Complementos de Probabilidade e Estat

stica

Jorge Salazar

February 10, 2025

Contents

1 Espacos discretos 3
1.1 Probabilidade Discretas . . . . . . . . . . . . . . 3
1.2 Distribuic~oes Uniformes . . . . . . . . . . . . . . 10
1.3 Outras Distribuic~oes Discretas . . . . . . . . . . . 16
2 Observaco~es independentes 35
2.1 Leis sobre Z . . . . . . . . . . . . . . . . . . . . 36

1
Chapter 1

Espacos discretos

1.1 Probabilidade Discretas

Para descrever matematicamente experimentos com resultados a-
leatorios, precisaremos antes de tudo da noc~ao do espaco de es-
tados (ou resultados) correspondentes ao experimento em con-
sideraca~o. Denotaremos por qualquer conjunto tal que cada
resultado do experimento em que estamos interessados possa ser
especi cado de forma unica pelos elementos de .
Nas experi^encias mais simples normalmente lidamos com espa-
cos (conjuntos) nitos de resultados. No exemplo de lancamento
duma moeda, consiste em dois elementos, \cara" e \coroa". No
experimento de lancamento de um dado, o espaco tambem e
nito e consiste em 6 elementos. No entanto, mesmo para lancar
uma moeda (ou lancar um dado), pode-se organizar experimen-
tos para os quais espacos nitos de eventos elementares n~ao ser~ao
su cientes.
Por exemplo, considere o seguinte experimento: uma moeda
3
4 CHAPTER 1. ESPAC
 OS DISCRETOS

e lancada ate que apareca cara pela primeira vez e ent~ao o ex-
perimento e interrompido. Se t designa coroa e h cara, ent~ao um
\resultado elementar" do experimento pode ser representado por
uma sequ^encia (tt:::th). Existem in nitas sequ^encias desse tipo,
e todas elas s~ao diferentes, portanto n~ao ha como descrever todos
os resultados do experimento por elementos de um espaco nito.

Eventos
Eventos Elementares vs Eventos
ˆ Os espacos de estados, nitos ou in nitos contaveis, s~ao
chamados espacos discretos. Denotaremos os elemen-
tos de pela letra !. Os elementos ! 2 s~ao chamados de
eventos elementares (ou resultados elementares).
ˆ Qualquer subconjunto A  sera chamado de evento . O
evento A ocorre se o resultado e qualquer um dos eventos
elementares ! 2 A.
Operac~oes com Eventos (Conjuntos)
Sendo A e B dois eventos, denota-se
ˆ Uni~
ao ou Soma:

A [ B ou A + B
e o evento que consiste em todos os eventos elementares per-
tencentes a pelo menos um dos eventos A ou B .
1.1. PROBABILIDADE DISCRETAS 5
ˆ Interse
ca~o ou Produto:

A \ B ou AB
e o evento consistituido pelos eventos elementares que per-
tencem a A e B ao mesmo tempo.
ˆ Subtrac
ca~o de Conjuntos:

AnB
e o evento consistituido pelos eventos elementares que per-
tencem ao evento A mas que n~ao pertencem ao evento B .
ˆ Conjunto Complementar:

A := nA
e o evento consistituido pelos eventos elementares que n~ao
pertencem ao evento A

Eventos Disjuntos
Dois eventos A e B s~ao mutuamente exclusivos ou disjuntos se
AB = ;:
Suponhamos, por exemplo, que a nossa experi^encia consista em
lancar um dado duas vezes. O espaco de eventos elementares e
:= f(i; j ); i; j = 1;


; 6g ;
6 CHAPTER 1. ESPAC
 OS DISCRETOS

onde i e j denotam o numero de pontos que aparecem no primeiro

e no segundo lancamento, respectivamente. Os eventos
A = fi + j  3g e B = fj = 6g
s~ao disjuntos ou mutuamente exclusivos.
O produto dos eventos A (como acima) e C = fj e parg e
o evento f(1; 2)g. Observe que se estivessemos interessados ape-
nas nos eventos relacionados ao primeiro lancamento, poderamos
considerar um espaco menor de eventos elementares consistindo
de apenas 6 elementos i = 1; 2; :::; 6.

Distribuic~ao de Probabilidade:
De nic~ao: Sendo um conjunto nito ou numeravel, uma dis-
tribui
ca~o de probabilidade sobre e uma funca~o
P: ! [0; 1] (1.1)
tal que X
P(!) = 1: (1.2)
!2
A serie em (1.2) e absolutamente convergente, ja que a serie e
convergente e P toma valores positivos ou nulos.
Probabilidade dos Eventos
A probabilidade de um evento A  e de nido por
X
P(A) := P(!): (1.3)
!2A
1.1. PROBABILIDADE DISCRETAS 7
Desta forma, P e extendida a eventos n~ao elementares. (Mas a
frente veremos que em geral, uma distribuica~o de probabilidade e
primeiramente de nida sobre os eventos, que s~ao certa classe
de subconjuntos de , pudendo P ser identicamente nulo sobre os
elementos de .)
Exemplos:

ˆ No caso de um dado simetrico, e claro que deveriamos colocar

P(1) = P(2) = ::: = P(6) = 1=6:

ˆ Para uma moeda simetrica, deve-se escolher os valores

P(h) = P(t) = 1=2:

ˆ Na experi^encia de lancar um moeda ate que apareca cara

pela primeira vez, podemos colocar
= f(h); (th); (tth);


g :
No entanto, resulta mais pratico tomar
= N = f1; 2; 3;


g ;
e identi car as sequ^encias com a posica~o do primeiro h. Ja
enquanto a probabilidade deve-se p^or
 2  3
1 1 1
P(1) = ; P(2) = ; P(3) = ;


:
2 2 2
8 CHAPTER 1. ESPAC
 OS DISCRETOS

A funca~o P dada desta forma de ne de facto uma distribuica~o

de probabilidade em (= N), ja que
1
X 1
2n = 1:
n=1
Esta distribuicao e conhecida como distribuica~o geometrica,
de parametro 1=2.
Em problemas da vida real, por exemplo estimar a probabil-
idade de um dispositivo quebrar antes de um determinado mo-
mento (o evento A), so podem ser baseadas nos resultados dos
proprios experimentos. Os metodos para estimar probabilidades
desconhecidas a partir de resultados de observaca~o s~ao estudados
em Estatstica Matematica, cujo assunto sera exempli cado um
pouco mais tarde por um problema deste captulo.

Propriedades das Distribuico~es

A partir das de niP
c~oes (1.2) e (1.3), fazendo uso da converg^encia
absoluta da serie !2A P (!), pode-se, no caso discreto, derivar
as seguintes propriedades das distribuic~oes de probabilidade:
1. Probabilidade do ; e :
P(;) = 0; P( ) = 1:
O conjunto e chamado de evento certo. O conjunto ;
(conjunto vazio) e chamado de evento impossvel. Alias,
1.1. PROBABILIDADE DISCRETAS 9
qualquer evento A  e dito evento certo se P(A) = 1 e e
chamado de evento impossvel se P(A) = 0.
2. Probabilidade da uni~ao de eventos:
P(A [ B ) = P(A) + P(B ) P(AB ); (1.4)
para todo A; B  . Esta propriedade resulta da seguite
observac~ao.
X
P(A [ B ) = P(!)
!2A[B
X X X
= P(!) + P(!) P(!):
!2A !2B !2AB

3. Probabilidade do Complementar: Para todo A  ,


P A = 1 P(A):

4. Aditividade: Se A e B s~ao disjuntos (AB = ;), ent~ao

P(A [ B ) = P(A) + P(B ):

5. Aditividade Numeravel: Se A1; A2; ::: e uma sucess~ao

de eventos disjuntos dois a dois (AiAj = ; para todo i 6= j ),
ent~ao 1 !
1
[ X
P Ak = P(Ak ):
k=1 k=1
10 CHAPTER 1. ESPAC
 OS DISCRETOS

6. Subaditividade: Se A e B s~ao arbitrarios, ent~ao

P(A [ B )  P(A) + P(B ):
7. Subaditividade Numeravel: Se A1; A2; ::: e uma sucess~ao
de eventos qualquer, ent~ao
!
1
[ 1
X
P Ak  P(Ak ):
k=1 k=1

A seguir vamos considerar varios casos importantes.

1.2 Distribuico
~es Uniformes
Seja um conjunto nito com n 2 N elementos. Associamos, a
cada elemento ! 2 , a probabilidade P(!) = 1=n. Neste caso,
a probabilidade de qualquer evento A  e dada pela formula
1
P(A) =  jAj ;
n
onde jAj e o numero de elementos de A. Esta e a chamada
de nica~o classica de probabilidade (o termo distribuica~o uniforme
tambem e usado).

Amostras Sem Reposic~ao (Arranjos)

Seja
fa1; a2; :::; ang
1.2. DISTRIBUIC ~
 OES UNIFORMES 11
um conjunto que chamaremos de populaca~o geral.
Suponha que tomamos uma amostra ordenada de tamanho k
da populaca~o geral. Denotamos a amostra !,
! = (!1; !2; :::; !k ) ;
de k elementos da populaca~o geral, todos eles distintos, denotados
!i 2 !; i = 1;


k:
Ou seja, o primeiro elemento !1 e escolhido de toda a populaca~o,
!1 2 fa1; a2; :::; ang :
O proximo elemento !2 e escolhido da populaca~o geral sem o ele-
mento !1
!2 2 fa1; a2; :::; ang n f!1g :
O elemento !3 e escolhido da populaca~o geral tirando os elementos
!1 e !2 ,
!3 2 fa1; a2; :::; ang n f!1; !2g ;
e assim sucesivamente.
As amostras obtidas desta forma s~ao chamadas de amostras
sem reposi ao. Claramente, deve-se ter k  n neste caso.
c~

O numero das amostras de tamanho k coincide com o numero

de arranjos de k objetos tomados de um conjunto de n objetos,
dado por
Ank := n(n 1)(n 2)


