Livro

Cálculo de Probabilidade 2 (Aulas 1 a 6)

Este documento apresenta a transcrição rigorosa, a estruturação detalhada e a fundamentação matemática dos conteúdos ministrados nas Aulas 1 a 6 da disciplina de Cálculo de Probabilidade 2. Ele foi desenvolvido para servir como um guia de estudo completo, substituindo a leitura fragmentada de arquivos PDF.

SUMÁRIO

1. Aula 1: Espaço de Probabilidade e Revisão de Variáveis Aleatórias Discretas e Contínuas
2. Aula 2: Vetores Aleatórios, Distribuições Conjuntas e Marginais, Independência e Introdução ao Condicionamento
3. Aula 3: Distribuição Condicional de uma Variável Aleatória dado um Evento ($X \mid B$)
4. Aula 4: Distribuição Condicional entre duas Variáveis Aleatórias ($X \mid Y = y$)
5. Aula 5: Regra de Bayes para Variáveis Aleatórias (Casos Discretos, Contínuos e Mistos)
6. Aula 6: Esperança Condicional (Dado um Evento e Dado outra Variável Aleatória)

AULA 1: Espaço de Probabilidade e Revisão de Variáveis Aleatórias

A teoria axiomática de Kolmogorov estabelece a base para o tratamento rigoroso de qualquer fenômeno aleatório. Todo experimento probabilístico ocorre dentro de um espaço formalmente definido.

1.1 Espaço de Probabilidade $(\Omega, \mathcal{A}, P)$

Um Espaço de Probabilidade é uma tripla constituída por:

1. $\Omega$ (Espaço Amostral): O conjunto de todos os resultados possíveis do experimento.
2. $\mathcal{A}$ ($\sigma$-álgebra): Uma coleção não-vazia de subconjuntos de $\Omega$ (chamados de eventos aleatórios) que atende às seguintes propriedades:
3. • Fechamento por complementar: Se $A \in \mathcal{A} \implies A^c \in \mathcal{A}$.
   • Fechamento por união enumerável: Se $A_1, A_2, \dots \in \mathcal{A} \implies \bigcup_{i=1}^\infty A_i \in \mathcal{A}$.
   • Consequência: $\emptyset \in \mathcal{A}$ e $\Omega \in \mathcal{A}$.
3. $P$ (Medida de Probabilidade): Uma função-conjunto $P: \mathcal{A} \to \mathbb{R}$ que mapeia cada evento a um número real, satisfazendo os três Axiomas de Kolmogorov:
4. • Não-negatividade: $P(A) \ge 0, \forall A \in \mathcal{A}$.
   • Normalização: $P(\Omega) = 1$.
   • $\sigma$-aditividade: Para qualquer sequência de eventos mutuamente exclusivos (disjuntos dois a dois), $A_1, A_2, \dots \in \mathcal{A}$ tais que $A_i \cap A_j = \emptyset$ para $i \ne j$, temos: $$P\left( \bigcup_{i=1}^\infty A_i \right) = \sum_{i=1}^\infty P(A_i)$$

1.2 Definição de Variável Aleatória (v.a.)

Uma Variável Aleatória $X$ é uma função mensurável que mapeia o espaço amostral $\Omega$ para a reta real $\mathbb{R}$: $$X: \Omega \to \mathbb{R}$$ Para que $X$ seja formalmente uma variável aleatória, exige-se que a imagem inversa de qualquer intervalo da reta real pertença à $\sigma$-álgebra $\mathcal{A}$ de eventos. A condição canônica é: $${X \le x} = {\omega \in \Omega : X(\omega) \le x} \in \mathcal{A}, \quad \forall x \in \mathbb{R}$$

1.3 Variáveis Aleatórias Discretas

Uma v.a. $X$ é dita discreta se assume valores em um conjunto enumerável (finito ou infinito enumerável) ${x_1, x_2, \dots} \subset \mathbb{R}$, de forma que: $$\sum_{i=1}^\infty P(X = x_i) = 1$$

