Livro

Pginas Selecionadas do Livro -- www.LaplaceBooks.
com/estatistica
Introducao a Estatstica
`
Matematica Aplicada
Volume I Fundamentos
Para engenharia, economia, nancas e atuaria
Problemas e exerccios resolvidos
Adriano Azevedo-Filho
CreateSpace
2009
Pginas Selecionadas do Livro -- www.LaplaceBooks.com/estatistica
Introduco ` Estatstica Matemtica Aplicada

a a
a
Volume I Fundamentos
c 2009 por Adriano J. B. V. Azevedo-Filho
Todos os direitos reservados.
ISBN 978-1-4421-7220-3
1a Edico (1a impresso)
a
a
E proibida a reproduco total ou parcial

a
em qualquer meio ou forma.
Dados Internacionais de Catalogao na Publicao (CIP)

Azevedo-Filho, Adriano J. B. V.
Introduo Estatstica Matemtica Aplicada:
Volume I Fundamentos/Adriano Azevedo Filho
1a. ed. Scotts Valley:CreateSpace, 2009.
Bibliografia.
ISBN 978-1-4421-7220-3
1. estatstica matemtica
I. Azevedo Filho, Adriano J. B. V. II. Ttulo.
CDD 519.5
e-mail do autor: estatistica@LaplaceBooks.com

site do livro: www.LaplaceBooks.com/estatistica
Sumario
x
Lista de Figuras
xi
Prefacio
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1
1
2
2
3
5
5
6
7
13
1.6
.
1.7 Consideracoes nais . . . . . . . . . . . . . . . . . .
Exerc
cios . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Referncias . . . . . . . . . . . . . . . . . . . . . . . . . . . .
e
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
15
17
18
21
.
.
.
.
23
23
23
25
26
Probabilidade: Conceitos Basicos
1.1
1.2
1.3
1.4
1.5
Introduco . . . . . . . . . . . . . . . . . . . . . . .
a
Signicados de probabilidade . . . . . . . . . . .
1.2.1 Viso clssica viso bayesiana . . . .
a a
a
1.2.2 Interpretaco freqentista subjetiva
a
u
Nocoes bsicas . . . . . . . . . . . . . . . . . . . .
a
1.3.1 Experimento e incerteza . . . . . . . . .
1.3.2 Espacos: amostral () e de eventos ( )
Operacoes entre eventos . . . . . . . . . . . . . .
Eventos: alguns qualicadores . . . . . . . . . . .
Algebra de eventos: propriedades . . . . . . . .
Probabilidade: Fundamentos da Teoria
2.1
2.2
2.3
2.4
Introduco . . . . . . . . . . . . . .
a
Funco probabilidade e axiomas
a
Teoremas fundamentais - I . . . .
Medida de probabilidade . . . . .
v
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
2.5
Probabilidade condicional . . . . . . . . . . . . . . . . . . 36
2.6
Teoremas fundamentais II . . . . . . . . . . . . . . . . . . 40
2.7
Noco de Independncia . . . . . . . . . . . . . . . . . . . 54
a
e
2.7.1 Independncia condicional . . . . . . . . . . . . 55
e
2.7.2 Independncia e causalidade . . . . . . . . . . . . 59
e
2.8
Consideracoes nais . . . . . . . . . . . . . . . . . . . . . . 63
Exerc
cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
Referncias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
e
3
Variaveis Aleatorias e Distribuicoes Univariadas
89
3.1
Introduco . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
a
3.2
Varivel aleatria . . . . . . . . . . . . . . . . . . . . . . . . 90
a
o
3.3
Alguns exemplos . . . . . . . . . . . . . . . . . . . . . . . . 91
3.4
Funco cumulativa de probabilidade - F () . . . . . . . . 93

a
3.5
Distribuico de probabilidade - caso discreto . . . . . . 96

a
3.6
Distribuico de probabilidade - caso cont

a
nuo . . . . . 100
3.7
Variveis aleatrias e distribuicoes mistas . . . . . . . . 104

a
o
3.8
Exerc
cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
Referncias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
e
4
Variaveis Aleatorias e Distribuicoes Multivariadas
113
4.1
Introduco . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
a
4.2
Funco cumulativa no caso multivariado . . . . . . . . 116

a
4.3
Funco de massa no caso multivariado . . . . . . . . . . 118

a
4.4
Funco de densidade multivariada . . . . . . . . . . . . . 121

a
4.5
Distribuico de probabilidade condicional . . . . . . . . 124

a
4.6
Independncia de variveis aleatrias . . . . . . . . . . . 126

e
a
o
4.7
Exerc
cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 128
Referncias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131
e
vi
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
133
133
133
140
142
144
145
152
158
161
167
171
172
189
Introduco . . . . . . . . . . . . . . . . . . . . .
a
Desigualdade de Markov . . . . . . . . . . . .
Desigualdade de Chebyshev . . . . . . . . . .
Lei dos grandes nmeros . . . . . . . . . . . .
u
Formas de Convergncia . . . . . . . . . . . .
e
Teorema do Limite Central . . . . . . . . . .
Outras desigualdades . . . . . . . . . . . . . .
6.7.1 Desigualdade de Cauchy-Schwartz .
6.7.2 Desigualdade de Jensen . . . . . . . .
6.8 Consideracoes nais . . . . . . . . . . . . . . .
Exerc
cios . . . . . . . . . . . . . . . . . . . . . . . . .
Referncias . . . . . . . . . . . . . . . . . . . . . . . . .
e
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
191
191
192
193
196
200
205
209
209
211
216
217
219
Esperanca Matematica e Conceitos Relacionados
5.1 Introduco . . . . . . . . . . . . . . . . . . .
a
5.2 Esperanca matemtica - E() . . . . . . . .
a
5.3 Propriedades da esperanca . . . . . . . . .
5.4 Varincia e conceitos associados . . . . .

a
5.5 Covarincia e correlaco . . . . . . . . . .
a
a
5.6 Propriedades da varincia e covarincia .
a
a
5.7 Esperanca e varincia condicionais . . . .
a
5.8 Resultados associados ` independncia .
a
e
5.9 Momentos, cumulantes e geradoras . . .
5.10 Outras medidas uteis . . . . . . . . . . . .

5.11 Consideracoes nais . . . . . . . . . . . . .
Exerc
cios . . . . . . . . . . . . . . . . . . . . . . .
Referncias . . . . . . . . . . . . . . . . . . . . . . .
e
6
.
.
.
.
.
.
.
.
.
.
.
.
.
Leis, Convergencias e Desigualdades
6.1
6.2
6.3
6.4
6.5
6.6
6.7
Apendice
220
A Contagem de Eventos e Analise Combinatoria
223
vii
A.1 Introduco . . . . . . . . . . . . . . . . . . . . . . . .
a
A.2 Conceitos bsicos de amostragem . . . . . . . . .
a
A.3 Elementos de anlise combinatria . . . . . . . .
a
o
A.3.1 Permutaco (caso particular de arranjo)
a
A.3.2 Arranjo (ordem importa) . . . . . . . . .
A.3.3 Combinacoes (ordem no importa) . . .
a
Exerc
cios . . . . . . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
223
226
232
232
235
238
242
245
B.1 Cdigo do Cap
o
tulo 6 . . . . . . . . . . . . . . . . . . . . . 245
B.1.1 Convergncia da mdia para a esperanca . . . . 245
e
e
B Codigo fonte
ndice Remissivo
I
247
viii
Lista de Figuras
1.1
Diagrama de Venn: algumas operacoes . . . . . . . . . . 11
2.1
2.2
2.3
2.4
2.5
2.6
2.7
2.8
2.9
2.10
Problema da roleta . . . . . . . . . . . . . . . . . . . .
Ilustraco do problema do exemplo com k = 2 . .
a
Arvore de probabilidade: lancamento de 1 moeda
Arvore de probabilidade: moeda e dado . . . . . .
Arvore do problema das moedas m5 e m8 . . . . .
Arvore: crime e evidncia . . . . . . . . . . . . . . .

e
Teste dos barbantes para casamento (Rssia) . . .
u
Possibilidades quanto ` independncia . . . . . . .
a
e
Arvore do problema do afogamento (parcial) . . .
Arvore do problema do afogamento (completa) .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
29
31
38
39
45
47
52
57
60
61
3.1
3.2
3.3
3.4
3.5
Funco cumulativa para o exemplo das bolas .

a
Funco cumulativa para o exemplo da roleta .
a
Funco de massa para o exemplo das bolas . . .
a
Funco de massa e funco cumulativa: 2 dados
a
a
Funco de densidade do exemplo da roleta . .
a
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
95
96
100
101
104
4.1
4.2
4.3
4.4
Exemplo de distribuico bivariada (Normal) . . . .

a
Distribuico bivariada - duas moedas . . . . . . . . .
a
Funco de massa bivariada: duas moedas . . . . . . .
a
Funco de densidade multivariado - caso cont
a
nuo
.
.
.
.
.
.
.
.
114
115
120
122
5.1
5.2
Esperanca: centro de gravidade da distribuico . . . . . 135
a
Assimetria em distribuicoes . . . . . . . . . . . . . . . . . 170
ix
.
.
.
.
.
.
.
.
.
.
5.3
5.4
Coeciente nulo no garante simetria . . . . . . . . . . . 171

a
Curtose em distribuicoes . . . . . . . . . . . . . . . . . . . 171
6.1
6.2
6.3
Convergncia de X n em 5000 lancamentos . . . . . . . 198

e
Relaco entre modos de convergncia . . . . . . . . . . . 204

a
e
Funco convexa . . . . . . . . . . . . . . . . . . . . . . . . . 212
a
A.1 Tipos de amostragem . . . . . . . . . . . . . . . . . . . . . 227
Prefacio
Este texto o volume 1 de uma srie de 3 volumes que no cone
e
junto oferecem uma introduco ` estat
a a
stica matemtica e suas
a
aplicacoes. A apresentaco direcionada ao pblico de leitores da
a e
u
graduaco e in da ps-graduaco em cursos de engenharia, ecoa
cio
o
a
nomia, nancas, aturia e reas ans. O material apresenta os funda
a
a
mentos utilizados pela estat
stica em aplicacoes na estimaco, anlise
a
a
de evidncias emp
e
ricas e na modelagem de riscos. Os 3 volumes
apesar de complementares, abordam aspectos distintos da estat
stica,
podendo ser utilizados de forma isolada como material de apoio em
cursos ou partes de cursos.
O volume 1 cobre nocoes bsicas, incluindo a teoria de probabili
a
dades, variveis aleatrias, distribuicoes de probabilidade, esperanca
a
o
matemtica e conceitos associados. Tambm caracteriza os princia

