde
cos(u)
0
1
J ( ) e du
2
+

funo de Bessel de 1
a

espcie de ordem zero.
0 0.5 1 1.5 2 2.5
0
0.2
0.4
0.6
0.8
1
1.2
1.4
122
Quando a componente principal zero, temos a
distribuio de Rayleigh.




2.3.12 Distribuio Beta com parmetros m, n


Funo Beta:

A integral
1
m 1 n 1
0
(m,n) x (1 x) dx

=

conhecida
como funo Beta.
simtrica em relao aos argumentos m e n:
(m,n) = (n,m)
Fazendo-se a transformao
2
x sen ( ) = tem-se a
integral
/2
2m 1 2n 1
0
(m,n) 2 (sen ) (cos ) d

que outra definio da funo beta
Fazendo-se a transformao
1
1 y
x
+
= tem-se a integral
n 1
m n
0
y
(1 y)
(m,n) dy

+
=

que outra definio da

funo beta
Pode-se mostrar que
(m) (n)
(m,n)
(m n)

=
+
onde (r)
a funo gama no ponto r.



123
A varivel aleatria X tem distribuio Beta com parmetros
m e n se sua funo densidade de probabilidade dada por:

a 1 b 1
1
f (x) x (1 x) 0 x 1
(a,b)

= < <

a e b so
inteiros positivos

Seguem-se alguns grficos da distribuio beta com:
a = 10 e b = 10; a = 10 e b = 5; a = 5 e b = 10.






















124



















125
2.3.13 Distribuio Log-Normal com parmetros
m,
2

Se a varivel aleatria X tem distribuio N(m,
2
)
ento a v.a. Y = e
X
tem distribuio log-normal, ou seja,
Ln(Y) tem distribuio

N(m,
2
). A funo densidade de
probabilidade de Y ser:

2
2
(Ln(y) m)
2
0
1
f (y) e y (0, ) m
y 2
+

> =



A distribuia lognormal tem aplicabilidade onde existe um
fenmeno aleatrio o qual resultante da multiplicao de
um grande nmero de variveis aleatrias independentes.
Nesse caso, conforme ser visto mais adiante atravs do
teorema do limite central, a soma dos logaritmos das
variveis tendem a se tornar uma varivel aleatria normal.


2.3.14 Distribuio Dupla Exponencial ou Laplace
com parmetros ,

A varivel aleatria X tem distribuio de Laplace
com parmetros , se sua funo densidade de
probabilidade dada por:


x
1
f (x) e 0
2

= >

126
2.3.15 Distribuio Logstica com parmetros ,

A varivel aleatria X tem distribuio de Logstica
com parmetros , se sua funo densidade de
probabilidade dada por:

1
f (x) x 0
x
1 exp
| |
|
|
|
|
\
= >

+


Obs.: A distribuio logistica foi descoberta por Pierre
Verhulst para caracterizar o aumento de populaes
(humanas ou no humanas).




2.3.16 Distribuio de Pareto com parmetros , x
0


A varivel aleatria X tem distribuio de Pareto com
parmetros , x
0
se sua funo densidade de probabilidade
dada por:

1
0
0 0
0
x
f (x) x (x , ) 0 x 0
x x
| |
|
|
|
\
+

= > >



127
2.3.17 Distribuio de Erlang com parmetros e n.

A varivel aleatria X tem distribuio de Erlang com
parmetros e n se sua funo densidade de
probabilidade dada por:

n 1
x 0 e n N
x
( x)
f (x)
(n 1)!
e

=


onde N o conjunto dos nmeros naturais 1, 2, 3 ...

Obs.: A distribuio de Erlang usada em telefonia e define
o tempo de espera de n eventos com distribuio de Poisson
de parmetro . A distribuio de Erlang um caso
particular da distribuio Gama quando se faz p igual a n,
inteiro.




2.3.18 Distribuio de Weibull

A varivel aleatria X tem distribuio de Weibull com
parmetros a e b se sua funo densidade de
probabilidade dada por:


b
b-1 - a x
f(x) = a b x e x > 0 a,b > 0

Obs.: A distribuio de Weibull foi estabelecida por
Waloddi Weibull, para modelar o tempo de durao de
128
componentes ou mquinas. Com b = 1, essa distribuio
se torna a distribuio exponencial.
2.4 Variveis aleatrias mistas:

So aquelas que tm parte discreta e parte contnua
como mostrado na figura a seguir.













Exemplo de varivel aleatria mista: Um sinal aleatrio X
tem como distribuio de probabilidade da sua excurso de
tenso, uma Normal de parmetros m = 0 e = 30 mVolt.
Esse sinal passa por um limitador de tenso tal que a saida
dada por:
1 x 1
y x 1 x 1
1 x 1
<

= < <

>

f(x)
0
x
x
0
x
1
p(x
0
) (x-x
0
)
p(x
1
) (x-x
1
)
a

b

1 dx f(x) ) p(x ) p(x
1 0

= + +
b
a


x y
129

Qual a distribuio da varivel aleatria Y ?
2
2
y
3
2
Y
1
f (y) e y ( 1, 1) e onde 30.10
2

= =



p(Y= - 1) = p(Y= 1) = 0,0039



2.5 Distribuio truncada

A distribuio de uma varivel aleatria dita truncada
quando a varivel tem uma distribuio de probabilidade
expressa por uma dada funo densidade de probabilidade,
de forma geral, uma distribuio conhecida, porm a
varivel aleatria s assume a dada distribuio num
intervalo. Fora desse intervalo, a varivel aleatria , por
exemplo, nula.

Exemplo: Para uma disciplina lecionada por um professor
ao longo de anos, verificou-se que as notas dos alunos
seguem uma distribuio Normal de parmetros m e
2

y
-1 0 1
f
Y
(y)
p(Y=1) (y-1) p(Y=-1) (y+1)
130
iguais respectivamente a 5,0 e 3,0. Escreva a expresso da
funo densidade de probabilidade dessas notas.

