SebentaTeorica2 TeoriaDasProbabilidades

Estatstica I Estatstica I Estatstica I Estatstica I
Licenciatura em Gesto Licenciatura em Gesto Licenciatura em Gesto Licenciatura em Gesto

SEBENTA TERICA

Teoria das Probabilidades

Setembro 2010
Faculdade de Economia do Porto Estatstica I - Licenciatura em Gesto
Teoria das Probabilidades Pgina 1
NDICE
NDICE ....................................................................................... 1
1. AXIOMTICA DAS PROBABILIDADES......................................................... 2
1.1. Experincia Aleatria............................................................ 2
1.2. Diversas Teorias das Probabilidades ......................................... 5
1.2.1. Teoria Clssica (de Laplace) ........................................... 5
1.2.2. Teoria Frequencista ..................................................... 5
1.2.3. Teoria Subjectiva ........................................................ 5
1.2.4. Teoria Axiomtica (de Kolmogorov) .................................. 6
1.3. Espao de Probabilidades....................................................... 6
1.4. Probabilidades Condicionais e Independncia ............................. 8
1.4.1. Teorema das Probabilidades Compostas............................. 9
1.4.2. Teorema das Probabilidades Totais .................................10
1.4.3. Teorema de Bayes ......................................................11
1.4.4. Independncia de Acontecimentos ..................................13
2. VARIVEIS ALEATRIAS .................................................................. 14
2.1. Funo de Distribuio........................................................ 14
2.2. Varivel Aleatria Discreta................................................... 15
2.3. Varivel Aleatria Contnua.................................................. 16
2.4. Valor Mdio, Varincia e Assimetria de uma Varivel Aleatria ..... 19
2.4.1. Valor Mdio ..............................................................19
2.4.2. Valor Esperado ..........................................................20
2.4.3. Momentos ................................................................21
2.4.4. Varincia .................................................................21
2.4.5. Funo Geradora de Momentos ......................................22
2.4.6. Assimetria................................................................23
2.5. Transformadas de Variveis Aleatrias .................................... 25
2.5.1. Varivel Aleatria Discreta............................................25
2.5.2. Varivel Aleatria Contnua...........................................26
3. VECTORES ALEATRIOS.................................................................. 29
3.1. Vector Bidimensional Discreto............................................... 30
3.2. Vector Bidimensional Contnuo.............................................. 33
3.3. Momentos e Coeficiente de Correlao ................................... 36
1. AXIOMTICA DAS PROBABILIDADES
A teoria das probabilidades formula modelos de fenmenos naturais em que
se supe intervir o acaso, isto , em que a partir do passado no se pode
prever deterministicamente o futuro, mas para os quais se pode encontrar,
em certas condies, taxas de realizao constante, que podero permitir
efectuar previses.
Tais fenmenos dizem-se fenmenos aleatrios e os modelos que lhes
dizem respeito modelos aleatrios. Um modelo aleatrio ento um modo de
calcular as probabilidades de certos acontecimentos.
1.1. EXPERINCIA ALEATRIA
Uma experincia um processo capaz de provocar resultados observveis.
Uma experincia aleatria uma experincia em que o conjunto de
resultados possveis conhecido antecipadamente, no se podendo prever
exactamente o resultado individual, mesmo que se desenvolvam todos os
esforos para controlar a experincia, e os resultados obtidos ao fim de uma
longa repetio mostram uma grande regularidade. Esta experincia pode-se
repetir um grande nmero de vezes nas mesmas condies ou pode estar
associadas a experincias aleatrias que se podem realizar apenas uma vez.
O espao de resultados, geralmente representa-se por , um conjunto,
no vazio, formado por todos os resultados que possvel obter quando se
efectua a experincia.
Um acontecimento um subconjunto do espao de resultados .
Exemplos:
Experincia aleatria: lanar um dado
Espao de resultados: ={1,2,3,4,5,6}
Acontecimento: A = sada de nmero par = {2,4,6}
Experincia aleatria: lanar uma moeda ao ar
Espao de resultados: ={cara, coroa}
Acontecimento: C = sada de cara = {cara}
Experincia aleatria: lanar duas moedas ao ar
={(cara, cara), (cara, coroa), (coroa, cara), (coroa, coroa)}
Acontecimento: B = sada de duas caras = {(cara, cara)}
Experincia aleatria: n. de chamadas recebidas por hora numa central
={0, 1, 2, 3, ...}
Acontecimento: D = n. de chamadas inferior a 10 = {0, 1, 2, ..., 10}
Experincia aleatria: a observao da durao da vida humana
={x: x>0}
Acontecimento: V = durao de vida superior a 60 anos = {x: x>60}
Ao realizar uma experincia, dizemos que o acontecimento A (A) se
realiza se o resultado uma parte de A. Sendo os acontecimentos definidos
como conjuntos, pode-se aplicar aos acontecimentos a lgebra dos conjuntos.
1 - Implicao
A realizao de A implica a realizao de B se e s se todo o elemento de A
elemento de B:
AB (A B)
B
A

2 - Idnticos
A e B so acontecimentos idnticos se e s se a realizao de um implica a
realizao do outro, isto , A=B AB e BA.
3 - Interseco
A interseco de dois acontecimentos A e B o acontecimento AB que se
realiza se e s se A e B se realizam conjuntamente:

B A
AB
AB (A e B)

4 - Unio
A unio de dois acontecimentos A e B o acontecimento AB que se realiza
se e s se A ou B se realizam:

B A
AB
AB (A ou B)

5 - Incompatibilidade
A e B dizem-se acontecimentos incompatveis (ou mutuamente exclusivos),
se e s se a realizao de um implica a no realizao do outro:

B A

6 - Diferena
A diferena de dois acontecimentos A e B o acontecimento B\A que se
realiza se e s se B se realiza e A no:

B A
B\A=BA (ou B-A)
(B\A) (B e A)

7 - Complementar
O complementar de um acontecimento A o acontecimento =\A que se
realiza se e s se A no se realiza:

A
A = \A
A A

Exemplo:
Experincia aleatria: lanar um dado
A = sada de nmero par B = sada de nmero impar
C = {1,3,5} D = {1,2,3,4,5}
E = {1,2} F = {3,4}
Tem-se que:
a realizao de C implica a realizao de D (CD);
B e C so idnticos (B=C);
CE = {1};
CE = {1,2,3,5};
E e F so incompatveis;
D\F = {1,2,5};
B o complementar de A ( = B).
Propriedades
Associatividade
A(BC) = (AB)C A(BC) = (AB)C
Comutatividade
AB = BA AB = BA
Distributividade
A(BC) = (AB)(AC) A(BC) = (AB)(AC)
Idempotncia
AA = A AA = A
Absoro
Se AB ento AB = B AB = A
Modulares
A = A = A
A = A A =
Leis de De Morgan
( ) B A B A = ( ) B A B A =
Dupla negao
A = A
As operaes de unio e interseco podem definir-se para um nmero
finito qualquer ou para uma infinidade numervel de acontecimentos.
A unio de uma infinidade numervel de acontecimentos L L , A , , A , A
n 2 1

realiza-se se pelo menos um dos
j
A se realiza:
U
L L

=
=
1 j
j n 2 1
A A A A
A interseco de uma infinidade numervel de acontecimentos
L L , A , , A , A
n 2 1
realiza-se se todos se realizam:
I
L L

=
=
1 j
j n 2 1
A A A A
1.2. DIVERSAS TEORIAS DAS PROBABILIDADES
1.2.1. Teoria Clssica (de Laplace)
A probabilidade de um acontecimento a razo do nmero de resultados
favorveis a esse acontecimento sobre o nmero total de resultados possveis,
desde que todos os resultados sejam igualmente provveis. Esta definio a
mais intuitiva e a mais bem entendida por qualquer pessoa. Para mais fcil
determinar a nmero de casos favorveis e/ou nmero de casos possveis pode
utilizar-se poderosa ferramenta auxiliar que o clculo combinatrio.
A probabilidade de um acontecimento est entre 0 e 1.
Exemplos:
No lanamento de um dado, a probabilidade de obtermos a face 5 de
6
1
.
No lanamento de um dado, a probabilidade de obtermos a face menor ou
igual a 3 de
6
3
.
Esta teoria tem dois grandes problemas associados aos factos do nmero
total de resultados possveis ter de ser finito e nem sempre se pode admitir
que todos os resultados so igualmente provveis.
1.2.2. Teoria Frequencista
A probabilidade de um acontecimento C dado por
( )
( )
n
C n
lim C P
n
=
em que n(C) o nmero de vezes em que ocorre o acontecimento C num total
de n experincias aleatrias.
1.2.3. Teoria Subjectiva
A probabilidade mede o nosso de grau de crena na realizao do
acontecimento.
Deste ponto de vista, toda a afirmao tem o seu grau de probabilidade,
deixando de associar a probabilidade apenas a acontecimentos repetveis (em
que h regularidade estatstica) para passarmos a considerar tambm
acontecimentos singulares.
Esta teoria, no fundo no mais que uma teoria da credibilidade.
1.2.4. Teoria Axiomtica (de Kolmogorov)
As probabilidades so objectos matemticos que satisfazem um certo
nmero de axiomas pragmticos e coerentes, isto , que podem dar uma
descrio eficaz dos fenmenos naturais e que no induzem contradies.
A frequncia relativa deve entender-se como uma medio fsica de uma
grandeza terica associada a um acontecimento que a probabilidade. A
probabilidade, do ponto de vista fsico, a taxa ou intensidade de realizao
de um fenmeno natural.
1.3. ESPAO DE PROBABILIDADES
Seja um conjunto no vazio (universo) e uma famlia no vazia de
subconjuntos de . O par (,) diz-se um espao de acontecimentos se:
A1) Se A ento
A2) Se A e B ento AB
Das propriedades habituais dos conjuntos resulta que:
1 - , pois = A e existe A ( uma famlia no vazia)
2 - Se A e B ento A B , pois A B =( ) B A
3 - , porque A = ou =
4 - Se A e B ento B\A = B
5 - Se A e B ento a diferena simtrica AB = (A\B) (B\A)
Um espao de acontecimentos (,) diz-se um espao de probabilidades
(,,P) se, para todo o acontecimento A est definida uma funo real
P: , dita probabilidade, tal que:
P1) P(A)0
P2) P()=1
P3) se AB = ento P(AB) = P(A) + P(B)
Consequncias:
1 - P() = 1 P(A)
Como A = e A = ,
logo, P() = 1 P(A ) = 1 P(A) + P() = 1 P() = 1 P(A)
2 - P() = 0
pois =
3 - Se AB ento P(A)P(B)
Como B=A(B\A), ento P(B)=P(A)+P(B\A) e P(B\A)0
4 - P(A\B)=P(A) P(AB)
Como A=(AB)(A\B), ento P(A)=P(AB)+P(A\B)
5 - Se BA ento P(A\B)=P(A) P(B)
pois AB=B
6 - P(A) 1
P() = 1 P(A) P(A) 1
7 - Generalizando P3, ( )
= =
= |
\
|
n
1 i
i
n
1 i
i
A P A P
U
se j i , A A
j i
=
) A ) A A (( P ) A A ( P
n 1 n 1 n 1
=

L L
) A ( P ) A A ( P
n 1 n 1
+ =

L ) A ( P ) A ) A A (( P
n 1 n 2 n 1
+ =

L
) A ( P ) A ( P ) A A ( P
n 1 n 2 n 1
+ + =

L ) A ( P ) A ( P
n 1
+ + = = L L
8 - ( )
= =
|
\
|
n
1 i
i
n
1 i
i
A P A P
U

9 - P(AB) + P(AB) = P(A) + P(B) P(AB) = P(A) + P(B) P(AB)
Como AB = (A\B) (B\A) (AB), vem que:
P(AB) = P(A\B)+P(B\A)+P(AB) = P(A)P(AB)+P(B)P(BA)+P(AB)
= P(A)+P(B)P(AB)
10 - Generalizao:
) A A ( P
n 1
L ) A ( P ) A ( P
n 1
+ + = L ) A A ( P ) A A ( P
3 1 2 1

) A A ( P
n 1 n

L ) A A A ( P
3 2 1
+ ) A A A ( P
n 1 n 2 n
+ +

L
( ) ) A A ( P 1
n 1
1 n
+ +

L L
11 - Se A={a, b, c, ..., h} ento P(A)=P({a})+P({b})+P({c})+...+P({h})
Daqui resulta, se os resultados forem equiprovveis, a definio de
Laplace:
P(A) = #A/# (da equiprobabilidade vem p
i
= 1/#)
Seja ={x
1
,x
2
,...,x
n
} #=n
P({x
i
}) todas iguais e ={x
1
}{x
2
}...{x
n
}
P()=P({x
1
})+P({x
2
})+...+P({x
n
})
P()=1 P({x
i
}) = 1/n, i=1, 2, ..., n
Seja A, #A=k, { }
|
|
|
\
|
=
U
A x
j
j
x P ) A ( P
n
1
n
1
n
1
+ + + = L
n
k
= =
#
A #