• Função de Probabilidade (PMF): Define a probabilidade pontual associada a cada valor possível do suporte: $$p_X(x) = P(X = x), \quad \forall x \in \mathbb{R}$$
• Cálculo de Probabilidade de Conjuntos: Para qualquer subconjunto boreliano $B \in \mathcal{B}(\mathbb{R})$: $$P(X \in B) = \sum_{i : x_i \in B} p_X(x_i)$$
• Função de Distribuição Acumulada (CDF): $$F_X(x) = P(X \le x) = \sum_{i : x_i \le x} p_X(x_i)$$
• Relação de Reciprocidade: Podemos recuperar as massas de probabilidade pontuais a partir dos saltos da CDF (descontinuidade à esquerda): $$p_X(x) = F_X(x) - F_X(x^-), \quad \text{onde } F_X(x^-) = \lim_{t \to x^-} F_X(t)$$

1.4 Variáveis Aleatórias Contínuas

Uma v.a. $X$ é dita absolutamente contínua se existe uma função não-negativa e integrável $f_X: \mathbb{R} \to \mathbb{R}$ (chamada Função de Densidade de Probabilidade - PDF) tal que, para qualquer intervalo $B$, a probabilidade de $X$ pertencer a $B$ é dada pela integral de $f_X$ sobre $B$: $$P(X \in B) = \int_B f_X(x) , dx$$ Como consequência direta dessa definição:

1. $P(X = x) = 0$ para qualquer valor isolado $x \in \mathbb{R}$.
2. A CDF é dada pela integral acumulada de $-\infty$ até $x$: $$F_X(x) = P(X \le x) = \int_{-\infty}^x f_X(u) , du$$
3. O Teorema Fundamental do Cálculo nos permite obter a densidade diferenciando a CDF: $$f_X(x) = \frac{d}{dx} F_X(x), \quad \text{nos pontos onde } F_X \text{ é derivável.}$$

AULA 2: Vetores Aleatórios, Distribuições Conjuntas e Marginais

O estudo de sistemas complexos requer o monitoramento de múltiplas grandezas simultaneamente. Para isso, estruturamos conjuntos de v.a.'s na forma de vetores.

2.1 Vetores Aleatórios

Dadas $n$ variáveis aleatórias $X_1, X_2, \dots, X_n$ definidas sobre o mesmo espaço de probabilidade $(\Omega, \mathcal{A}, P)$, a função vetorial: $$\tilde{X} = (X_1, X_2, \dots, X_n): \Omega \to \mathbb{R}^n$$ é denominada um Vetor Aleatório n-dimensional.

2.2 Função de Distribuição Conjunta (CDF Conjunta)

A CDF conjunta de um vetor aleatório $\tilde{X}$ descreve completamente a probabilidade associada à interseção de eventos de cauda inferior: $$F_{\tilde{X}}(x_1, \dots, x_n) = P(X_1 \le x_1, X_2 \le x_2, \dots, X_n \le x_n), \quad \forall (x_1, \dots, x_n) \in \mathbb{R}^n$$ Isso equivale à medida da interseção dos seguintes conjuntos: $$P\left( \bigcap_{i=1}^n {Xi \le x_i} \right)$$

2.3 Densidades Conjuntas e Marginais

Para o caso de vetores aleatórios bidimensionais $(X, Y)$ absolutamente contínuos, temos:

• Densidade Conjunta: Uma função $f_{X,Y}(x, y) \ge 0$ tal que para qualquer região boreliana $B \subset \mathbb{R}^2$: $$P((X, Y) \in B) = \iint_B f_{X,Y}(x, y) , dx dy$$
• Fórmula de Normalização: A integral sob o plano real completo deve somar 1: $$\int_{-\infty}^\infty \int_{-\infty}^\infty f_{X,Y}(x, y) , dx dy = 1$$
• Densidades Marginais: Permitem analisar uma das variáveis de forma isolada, "limpando" a outra por meio da integração (marginalização) sobre todo o seu suporte:
• • Marginal de $X$: $f_X(x) = \int_{-\infty}^\infty f_{X,Y}(x, y) , dy, \quad \forall x \in \mathbb{R}$
  • Marginal de $Y$: $f_Y(y) = \int_{-\infty}^\infty f_{X,Y}(x, y) , dx, \quad \forall y \in \mathbb{R}$
  • Observação: A distribuição conjunta determina as distribuições marginais de forma única, mas as distribuições marginais isoladas não conseguem determinar a distribuição conjunta, a menos que as variáveis sejam independentes.