Resposta: Obviamente neste caso, a varivel aleatria nota
na disciplina no pode ser maior que 10 e nem menor que
zero. Ento, seja X a varivel aleatria cuja funo de
distribuio Normal (m=5;
2
=3), ento da tabela da
Normal vemos que a P( 0 X 10) 0,996135 Logo a
funo densidade da varivel aleatria Y Normal (m=5;
2
=3) vlida somente para y [0 , 10] igual a de X,
normalizada nesse intervalo e dada por:


2
2
(y 5)
2
Y
1 e
f (y) y [0 , 10]
0, 996135
2

=





Grfico resultante:

0 1 2 3 4 5 6 7 8 9 1 0
0 . 0
2
0 . 0
4
0 . 0
6
0 . 0
8
0 . 1
0 . 1
2
0 . 1
4
131
2.6 Varivel aleatria de duas ou mais dimenses
2.6.1 Definio:
Seja uma experincia aleatria e S seu espao amostra.
Sejam as funes X=X(s) e Y=Y(s), cada uma associando
um nmero real ao resultado s (s S). Denomina-se ao
par (X,Y) de uma v.a. bidimensional. Caso tenhamos vrias
funes de s, X
1
(s), X
2
(s), ... X
n
(s), teremos uma v.a. n-
dimensional (X
1
, X
2
,...,X
n
)

2.6.2 Definio de funo de probabilidade bidimensional
discreta (v.a. 2-D discreta):

Sendo (X,Y) uma v.a. discreta, associa-se a cada resultado
(x
i
,y
j
) i=1,... j=1,... um nmero p(x
i
,y
j
) para representar a
Prob{X=x
i
,Y=y
j
} e satisfazendo a:

1) p(x
i
, y
j
) 0 (x
i
,y
j
)
2)
i j
i j i j
x y
p(x , y ) 1 (x , y ) =

Esta funo p(x
i
,y
j
) chamada de funo de probabilidade
conjunta de X e Y.
132
Obs.: comum usar-se p
XY
(x,y) para se fazer a distino
entre as respectivas distribuies marginais p
X
(x) e p
Y
(y).

Exemplo:
p
X,Y
(x,y)
Y\ X 3 4 5
0 1 / 45 2 / 45 3 / 45
1 4 / 45 5 / 45 6 / 45
2 7 / 45 8 / 45 9 / 45


Dada a funo de probabilidade conjunta (X,Y) acima,
calcule a) Prob{X4 e Y1} b) Prob{X>Y+3}
Respostas: a) (2+3+5+6) / 45 b) (2+3+6) / 45

2.6.3 Definio de funo densidade de probabilidade
contnua (v.a. 2-D contnua):

Sendo (X,Y) uma v.a. contnua, associa-se uma funo f(x,y)
satisfazendo a:

133
1) f(x,y) 0
2)

=
+

+

1 dy dx y) f(x,
Esta funo f(x,y) denominada de funo densidade de
probabilidade conjunta de X e Y.

Obs.: comum usar-se f
XY
(x,y) para se fazer a distino
entre as respectivas distribuies marginais f
X
(x) e f
Y
(y).

Seguem algumas variveis bidimensionais contnuas:


2.6.4 Varivel aleatria uniformemente distribuida em R
f(x,y) = constante = c







f(x,y)
y
x
R
c
c = ____1_____
rea de R
134
2.6.5 Varivel aleatria com distribuio Normal
bidimensional (X,Y) sendo X e Y independentes:









onde m
1
e m
2
so as mdias respectivamente de X e de
Y; e sendo
2
1
a varincia de X e
2
2
e a de Y.

Mais genericamente uma varivel aleatria Normal
bidimensional (X
1
,X
2
) com X
1
tendo mdia zero e varincia
2
1
e X
2
tambm de mdia zero e varincia
2
2
e com
coeficiente de correlao , tem uma funo densidade de
probabilidade conjunta dada pela seguinte expresso:

f(x,y)
y
x
2
2
2
1
2
2
)
2
m - (y
2
1
2
)
1
m - (x
2
2
-
2 1
e
2
1
y) f(x,



+
=
135
2 2 2 2
1 2 2 1 1 2 1 2
1 2
2 2 2
2 2 2
1 2
1 2
1 2
X X 1 2
x x 2 x x 1 1
exp x , x
2 2 (1 )
(1 )
0 1 1
f (x , x )
(
(

+



< <
=


2.6.5.1 Diferentes grficos das curvas de nvel de
1 2
X X 1 2
f (x , x ) , isto ,
1 2
X X 1 2
f (x , x ) = constante














Exemplo: A funo densidade de probabilidade conjunta
(X,Y) dada pela seguinte espresso:
0 x
2
inversamente proporcional a x
1 0 x
2
diretamente proporcional a x
1

x
1
x
2
x
1
x
2
x
1
x
2
= 0 ;
1
<
2
x
1
x
2
x
1
x
2
= 0 ;
1
>
2
= 0 ;
1
=
2
136
2
XY
x.y
1 3 2 2
f (x,y)
c
0 outros valores
x y

=

onde c uma constante

Calcule Prob{ / 2 X Y X X < }

Resposta: Valor de c:
2
x y
1
c
dx dy


=


64
c =
3








2)
Prob( e 2)
Prob( / 2) =
Prob(X <
X Y X X
X Y X X
<
<

y
x
2


0



-2

Y=X
Y= -X
137

2
2
2
2
1
2
1 2
x y
c
=
x y
c
dy dx
dy dx
x
x

2.7 Varivel aleatria de trs dimenses

2.7.1 Definio de funo de probabilidade tridimensional
discreta (v.a. 3-D discreta):

Sendo (X,Y,Z) uma v.a. discreta, associa-se a cada resultado
(x
i
,y
j
,z
k
) i=1,... j=1,... k=1,... um nmero positivo p(x
i
,y
j
,z
k)

para representar a Prob{X=x
i
,Y=y
j
,Y=y
k
} e satisfazendo a:


1) p(x
i
, y
j
,z
k
) 0 (x
i
,y
j
,y
k
)
2)
i j k
i j k i j k
x y z
p(x , y , z ) 1 (x , y , z ) =

Esta funo p(x
i
, y
j
,z
k
) chamada de funo de
probabilidade conjunta de X, Y e Z.
138
Exemplos: Seja (X,Y,Z) uma v.a. tridimensional discreta
com funo de probabilidade p
XYZ
(x,y,z):



Z=1 Z=2

Y\ X 3 4 5
0 1h 2h 3h
1 4h 5h 6h
2 7h 8h 9h


Z=3






onde h uma constante e seu valor : h = 1 / 378

Exemplos. Calcule as probabilidades abaixo para a v.a.
acima:

Prob( 3 X 4 e Y 1) =
(4+5+7+8+13+14+16+17+22+23+25+26)
h


Y\ X 3 4 5
0 10h 11h 12h
1 13h 14h 15h
2 16h 17h 18h
Y\ X 3 4 5
0 19h 20h 21h
1 22h 23h 24h
2 25h 26h 27h
139
Prob( 3 X 4 , Y 1 , Z 2) =

(4+5+7+8+13+14+16+17)h


2.7.2 Definio de funo densidade de probabilidade
contnua de trs dimenses (v.a. 3-D contnua):

Sendo (X,Y,Z) uma v.a. contnua, associa-se uma funo
f(x,y,z) satisfazendo a:

1. f(x,y,z) 0
2.
+
-
f(x,y,z) dx dy dz 1
+ +

=



Esta funo f(x,y,z) denominada de funo densidade de
probabilidade conjunta de X , Y e Z.