e
pais modos de convergncia e seus usos em dois dos mais importantes
e
resultados da estat
stica: a Lei dos grandes nmeros e o Teorema do
u
limite central.
O volume 2 discute as principais distribuicoes paramtricas e
e
muitas de suas principais aplicacoes na inferncia e na modelagem de
e
riscos. Muitas das aplicacoes envolvem o uso de planilhas eletrnicas
o
(Excel) e do software estat
stico R.
O volume 3 apresenta o contedo espec
u
co de inferncia, ene
volvendo estimaco, testes, e outros assuntos. A apresentaco, em
a
a
todos os volumes, cobre princ
pios de estat
stica clssica e bayesiana
a
de modo a dar uma viso compreensiva e integrada, mas em n
a
vel
introdutrio, das principais idias existentes na estat
o
e
stica.
O material que deu origem a esses 3 textos vem sendo desenvolvido h cerca de 12 anos, durante o lecionamento de disciplinas de
a
estat
stica na graduaco, ps-graduaco e cursos latu-sensu na Unia
o
a
xi
versidade de So Paulo e outras escolas, nas reas quantitativas da

a
a
economia, administraco, engenharia e aturia.
a
a
Os livros dessa srie so caracterizados como uma contribuico
e
a
a
de natureza didtica, que tenta organizar muitos dos conceitos fundaa
mentais de estat
stica matemtica de uma forma relativamente coesa.
a
De um modo geral, os textos da srie tentam cobrir uma lacuna
e
existente nos livros sobre esse assunto em portugus, tentando ene
contrar seu espaco num n intermedirio, entre textos bsicos e
vel
a
a
textos mais avancados. O modo de apresentaco, em todos os vo
a
lumes, relativamente formal, mas sem ser excessivamente formal.
e
A apresentaco segue em muitas partes a notaco e estilo utilizados
a
a
por Mood et al. (1989), um livro clssico sobre o assunto. Muitos
a
problemas resolvidos e problemas propostos facilitam o processo de
aprendizado.
Base necessaria
O contedo dos textos adequado a alunos cursando os ultimos anos

u
e
da graduaco ou o in da ps-graduaco. A base necessria a
a
cio
o
a
a e
existente em cursos que envolvem algumas disciplinas de matemtica
a
o.
e estat
stica, no n de graduaca
vel
Agradecimentos
Agradeco aos alunos de cursos ministrados nos ultimos 12 anos que
tiveram acesso a verses preliminares dos textos e contribu

o
ram com
muitas sugestes.
o
Como de praxe, assumo a responsabilidade pelos erros remanescentes. Agradeco antecipadamente `s identicacoes desses erros, co
a
mentrios, cr
a
ticas e sugestes para aperfeicoamentos que possam ser
o
incorporados em futuras edicoes.
Prof. Adriano Azevedo-Filho, Ph.D.

Universidade de So Paulo - ESALQ, 2009
a
xii
Captulo 1
Probabilidade: Conceitos
Basicos
1.1 Introducao
O desenvolvimento da teoria de probabilidades teve a sua origem no

interesse pelos estudos dos jogos de azar, j encontrados em obras
a
do sc. XVI como Liber de ludo aleae do matemtico G. Cardano
e
a
(1501-1576). Essa obra continha no s uma formalizaco primitiva
a o
a
das nocoes de probabilidade aplicadas a jogos de azar como tambm
e
uma seco inteira sobre mtodos efetivos de trapaca!
a
e
Em grande medida, os primrdios da teoria de probabilidades foo

ram desenvolvidos pela grande motivaco de alguns matemticos do
a
a
passado em desenvolver estratgias vitoriosas para jogos de azar, um
e
passatempo favorito da poca. Relatos detalhados da evoluco das
e
a
idias relativas a probabilidades so apresentados por Stigler (1990) e
e
a
Bernstein (1996).
As bases da teoria de probabilidades, contudo, s foram assentao
das denitivamente a partir do sc. XIX e, principalmente, durante
e
as primeiras dcadas do sc. XX. Laplace (1749-1827), A. Kolmoe
e
gorov (1903-1987), De Finneti (1906-1995), R. T. Cox (1898-1991),
entre outros, realizaram a sistematizaco da teoria de probabilidades
a
sobre uma fundamentaco slida.
a o
1

2
Estatstica Matematica Aplicada I A. Azevedo-Filho
Apesar das divergncias que existem sobre a interpretaco exata

e
a
do signicado da noco de probabilidade dentro da Estat
a
stica, algo
discutido brevemente neste cap
tulo, os resultados dessa teoria so
a
fortes e no questionados, em funco de sua slida fundamentaco
a
a
o
a
axiomtica. Nesse contexto, comum partir-se da aceitaco de trs
a
e
a
e
axiomas1 que sero examinados no prximo cap
a
o
tulo, e deles deduzir outras proposicoes que no todo compem o corpo da teoria
o
de probabilidades. Essas nocoes, contudo, so apresentadas aps a
a
o
formalizaco de certos conceitos como evento, espaco amostral e
a
espaco de eventos, introduzidos neste cap
tulo.
O modo de apresentaco usado na exposico dos elementos
a
a
bsicos da teoria de probabilidades, neste e nos prximos cap
a
o
tulos,
ainda que relativamente formal, no perseguir o rigor utilizados por
a
a
textos mais avancados.
Estrutura do captulo
Este cap
tulo inicia discutindo o conceito de probabilidade segundo
as vises de 2 escolas de pensamento na Estat
o
stica, respectivamente,
a escola clssica e a escola bayesiana.
a
A seguir, no restante do cap
tulo, so introduzidas nocoes fundaa
mentais necessrias para a caracterizaco dos elementos da teoria de

a
a
probabilidades examinados no prximo cap
o
tulo. Essas nocoes so:
a
evento, espaco amostral, e espaco de eventos. Adicionalmente, so
a
apresentadas e exemplicadas as operacoes que caracterizam a lgebra
a
de eventos, cujo papel essencial na operacionalizaco da teoria de
e
a
probabilidades.
1.2 Signicados de probabilidade
1.2.1 Visao classica visao bayesiana

A interpretaco do signicado da noco de probabilidade difere
a
a
dentro das duas principais escolas de pensamento existentes na es1
Axiomas so proposicoes assumidas como verdadeiras, justicadas em muitos
a
casos por argumentos intuitivos.

10
A Pelo menos uma cara ser observada.

a
O evento A ocorrer, se e somente se, um dos eventos E1 , E2 ou E3
a
ocorrer. Ou seja, o evento A pode ser representado por
A E1 E2 E3 .
Com relaco ao mesmo experimento, o interesse poderia estar
a
no evento
B resultados diferentes nas duas moedas.
Nesse caso, o evento B ocorrer se e somente se ocorrerem os eventos
a
E2 ou E3 , que corresponde a
B E2 E3 .
O evento C , denido por
C pelo menos uma cara ser observada e resultados difea
rentes nas duas moedas,
poderia ser representado por
C A B,
ou seja, os eventos A e B devem ocorrer para que o evento C ocorra.
Assim, para que C ocorra, E2 ou E3 devem ocorrer. Mas E2 e E3
so exatamente os eventos que constituem a intersecco dos eventos
a
a
elementares que caracterizam A e os eventos elementares que caracterizam B.
Consequentemente, o evento C poderia ento ser representado
a
de vrias maneiras alternativas:
a
C A B;
C E2 E3 , em termos da intersecco de eventos elementares;
a
e
C {E2 , E3 }, que um subcoleco de eventos elementares do
e
a
espaco amostral .

11
Captulo 1 - Probabilidade: Conceitos Basicos
Nesse contexto, o prprio espaco amostral do evento associado

o
ao lancamento das duas moedas poderia ser representado por
E1 E2 E3 E4 .
Eventos e o Diagrama de Venn
E usual a utilizaco do diagrama de Venn para facilitar o entendia

mento de operacoes entre eventos. A Figura 1.1 ilustra um espaco
amostral dentro do qual esto denidos os eventos A e B. Para

a
entender esse diagrama no contexto de eventos necessrio dar uma
e
a
interpretaco apropriada ` geometria do diagrama.
a
a
Diagrama de Venn
AU B
A
A/ B
Figura 1.1: Diagrama de Venn: algumas operacoes
O leitor pode entender o retngulo que dene como se fosse

a
um alvo onde um indiv
duo vai lancar um dardo. Se o dardo no cair
a
no alvo ele jogar novamente at atingi-lo. Esse seria o experimento.
a
e
O resultado desse experimento seria um ponto qualquer dentro do
retngulo. O conjunto desses pontos dene o espaco amostral . O
a

12
evento A seria equivalente ao resultado onde o dardo cai num ponto

da regio denida por A. O evento B seria denido de forma equivaa
lente.
Algumas operacoes so representadas gracamente na Figura 1.1.
a
importante observar, contudo, que o diagrama representa uma
E
situaco geomtrica bem particular, que boa para desenvolvimento
a
e
e
da intuico mas no possibilita uma demonstraco rigorosa de rea
a
a
sultados envolvendo eventos em situacoes gerais, onde somente as
demonstracoes algbricas so totalmente convincentes.
e
a
Equivalencia com a notacao da logica formal (opcional)
Como a denico de um evento equivalente ` de uma proposico

a
e
a
a
lgica, o evento A do tpico anterior poderia ser denido como:
o
o
A E1 E2 E3 ,
onde o operador que dene o ou lgico ou a disjunco em
e
o
a
termos da linguagem utilizada pela lgica formal. O uso da notaco
o
a
em lugar do mais comum no contexto da lgebra de eventos.
e
a
De forma anloga, o evento C poderia ser representado por
a
C A B,
ou seja, o s
mbolo equivalente a s
e
mbolo , em termos da
lgebra de eventos. Considerando os elementares E1 , E2 , E3 e E4 , sea
ria poss denir, em termos da linguagem usada pela lgica,
vel
o
C (E1 E2 E3 ) (E2 E3 ),
de onde decorre, por equivalncia lgica, que C poderia ser repree
o
sentado simplesmente por:
C E2 E3 .
Apesar de sua equivalncia com a notaco utilizada na lgica de
e
a
o
proposicoes, a lgebra de eventos utiliza mais comumente a notaco
a
a
utilizada em teoria dos conjuntos, ainda que a interpretaco das
a
13
operacoes realizadas seja mais facilmente derivvel a partir dos re

a
sultados da lgica formal.
o
1.5 Eventos: alguns qualicadores

Evento complementar
Para um evento A qualquer, seu evento complementar representado

e
a
por A na lgebra de eventos, correspondendo ` unio dos eventos
a
a
elementares que restam em quando os eventos elementares que
caracterizam A so exclu
a
dos de .
O complementar pode ser obtido pelo uso do operador \, que
em teoria dos conjuntos indica diferenca entre sub-conjuntos, por:
A = \ A.
Para o evento A, denido no tpico anterior, seu complementar, A,
o
seria
A = \ {E1 , E2 , E3 } = E4 ,
dado que , nesse caso, denido por
e
{E1 , E2 , E3 , E4 }.
Eventos mutuamente exclusivos
Se os eventos A1 , A2 , . . . , An so mutuamente exclusivos isso siga

nica que a ocorrncia de um dos eventos da coleco implica na
e
a
no-ocorrncia dos outros eventos da coleco (apenas um deles pode
a
e
a
ocorrer). Mais formalmente, para 2 eventos, essa noco poderia ser
a
formalizada na seguinte denico:
a
Eventos disjuntos ou mutuamente exclusivos -
Os eventos A1 e A2 so disjuntos ou mutuamente

a
exclusivos quando
A1 A2 = .

