You are on page 1of 22

CAPITULO 5

AS DISTRIBUIES POISSON E NORMAL



5.1. DA BINOMIAL POISSON
Consideremos uma sucesso de variveis aleatrias X
1
, X
2
,,X
n
, Este conceito
no traz nada de realmente novo uma vez que o leitor dever j estar familiarizado com
a noo de sucesso de funes e as variveis aleatrias so exactamente funes.
Suponhamos agora que, para cada n, X
n
tem distribuio binomial com parmetros n e
p
n
. Representemos as respectivas funes massa de probabildade por

B
k
n, p
n
( ) ou, mais
abreviadamente, por b
k
(n),
P{ X
n
= k} = b
k
(n) =

n
k




p
n
k
1 p
n
( )
nk
,
k = 0,1,2,...,n. Admitamos ainda que p
n
0 quando n+ mas de tal modo que
np
n
,
> 0, quando n+. Quer isto dizer que para n grande p
n
/n. Nestas condies,
para k = 0, ter-se-


b
0
(n) = 1 p
n
( )
n
= 1
np
n
n




n
e

.
Ento, para n grande podemos aproximar b
0
(n) por

e
np
n
. E o que acontece aos outros
valores de b
k
(n), k = 1,2,..., quando n+ ? Para isso vamos considerar o quociente de
termos consecutivos:


b
k+1
(n)
b
k
(n)
=
n!
k +1 ( )! n k 1 ( )!
p
n
k+1
1 p
n
( )
nk1
n!
k! n k ( )!
p
n
k
1 p
n
( )
nk
=
n k ( ) p
n
k +1 ( ) 1 p
n
( )
.
Ento, para k = 1,2,...


lim
n+
b
k+1
(n)
b
k
(n)
= lim
n+
n k ( ) p
n
k +1 ( ) 1 p
n
( )
=

k +1
,
136

136
em virtude de p
n
0 e np
n
. Agora podemos calcular sucessivamente os limites de
b
k
(n). Assim,


lim
n+
b
1
(n) = lim
n+
b
1
(n)
b
0
(n)
b
0
(n) = e

,


lim
n+
b
2
(n) =

2
lim
n+
b
1
(n) =

2
2
e

,
. . .
. . .
. . .


lim
n+
b
k
(n) =

k
lim
n+
b
k11
(n) =

k
k!
e

, k = 0,1,2,
Acabmos, pois, de provar que para k = 0,1,2,...


lim
n+
P X
n
= k { } = e


k
k!
.
A funo no termo direito desta igualdade uma funo massa de probabilidade pois
facilmente se v que positiva para qualquer valor de k e


e


k
k!
k=0
+

= e

=1.
De uma v.a. com esta f.m.p. diz-se que tem distribuio de Poisson com parmetro e
representa-se por P(). O que vimos que para uma sucesso de v.a's com distribuio
binomial com parmetros n e p
n
, np
n
, a sucesso de f.m.p.'s associada b
k
(n),
converge para a f.m.p. de uma v.a. com distribuio de Poisson. Quer dizer que se uma
v.a. conta o nmero de vezes que se d um acontecimento com pequena probabilidade
(p
n
0) mas que pode acontecer um grande nmero de vezes (n grande) a distribuio
de probabilidade dessa v.a. , em geral, bem aproximada por uma distribuio de
Poisson. Por esta razo costuma-se chamar lei de Poisson, lei dos acontecimentos
raros.
A distribuio de Poisson tem caractersticas importantes que vamos estudar em
seguida. Comecemos por calcular a sua transformada de Laplace:


L t ( ) = E e
tX
( )
= e
tk
e


k
k!
k=0
+

= e

e
t
( )
k
k!
k=0
+

= e
1e
t
( )
.
A partir da T.L. podemos calcular o valor mdio e a varincia.
L'(t ) =

e
t 1e
t
( )
,
137

137
donde
E(X) = - L'(0) = .
Da mesma maneira
L''(t) =

1+e
t
( )
e
t 1e
t
( )
,
logo,


E X
2
( )
= L''(0) = +
2

e, em consequncia
var(X) = E(X) = .
Consideremos agora X
1
, X
2
,,X
n
variveis aleatrias independentes em que cada
X
i
tem distribuio de Poisson com parmetros

, i = 1,..., n. Ento, considerando a


soma destas variveis aleatrias, S
n
= X
1
+ X
2
+ + X
n
, tem-se que a sua transformada
de Laplace dada por


L
S
n
(t) = L
X
i
(t)
i=1
n

= e

i
1e
t
( )
i=1
n

= e

i
i =1
n







1e
t
( )
.
Podemos ento concluir que a soma S
n
tem tambm distribuio de Poisson, mas agora
com parmetro

=
i
i=1
n

.
Exemplo 5.1. Consideremos um acontecimento com pequena probabilidade de
ocorrer. Por exemplo, suponhamos que vamos apostar numa roleta num s nmero.
Ento supondo que todos os nmeros de 0 a 36 duma roleta tm igual probabilidade de
sair, a probabilidade de ganhar numa jogada ser de 1/37 0.027. Se eu jogar 37 vezes
as probabilidades de nunca ganhar ou ganhar um vez, duas etc. sero dadas pelas
probabilidades binomiais