(n k + 1):
12 CHAPTER 1. ESPAC
 OS DISCRETOS

Com efeito, de acordo com o processo de amostragem, na primeira

posica~o podemos escolher qualquer um dos n elementos da pop-
ulaca~o geral, na segunda posica~o qualquer um dos restantes (n 1)
elementos, e assim por diante.
A cada uma das amostras ! = (!1; !2; :::; !k ) atribui-se a
probabilidade
1
P (!) = n :
Ak
Essas amostras ser~ao chamadas de aleatorias. Este e claramente
o esquema classico.
Exerccio. Calcule a probabilidade de !1 = a1 e !2 = a2. Ou
seja, calcule a probabilidade de
A := f! 2 ; !1 = a1; !2 = a2g :

Resoluc~ao :
Como o restantes k 2 posico~es podem ser ocupadas
por qualquer um dos n 2 elementos restantes da populaca~o geral,
o numero de amostras sem reposica~o tendo os elementos a1 e a2
nas duas primeiras posic~oes e igual a Ank 22. Portanto,
An 2
P (A) = k n 2 =
1
Ak n(n 1) :
Pode-se pensar em uma amostra sem reposica~o como o re-
sultado de uma amostragem sequencial de uma colec~ao de bolas
enumeradas colocadas em uma urna. As bolas amostradas n~ao s~ao
devolvidas a urna.
1.2. DISTRIBUIC ~
 OES UNIFORMES 13
Amostras Com Reposic~ao
(Produto Catesiano)
Tambem podemos formar uma amostra de outra maneira. Tira-se
uma bola da urna, toma-se nota e de seguida a bola e devolvida a
urna. A seguir, repete-se o processo k vezes. Note que neste caso
k ja n~ao esta limitado por n.
A amostra obtida desta forma e chamada de amostra com
reposi ~o. Em cada etapa, pode-se escolher qualquer uma das n
ca

bolas (populaca~o geral).

Este e o caso quando todos os elementos da populaca~o geral
est~ao disponveis em cada escolha. Por exemplo, na votaca~o para
Presidente de Portugal, cada um dos k votantes escolhe um dos
n candidatos, todos os votantes podem escolher de entre todos os
candidatos.
O conjunto de amostras com reposic~ao, , e o produto Carte-
siano de k copias da populaca~o geral. Ou seja
= fa1; a2; :::; angk :
As amostras s~ao denotadas por k uplas, como no caso anterior
de amostras sem reposic~ao,
! = (!1;


; !k ) :
No entanto, desta vez, para todo i = 1;


; k, !i e um elemento
qualquer da populaca~o geral, isto e
8i = 1;


; k; !i 2 fa1; a2; :::; ang :
14 CHAPTER 1. ESPAC
 OS DISCRETOS

O numero total das amostras com reposica~o e nk (que e o

tamanho do produto Cartesiano). No esquema classico, obtemos
a probabilidade uniforme sobre este espaco pondo
1
P (!) = k :
n
Exerccio. Calcule a probabilidade de que, numa amostra com
reposica~o, de tamanho k, todos os elementos sejam diferentes.
Resoluc~ao: Obviamente, se k > n, ese conjunto e vazio e a prob-
abilidade e 0. Se k  n, o numero de amostras cujos elementos
s~ao todos distintos e igual ao numero de amostras sem reposic~ao,
ou seja, Ank. Portanto, a probabilidade procurada e
Ank :
nk

Amostras n~ao Ordenadas

(Combinaco~es)
Voltamos a amostragem sem reposica~o duma populac~ao, digamos
fa1; a2; :::; ang :
Desta vez, estamos interessados unicamente na composica~o das
amostras sem reposic~ao, de tamanho k  n. Logo, os eventos
elementares s~ao os subconjuntos da populaca~o geral, com k ele-
mentos, ou seja,
! = f!1;


; !k g  fa1; a2; :::; ang :
1.2. DISTRIBUIC ~
 OES UNIFORMES 15
Isto e, e o conjunto de todos os subconjuntos de fa1; a2; :::; ang,
de tamanho k.
Por exemplo, para estudar uma populaca~o de animais sel-
vagens, capturamos k individuos para observar caractersticas e
fazer infer^encias sobre a populac~ao geral. Normalmente, n~ao esta-
mos interessados na ordem em que eles foram capturados.
Se a amostra inicial (sequ^encia ordenada de tamanho k) for
aleat oria (a probabilidade associada  e a probabibilidade uniforme
(n k)!=n!), obtemos novamente o esquema classico (probabibil-
idade uniforme), em que a probabilidade de cada amostra (sub-
conjunto de tamanho k) e
(n k)!k!
P (f!1;


; !k g) = :
n!

De facto, o numero de amostras de tamanho k que possuem a

mesma composica~o e so se distinguem pela ordem de seus elemen-
tos e k! e o numero de subconjuntos com k elementos e
 
n n!
:= : (1.5)
k (n k)!k!