14
Em geral, n eventos A1 , . . . , An sero mutuamente

a
exclusivos se
Ai A j = , i, j {1, . . . , n}.
i=j
Eventos coletivamente exaustivos
Se os eventos A1 , A2 , . . . , An so coletivamente exaustivos isso siga

nica que pelo menos um dos eventos ocorrer. Mais formalmente,
a
essa noco pode ser formalizada na seguinte denico:
a
a
Os
eventos
A1 , A2 , . . . , An so coletivamente exaustivos se
a
Eventos coletivamente exaustivos -
Ai = .
i =1
Eventos podem ser ou no ser (simultaneamente) mutuamente

a
exclusivos e coletivamente exaustivos. No caso em que n eventos atendem `s 2 condicoes (mutuamente exclusivos e coletivamente exausa
tivos), pode concluir-se que somente um dos eventos ocorrer (os

a
outros no) com certeza, no contexto do espaco de eventos.
a
O seguinte exemplo ilustra essas ultimas denicoes:
1.4 Experimento: Sorteio de 2 bolas, com

reposico, de uma urna com 2 bolas brancas (b ) e 2
a
bolas vermelhas (v) de iguais dimenses, em que
o
{b b , b v, v b , v v}. Considere os seguintes eventos relacionados a esse experimento:
Exemplo
Evento E1 duas bolas da mesma cor.

Evento E2 pelo menos uma bola branca.
Evento E3 resultados diferentes.
Evento E4 duas bolas vermelhas.
15
Nesse caso tem-se que: (a) E1 e E3 so mutuamente exa

clusivos e coletivamente exaustivos; (b) E1 e E2 so coa
letivamente exaustivos mas no so mutuamente exclua a
sivos; (c) E3 e E4 so mutuamente exclusivos mas no
a
a
so coletivamente exaustivos; (d) E1 e E4 no so mutuaa
a a
mente exclusivos nem mesmo coletivamente exaustivos.
1.6
Algebra de eventos: propriedades
Nos desenvolvimentos considerados ao longo das prximas secoes

o
sero assumidas como verdadeiras as seguintes 7 propriedades cuja

a
justicativa vem da teoria de conjuntos e da lgica formal.
o
Nesses desenvolvimentos, os s
mbolos A, B e C representam
eventos denidos no contexto de um dado espaco amostral :
1. A B = B A (prop. 1).
2. A (B C ) = (A B) C (prop. 2).
3. A (B C ) = (A B) (A C ) (prop. 3).
4. A = A (prop. 4).
5. (A B) = A B (prop. 5).
6. A A = (prop. 6).
7. A = A (prop. 7).
A partir dessas propriedades poss
e
vel provar muitos outros resultados importantes, descritos a seguir. Para facilitar a
demonstraco desses resultados, sero indicadas na demonstraco
a
a
a
sinttica as principais proposicoes ou propriedades aceitas que esto
e
a
sendo utilizadas atravs da notaco (prop. n), onde n o nmero da
e
a
e
u
proposico ou resultado utilizado. Os passos que exigem o uso da
a
prop. 1 foram omitidos nas provas.

16
= . (prop. 8)
Prova: = (prop. 6), mas = (prop. 7), logo

= .
= (prop. 9)
Prova: = (prop. 8), logo = , mas = (prop. 4),
logo = .
A A = (prop. 10)
Prova: AA = (prop. 6) logo A A = , mas A A = AA
(prop. 5) e = (prop. 9), logo A A = .
B = B (prop. 11)
Prova: B = B (prop. 7 onde A B), mas B = B logo
B = B (prop. 5 e prop. 8).
A A = A (prop. 12)
Prova: A = A (prop. 7), logo A (A A) = A (prop. 10);
pela (prop. 3) tem-se que (A A) (A A) = A e substituindo
A A = (prop. 6), e pela prop. 11, chega-se a A A = A.
A A = A (prop. 13)
Prova: Ver exerc
cio.
A = (prop. 14)
Prova: A A = (prop. 10) logo, fazendo a unio com A
a
nos dois lados e usando (prop. 13), tem-se que A A = A ,
usando novamente (prop. 10) chega-se a = A .
A (A B) = A (prop. 15)
Prova: B = (prop. 14), logo A A B = (prop. 10
e 1), interseccionando A nos dois lados da expresso e usando
a
(prop. 3) tem-se que (A A) (A A) (A B) = A , mas
usando (prop. 12, 6 e 7), A (A B) = A, e, nalmente,
A (A B) = A (prop. 11).
17
A (A B) = A B (prop. 16)
Prova: Ver exerc
cio.
A = (A B) (A B) (prop. 17)
Prova: Desenvolvendo-se o lado direito da expresso chegaa
se a ((A B) A) ((A B) B) substituindo agora o lado
esquerdo da nova expresso por A (prop. 15 e prop. 2) e o lado
a
direito por A B (prop. 16 e prop. 2) chega-se a A (A B),
expandindo essa expresso com o uso de (prop. 3 e prop. 12)
a
chega-se a A (A B), nalmente, A (A B) = A (prop. 15).
A (B C ) = (A B) C (prop. 18)
Prova: Ver exerc
cio.
A B = B A (prop. 19)
Prova: Ver exerc
cio.
A = (prop. 20)
Prova: Ver exerc
cio.
(A B) (A B) = (prop. 21)
Prova: Usando (prop. 18 e prop. 19) tem-se que (A B)
(A B) = A A B B, desenvolvendo o lado direito e usando
(prop. 13 e prop. 6) chega-se a A , por (prop. 20) tem-se
que A = , o que completa a prova.
1.7 Consideracoes nais
Este cap
tulo apresentou uma introduco `s nocoes bsicas nea a
a
o da teoria de probabilidacessrias para uma adequada caracterizaca
a
des, discutida no prximo cap

o
tulo. Conceitos como experimento,
espaco amostral, eventos, espaco de eventos, assim como resultados
fundamentais relacionados ` lgebra de eventos, foram denidos e

aa
discutidos, ` luz de alguns exemplos ilustrativos. Algum esforco
a
foi empreendido na especicaco da notaco utilizada na lgebra de

a
a
a

18
eventos, fazendo-se um paralelo desta com a notaco utilizada na

a
lgica formal.
o
O prximo cap
o
tulo introduz os axiomas da teoria de probabilidades, teoremas decorrentes desses axiomas e resultados auxiliares,
que visam fornecer ao leitor o arcabouco terico para desenvolvi
o
mentos mais avancados.
Exerccios
1.1 Um experimento denido pelo

e
lancamento de uma moeda e o sorteio de uma bola de
uma urna contendo 2 bolas de mesmas dimenses, nuo

meradas de 1 a 2. Caracterize o espaco amostral () e o
espaco de eventos ( ) desse experimento.
Exerccio
1.2 Considere o espaco amostral indicado
pelo quadrado denido num sistema de eixos cartesianos

de tal forma que 0 x 10 e 0 y 10.
Exerccio
(a) Dena um experimento que poderia levar a esse

espaco amostral.
(b) Ilustre gracamente a representaco dos seguintes

a
eventos:
x y.
max(x, y) 3.
min(x, y) 3.
xy 3
1.3 Dados Considere o experimento denido pelo lancamento de dois dados, cada qual com face
numerada de 1 a 6. Com relaco a esse experimento:

a
Exerccio
(a) Caracterize o espaco amostral desse experimento.
(b) Dena 2 eventos que sejam mutuamente exclusivos

e coletivamente exaustivos.
(c) Dena 2 eventos que no sejam mutuamente exclua

sivos nem coletivamente exaustivos.
(d) Dena 2 eventos que sejam mutuamente exclusivos
mas no sejam coletivamente exaustivos.
a
(e) Dena 2 eventos que no sejam mutuamente exclua
sivos mas sejam coletivamente exaustivos.
1.4 Utilizando o mesmo experimento denido no exerc anterior, e os eventos
cio
Exerccio
E1 soma dos resultados nos dados par;

e
E2 valor absoluto da diferenca 4; e,
e
A E1 E2 ,
mostre a denico do evento A em termos dos eventos
a
elementares do experimento. Mostre que a notaco utia
lizada na lgebra de eventos equivalente ` notaco utia
e
a
a
lizada na lgica formal, quando os eventos so interpreo
a
tados como proposicoes lgicas.
o
Exerccio
1.5 Prove as proposicoes:
(a) = .
(b) A A = A (prop. 13)
(c)
(d)
(e)
(f)
A (A B) = A B (prop. 16)
A (B C ) = (A B) C (prop. 18)
A B = B A (prop. 19)
A = (prop. 20)
1.6 Em alguns desenvolvimentos envolvendo conjuntos conveniente denir-se a operaco

e
a
diferenca entre dois conjuntos, que seria representada al
ternativamente pelos sinais - ou de tal forma que para
dois conjuntos A e B teriamos A B = A B. Use um
diagrama de Venn para ganhar um pouco de intuico
a
sobre o signicado da operaco e verique, usando as
a
proposicoes do texto, que (A C )(B C ) = (AB) C .
Exerccio
19

20
1.7 Funcao indicadora A funco Indica

a
dora, representada por IA(x), onde A um conjunto,
e
uma funco que assume valor 1 quando x A e vae
a
lor zero nos outros casos. E usada no contexto da estat

stica e da matemtica para tornar mais compacta a
a
representaco de algumas funcoes.
a
Exerccio
(a) Represente de forma compacta, usando a funco

a
indicadora, a funco:
a
se x 0
0
f (x) =
3x 2 se x (0, 5]
x
se x > 5
(b) Assumindo que A1 , A2 , . . . , An
verique que
IA1 A2 ...An (x) = IA1 (x)IA2 (x) . . . IAn (x).

IA1 A2 ...An (x) = max[IA1 (x), . . . , IAn (x)].
2
IA(x) = IA(x) para A
1.8 Notas Um curso exigir 2 provas para

a
aferir o conhecimento do aluno, cuja nota pode variar de
0 a 10. As provas tm peso P1 e P2 e para passar o aluno
e
deve receber nota igual ou superior a 6. Mostre gracamente o espaco amostral de resultados que o aluno pode
receber no curso e indique o evento aluno passou no

curso dentro do espaco amostral, considerando 2 casos:
Exerccio
(a) P1 = 1 e P2 = 1.
(b) P1 = 1 e P2 = 2.
1.9 Mostre que num experimento com um
espaco amostral com n eventos elementares distintos ha
vero 2n elementos no espaco de eventos ( )?
a
Dica: seria o mesmo que obter o nmero de subconjunu

tos distintos obtidos de n elementos, no esquecendo
a
Exerccio
Captulo 2
Probabilidade: Fundamentos
da Teoria
2.1 Introducao
Este cap
tulo introduz os resultados fundamentais da teoria de probabilidades, decorrentes dos pressupostos utilizados em seu desenvolvimento axiomtico. A apresentaco se utiliza da notaco e resula
a
a
tados descritos no cap
tulo anterior, associados ` lgebra de eventos.
aa
Os resultados da teoria esto sintetizados em alguns poucos tea
oremas e denicoes, que no so dif
a a
ceis de entender. A diculdade
principal da teoria de probabilidades est na operacionalizaco desses
a
a
resultados tericos, juntamente com as nocoes da lgebra de eventos,
o
a
no contexto da soluco problemas de interesse. O leitor s ir adquia
o a
rir essa capacitaco solucionando exerc
a
cios que demandem o uso
desse instrumental terico. Para isso, uma extensa lista de exerc
o
cios
proposta ao m deste cap
e
tulo para facilitar a capacitaco do leitor
a
nesses conceitos.
2.2 Funcao probabilidade e axiomas
A funco probabilidade, aqui representada por Pr(), denida no