2.4 Independência de Variáveis Aleatórias

Dizemos que as v.a.'s $X_1, \dots, X_n$ são mutuamente independentes se, e somente se, sua distribuição conjunta fatora-se exatamente no produto de suas respectivas distribuições marginais: $$F_{X_1, \dots, X_n}(x_1, \dots, x_n) = \prod_{i=1}^n F_{X_i}(x_i), \quad \forall (x_1, \dots, x_n) \in \mathbb{R}^n$$

• Caso Discreto: $p_{X_1, \dots, X_n}(x_1, \dots, x_n) = \prod_{i=1}^n p_{X_i}(x_i)$
• Caso Contínuo: $f_{X_1, \dots, X_n}(x_1, \dots, x_n) = \prod_{i=1}^n f_{X_i}(x_i)$

2.5 Revisão Conceitual: Probabilidade Condicional de Eventos

Dado um espaço de probabilidade $(\Omega, \mathcal{A}, P)$ e dois eventos $A, B \in \mathcal{A}$, com $P(B) > 0$, a probabilidade condicional de $A$ dado $B$ é definida como: $$P(A \mid B) = \frac{P(A \cap B)}{P(B)}$$ Se $P(B) = 0$, adota-se por convenção da disciplina $P(A \mid B) = 0$ (alguns autores utilizam $P(A \mid B) = P(A)$).

• Regra da Multiplicação: $$P(A \cap B) = P(A \mid B)P(B) = P(B \mid A)P(A)$$ Para $n$ eventos genéricos, a multiplicação expande-se de forma encadeada (sequencial): $$P(A_1 \cap \dots \cap A_n) = P(A_1)P(A_2 \mid A_1)P(A_3 \mid A_1 \cap A_2) \dots P(A_n \mid A_1 \cap \dots \cap A_{n-1})$$

AULA 3: Distribuição Condicional de uma V.A. dado um Evento ($X \mid B$)

Nesta seção, estuda-se como a informação externa (a ocorrência de um evento $B$) altera a lei de probabilidade associada a uma única variável aleatória $X$.

3.1 Definições Gerais

Dado que o evento $B \in \mathcal{A}$ ocorreu, com $P(B) > 0$, definimos:

• Lei de Probabilidade Condicional de $X$ dado $B$: $$P(X \in A \mid B) = \frac{P({X \in A} \cap B)}{P(B)}, \quad \forall A \in \mathcal{B}(\mathbb{R})$$
• Função de Distribuição Acumulada (CDF) Condicional: $$F_{X \mid B}(x \mid B) = P(X \le x \mid B) = \frac{P({X \le x} \cap B)}{P(B)}, \quad \forall x \in \mathbb{R}$$ (Esta função atende a todas as propriedades de uma CDF clássica: é não-decrescente, contínua pela direita e assume limites $0$ em $-\infty$ e $1$ em $+\infty$).

3.2 O Caso Discreto (PMF Condicional)

Se $X$ é uma v.a. discreta, a probabilidade condicional de $X$ assumir o valor $x$ dado $B$ é dada por: $$p_{X \mid B}(x \mid B) = P(X = x \mid B) = \frac{P({X = x} \cap B)}{P(B)}$$

Isso gera a mecânica de partição pelo suporte de $B$ (Regra da Peneira): $$p_{X \mid B}(x \mid B) = \begin{cases} \frac{p_X(x)}{P(B)}, & \text{se } x \in B \ 0, & \text{se } x \notin B \end{cases}$$

Exemplo Clássico Detalhado (Poisson Condicionado a Valores Pares)

Seja $X \sim \text{Poisson}(\lambda)$, ou seja, $p_X(x) = \frac{e^{-\lambda} \lambda^x}{x!}$ para $x \in {0, 1, 2, \dots}$. Condicionamos $X$ ao evento $B = {X \text{ é par não-negativo}} = {X \in {0, 2, 4, \dots}}$.