B
k
37,
1
37




. Mas estas probabilidades podem ser calculadas
aproximadamente atravs de um modo mais simples, ou seja, utilizando a distribuio
de Poisson.
Neste caso np
n
= 37 x

1
37
= 1 e ento
P{nunca ganhar} =

1
1
37




37
e
-1
;
138

138
P{ganhar uma vez} =

37
1
37
1
1
37




36
e
-1
;
P{ganhar cinco vezes} =

37
5






1
37




5
1
1
37




32

e
1
5!
.
Exemplo 5.2. A distribuio de Poisson pode tambm ser utilizada na distribuio
espacial de um determinado tipo de partculas. Por exemplo, quando se conta o nmero
de vrus que se vm numa rede de pequenos quadrados ao microscpio (figura 33).
Suponhamos que o nmero mdio de vrus em cada quadradinho e que h N
quadradinhos na rede. Ento h N partculas a ser colocadas em N quadrados e cada
partcula vai para cada um dos quadrados com probabilidade 1/N independentemente do
que acontece s outras. Nestas condies, o nmero de vrus num certo quadrado tem
distribuio binomial de parmetros N e 1/N, isto ,
P{k vrus num certo quadrado} =
Figura 33 =

N
k






1
N




k
N 1
N




N k
.
Se o nmero de quadrados na rede N fr grande e se admitirmos que os vrus que
estamos a observar so parte de uma populao de vrus muito maior com a mesma
proporo espacial podemos considerar o nmero de vrus em cada quadrado como
uma distribuio de Poisson de parmetro .
Exemplo 5.3. Suponhamos que queremos contar o nmero de automveis que
passam num certo cruzamento durante um intervalo de tempo [0,t] . Tal como fizmos
no exemplo 2.9. vamos subdividir este intervalo em pequenos subintervalos de
comprimento e admitir que a probabilidade de aparecer um automvel em cada um
desses subintervalos p

= . Se fr suficientmente pequeno ento podemos admitir


139

139
que em cada subintervalo ou passa um automvel ou no passa nenhum. Isto , o
nmero de automveis que passam num intervalo de comprimento 0 ou 1.
Admitindo que estas variveis que contam o nmero de automveis em cada
subintervalo so independentes, ento o nmero de carros ao fim de um tempo t ser
bem descrito por uma v.a. com distribuio binomial de parmetros t/ e . Como
pode ser to pequeno quanto eu queira, quando fazemos 0 obtemos uma distribuio
de Poisson de parmetro t.

5.2. DA BINOMIAL NORMAL
J vimos como podemos aproximar a distribuio binomial Poisson mas para
isso necessrio que p seja pequeno o que, obviamente, nem sempre acontece. Vamos
agora ver como se comporta a distribuio binomial quando n grande mas p
permanece fixo. Assim, por exemplo, como poderemos aproximar probabilidades do
tipo


Bi
50
100,
1
2




=
100!
50!50!
1
2
100

por uma expresso mais simples de calcular e que nos d mais rapidamente uma ideia
da magnitude deste valor ?
Consideremos ento X
n
uma sucesso de variveis aleatrias com distribuio
binomial de parmetros n e p. Calcular o limite da respectiva sucesso de f.m.p's
associada no nos conduz, neste caso, a nenhuma concluso interessante, pois
P{ X
n
= k} =

n
k





p
k
1 p ( )
nk
~

n
k
k!
p
k
1 p ( )
nk
0,
quando n+. Este resultado intuitivo se nos lembrarmos que quando n+
natural que o nmero de ocorrncias aumente proporcionalmente com n (lembremo-nos
de que E(X
n
) = np) e portanto, para um valor de k fixo P{ X
n
= k} 0. Por isso, como
E(X
n
) = np e

X
n
( ) = npq , q = 1-p consideremos antes a sucesso de v.a.'s


X
n
*
=
X
n
np
npq
,
cujo valor mdio nulo e a varincia unitria, para todo o n 1. Para estudar o
comportamento limite desta sucesso vamos precisar do lema que se segue e que damos
sem demonstrao para no complicar com contas o objectivo principal do nosso
estudo.
140

140
Lema 5.1. Sejam 0 < p < 1, q = 1-p e

x
n,k
=
k np
npq
, 0 k n. Seja A uma
constante positiva qualquer fixa. Ento para k tal que


x
n,k
A
tem-se


n
k





p
k
1 p ( )
nk
~
1
2npq
e
x
n,k
2
/ 2
,
em que "~" significa que o limite do quociente das duas sucesses 1.
consequncia do lema anterior que