Espao de Acontecimentos Infinito*
Seja um conjunto no vazio (universo) e uma famlia no vazia de
subconjuntos de . O par (,) diz-se um espao de acontecimentos se for
uma -lgebra, isto , se verificar as duas condies seguintes:
A1) Se A ento A
A2) Se A
i
, i=1,2,... ento
U
=1 i
i
A
Podemos assim considerar acontecimentos que so constitudos por unies
numerveis de outras.
imediato verificar que a interseco numervel de elementos de ,
pertence a , assim como , e as diferenas e diferenas simtricas
pertencem a .
Podemos assim dizer que uma -lgebra contm, alm de e , os
complementares, a diferena e a diferena simtrica, e as unies e
interseces numerveis.
Um espao de acontecimentos (,), em que uma -lgebra, diz-se um
espao de probabilidades (,,P) se, para todo o acontecimento A est
definida uma funo real : P , dita probabilidade, tal que:
P1*) P(A)0
P2*) P()=1
P3*) dada uma sucesso de acontecimentos disjuntos L , A , A
2 1

(A
i
A
j
=, se ij), tem-se ( )
=
= |
\
|
1 i
i
1 i
i
A P A P
U
(srie
convergente, pois uma srie de termos positivos, majorada
por 1, visto que
=
U
1 i
i
A .
O axioma P3* o axioma da aditividade generalizada.
Axioma da continuidade
Se L L
n 2 1
A A A e =
=
I
1 i
i
A ento P(A
n
)0
Se L L
n 2 1
A A A e A A
1 i
i
=
=
I
ento P(A
n
)A
1.4. PROBABILIDADES CONDICIONAIS E INDEPENDNCIA
Qual a probabilidade de certo acontecimento se um outro acontecimento
se verificou?
Representa-se por P(A/B) a probabilidade de A se realizar em dada
experincia aleatria sabendo que B se realizou ( (A/B) significa A dado B).
Exemplo do lanamento de um dado:
A = sada de nmero par B = sada de nmero impar
P(sair o n 6) =
6
1
, mas P(sair o n 6/A) P(sair o n 6/B)
Definio de probabilidade condicionada
Seja (,,P) um espao de probabilidades e B tal que P(B) 0, a funo
( )
( )
( ) B P
B A P
B / A P

= diz-se probabilidade condicional (ou condicionada) de A
por B.
Esta funo uma probabilidade, pois verifica os axiomas P1, P2 e P3 sobre
o mesmo espao (,). Tem-se ainda:
P(A/A) = 1 P(A/) = 0
Se BA ento P(A/B) = 1
Exemplo do lanamento de um dado:
No exemplo anterior:
P(sair o n 6/A) =
( )
( ) par" n sair " P
par" n sair " e 6" n sair " P
=
6
3
6
1
=
3
1

P(sair o n 6/B) =
( )
( ) impar" n sair " P
impar" n sair " e 6" n sair " P
=
6
3
0
=0
P(sair o n 4/A) =
( )
( ) par" n sair " P
par" n sair " e 4" n sair " P
=
6
3
6
2
=
3
2

Para calcular P(A/B), B funciona como espao de resultados (reduzido),
sendo P(A/B) uma fraco de P(B), que corresponde a AB.
Do mesmo modo, podemos definir ( )
( )
( ) A P
B A P
A / B P

= , quando P(A) 0.
Se P(A)>0 e P(B)>0, obtemos ento:
P(AB) = P(A) P(B/A) = P(B) P(A/B)
Exemplo:
Consideram-se duas caixas de parafusos:
Caixa A com 10 parafusos, dos quais 8 so bons e 2 defeituosos;
Caixa B com 12 parafusos, dos quais 7 so bons e 5 defeituosos.
Escolhe-se uma caixa ao acaso e um parafuso ao acaso.
Vamos definir os acontecimentos A = o parafuso escolhido da caixa A e
B = o parafuso escolhido bom.
P(B/A) =
10
8
=
5
4
P(B/) =
12
7

P(AB) = P(A) P(B/A) =
5
4
2
1
=
5
2

P(B) = P() P(B/ ) =
12
7
2
1
=
24
7

1.4.1. Teorema das Probabilidades Compostas
Dados n acontecimentos
n 2 1
A , , A , A L tais que ( ) 0 A A A P
1 n 2 1
>

L ,
tem-se
( ) ( ) ( ) ( ) ( )
1 n 1 n 2 1 3 1 2 1 n 1
A A / A P A A / A P A / A P A P A A P

= L L L
Demonstrao
Dado que
1 2 1 2 n 1 1 n 1
A A A A A A A

L L L ,
ento ( ) ( ) ( ) ( )
1 2 1 2 n 1 1 n 1
A P A A P A A P A A P 0 <

L L L
so possveis todas as probabilidades condicionadas
Para n=2, vem pela definio:
( ) ( ) ( )
1 2 1 2 1
A / A P A P A A P =
Considerando-se que se verifica para n-1, isto :
( ) ( ) ( ) ( )
2 n 1 1 n 1 2 1 1 n 1
A A / A P A / A P A P A A P

= L L L
Vai verificar-se para n:
( )
n 1
A A P L = ( ) ( )
n 1 n 1
A A A P

L =
( ) ( )
1 n 1 n 1 n 1
A A / A P A A P

L L =
( ) ( ) ( ) ( )
1 n 1 n 2 n 1 1 n 1 2 1
A A / A P A A / A P A / A P A P

L L L
Pelo princpio de induo matemtica fica provado o teorema.
Exemplo:
Numa caixa h 20 peas, das quais 5 so defeituosas. Tiram-se
sucessivamente e ao acaso 3 peas. Qual a probabilidade de que nenhuma
seja defeituosa?
Vamos definir os acontecimentos A
i
= sada de pea no defeituosa na i-
sima tiragem, i=1, 2, 3. Temos ento:
( )
3 2 1
A A A P = ( ) ( ) ( )
2 1 3 1 2 1
A A / A P A / A P A P =
18
13
19
14
20
15
=
228
91

1.4.2. Teorema das Probabilidades Totais
Uma famlia de acontecimentos {A
1
, ..., A
n
} uma partio de se
A
i
A
j
= , para ij
U
n
1 i
i
A
=
= A
1
A
2
...A
n
=
Podemos considerar parties com um nmero finito ou infinito numervel
de elementos. Uma partio finita ou infinita numervel tem como
propriedade imediata:
( ) ( )
=
i i
A P A P
U
=1
Teorema
Se {A
1
, ..., A
n
} uma partio de , e se P(A
i
) > 0, i=1,2,...,n, ento para
qualquer acontecimento B:
( ) ( ) ( )
=
=
n
1 i
i i
A / B P A P B P

A
1

B
A
4

A
3

A
2

A
5

Demonstrao
B = B = B (A
1
A
2
... A
n
) = (B A
1
) (B A
2
) ... (B A
n
)
P(B) = P((B A
1
) (B A
2
) ... (B A
n
)) =
P(B A
1
) + P(B A
2
) + ... + P(B A
n
) =
= P(A
1
)P(B/A
1
) + P(A
2
)P(B/A
2
) + ... + P(A
n
)P(B/A
n
) = ( ) ( )
=

n
1 i
i i
A / B P A P
Exemplo das caixas de parafusos:
Qual a probabilidade do parafuso escolhido ser bom?
P(B) = P(A) P(B/A) + P() P(B/) =
5
4
2
1
+
12
7
2
1
=
5
2
+
24
7
=
120
83

1.4.3. Teorema de Bayes
Se {A
1
, ..., A
n
} uma partio de , com P(A
i
) > 0, i=1,2,...,n, e dado
qualquer acontecimento B, P(B)>0, ento:
( )
( ) ( )
( ) ( )
=
n
1 j
j j
i i
i
A / B P A P
A / B P A P
B / A P (Frmula de Bayes)
Esta frmula, com base em probabilidades a priori, P(A
i
), combinadas
com alguma informao adicional, P(B/A
i
), permite fornecer as probabilidades
a posteriori, P(A
i
/B).
Demonstrao
( )
( )
( ) B P
B A P
B / A P
i
i
=
Pelo teorema das probabilidades totais, ( ) ( ) ( )
=
=
n
1 j
j j
A / B P A P B P
Logo, ( )
( ) ( )
( ) ( )
=
n
1 j
j j
i i
i
A / B P A P
A / B P A P
B / A P .
Exemplo das caixas de parafusos:
Sabendo que o parafuso bom, qual a probabilidade de ser da caixa A?
P(A/B) =
( ) ( )
( ) ( ) ( ) ( ) A / B P A P A / B P A P
A / B P A P
+
=
12
7
2
1
5
4
2
1
5
4
2
1
+
=
120
83
5
2
=
83
48

Exemplo 1:
Sabe-se que 5% da populao portuguesa sofre de hipertenso, e que de
entre os hipertensos se sabe que 75% ingerem bebidas alcolicas. De entre
os que no so hipertensos, 50% ingerem bebidas alcolicas. Qual a
percentagem de pessoas que, bebendo lcool, sofrem de hipertenso?
Vamos definir os acontecimentos H = a pessoa sofre de hipertenso e
B = a pessoa ingere lcool Temos ento:
P(H)=0,05 P( H)=1P(H)=0,95 P(B/H)=0,75 P(B/ H)=0,50
P(H/B)=?
0,05
com
hipertenso
sem
hipertenso
portugueses
0,95
0,75
ingere lcool
no ingere lcool

0,25
0,50
ingere lcool
no ingere lcool

0,50

P(H/B)=
( ) ( )
( ) ( ) ( ) ( ) H / B P H P H / B P H P
H / B P H P
+
=
5 , 0 95 , 0 75 , 0 05 , 0
75 , 0 05 , 0
+
=0,0732=7,32%
Qual a percentagem de pessoas que, no bebendo lcool, sofrem de
hipertenso?
( ) B / H P =
( ) ( )
( ) ( ) ( ) ( ) H / B P H P H / B P H P
H / B P H P
+
=
5 , 0 95 , 0 25 , 0 05 , 0
25 , 0 05 , 0
+
=0,0256=2,56%
Exemplo 2:
Um estudante universitrio sabe que tem uma probabilidade igual a 0,3 de
obter uma bolsa de estudo. Se obtiver a bolsa de estudo, a probabilidade
de que venha a concluir o curso de 0,85, caso contrrio essa
probabilidade de 0,45. Qual a probabilidade de ele ter tido a bolsa de
estudo sabendo que ele concluiu o curso?

0,3
com bolsa
sem bolsa
estudante
0,7
0,85
conclui curso
no conclui curso
0,15
0,45
conclui curso
no conclui curso
0,55

Vamos definir os acontecimentos A
1
= o aluno obteve a bolsa de estudo,
A
2
= o aluno no obteve a bolsa de estudo e B = o aluno conclui o curso
Temos ento:
P(A
1
)=0,3 P(A
2
)=1P(A
1
)=0,7 P(B/A
1
)=0,85 P(B/A
2
)=0,45
P(A
1
/B)=?
P(A
1
/B)=
( ) ( )
( ) ( ) ( ) ( )
2 2 1 1
1 1
A / B P A P A / B P A P
A / B P A P
+
=
45 , 0 7 , 0 85 , 0 3 , 0
85 , 0 3 , 0
+
=0,4474
Exemplo 3:
O Sr. Silva est a pensar em comprar um carro usado de marca X, em certo
stand. Para tomar uma boa deciso, consultou uma revista de automveis e
verificou que dos carros da marca X 30% tm defeitos na transmisso. Para
ter mais informao sobre o carro que queria comprar, o Sr. Silva pediu a
um mecnico seu amigo para dar uma volta com o carro e dar a sua
opinio. Este mecnico no infalvel, sabe-se que dos carros com defeito
que analisou, s deu com o defeito em 90% dos casos. Por outro lado, em
relao a carros bons, ele acertou em 80% dos casos.
Se o mecnico disser ao Sr. Silva que o carro bom, qual a probabilidade
de que o carro tenha um defeito?

carro bom
0,30
com defeito
sem defeito
carros da marca X
0,70
0,10
carro bom
carro mau
0,90
0,80
0,20
carro mau
situao do carro mecnico classifica