1. Cálculo de $P(B)$: Para somar a probabilidade dos números pares, utilizamos a expansão em série de potências de Taylor de $e^\lambda$ e $e^{-\lambda}$: $$e^\lambda = \sum_{j=0}^\infty \frac{\lambda^j}{j!} \quad \text{e} \quad e^{-\lambda} = \sum_{j=0}^\infty \frac{(-\lambda)^j}{j!}$$ Somando as duas equações: $$e^\lambda + e^{-\lambda} = \sum_{j=0}^\infty \frac{\lambda^j + (-\lambda)^j}{j!}$$ Observe que:

• Se $j$ for ímpar, os termos se anulam: $\lambda^j + (-\lambda)^j = 0$.
• Se $j$ for par ($j = 2k$), os termos dobram: $\lambda^{2k} + (-\lambda)^{2k} = 2\lambda^{2k}$.

Assim: $$e^\lambda + e^{-\lambda} = 2 \sum_{k=0}^\infty \frac{\lambda^{2k}}{(2k)!} \implies \sum_{k=0}^\infty \frac{\lambda^{2k}}{(2k)!} = \frac{e^\lambda + e^{-\lambda}}{2}$$ A probabilidade do evento $B$ é dada por: $$P(B) = \sum_{k=0}^\infty P(X = 2k) = \sum_{k=0}^\infty \frac{e^{-\lambda} \lambda^{2k}}{(2k)!} = e^{-\lambda} \left( \frac{e^\lambda + e^{-\lambda}}{2} \right) = \frac{1 + e^{-2\lambda}}{2}$$

2. Montagem da PMF Condicional Final: Aplicando a "peneira" condicional, dividimos os termos pares por $P(B)$ e anulamos os termos ímpares: $$p_{X \mid B}(x \mid B) = \begin{cases} \frac{P(X = x)}{P(B)} = \frac{\frac{e^{-\lambda} \lambda^x}{x!}}{\frac{1 + e^{-2\lambda}}{2}} = \frac{2 e^{-\lambda} \lambda^x}{x! (1 + e^{-2\lambda})}, & \text{se } x \in {0, 2, 4, \dots} \ 0, & \text{caso contrário} \end{cases}$$

3.3 O Caso Contínuo (PDF Condicional)

Se $X$ é uma v.a. absolutamente contínua com densidade original $f_X(x)$, a densidade condicional de $X$ dado o evento $B$ (com $P(B) > 0$) é dada por: $$f_{X \mid B}(x \mid B) = \begin{cases} \frac{d}{dx} F_{X \mid B}(x \mid B), & \text{nos pontos onde é derivável} \ 0, & \text{caso contrário} \end{cases}$$

• Caso Particular (Truncamento em Intervalo Finito): Seja o evento condicionante o intervalo de cauda $B = {a < X \le b}$. A probabilidade de pertencer a esse intervalo é $P(B) = F_X(b) - F_X(a)$. A PDF condicional é escrita como: $$f_{X \mid B}(x \mid a < X \le b) = \begin{cases} \frac{f_X(x)}{F_X(b) - F_X(a)}, & \text{se } a < x \le b \ 0, & \text{caso contrário} \end{cases}$$

Exemplo Clássico Detalhado (Uniforme Condicionada a Valores Positivos)

Seja $X \sim U([-1, 1])$, com densidade original: $$f_X(x) = \begin{cases} \frac{1}{2}, & -1 \le x \le 1 \ 0, & \text{caso contrário} \end{cases}$$ Condicionamos $X$ ao evento de ser não-negativa: $B = {X \ge 0}$.

1. Cálculo de $P(B)$: $$P(B) = P(X \ge 0) = \int_0^1 f_X(x) , dx = \int_0^1 \frac{1}{2} , dx = \frac{1}{2}$$

2. Montagem da PDF Condicional Final: A área no intervalo $[-1, 0)$ é descartada (densidade vai a zero), e a área sobrevivente no intervalo $[0, 1]$ é dividida (reescalada) por $P(B) = 1/2$: $$f_{X \mid B}(x \mid X \ge 0) = \begin{cases} \frac{1/2}{1/2} = 1, & \text{se } 0 \le x \le 1 \ 0, & \text{caso contrário} \end{cases}$$ Conclusão: A distribuição condicional resultante de $X \mid X \ge 0$ é exatamente a distribuição uniforme contínua $U([0, 1])$.

AULA 4: Distribuição Condicional de $X$ dado $Y = y$

Nesta aula, estuda-se o condicionamento entre duas variáveis aleatórias definidas sob o mesmo vetor aleatório bidimensional $(X, Y)$.