Este e o numero de combinac~oes de objetos tomados de um

 k
conjunto com n objetos, denotado nk ou Ckn (utilizaremos o
primeiro por ser mais comum).
16 CHAPTER 1. ESPAC
 OS DISCRETOS

1.3 Outras Distribuico

~es Discretas
Distribuic~ao Hipergeometrica
Imaginemos que temos uma urna contendo n bolas, das quais n1
s~ao pretas e n n1 s~ao brancas. Nos tiramos k bolas da urna. Para
k1 = 0; 1; :::; k , qual e a probabilidade de que haja exatamente k1
bolas pretas na amostra tirada da urna?
Nota: A populaca~o geral e, neste caso, as bolas da urna, que ape-
sar de nos n~ao estarmos interessados nas bolas individuais mas
unicamente na sua cor, elas s~ao distintas (indivduos). Podemos
portanto imginar que as bolas est~ao numeradas e a urna (pop-
ulaca~o geral) e o conjunto
fa1;


; an1 ; an1+1;


; ang
onde as bolas do conjunto
fa1;


; an1 g
s~ao todas pretas e as bolas do conjunto
fan1+1;


; ang
s~ao todas brancas.
O modelo Probabilstico que vamos desenvolver nesta secca~o
e aplicado em muchos problemas de Estatstica. Por exemplo,
para estimar a proporc~ao de femeas e machos de uma populaca~o
em estado selvagem, digamos o lince Iberico ou as cigonhas do
1.3. OUTRAS DISTRIBUIC ~
 OES DISCRETAS 17
Alentejo. De facto, uma vez estimado o tamanho da populac~ao,
n, que e, em sim proprio, outro problema classico da Estatstica
aplicada a Biologia, aplca-se este modelo para estimar a proporca~o
de femeas e machos. Note a difer^enca entre o estudo do modelo
Probabilstico, onde todos os parametros assumem-se conhecidos
e a estimac~ao Estatstica do parametro n1, apartir da captura de
k indivduos e a contagem de k1 femeas (e k k1 machos).
 
Como vimos em 1.2 (formula (1.5)), existem nk formas de
escolher k bolas da populaca~o geral fa1;


; an1 ; an1+1;


; ang.
 
Pela mesma raz~ao, existem nk1 formas de escolher k1 bolas
1
pretas (sob a condica~o de k1  n1, caso contrario e 0), ja que elas
s~ao escolhidas dentro do subconjunto fa1;


; an1 g de n1 bolas
pretas.
Para simpli car a notac~ao, pomos
n2 := n n1 e k2 := k k1 :

As k2 bolas brancas restantes e um subconjunto do conjunto


fan1+1;


; ang de n2 bolas brancas. Existem nk2 formas de
2
escolher k2 bolas brancas do conjunto fan1+1;


; ang de n2 bolas
brancas (se k2  n2, caso contrario e 0).
Observe que qualquer colec~ao de k1 bolas pretas pode ser com-
binada com qualquer coleca~o de k2 bolas brancas. Logo o numero
de amostras/subconjuntos (da populac~ao geral) de tamanho k que
18 CHAPTER 1. ESPAC
 OS DISCRETOS

cont^em exatamente k1 bolas pretas e

   
n1 n2
k1
 k2
;

isto e assumindo que k n2  k1  n1 (caso contrario e 0).

Assim, se as amostras da populaca~o geral s~ao aleatorias (t^em
associada a probabilidade uniforme), a probabilidade dos eventos
fk1 = 0g, fk1 = 1g ;


; fk1 = kg e dada por
8 0 1 0 1
>
>
>
>
@ n1 A@ n2 A
> k1 0 1 k2
>
>
< ; se k n2  k1  n1;
n
@ A
Pn1;n (k1; k) = (1.6)
>
>
>
k
>
>
>
>
:
0; se n1 < k1 ou k1 < k n2:
Sendo n  1; 0  n1  n e 0  k  n xos, a colec~ao de
numeros
Pn1;n (0; k) ; Pn1;n (1; k) ;


; Pn1;n (k; k )

formam a chamada distribuica~o hipergeometrica de parametros

n; n1 e k , sobre o espaco = f0; 1;


; kg. Em particular,
k
X
Pn1;n (k1; k) = 1:
k1 =0
1.3. OUTRAS DISTRIBUIC ~
 OES DISCRETAS 19
Ou seja,
   
n1 n2
fk;n1g
minX
k1
 k2
  = 1:
k1 =maxf0;k n2 g
n
k

Como o denominador ddesta soma n~ao depende de k1, e para

todo n  1; 0  n1  n e 0  k  n, 0  k1  k, tal que
n1 (n k )  k1  n1, temos

   
n1 n2 n1!(n2)!
k1
 k2
=
k1!(n1 k1)!(k2)!(n2 k2)!
;

ent~ao

fk;n1g
minX
n1!(n n1)! n!
= :
k !(n k1)!(k2)!(n2
k1 =maxf0;k n2 g 1 1
k2)! k !(n k )!

Exemplo : Qual e a probabilidade de acertar os 5 numeros do

20 CHAPTER 1. ESPAC
 OS DISCRETOS

EuroMill~oes? 4 numeros? 3? 2? 1? 0? Respostas:

P5;50 (5; 5) = 5!45!
50!  0; 000000471974174
50!  5  45
P5;50 (4; 5) = 5!45!  0; 000106194189054
50!  10  2  0; 004672544318375
P5;50 (3; 5) = 5!45! 4544

50!  10   0; 06697313523004
P5;50 (2; 5) = 5!45! 454443
6

50!  5   0; 351608959957711
P5;50 (1; 5) = 5!45! 45444342
24

50!   0; 576638694330646
P5;50 (0; 5) = 5!45! 4544434241
120
Qual e a probabilidade de acertar as duas estrelas do EuroMill~oes?
Uma? Nenhuma? Respostas:
P2;12 (2; 2) = 2!10!
12!  0; 015151515151515
12!  2  10
P2;12 (1; 2) = 2!10!  0; 303030303030303
12!  2  0; 681818181818182
P2;12 (0; 2) = 2!10! 109