P a <
X
n
np
npq
< b






= P X
n
= k { }
a<x
k
<b

~
1
2npq
e
x
k
2
/ 2
a<x
k
<b


em que x
k
uma representao abreviada de

x
n,k
=
k np
npq
. Tendo em conta que


x
k+1
x
k
=
1
npq

vem


P X
n
= k { }
a<x
k
<b

~
1
2
x
k+1
x
k
( )e
x
k
2
/ 2
a<x
k
<b

,
em que a soma sobre todos aqueles valores de x
k
que esto no intervalo (a,b]. Mas
como

x
k+1
x
k
0 quando n+ esses valores formam uma partio do intervalo
(a,b] que se torna cada vez mais fina quando n se aproxima de infinito. Assim para um
dado n, se os valores mais pequeno e maior de k satisfazendo a < x
k
b so j e m ento


x
j 1
< a < x
j
< x
j +1
< ... < x
m1
< x
m
b < x
m+1

e a soma no termo direito da igualdade acima pode ser escrita na forma


x
k
( ) x
k+1
x
k
( )
k= j
m


em que

x
k
( ) =
1
2
e
x
k
2
/ 2
tal como se pode ver na figura 34.
141

141

Figura 34
Mas isto a soma de Riemann para o integral

x ( )dx
a
b

. E ento


P a <
X
n
np
npq
b






n+

1
2
e
x
2
/ 2
dx
a
b

.
A este resultado d-se o nome de teorema de De Moivre-Laplace. A funo que aparece
como funo integranda no integral limite,
(x) =

1
2
e

x
2
2
, xR,
desempenha um papel fundamental em teoria das probabilidades. Esta funo tambm
uma f.d.p. e de uma v.a. absolutamente contnua que possua esta densidade dizemos
que tem distribuio normal . A funo (x) sempre positiva e para vermos que o seu
integral unitrio calculamos o quadrado do integral e transformamo-lo num integral
duplo:


x ( )dx





y ( )dy





= e

1
2
x
2
+y
2
( )
dxdy

.
Se transformarmos as coordenadas cartesianas em coordenadas polares, isto , fazendo
a mudana de varivel x=cos e y=sen obtemos


1
2
e

1
2

2
dd
0
+

0
2

=
1
2
e

1
2

2
0
+
d
0
2

=
1
2
d
0
2

=1.

A funo (x) tem a forma indicada na figura 35 e tem propriedades importantes que a
142

142
tornam de fcil tratamento matemtico. Para j, (x) uma funo simtrica, isto
(x) = (-x) .
De uma v.a. cuja f.d.p. verifica esta propriedade dizemos que simtrica. A funo (x)
tem tambm derivadas de todas as ordens e decresce muito rapidamente para zro.

Figura 35
A funo de distribuio normal ser, evidentemente, dada por
(x) =

1
2
e

t
2
2
dt

,
mas a funo integranda (x) no tem primitiva conhecida e para o clculo dos valores
de (x) temos que recorrer a tabelas. Pelo facto de (t) ser simtrica vem


x ( ) = (t)dt

=

(t)dt
x
+

= 1-(x),
e, portanto, se X tem distribuio normal
P{ |X| x} = (x) - (-x) = 2(x) - 1.
Para as probabilidades de cauda, isto , para as probabilidades do tipo
1- (x) =

(t)dt
x
+

,
til considerar uma aproximao. Se repararmos que '(t) = -t(t) vemos que o
integral em cima pode-se escrever como


(t)dt
x
+

' (t)
t
dt
x
+

.
Ento, para t>x, tem-se
1- (x)

' (t)
x
dt
x
+

=

x ( )
x
.
143

143
Assim, quando x grande o efeito devido a substituir '(t)/t por '(t)/x negligvel e
podemos considerar sem risco de grande erro:
1 - (x)

x ( )
x
.
A transformada de Laplace da normal existe para todo o tR e dada por


L t ( ) = E e
tX
( )
=
1
2
e
tx
x
2
2
dx

=
1
2
e

1
2
x
2
+2tx+t
2
( )
+
x
2
2
dx

= e
t
2
2
1
2
e

x+t ( )
2
2
dx

= e
t
2
2
,

para - < t < +. Uma vez calculada a Transformada de Laplace podemos obter a partir
das suas primeira e segunda derivadas os respectivos momentos. Ora, como
L'(t) =

te
t
2
2
e L''(t) =

e
t
2
2
+ t
2
e
t
2
2

Vem de imediato que
E(X) = 0 e var(X) =

E X
2
( )
= 1.
Mais geralmente podemos calcular os momentos de todas as ordens
desenvolvendo a transformada de Laplace em srie.


L t ( ) = e
t
2
2
=1+
t
2
2
+
t
4
4.2!
+ ... +
t
2n
2
n
n!
+ ...
Mas se L(t) admite desenvolvimento em srie de potncias ento tem-se a igualdade
L(t) =

L
(n)
(0)
n!
t
n
n=0
+

=

(1)
n
E X
n
( )
n!
t
n
n=0
+

,
ou seja,


(1)
n
E X
n
( )
n!
t
n
n=0
+

=

1
2
n
n!
t
2n
n=0
+

.
Como o desenvolvimento em srie de potncias de uma funo nico podemos
concluir que
144