140
2.8 Distribuies marginais

2.8.1 Definio para a v.a. discreta:

j
X i i j
y
p (x ) p(x ,y ) =

i
Y j i j
x
p (y ) p(x ,y ) =

Exemplo: Dada a distribuio conjunta (X,Y), obter a
distribuio marginal de X e de Y.

p
X,Y
(x,y)
Y\ X 3 4 5
0 1 / 45 2 / 45 3 / 45
1 4 / 45 5 / 45 6 / 45
2 7 / 45 8 / 45 9 / 45

p(X=3) = p(X=3,Y=0) + p(X=3,Y=1)+p(X=3,Y=2) = 12/45
p(X=4) = p(X=4,Y=0) + p(X=4,Y=1)+p(X=4,Y=2) = 15/45
p(X=5) = p(X=5,Y=0) + p(X=5,Y=1)+p(X=5,Y=2) = 18/45
p(Y=0) = p(X=3,Y=0) + p(X=4,Y=0)+p(X=5,Y=0) = 6/45
p(Y=1) = p(X=3,Y=1) + p(X=4,Y=1)+p(X=5,Y=1) = 15/45
p(Y=2) = p(X=3,Y=2) + p(X=4,Y=2)+p(X=5,Y=2) = 24/45
141

comum se colocar essas probabilidades margem
(distribuio marginal) da tabela da distribuio conjunta,
resultando a seguinte tabela:

p
X,Y
(x,y)
Y\ X 3 4 5
p
Y
(y)
0 1 / 45 2 / 45 3 / 45 6 / 45
1 4 / 45 5 / 45 6 / 45 15 / 45
2 7 / 45 8 / 45 9 / 45 24 / 45
p
X
(x) 12 / 45 15 / 45 18 / 45 1


2.8.2 Definio para v.a. contnua:

X XY
f (x) f (x,y) dy
+

=


Y XY
f (y) f (x,y) dx
+

=



Exemplo: Dada a funo densidade de probabilidade
conjunta de X e Y, obter a densidade de X e a de Y.

142
(2x 3y)
XY
f (x,y) 6e x 0 y 0
+
= > >
Logo, temos:

(2x 3y)
X
0
2x
f (x) 6e dy 2 e

+
= =

(2x 3y) 3y
Y 0
f (y) 6e dx 3e

+
= =

2.8.3 Distribuies marginais da varivel aleatria de trs
dimenses

Nesse caso podemos ter as funes densidades
marginais de X, de Y, de Z, de XY, de XZ e de YZ:

Exemplo: marginal de X
j k
X i i j k
y z
, p (x ) p(x y ,z ) =

marginal de XY
k
XY i j i j k
z
p (x ,y ) p(x ,y ,z ) =

143
2.9 Variveis aleatrias independentes

Duas ou mais variveis aleatrias so chamadas de
independentes quando a distribuio conjunta igual ao
produto das distribuies marginais das variveis aleatrias.
2.9.1 Sendo (X,Y) uma varivel aleatria bidimensional
discreta com funo de probabilidade conjunta igual a
p(x,y), ento teremos:
p
XY
(x,y) = p(x) p(y)

onde p
X
(x) e p
Y
(y) so respectivamente as distribuies
marginais de X e de Y.


2.9.2 Sendo (X,Y) uma varivel aleatria bidimensional
contnua com funo densidade de probabilidade conjunta
igual a f(x,y), ento teremos:
f
XY
(x,y) = f
X
(x) f
Y
(y)

onde f
X
(x) e f
Y
(y) so respectivamente as distribuies
marginais de X e de Y.
144

2.9.3 Esses conceitos so extensivos s variveis de trs ou
mais dimenses. Por exemplo, sendo (X,Y,Z,W) uma
varivel aleatria contnua de quatro dimenses, se (X,Y) for
independente de (Z,W), teremos f
XYZW
(x,y,z,w) = f
XY
(x,y)
f
ZW
(z,w); caso a varivel X seja independente de (Y,Z,W)
teremos que a f
XYZW
(x,y,z,w) = f
X
(x) f
YZW
(y,z,w) e assim
para quaisquer outro agrupamento das variveis. No
exemplo acima, se (X,Y) for independente de (Z,W) no
implica que X seja independente de (Y,Z,W) ou vice-versa.





2.10 Distribuio Condicionada
Tendo-se uma distribuio conjunta (X,Y) podemos
obter a distribuio condicionada a uma regio do plano XY
ou a um intervalo de uma das variveis ou a um ponto
especfico do plano XY.

145
2.10.1 Condicionamento a uma regio do plano XY
No caso de varivel aleatria discreta tem-se:

XY
XY
XY
x y
(x,y) Regio R
p (x,y)
p (x,y / (x,y) Regio R) = (x,y) R
p (x,y)

1442443

2.10.2 Condicionamento a um intervalo de X ou de Y

No caso de varivel aleatria discreta tem-se:

XY
x Q
Y
XY
x Q y
p (x,y)
p (y / X Q) =
p (x,y)

onde Q = (x
1
,x
2
)

2.10.3 Condicionamento a ponto de X ou de Y
No caso de varivel aleatria discreta tem-se:
XY 0
Y 0
XY 0
f (x ,y)
f (y / X = x ) =
f (x ,y) dy

desde que
XY 0
f (x ,y) dy > 0

caso contrrio, no faz

sentido o condicionamento.
146
3. Funo de Distribuio ou Funo Acumulada

A funo de distribuio de uma varivel aleatria de uma
dimenso definida como: F(x) = Pr( X x )

Da definio temos:

i
i
x x
x
X
quando X uma
p(x )
varivel aleatria discreta
F(x)
quando X uma
f (u) du
varivel aleatria contnua

A funo de distribuio de uma varivel aleatria tem duas
assntotas: uma quando x - e nesse caso, F(x) =
0 e outra quando x + e nesse caso, F(x) = 1.



3.1 Funo de distribuio (acumulada) de variveis
discretas



3.1.1 Funo de distribuio da varivel aleatria discreta
equiprovvel, assumindo valores do conjunto X = {1, 2, 3, 4,
5, 6} Nesse caso, p(x
i
) = 1/6 i=1,...,6

147
A funo de distribuio mostrada na figura a seguir.
Nota-se que a funo constante para valores diferentes dos
eventos elementares; a funo tem uma discontinuidade
(salto) para os valores dos eventos elementares. Ento, a
funao acumulada d saltos toda vez que tivermos um valor
de probabilidade positivo, no nulo e essa probabilidade
igual ao valor da descontinuidade da funo.