Vamos definir os acontecimentos D
1
= o carro tem um defeito, D
2
= o
carro no tem um defeito e B = o mecnico diz que o carro bom
Temos ento:
P(D
1
)=0,30 P(D
2
)=1P(D
1
)=0,70 P(B/D
1
)=0,10 P(B/D
2
)=0,80
P(D
1
/B)=?
P(D
1
/B)=
( ) ( )
( ) ( ) ( ) ( )
2 2 1 1
1 1
D / B P D P D / B P D P
D / B P D P
+
=
8 , 0 7 , 0 1 , 0 3 , 0
1 , 0 3 , 0
+
=0,0508
1.4.4. Independncia de Acontecimentos
Dois acontecimentos A e B dizem-se independentes se e s se
P(AB)=P(A)P(B)
Esta definio vlida para P(A)0 e P(B)0. Assim, se A for tal que P(A)=0,
ento A independente de qualquer outro acontecimento, e, em particular,
independente de e de .
Se A e B so independentes, ento temos que:
P(A/B)=P(AB)/P(B)=P(A)P(B)/P(B)=P(A) se P(B)>0, significando que B no
afecta a ocorrncia de A
P(B/A)=P(AB)/P(A)=P(A)P(B)/P(A)=P(B) se P(A)>0, significando que A no
afecta a ocorrncia de B
Exemplo da extraco de 3 peas:
Considerando-se que a extraco feita com reposio. Neste caso, os
acontecimentos A
1
, A
2
e A
3
so independentes e por isso:
( )
3 2 1
A A A P = ( ) ( ) ( )
3 2 1
A P A P A P =
20
15
20
15
20
15
=
3
4
3
|
\
|
=
64
27

Exemplo:
No lanamento de dois dados, o nmero de pontos que sai num dado
independente do outro.
Acontecimentos independentes e acontecimentos incompatveis traduzem
relaes diferentes.
Se P(A)>0 e P(B)>0, caso A e B sejam incompatveis no podem ser
independentes, visto que se tem:
AB= 0=P(AB)P(A)P(B)
A realizao de um implica a no realizao do outro. As duas relaes s
coincidem se P(A)=0 (ou P(B)=0).
Teorema
Se A e B so independentes, ento tambm o so: A e B; e B; e B.
Demonstrao
Se A e B so independentes, ento P(AB)=P(A)P(B).
Ento, P(AB)=P(A)-P(AB)=P(A)-P(A)P(B)=P(A)(1-P(B))=P(A)P( B), e
por isso, A e B so independentes.
Ento, P(B)=P(B)-P(AB)=P(B)-P(A)P(B)=(1-P(A))P(B)=P()P(B), e por
isso e B so independentes.
Ento, P(B)=P( B A )=1P(AB)=P()-P(B)+P(AB)=
P()-P(B)+P(A)P(B)=P()+(P(A)-1)P(B)=P()-P()P(B)=P()P( B), e por
isso e B so independentes.
2. VARIVEIS ALEATRIAS
Em muitas experincias aleatrias, os elementos do espao de resultados
so nmeros reais. Quando no um conjunto numrico, a aplicao de um
procedimento estatstico passa, em geral, pela atribuio de um nmero real
a cada elemento de . Esta atribuio pode ser convencional.
Consideramos ento uma funo real e finita:
X: R
Dado um acontecimento, A, chama-se imagem de A por X a:
X(A) = {X(): A} (conjunto de nmeros reais)
Por outro lado, para cada subconjunto ER, podemos considerar X
-1
(E):
X
-1
(E) = {: X()E} (imagem inversa de E)
X()E X
-1
(E)
Dado um espao de probabilidades (,,P), uma funo X: R uma
varivel aleatria se,
xR, o conjunto {: X()x}
Assim, podemos definir a probabilidade associada ao conjunto ER:
P(X()E) = P(X
-1
(E))
P
X
(E) = P(X
-1
(E)), dado que X
-1
(E) e logo X
-1
(E)
Exemplo:
Um casal quer ter 3 filhos. Quais so os resultados possveis em termos de
meninos e meninas?

MMM
MMF
MF M
F MM
MFF
FF M
FMF
FF F
0
1
2
3

#=8
X = nmero de meninas
X(){0,1,2,3}

P(X=0) = P({MMM}) = 1/8
P(X=1) = P({MMF,MFM,FMM}) = 3/8
P(X=2) = P({MFF,FFM,FMF}) = 3/8
P(X=3) = P({FFF}) = 1/8
2.1. FUNO DE DISTRIBUIO
Podemos assim calcular P(X = a), P(a<X<b), P(Xc), P(X>c), com a, b, cR.
Tem-se, em particular, que P(Xc) + P(X>c) = 1 P(Xc) = 1 P(X>c).
Assim, xR, podemos calcular P(Xx) que uma funo de x.
F: R [0;1]
F(x) = P(Xx)
a funo de distribuio da varivel aleatria X. Esta funo d-nos a
probabilidade de X tomar valores inferiores ou iguais a um dado nmero real
Propriedades:
P1) 0F(x)1, qualquer que seja a funo de distribuio, visto que F(x)
uma probabilidade.
P2) F(x) no decrescente
P3) 0 ) x ( F lim
x
=

e 1 ) x ( F lim
x
=
+

P4) P(x
1
<Xx
2
) = F(x
2
) F(x
1
)
P5) Toda a funo de distribuio contnua direita.
Exemplo anterior do nmero de meninas (ou n de coroas em 2 dados):
( )
<
<
<
<
=
3 x , 1
3 x 2 , 8 / 7
2 x 1 , 2 / 1
1 x 0 , 8 / 1
0 x , 0
x F

0
0.2
0.4
0.6
0.8
1
0 1 2 3
n de meninas
F(x)
Funo de Distribuio

2.2. VARIVEL ALEATRIA DISCRETA
Uma varivel aleatria X diz-se discreta se o conjunto de pontos para os
quais X tem probabilidade positiva finito ou infinito numervel. A varivel
aleatria X s toma valores num conjunto numervel.
Sejam x
1
, x
2
, x
3
, ... os valores que X pode tomar e p
1
, p
2
, p
3
, ..., as
respectivas probabilidades, p
i
= P(X = x
i
)
Chamamos funo de probabilidade de X funo:
( )
= =
=
valores outros , 0
2, 1, i , x x , p
x f
i i
K

Exemplo anterior do nmero de meninas (ou n de coroas em 2 dados):
( )
= =
= =
=
=
x de valores outros , 0
2 x 1 x , 8 / 3
3 x 0 x , 8 / 1
x f
meninas" de nmero " X

0
3/8
0 1 2
3
funo de probabilidade
n de meninas
1/8

Exemplo lanamento de um dado:
022

0
1/6
0 1 2 3 4 5 6
funo de probabilidade
n pontos

Dos axiomas de probabilidade, tem-se:
- f(x)0, xR
- f(x
i
) = p
i
= 1
- ( ) ( )
=
E x
i
i
x f E X P , R E
A funo de distribuio de uma varivel aleatria discreta pode ento
escrever-se:
F(x) = P(Xx) = ( )
x x
i
i
x f =
x x
i
i
p
A funo de distribuio de uma varivel aleatria discreta apresenta tanto
saltos quantos os pontos x
i
de probabilidade diferente de zero.
O caso mais simples de uma varivel aleatria discreta (caso degenerado)
aquele em que h apenas um valor para o qual a probabilidade positiva
(p=1).

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

0
1
a x
F(x)
( )
<
=
a x , 1
a x , 0
x F

2.3. VARIVEL ALEATRIA CONTNUA
Uma varivel aleatria X diz-se contnua se existir uma funo f(x), no
negativa f(x)0, xR, tal que:
( ) ( )

=
x
R x , dt t f x F
Se esta funo existir, chamada funo densidade de probabilidade.
Neste caso, F(x) contnua em todos os pontos e tambm derivvel em
quase todos os pontos. Derivando F(x) obtm-se:
F(x) = f(x)
em todos os pontos de x onde f(x) contnua. Nos outros pontos f(x) = 0.
Isto , a funo densidade de probabilidade f(x) a derivada da funo de
distribuio.
Do axioma 1 das probabilidades, tem-se:
( ) 1 dt t f =
+

Uma funo f(x) uma funo densidade de probabilidade se e s se:
f(x)0, xR
( ) 1 dt t f =
+

Tem-se ainda que:
( ) ( ) ( ) ( ) ( ) ( )

= = = <

b
a
a b
dt t f dt t f dt t f a F b F b X a P
Isto , a probabilidade de que a varivel aleatria X tome valores entre a e
b igual rea sob a curva f(x) entre x=a e x=b.

0
f(
o
)
b x
f(x)
a
( ) b X a P <

rea total sob a curva = ( ) 1 dt t f =
+

Ento, para um pequeno intervalo de comprimento x centrado em x=c, a
probabilidade associada aproximada por xf(c) (rea do rectngulo).
Quando x tende para zero, visto que F(x) contnua, tem-se:
P(X=c) = 0, qualquer que seja c.
Ateno que pelo facto da probabilidade ser nula, no significa que X=c
seja um acontecimento impossvel!
Da continuidade de F(x) resulta que as probabilidades P(a<Xb), P(a<X<b),
P(aX<b), P(aXb) so todas iguais, o que no verdade no caso discreto.
P(a<Xb) = P(a<X<b) = P(aX<b) = P(aXb) = ( )
b
a
dt t f
Exemplo 1:
Suponha que X uma varivel aleatria com funo densidade:
( )
( )
>

<
=

1 x , e
1 x 0 , 5 , 0
0 x , 0
x f
1 x 2

1) Verificar que f(x) uma funo densidade de probabilidade
f(x)0, pois
( )
0 e
1 x 2

; 0,50 e 00
( )
+

dt t f =
( )

+

+ +
1
1 t 2
0 1
0
dt e dt 5 , 0 dt 0 = [ ]
( )
x
0
1 t 2
x
1
0
2
e
lim t 5 , 0 0
(
(
+ +

+
=
( )
2
1
2
e
lim 0 5 , 0
1 x 2
x
+
|
|
\
|
+

+
= 0+1 = 1
2) Calcular a funo de distribuio F(x)
( ) ( ) ( )

= =
x
dt t f x X P x F
Se x<0, ( ) x F =

x
dt 0 = 0
Se 0x1, ( ) x F =
( )

+

x
0
0 F
0
dt
2
1
dt 0
3 2 1
=
x
0
2
t
0
(
+ =
2
x

Se x>1, ( ) x F =
( )
( )

+ +
x
1
1 t 2
1 F
1
0
0
dt e dt
2
1
dt 0
4 43 4 42 1
=
( )
x
1
1 t 2
1
0
2
e
2
t
0
(
(
+
(
+

=
( )
2
1
2
e
0
2
1
1 x 2
+

=
( )
2
e
1
1 x 2

( )
( )

<
=

1 x , e 5 , 0 1
1 x 0 , x 5 , 0
0 x , 0
x F
1 x 2

Exemplo 2:
Suponha que X o tempo de vida de uma lmpada, em anos, com funo
densidade:
( )
<
0 x , 0
0 x , e 2
x f
x 2

f(x)0, 0 e 2 0 e
x 2 x 2

( )
+

dt t f =

+

+
0
t 2
0
dt e 2 dt 0 =

+
+
x
0
t 2
x
dt e 2 lim 0 = [ ]
x
0
t 2
x
e lim

+
=
( ) 1 e lim
x 2
x
+

+
= ( ) 1 e lim
x 2
x
+

+
= 0+1 = 1
2) Calcular P(X3)
P(X3) = ( )
+
3
dt t f =
3
t 2
dt e 2 =

+
x
3
t 2
x
dt e 2 lim = [ ]
x
3
t 2
x
e lim

+
=
( )
6 x 2
x
e e lim

+
+ = ( )
6 x 2
x
e e lim

+
+ =
6
e 0

+ =
6
e
0,0025 = 0,25%
Exemplo 3:
Suponha que X o tempo de vida de um novo tipo de lmpadas, em
milhares de anos, com funo densidade de probabilidade:
( )
( ) [ ]

=
valores outros , 0
2 x 1 , 5 , 1 x 25 , 0 6
x f
2

f(x)0, 2 x 1 5 , 0 5 , 1 x 5 , 0 ( ) 25 , 0 5 , 1 x 0
2

( ) 25 , 0 5 , 1 x 25 , 0 0
2
( ) 5 , 1 x f 0 f(x)0
( )
+

dt t f = ( ) [ ]

+

+ +
2
2
1
2
1
dt 0 dt 5 , 1 t 25 , 0 6 dt 0 = ( )
+
2
1
2
dt t 3 25 , 2 t 6 5 , 1 =
+
2
1
2
tdt 18 5 , 13 t 6 5 , 1 =

2
1
2
dt 12 t 6 t 18 =[ ]
2
1
3 2
t 12 t 2 t 9 =36-16-24-9+2+12=1
2.4. VALOR MDIO, VARINCIA E ASSIMETRIA DE UMA VARIVEL ALEATRIA
2.4.1. Valor Mdio
O valor mdio ou mdia de uma distribuio, geralmente designa-se por ,
dado por:
( )
=
x
x f x , se a distribuio de uma varivel discreta
( )
+