4.1 O Caso Discreto

Sejam $X$ e $Y$ variáveis aleatórias discretas com probabilidade conjunta $p_{X,Y}(x, y)$.

• Função de Probabilidade Condicional (PMF Condicional): Para qualquer valor fixado $y$ tal que a marginal de $Y$ seja positiva ($p_Y(y) > 0$): $$p_{X \mid Y}(x \mid y) = P(X = x \mid Y = y) = \frac{p_{X,Y}(x, y)}{p_Y(y)}$$ Onde a marginal do denominador é calculada por: $p_Y(y) = \sum_{x} p_{X,Y}(x, y)$.
• Função de Distribuição Condicional (CDF Condicional): $$F_{X \mid Y}(x \mid y) = P(X \le x \mid Y = y) = \sum_{z \le x} p_{X \mid Y}(z \mid y)$$

Exemplo Clássico (Condicional da Soma de Poissons Independentes)

Sejam $X \sim \text{Poisson}(\lambda_1)$ e $Y \sim \text{Poisson}(\lambda_2)$ v.a.'s independentes. Queremos encontrar a distribuição condicional de $X$ dado que a soma resultou em um valor fixo, isto é, dado que $X + Y = z$.

1. Entender a variável condicionante: Seja $Z = X + Y$. Como $X$ e $Y$ são independentes e seguem distribuições de Poisson, a sua soma também é uma Poisson cujo parâmetro é a soma dos parâmetros: $$Z \sim \text{Poisson}(\lambda_1 + \lambda_2) \implies p_Z(z) = \frac{e^{-(\lambda_1 + \lambda_2)} (\lambda_1 + \lambda_2)^z}{z!}, \quad \text{para } z \in {0, 1, \dots}$$

2. Analisar a probabilidade conjunta no numerador: A interseção de exigir que $X = x$ e a soma $X + Y = z$ aconteçam conjuntamente equivale a exigir que $X = x$ e a segunda parcela seja exatamente $Y = z - x$: $$P(X = x, X + Y = z) = P(X = x, Y = z - x)$$ Pela independência entre $X$ e $Y$, fatoramos a probabilidade conjunta: $$P(X = x, Y = z - x) = P(X = x) P(Y = z - x) = \left[ \frac{e^{-\lambda_1} \lambda_1^x}{x!} \right] \cdot \left[ \frac{e^{-\lambda_2} \lambda_2^{z-x}}{(z-x)!} \right]$$ Esta relação lógica exige que $x \in {0, 1, \dots, z}$.

3. Montar a divisão condicional: Dividindo o numerador pela probabilidade marginal de $Z = z$ no denominador: $$P(X = x \mid X + Y = z) = \frac{\left[ \frac{e^{-\lambda_1} \lambda_1^x}{x!} \right] \cdot \left[ \frac{e^{-\lambda_2} \lambda_2^{z-x}}{(z-x)!} \right]}{\frac{e^{-(\lambda_1 + \lambda_2)} (\lambda_1 + \lambda_2)^z}{z!}}$$ Simplificando as funções exponenciais ($e^{-\lambda_1} e^{-\lambda_2} = e^{-(\lambda_1 + \lambda_2)}$) que se cancelam mutuamente, e reorganizando os termos fatoriais: $$P(X = x \mid X + Y = z) = \frac{z!}{x! (z-x)!} \cdot \frac{\lambda_1^x \lambda_2^{z-x}}{(\lambda_1 + \lambda_2)^z}$$ Podemos agrupar a divisão dos parâmetros reescrevendo-os de forma fracionária: $$P(X = x \mid X + Y = z) = \binom{z}{x} \left( \frac{\lambda_1}{\lambda_1 + \lambda_2} \right)^x \left( \frac{\lambda_2}{\lambda_1 + \lambda_2} \right)^{z-x}, \quad \text{para } x \in {0, 1, \dots, z}$$

Conclusão: A distribuição condicional resultante de $X \mid X+Y = z$ é exatamente uma Distribuição Binomial com parâmetros $n = z$ e probabilidade de sucesso $p = \frac{\lambda_1}{\lambda_1 + \lambda_2}$.

4.2 O Caso Contínuo

Sejam $X$ e $Y$ variáveis aleatórias contínuas com densidade conjunta $f_{X,Y}(x, y)$.