Qual e a probabilidade de acertar o EuroMill~oes? Resposta :(

5!45! 2!10!
P5;50 (5; 5)  P2;12 (2; 2) =  12!  0; 000000007151124:
50!
Em conex~ao com a distribuica~o hipergeometrica, pode-se co-
mentar sobre a natureza dos problemas na Teoria das Probabili-
1.3. OUTRAS DISTRIBUIC ~
 OES DISCRETAS 21
dades e na Estatstica Matematica. Conhecendo a composic~ao da
populaca~o geral, podemos utilizar a distribuica~o hipergeometrica
para descobrir quais chances teriam diferentes composico~es da
amostra. Este e um problema direto tpico da teoria das prob-
abilidades. Contudo, nas ci^encias naturais geralmente e preciso
resolver problemas inversos: como determinar a natureza das pop-
ulaco~es gerais a partir da composic~ao de amostras aleatorias. De
modo geral, tais problemas inversos constituem o assunto da Es-
tatstica Matematica.

Distribuic~ao Binomial
Seja
C = fc1;


; cn1 ; cn1+1;


; cng ;
uma populac~ao geral composta por n elementos, onde podemos
distinguir dois tipos de elementos. Podemos imaginar, por exem-
plo, que C e constituido por bolas numeradas, das quais, n1 s~ao
azuis e n2 := n n1 s~ao brancas. Digamos que
A = fc1;


; cn1 g
e o conjunto das n1 bolas azuis e
B = fcn1+1;


; cng
o conjunto das n2 bolas brancas.
Problema : Suponha que extraimos de C uma amostra aleatoria
(com reposic~ao) de tamanho r. Qual e a probabilidade duma
amostra ter r1 bolas azuis e r2 := r r1 bolas brancas?
22 CHAPTER 1. ESPAC
 OS DISCRETOS

Para resolver este problema comecamos por xar r1 das r

posico~es da amostra, ou seja, xamos um subconjunto
I = fi1;


; ir1 g  f1;


; rg
de tamanho r1.
Primeiro, vamos calcular a probabilidade do conjunto de amostras
AI := f(!1;


; !r ) ; 8i = 1;


; r; !i 2 A , i 2 I g :

Sendo as amostras aleatorias (a probabilidade de um evento

elementar (amostra) e n1 ), basta contar o numero de amostras no
r

conjunto AI .
Para isto, multiplicamos o numero de elementos (bolas) que
podem ocupar cada lugar da amostra (!1;


; !r ). Por exemplo
se !1 2 A o primeiro factor e n1, caso contrario e n2, e assim
sucessivamente para !2;


; !r . Portanto,
jAI j = (n1)r1 (n2)r2
e a sua probabilidade e
(n1)r1 (n2)r2  n1 r1  n2 r2
P (AI ) = r = :
n n n
Note que esta probabilidade depende unicamente de r1 (= jI j) e
n~ao do conjunto I propriamente.
Para responder a pergunta original: Achar probabilidade do
conjunto de amostras que possuem r1 bolas azuis, basta somar as
1.3. OUTRAS DISTRIBUIC ~
 OES DISCRETAS 23
probabilidades dos AI sobre todos os I  f1;


; rg de tamanho
r1. Denotando esta probabilidade P (r1; r), temos
 
X r n1 r1  n2 r2
P (r1; r) := P (AI ) = ;
r1 n n
jI j=r1
ja que P (AI ) e constante e numero de subconjuntos I veri cando
jI j = r1 e precisamente rr .
1

Amostras de Bernoulli
Suponha que extraimos uma amostra (com reposica~o) de tamanho
r, de uma populaca~o geral composta por apenas dois elementos,
digamos f0; 1g.
O espaco de resultados, , e o conjunto de todas as r uplas
ordenadas de 0's e 1's, de tamanho r, i.e.
= f! = (!1;


; !r ) ; 8i = 1;


; r; !i 2 f0; 1gg :
Como sabemos, j j = 2r . Dado um numero real p 2]0; 1[,
de ne-se a funca~o
P: ! ]0; 1[ (1.7)
(!1;


; !r ) ! pk (1 p)r k ;
onde k e o numeros de 1's da amostra ! = (!1;


; !r ). Ou seja,
r
X
k (!1;


; !r ) = !i:
i=1
24 CHAPTER 1. ESPAC
 OS DISCRETOS

(Para maior visibilidade da depend^encia de k em (!1;


; !r ),

pomos k = k (!1;


; !r ).)
Extendemos a de nica~o de P para os subconjuntos de de
forma natural: para todo A  ,
X
P (A) = P (! )
! 2A

Para veri car que P e uma probabilidade, e preciso provar que

P( ) = 1. Para isto, pomos
( )
r
X
Ak := (!1;