= dx x xf , se a distribuio de uma varivel contnua
Se a srie (no caso discreto) ou o integral (no caso contnuo) no forem
convergentes, diz-se que no existe mdia.
A mdia tambm chamada de valor esperado e notada por E(X).
A moda corresponde ao valor de x para o qual f(x) mxima localmente.
{ } f(x) mx : R x
o
=
A mediana corresponde ao ponto onde a funo de distribuio atinge os
0,5. Ou seja, no caso de X varivel aleatria contnua:
( ) 0,5 F :
e e
=
Exemplo discreto lanamento de um dado:
( )
=
x
x f x =
6
1
6
6
1
5
6
1
4
6
1
3
6
1
2
6
1
1 + + + + + =
6
21
=3,5
Em mdia saem 3,5 pontos no lanamento do dado.
Exemplo discreto nmero de meninas (ou n de coroas em 2 dados):
( )
=
x
x f x =
8
1
3
8
3
2
8
3
1
8
1
0 + + + =
8
12
=1,5
Em mdia o nmero de meninas de 1,5.
Exemplo contnuo 1:
( )
+

= dx x xf =
( )

+

+ +
1
1 x 2
1
0
0
dx xe xdx 5 , 0 dx 0 = (integrao por partes) =
( ) ( )
|
|
|
\
|
(
(
+
(
(

+
1
1 x 2
1
1 x 2
1
0
2
dx
2
e
2
e
x lim
4
x
0 =
( )
( )

+

+
(
(
+
|
|
\
|
+
1
1 x 2 0
1 2
4
e
lim
2
e
e 2
lim 0
4
1
=
( )
( )
4
e
4
e
lim
2
1
e 4
1
lim
4
1
0 1 2
1 2
+
|
|
\
|
+
|
|
\
|

+

+
=
4
1
0 0
4
3
+ = 1
Exemplo contnuo 2:
( )
+

= dx x xf =

+

+
0
x 2
0
dx xe 2 dx 0 =

+
+
0
x 2
dx xe 2 lim 0 = (integrao por partes)
= [ ]
|
|
\
|

+
0
x 2
0
x 2
dx e xe lim =
+ +
(
(
+
|
|
\
|
0
x 2
0
x 2
2
e
lim e 0
e
x
lim =
2
e
2
e
lim
e 2
1
lim
0 2
x 2
+
|
|
\
|

+ +
=
2
1
0 0 + = 0,5
Em mdia uma lmpada dura 0,5 anos.
2.4.2. Valor Esperado
Seja g(X) uma funo da varivel aleatria X. O valor esperado de g(X),
E(g(X)) se existir dado por:
( ) ( ) ( ) ( )
=
x
x f x g X g E , se X uma varivel discreta
( ) ( ) ( ) ( )
+

= dx x f x g X g E , se X uma varivel contnua
Propriedades:
P1) E(c) = c , qualquer que seja a constante c
( ) ( )
+

= dx x f c c E = ( )
+

dx x f c = 1 c =c
P2) Se E(g(X)) existe e c uma constante, ento E(cg(X)) = cE(g(X))
P3) Se E(g
1
(X)) e E(g
2
(X)) existem, ento E[g
1
(X)+g
2
(X)] = E(g
1
(X))+E(g
2
(X))
P4) Se E(g(X)) existe e a e b so constantes, ento E(ag(X)+b)=aE(g(X))+b
2.4.3. Momentos
O momento de ordem k em relao origem, ou momento ordinrio de
ordem k, dado pela seguinte expresso:
( )
k
k
X E ' =
Para k=1, ( ) X E '
1
= = .
O momento de ordem k em relao mdia, ou momento centrado de
ordem k, dado pela seguinte expresso:
( ) [ ]
k
k
X E =
Em particular, para k=1 vem que: ( ) ( ) 0 X E X E
1
= = =
2.4.4. Varincia
O momento centrado de ordem 2, ( ) [ ] ( ) X V X E
2 2
2
= = = a varincia
O desvio padro dado por:
2
+ = .
Assim, a expresso para clculo da varincia uma das seguintes:
( ) ( ) ( )
= =
x
2 2
x f x X V , se X uma varivel discreta
( ) ( ) ( )
+

= = dx x f x X V
2 2
, se X uma varivel contnua
Tem-se ainda que: ( ) ( ) ( ) [ ] ( )
2
1 2
2 2
' ' X E X E X V = =
( ) ( ) ( ) [ ]
2
X E X E X V = = ( ) ( ) ( ) [ ] X E X 2 X E X E
2 2
+ =
( ) ( ) ( ) [ ] ( ) [ ] X E X E 2 X E E X E
2 2
+ = ( ) ( ) [ ] ( ) ( ) X E X E 2 X E X E
2 2
+ =
( ) ( ) [ ] ( ) [ ]
2 2 2
X E 2 X E X E + = ( ) ( ) [ ]
2 2
X E X E
Propriedades da Varincia:
P1) Se a uma constante, ento V(a) = 0
P2) Se a uma constante, ento V(aX) = a
2
V(X)
P3) Se a e b so constantes, ento V(aX+b) = a
2
V(X)
A varincia uma medida de disperso dos valores da varivel aleatria X
em torno da mdia. Uma medida de disperso relativa ser o coeficiente de
variao e igual, no caso de existir:
= CV
V(X)= ( ) ( )

x
2
x f 5 , 3 x =( ) ( ) ( )
6
1
5 , 2
6
1
5 , 1
6
1
5 , 0
6
1
5 , 0
6
1
5 , 1
6
1
5 , 2
2 2 2 2 2 2
+ + + + + =
2,92 ( ) 92 , 2 X V = + = =1,7
Exemplo discreto nmero de meninas:
V(X)= ( ) ( )

x
2
x f 5 , 1 x =( ) ( )
8
1
5 , 1
8
3
5 , 0
8
3
5 , 0
8
1
5 , 1
2 2 2 2
+ + + = 0,75
( ) 75 , 0 X V = + = =0,87
Exemplo contnuo:
( )
+

= dx x f x '
2
2
=

+

+
0
x 2 2
0
dx e x 2 dx 0 =

+
+
0
x 2 2
dx e x 2 lim 0 =
[ ]
|
|
\
|

+
0
x 2
0
x 2 2
dx xe 2 e x lim =
+ +
+ +
|
|
\
|
0
x 2 0 2
x 2
2
dx xe 2 lim e 0
e
x
lim =
2
1
e 2
x 2
lim
x 2
+
|
|
\
|
+
=
2
1
e 2
1
lim
x 2
+
|
|
\
|
+
=
2
1
0 + = 0,5
V(X)= ( )
2
1 2
' ' =
2
2
1
2
1
|
\
|
=
4
1
2
1
=
4
1
= 0,25 ( ) 25 , 0 X V = + = =0,5
2.4.5. Funo Geradora de Momentos
Para calcular os momentos , por vezes, mais simples utilizar a funo
geradora de momentos:
(t) = ( )
tX
e E
A funo geradora de momentos est definida para todos os valores de t
onde existe este valor esperado.
( ) ( ) ( )
= =
x
tx tX
x f e e E t , se X uma varivel discreta
( ) ( ) ( )
+

= = dx x f e e E t
tx tX
, se X uma varivel contnua
Derivando estas expresses, obtm-se:
( ) ( )
=
x
tx
x f xe t '
( ) ( )
=
x
tx k ) k (
x f e x t , no caso discreto
( ) ( )
+

= dx x f xe t '
tx

( ) ( )
+

= dx x f e x t
tx k ) k (
, no caso contnuo
Calculando estas derivadas para t=0, vem que:
( ) ( )
=
x
x 0 k ) k (
x f e x 0 = ( )
x
k
x f x = ( )
k
X E , no caso discreto
( ) ( )
+

= dx x f e x 0
x 0 k ) k (
= ( )
+

dx x f x
k
= ( )
k
X E , no caso contnuo
Ou seja, as derivadas da funo geradora de momentos calculadas para t=0
so iguais aos momentos ordinrios de ordem da derivada respectiva,
( )
( ) 0 '
k
k
= . Em particular, ( ) ( ) 0 ' X E = = .
Exemplo discreto:
Seja X uma varivel que representa o nmero de insucessos (probabilidade
de insucesso q) antes de obter sucesso (probabilidade de sucesso p=1-q)
numa determinada experincia:
( ) p q x f
x
= , x = 0, 1, 2, ...
(t)= ( )
x
tx
x f e =
=0 x
x tx
p q e = ( )
=0 x
x
t
q e p =
t
qe 1
1
p
, se 1 qe
t
<
q
1
e
t
<
( ) q ln t <
(t) = ( )
1
t
qe 1 p

, ( ) q ln t <
(t) = ( )
2
t t
qe 1 pqe

(0) = ( )
2
q 1 pq

=
2
p q p

=
p
q

2.4.6. Assimetria
Uma distribuio simtrica em relao a um valor c se e s se:
f(cd) = f(c+d) , d>0
Se a distribuio simtrica, ento simtrica em relao mdia (ou
seja, c=), e se o seu 3 momento centrado existe, ento nulo. Assim como,
se existir o momento centrado de uma ordem mpar qualquer, ele ser nulo se
a distribuio for simtrica.
Medida de Assimetria (no depende de unidades)
( )
( ) [ ]
3
3
2
3
2
3
1
X E
=
Coeficiente de Achatamento
( )
( ) [ ]
3
X E
3
4
4
2
2
4
2

=
Quando
2
=0, corresponde a uma distribuio mesocrtica, como a
distribuio Normal. No caso de
2
>0, distribuio leptocrtica, a distribuio
apresenta as caudas mais espessas e com a zona central mais pontiaguda
que a distribuio Normal. No caso contrrio,
2
<0, distribuio platicrtica,
a distribuio apresenta as caudas mais finas e com a zona central mais
achatada que a distribuio Normal.
Exemplo de verificao da simetria:
Considere-se a funo densidade de probabilidade:
( )
<

<
=
valores outros , 0
3 x 2 , 2 / x 2 / 3
2 x 1 , 2 / 1
1 x 0 , 2 / x
x f
( ) ( )
+

= = dx x xf X E =

+

+ + + +
2
2
1
3
2
2
1
0
2
0
dx 0 dx
2
x
2
x 3
dx
2
x
dx
2
x
dx 0 =
0
6
x
4
x 3
4
x
6
x
0
3
2
3 2
2
1
2
1
0
3
+
(
(
+
(
(
+
(
(
+ =
6
8
4
12
6
27
4
27
4
1
1 0
6
1
+ + + = 3/2
A distribuio de X ser simtrica se e s se f(3/2d) = f(3/2+d) , d>0
Para 0<d1/2, 3/2<3/2+d2 f(3/2+d) = 1/2
13/2-d<3/2 f(3/2-d) = 1/2
Para 1/2<d3/2, 2<3/2+d3 f(3/2+d) = 3/2-(3/2+d)/2 = 3/4-d/2
03/2-d<1 f(3/2-d) = (3/2-d)/2 = 3/4-d/2
Para d>3/2, 3/2+d>3 f(3/2+d) = 0
3/2-d<0 f(3/2-d) = 0
Logo, como para todo o d>0, f(3/2x) = f(3/2+x) a distribuio simtrica
em relao ao ponto =3/2.
3
= ( ) ( )

x
3
x f 5 , 3 x =( ) ( ) ( )
6
1
5 , 2
6
1
5 , 1
6
1
5 , 0
6
1
5 , 0
6
1
5 , 1
6
1
5 , 2
3 3 3 3 3 3
+ + + + + = 0
3
1
7 , 1
0
= = 0, pois a distribuio simtrica.
Exemplo discreto nmero de meninas:
3
= ( ) ( )

x
3
x f 5 , 1 x =( ) ( )
8
1
5 , 1
8
3
5 , 0
8
3
5 , 0
8
1
5 , 1
3 3 3 3
+ + + = 0
3
1
87 , 0
0
Exemplo contnuo:
Considere-se a funo densidade de probabilidade:
( )

=
valores outros , 0
2 x 0 , 2 / 1
x f
( ) ( )
+

= = dx x xf X E =

+

+ +
2
2
0
0
dx 0 dx
2
x
dx 0 = 0
4
x
0
2
0
2
+
(
(
+ = 0
4
4
= 1
( ) ( )
+

= = dx x f x X E '
2 2
2
=

+

+ +
2
2
0
2
0
dx 0 dx
2
x
dx 0 = 0
6
x
0
2
0
3
+
(
(
+ = 0
6
8
=
3
4

V(X)= ( )
2
1 2
' ' =
2
1
3
4
=
3
1
( ) 3 / 1 X V = + = =0,577
( ) [ ] ( ) ( )
+

= = dx x f 1 x 1 X E
3 3
3
=
( )