144


E X
2n1
( )
= 0 e

E X
2n
( )
=
2n ( )!
n!2
n
.
Em geral, considera-se que uma v.a. tem distribuio normal no apenas quando
a sua f.d.p. dada por (x) mas tambm quando qualquer funo linear de uma v.a.
com essa f.d.p. .
Definio 5.1. Para quaisquer constantes R e
2
> 0 dizemos que uma v.a. tem
distribuio normal com parmetros e e representa-se por N(,) sse a v.a. reduzida


X
*
=
X

,
(

X = X
*
+ ), tem f.d.p. (x) =

1
2
e

x
2
2
, - < x < +.
Em particular, se = 0 e
2
=1, obtemos a distribuio N(0,1) que corresponde
f.d.p. (x). Para quaisquer e a f.d. correspondente pode ser escrita em termos de
(x):

,
(x) = P{Xx} =

P X
*


,


,

=
x



_
,
.
Assim podemos determinar os valores de

,
(x) para quaisquer e atravs das
tabelas de (x). Em consequncia desta relao tem-se tambm

,
x ( ) =
1





=
1
2
e

x ( )
2
2
2
, - < x < +.
Na figura 36 mostra-se o grfico desta densidade para = 0 , = 0.5 e = 0 , = 1.5.

Figura 36
145

145
J vimos que se X tem distribuio normal ento

X = X
*
+ X em que

X
*

N(0,1). Assim, imediato que
E(X) = ,
var(X) =
2
, (X) = .
Quanto T.L. temos, no caso geral, tem-se


L
X
t ( ) = E e
t X
*
+
( )
[ ]
= e
t
E e
tX
*
( )
= e
t +

2
t
2
2
.
Para terminar este breve estudo sobre a distribuio normal vamos ver que a soma
de v.a.'s com distribuio normal tem ainda distribuio normal.
Teorema 5.1 Sejam X
1
, X
2
,,X
n
v.a.'s independentes com distribuio normal de
parmetros
i
e

, i = 1,..., n. Ento a varivel aleatria soma, isto , X


1
+ X
2
+ + X
n

tem distribuio normal

N
i
i=0
n

,
i
2
i=1
n







.
DEMONSTRAO: Basta provar para n = 2 pois o caso geral segue-se por
induo. S temos que calcular a T.L. da soma de duas v.a.'s normais:


L
X
1
+X
2
(t) = L
X
1
(t)L
X
2
(t) = e

1
t +
1
2
t
2
/ 2
e

2
t +
2
2
t
2
/ 2
= e

1
+
2
( )t +
1
2
+
2
2
( )
t
2
/ 2

que a T.L. de uma v.a. com distribuio normal

N
1
+
2
,
1
2
+
2
2
( )
.

5.3. O TEOREMA DO LIMITE CENTRAL
j um facto bem nosso conhecido que se X
1
,X
2
,...,X
n
forem v.a.'s
independentes de Bernoulli com parmetro p ento a v.a. S
n
= X
1
+X
2
+...+X
n
tem
distribuio binomial de parmetros n e p. O teorema de De Moivre-Laplace diz-nos
que
P

a <
S
n
- np
npq
b e
- x
2
/2
dx = (b) - (a) .
Assim, se fr F
n
(x) a f.d. associada a cada uma das v.a.'s (S
n
- np) / npq podemos
escrever
146

146
F
n
(x) (x), x R .
Este conceito de uma sucesso de f.d.'s a convergir para uma outra extremamente
importante e por isso vamos defini-lo com mais rigor.
Definio 5.2. Dada uma sucesso de v.a.'s {X
n
} dizemos que converge em lei
ou distribuio para uma outra v.a. X com f.d. F(x), e representa-se


X
n
L
X,
sse a sucesso de f.d.'s F
n
(x) associada a X
n
fr tal que
F
n
(x) F(x) ,
quando n+, em todos os pontos de continuidade de F(x).
Convm notar que quando {X
n
} e X so v.a.'s discretas, esta definio
equivalente a exigir a convergncia das f.m.p.'s de {X
n
} para a f.m.p. de X. Assim, na
seco 5.1. vimos que uma sucesso de v.a.'s {X
n
} em que cada X
n
tem distribuio
binomial B(n,p
n
) converge em distribuio para X em que X tem uma lei de Poisson
P() desde que np
n
. Quando as variveis {X
n
} e X so absolutamente contnuas
ainda verdade que se a sucesso de f.m.p.'s f
n
(x) associada a X
n
fr tal que
f
n
(x) f(x) ,
f(x) f.d.p. de X, podemos concluir que

X
n
L
X. Contudo o inverso pode, neste
caso, j no ser verdadeiro. Isto , a convergncia de uma sucesso de f.d.'s
absolutamente contnuas para uma f.d. tambm absolutamente contnua no permite
concluir a convergncia das respectivas f.d.p.'s associadas.
Repare-se que pode tambm acontecer que uma sucesso de v.a.'s discretas
convirja em lei para uma v.a. absolutamente contnua. Foi o que vimos atravs do
teorema de De Moivre-Laplace. Aqui, as v.a.'s X
i
so i.i.d. e s podem tomar um de
dois valores com probabilidade p e 1-p respectivamente. Sabemos agora que a soma
S
n
=X
1
+X
2
+...+X
n
tal que