; !r ) 2 ; !i = k : (1.8)
i=1

Obviamente, Ak \ Aj =, se k 6= j . Alem disso,

r
[
= Ak
k=0
Logo, r
X
P( ) = P(Ak ):
k=0
Como P(!) = pk (1 p)r k , qualquer que seja ! 2 Ak ,
P(Ak ) = jAk j pk (1 p)r k :
So falta contar os elementos de Ak . Cada sequ^encia com exacta-
mente k 1's e determinada pela posica~o dos 1's e portanto Ak tem
tantos elementos como as formas que temos de escolher k posico~es
1.3. OUTRAS DISTRIBUIC ~
 OES DISCRETAS 25
de entre as r, onde vamos ter os k 1's, sendo as r k posico~es
restantes preenchidas com 0's. i.e.
 
r
jAk j = k
:

(Ver equac~ao (1.5)). Aplicando a formula binomial, obtemos

r  
X r
P( ) =
k
pk (1 p)r k = (p + (1 p))r = 1:
k=0
A segunda igualdade e apenas a formula binomial.
De nic~ao: As sequ^encias de 0's e 1's, (!1;


; !r ), junto com a
probabilidade
r
X
P (!1;


; !r ) = pk (1 p)r k ; sendo k = !i ;
i=1
s~ao chamadas de amostras de Bernoulli (de comprimento r e
parametro p).
Os valores individuais !i numa sequ^encia de Bernoulli s~ao
chamados de ensaios de Bernoulli. Acontece que os ensaios de
Bernoulli possuem a propriedade de independ^encia que sera dis-
cutida no proximo captulo.
Distribuic~ao Binomial: Como subproduto deste paragrafo,
temos que a func~ao
 
r
P (k; r) := P (Ak ) = pk (1 p)r k (1.9)
k
26 CHAPTER 1. ESPAC
 OS DISCRETOS

de ne uma probabilidade sobre o conjunto f0; 1;


; rg : A funca~o

 
r
k 2 f0; 1;


; rg ! P (k; r) = pk (1 p)r k
k
e chamada Distribuica~o Binomial de parametro p.
P (k; r) pode ser considerada como a distribuic~ao do numero de
\sucessos" em uma serie de r ensaios com dois resultados possveis:
1 (\sucesso") e 0 (\fracasso").
Voltando as sequ^encias de Bernoulli, a probabilidade de haver
um 1 num local xo da amostra, digamos na posica~o s (!s = 1),
e igual a p. Em linguagem formal: Para todo s 2 f0; 1;


; rg
xo,
P (f! 2 ; !s = 1g) = p:
De facto, utilizando os conjuntos Ak de nidos em (1.8), vemos que
r
[
f! 2 ; !s = 1g = (Ak \ f! 2 ; !s = 1g) ;
k=1
Logo,
r
X
P (f! 2 ; !s = 1g) = P (Ak \ f! 2 ; !s = 1g) :
k=1
Mas, qualquer que seja ! 2 Ak \ f! 2 ; !s = 1g,
P(!) = pk (1 p)r k :
Por outro lado, para todo 1  k  r,
 
r 1
jAk \ f! 2 ; !s = 1gj = k 1 :
1.3. OUTRAS DISTRIBUIC ~
 OES DISCRETAS 27
Portanto,
 
P (Ak \ f! 2 ; !s = 1g) =
r 1 pk (1 p)r k :
k 1
Somando para k = 1;


; r, temos
r  
P (f! 2 ; !s = 1g) =
X r 1 pk (1 p)r k :
k=1
k 1
Substituindo k 1 = j , pondo p em evid^encia, e aplicando a
formula do binomio, obtemos
r 1  
P (f! 2 ; !s = 1g) = p
X r 1 pj (1 p)r j = p:
j =0
j

O parametro p, nas sequ^encias de Bernoulli, e chamado de

probabilidade de sucesso.
Da mesma forma, a probabilidade de haver 1 em k posico~es
xas da amostra e igual a pk . Em linguagem formal: Sendo
I = fi1;


; ik g  f1; 2;


; rg
um conjunto de k ( r) ndices xos, temos


P ! 2 ; !i = 1; 8j = 1;


; k
j
= pk :
Vejamos agora como se comportam as probabilidades P (k; r)
a medida que k varia.
28 CHAPTER 1. ESPAC
 OS DISCRETOS

Para 1  k  r, consideremos a proporca~o

P (k; r)
R(k; r) :=
P (k 1; r)
 
r
pk (1 p)r k
k
= 
r
pk 1(1 p)r k+1
k 1
r k+1 p
=
k 1 p
 
p r+1
= 1
1 p k
Claramente R(k; r) decresce a medida que k cresce, sendo
R(k; r) > 1 se 1  k < (r + 1)p;
R(k; r) < 1 se (r + 1)p < k  r:
(1.10)

Isso signi ca que

P (k 1; r) < P (k; r) se 1  k < (r + 1)p;
P (k; r) < P (k 1; r) se (r + 1)p < k  r:
(1.11)

Usamos R(k; r) para estimar a probabilidade do conjunto de

amostras com numero de 1's  k, para qualquer k = 0;


; r.
i.e. Queremos estimar o valor da probabilidade de A0 [


[ Ak .
Pondo
Q(k; r) := P (A0 [


[ Ak ) ;
1.3. OUTRAS DISTRIBUIC ~
 OES DISCRETAS 29
claramente
Q(k; r) = P (k; r) + P (k 1; r) +