a
e
contexto das nocoes introduzidas no cap
tulo anterior. O argumento

23

24
dessa funco Pr() ser sempre um evento de um espaco de eventos

a
a
e o resultado obtido ser sempre um nmero entre 0 e 1, que o

a
u
e
valor da probabilidade desse evento de interesse. Do ponto de vista
formal, Pr() uma funco cujo dom
e
a
nio , com contra-dom
e
nio
no intervalo [0, 1] do eixo dos nmeros reais.
u
Espaco de probabilidades
Os desenvolvimentos usuais em teoria de probabilidades so realizaa

dos sempre dentro do contexto de um espaco de probabilidades, ainda
que em alguns casos isso no seja claramente explicitado. A denico

a
a
dessa noco apresentada a seguir.
a e
Espaco de Probabilidades
E denido como a coleco

a
formada por
{, , Pr()},
onde o espaco amostral, o espaco de evene
tos e Pr() a funco probabilidade, denidas dene

a
tro de um certo contexto.
Axiomas da teoria de probabilidades
Essa funco de probabilidade Pr() satisfaz os seguintes axiomas (Axia

omas de Probabilidade de Kolmogorov), onde A um evento qualquer
e
denido no contexto de um espaco de probabilidades {, , Pr()}:
Axioma 1 -
Pr(A) 0 para qualquer evento A .
Axioma 2 -
Pr() = 1, onde o espaco amostral.

e
Se A1 , A2 . . . , An so eventos mutuamente
a
exclusivos tem-se que Pr(A1 A2 . . . An ) =
n
Pr(Ai ).
i =1
Axioma 3 -
Motivacao para Pr() e axiomas
Intuitivamente, a funco probabilidade Pr() pode ser entendida como

a
uma medida do grau de certeza associado a um evento antes da
Captulo 2 - Probabilidade: Funcao, Axiomas e Espaco
25
realizaco de uma repetico do experimento ou observaco da ina

a
a
certeza que dene o evento. O valor 1 indicaria certeza absoluta da
ocorrncia do evento e 0, por outro lado, a menor valor de certeza
e
poss associada a ocorrncia desse evento.
vel
e
Esse entendimento, que comum em estat
e
stica, tende a ser mais
compat com noco bayesiana do conceito de probabilidade disvel
a
cutida no cap
tulo anterior (ainda que isso no seja necessariamente
a
expl
cito em muitos desenvolvimentos). A outra interpretaco seria
a
a freqentista, como o limite da freqncia de ocorrncia do evento
u
ue
e
na medida que a situaco que est produzindo esse evento repetida
a
a
e
innitas vezes em condicoes ideais. As duas interpretacoes foram
brevemente discutidas no cap

tulo anterior.
Com respeito aos axiomas, pode ser estranho ter que aceitar sua
validade sem argumentos mais intuitivos. Esses axiomas podem ser
justicados de uma forma rigorosa como uma conseqncia lgica
ue
o
de requisitos desejveis para um processo de inferncia em condicoes
a
e
de incerteza como foi demonstrado por R. T. Cox (1946, 2001).

Uma discusso interessante sobre o assunto apresentada em Jaynes
a
e
(2003).
2.3 Teoremas fundamentais - I

Alguns resultados importantes decorrem dos axiomas de probabilidade e propriedades associadas ao espaco de probabilidades. Esses
resultados so apresentados a seguir na forma de teoremas.

a
2.1 Pr() = 0.
Se A1 = , . . . , An = tem-se que Ai (uma
sigma-lgebra no caso). Desta forma usando o Axioma
a
3 tem-se que Pr( i=1 Ai ) = Pr(Ai ). Mas, por sii =1

metria, Pr(Ai ) = Pr(A j ) = para quaisquer i e j dos
eventos denidos. Mas i =1 Ai = logo Pr() =
Pr(Ai ) = i =1 ; a unica forma dessa equaco ser

a
i=1
verdadeira seria no caso em que = 0, logo Pr() = 0.
Teorema
Prova:

32
ra reais atravs de
zes
e
Pr(Ra reais) =
zes
N (A)
N ()
onde A a regio em que b 2 c 0, N (A) a rea dessa

e
a
e a
regio e N () a rea do espaco amostral. Resolvendo
a
e a
essas reas em termos de k, chega-se a

a
3
N (A) =
12k 2 4k 2
3
e N () = 4k 2 .
Logo,
zes
Pr(Ra reais) = 1
1
3 k
e lim Pr(Ra reais) = 1.

zes
k
Diculdades para a atribuicao de probabilidades
Eventos elementares no necessariamente tm a mesma chance de

a
e
ocorrncia mas, em alguns casos, por argumentos de simetria e bom
e
senso poss se estabelecer as probabilidades desses eventos. Em
e
vel
outros casos essa tarefa pode ser mais complexa.
Muito do trabalho que faz a estat
stica relacionado ` estie
a
mativa dessas probabilidades, ou nocoes relacionadas, a partir de
observacoes emp
ricas e outros conhecimentos existentes. Nesse

contexto, a escola clssica e a escola bayesiana podem sugerir esa
tratgias diferentes. Seja qual for a situaco, essa atribuico de proe
a
a
babilidades deve ser realizada de uma forma compat com a teoria
vel
de probabilidades.
Probabilidades e analise combinatoria
Um problema que freqentemente diculta a atribuico de probabiu

a
lidades a descrico adequada do espaco amostral. Muitos conceitos
e
a
relacionados ` anlise combinatria auxiliam a descrico dos espacos

a a
o
a
e atribuico de probabilidades aos eventos elementares, devendo ser

a
utilizados quando necessrio. O Apndice A apresenta breve reviso
a
e
a

33
de alguns conceitos de anlise combinatria que so freqentemente

a
o
a
u
utilizados para caracterizaco e contagem de eventos.
a
Dois exemplos so apresentados a seguir para ilustrar a natureza
a
das diculdades que ocorrem nessas situacoes.
2.4 Flush no poker Considere um baralho

comum de 52 cartas (com 4 naipes de 13 cartas de 2 ao
s, sem coringas). Suponha que so tiradas ao acaso 5
a
a
cartas desse baralho (sem reposico). Qual seria a probaa
bilidade de que essas cartas sejam todas do mesmo naipe,
caracterizando uma jogada chamada ush no poker?
Exemplo
inicialmente deve-se obter o nmero de

u
poss
veis amostras de 5 cartas de uma baralho com
52 cartas (ou seja, o nmero de mos poss
u
a
veis), que
ser representado por N (). Como cada poss mo
a
vel a
tem igual chance de ocorrer, dai sai o argumento para
cmputo da probabilidade. Por aplicaco de princ
o
a
pios
de anlise combinatria chega-se a
a
o
Solucao:
N () =
52
5
A prxima questo saber quantas dessas N ()

o
a e
poss
veis combinacoes de 5 cartas atendem ` condico
a
a
estabelecida (todas do mesmo naipe). Para um naipe denido, havero
a
13
5
maneiras de se retirar 5 cartas. Representando por N (A)
o nmero de amostras que atendem ao ush e consideu
rando que existem 4 naipes diferentes, conclui-se que
N (A) = 4
13
5
e Pr(ush) =
13
5
52
5

34
Quem entende um pouco de poker, saber que esse

a
resultado inclui tambm o chamado straight ush, ou
e
seja, mos que contm as seguidas do mesmo naipe,
a
e
que so as jogadas com um valor maior que um ush
a
simples sem cartas em seqncia. Assim, essas mos
ue
a
com uma seqncia precisariam ser descontadas para
ue
obtenco da probabilidade do ush simples. Como haa
vero 9 seqncias poss
a
ue
veis, desconsiderando a possibilidade do s iniciar a seqncia (poss em algumas
a
ue
vel
regras), denidas por:
{2, 3, 4, 5, 6}, . . . , {10,V , D, R, A},
em cada um dos 4 naipes. Descontando essas possibilidades, chega-se a
Pr(ush simples) =
13
5
49
52
5
e
2.5 Unidades de capital Suponha que voc
tem n unidades de capital que podem ser empregadas
em k investimentos alternativos. Os investimentos dispon
veis somente aceitam valores inteiros de capital para
as aplicacoes. De quantas maneiras diferentes pode o ca
pital existente ser aplicado nos k investimentos ? Se as
alocacoes para os investimentos fossem aleatrias, qual
o
seria a probabilidade de observarmos todos os investimentos com pelo menos uma unidade de capital investido ?
Solucao: Essa situaco equivalente ao problema que en
a e
volve a alocaco de n bolas idnticas em k urnas distina
e
tas. Essa situaco pode ser representada simbolicamente
a
pela metfora das bolas e paredinhas. Por exemplo,
a
Exemplo
|oo||o|ooo|o||

39
por
Pr(R = c P = 2) = Pr(P = 2|R = c) Pr(R = c)
1 1
,
=
6 2
pelo resultado associado ` probabilidade da intersecco
a
a
visto anteriormente. Essa operaco corresponde ao proa
duto das probabilidades nos vrios n
a
veis da rvore, para
a
um evento nal (elementar) espec
co.
Evento final
P=4
Pr(P=4|R=k)=1/6 R=k
P=6
Pr(P=6|R=k)=1/6
R=k
1/12
P=2
1/12
P=3
1/12
P=4
1/12
P=5
1/12
Pr(R=k)=1/2
P=1
1/2
R=k (coroa)
P=3
Pr(P=3|R=k)=1/6 R=k
P=5
Pr(P=5|R=k)=1/6 R=k
Pr(P=5|R=c)=1
P=2
Pr(P=2|R=k)=1/6 R=k
Probabilidade
P=5
P=1
Pr(P=1|R=k)=1/6 R=k
Pr(R=c)=1/2
R=c
P=5
R=c (cara)
P=6
1/12
Figura 2.4: Arvore de probabilidade: moeda e dado

40
2.6 Teoremas fundamentais II

So apresentados a seguir alguns teoremas que se utilizam da noco
a
a
de condicionamento detalhada na seco anterior. Alguns desses teoa
remas so verses generalizadas de teoremas j apresentados anteria
o
a
ormente.
Probabilidades Totais
O prximo teorema apresenta um resultado que possibilita a

o
decomposico da probabilidade de um dado evento em termos de
a
uma combinaco linear de probabilidades condicionais, denidas a
a
partir de eventos mutuamente exclusivos e coletivamente exaustivos.
2.5 Probabilidades totais Se B1 , . . . , Bn so
a
eventos mutuamente exclusivos e coletivamente exaustivos, e A um evento qualquer, dentro do contexto de
e
um espaco de probabilidades, verdade que:
Teorema
Pr(A) =
Pr(A|Bi ) Pr(Bi ).
i =1
Estendendo a prop. 17 do cap

tulo anterior, temn
se que A = i=1 (A Bi ) mas, usando extenso de prop.
a
21, tem-se que (ABi )(AB j ) = para quaisquer i , j
a
{1, . . . , n}, logo pelo Axioma 3 e usando a denico de
probabilidade condicional, chega-se a:
Prova:
Pr(A) =
Pr(A Bi ) =
i=1
Pr(A|Bi ) Pr(Bi ).
i=1
a
Em particular, se C e C so eventos complementares tem-se que
Pr(A) = Pr(A|C ) Pr(C ) + Pr(A|C ) Pr(C ),
num caso particular da aplicaco do teorema. Os prximos dois
a
o
exemplos apresentam aplicacoes desse resultado.