S
n
np
npq
L
Z ,
em que Z normal, N(0,1). Nesta seco vamos estar interessados em saber o que
acontece se as v.a.'s X
i
possuirem outra qualquer distribuio de probabilidade.
comum, em muitos problemas reais utilizar v.a.'s da forma S
n
=X
1
+X
2
+...+X
n
,em
147

147
que X
1
,X
2
,...,X
n
so i.i.d.. Por isso, do maior interesse saber se existe alguma f.d.
que possa aproximar bem, para n grande, a f.d. de S
n
. Ser que podemos utilizar ainda,
para essa aproximao, a f.d. normal (x)? A resposta a esta questo talvez o
teorema mais forte e profundo de toda a teoria das probabilidades.
Consideremos ento uma sucesso de v.a.'s {X
n
} i.i.d. com uma distribuio
comum com varincia finita, i.e.,
var (X
i
) =
2
< + .
Claro que nesse caso tambm o valor mdio existe, isto ,
E (X
i
) = < + , i=1,2,... .
Se pensarmos na sucesso de v.a.'s S
n
=X
1
+X
2
+...+X
n
bvio que
E (S
n
) = n e var (S
n
) = n
2
.
Consideremos ento agora as v.a.'s
S
*
n
=
X
1
+X
2
+...+X
n
- n
n
=
S
n
- n
n
=
1
n

i=1
n
X
*
i
,
em que X
*
i
=(X
i
- )/. As variveis X
*
i
so tais que E(X
*
i
) = 0 e var (X
*
i
) = 1 o que
tem como consequncia que, para todo o n1,
E (S
*
n
) = 0 e var (S
*
n
) = 1 .
Alm disso como os X
*
i
so idnticamente distribuidos tm uma T.L. comum L(t) que
possui derivada pelo menos de 2 ordem pois as variveis tm varincia finita. Ento
L'(0) = 0 e L''(0) = 1 ,
o que nos permite escrever, desenvolvendo em srie de Taylor a funo L(t),
L(t) = L(0) + L'(0) t +
L''(0)
2
t
2
(1+ o(t ))
= 1 +
t
2
2
(1 + o(t )) ,
em que o(t) uma funo tal que o(t)/t c 0 quando t c0. Ento se fr L
S
*
n
(t) a T.L. de
148

148
S
*
n
, em virtude dos X
*
i
serem i.i.d., teremos
L
S
*
n
(t ) = E

_
e
-
t
n
(X
*
1
+X
*
2
+...+X
*
n
)

=
i=1
n
E

_
e
-
t
n
X
*
i
= [1 +
t
2
2n
(1+0 (
t
n
)) ]
n
.
Fazendo agora n+ obtemos
L
S
*
n
(t ) e
t
2
/2
.
Claro que a T.L. das v.a.'s X
*
i
pode no existir mas escolhemos aqui a T.L. por uma
questo de simplicidade pois se esta no existisse, poderamos utilizar a funo
caracterstica (E (e
itX
)) - que est sempre definida para qualquer v.a.! - e aplicar o
mesmo raciocnio.
Acabmos ento de ver que a sucesso de T.L.'s associada a S
*
n
, L
S
*
n
(t)
converge para a T.L. de uma v.a. com distribuio normal N(0,1). J vimos que a T.L.
determina univocamente a funo de distribuio mas ser que o resultado se mantm
no limite, ou seja, ser que se as T.L.'s de uma sucesso de v.a.'s convergem para uma
certa T.L. a respectiva sucesso de f.d.'s tambm converge para a f.d. associada T.L.
limite ? Felizmente, h um teorema que salva a situao e que nos d uma resposta
afirmativa a esta pergunta. Concluimos assim a demonstrao do Teorema do limite
central que enunciamos a seguir.
Teorema 5.2. (Teorema do limite central). Seja {X
n
} uma sucesso de v.a.'s
i.i.d. tais que var (X
i
) =
2
< + e E (X
i
) = . Ento


S
n
*
=
X
1
+ X
2
+ ... + X
n
n
n
L
Z,
em que Z uma v.a. com distribuio normal, N(0,1). Ou seja,


P
X
i
i=1
n

n
n
x













1
2
e

t
2
2
dt

= (x) ,
149

149
quando n +, - < x < + .
O que h de realmente espantoso neste resultado no o facto de poder aproximar
a f.d. de S
n
por uma outra mas sim o facto de que, em condies to gerais, a f.d. de
S
*
n
convergir sempre para a mesma f.d. da normal (x). Na prctica a utilizao do
teorema do limite central pe alguns problemas como, por exemplo, qual o menor valor
de n para o qual podemos obter uma boa aproximao ? Agora j no possvel dar
uma resposta geral pois isso depende de cada f.d. particular que associamos s v.a.'s X
i
.
usual aceitar-se que para n > 30 a f.d. normal produz boas aproximaes, mas isso
pressupe verificarem-se algumas condies como a f.d. de X
i
no ser acentuadamente
assimtrica. No caso da binomial h uma regra emprica que aconselha a s utilizar a
aproximao normal quando np > 10 e nq > 10. Quando as parcelas X
i
tm, por
exemplo, distribuio uniforme o facto de a f.d.p. s ser positiva num certo intervalo
leva a que s seja possvel uma aproximao Normal para valores de n bastante
elevados.
Vamos agora ver um exemplo de como aplicar o teorema do limite central.
Exemplo 5.4. Seja m o verdadeiro valor de uma certa quantidade fsica e sejam
X
i
, i=1,2,...n, medies sujeitas a erros
i
, i.i.d., em que cada
i
tem distribuio
uniforme no intervalo [ -1,1] . Ento
X
i
= m +
i
.
Alm disso
E (
i
) =