3.1.2 Funo de distribuio da varivel aleatria discreta
Binomial (N;p)


k k N k
N
k x
F(x) C p (1 p)

1 2 3 4 5 6
6/6

5/6

4/6

3/6

2/6

1/6

x
F(x)
F(x) = 1
F(x) = 0
148
Grfico resultante da funo acumulada da Binomial (20;
0,2):





Grfico da distribuio de probabilidade da Binomial
(20;0,2):

149
3.2 Funo de distribuio (acumulada) de varivel aleatria
contnua

3.2.1 Seja X uma v.a. uniformemente distribuda em
(2 , 10):

Ento a funo acumulada dada por:


x
X
2
0 para x 2
1 x 2
F (x) du para 2 x 10
8 8
1 para x 10

= = <

>

Grfico resultante da funo de distribuio da varivel

aleatria uniforme em (2 , 10):



2 10
x F(x) = 0
F(x)
F(x) = 1,0
2 10
c
x
f
X
(x)
c = 1/ 8
150
3.2.2 Seja X um varivel aleatria Normal (0;1)

Sendo X Normal, sua funo densidade de probabilidade
dada por:

2
x
2
X
1
f (x) e x
2

=

A funo acumulada obtida por:
x
X
-
F(x) = f (u) du

e
tem o formato mostrado na figura a seguir.





















-4 -3 -2 -1 0 1 2 3 4
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Grfico da funo de distribuio da Normal (0;1)

151
3.3 Propriedades de F(x):


1) F(x) definida direita do ponto x.


2)
0
lim

F(x-e) = Pr( X < x) = Pr(X x) - Pr(X=x)

3) F(x) uma funo no decrescente em x.


4) Se X v.a. contnua em (a,b)
ento F(x)
dx
d
f(x) = para x (a,b)

5) A funo F(x) limitada: 0 F(x) 1 x IR


6) Assntota inferior: F(-) = 0. assntota em y=0,
sendo y = F(x)


7) Assntota superior: F(+) = 1. assntota em y=1,
sendo y = F(x)



152
3.4 Funo de distribuio (acumulada) da varivel
aleatria bidimensional

F(x,y) = P{Xx, Yy}

Propriedades:

1) F(x,y) [0,1]
2) F(x,y) uma funo no decrescente em x e
no decrescente em y.






3) F(+, +) = 1,0
4) F(- , - ) = F(-, y) = F(x, - ) = 0
5) F( x, + ) = F(x)
6) F(+ , y) = F(y)

y
x
x
1
y
1
F(x
1
,y
1
) = P{Xx
1
, Yy
1
}
153
Exemplo 3.1
1) Dada a funo de probabilidade bidimensional (X,Y)
p
X,Y
(x,y)
Y\ X 3 4 5
0 1 / 45 2 / 45 3 / 45
1 4 / 45 5 / 45 6 / 45
2 7 / 45 8 / 45 9 / 45

A sua funo de distribuio (acumulada) :
F
X,Y
(x,y)
Y\ X 3 4 5
0 1 / 45 3 / 45 6 / 45
1 5 / 45 12 / 45 21 / 45
2 12 / 45 27 / 45 45 / 45

2) Dada a varivel aleatria bidimensional Uniforme na
regio 0 < x < 4 e 0 < y < 4, a funo acumulada dada
por:
XY
y x
0 0
0 x 0 e y 0
1
F (x,y) = du dv 0<x 4 0<y 4
16
1 x 4 e y 4

> >

Os grficos da f
XY
(x,y) e da F
XY
(X,Y ) so mostrados a
seguir.
154




















0
0.5
1
1.5
2
2.5
3
3.5
4
0
1
2
3
4
0
0.2
0.4
0.6
0.8
1
Distribuio Acumulada da Uniforme 2D em 0<x<4 0<y<4
0
0.5
1
1.5
2
2.5
3
3.5
4
0
1
2
3
4
0
0.02
0.04
0.06
0.08
0.1
Distribuio Uniforme 2D em 0<x<4 0<y<4
155
Exemplo 3.2: A funo densidade de probabilidade conjunta
(X,Y) dada pela seguinte espresso:
2
XY
x.y
1 3 2 2
f (x,y)
c
0 outros valores
x y

=

onde c uma constante

Calcule F
XY
(2,2) =
2 2
XY
f (x,y) dx dy




Resposta: Valor de c:
2
2 3
2 1
x y
1
c
dx dy

=


64
c =
3


F
XY
(2,2) =
2 2
XY
2 1
f (x,y) dx dy

= 3/4




156
4 Funo (transformao) de varivel aleatria
A transformao da varivel aleatria vem da
necessidade de se obter a distribuio de probabilidade de
uma nova varivel que funo de uma dada distribuio
conhecida. o caso por exemplo de uma varivel aleatria
conhecida que entra num dispositivo eletrnico e, deseja-se
saber como a medida de probabilidade dessa varivel foi
modificada ( a distribuio de probabilidade da sada). A
distribuio da nova varivel Y obtida pelos eventos
equivalentes de Y com os de X.









R
X
R
Y
A

B

Figura 4.1 Transformao de X em Y. O evento A de X equivalente ao evento B
de Y. Nesse caso, Prob(B) = Prob(A).
H(X)
157
Notao:
X varivel conhecida que tem uma funo de
probabilidade (varivel discreta) p
X
(x) ou tem uma funo
densidade de probabilidade (varivel contnua) f
X
(x), num
dado intervalo de variao de X;
Y varivel aleatria desconhecida, a qual deseja-se obter
sua distribuio de probabilidades;
H(X) a transformao, ou seja, H a funo (ou
transformao) que leva X em Y, ou seja, Y = H(X);
F
x
(x) funo de distribuio (acumulada) da varivel
aleatria X;
F
y
(y) funo de distribuio (acumulada) da varivel
aleatria Y.

Podemos classificar de trs maneiras a obteno da
distribuio de probabilidade de Y, conforme se segue.
158
4.1 X uma v.a. discreta levando a Y que discreta
Nesse caso a varivel aleatria X tem uma funo de
probabilidade conhecida, p
X
(X = x
k
) k = 1, 2, ...
A funo de probabilidade de Y obtida atravs dos
eventos equivalentes, ou seja,
a. Se um nico valor x
k
de X levar a um valor y
j
de Y,
ento, Prob(Y=y
j
) = Prob(X=x
k
);
b. Se dois ou mais valores x
k
, x
k+1
, x
k+2
, ... , x
k+r
de X
levarem a um nico valor y
j
de Y, ento,
Prob(Y=y
j
) = Prob(X=x
k
) + Prob(X=x
k+1
) + ... +
Prob(X=x
k+r
)

Exemplo 4.1: Seja a varivel aleatria X cujo espao
amostra R
X
= {-1, 0, 1, 2, 3} sendo p(x
k
) = 1/5
(equiprovveis) com k = -1, ... , 3

159
Sendo Y = H(X) = 3 X + 1, calcule a distribuio de
probabilidades de Y, ou seja, Prob( Y = y
j
).

Resposta: O espao amostra de Y : R
Y
= {-2, 1, 4, 7, 10} ,
obtido de H(X), onde os eventos equivalentes so:
{Y = -2} {X = -1}; {Y = 1} {X = 0};
{Y = 4} {X = 1}; {Y = 7} {X = 2};
{Y = 10} {X = 3}
Logo, temos:
Prob[Y = -2] = Prob[X = -1] = 1/5;
Prob[Y = 1] = Prob[X = 0] = 1/5;
Prob[Y = 4] = Prob[X = 1] = 1/5;
Prob[Y = 7] = Prob[X = 2] = 1/5;
Prob[Y = 10] = Prob[X = 3] = 1/5

160
Exemplo 4.2: Seja a varivel aleatria X cujo espao
amostra R
X
= {-1, 0, 1, 2, 3} sendo p(x
k
) = 1/5
(equiprovveis) com k = -1, ... , 3
Sendo Y = H(X) = X
2
+ 1, calcule a distribuio de
probabilidades de Y, ou seja, Prob( Y = y
j
).