+

+
+
2
2
0
3
0
dx 0 dx
2
1 x
dx 0 =
( )
0
8
1 x
0
2
0
4
+
(
(

+
=
8
1
8
1
= 0
3
1
577 , 0
0
2.5. TRANSFORMADAS DE VARIVEIS ALEATRIAS
O objectivo das transformadas de variveis aleatrias obter a funo que
descreve a distribuio da varivel aleatria Y dada como uma transformao
de uma varivel aleatria X para a qual se conhece a sua distribuio. Esta
transformao pode ser dada por ( ) X Y = . Temos que distinguir os dois casos
diferentes que pode ser a varivel X, caso discreto e caso contnuo.
2.5.1. Varivel Aleatria Discreta
Neste caso temos uma varivel aleatria X discreta, para a qual
conhecemos a sua funo de probabilidade dada por ( ) x f
X
. O objectivo
determinar a funo de probabilidade da varivel aleatria ( ) X Y = , que ser
representada por ( ) y f
Y
.
Pela definio de funo de probabilidade obtm-se as seguintes
igualdades:
( ) ( ) y Y P y f
Y
= = ( ) ( ) y X P = = ( )
( )
=
= =
x y
x X P ( )
( )
=
=
x y
X
x f
Ou seja, a funo de probabilidade de Y pode ser calculada pela seguinte
expresso
( ) ( )
( )
=
=
x y
X Y
x f y f
Exemplo
Seja X uma varivel aleatria discreta com a funo de probabilidade:
X -1 0 1 2 3
( ) x f
X
1/4
1/8 1/8 3/8 1/8
Seja Y a varivel aleatria dada pela expresso Y=X
2
+1, a sua funo de
probabilidade ser:
Y=X
2
+1 1 2 5 10
( ) ( )
+ =
=
1 x y
X Y
2
x f y f
1/8 3/8
(1/4+1/8)
3/8 1/8
Seja T a varivel aleatria dada pela expresso T=(X-1)
2
/2, a sua funo de
probabilidade ser:
T=(X-1)
2
/2 0 1/2 2
( ) ( )
=
=
2 / ) 1 x ( t
X T
2
x f t f
1/8 1/2
(1/8+3/8)
3/8
(1/4+1/8)
2.5.2. Varivel Aleatria Contnua
Neste caso temos uma varivel aleatria X contnua, para a qual
conhecemos a sua funo densidade de probabilidade dada por ( ) x f
X
. O
objectivo determinar a funo densidade de probabilidade da varivel
aleatria ( ) X Y = , que ser representada por ( ) y f
Y
.
A transformao obtm-se relacionando as funes de distribuio de Y e
de X. Com esta relao pode-se obter uma frmula de determinar a relao
entre a funo densidade de Y e a de X.
( ) ( ) y Y P y F
Y
= ( ) ( ) y X P =
A inequao ( ) y X ter de ser resolvida em relao a X. Esta resoluo
depende da forma da funo ( ) X que transforma a varivel X em Y. Se esta
funo for injectiva crescente, se for injectiva decrescente ou se no for
injectiva, ter uma resoluo diferente.
2.5.2.1. (X) injectiva crescente
( ) ( ) y Y P y F
Y
= = ( ) ( ) y X P ( ) ( ) y X P
1
= ( ) ( ) y F
1
X

=
Derivando a funo de distribuio obtm-se a funo densidade de
probabilidade:
( ) ( ) [ ] y F
dy
d
y f
Y Y
= ( ) ( ) [ ] y F
dy
d
1
X

= = ( ) ( ) ( ) [ ] y
dy
d
y f
1 1
X

Ou seja, obtm-se uma forma de calcular a funo densidade de Y a partir
da funo densidade de X que, sendo (X) uma funo injectiva e crescente,
dada pela seguinte expresso:
( ) y f
Y
= ( ) ( ) ( ) [ ] y
dy
d
y f
1 1
X

Exemplo
Seja X uma varivel aleatria contnua para a qual conhecemos a sua
funo densidade de probabilidade. Seja Y a varivel aleatria dada pela
expresso Y=2X+1.
Como (X)=2X+1 uma funo injectiva crescente, pode-se usar a relao
anterior:
1 x 2 y + =
2
1 y
x

= ( )
2
1 y
y
1

=
( ) [ ]
2
1
y
dy
d
1
=

( ) y f
Y
= ( ) ( ) ( ) [ ] y
dy
d
y f
1 1
X

=
2
1
2
1 y
f
X
|
\
|

Considere-se a funo densidade de probabilidade de X:
( )
<

<
=
valores outros , 0
3 x 2 , 2 / x 2 / 3
2 x 1 , 2 / 1
1 x 0 , 2 / x
x f
X

Para 1y<3, 0y-1<2 1
2
1 y
0 <

4
1 y
2
1 y
f
X
= |
\
|
( )
8
1 y
y f
Y
=
Para 3y5, 2y-14 2
2
1 y
1

2
1
2
1 y
f
X
= |
\
|
( )
4
1
y f
Y
=
Para 5<y7, 4<y-16 3
2
1 y
2
<
4
1 y
2
3
2
1 y
f
X
= |
\
|
( )
8
1 y
4
3
y f
Y
=
Para y>7, y-1>6 3
2
1 y
>
0
2
1 y
f
X
= |
\
|
( ) 0 y f
Y
=
Para y<1, y-1<0 0
2
1 y
<
0
2
1 y
f
X
= |
\
|
( ) 0 y f
Y
=
( )
<

<
=
valores outros , 0
7 y 5 , 8 / ) 1 y ( 4 / 3
5 y 3 , 4 / 1
3 y 1 , 8 / ) 1 y (
y f
Y

2.5.2.2. (X) injectiva decrescente
( ) ( ) y Y P y F
Y
= = ( ) ( ) y X P ( ) ( ) y X P
1
= ( ) ( ) y F 1
1
X

=
Derivando a funo de distribuio obtm-se a funo densidade de
probabilidade:
( ) ( ) [ ] y F
dy
d
y f
Y Y
= ( ) ( ) [ ] y F 1
dy
d
1
X

= = ( ) ( ) ( ) [ ] y
dy
d
y f
1 1
X

Ou seja, obtm-se uma forma de calcular a funo densidade de Y a partir
da funo densidade de X que, sendo (X) uma funo injectiva e
decrescente, dada pela seguinte expresso:
( ) y f
Y
= ( ) ( ) ( ) [ ] y
dy
d
y f
1 1
X

Exemplo
Seja X uma varivel aleatria contnua para a qual conhecemos a sua
funo densidade de probabilidade. Seja Y a varivel aleatria dada pela
expresso Y=-2X+1.
Como (X)=-2X+1 uma funo injectiva decrescente, pode-se usar a
relao anterior:
1 x 2 y + =
2
y 1
x

= ( )
2
y 1
y
1

=
( ) [ ]
2
1
y
dy
d
1
=

( ) y f
Y
= ( ) ( ) ( ) [ ] y
dy
d
y f
1 1
X

=
2
1
2
y 1
f
X
|
\
|

Considere-se a funo densidade de probabilidade de X:
( )
<
0 x , 0
0 x , e 2
x f
x 2

Para y1, 1-y0 0
2
y 1
\
|
= |
\
|
2
y 1
2
X
e 2
2
y 1
f ( )
1 y
Y
e y f

=
Para y<1, 1-y<0 0
2
y 1
<
0
2
y 1
f
X
= |
\
|
( ) 0 y f
Y
=
( )
>
1 y , 0
1 y , e
y f
1 y
Y

2.5.2.3. (X) no injectiva
Neste caso, assim como nos dois anteriores, o clculo da f. d. p. de Y
feito em trs passos:
- relacionar as funes de distribuio de Y e a de X;
- derivando-se, obtm-se uma relao entre as funes densidade de
probabilidade, que ter uma forma geral:
( ) y f
Y
( ) ( ) ( ) [ ]

=
j
1
j
1
j
X
y
dy
d
y f
- com base na relao anterior, e olhando para o domnio de X e
para a forma da relao, pode-se obter a f. d. p. de Y.
3. VECTORES ALEATRIOS
Num estudo estatstico, podemos estar interessados no apenas numa, mas
em vrias caractersticas associadas experincia aleatria, digamos que
estamos interessados em k atributos quantitativos para cada elemento do
espao de resultados. Isto , a cada faremos corresponder no uma
quantidade X(), mas um conjunto de valores (X
1
(), X
2
(), ..., X
k
()).
Dizemos ento que estamos em presena de um vector aleatrio, ou
varivel aleatria k-dimensional:
( ) ( ) ( ) ( )

k 2 1
k
X , , X , X
: X
L

E que, semelhana do caso unidimensional, este vector pode-se escrever
simplesmente (X
1
, X
2
, ..., X
k
).
Exemplo
Em dados de empresas podemos estar interessados em estudar
conjuntamente o n de empregados, o capital social em Euros, o valor
mensal da produo, ...
A lei de probabilidade associada equivalente funo de distribuio
conjunta:
( )
k 2 1
x , , x , x F L = ( )
k k 2 2 1 1
x X x X x X P L
As variveis aleatrias bidimensionais (caso particular com k=2) so
suficientemente importantes para justificar um estudo mais alargado. Em vez
de se utilizar (X
1
, X
2
) para representar um par aleatrio, por questes de
simplificao de notao utiliza-se o par (X,Y). Neste caso, numa experincia
aleatria estamos interessados em observar 2 quantidades X e Y.
A funo F(x,y) = ( ) y Y x X P chamada funo de distribuio da
varivel aleatria bidimensional (X,Y), ou funo de distribuio conjunta do
par (X,Y).

0
(a,b)
y
x

Esta figura representa a regio de
2
definida
pelas desigualdades b Y a X , e por isso a
funo de distribuio calculada no ponto (a,b) ,
F(a,b) = ( ) b Y a X P , corresponde ao total da
probabilidade dentro daquela regio.
A funo de distribuio determina univocamente a distribuio de
probabilidade.
Propriedades de qualquer funo de distribuio conjunta F(x,y):
P1) 0F(x,y)1, qualquer que seja a funo de distribuio, visto que
F(x,y) uma probabilidade.
P2) F(x,y) no decrescente, separadamente, em relao a cada varivel
P3) 0 ) y , x ( F lim ) y , x ( F lim
y x
= =

e 1 ) y , x ( F lim
y
x
=
+
+

P4) P(x
1
<Xx
2
y
1
<Yy
2
) = F(x
2
,y
2
) F(x
1
,y
2
) - F(x
2
,y
1
) + F(x
1
,y
1
)

0 x
1

y
x
x
2

y
1

y
2

P5) Qualquer funo de distribuio contnua direita em relao a x e
em relao a y, isto , ) y , a ( F ) y , x ( F lim
a x
=
+
e ) b , x ( F ) y , x ( F lim
b x
=
+
.
3.1. VECTOR BIDIMENSIONAL DISCRETO
A varivel aleatria bidimensional (X,Y) discreta se e s se cada uma das
variveis aleatrias X e Y for discreta. O que o mesmo que dizer que o
conjunto de pontos A={(x
i
,y
j
) : P(X=x
i
Y=y
j
)>0} finito ou infinito numervel.
A funo definida como:
[ ]
( ) y Y x X P ) y , x (
1 ; 0 : f
2
= =

a funo de probabilidade conjunta do par (X,Y).
( ) ( )

= = = =
= = = =
2
j i ij
y) (x, valores outros para , 0
... 2, 1, j e 2,... 1, i para , y y e x x , p
y Y x X P y , x f
Como consequncia desta definio resulta que:
- f(x,y)0 e f(x,y)1, para qualquer valor de
2
y) (x,
- ( ) 1 y , x f
j , i
j i
=

- F(x,y) = ( ) y Y x X P = ( )
y y
x x
j i
j
i
y , x f
Para alm do estudo de duas variveis aleatrias discretas, existe muitas
vezes o interesse em trabalhar com cada uma das variveis isoladamente, o
que leva a definir as funes de probabilidade marginais:
- funo de probabilidade marginal de X, f
1
(x), pode ser calculada
da seguinte forma:
f
1
(x
i
) = P(X=x
i
) = ( )
= =
j
j i
y Y x X P = ( )
j
j i
y , x f =
j
ij
p = p
i.
para i=1,2,
( ) ( )

= =
= = =
x valores outros para , 0
2,... 1, i para x x , p
x X P x f
i . i
1

- funo de probabilidade marginal de Y, f
2
(y), pode ser calculada
da seguinte forma:
f
2
(y
j
) = P(Y=y
j
) = ( )
= =
i
j i
y Y x X P = ( )
i
j i
y , x f =
i
ij
p = p
.j
para j=1,2,
( ) ( )

= =
= = =
y valores outros para , 0
2,... 1, j para y y , p
y Y P y f
j j .
2

No caso em que X e Y so ambas finitas, a funo de probabilidade
habitualmente representada numa tabela:
X
Y

y
1
y
2
... y
j
... y
m
f
1
(x)
x
1
p
11
p
12
... p
1j
... p
1m
p
1.

x
2
p
21
p
22
... p
2j
... p
2m
p
2.

M M M
...
M
...
M M
x
i
p
i1
p
i2
... p
ij
... p
im
p
i.