+ P (0; r): (1.12)
Pondo P (k; r) em evid^encia na equaca~o (1.12), temos, para
todo 0  k < (r + 1)p,

1 1
Q(k; r) = P (k; r) 1 + + +
R(k; r) R(k; r)R(k 1; r)

1



+ R(k; r)


R(0; r)
 2
1 1
 P (k; r) 1 + R(k; r) + R(k; r)
+
 k !
1



+ R(k; r)

 P (k; r) R(Rk;(k;r)r) 1
(r + 1 k ) p
= P (k; r) :
(r + 1) p k
N~ao e difcil ver que este majorante e proximo do valor de
Q(k; r) se k e grande e r + 1 > k=p, pois nesse caso, a soma
1 1 1
1+ + +


+
R(k; r) R(k; r)R(k 1; r) R(k; r)


R(0; r)
30 CHAPTER 1. ESPAC
 OS DISCRETOS

e proxima da serie geometrica

1  j
X 1 R(k; r)
=
j =0
R(k; r) R(k; r) 1
e como tal,
(r + 1 k) p
Q(k; r)  P (k; r) : (1.13)
(r + 1) p k
Por exemplo, se r = 30, p = 0:7 e k = 16, temos rp = 21 e
P (k; r)  0; 023. O quociente ((rr+1)
+1 k)p = 150;7  1:84. Logo, a
p k 5;7
express~ao da direita em (1.13) e aproximadamente 0; 023  1; 84 =
0; 042. O valor correcto de Q(k; r) e 0; 040 (correcto ao milesimo).

Converg^encia Hipergeometrica/Binomial
O Teorema seguinte a rma que podemos aproximar Pn1;n (r1; r) (a
distribuica~o hipergeometrica de nida em (1.6)) com a distribuic~ao
binomial P (r1; r), de parametro p, de nida em (1.9), sob as
condico~es indicadas.
Teorema 1.3.1 Se n e n1 tendem para o in nito de tal forma
que
n1
n
! p 2]0; 1[:
Ent~ao, para todo 0  r1  r xos,
Pn1;n (r1; r) ! P (r1; r) : (1.14)
n!1
1.3. OUTRAS DISTRIBUIC ~
 OES DISCRETAS 31
Demonstrac~ao: Pondo n2 = n n1, temos, para n su ciente-
mente grande,
pn (p + 1)n
2
 n1 
2
e
(1 p)n (2 p)n
2
 n2 
2
:
Como n ! 1 e r e xo, a condica~o
r n2  0  r1  r  n1
veri ca-se de forma natural e portanto Pn1;n (r1; r) e dado pela
formula
r! (n r)! n1! n2!
Pn1;n (r1; r) = (1.15)
n! r1! (n1 r1)! r2! (n2 r2)!
onde r2 := r r1 (ver (1.6)).
Dividindo o numerador e o denominador de (1.15) por nr , obte-
mos
r!
Pn1;n (r1; r) =
r1!r2!

n1 n1 1



n1 r1 1
n2 n2 2



n2 r2 1

n n n n
n n n n n n
1 1


1 r 1

n n
 
r
!n!1 r1
pr1 (1 p)r2 = P (r1; r) :

Visto que a Distribuic~ao Binomial esta associada as Sequ^encias

de Bernoulli e a Distribuica~o Hipergeometrica as amostras sem
32 CHAPTER 1. ESPAC
 OS DISCRETOS

reposica~o de uma populaca~o geral de n indivduos, onde exis-

tem dois tipos ou classes de indivduos, podemos dizer que as
sequ^encias de Bernoulli de parametro p, modelam, entre outras
coisas, o comportamento assimptotico de uma amostragem sem
reposica~o de uma populaca~o geral muito grande, composta por in-
divduos de dois tipos, sendo p e 1 p os valores para os quais
convergem as proporco~es das classes com respeito a populac~ao to-
tal.

Probabilidade da Uni~ao Finita de Eventos

Voltamos considerar um espaco de probabilidade discreto geral.
Vamos provar a generalizac~ao da formula (1.4) para o caso da
uni~ao de uma famlia nita de (mais de dois) eventos.
Teorema 1.3.2 Seja um espaco discreto de probabilidad e
A1; A2; :::; An uma famlia nita de eventos de . Ent~ao
!
n
[ n
X X
P Ai = P (Ai) P (AiAj ) (1.16)
i=1 i=1 i<j
X
+ P (AiAj Ak )


+ ( 1)n 1P (A1


An) :
i<j<k

Demonstrac~ao: Faremos uso do metodo de induc~ao.