Dado que $Y$ é contínua, $P(Y = y) = 0$ para qualquer ponto, o que impossibilita a divisão clássica de probabilidades.

• Solução Formal via Limites: Toma-se uma faixa infinitesimal de espessura $2\epsilon$ ao redor de $y$, calculando-se o limite da probabilidade quando $\epsilon \to 0$: $$f_{X \mid Y}(x \mid y) = \lim_{\epsilon \to 0} \frac{d}{dx} P(X \le x \mid y - \epsilon \le Y \le y + \epsilon) = \frac{f_{X,Y}(x, y)}{f_Y(y)}$$
• Função de Densidade Condicional (PDF Condicional): Para qualquer valor fixado $y$ onde a densidade marginal de $Y$ seja estritamente positiva ($f_Y(y) > 0$): $$f_{X \mid Y}(x \mid y) = \frac{f_{X,Y}(x, y)}{f_Y(y)}$$ Onde a densidade marginal do denominador é calculada por: $f_Y(y) = \int_{-\infty}^\infty f_{X,Y}(x, y) , dx$.
• Função de Distribuição Condicional (CDF Condicional): $$F_{X \mid Y}(x \mid y) = P(X \le x \mid Y = y) = \int_{-\infty}^x f_{X \mid Y}(u \mid y) , du$$

Exemplo 1 (Suporte Triangular Limitado)

Seja o vetor aleatório $(X, Y)$ com densidade conjunta dada por: $$f_{X,Y}(x, y) = \begin{cases} 8xy, & \text{se } 0 < x < y < 1 \ 0, & \text{caso contrário} \end{cases}$$

Queremos determinar a densidade condicional de $X$ dado que observamos $Y = y$, para um ponto $y \in (0, 1)$.

1. Calcular a densidade marginal de $Y$: Como $X$ está limitada no intervalo $(0, y)$, integramos a densidade conjunta em relação a $x$ com esses limites: $$f_Y(y) = \int_0^y 8xy , dx = 8y \left[ \frac{x^2}{2} \right]_0^y = 8y \left( \frac{y^2}{2} \right) = 4y^3, \quad \text{para } 0 < y < 1$$

2. Montar a densidade condicional: Dividimos a densidade conjunta pela marginal de $Y$ encontrada: $$f_{X \mid Y}(x \mid y) = \frac{f_{X,Y}(x, y)}{f_Y(y)} = \frac{8xy}{4y^3} = \frac{2x}{y^2}, \quad \text{para } 0 < x < y$$ Para valores de $x$ fora desse intervalo, a densidade é nula.

Exemplo 2 (Sorteio Sequencial Uniforme)

Escolhe-se ao acaso um número $X$ no intervalo $(0, 1)$. Em seguida, escolhe-se ao acaso um segundo número $Y$ no intervalo limitado $(0, X)$. Queremos determinar a densidade condicional de $X$ dado que observamos o resultado do segundo sorteio, $Y = y$.

1. Traduzir as etapas em equações probabilísticas:

• A primeira etapa define a distribuição marginal de $X$: $$X \sim U(0,1) \implies f_X(x) = \begin{cases} 1, & 0 < x < 1 \ 0, & \text{caso contrário} \end{cases}$$
• A segunda etapa define a distribuição condicional de $Y$ dado que conhecemos o valor de $X$: $$Y \mid X = x \sim U(0, x) \implies f_{Y \mid X}(y \mid x) = \begin{cases} \frac{1}{x}, & 0 < y < x \ 0, & \text{caso contrário} \end{cases}$$

2. Determinar a densidade conjunta do processo: Utilizando a regra do produto de densidades: $$f_{X,Y}(x, y) = f_{Y \mid X}(y \mid x) \cdot f_X(x) = \left( \frac{1}{x} \right) \cdot 1 = \begin{cases} \frac{1}{x}, & \text{se } 0 < y < x < 1 \ 0, & \text{caso contrário} \end{cases}$$

3. Determinar a densidade marginal da variável observada $Y$: Para marginalizar $Y$ para um ponto fixado $y \in (0, 1)$, integramos a densidade conjunta em relação a $x$. Os limites de integração são definidos pela restrição do suporte ($y < x < 1$): $$f_Y(y) = \int_y^1 f_{X,Y}(x, y) , dx = \int_y^1 \frac{1}{x} , dx = \Big[ \ln(x) \Big]_y^1 = \ln(1) - \ln(y) = -\ln(y) = \ln\left(\frac{1}{y}\right)$$