Resposta: O espao amostra de Y : R
Y
= {1, 2, 5, 10},
obtido de H(X), onde os eventos equivalentes so:
{Y = 1} {X = 0}; {Y = 2} {X = -1} {X = 1};
{Y = 5} {X = 2}; {Y = 10} {X = 3}
Logo, temos:
Prob[Y = 1] = Prob[X = 0] = 1/5;
Prob[Y = 2] = Prob[X = -1] + Prob[X = 1] = 1/5 + 1/5 = 2/5;
Prob[Y = 5] = Prob[X = 2] = 1/5;
Prob[Y = 10] = Prob[X = 3] = 1/5;

161
4.2 X uma v.a. contnua levando a Y que discreta
Nesse caso a varivel aleatria X tem uma funo
densidade de probabilidade conhecida, f
X
(x).
Da mesma forma que a anterior, a funo de
probabilidade de Y obtida atravs dos eventos
equivalentes, ou seja,
a. Se um nico valor x
k
de X levar a um valor y
j
de Y,
ento, Prob(Y=y
j
) = Prob(X=x
k
)
b. Se dois ou mais valores x
k
, x
k+1
, x
k+2
, ... , x
k+r
de X
levarem a um nico valor y
j
de Y, ento, Prob(Y=y
j
)
= Prob(X=x
k
) + Prob(X=x
k+1
) + ... + Prob(X=x
k+r
)
c. Se uma infinidade de valores de X no intervalo (a, b)
levarem a um valor y
j
de Y, ento,
b
j X
a
Prob(Y=y ) = f (x) dx

162
Exemplo 4.3: Seja a varivel aleatria X cujo espao
amostra R
X
= {X / x (3, 8) } sendo f(x) = 1/5
(distribuio uniforme no intervalo (3, 8) ). Sendo Y dada
conforme figura 4.2 a seguir. Calcule a distribuio de
probabilidades de Y, ou seja, f
Y
(y).






Resposta: O espao amostra de Y : R
Y
= {-2, -1, 1, 2},
obtido do mapeamento de X em Y, atravs da Figura 4.2,
onde os eventos equivalentes so:
{Y = -2} {3 < X < 4}; {Y = -1} {4 < X < 6};
{Y = 1} {6 < X < 7}; {Y = 2} {7 < X < 8}.
3 4 5 6 7 8
X
Y
2

1

0

-1

-2
Figura 4.2 Transformao de X em Y
163
Logo, temos:
Prob[Y = -2] = Prob[3 < X < 4] =
4
1
5
3
dx

= 1/5;
Prob[Y = -1] = Prob[4 < X < 6] =
6
1
5
4
dx

= 2/5;
Prob[Y = 1] = Prob[6 < X < 7] =
7
1
5
6
dx

= 1/5;
Prob[Y = 2] = Prob[7 < X < 8] =
8
1
5
7
dx

= 1/5.

4.3 X uma v.a. contnua levando a Y que contnua
Nesse caso a varivel aleatria X tem uma funo
densidade de probabilidade conhecida, f
X
(x). A funo
densidade de probabilidade de Y obtida atravs dos
eventos equivalentes, ou seja,
a. Se uma infinidade de valores de X no intervalo (a, b)
levarem a um nico valor y
j
de Y, ento,
b
j X
a
Prob(Y=y ) = f (x) dx

164
b. Se uma infinidade de valores da varivel aleatria X
no intervalo (a < X < b) levarem a uma infinidade de
valores da varivel aleatria Y no intervalo (c < Y <
d), ento,
b
X
a
Prob(c < Y < d) = f (x) dx

De modo geral nesse caso, a distribuio de
probabilidades de Y obtida da forma a seguir, supondo-
se que os eventos equivalentes so:
{y
1
< Y < y
2
} {x
1
< X < x
2
}
{y
3
< Y < y
4
} {x
3
< X < x
4
}
.
.
.
{y
k-1
< Y < y
k
} {x
k-1
< X < x
k
}

Assim, podemos obter f
Y
(y) da seguinte maneira:
165




Derivando-se a funo acumulada de Y em relao a y, afim
de se obter a funo densidade de Y, tem-se:





Podemos escrever tambm da seguinte forma:

Equ. 1


F
y
(y) = Prob{Yy}= Prob{H(X)y}=

=Prob{XH
-1
(y)}+ Prob{XH
-1
(y)}+ ...+Prob{XH
-1
(y)}
para x
1
<X<x
2
para x
3
<X<x
4
para x
k-1
<X<x
k
y
1
<Y<y
2
y
3
<Y<y
4
y
k-1
<Y<<x
k

f
Y
(y) = d F
Y
(y) = d F
Y
(H
-1
(y)) + + d F
Y
(H
-1
(y))
dy dy dy

para x
1
<X<x
2
...

para x
k-1
<X<x
k
y
1
<Y<y
2
y
k-1
<Y<y
k

f
Y
(y) = f
X
(H
-1
(y)) dx + + f
x
(H
-1
(y)) dx
dy dy

para x
1
<X<x
2
...

para x
k-1
<X<x
k
y
1
<Y<y
2
y
k-1
<Y<y
k


166
Quando Y = H(X) uma funo biunvoca de
X, podemos genericamente utilizar a seguinte frmula para
o clculo da f
Y
(y):

-1
X
Y
x H (y)
f (x)
f (y)
dy
dx
=
= Equ. 2
onde o mdulo de dy/dx vem do fato que a derivada pode
ser negativa (funo H(X) decrescente), mas a funo
densidade de probabilidade de Y tem que ser positiva.