M M M
...
M
...
M M
x
n
p
n1
p
n2
... p
nj
... p
nm
p
n.

f
2
(y) p
.1
p
.2
... p
.j
... p
.m
1
As variveis aleatrias X e Y so independentes se e s se
f(x,y) = f
1
(x) f
2
(y) , (x,y)
2

Ou seja, X e Y so independentes se e s se a funo de probabilidade
conjunta for igual ao produto das funes de probabilidade marginais.
Podem-se ainda definir as probabilidades condicionais:
- funo de probabilidade de X condicionada por Y, f
X|Y
(x|y),
representa a funo de probabilidade de X condicionada pela
ocorrncia de um valor para Y, e para cada valor possvel para Y
pode ser calculada uma funo de probabilidade condicional:
f
X|Y
(x
i
|y
j
) = P(X=x
i
|Y=y
j
) =
( )
( )
j
j i
y Y P
y Y x X P
=
= =
=
( )
( )
j 2
j i
y f
y , x f
=
j .
ij
p
p
para i=1,2,
( ) ( )

= =
= = = =
x valores outros para , 0
2,... 1, i para x x ,
p
p
y Y | x X P y | x f
i
j .
ij
j j Y | X

- funo de probabilidade de Y condicionada por X, f
Y|X
(y|x),
representa a funo de probabilidade de Y condicionada pela
ocorrncia de um valor para X, e para cada valor possvel para X
pode ser calculada uma funo de probabilidade condicional:
f
Y|X
(y
j
|x
i
) = P(Y=y
j
|X=x
i
) =
( )
( )
i
i j
x X P
x X y Y P
=
= =
=
( )
( )
i 1
j i
x f
y , x f
=
. i
ij
p
p

para j=1,2,
( ) ( )

= =
= = = =
y valores outros para , 0
2,... 1, j para y y ,
p
p
x X | y Y P x | y f
j
. i
ij
i i X | Y

Exemplo 1:
Uma empresa tem 10 pessoas a trabalhar, das quais 2 so patres, 5 so
empregados sem qualificao superior e 3 so empregados com qualificao
superior. Pretende-se escolher aleatoriamente uma comisso de 3 pessoas.
Seja X a varivel aleatria que representa o nmero de patres na
comisso de 3 pessoas e Y a varivel aleatria que representa o nmero
de empregados com qualificao superior na comisso.
Determinar f(x,y)?
f(x,y) = P(X=xY=y) =
10
3
5
y x 3
3
y
2
x
C
C C C

, x=0,1,2 e y=0,1,...,3-x
f(1,3) = f(2,2) = f(2,3) = 0 f(0,0)=P(X=0Y=0)=
10
3
5
3
C
C
=
120
10

f(0,1)=P(X=0Y=1)=
10
3
5
2
3
1
C
C C
=
120
30
f(0,2)=P(X=0Y=2)=
10
3
5
1
3
2
C
C C
=
120
15

f(0,3)=P(X=0Y=3)=
10
3
3
3
C
C
=
120
1
f(1,0)=P(X=1Y=0)=
10
3
5
2
2
1
C
C C
=
120
20

f(1,1)=P(X=1Y=1)=
10
3
5
1
3
1
2
1
C
C C C
=
120
30
f(1,2)=P(X=1Y=2)=
10
3
3
2
2
1
C
C C
=
120
6

f(2,0)=P(X=2Y=0)=
10
3
5
1
2
2
C
C C
=
120
5
f(2,1)=P(X=2Y=1)=
10
3
3
1
2
2
C
C C
=
120
3

X
Y

0 1 2 3 f
1
(x)
0 10/120 30/120 15/120 1/120 56/120
1 20/120 30/120 6/120 0 56/120
2 5/120 3/120 0 0 8/120
f
2
(y) 35/120 63/120 21/120 1/120 1
Funo de probabilidade marginal de X: f
1
(x) = P(X=x) = ( )
y
y , x f
X 0 1 2
f
1
(x) 56/120 56/120 8/120
Funo de probabilidade marginal de Y: f
2
(y) = P(Y=y) = ( )
x
y , x f
Y 0 1 2 3
f
2
(y) 35/120 63/120 21/120 1/120
F(x,y) = ( ) y Y x X P =

<
<
< <
<
< <
<
< <
< <
<
< <
< <
< <
3 y 2 x , 1
3 y 2 2 x , 120 / 119
3 y 2 x 1 , 120 / 112
3 y 2 2 x 1 , 120 / 111
2 y 1 2 x , 120 / 98
2 y 1 2 x 1 , 120 / 90
3 y 1 x 0 , 120 / 56
3 y 2 1 x 0 , 120 / 55
2 y 1 1 x 0 , 120 / 40
1 y 0 2 x , 120 / 35
1 y 0 2 x 1 , 120 / 30
1 y 0 1 x 0 , 120 / 10
0 y 0 x , 0

Estas variveis no so independentes, pois f(2,3)=0 e como f
1
(2)0 e
f
2
(3)0 implica que f
1
(2)f
2
(3)f(2,3).
Funes de probabilidade de Y condicionada por X, f
Y|X
(y|x), existem 3:
f
Y|X
(y|0) =
( )
( ) 0 f
y , 0 f
1
f
Y|X
(y|1) =
( )
( ) 1 f
y , 1 f
1
f
Y|X
(y|2) =
( )
( ) 2 f
y , 2 f
1

Y 0 1 2 3
f
Y|X
(y|0) 10/56 30/56 15/56 1/56

Y 0 1 2 3
f
Y|X
(y|1) 20/56 30/56 6/56 0

Y 0 1 2 3
f
Y|X
(y|2) 5/8 3/8 0 0
Funes de probabilidade de X condicionada por Y, f
X|Y
(x|y), existem 4:
f
X|Y
(x|0)=
( )
( ) 0 f
0 , x f
2
f
X|Y
(x|1)=
( )
( ) 1 f
1 , x f
2
f
X|Y
(x|2)=
( )
( ) 2 f
2 , x f
2
f
X|Y
(x|3)=
( )
( ) 3 f
3 , x f
2

X 0 1 2 X 0 1 2
f
X|Y
(x|0) 10/35 20/35 5/35 f
X|Y
(x|1) 30/63 30/63 3/63

X 0 1 2 X 0 1 2
f
X|Y
(x|2) 15/21 6/21 0 f
X|Y
(x|3) 1 0 0
3.2. VECTOR BIDIMENSIONAL CONTNUO
A varivel aleatria bidimensional (X,Y) de tipo contnuo quando existe
uma funo no-negativa f(x,y) tal que:
F(x,y) = P(Xx Yy) = ( )

x
y
du dv v , u f , ( )
2
y , x
F(x,y) a funo de distribuio conjunta do par (X,Y).
f(x,y) a funo densidade de probabilidade (f. d. p.) conjunta do par
(X,Y).
Como consequncia desta definio resulta que:
- f(x,y)0 para qualquer valor de
2
y) (x,
- ( ) 1 dy dx y , x f =

+

+

Se a f. d. p. conjunta for contnua no ponto (x,y), tem-se:
( )
( )
y x
y , x F
y , x f
2

=
A funo densidade de probabilidade marginal de X, f
1
(x), dada por:
( ) ( )
+

= dy y , x f x f
1

A funo densidade de probabilidade marginal de Y, f
2
(y), dada por:
( ) ( )
+

= dx y , x f y f
2

As variveis aleatrias X e Y so independentes se e s se
f(x,y) = f
1
(x) f
2
(y) , (x,y)
2

Ou seja, X e Y so independentes se e s se a f. d. p. conjunta for igual ao
produto das f. d. p. marginais.
A funo densidade de probabilidade de X condicionada por Y,
( ) y | x f
Y | X
, representa a f. d. p. de X condicionada pela ocorrncia de um
valor para Y, e para cada valor possvel para Y pode-se calcular uma f. d. p.
condicional:
( ) y | x f
Y | X
=
( )
( ) y f
y , x f
2
, para cada y tal que f
2
(y)0
A funo densidade de probabilidade de Y condicionada por X,
( ) x | y f
X | Y
, representa a f. d. p. de Y condicionada pela ocorrncia de um
valor para X, e para cada valor possvel para X pode-se calcular uma f. d. p.
condicional:
( ) x | y f
X | Y
=
( )
( ) x f
y , x f
1
, para cada x tal que f
1
(x)0
Exemplo 2:
Seja (X,Y) uma v. a. bidimensional com a seguinte f. d. p. conjunta:
( )
( )

=
2
y , x outros , 0
x y 0 1 x 0 , kxy
y , x f
Determinar k?
( ) x , 0 y , x f k0
1 dxdy ) y , x ( f =

+

+

1 dx kxydy
1
0
x
0
=
|
|
\
|

1 dx
2
y
kx
1
0
x y
0 y
2
=
(
(
=
=
1 dx
2
kx
1
0
3
=
1
8
kx
1 x
0 x
4
=
(
(
=
=
1
8
k
= k=8

0 1
y=x
1
y
x
x=1

Funo densidade de probabilidade marginal de X: ( ) ( )
+

= dy y , x f x f
1

Para 0x1, ( )

=
x
0
1
xydy 8 x f =[ ]
x y
0 y
2
xy 4
=
=
=
3 3
x 4 0 x 4 =
( )

=
x outros , 0
1 x 0 , x 4
x f
3
1

Funo densidade de probabilidade marginal de Y: ( ) ( )
+

= dx y , x f y f
2

Para 0y1, ( )

=
1
y
2
xydx 8 y f =[ ]
1 x
y x
2
yx 4
=
=
=
3
y 4 y 4
( )

=
y outros , 0
1 y 0 , y 4 y 4
y f
3
2

Estas variveis no so independentes, pois f(1/2,3/4)=0 e como
f
1
(1/2)=1/20 e f
2
(3/4)=21/160 implica que f
1
(1/2)f
2
(3/4)f(1/2,3/4).
Funo densidade de probabilidade de X condicionada por Y
Existindo uma funo para cada valor de y entre 0 e 1 e dada por:
para 0<y<1, ( ) y | x f
Y | X
=
( )
( ) y f
y , x f
2
=
3
y 4 y 4
xy 8
=
2
y 1
x 2
, 0x1
( )
=
x outros , 0
1 x y ,
y 1
x 2
y | x f
2
Y | X
, com 0<y<1
Funo densidade de probabilidade de Y condicionada por X
Existindo uma funo para cada valor de x entre 0 e 1 e dada por:
para 0<x1, ( ) x | y f
X | Y
=
( )
( ) x f
y , x f
1
=
3
x 4
xy 8
=
2
x
y 2
, 0y1
( )

=
y outros , 0
x y 0 ,
x
y 2
x | y f
2
X | Y
, com 0<x1
3.3. MOMENTOS E COEFICIENTE DE CORRELAO
Podem-se calcular valores esperados envolvendo apenas uma das variveis
ou as duas variveis. A expresso geral para calcular o valor esperado
E(g(X,Y)) de uma funo g(X,Y) envolvendo as variveis X e/ou Y, podendo
existir ou no, a seguinte:
caso discreto:
( ) ( ) Y , X g E = ( ) ( )

x y
y , x f y , x g = ( ) ( )

) y , x (
y , x f y , x g
caso contnuo:
( ) ( ) ( ) ( ) dy dx y , x f y , x g Y , X g E

+

+

=
Os valores esperados mais calculados so a mdia de cada uma das
variveis, E(X) e E(Y):
caso discreto:
X
=E(X)= ( )

x y
y , x f x = ( )

x
1
x f x =
i
. i i
p x
Y
=E(Y)= ( )

x y
y , x f y = ( )

y
2
y f y =
j
j . j
p y
caso contnuo:
X
=E(X)= ( ) dy dx y , x f x

+

+

= ( )dx x f x
1
+

Y
=E(Y)= ( ) dy dx y , x f y

+

+

= ( )dy y f y
2
+

Valor esperado da soma e da diferena pode ser calculado pela definio
ou utilizando uma propriedade do valor esperado.
caso discreto:
E(X+Y)= ( )
+
x y
y , x f ) y x ( E(X-Y)= ( )

x y
y , x f ) y x (
caso contnuo:
E(X+Y)= ( ) ( ) dy dx y , x f y x

+

+

+ E(X-Y)= ( ) ( ) dy dx y , x f y x

+

+

propriedades do valor esperado:
E(X+Y)=E(X)+E(Y) E(X-Y)=E(X)-E(Y)
A varincia de cada uma das variveis, V(X) e V(Y):
caso discreto:
2
X
=V(X)= ( ) [ ]
2
X
X E = ( ) ( )

x y
2
X
y , x f x = ( ) ( )

x
1
2
X
x f x
2
Y
=V(Y)= ( ) [ ]
2
Y
Y E = ( ) ( )

x y
2
y
y , x f y = ( ) ( )

y
2
2
y
y f y
caso contnuo:
2
X
=V(X)= ( ) [ ]
2
X
X E = ( ) ( ) dy dx y , x f x
2
X