44
Exemplos de aplicacoes do teorema de Bayes
Os prximos exemplos apresentam algumas aplicacoes elementares

o
do teorema de Bayes e de outros resultados vistos at o momento

e
neste cap
tulo.
2.9 Jogo de moeda e dado III Considere
a situaco anterior do Exemplo 2.6, ilustrada na Fia
gura 2.4. Suponha que se sabe que o jogador recebeu
$ 5 em uma dada jogada. Qual a probabilidade de que
e
nessa jogada o resultado obtido no lancamento da mo
eda tenha sido coroa?
Exemplo
Solucao:
O que o problema est demandando o valor

a
e
de
Pr(R = k|P = 5),
ou simplesmente Pr(k|5), usando uma notaco condena
sada. Mas, pelo teorema de Bayes, tem-se que
Pr(k | 5) =
Pr(5 | k) Pr(k)
Pr(5 | c) Pr(c) + Pr(5 | k) Pr(k)
ou
Pr(k | 5) =
1 1
6 2
1
1
+6
2
1
2
1
7
Se, por outro lado, a pergunta tivesse sido a probabilidade de se ter obtido cara, numa situaco em que o
a
pagamento foi de $ 6, ou seja Pr(c | 6), o resultado seria
Pr(c | 6) = 0, por aplicaco do teorema de Bayes, dado
a
que Pr(6 | c) = 0 nesse caso.
Exemplo 2.10 Moedas m5 e m8 Duas moedas so utia
lizadas em um experimento. Uma delas (m5 ), uma moe
eda comum que se lancada, apresenta uma probabilidade
de 0,5 para o resultado cara (c). A outra (m8 ) uma moe

eda diferente das usuais, que apresenta probabilidade 0,8
para o resultado cara.

45
Uma das moedas foi selecionada aleatoriamente e

lancada, sendo o resultado observado uma cara. Qual
a probabilidade de que foi m5 a moeda selecionada para

o lancamento?
Solucao: O espaco amostral dessa desse experimento
denido por:
e
{m5 c, m5 k, m8 c, m8 k},
e Figura 2.5 mostra a rvore de probabilidades que caa
racteriza a situaco.
a
As incertezas M e R na rvore caracterizam, respectivaa
mente, a moeda sorteada e o resultado observado aps o
o
lancamento (cara-c ou coroa-k). O que se deseja conhe
e
Pr
m5
Pr( c | m5 ) = 1/2
m5
Pr(m5)=1/2
0,25
m5
R=c
0,25
R=k
Pr( k | m5 ) = 1/2
M
m8
m8
0,40
m8
Pr( c | m8 ) = 4/5
R=c
0,10
Pr(m8)=1/2
R=k
Pr( k | m8 ) = 1/5
Problema das moedas m5 e m8
Figura 2.5: Arvore do problema das moedas m5 e m8

cer Pr(m5 |c). Mas, pelos resultados dos teoremas vistos,

46
tem-se que
Pr(m5 |c) =
=
=
Pr(m5 c)
Pr(c)
Pr(c|m5 ) Pr(m5 )
Pr(c|m5 ) Pr(m5 ) + Pr(c|m8 ) Pr(m8 )
5
0,25
= .
0,25 + 0,40 13
Logo, a probabilidade de ter sido a moeda m5 a sorteada

inicialmente 5/13, frente a evidncia do resultado cara
e
e
observado.
2.11 Culpa do Suspeito Um assassino deixou, no local do crime, manchas de sangue de um tipo
que ocorre em 25% das pessoas da populaco. Um ina
div
duo X suspeito de ser esse assassino e um dos are
gumentos utilizados pela pol para prend-lo que o
cia
e e
tipo sangu
neo dele idntico ao do assassino.
e e
Exemplo
(a) Avalie a importncia dessa evidncia apresentada

a
e
pelo tipo sangu
neo, assumindo que antes de conhecer o resultado do exame de sangue do suspeito
a pol acreditava que o indiv
cia
duo X era o assassino com 50% de probabilidade.
(b) Suponha que p a probabilidade de se encontrar o
e
tipo sangineo observado no local do crime. Ache
u
a soluco algbrica e resolva para p = 1/10000 uma
a
e
situaco de tipo sangineo mais rara na populaco.
a
u
a
considere o evento A como caracterizando a
situaco em que o indiv
a
duo X o assassino, e A seu
e
complementar e o evento T + caracterizando o teste
positivo para o tipo sangineo encontrado na cena do
u
crime, com T sendo o evento complementar.
Solucao:
A situaco do problema ilustrada pela rvore da Fia

e
a
gura 2.6. Nessa rvore, o primeiro n representa a
a
vel

48
Se denirmos genericamente Pr(T + |A) = p, a soluco

a
geral seria denida por
Pr(A|T +) =
1
1+ p
Se p = 1/10000 a probabilidade desejada ser dada por

a
Pr(A|T +) =
10000
10001
ou seja, a probabilidade do indiv

duo ser o criminoso
e
prxima de 1 nesse caso, condicionamente ` evidncia
o
a
e
observada.
2.12 Cancer e cigarro Comumente as pessoas precisam realizar inferncias que requerem procese
samento da evidncia dispon de uma forma contrria
e
vel
a
`quela que observada. Suponha, por exemplo, um
a
e
mdico que trabalha em um hospital que trata pacie
entes com cncer no pulmo. Pelos dados e sua exa
a
perincia tm uma idia aproximada da freqncia de
e
e
e
ue
fumantes nesses pacientes que morreram desse tipo de
cncer. Suponha que ele deseja inferir algo sobre uma
a
poss associaco do fumo com a morte por cncer no
vel
a
a
pulmo em pessoas. Seria essa evidncia derivada de sua
a
e
experincia suciente para alguma concluso?
e
a
Exemplo
Considere as seguintes denicoes para os even

tos de interesse relativos a uma pessoa X tirada ao acaso
da populaco de pessoas falecidas no ano passado, com
a
uma certa idade denida: C X morreu de cncer no
a
pulmo e F pessoa X fumou durante sua vida, e
a
seus complementares.
Solucao:
Para inferir algo sobre uma poss associaco do fumo

vel
a
com a morte pelo cncer, seria interessante obter estimaa
a
tivas para Pr(C |F ) e Pr(C |F ). A razo dessas duas pro-
51
2.8 Formula de Poincare Se B1 , . . . , Bn

tem-se que
Teorema
Pr(
Bi ) =
i=1
Pr(Bi )
i =1
Pr(Bi B j )
i= j
Pr(Bi B j Bk )
+
i = j =k
+ . . . + (1)n1 Pr(B1 . . . Bn ).
Nota: Para o caso em que n = 3 o teorema indica que
Pr(B1 B2 B3 ) = Pr(B1 ) + Pr(B2 ) + Pr(B3 )
Pr(B1 B2 ) Pr(B1 B3 )
Pr(B2 B3 ) + Pr(B1 B2 B3 ).
Prova:
Veja Feller (1968).
O prximo exemplo descreve uma aplicaco interessante desse

o
a
ultimo teorema.
2.13 Casamento na Russia Na Rssia h
u
a
um procedimento tradicionalmente utilizado para vericar se uma determinada garota ir casar no futuro
a
prximo2 . A garota deve segurar em sua mo, fechada,
o
a
6 pedacos de barbante, de forma que as pontas saiam
dos 2 lados da mo e permitam que sejam amarradas.

a
Uma amiga ento solicitada a amarrar as pontas de um
e
a
lado e de outro da mo (uma a uma). A Figura 2.7 ilusa
tra essa situaco. A mo ento aberta, vericando-se
a
a e
a
quantos aneis de barbante foram formados. Segundo a
tradico, se pelo menos 1 anel for formado isso signica
a
que a garota ir casar proximamente. Qual a probabilia
e
dade do teste indicar que a garota no ir casar no futuro
a a
prximo?
o
Exemplo
Veja Feller (1968, p.99).

52
Esse problema pode ser melhor visualizado

considerando seis bolas numeradas de 1 a 6, e seis caixas
numeradas de 1 a 6. Se as bolas so sorteadas 1 a 1, sem
a
reposico, para serem colocadas em cada uma das caixas,
a
a probabilidade de no coincidir nenhuma bola com a
a
caixa de numeraco correspondente a mesma probaa
e
bilidade de no se observar um ou mais anis nos bara
e
bantes amarrados (pense cada barbante com uma ponta
representando a bola e a outra ponta representando a
caixa).
Solucao:
Figura 2.7: Teste dos barbantes para casamento (Rssia)

u
Como resultado preliminar ` soluco, pode-se observar
a
a
que ser 6! o nmero total de maneiras diferentes com
a
u
que as bolas podem ser colocadas nas caixas (ou maneiras
diferentes com que os barbantes so amarrados).
a
Ademais, se Ei o evento em que a bola i est na
e
a
caixa i , para um i denido entre 1 e 6, sero observaa
das 5! conguracoes de bolas em que o evento Bi ocor
rer (obtido pela xaco da bola i na caixa i ). Nessas
a
a
Para 3 eventos A, B e C
A
B C
B C
Possvel
Possvel
Possvel
Possvel
A e B so independentes
A e B no so independentes
B C
A e B no so independentes dado C
Notao
B C
A e B so independentes dado C
Figura 2.8: Possibilidades quanto ` independncia

a
e
onde Bi indica o evento elementar que consiste na retirada da bola i da urna. Se denirmos os eventos:
X B3 B4
Y B2 B4
Z B2 B3
mostre que X e Y so independentes (incondicionala
mente), mas que no sero condicionalmente indepena
a
dentes dado a ocorrncia do evento Z.
e
Como Pr(X ) = 1/2 e Pr(X |Y ) = 1/2 pode-se
concluir que X e Y so independentes, ou usando uma
a
notaco simblica,
a
o
X Y.
Solucao:
57

61
independentes dado que

Pr(A = alto) = 0,58 e Pr(A = alto|C = alto) = 0,845.
A probabilidade de se observar um dia com um n
vel
alto de afogamento maior num dia em que o consumo
e
de refrigerante alto.
e
Essa evidncia faz o pesquisador acreditar que pode exise
tir alguma relaco causal entre esses dois fenmenos. Ao
a
o
mostrar suas evidncias para um pesquisador mais expee
riente, incrdulo quanto ` concluso de causalidade, este
e
a
a
perguntou se os dados dirios de temperatura estariam
a
dispon
veis para as observacoes realizadas. Sugeriu que
fosse analisada uma poss relaco entre a temperatura

vel
a
(T ) e essas outras variveis de interesse.
a
O pesquisador realizou ento a anlise dos mesmos daa
a
dos, produzindo a rvore descrita na Figura 2.10. A
a
A=alto
T temperatura
C consumo de refrigerante
A afogamentos
T=alta
C=alto
0,9
A
A=baixo
0,9
0,1
A=alto
0,6
C=baixo
0,1
0,9
A=baixo
0,1
A=alto
C=alto
0,1
A
A=baixo
0,1
0,9
T=baixa
C
A=alto
0,1
0,4
C=baixo
0,9
A=baixo
0,9
Figura 2.10: Arvore do problema do afogamento (completa)