-1
1

x
2
dx =
x
2
4
|
|
1
-1
= 0
E (
2
i
) =

-1
1

x
2
2
dx =
x
3
6
|
|
1
-1
=
1
3
.
Em consequncia, = E (X
i
) = m e
2
= var (X
i
) =
1
3
. Feitas as n medies
queremos agora saber qual a probabilidade de a mdia das medies no se afastar do
verdadeiro valor m mais do que uma certa fraco da unidade ? O que queremos saber

P

|
1
n

i=1
n
X
i
- m | < = P


| S
n
-nm |
n
<
150

150
= P


| S
n
-nm |
n/3
< 3n .
Podemos ento aplicar o teorema do limite central considerando que a f.d. de (S
n
-nm)
n/3 bem aproximada pela f.d. normal e, nesse caso,
P

| S
n
-nm |
n/3
< 3n ( 3n ) - (- 3n )
= 2 ( 3n ) - 1 .
Assim, para n=25 e =1/5, por exemplo, o valor daquela probabilidade ser dado por
2( 3 )-1=0.92 com a ajuda das tabelas. Podemos tambm pr o problema inverso de
para uma certa probabilidade de erro e fixos quantas medies deveremos fazer ?
Ora isto equivale a procurar x

tal que
2 (x

) - 1 =
ou seja
(x

) =
1+
2
,
e escolher n tal que 3n > x

ou ainda tal que n > x


2

/3
2
. Quando =0.95 e =1/5
teremos que procurar x

tal que
(x

) = 0.975
e obtemos x

=1.96 donde
n >
25 x (1.96)
2
3
32 .

5.4. A LEI DOS GRANDES NMEROS
O problema do estudo do comportamento da soma de um grande nmero de
variveis aleatrias tem sido uma questo central em todo o desenvolvimento da teoria
das probabilidades. O teorema do limite central , sem dvida, um resultado bsico,
nesta perspectiva, mas nenhum estudo de probabilidade ficaria completo sem
mencionar a lei dos grandes nmeros, o outro resultado fundamental que o acompanha e
complementa.
151

151
Teorema 5.3. (Lei dos grandes nmeros). Nas mesmas condies do teorema
5.2, para toda a constante c > 0,
P

|
S
n
n
- | < c 1 ,
quando n c +.
DEMONSTRAO : Comecemos por reparar que
P

|
S
n
n
- | < c = P


| S
n
-n |
n
< c .
Para quaisquer constantes M > 0 e c > 0 existe sempre n suficientemente grande tal que
M n < nc. Nestas condies | S
n
- n | < nc sempre que | S
n
- n | < M n . Ento,
para n suficientemente grande,


P
S
n
n
n
< M








P
S
n
n
n
< c






.
Passando ao limite esta desigualdade e aplicando o teorema do limite central


lim
n+
P
S
n
n
n
< c






(M) - (-M) .
Como, para qualquer arbitrariamente pequeno podemos escolher a constante M de
modo a que (M)-(-M) 1-, vem o resultado.
Repare-se que embora a lei dos grandes nmeros tenha tambm a ver com o
comportamento assinttico da sucesso S
n
no agora a sucesso de funes de
distribuio que nos interessa mas a probabilidade de | S
n
/n - | ser pequeno. Esta
questo ser melhor compreendida atravs da definio que se segue.
Definio 5.3. Dada uma sucesso {X
n
} de v.a.'s dizemos que converge em
probabilidade para uma v.a. X sse, c > 0,
P{ | X
n
- X | < c } 1 ,
quando n+, e representa-se

X
n
P
X .
A definio anterior trata, pois, de um modo de convergncia diferente da
definio 5.2. Interessa saber que relao h entre eles. Pode-se demonstrar que se
uma sucesso X
n
converge em probabilidade para uma v.a. X ento X
n
tambm
152

152
converge em distribuio para X. Contudo, o inverso j no verdadeiro, isto , a
convergncia em distribuio no implica a convergncia em probabilidade. Dizemos
ento que a convergncia em probabilidade um modo de convergncia mais forte do
que a convergncia em distribuio.
Agora podemos reenunciar a lei dos grandes nmeros dizendo que se {X
n
} uma
sucesso i.i.d. de v.a.'s com varincia finita e mdia ento