+

+

= ( ) ( )dx x f x
1
2
X
+

2
Y
=V(Y)= ( ) [ ]
2
Y
Y E = ( ) ( ) dy dx y , x f y
2
Y

+

+

= ( ) ( )dy y f y
2
2
Y
+

Como foi dito nas variveis aleatrias, as varincias podem tambm mais
simplesmente ser calculados com base na diferena dos momentos ordinrios:
V(X)= ( ) [ ]
2 2
) X ( E X E V(Y)= ( ) [ ]
2 2
) Y ( E Y E
O valor esperado do produto E(XY):
caso discreto:
E(XY)= ( )

x y
y , x f xy =
i j
ij j i
p y x
caso contnuo:
E(XY)= ( ) dy dx y , x f xy

+

+

A covarincia entre as duas variveis, que por definio (se o valor
esperado existir):
cov(X,Y)= ( )( ) [ ] ) Y ( E Y ) X ( E X E
Fica como exerccio demonstrar que esta expresso equivalente
seguinte expresso, sendo esta mais utilizada no clculo da covarincia:
cov(X,Y)=E(XY)-E(X)E(Y)
Demostrao de que cov(X,Y)=E(XY)-E(X) E(Y):
cov(X,Y)= ( )( ) [ ] ) Y ( E Y ) X ( E X E = [ ] ) Y ( E ) X ( E ) X ( YE ) Y ( XE XY E + =
( ) ( ) ( ) ( ) ) Y ( E ) X ( E E ) X ( YE E ) Y ( XE E XY E + =
( ) ( ) ( ) ( ) ( ) ) Y ( E ) X ( E Y E X E X E Y E XY E + = ( ) ( ) ( ) Y E X E XY E
A Varincia da soma e da diferena pode ser calculado pela definio, mas
pode ser deduzida uma expresso que torna mais simples o seu clculo:
V(X+Y)=V(X)+V(Y)+2cov(X,Y) V(X-Y)=V(X)+V(Y)-2cov(X,Y)
Demostrao de que V(X+Y)=V(X)+V(Y)+2cov(X,Y):
V(X+Y)= ( ) [ ]
2
) Y X ( E ) Y X ( E + + = ( ) [ ]
2
) Y ( E ) X ( E Y X E + =
( ) ( ) ( ) [ ]
2
) Y ( E Y ) X ( E X E + =
( ) ( ) ( )( ) [ ] ) Y ( E Y ) X ( E X 2 ) Y ( E Y ) X ( E X E
2 2
+ + =
( ) [ ] ( ) [ ] ( )( ) [ ] ) Y ( E Y ) X ( E X E 2 ) Y ( E Y E ) X ( E X E
2 2
+ + =V(X)+V(Y)+2cov(X,Y)
Demostrao de que V(X-Y)=V(X)+V(Y)-2cov(X,Y):
V(X-Y)= ( ) [ ]
2
) Y X ( E ) Y X ( E = ( ) [ ]
2
) Y ( E ) X ( E Y X E + =
( ) ( ) ( ) [ ]
2
) Y ( E Y ) X ( E X E =
( ) ( ) ( )( ) [ ] ) Y ( E Y ) X ( E X 2 ) Y ( E Y ) X ( E X E
2 2
+ =
( ) [ ] ( ) [ ] ( )( ) [ ] ) Y ( E Y ) X ( E X E 2 ) Y ( E Y E ) X ( E X E
2 2
+ =V(X)+V(Y)-2cov(X,Y)
A covarincia depende das unidades em que se exprimem X e Y. Define-se
ento o coeficiente de correlao linear, (X,Y), que exprime a intensidade
da ligao entre X e Y, mas no depende dessas unidades.
( )
( )
( ) ( ) Y V X V
Y , X cov
Y , X
=

Propriedades de (X,Y) e da cov(X,Y)
- 1 (X,Y) 1
- se X e Y so independentes ento (X,Y)=0
- mas (X,Y) ser nulo no significa que X e Y sejam independentes;
- se X e Y so independentes ento cov(X,Y)=0
- se X e Y so independentes ento E(XY)=E(X)E(Y)
- se X e Y so independentes ento V(XY)=V(X)+V(Y)
- sendo a e b duas constantes reais:
cov(aX+b,Y) = a cov(X,Y) e cov(X,aY+b) = a cov(X,Y)
Demostrao de que cov(aX+b,Y) = a cov(X,Y):
cov(aX+b,Y)= ( ) ( ) ( ) ( ) Y E b aX E Y b aX E + + = ( ) ( ) ( ) ( ) Y E b X aE bY aXY E + + =
( ) ( ) ( ) ( ) ( ) ( ) Y bE Y E X aE Y bE XY aE + + = ( ) ( ) ( ) ( ) ( ) ( ) Y bE Y bE Y E X E XY E a + =
( ) Y , X cov a
- sendo a>0 e b, duas constantes reais:
(aX+b,Y)=(X,Y) e (X,aY+b)=(X,Y)
- sendo a<0 e b, duas constantes reais:
(aX+b,Y)=-(X,Y) e (X,aY+b)=-(X,Y)
(aX+b,Y)=
( )
( ) ( ) Y V b aX V
Y , b aX cov
+
+
=
( )
( ) ( ) Y V X V a
Y , X cov a
2
=
( )
( ) ( ) Y V X V a
Y , X cov a
=
<
>
0 a ), Y , X (
0 a ), Y , X (

Exemplo 1 (continuao):
E(X)= ( )

) y , x (
y , x f x = ( )

x
1
x f x =
120
8
2
120
56
1
120
56
0 + + =
120
72
=
5
3

E(X
2
)= ( )

) y , x (
2
y , x f x = ( )
x
1
2
x f x =
120
8
4
120
56
1
120
56
0 + + =
120
88
=
15
11

V(X)= ( ) [ ]
2 2
) X ( E X E =
2
5
3
15
11
|
\
|
=
75
28

E(Y)= ( )

) y , x (
y , x f y = ( )

y
2
y f y =
120
1
3
120
21
2
120
63
1
120
35
0 + + + =
120
108
=
10
9

E(Y
2
)= ( )

) y , x (
2
y , x f y = ( )
y
2
2
y f y =
120
1
9
120
21
4
120
63
1
120
35
0 + + + =
120
156
=
10
13

V(Y)= ( ) [ ]
2 2
) Y ( E Y E =
2
10
9
10
13
|
\
|
=
100
49

E(XY)= ( )

) y , x (
y , x f xy =
120
3
1 2
120
6
2 1
120
30
1 1 + + =
120
48
=
5
2

cov(X,Y)=E(XY)-E(X)E(Y)=
10
9
5
3
5
2
=
50
7

( )
( )
( ) ( ) Y V X V
Y , X cov
Y , X
= =
100
49
75
28
50
7
=-0,3273
( ) 1 Y X P + = ( )
+ 1 y x
y , x f =f(0,0)+f(0,1)+f(1,0)=
120
20
120
30
120
10
+ + =
120
60
=
2
1

( ) 2 Y X P > + = ( )
> + 2 y x
y , x f =f(0,3)+f(1,2)+f(2,1)=
120
3
120
6
120
1
+ + =
120
10
=
12
1

Exemplo 2 (continuao):
( )
( )

=
2
y , x outros , 0
x y 0 1 x 0 , xy 8
y , x f
X
=E(X)= ( ) dy dx y , x f x

+

+

= ( )dx x f x
1
+

= dx x 4 x
1
0
3
= dx x 4
1
0
4
=
1
0
5
5
x 4
(
(
=
5
4

E(X
2
)= ( ) dy dx y , x f x
2

+

+

= ( )dx x f x
1
2
+

= dx x 4 x
1
0
3 2
= dx x 4
1
0
5
=
1
0
6
6
x 4
(
(
=
6
4
=
3
2

V(X)= ( ) [ ]
2 2
) X ( E X E =
2
5
4
3
2
|
\
|
=
3 25
3 16
25 3
25 2
=
75
2

Y
=E(Y)= ( ) dy dx y , x f y

+

+

= ( )dy y f y
2
+

= ( )

1
0
3
dy y 4 y 4 y =

1
0
4 2
dy y 4 y 4 =
1
0
5 3
5
y 4
3
y 4
(
(
= 0
5
4
3
4
=
15
8

E(Y
2
)= ( ) dy dx y , x f y
2

+

+

= ( )dy y f y
2
2
+

= ( )

1
0
3 2
dy y 4 y 4 y =

1
0
5 3
dy y 4 y 4 =
1
0
6
4
6
y 4
y
(
(
= 0
3
2
1 =
3
1

V(Y)= ( ) [ ]
2 2
) Y ( E Y E =
2
15
8
3
1
|
\
|
=
225
64
75 3
75
=
225
11


+

+

=

|
|
\
|
1
0
x
0
2 2
dx dy y x 8 =
=
=
(
(
1
0
x y
0 y
3
2
dx
3
y
x 8 =
1
0
5
dx
3
x 8
=
1 x
0 x
6
18
x 8
=
=
(
(
=
9
4

0 1
y=x
1
y
x
x=1

15
8
5
4
9
4
=
3 75
3 32
25 9
25 4
=
225
4

( )
( )
( ) ( ) Y V X V
Y , X cov
Y , X
= =
225
11
75
2
225
4
=
225
11
225
6
225
4
=
66
4
=0,4923
|
\
|
+
2
1
Y X P = ( )
+ 2 / 1 y x
dxdy y , x f =

|
|
|
|
|
\
|

4
1
0
y
2
1
y
dy xydx 8 =

0 1
1
y
x

x+y=

[ ]
=
=
4
1
0
y
2
1
x
y y
2
dy yx 4 =

|
|
\
|
\
|

4
1
0
2
2
dy y y
2
1
y 4
=
\
|
+
4
1
0
2 2
dy y y y
4
1
y 4 =

4
1
0
2
dy y 4 y =
4
1
y
0 y
3 2
3
y 4
2
y
=
=
(
(
= 0
48
1
32
1
=
96
1

Exemplo 3 (par discreto):
Lanam-se dois dados equilibrados. Seja X a v. a. que representa o nmero
de seis que saem e Y a v. a. que representa o nmero cincos que saem.
Determinar f(x,y)? f(1,2) = f(2,1) = f(2,2) = 0
f(0,0)=P(X=0Y=0)=
6
4
6
4
=
36
16
f(0,1)=P(X=0Y=1)=
6
4
6
1
6
4
6
1
+ =
36
8

f(0,2)=P(X=0Y=2)=
6
1
6
1
=
36
1
f(1,0)=P(X=1Y=0)=
6
4
6
1
6
4
6
1
+ =
36
8

f(1,1)=P(X=1Y=1)=
6
1
6
1
6
1
6
1
+ =
36
2
f(2,0)=P(X=2Y=0)=
6
1
6
1
=
36
1

X
Y
0 1 2 f
1
(x)
0 16/36 8/36 1/36 25/36
1 8/36 2/36 0 10/36
2 1/36 0 0 1/36
f
2
(y) 25/36 10/36 1/36 1
Funo de probabilidade marginal de X: f
1
(x) = P(X=x) = ( )
y
y , x f
X 0 1 2
f
1
(x) 25/36 10/36 1/36
Funo de probabilidade marginal de Y: f
2
(y) = P(Y=y) = ( )
x
y , x f
Y 0 1 2
f
2
(y) 25/36 10/36 1/36
F(x,y)= ( ) y Y x X P =
( ) ( )
( ) ( )
( ) ( )

< <
< <
< <
< < < <
< <
< <
2 y 2 x , 1
2 y 1 2 x 2 y 2 x 1 , 36 / 35
2 y 1 2 x 1 , 36 / 34
1 y 0 2 x 2 y 1 x 0 , 36 / 25
1 y 0 2 x 1 2 y 1 1 x 0 , 36 / 24
1 y 0 1 x 0 , 36 / 16
0 y 0 x , 0

Estas variveis no so independentes, pois f(2,2)=0 e como f
1
(2)0 e
f
2
(2)0 implica que f
1
(2)f
2
(2)f(2,2).
Funes de probabilidade de X condicionada por Y, f
X|Y
(x|y), existem 3:
f
X|Y
(x|0)=
( )
( ) 0 f
0 , x f
2
f
X|Y
(x|1)=
( )
( ) 1 f
1 , x f
2
f
X|Y
(x|2)=
( )
( ) 2 f
2 , x f
2

X 0 1 2 X 0 1 X 0
f
X|Y
(x|0) 16/25 8/25 1/25 f
X|Y
(x|1) 8/10 2/10 f
X|Y
(x|2) 1
Funes de probabilidade de Y condicionada por X, f
Y|X
(y|x), existem 3:
f
Y|X
(y|0) =
( )
( ) 0 f
y , 0 f
1
f
Y|X
(y|1) =
( )
( ) 1 f
y , 1 f
1
f
Y|X
(y|2) =
( )
( ) 2 f
y , 2 f
1

Y 0 1 2 Y 0 1 Y 0
f
Y|X
(y|0) 16/25 8/25 1/25 f
Y|X
(y|1) 8/10 2/10 f
Y|X
(y|2) 1
E(X)= ( )

) y , x (
y , x f x = ( )

x
1
x f x =
36
1
2
36
10
1
36
25
0 + + =
36
12
=
3
1

E(X
2
)= ( )