62
nova rvore inclui tambm a temperatura (T), denida

a
e
nos n
veis alta e baixa, na raiz da nova rvore. O leia
tor, como exerc
cio, deve construir as rvores da Fia
gura 2.9 a partir dessa rvore completa, para se certicar
a
da consistncia das informacoes nas 3 rvores, usando
e
a
os resultados tericos sobre probabilidades vistos neste
o
cap
tulo.
Essa nova rvore d uma nova dimenso ` informaco
a
a
a a
a
anterior, mostrando independncia condicional, repree
sentada por
(A = alto) (C = alto) | T = alta,
dado que
Pr(A = alto|T = alta C = alto) = 0,90
e
Pr(A = alto|T = alta C = alto) = 0,90.
Outras independncias condicionais entre eventos poe
dem ser vericadas.
Um exame cuidadoso desta
rvore completa mostra que o consumo de refrigerana
tes no oferece nenhuma informaco relevante para
a
a
caracterizaco da probabilidade de um n alto de afoa
vel
gamentos, uma vez que se sabe a temperatura. No fundo
a temperatura do dia parece se o fator mais relevante. A
explicaco mais plaus parece ser que num dia quente
a
vel
mais gente entrar no mar e tomar mais refrigerante!
a
a
O exemplo mostra uma situaco estilizada que sintetiza um dos
a
grandes problemas existentes na anlise de evidncias observacioa
e
nais. No caso, a aparente relaco existente entre os afogamentos e
a
consumo de refrigerantes foi descaracterizada com a introduco da
a
temperatura na anlise. Esse o chamado efeito da terceira varivel
a
e
a
(em geral oculta). Nos problemas de estimaco e testes, esse proa
blema pode trazer fortes desaos ao pesquisador. Em econometria
63
esse efeito caracterizado pelo termo vis de seleco ou selection bias

e
e
a
em ingls.
e
2.8 Consideracoes nais
Esse cap
tulo apresentou os fundamentos da teoria de probabilidades, incluindo todos os teoremas principais. Diversos exemplos resolvidos mostram aplicacoes da teoria, facilitando seu entendimento.
A grande diculdade para o iniciante na xaco dos conceitos dea

pende do desenvolvimento da sua capacidade de utilizar esses conceitos na soluco de problemas, algo que pode exigir um certo esforco.
a
Uma lista extensa de problemas proposta ao leitor visando apoiar

e
seu aprendizado.
A apresentaco tambm introduziu as principais idias relacioa
e
e
nadas com a independncia probabil
e
stica, nas verso incondicional
a
e condicional. Finalmente, foi brevemente discutida a relaco entre
a
independncia e causalidade.
e
O prximo cap
o
tulo introduz a noco de varivel aleatria e sua
a
a
o
descrico por uma distribuico de probabilidade, nas verses discreta
a
a
o
e cont
nua.
Exerccios
2.1 Bonferroni Prove o seguinte teorema

que conhecido por Desigualdade de Bonferroni:
e
Exerccio
Pr(A B) Pr(A) + Pr(B) 1.

(dica: use o fato de que A B = (A B))
2.2 Se A B mostre que Pr(B) Pr(A)
[Dica: B = (B A) (B A) (prop. 17 do cap
tulo anterior)]
Exerccio
Exerccio 2.3 Para A1 , . . . , An mostre que
Pr(A1 A2 . . . An ) Pr(A1 ) + Pr(A2 ) + . . . + Pr(An ).
Captulo 3
Variaveis Aleatorias e
Distribuicoes Univariadas
3.1 Introducao
Este cap
tulo introduz as nocoes de varivel aleatria, distribuico
a
o
a
de probabilidade e conceitos associados, focando no caso univariado. O prximo cap
o
tulo cobre essas mesmas nocoes para o caso
multivariado, ou seja, considerando variveis aleatrias de mltiplas

a
o
u
dimenses. O contedo deste e do prximo cap
o
u
o
tulo segue Mood et
al.(1989) em grande medida.
A apresentaco segue uma ordem de exposico que inicialmente
a
a
introduz a noco de varivel aleatria, considerando o caso discreto
a
a
o
e o caso cont
nuo. A seguir, apresenta a funco cumulativa de proa
babilidade ou funco de distribuico, cujo signicado idntico para
a
a
e e
variveis aleatrias discretas e para cont
a
o
nuas. Finalmente, so aprea
sentadas as nocoes relacionadas ` distribuico de probabilidade de
a
a
uma varivel aleatria, as quais diferem quanto ao tipo de contraa
o
dom
nio da varivel. Para o caso discreto essa distribuico usua
a e
almente chamada de funco de massa enquanto que para o caso
a
cont
nuo ela chamada de funco de densidade.
e
a
89

90
3.2 Variavel aleatoria

A noco de varivel aleatria essencial em estat
a
a
o
e
stica e mtodos
e
quantitativos em geral para a representaco compacta de fenmenos
a
o
incertos, de uma forma consistente com os resultados fundamentais
da teoria de probabilidades.
Uma varivel aleatria um tipo de varivel que pode assumir dia
o e
a
ferentes valores numricos, denidos para cada evento elementar de
e
um espaco amostral , cada qual com uma probabilidade associada.
Usualmente uma varivel aleatria representada por uma letra

a
o e
maiscula (ex. X ), ou uma letra com um acento til (ex. x ), nos deu
senvolvimentos que a utilizam. Constantes ou valores determinados
so em geral representadas por letras minsculas nos desenvolvimena
u
tos. Deve-se destacar, contudo, que uma constante tambm uma
e
e
varivel aleatria que assume um valor xo com probabilidade 1.
a
o
Por exemplo, num lancamento de 2 moedas, seria poss denir
vel
uma varivel aleatria X para representar o nmero de caras obsera
o
u
vadas. O dom
nio de X seria X {0, 1, 2}, com as probabilidades
1
1 1
de cada um desses poss
veis valores sendo 4 , 2 e 4 , respectivamente.
Variavel aleatoria: denicao formal
Uma denico formal de varivel aleatria apresentada a seguir.

a
a
o e
Essa denico deixa claro o contexto de sua denico, que o de
a
a
e
um espaco de probabilidades (denido no cap
tulo anterior). Alguns exemplos so apresentados aps a denico com o objetivo de

a
o
a
facilitar seu entendimento.
uma varivel aleatria X qualquer,
a
o
denida no contexto de um espaco de probabilida
des {, , Pr()}, uma varivel que pode assumir
e
a
valores reais ou inteiros, sendo poss para qualvel
quer x se obter Pr(X x). Mais formalmente,
se considerarmos um espaco de probabilidades
Variavel Aleatoria
{, , Pr()},
Captulo 4
Variaveis Aleatorias e
Distribuicoes Multivariadas
4.1 Introducao
Neste cap
tulo as nocoes apresentadas no cap
tulo anterior so esa

tendidas ao caso multidimensional ou multivariado. No caso, o ar
gumento no mais um unico elemento mas um vetor de elementos.
a e
Qualquer desenvolvimento um pouco mais avancado, envol
vendo 2 ou mais variveis aleatrias, requer um bom dom
a
o
nio das
nocoes associadas a distribuicoes multivariadas. A Figura 4.1 exem
plica o caso de uma funco de densidade de uma Normal bivariada,

a
denida num espaco tridimensional.
Casos gerais, envolvendo mais de 2 variveis aleatrias, so

a
o
a
facilmente tratveis do ponto de vista anal
a
tico mas de dif
cil
visualizaco, dado que so representados num espaco n-dimensional,
a
a
com n > 3.
Exemplo com 2 variaveis aleatorias - caso discreto
Um caso simples bivariado, envolvendo 2 variveis aleatrias discrea

o
tas, ilustrado pelo seguinte exemplo:
e
113

114
Distribuio Normal Bivariada

(funo de densidade)
f(x,y)
Figura 4.1: Exemplo de distribuico bivariada (Normal)

a
4.1 Duas Moedas - Considere o lancamento
de 2 moedas identicadas como m1 e m2 e atribua valor

1 ao resultado cara e 0 ao resultado coroa. O espaco
amostral desse experimento denido por

e
Exemplo
m1 m2 {(0, 0), (0, 1), (1, 0), (1, 1)}.

O primeiro elemento de cada par representa o resultado
de m1 e o segundo o de m2 . Dena ento duas variveis
a
a
aleatrias X1 e X2 como, respectivamente, o resultado
o
de m1 e produto dos resultados de m1 e m2 . A funco
a
cumulativa e a distribuico de probabilidade, agora mula
tidimensionais, seriam denidas por
FX1 X2 (x1 , x2 ) = Pr(X1 x1 X2 x2 )
e
fX1 X2 (x1 , x2 ) = Pr(X1 = x1 X2 = X2 ).

115
Captulo 4 - Distribuicoes (caso multivariado)
(0,0)
(0,0)
(1,0)
(0,1)
(1,1)
(1,0)
(1,1)
X1 e X2
M1 e M2
Figura 4.2: Distribuico bivariada - duas moedas

a
E poss achar os valores de

vel
FX1 X2 (x1 , x2 ) e fX1 X2 (x1 , x2 )
para valores de x1 e x2 , atravs da correspondncia ene
e
tre os eventos denidos no espaco amostral de X1 e X2
e os eventos denidos no espaco amostral de m1 e m2 .
Quando necessrio, os argumentos das funcoes multivaa
riadas sero separados por ponto e v

a
rgula (;) para evitar
confuso com uma v
a
rgula utilizada para separaco de
a
decimais.
A representaco grca dessa distribuico de probabilia
a
a
dade (funco de massa) apresentada na Figura 4.2.
a
e
Para saber, por exemplo, o valor de FX1 X2 (0,9; 1), que
corresponde a
Pr(X1 0,9 X2 1),
isso seria equivalente obter a probabilidade do evento
{(0, 0) (0, 1)} em termos do experimento denido por
m1 e m2 . Essa probabilidade igual a 0,50.
e

116
De forma similar, seria poss

vel conhecer o valor de
fX1 X2 (1, 1), que corresponde a
Pr(X1 = 1 X2 = 1),
ou seja, a probabilidade do evento {(1, 1)} em termos de
m1 e m2 . O valor de fX1 X2 (3, 5) seria obviamente zero.
4.2 Funcao cumulativa no caso multivariado
Num caso bivariado, a funco cumulativa pode ser denida, em tera

mos de probabilidades, por
FX Y (x, y) = Pr(X x Y y),
envolvendo as variveis aleatrias X e Y .
a
o
Num caso geral multivariado, a funco cumulativa seria reprea
sentada por
FX1 X2 ...Xn (x1 , x2 , . . . , xn ) = Pr(X1 x1 X2 x2 . . . Xn xn ).
Uma notaco mais compacta pode utilizar a notaco vetorial,
a
a
pela representaco das variveis aleatrias por X . Nessa situaco a
a
a
o
a
funco cumulativa seria denida por:
a
FX (x).
onde
X =
X1
X2
.
.
.
Xn
Propriedades gerais da funcao cumulativa multivariada
1. FX1 X2 ...Xn (x1 , x2 , . . . , xn ) = 0 quando um ou mais xi , i =