Exemplo 4.4: Seja a varivel aleatria X cujo espao
amostra R
X
= {X / x (3, 8) } com f(x) = 1/5
(distribuio uniforme no intervalo (3, 8) ). Sendo Y =
H(X) = 3 X + 1, calcule a distribuio de probabilidades de
Y, ou seja, f
Y
(y).
Y
X
3 8
25

10
Y = 3 X + 1
167

Resposta: O espao amostra de Y : R
Y
= {Y / y (10, 25)
}, obtido de H(X), onde os eventos equivalentes so:
{Y / y (10, 25)} {X / x (3, 8)}
1
a
maneira: F
Y
(y) = Prob(Yy) = Prob(3X+1y) =
Prob(X(y-1)/3) = F
X
((y-1)/3) ento: F
Y
(y) = F
X
((y-1)/3)
X
Y Y X
d
F ((y-1)/3)
d d dx
dx
f (y) = F (y) = F ((y-1)/3) =
dy
dy dx dy
dx
=
X
f (y-1)/3) 1/5 1
= =
y-1
3 3 15 x=
3
y y (10, 25)
2
a
maneira: Aplicando-se diretamente a Equao 2 acima.

X
Y
f (x) 1/5 1
f (y) = = =
y-1
dy
3 15 x=
3
dx

y y (10, 25)
168



Exemplo 4.5 Seja o mesmo exemplo anterior, ou seja, a
varivel aleatria X tem como espao amostra o conjunto
R
X
= {X / x (3, 8) } e sua funo densidade de
probabilidade igual a f(x) = 1/5 (distribuio uniforme no
intervalo (3, 8) ). Sendo agora Y = H(X) = - 3 X + 1,
calcule a funo densidade de probabilidades f
Y
(y).


Resposta: O espao amostra de Y :
R
Y
= {Y / y (-23, -8) }, obtido de H(X), onde os eventos
equivalentes so:
{Y / y (-23, -8)} {X / x (3, 8)}
10 25
Figura 4.3 Grfico da funo densidade de Y
y
f
Y
(y)
169

1
a
maneira: F
Y
(y) = Prob(Yy) = Prob(-3X+1y) =
Prob(X (1-y)/3) = 1 - Prob(X (1-y)/3) = 1- F
X
((1-y)/3)
ento: F
Y
(y) = 1 - F
X
((1-y)/3)
X
Y Y X
d
F ((1-y)/3)
d d dx
dx
f (y) = F (y) = - F ((1-y)/3) = -
dy
dy dx dy
dx

=
X
f (1-y)/3) 1/5 1
- = =
1-y
- 3 3 15 x=
3
y y (-23, -8)



2
a
maneira: Aplicando-se diretamente a Equao 2 acima.

X
Y
f (x) 1/5 1
f (y) = = =
1-y
dy
3 15 x=
3
dx

y y (-23, -8)
170




Tambm pode-se utilizar a mesma Equao 2 acima
quando a funo H(X) no for biunvoca, separando-a em
funes biunvocas para aplic-la por partes e fazendo-se a
soma das partes em comum de Y (espao amostral).



Exemplo 4.6 Seja a varivel aleatria X cujo espao
amostra R
X
= {X / x (-2, 4) } com f(x) = 1/6
(distribuio uniforme no intervalo (-2, 4) ).
Sendo Y = H(X) = X
2
, obtenha f
Y
(y).

-23 -8
Figura 4.4 Grfico da funo densidade de Y
y
f
Y
(y)
171





Resposta: O espao amostra de Y :
R
Y
= {Y / y (0, 16) }, obtido de H(X), onde os eventos
equivalentes so:
{Y / y (0, 4)} {X / x (-2, 0)} {X / x (0, 2)} e
{Y / y (4, 16)} {X / x (2, 4)}
4
16
-2 0 4
Y = X
2
X
Y
172
X
Y
X
-2<x<0
f (x)
0<y<4
dy
dx
x = - y
f (y) =
0<x<4
f (x)
0<y<16
dy
dx
x = y

Y
1/6
0<y<4
2 x
x = - y
f (y) =
1/6
0<y<16
2 x
x = y

Y
1/6
0<y<4
2 y
f (y) =
1/6
0<y<16
2 y

Y
1
0<y<4
12 y
f (y) =
1
0<y<16
12 y

Resposta final:
Y
2
0<y<4
12 y
f (y) =
1
4<y<16
12 y

y
f
Y
(y)
0 4
Grfico resultante da
transformao Y = X
2
,
onde X v.a. uniforme
em (-2, 4)
173
Exemplo 4.7: Seja a varivel aleatria X cujo espao
amostra R
X
= {X / x (-2, 8) } com f(x) = 1/10
(distribuio uniforme no intervalo (-2, 8) ). Sendo Y
dado pelo grfico, calcule a distribuio de probabilidades
de Y, ou seja, f
Y
(y).
3 X + 1 x > 0
Y =
1 x < 0

Resposta: O espao amostra de Y : R
Y
= {Y / y (1, 25)
}, obtido de H(X), onde os eventos equivalentes so:
{Y / y (1, 25)} {X / x (0, 8)} e
{Y = 1} {X / x (-2, 0)}
Logo teremos: p(Y=1) = 2/10 f
Y
(y) = 1/30 y (1, 25)
Y
X
-2 0 8
25


1
Y = 3 X + 1
174
Grfico da distribuio mista de Y:





4.4 Funo de varivel aleatria bidimensional
Supe-se que conhecida a distribuio da varivel
aleatria bidimensional (X,Y). Deseja-se obter a
distribuio da varivel aleatria unidimensional Z ou de
uma varivel bidimensional (Z,W), onde Z = H
1
(X,Y) e
W = H
2
(X,Y).

4.4.1 Quando temos uma varivel aleatria Z que
funo de duas outras variveis conjuntamente distribudas,
podemos ter, por simplificao, os seguintes casos:
y
f
Y
(y)
0,2 (y-1)
1/30
Uniforme
em (1, 25)
0 1 25
175
I. (X,Y) uma v.a. bidimensional discreta levando a Z
que uma outra v.a. unidimensional discreta.
II. (X,Y) uma v.a. bidimensional contnua levando a Z
que uma outra v.a. unidimensional contnua.

Da mesma forma que no caso unidimensional, atribui-
se probabilidade nos espao amostral transformado atravs
dos eventos equivalentes do espao amostral (X,Y) e o de Z.
No caso discreto I, a obteno da distribuio da
varivel unidimensional transformada Z feita diretamente,
como mostrado no exemplo que se segue.



Exemplo 4.8: Dada a distribuio conjunta de (X,Y)
atravs da tabela abaixo, obter a distruibuio de Z, onde
Z = X+Y.
176
p
X,Y
(x,y)
Y\ X 0 1 2
2 1 / 21 2 / 21 3 / 21
3 4 / 21 5 / 21 6 / 21

Resposta: Atravs dos eventos equivalentes, obtm-se:
Z 2 3 4 5
p(z) 1 / 21 6 / 21 8 / 21 6 / 21

Exemplo 4.9: Dada a distribuio conjunta de (X,Y)
atravs da tabela abaixo, obter a distruibuio de Z, onde
Z = X Y.