) y , x (
2
y , x f x = ( )
x
1
2
x f x =
36
1
4
36
10
1
36
25
0 + + =
36
14
=
18
7

V(X)= ( ) [ ]
2 2
) X ( E X E =
2
3
1
18
7
|
\
|
=
18
5

E(Y)= ( )

) y , x (
y , x f y = ( )

y
2
y f y =
36
1
2
36
10
1
36
25
0 + + =
36
12
=
3
1

E(Y
2
)= ( )

) y , x (
2
y , x f y = ( )
y
2
2
y f y =
36
1
4
36
10
1
36
25
0 + + =
36
14
=
18
7

V(Y)= ( ) [ ]
2 2
) Y ( E Y E =
2
3
1
18
7
|
\
|
=
18
5

E(XY)= ( )

) y , x (
y , x f xy =
36
2
1 1 0 + =
36
2
=
18
1

3
1
3
1
18
1
=
18
1

( )
( )
( ) ( ) Y V X V
Y , X cov
Y , X
= =
18
5
18
5
18
1
=
18
5
18
1
=
5
1
=-0,20
( ) 1 Y X P = + = ( )
= + 1 y x
y , x f =f(0,1)+f(1,0)=
36
8
36
8
+ =
36
16
=
9
4

( ) 2 Y X P > + = ( )
> + 2 y x
y , x f =f(1,2)+f(2,1)+f(2,2)=0
Exemplo 4 (par contnuo):
Seja (X,Y) uma v. a. bidimensional com a seguinte f. d. p. conjunta:
( )
( )

+
=
2
y , x outros , 0
2 x y 0 2 x y 0 , ky
y , x f
Determinar k?
( ) x , 0 y , x f k0
1 dxdy ) y , x ( f =

+

+

1 dx kydy dx kydy
1
0
x 2
x
0
1
2 x
x
=
|
|
\
|
+
|
|
\
|

0
2
y=x
2
y
x
y=x+2
y=2-x
-1 -2 1
y=-x
1

1 dx
2
y
k dx
2
y
k
1
0
x 2 y
x y
2
0
1
2 x y
x y
2
=
(
(
+
(
(

=
=
+ =
=
( ) ( )
1 dx
2
x x 2
k dx
2
x 2 x
k
1
0
2 2
0
1
2 2
=

+
+

1 dx
2
x x x 4 4
k dx
2
x 4 x 4 x
k
1
0
2 2
0
1
2 2
=
+
+
+ +

1 kxdx 2 k 2 kdx 2 kx 2
1
0
0
1
= + +

[ ] [ ] 1 kx kx 2 kx 2 kx
1 x
0 x
2
0 x
1 x
2
= + +
=
=
=
=

1 0 k k 2 ) k 2 k ( 0 = + 1 k 2 =
2
1
k =
O integral tambm poderia ter sido calculado da seguinte forma:
1 dxdy ) y , x ( f =

+

+

1 dy kydx dy kydx
2
1
y 2
2 y
1
0
y
y
=
|
|
|
\
|
+
|
|
|
\
|

...
2
1
k =
Funo densidade de probabilidade marginal de X: ( ) ( )
+

= dy y , x f x f
1

Para 0 x 1 ,
( )

+
=
x 2
x
1
dy
2
y
x f =
x 2 y
x y
2
4
y
+ =
=
(
(
=
( )
4
x x 2
2 2
+
=
4
x x x 4 4
2 2
+ +
= x 1+
Para 1 x 0 < ,
( )

=
x 2
x
1
dy
2
y
x f =
x 2 y
x y
2
4
y
=
=
(
(
=
( )
4
x x 2
2 2

=
4
x x x 4 4
2 2
+
= x 1
( )

<
+
=
x outros , 0
1 x 0 , x 1
0 x 1 , x 1
x f
1

Funo densidade de probabilidade marginal de Y: ( ) ( )
+

= dx y , x f y f
2

Para 1 y 0 , ( )

=
y
y
2
dx
2
y
y f =
y x
y x
2
yx
=
=
(
=
2
y y
2 2
+
=
2
y
Para 2 y 1 < ,
( )

=
y 2
2 y
2
dx
2
y
y f =
y 2 x
2 y x
2
yx
=
=
(
=
( )
2
) 2 y ( y y 2 y
=
2
y 2 y y y 2
2 2
+
=
2
y y 2
( )

<

=
y outros , 0
2 y 1 , y y 2
1 y 0 , y
y f
2
2
2

Estas variveis no so independentes, pois f(1/2,1/4)=0 e como
f
1
(1/2)=1/20 e f
2
(1/4)=1/160 implica que f
1
(1/2)f
2
(1/4)f(1/2,1/4).
Funo densidade de probabilidade de X condicionada por Y
Existindo uma funo para cada valor de y entre 0 e 2 e dada por:
para 0<y1, ( ) y | x f
Y | X
=
( )
( ) y f
y , x f
2
=
2
y
2 / y
=
y 2
1
, para y x y
( )

=
x outros , 0
y x y ,
y 2
1
y | x f
Y | X
, para 0<y1
para 1<y<2, ( ) y | x f
Y | X
=
( )
( ) y f
y , x f
2
=
2
y y 2
2 / y
=
y 2 4
1
, para y 2 x 2 y
( )
=
x outros , 0
y 2 x 2 y ,
y 2 4
1
y | x f
Y | X
, para 1<y<2
Todas estas distribuies so constantes (no dependem de x) e, por
exemplo, a f. d. p. de X condicionada por Y=3/2 ser (1<3/2<2):

= |
\
|
x outros , 0
2
1
x
2
1
, 1
2
3
| x f
Y | X

Funo densidade de probabilidade de Y condicionada por X
Existindo uma funo para cada valor de x entre -1 e 1 e dada por:
para -1<x0, ( ) x | y f
X | Y
=
( )
( ) x f
y , x f
1
=
x 1
2 / y
+
=
x 2 2
y
+
, -xy2+x
( )

+
+
=
y outros , 0
x 2 y x ,
x 2 2
y
x | y f
X | Y
, com -1<x0
para 0<x<1, ( ) x | y f
X | Y
=
( )
( ) x f
y , x f
1
=
x 1
2 / y
=
x 2 2
y
, xy2-x
( )
=
y outros , 0
x 2 y x ,
x 2 2
y
x | y f
X | Y
, com 0<x<1
Todas estas distribuies funes da varivel aleatria Y e, por exemplo, a
f. d. p. de Y condicionada por X=-1/2 ser (-1<-1/20):

= |
\
|

y outros , 0
2
3
y
2
1
, y
2
1
| y f
X | Y

X
=E(X)= ( ) dy dx y , x f x

+

+

= ( )dx x f x
1
+

= ( ) ( )dx x 1 x dx x 1 x
1
0
0
1

+ +
=
dx x x dx x x
1
0
2
0
1
2

+ +
=
1
0
3 2
0
1
3 2
3
x
2
x
3
x
2
x
(
(
+
(
(
= 0
3
1
2
1
3
1
2
1
0 + + =0
E(X
2
)= ( ) dy dx y , x f x
2

+

+

= ( )dx x f x
1
2
+

= ( ) ( )dx x 1 x dx x 1 x
1
0
2
0
1
2

+ +
=
dx x x dx x x
1
0
3 2
0
1
3 2

+ +
=
1
0
4 3
0
1
4 3
4
x
3
x
4
x
3
x
(
(
+
(
(
= 0
4
1
3
1
4
1
3
1
0 + + =
6
1

V(X)= ( ) [ ]
2 2
) X ( E X E =
2
0
6
1
=
6
1

Y
=E(Y)= ( ) dy dx y , x f y

+

+

= ( )dy y f y
2
+

= ( )

+
2
1
2
1
0
2
dy y y 2 y dy y y =

+
2
1
3 2
1
0
3
dy y y 2 dy y =
2
1
4 3
1
0
4
4
y
3
y 2
4
y
(
(
+
(
(
=
4
1
3
2
4
3
16
0
4
1
+ + =
6
7

E(Y
2
)= ( ) dy dx y , x f y
2

+

+

= ( )dy y f y
2
2
+

= ( )

+
2
1
2 2
1
0
2 2
dy y y 2 y dy y y =

+
2
1
4 3
1
0
4
dy y y 2 dy y =
2
1
5 4
1
0
5
5
y
2
y
5
y
(
(
+
(
(
=
5
1
2
1
5
32
8 0
5
1
+ + =
2
3

V(Y)= ( ) [ ]
2 2
) Y ( E Y E =
2
6
7
2
3
|
\
|
=
36
49
18 2
18 3
=
36
5


+

+

=

|
|
\
|
+
|
|
\
|

1
0
x 2
x
2
0
1
2 x
x
2
dx dy
2
xy
dx dy
2
xy
=

0
2
y=x
2
y
x
y=x+2
y=2-x
-1 -2 1
y=-x
1

=
=
+ =
=
(
(
+
(
(
1
0
x 2 y
x y
3
0
1
2 x y
x y
3
dx
6
xy
dx
6
xy
=
( ) ( )

+
+ +
1
0
4 3
0
1
4 3
dx
6
x x 2 x
dx
6
x 2 x x
=

+
+
+ + +
1
0
4 3 2
0
1
2 3 4
dx
6
x 2 x 6 x 12 x 8
dx
6
x 8 x 12 x 6 x 2
=

+ + + + +
1
0
4
3 2
0
1
2 3
4
dx
3
x
x x 2
3
x 4
dx
3
x 4
x 2 x
3
x
=
1 x
0 x
5 4 3 2
0 x
1 x
2 3 4 5
15
x
4
x
3
x 2
3
x 2
3
x 2
3
x 2
4
x
15
x
=
=
=
=
(
(
+ +
(
(
+ + + =
0
15
1
4
1
3
2
3
2
3
2
3
2
4
1
15
1
0 + + + + =0
6
7
0 0 =0
( )
( )
( ) ( ) Y V X V
Y , X cov
Y , X
= =
36
5
6
1
0
=0
( ) 0 X P = ( )
0 x
dxdy y , x f =

|
|
\
|
1
0
x 2
x
dx dy
2
y
=
=
=
(
(
1
0
x 2 y
x y
2
dx
4
y
=

1
0
2 2
dx
4
x ) x 2 (
=

1
0
xdx 1 =

0
2
y=x
2
y
x
y=x+2
y=2-x
-1 -2 1
y=-x
1

1 x
0 x
2
2
x
x
=
=
(
(
= 0
2
1
1 =
2
1

Como esta probabilidade s envolve a v. a. X, poderia tambm ser
calculada do seguinte modo:
( ) 0 X P = ( )
+
0
1
dx x f = ... =
2
1

( ) 1 Y P < = ( )
<1 y
dxdy y , x f =

|
|
|
\
|
1
0
y
y
dy dx
2
y
=
=
=
(
1
0
y x
y x
dy
2
yx
=
+
1
0
2 2
dy
2
y y
=
1
0
2
dy y =

0
2
y=x
2
y
x
y=x+2
y=2-x
-1 -2 1
y=-x
1 y=1

1 y
0 y
3
3
y
=
=
(
(
= 0
3
1
=
3
1

Como esta probabilidade s envolve a v. a. Y, poderia tambm ser
calculada do seguinte modo:
( ) 1 Y P < = ( )

1
2
dy y f = ... =
3
1

( ) 1 Y X P + = ( )
+ 1 y x
dxdy y , x f =

|
|
\
|
+
|
|
\
|
+
|
|
\
|

2 / 1
0
x 1
x
0
2 / 1
x 1
x
2 / 1
1
2 x
x
dx dy
2
y
dx dy
2
y
dx dy
2
y
=

=
=
=
=
+ =
=
(
(
+
(
(
+
(
(
2 / 1
0
x 1 y
x y
2
0
2 / 1
x 1 y
x y
2
2 / 1
1
2 x y
x y
2
dx
4
y
dx
4
y
dx
4
y

0
2
y
x
-1 1
x+y=1
1

=

+

+
+
2 / 1
0
2 2
0
2 / 1
2 2
2 / 1
1
2 2
dx
4
x ) x 1 (
dx
4
x ) x 1 (
dx
4
x ) 2 x (
=

+
+ +
2 / 1
0
0
2 / 1
2 / 1
1
dx
4
x 2 1
dx
4
x 2 1
dx 1 x =
2 / 1 x
0 x
2
0 x
2 / 1 x
2
2 / 1 x
1 x
2
4
x
4
x
4
x
4
x
x
2
x
=
=
=
=
=
=
(
(
+
(
(
+
(
(
+ =
0
16
1
8
1
16
1
8
1
0 1
2
1
2
1
8
1
+ + + + =
8
3

SebentaTeorica2 TeoriaDasProbabilidades

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

SebentaTeorica2 TeoriaDasProbabilidades

Uploaded by

Copyright:

Available Formats

Estatstica I Estatstica I Estatstica I Estatstica I

Licenciatura em Gesto Licenciatura em Gesto Licenciatura em Gesto Licenciatura em Gesto

You might also like