1, . . . , n.
Captulo 5
Esperanca Matematica e
Conceitos Relacionados
5.1 Introducao
Este cap
tulo apresenta os conceitos de esperanca matemtica,
a
varincia, momentos e outras nocoes relacionadas, denidos a para
tir do material discutido nos 2 cap

tulos anteriores. A apresentaco
a
tambm inclui os conceitos de momentos e cumulantes, assim como
e
de suas funcoes geradoras, que facilitam a obtenco de muitos re
a
sultados importantes associados a distribuicoes de probabilidade e
variveis aleatrias.
a
o
5.2 Esperanca matematica
E()
A noco de esperanca matemtica, ou mdia terica, de uma varivel

a
a
e
o
a
aleatria X , representada usualmente por
o
E(X ), E[X ], x , ou < X >
um dos conceitos mais importantes da estat
e
stica, sendo utilizado
amplamente em desenvolvimentos tericos e aplicados. O texto
o
utilizar as primeiras trs representacoes.
a
e
133

134
O leitor deve ter cuidado em entender que o signicado da palavra esperanca em estat
stica tcnico, diferindo substancialmente do

e e
utilizado em nossa linguagem comum, o qual freqentemente est
u
a
associado ao desejo de que algo aconteca. A esperanca matemtica
a
pode, at mesmo, representar um valor que nunca ocorrer. Esse
e
a
signicado tambm no indica que a esperanca sempre o valor mais
e
a
e
provvel, a no ser em casos particulares.
a
a
Parte dos resultados importantes da estat
stica esto associados
a
exatamente ` relaco que tm os estimadores obtidos a partir de
a
a
e
amostras apropriadas e a esperanca matemtica. O exemplo mais
a
simples o caso do estimador denido pela mdia aritmtica de n
e
e
e
valores amostrados de forma apropriada, computado por
Xn =
n
X
i =1 i
Esse estimador (mdia) converge (no contexto probabil

e
stico)
para a esperanca matemtica (ou mdia terica), na medida que
a
e
o
n . Esse resultado, em particular, decorre de um importante teorema dentro da estat
stica chamado de Lei dos grandes nmeros, que
u
ser visto no Cap
a
tulo 6, juntamente com nocoes de convergncia
e
utilizadas em estat
stica.
Esperanca e centro de gravidade
Fazendo uma analogia com nocoes utilizadas pela f
sica, a
esperanca matemtica indicaria o centro de gravidade ou centride da
a
o
o de probabilidade. Seria poss equilibrar a distribuco
distribuica
vel
a
sobre um cursor posicionado no valor da esperanca, da maneira
ilustrada na Figura 5.1, para uma funco de densidade. Para

a
distribuicoes simtricas, a esperanca simplesmente o ponto que di
e
e
vide a distribuico nas suas 2 partes simtricas, podendo ser visuala
e
mente reconhecida.

135
Captulo 5 - Esperanca e outros conceitos
f (x)
E(X )
centro de gravidade
Figura 5.1: Esperanca: centro de gravidade da distribuico
Denicao de esperanca matematica
Em seguida, ser denida formalmente a noco de esperanca maa

a
temtica, nos casos discreto e cont

a
nuo.
para uma varivel aleatria disa
o
creta X dene-se esperanca matemtica por:
Esperanca matematica
E(X ) =
xi fX (xi ),
i =1
se X uma varivel aleatria discreta assumindo os

e
a
o
valores {x1 , x2 , . . . , xn }.
Se X uma varivel aleatria cont
e
a
o
nua,
E(X ) =
x fX (x) d x.
Captulo 6
Leis, Convergencias e
Desigualdades
6.1 Introducao
Este cap
tulo introduz o leitor a dois dos principais resultados da
estat
stica, assim como critrios de convergncia e algumas desiguale
e
dades freqentemente utilizadas. O primeiro resultado importante
u
a Lei dos grandes nmeros. Esse resultado, nas suas formas fraca e
e
u
forte, exemplicam modos importantes de convergncia no contexto
e
de variveis aleatrias. O segundo resultado importante o Teorema
a
o
e
do limite central, que mostra a convergncia da distribuico da mdia
e
a
e
amostral para uma distribuico Normal, na medida que cresce o taa
manho da amostra. A apresentaco introdutria ao assunto. Para
a e
o
detalhes adicionais o leitor pode consultar Billingsley (1999), Grimmett & Stirzaker (2001) e Feller (1969).
Para uma boa caracterizaco desses resultados, o cap
a
tulo discute
3 modos de convergncia muito utilizados em estat
e
stica. O leitor
deve car atento pois as nocoes de convergncia usadas em estat
e
stica
diferem das nocoes de convergncia utilizadas em teoria da medida,
e
no clculo diferencial e integral, por exemplo.
a
A seqncia de apresentaco inicia pelas desigualdades de Marue
a
kov e Chebyshev, que possibilitam demonstrar a forma fraca da Lei
191

192
dos grandes nmeros. Em seguida, examinada a forma forte dessa

u
e
lei e 3 modos de convergncia: em distribuico; em probabilidade; e,
e
a
quase certa. A noco de convergncia em distribuico ento utilia
e
a e
a
zada para a caracterizaco do Teorema do limite central. Finalmente,
a
a ultima seco do cap

a
tulo apresenta as desigualdades de CauchySchwartz e Jensen, assim como algumas de suas aplicacoes.
6.2 Desigualdade de Markov

A desigualdade de Markov estabelece um resultado geral de importncia terica que tambm permite inferncias probabil
a
o
e
e
sticas
a respeito de uma varivel aleatria X . Essas inferncias produa
o
e
zem limites conservadores, mas no exigem o conhecimento da
a
distribuico de probabilidade de X , mas somente E(X ), como mosa
tram os exemplos aps o detalhamento do teorema.
o
6.1 Desigualdade de Markov Se Y uma
e
varivel aleatria que s assume valores estritamente poa
o
o
sitivos (Y > 0) com esperanca nita e a um valor real
e
qualquer (positivo), verdade que
e
Teorema
Pr(Y a)
E(Y )
a
Se Z uma varivel aleatria de forma que Z = 0,

e
a
o
quando Y < a, e Z = a, quando Y a, tem-se
Prova:
E(Z) = 0 Pr(Z = 0) + a Pr(Z = a).

Mas, Pr(Z = a) = Pr(Y a), dado que Z = a e Y
a representam o mesmo evento, por denico. Logo
a
E(Z) = a Pr(Y a).
Captulo 6 - Leis, Convergencias e Desigualdades
193
Dado que, pela denico de Z, Y Z para todo poss

a
vel
valor de Y , conclui-se que
E(Y ) E(Z)
ou, usando a denico de E(Z) j obtida, chega-se a
a
a
E(Y ) E(Z) = a Pr(Y a).
Rearranjando os termos da ultima expresso, chega-se ao

a
resultado desejado:
Pr(Y a)
E(Y )
a
6.1 Aplicacoes da desigualdade de Markov Se
X uma varivel aleatria positiva, o que poderia ser

e
a
o
inferido sobre probabilidade de X ser superior a 20, se
E(X ) = 5?
Solucao: Usando a desigualdade de Markov seria
poss inferir que

vel
Exemplo
Pr(X 20)
5
20
ou seja a probabilidade de X ser maior que 20 no

e
1
mximo 4 .
a
O melhor exemplo da aplicaco da desigualdade de Markov rea
e
alizado por um corolrio desse resultado, que a desigualdade de
a
e
Chebyshev, vista a seguir.
6.3 Desigualdade de Chebyshev

A desigualdade de Chebyshev um caso particular da desigualdade
e
de Markov que possibilita inferncias probabil
e
sticas ` respeito da
a

194
distncia entre uma varivel aleatria X e sua esperanca matemtica,

a
a
o
a
a partir do conhecimento de V (X ), sua varincia.
a
6.2 Desigualdade de Chebyshev Se X uma
e
varivel aleatria com esperanca e varincia nitas, rea
o
a
presentadas respectivamente por e 2 , e b um valor
e
real qualquer, verdade que
e
Teorema
Pr(|X | b )
2
b2
ou
Pr(|X | < b ) 1
2
b2
Usando o resultado da desigualdade de Markov,

com Y = (X )2 (que um valor no negativo, atene
a
dendo a Markov) e a = b 2 , chega-se a
Prova:
Pr((X )2 b 2 )
E[(X )2 ]
b2
Como E[(X )2 ] = 2 e os eventos |X | b e

(X )2 b 2 so equivalentes, correspondentes ao
a
evento
b X b ,
conclui-se o resultado desejado
Pr(|X | b )
2
b2
Representando o termo da esquerda da ultima expresso

a
em termos da probabilidade do evento complementar e
rearranjando a expresso, chega-se ao resultado alternaa
tivo
2
Pr(|X | < b ) 1 2 .
b
e
6.2 Aplicacao de Chebychev Se X uma
varivel aleatria, o que poderia ser inferido sobre proa
o
babilidade de X estar compreendido no intervalo entre
Exemplo
ndice Remissivo
I
= (igualdade), 8
(espaco de eventos), 6
E(X ) (esperanca), 133
IA(x) (funco indicadora), 20

a
(espaco amostral), 6
V (X ) (varincia), 142
a
2 (varincia), 142
a
(intersecco), 8
a
(unio), 8
a
(no-independncia), 56
a
e
( denido por), 8
e
(independncia), 56
e
(esperanca), 133
\ (diferenca sub-conjuntos), 13
() (funco caracter
a
stica), 167
Bonferroni, 63
Cardano, G., 1
casamento na Rssia, 51
u
Cauchy-Schwartz, 209
aplicaco, 144
a
causalidade, 59
centro de gravidade, veja esperanca
coeciente de correlaco, 144

a
e Cauchy-Schwartz, 210
coeciente de variaco, 143
a
coletivamente exaustivos, 14
combinaco, 238
a
complementar, 13
constante
e varivel aleatria, 90
a
o
representaco, 90
a
lgebra de eventos, 7, 15
a
e
almost surely, veja convergncia convergncia, veja formas de cone
vergncia
e
quase certa
em probabilidade, 197
amostra
convergncia em distribuico, 200
e
a
composta, 226
convergncia em probabilidade, 202
e
simples, 226
convergncia quase certa, 203
e
amostragem
correlaco, veja coeciente de
a
ordem na, 230
correlaco
a
anlise combinatria, 223
a
o
o e independncia, 159
correlaca
e
arranjo, 235
covarincia, 144
a
rvore de probabilidades, 37
a
propriedades, 145
assimetria, 169
Cox, R. T., 1, 5
coeciente de, 170
cumulante, 165
Berger, J., 4
cumulantes e momentos, 166
Binmio de Newton, 21
o
curtose, 169
247