Resposta: Atravs dos eventos equivalentes, obtm-se:
Z 0 2 3 4 6
p(z) 5 / 21 2 / 21 5 / 21 3 / 21 6 / 21

p
X,Y
(x,y)
Y\ X 0 1 2
2 1 / 21 2 / 21 3 / 21
3 4 / 21 5 / 21 6 / 21
177
No caso II acima de transformao de variveis
aleatrias contnuas obtm-se a funo densidade de Z
diretamente da funo acumulada F
Z
(z) que obtida a partir
da integral da funo densidade conjunta de X e de Y
f
XY
(x,y) na regio de definio de Z. Em seguida, obtm-se
a funo densidade de Z pela derivada em relao a z de
F
Z
(z). Seguem-se alguns exemplos.
Exemplo 4.10: X e Y so variveis aleatrias
independentes uniformemente distribudas em (0, 1). Obter
a funo densidade de Z = X + Y.






y
f
Y
(y)
1
0 1
x
f
X
(x)
1
0 1
x
y
0 z z-1 1
1

z-1
z
y = z-x
1z2
y = z-x
0z1
178

Z = X + Y F(z) = Prob(Zz) = Prob(X+Yz)
Do grfico acima obtemos F(z) para duas situaes, ou
seja, para Z (0, 1) e para Z (1, 2). Logo, a funo
acumulada F(z) obtida da seguinte forma:
0 0
1 1-x 1 1 1 z-x
0 0 0 1 z-1 1
dy dx 0 z 1
F(z) =
dy dx dy dx + dy dx 1 z 2

z z x
z
x x

2
2
2
z
0 z 1
2
F(z) =
(z-1)
3
3 z - - z + 1 z 2
2 2

Logo, derivando-se F(z) em relao a z, obtm-se:
z 0 z 1
f(z) =
2 - z 1 z 2

z
0 1 2
f
Z
(z)
179
Mais genericamente, se X e Y so independentes, ou
seja, f
XY
(x,y) = f
X
(x) f
Y
(y) e Z = X + Y, teremos:





Podemos escrever os eventos equivalentes:
{Z z} = {H
1
(X,Y) z} = {(x,y) D
Z
- Regio de
definio de Z < X + Y}
Logo teremos:
Z
Z
D
F (z) = Prob(Z ) = f(x,y) dx dy z


Sendo D
Z
, a regio do plano entre as duas retas x + y = z
e x + y = z + dz , teremos:
Prob(z<Z<z+dz) = Prob( (x,y) D
Z
) = f
Z
(z) dz ou seja,
x
y
x+y= z+dz
x +y=z
D
Z
- Regio
de definio
de Z X+Y

Regio de
definio da
varivel X,Y
dz
180
Z XY
- -
x=z-y
XY
f (z) dz = dy dz = f (z-y,y) dy dz
f (x,y)




E como f
XY
(x,y) = f
X
(x) f
Y
(y) teremos que
Z X Y
-
f (z) = f (z-y) f (y) dy

que a integral de
convoluo entre a funo densidade de X e a de Y.
Pode-se obter o mesmo resultado atravs de:
z-y z-y
Z XY Y X
- - - -
F (z) = f (x,y) dx dy = f (y) f (x) dx dy


(
(



Derivando-se F
Z
(z) em relao a z, obtm-se:

Z X Y
-
f (z) = f (z-y) f (y) dy

181
Exemplo 4.11 X e Y so variveis aleatrias
independentes uniformemente distribudas em (0, 1). Obter
a funo densidade de Z = X Y





Como 0 < X < 1 e 0 < Y < 1 a variao de Z : 0 < Z <
1
F(z) = Prob(Z z) = Prob(X Y z)
1 1 z/x
0 0 z 0
F(z) = dy dx + dy dx z - z Ln (z)
z
=


Derivando-se F
Z
(z) em relao a z, obtm-se f
Z
(z):
f
Z
(z) = Ln (1/z) 0 < z < 1.

x
y
0 x=z 1
1





0
x y = z = 0,5
x y = z = 0,3
x y = z = 0,1
182
Exemplo 4.12 X e Y so variveis aleatrias
independentes uniformemente distribudas em (0, 1). Obter
a funo densidade de Z = Y / X






Como 0 < X < 1 e 0 < Y < 1 a variao de Z : 0< Z
<
1
0 0
1/ x 1 1
0 0 1/z 0
dy dx 0 z 1
F(z) =
dy dx + dy dx 1 z
z x
z z

( )
Z
z
0 z 1
2
F (z) =
1
1 - 1 z
2 z

x
y
0 x=1/z 1
1





0
y = z x
com z >1
y = z x
com z <1
Regio de
Z = Y/X< z
183
Z
2
1
0 z 1
2
f (z) =
1
1 z
2 z

Exemplo 4.13 X e Y so variveis aleatrias
independentes uniformemente distribudas em (0, 1). Obter
a funo densidade de Z = Max(X,Y)






Como 0 < X < 1 e 0 < Y < 1 a variao de Z :
0< Z <1
x
y
0 z 1
1

z

Max(X,Y)z
184
2
Z
0 0
F (z) = Prob(Z z) = Prob[max(X,Y) z] = dy dx = z
z z


0 z 1
f
Z
(z) = 2z 0 z 1

Exemplo 4.14 X e Y so variveis aleatrias
independentes uniformemente distribudas em (0, 1). Obter
a funo densidade de Z = Min(X,Y)






Como 0 < X < 1 e 0 < Y < 1 a variao de Z :
0< Z <1
Z
F (z) = Prob(Z z) = Prob[ max(X,Y) z ] =
x
y
0 z 1
1

z

Min(X,Y)z
185
z 1 1 z
2
z
0 0 z 0
F (z) = dy dx + dy dx = 2z - z 0 z 1


f
Z
(z) = 2 - 2z 0 z 1


Exemplo 4.15 Sendo (X,Y) uma varivel aleatria com
distribuio Normal bidimensional sendo X e Y
independentes de mdias zero e varincias iguais a
2
,
obtenha a funo densidade de probabilidade de
2 2
Z = X Y + .

Resposta: sendo a funo densidade conjunta dada por:
2 2
2
XY
x y
-
2
2
1
f (x,y) e
2

+
= o espao amostral
ser 0 < X < e 0 < Y < , logo a variao de Z :
0< Z <.