O primeiro paso consiste em veri car a propriedade no caso de
dois conjuntos. Para dois conjuntos, A e B , temos a formula (1.4).
1.3. OUTRAS DISTRIBUIC ~
 OES DISCRETAS 33
O segundo paso consiste em, dado n  2, provar que a formula
(1.16) e verdadeira para qualquer familia de n + 1 eventos, assu-
mindo que a formula (1.16) e verdadeira para qualquer familia
de n eventos. (Esta assumpc~ao e conhecida como Hipotese de
Indu ~o.)
ca

Seja ent~ao
A1; A2; :::; An+1
uma Sfamilia de n + 1 eventos. Aplicamos (1.4) aos conjuntos
A = ni=1 Ai e B = An+1,
! ! !
n
[ n
[
P Ai [ An+1 = P Ai + P (An+1)
i=1 i=1
!
n
[
P AiAn+1 :
i=1
Aplicando a Hipotese de Induca~o (1.16) ao primeiro e terceiro
termos (pois em ambos temos n eventos e queremos calcular a
probabilidade da uni~ao deles), obtemos
! !
n
[ n
X X
P Ai [ An+1 = P (Ai) P (AiAj )
i=1 i=1 i<j n
X
+ P (AiAj Ak )


+( 1)n 1P (A1


An)
i<j<kn

+P (An+1)
34 CHAPTER 1. ESPAC
 OS DISCRETOS

n
X X
P (AiAn+1) + P (AiAj An+1)
i=1 i<j n
X
P (AiAj Ak An+1)+


+( 1)nP (A1


AnAn+1) :
i<j<kn
Reordenando os termos, o teorema ca provado. }
Chapter 2

Observac~
oes independentes

Efectuamos n observac~oes sucessivas com valores num conjunto

numeravel ou nito E . Isto corresponde a observaca~o de um ele-
mento do produto Cartesiano E n. Dado ! = (x1;


; xn) 2 E n,
pomos
Xi(! ) = xi
onde xi e a i essima coordenada de !.
Supomos que para cada i, a distribuica~o de probabilidade de
Xi sobre E e conhecida e a denotamos Fi. Assume-se que cada
experi^encia e independente das precedentes. Isto corresponde a
de nir sobre E n a probabilidade produto das Fi's. Ou seja, deno-
tando P a probabilidade produto sobre E n
P (x1;


; xn) = F1(x1)


Fn(xn) (2.1)

Quando todas as observaco~es t^em a mesma lei F , a variavel

(X1;


; Xn) e uma n amostra de F , obtida repetindo n vezes,
independentemente do passado, uma experi^encia de lei F .
35
36 CHAPTER 2. OBSERVAC ~
 OES INDEPENDENTES

2.1 Leis sobre Z

Nomenclatura
Chamamos Lei sobre Z qualquer probabilidade sobre Z, isto e,
qualquer sucess~ao (pn)n2Z de termos positivos, tal que
X
pn = 1
n2Z

Vimos varios exemplos em 1.2 e 1.3.

Seja um conjunto nito ou numeravel, dotado de uma prob-
abilidade P e X : ! Z uma funca~o (v.a.). A lei de X e a
probabilidade imagem de P por X . i.e. A lei de X e a func~ao
(probabilidade) n 2 Z ! P (fX = ng).
Dada uma funca~o f : Z ! R, a composta f (X ) : ! Z e
uma v.a. Note que
X X
jf (X (!))j P (!) = jf (n)j P (fX = ng) (2.2)
!2 n2Z

(Pudendo ambos tomar o valor in nito.)

Dissemos que f e integravel com respeito a lei de X ou, equiv-
alentemente, que f (X ) e integravel com respeito a P se (2.2) e
nito. Nesse caso, o integral de f com respeito a lei de X ou o
integral de f (X ) com respeito a P e
X X
f (X (! )) P (! ) = f (n) P (fX = ng) : (2.3)
!2 n2Z
2.1. LEIS SOBRE Z 37
Portanto, basta conhecer a lei de X , quer dizer a sucess~ao
pn = P (fX = ng), para poder inegrar qualquer funca~o de X
(integravel) em ordem a P . E habitual que a lei de uma v.a. X
seja conhecida, mas o espaco e a probabilidade P n~ao sejam
explicitados.
Em particular, a media e a vari^ancia podem-se calcular uti-
lizando a lei de X . Isto e
X
E (X ) = X = nP (fX = ng) ;
n2Z
X
2
 2 (X ) = n X P (fX = ng) :
n2Z

Func~ao Geratriz de Probabilidade

De nic~ao
A Func~ao Geratriz de uma lei de probabilidade sobre Z+ (os
inteiros n~ao negativos), L = (pn)n2Z+ , e a funca~o
1
X
gL(z ) = z npn
n=0
a qual e absoluta e uniformemente convergente em todo intervalo
fechado, contido no intervalo ] 1; 1[. Portanto, g possui derivadas
de todas as ordens, ja que podemos derivar termo a termo.
gL chama-se funca~o geratriz da lei L porque atraves dela pode-
mos obter os valores de pn, para todo n. De facto,
pn = gL(n)(0):
38 CHAPTER 2. OBSERVAC ~
 OES INDEPENDENTES

Se a lei L e a lei de uma v.a. X , podemos denotar gX em vez

de gL. Note que

gX ( z ) = E z :
X

Trasformada de Laplace
De ni-se tambem a Trasformada de Laplace de uma lei L sobre
Z+, da seguinte forma
1
X
L(s) := e sn p = gL e s
:
n
n=0

Se L e a lei de uma v.a. X , podemos denotar X em vez de

L e temos

X (s) = E e sX :
Da mesma forma que a funca~o geratriz, a transformada de
Laplace determina completamente a lei de probabilidade.

Soma de v.a. Independentes { Convoluc~ao