248
coeciente de, 171

dados observacionais, 62
De Finetti, 5
deciso e risco, 214
a
densidade, veja funco de densidade
a
desigualdade de Cauchy-Schwartz,
209, 219
desigualdade de Chebyshev, 193
desigualdade de Hlder, 209, 219
o
desigualdade de Jensen, 213, 219
desigualdade de Markov, 192
desvio mdio absoluto, 180
e
desvio padro, 142
a
diagrama de Venn, 11, 67
distribuico bivariada, 113
a
distribuico de Irwin-Hall, 207
a
distribuico de probabilidade
a
caso cont
nuo, 100
caso discreto, 96
distribuico de probabilidade condia
cional, 124
distribuico multivariada, 113
a
distribuico Uniforme, 207
a
espaco amostral (), 6
espaco de eventos ( ), 6
espaco de probabilidades, 24
esperanca
de funco de varivel, 136

a
a
e centro de gravidade, 134
indenida, 139
esperanca condicional, 152
esperanca da mdia, 150
e
esperanca matemtica, 133
a
propriedades, 140
estabilizaco de precos, 215
a
estat
stica bayesiana, 2
estat
stica clssica, 2
a
evento, 6, 223
complementar, 13
evento elementar, 6
eventos
coletivamente exaustivos, 14
intersecco, 8
a
mutuamente exclusivos, 13
unio, 8
a
evidncia experimental, 59
e
evidncia observacional, 59
e
experimento, 5, 223
frmula de Stirling, 243
o
fatorial
clculo, 243
a
fmg, veja funco geradora de moa
mentos
formas de convergncia, 196
e
Frmula de Poincar, 51
o
e
funco cncava, 212
a o
funco caracter
a
stica, 206
funco caracter
a
stica (()), 167
o convexa, 212
funca
funco cumulativa, 93
a
caso multivariado, 116
funco cumulativa conjunta, 117
a
funco cumulativa marginal, 117
a
funco cumulativa multivariada
a
propriedades, 116
funco de densidade, 100
a
funco de densidade marginal, 123
a
funco de distribuico, veja funco
a
a
a
cumulativa
funco de massa, 96
a
bivariada, 113
funco de massa marginal, 119
a
funco geradora de cumulantes, 165
a
e funco caracter
a
stica, 167
funco geradora de momentos, 206
a
independncia, 164
e

ndice Remissivo
I
funco
a
geradora de
(fgm), 161
funco indicadora, 20
a
249
momentos mdia terica, veja esperanca mae

o
temtica
a
marginalizaco, 119
a
Markov, veja desigualdade de MarHjek, A., 5
a
kov
Howie, D., 3, 5
mdia aritmtica, 219
e
e
mdia geomtrica, 219
e
e
i.i.d, veja independente e identica- mediana, 168
mente distribuida (i.i.d)
moda, 168
incerteza, 5
momento absoluto, 161
independncia, 54, 59
e
momento central, 161
de funcoes, 158
mutuamente exclusivos, 13
e esperanca, 159
variveis aleatrias, 126

a
o
Normal, 205
Normal bivariada, 113
independncia condicional, 55
e
variveis aleatrias, 126
a
o
overbooking, 75
independncia e correlaco, 159
e
a
independncia e covarincia, 159
e
a
a
a
independente e identicamente dis- Padronizaco de varivel, 147
percentil, veja quantil
tribuida (i.i.d.), 150
permutaco, 232
a
integral
poker, 241
de Lesbegue, 136
probabilidade, 2
de Lesbegue-Stieltjes, 136
interpretaco bayesiana, 3
a
de Riemann, 136
interpretaco freqentista, 3
a
u
interpretaco subjetiva, 3
a
Jensen, 213
probabilidade condicional, 36
jogo de azar, 1
probabilidade da intersecco, 36
a
probabilidade epistmica, 3
e
Kolmogorov, A., 1
probabilidades
obtenco, 226
a
es, 12
lgica de proposico
o
problema
Laplace, 1
3 envelopes, 76
lei da esperanca total, veja teorema
3 prisioneiros, 79
da esperanca da esperanca
acerto do chutador, 70
lei da varincia total, 156
a
agulha de Buffon, 82
lei dos grandes nmeros, 134, 196
u
amostragem por Chebyshev,
forte, 199
217
fraca, 198
anlise de solo, 70
a
Lindley, D., 3, 5
aniversrios, 67
a
rvore de probabilidade, 73
a
mdia aritmtica, 150
e
e

250
atraso no trabalho, 55
avio, 67
a
bbado e princip
e
cio, 72
bandeiras, 236
cncer e cigarro, 48
a
caixas de mac, 69
a
cara ou coroa, 110
casais, 237
casamento na Rssia, 51
u
cassino, 77
cerveja, 85
comisso, 240
a
constante, 105
controle da natalidade, 75
craps, 79, 176
culpa do suspeito, 46
dados, 18, 73, 99, 106, 172
dados com uma face, 65, 172
dardos, 106, 173
deciso e risco, 214
a
defeitos, 65
diagrama de Venn, 67
elaboraco de prova, 71
a
encontro, 68, 182
esperanca do lucro, 141
estabilizaco de precos, 215

a
estimador
no-tendencioso,
a
183
os telefnicos, 85
o
scalizaco, 69
a
xaco do preco, 178
a
funco indicadora, 20
a
gatos e moedas, 71
gavetas e moedas, 76
gravidez, 180
homens e mulheres, 72
intervalo de conanca, 217
ladro, 68, 181

a
mquinas, 111
a
mdia e varincia do retorno,

e
a
177
moeda e dardo, 107
moedas, 71
moedas m5 e m8 , 44
n barbantes, 77
Normal multivariada, 130, 188
notas, 20
notas do aluno, 107
notas dos alunos, 80
opco de venda, 175
a
overbooking, 75
papel-tesoura-pedra, 111, 174
par ou
mpar, 110, 130
pessoas na sala, 72
poker, 84, 241
prmios em cereais, 83
e
precos no mercado, 185
quantil, 186
resultado do juri, 78
ru do jogador, 78
na
safra agr
cola, 73
seguro de vida, 67
seletividade e sensitividade, 81
sorveteiro, 179
sulto e mulheres, 174
a
supersena, 74
teste de velas, 66
testes mdicos, 81
e
trivariada, 187
varincia m
a
nima do retorno,
148
varincia matricial, 178
a
verdade, 74
produto cartesiano, 224
quantil, 167
recm casados, 66
e
regra da multiplicaco, 50
a
regresso (terica), 154
a
o

ndice Remissivo
I
sigma-lgebra de eventos, 7
a
Stigler, S., 3
Stirling
frmula de, 243
o
teorema da esperanca da esperanca,
153
teorema das probabilidades totais,
40
teorema de Bayes, 43
teorema de Slutsky, 201
teorema do limite central, 201, 205
teoria dos conjuntos, 12
variveis aleatrias
a
o
independncia, 126
e
independncia
e
condicional,
126
varivel aleatria, 90
a
o
representaco, 90
a
varivel aleatoria
a
e constante, 90
varincia
a
da soma, 146
da soma (geral), 146
do produto, 146
propriedades, 145
varincia amostral, 142
a
varincia condicional, 156
a
varincia da mdia, 150
a
e
varincia terica, 142
a
o
251

Livro

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

Livro

Uploaded by

Copyright:

Available Formats

Pginas Selecionadas do Livro -- www.LaplaceBooks.

Para engenharia, economia, nancas e atuaria

Problemas e exerccios resolvidos

Pginas Selecionadas do Livro -- www.LaplaceBooks.com/estatistica

Introduco ` Estatstica Matemtica Aplicada

E proibida a reproduco total ou parcial

Dados Internacionais de Catalogao na Publicao (CIP)

e-mail do autor: estatistica@LaplaceBooks.com

Pginas Selecionadas do Livro -- www.LaplaceBooks.com/estatistica

Probabilidade: Conceitos Basicos

Operacoes entre eventos . . . . . . . . . . . . . .

Eventos: alguns qualicadores . . . . . . . . . . .

Algebra de eventos: propriedades . . . . . . . .

Probabilidade: Fundamentos da Teoria

Pginas Selecionadas do Livro -- www.LaplaceBooks.com/estatistica

Variaveis Aleatorias e Distribuicoes Univariadas

Funco cumulativa de probabilidade - F () . . . . . . . . 93

Distribuico de probabilidade - caso discreto . . . . . . 96

Distribuico de probabilidade - caso cont

Variveis aleatrias e distribuicoes mistas . . . . . . . . 104

Consideracoes nais . . . . . . . . . . . . . . . . . . . . . . 105

Variaveis Aleatorias e Distribuicoes Multivariadas

Funco cumulativa no caso multivariado . . . . . . . . 116

Funco de massa no caso multivariado . . . . . . . . . . 118

Funco de densidade multivariada . . . . . . . . . . . . . 121

Distribuico de probabilidade condicional . . . . . . . . 124

Independncia de variveis aleatrias . . . . . . . . . . . 126

Consideracoes nais . . . . . . . . . . . . . . . . . . . . . . 128

Pginas Selecionadas do Livro -- www.LaplaceBooks.com/estatistica

Esperanca Matematica e Conceitos Relacionados

5.4 Varincia e conceitos associados . . . . .

5.10 Outras medidas uteis . . . . . . . . . . . .

Leis, Convergencias e Desigualdades

A Contagem de Eventos e Analise Combinatoria

Pginas Selecionadas do Livro -- www.LaplaceBooks.com/estatistica

Pginas Selecionadas do Livro -- www.LaplaceBooks.com/estatistica

Diagrama de Venn: algumas operacoes . . . . . . . . . . 11

Arvore de probabilidade: lancamento de 1 moeda

Arvore de probabilidade: moeda e dado . . . . . .

Arvore do problema das moedas m5 e m8 . . . . .

Arvore: crime e evidncia . . . . . . . . . . . . . . .

Arvore do problema do afogamento (parcial) . . .

Arvore do problema do afogamento (completa) .

Funco cumulativa para o exemplo das bolas .

Exemplo de distribuico bivariada (Normal) . . . .

Esperanca: centro de gravidade da distribuico . . . . . 135

Pginas Selecionadas do Livro -- www.LaplaceBooks.com/estatistica

Coeciente nulo no garante simetria . . . . . . . . . . . 171

Convergncia de X n em 5000 lancamentos . . . . . . . 198

Relaco entre modos de convergncia . . . . . . . . . . . 204

A.1 Tipos de amostragem . . . . . . . . . . . . . . . . . . . . . 227

Pginas Selecionadas do Livro -- www.LaplaceBooks.com/estatistica

matemtica e conceitos associados. Tambm caracteriza os princia

Pginas Selecionadas do Livro -- www.LaplaceBooks.com/estatistica

versidade de So Paulo e outras escolas, nas reas quantitativas da

O contedo dos textos adequado a alunos cursando os ultimos anos

Agradeco aos alunos de cursos ministrados nos ultimos 12 anos que

tiveram acesso a verses preliminares dos textos e contribu

incorporados em futuras edicoes.

Prof. Adriano Azevedo-Filho, Ph.D.

Pginas Selecionadas do Livro -- www.LaplaceBooks.com/estatistica

O desenvolvimento da teoria de probabilidades teve a sua origem no

Em grande medida, os primrdios da teoria de probabilidades foo