186



2 2
Z
F (z) = Prob(Z z) = Prob( X Y z) +
2 2 2
Z
F (z) = Prob( X Y z ) +
2
Z XY
- -
2 2
x y
-
2
2
- -
F (z) = f (x,y) dx dy dx dy
1
e
2

+


=



Fazendo-se uma mudana de variveis para se efetuar a
integrao: x = r cos() e y = r sen(), temos
que x
2
+ y
2
= r
2
e que o incremental de rea dx dy no
plano XY igual a r dr d. Logo a integral se torna:
2
2
z
-
2
2
Z
0
2
2
r
-
2
2
2
0 0
1
F (z) = (1- e ) d
2
r dr d
1
e
2

z

=




2
2
z
-
2
Z
F (z) = (1- e ) z 0

Logo, temos que

x
y
Curva de nvel
rea de
integrao
Z z
Raio z
187

2
2
-
Z
2
z
2
z
f (z) = e z 0

que a funo
densidade da varivel aleatria mencionada
anteriormente.

4.4.2 No caso de transformao da varivel (X,Y) para
outra varivel bidimensional (Z,W), de forma a levarmos em
conta somente os casos de variveis somente discreta ou
somente contnuas, podemos ter as seguintes
transformaes:
III. (X,Y) uma v.a. bidimensional discreta levando a
(Z,W) que um outro par de v.a. bidimensional discreta.
IV. (X,Y) uma v.a. bidimensional contnua levando a
(Z,W) que um outro par de v.a. bidimensional contnua.
Da mesma forma que no caso unidimensional, atribui-
se probabilidade nos espaos amostras transformados atravs
188
dos eventos equivalentes entre os pares de (X,Y) e os de
(Z,W).








No caso III discreto, a obteno da distribuio da
varivel bidimensional transformada (Z,W) feita
diretamente, como mostrado no exemplo que se segue.

Exemplo 15: Seja a varivel aleatria bidimensional
(X,Y) cuja funo de probabilidade dada abaixo e seja a
seguinte transformao:
Z = H
1
(X,Y) = X + Y e W = H
1
(X,Y) = X Y

Obter a distribuio conjunta (Z,W).

y
x
Regio de definio da varivel
aleatria bidimensional (X,Y)
y
x
Regio de definio da varivel
aleatria bidimensional (Z,W)
Evento A
Evento B
transformado
de A

189
p
X,Y
(x,y)
Y\ X 3 4 5
0 1 / 45 2 / 45 3 / 45
1 4 / 45 5 / 45 6 / 45
2 7 / 45 8 / 45 9 / 45

Resposta: Os valores possveis de Y e W (espao amostra)
so: Z = {3, 4, 5, 6, 7} W = {0, 3, 4, 5, 6, 8, 10}
Atravs dos eventos equivalentes obtm-se p
Z,W
(z,w):
p
Z,W
(z,w)
Z\ W 0 3 4 5 6 8 10
3 1 / 45 0,0 0,0 0,0 0,0 0,0 0,0
4 2 / 45 4 / 45 0,0 0,0 0,0 0,0 0,0
5 3 / 45 0,0 5 / 45 0,0 7 / 45 0,0 0,0
6 0,0 0,0 0,0 6 / 45 0,0 0,0 0,0
7 0,0 0,0 0,0 0,0 8 / 45 0,0 9 / 45







190
No caso IV de variveis aleatrias contnuas, supe-se que
seja conhecida a funo densidade de probabilidade conjunta
f
XY
(x,y) e que:

1. Z = H
1
(X,Y) e W = H
2
(X,Y) so funes
inversveis em relao a X e Y, isto , possvel
colocar X e Y como funes de Z e W, X = G
1

(Z,W) e Y = G
2
(Z,W);
2. As derivadas parciais de H
1
(X,Y) e de H
2
(X,Y) em
relao a x e y existem e so contnuas no espao
amostral (X,Y).
Ento a funo densidade de probabilidade conjunta (Z,W)
calculada de forma similar a Equao 2 e obtida da
seguinte forma:

( )
1
2
x = G (z,w)
y = G (z,w)
XY
ZW
Z,W
J
X,Y
f (x,y)
f (z,w) =
Equ. 3
191
onde
Z,W
J
X,Y
| |
|
\
o jacobiano da transformao de
variveis, que necessariamente tem que ser diferente de zero
para que H
1
e H
2
sejam inversveis em (x
0
,y
0
). Temos que:

( )
Z,W
1
J
X,Y
X,Y
J
Z,W
=
| |
|
\

Z Z
Z W
x y
x x
Z,W
J
X,Y
Z W
W W
y y
x y
=
| |
| |
|
|
|
|
|
|
|
|
|
|
|
|
|
\
\




=




| |
|
\


X X
X,Y z w
J
Z,W
Y Y
z w
| |
|
|
|
|
|
|
\


=


| |
|
\


192
Exemplo 16 Seja (X,Y) uma varivel aleatria
bidimensional cuja funo densidade de probabilidade :
XY
1 x (0, 1) e y (0, 1)
f (x,y) =
0 x (0, 1) ou y (0, 1)

Qual a funo densidade da varivel aleatria Z = X + Y?
Observao: X e Y neste caso so variveis aleatrias
independentes e ambas uniformemente distribudas em
(0, 1).



Resposta: Arbitra-se uma outra varivel aleatria W, cuja
expresso em funo de X e Y no seja muito complicada.
Por exemplo, seja W = X Y. Obtm-se a funo
densidade de probabilidade conjunta de Z,W e depois acha-
se a distribuio marginal de Z. Ento temos as seguintes
expresses e transformaes: Z = X + Y W = X Y
Donde se obtm: X = (Z + W) / 2 Y = (Z - W) / 2



193









Variao no Plano XY:
Retas X = 0 e X = 1 e Retas Y = 0 e Y = 1

Variao no Plano ZW:
X=
Z+W
= 0 W = -Z
2

Y =
Z-W
= 0 Z = W
2

X =
Z+W
= 1 W = 2 - Z
2

Y =
Z-W
= 1 W = Z - 2
2

x
y
0 1
1





0
w
z
w= 2-z
w = z
w = z-2
w = -z
2
1





0






-1
1
194
= -2
Z Z
1 = 1
x y
Z,W
J
X,Y
W W
= 1 = -1
x y
| |
|
|
|
|
|
|
|
\

=

=


| |
|
\
1
2
x = (z+w)/2
y = (z-w)/2
x = G (z,w)
y = G (z,w)
1 1
XY
=
ZW
-2 2
f (x,y)
f (z,w) =
Z,W
J
X,Y
=
| |
|
\

Como o Jacobiano da transformao igual a 2, significando
que a rea transformada duplicou, a funo densidade
conjunta de (Z,W), que tambm uniforme, vale a metade
da de (X,Y).

195
ZW
0 < z < 1 e -z < w < z
1/2
f (z,w) = ou 1 < z < 2 e z-2 < w < 2-z
0 outros intervalos

z
-z
Z
2-z
z-2
z 0 < z < 1
1 2 dw 0 < z < 1
f (z) = =
1 2 dw 1 < z < 2
2-z 1 < z < 2

0 1 2
Grfico da funo densidade de probabilidade de Z
f
Z
(z)

1




0
z