S
n
n
P
.
Histricamente a lei dos grandes nmeros foi enunciada primeiro do que o
teorema do limite central. Contudo, como j vimos, a primeira pode ser estabelecida
como um corolrio deste. Mas a lei dos grandes nmeros pode ser enunciada em
condies mais gerais do que o teorema do limite central. De facto, no necessrio
exigir que as variveis X
i
possuam segundo momento finito. A existncia de valor
mdio o suficiente para garantir que a lei dos grandes nmeros se verifica. A
demonstrao nestas condies mais gerais ultrapassa o mbito deste curso mas
possvel dar uma demonstrao simples e elegante duma generalizao da lei dos
grandes nmeros num outro sentido, ou seja, quando as variveis no so idnticamente
distribudas. Esta prova totalmente independente e ainda mais simples do que a do
teorema do limite central.
Teorema 5.4. Seja {X
i
} uma sucesso de variveis aleatrias independentes tais
que E(X
i
) =
i
e E(X
2
i
) =
2
i
, para todo o i1. Se existir uma constante M tal que

2
i
M,
para todo o i1, ento


S
n
n

i
i=1
n

n
P
0.
DEMONSTRAO: Designemos X
0
i
= X
i
-
i
e S
0
n
=
i=1
n
X
0
i
. Pela
desigualdade de Markov (ver seco 3.4) , qualquer que seja c > 0,
P{ | S
0
n
| > nc }
E(S
0
n
2
)
n
2
c
2
.
153

153
Mas, dado que E(S
0
n
) = 0, vem E(S
0
n
2
) = var(S
0
n
) =

i=1
n

2
i
. Ora como
2
i
M, para
todo o i=1,2,..., tem-se
P

|
S
0
n
n
| > c

M
nc
2

e o termo direito da desigualdade converge para 0 quando n+, donde o resultado.
xemplo 5.5. Seja A um acontecimento com probabilidade p e suponhamos que
vamos fazer repeties sucessivas da experincia aleatria da qual A pode resultar.
Para cada prova podemos definir as v.a.'s de Bernoulli
X
i
=

1 se ocorrer A na i-sima prova


0 se ocorrer A
C
na i-sima prova.

J sabemos que E(X
i
) = p e var (X
i
) = p(1-p). Se aplicarmos a lei dos grandes
nmeros vem que


X
i
i=1
n

n
=
S
n
n
P
p.
Mas reparemos que agora S
n
apenas a frequncia de A, N
n
(A) e portanto S
n
/n a
frequncia relativa de A, f
n
(A) . Ento o que a lei dos grandes nmeros nos diz que


f
n
A ( )
P
p.
Se nos lembrarmos da discusso que fizmos na seco 1.2. vemos agora que faz
sentido utilizar a definio frequencista com uma possvel definio de probabilidade.
Quer dizer, definimos probabilidade formalmente como uma funo de subconjuntos de
um espao amostral que verifica apenas trs axiomas. A apartir da, e s da,
demonstrmos a lei dos grandes nmeros que nos mostra que o limite da frequncia
relativa de um acontecimento sempre a sua probabilidade. A definio frequencista
pretende fornecer uma regra prtica para determinar a probabilidade de um
acontecimento. Como no sabamos se essa regra tinha consistncia terica
desenvolvemos uma teoria geral, "livre" de qualquer definio concreta de
probabilidade, mas que nos vem exactamente garantir a viabilidade prtica da definio
frequencista. Este , sem dvida, um excelente exemplo para mostrar a estreita relao
que no se pode deixar de estabelecer entre a teoria e a prtica.

154

154


EXERCCIOS.
4.1. Numa determinada escola, 10% dos estudantes so finalistas. Escolheu-se ao
acaso uma amostra de 50 estudantes dessa escola Determine,usando a distribuio de
Poisson, a probabilidade de que a amostra contenha
a) s estudantes no finalistas;
b) apenas um estudante finalista;
c) mais do que 3 estudantes finalistas.
Compare com os resultados obtidos usando o modelo binomial.
4.2. O nmero de automveis que atravessam uma ponte durante um determinado
perodo de tempo uma v.a. com distribuio de Poisson.
a) Sendo 1/4 a probabilidade de no passar nenhum automvel, determine a
probabilidade de passarem pelo menos dois.
b) Suponha que cada automvel, independentemente dos outros, tem uma
probabilidade p (0<p<1) de ter uma avaria em cima da ponte. Determine a f.m.p. do
nmero de automveis que se avariam em cima da ponte nesse perodo de tempo.
4.3.Se r bolas forem colocadas ao acaso em n urnas (cada bola tendo
probabilidade
1
n
de calhar em cada urna) qual a probabilidade da 1 urna conter
exactamente k bolas? Se n=r=100 d um valor aproximado para a probabilidade da
primeira urna conter 50 bolas.
4.4. Suponha que em cada 1000 indivduos de uma certa populao 2 so
daltnicos. Seja X o nmero de daltnicos existentes numa amostra de 1000 indivduos
dessa populao. Calcule P(X=1) e P(X3).
4.5. Sejam X com distribuio B(100,0.97) e Y com distribuio B(70,0.97) v.a.'s
independentes. D uma aproximao para P(X+Y = 100).
4.6. Sejam X
1
e X
2
v.a.'s independentes com distribuio de Poisson de
parmetros
1
e
2
, respectivamente. Identifique a distribuio de probabilidade da v.a.
X
1
| X
1
+X
2
=n.
155

155
4.7. Sendo X uma v.a. com distribuio N(130,6), calcule:
a) P(X>142); b) P(X<118); c) P(127<X<139);
d) P(X>E(X)+2 var(X) ); e) Determine t tal que P( |X-130| <6t ) = 0.95.

4.8. Seja X uma varivel aleatria com distribuio Normal tal que E(X)=, >0,
e var(X)=
2
. Calcule P(X<- | X<).
4.9. Seja X uma v.a. com distribuio normal N(0,1). Determine a f.d.p. das
variveis Y = e
X
e Z = X
2
. Calcule o valor mdio de Y.
4.10.
a) Determine a distribuio de probabilidade da varivel Y=

i=1
n
a
i
X
i
, em que os
X
i
so v.a.'s independentes com distribuio normal, N(
i
,
i
), e os a
i
so constantes
reais.
b) Suponha que uma fbrica produz trs tipos de materiais elctricos A, B, C,
cujos preos de venda so 120$00, 62$50 e 128$00, respectivamente. Os nmeros de
unidades de cada um dos tipos de materiais vendidas semanalmente podem ser
considerados independentes e cada um com distribuio normal de valores mdios 190,
221 e 225 e varincias 2304, 4096 e 3600, respectivamente. Calcule a probabilidade de
que, numa semana, o valor total das vendas de todas as unidades exceda 70 000$00.
4.11. Suponha que se fazem pesagens de um certo corpo, em gramas. Se os erros
associados a cada pesagem forem v.a.'s i.i.d. com valor mdio 0 gramas e desvio padro
0.5 gramas, quantas pesagens devem ser feitas de modo a que a mdia das pesagens no
se afaste do verdadeiro valor do peso do corpo mais de 0.25 gramas com probabilidade
0.99?
4.12. Sejam X
1
,X
2
,...,X
150
, v.a.'s i.i.d com f.m.p. P(X=k) = 0.2 (0.8)
k-1
, k=1,2,....
Seja S=

i=1
150
X
i
. Obtenha uma aproximao de P(700 < S < 800).
4.13. Suponha que uma mquina comea a funcionar no instante t=0 e reparada
instantaneamente quando se avaria. Admita que o tempo decorrido at primeira avaria
e os tempos que decorrem entre cada duas avarias consecutivas so v.a.'s i.i.d. com
distribuio exponencial com valor mdio igual a 100 horas. Calcule um valor
156

156
aproximado da probabilidade de em 5000 horas de funcionamento haver 50 ou mais
avarias.
4.14.
a) Sejam X
1
e X
2
duas v.a.'s independentes com distribuio normal N(,).
Qual a distribuio de probabilidade de X
1
-X
2
?
b) Suponha que uma pessoa faz n pesagens de um corpo X
1
,X
2
,...,X
n
que
so v.a.'s independentes com distribuio normal N(P,1) em que P o peso do corpo.
Uma outra pessoa faz pesagens Y
1
,Y
2
,...,Y
n
do mesmo corpo que so tambm v.a.'s
independentes com distribuio normal N(P,1) e independentes de X
1
,X
2
,...,X
n
. Diga
qual o menor valor do n de pesagens que ambas as pessoas devem fazer para que as
mdias das pesagens de cada pessoa no difiram mais de 0.5.
4.15. Sabe-se que um remdio tradicional para o tratamento de certa doena
infecciosa eficiente em 80% dos casos. Um novo remdio foi testado e curou 90 dos
100 primeiros casos em que foi administrado. Se o novo remdio fosse to bom como o
velho, qual seria aproximadamente a probabilidade de obter pelo menos 90 casos de
cura numa amostra de 100? O que acha do novo remdio?
4.16.Uma cidade tem dois cinemas, A e B, com igual capacidade (n lugares).
Num certo dia h 400 pessoas que pretendem ir ltima sesso. Cada pessoa escolhe ao
acaso um dos dois cinemas, e independentemente das outras.
a) Se forem NA e NB as v.a.'s que contam o nmero de pessoas que
escolhem o cinema A e o cinema B, respectivamente, diga qual a distribuio de
probabilidade de NA e de NB e que relao existe entre NA e NB.
b) Determine aproximadamente o menor valor de n de modo a que a
probabilidade de pelo menos um dos cinemas esgotar a lotao nesse dia (na ltima
sesso) seja inferior a 0.05.
4.17.Seja X

uma v.a com distribuio de Poisson com parmetro . Demonstre


que, sendo Z

=
X

e F(x) a f.d. da distribuio N(0,1), se tem


lim
+
P{Z

x} = F(x).
4.18. Sejam X
1
,X
2
,...,X
n
, v.a.'s i.i.d. com distribuio uniforme no intervalo [0,].
Se fr M = max{X
1
,X
2
,...,X
n
} mostre que M zc
P
c.

You might also like