4. Determinar a densidade condicional final de $X$ dado $Y = y$: Dividimos a densidade conjunta pela marginal de $Y$: $$f_{X \mid Y}(x \mid y) = \frac{f_{X,Y}(x, y)}{f_Y(y)} = \frac{1/x}{\ln(1/y)} = \frac{1}{x \ln(1/y)}, \quad \text{para } y < x < 1$$

AULA 5: Regra de Bayes para Variáveis Aleatórias

A Regra de Bayes fornece a formulação matemática para atualizar crenças ou inferir distribuições de parâmetros não observados (variável de interesse $X$) a partir de observações coletadas (variável condicionante $Y$).

5.1 Caso Discreto

Se $X$ e $Y$ são duas variáveis aleatórias discretas definidas no mesmo espaço, a PMF condicional de $X$ dado $Y = y$ é: $$p_{X \mid Y}(x_i \mid y) = \frac{p_{Y \mid X}(y \mid x_i) p_X(x_i)}{\sum_{j} p_{Y \mid X}(y \mid x_j) p_X(x_j)}$$

Aplicação Extensa: Modelo Lote-Amostra (Hipergeométrica e Binomial)

Considere um lote contendo $N$ peças produzidas por uma fábrica. Cada peça tem uma probabilidade $p$ de ser defeituosa. Uma amostra de tamanho $n$ ($n \le N$) é coletada de forma aleatória e sem reposição.

Definimos as seguintes variáveis:

• $Y$: O número total de peças defeituosas que estão no lote de tamanho $N$.
• $X$: O número de peças defeituosas encontradas na amostra coletada de tamanho $n$.

Pelas características físicas do experimento:

• Como as peças são produzidas de forma independente com taxa de falha $p$, a quantidade total de defeitos no lote segue uma distribuição Binomial: $$Y \sim B(N, p) \implies p_Y(y) = \binom{N}{y} p^y (1-p)^{N-y}, \quad \text{para } y \in {0, 1, \dots, N}$$
• Sabendo que o lote tem exatamente $y$ defeitos, a quantidade de peças defeituosas na amostra coletada sem reposição segue uma distribuição Hipergeométrica: $$X \mid Y = y \sim \text{Hipergeométrica}(N, n, y) \implies p_{X \mid Y}(x \mid y) = \frac{\binom{y}{x} \binom{N-y}{n-x}}{\binom{N}{n}}$$ Sob as condições físicas obrigatórias: $x \le y$ e $n-x \le N-y$.

Queremos realizar a inferência inversa: observamos exatamente $x$ peças defeituosas na amostra e queremos encontrar a probabilidade condicional associada ao total de defeitos $y$ que restaram no lote ($p_{Y \mid X}(y \mid x)$).

Dedução Algébrica Completa:

Pela Regra de Bayes, a probabilidade conjunta no numerador é: $$P(X = x, Y = y) = p_{X \mid Y}(x \mid y) \cdot p_Y(y) = \left[ \frac{\binom{y}{x} \binom{N-y}{n-x}}{\binom{N}{n}} \right] \cdot \left[ \binom{N}{y} p^y (1-p)^{N-y} \right]$$

Expandindo os coeficientes binomiais em fatoriais completos: $$\binom{y}{x} \binom{N-y}{n-x} \binom{N}{y} \frac{1}{\binom{N}{n}} = \left[ \frac{y!}{x!(y-x)!} \right] \cdot \left[ \frac{(N-y)!}{(n-x)!(N-y-n+x)!} \right] \cdot \left[ \frac{N!}{y!(N-y)!} \right] \cdot \left[ \frac{n!(N-n)!}{N!} \right]$$

Realizando os cancelamentos de termos idênticos que aparecem simultaneamente no numerador e denominador ($y!$, $(N-y)!$ e $N!$ se anulam): $$= \frac{n! (N-n)!}{x! (n-x)! (y-x)! (N-n-(y-x))!}$$

Reagrupando os fatoriais restantes para remontar novos coeficientes binomiais limpos: $$= \left[ \frac{n!}{x!(n-x)!} \right] \cdot \left[ \frac{(N-n)!}{(y-x)!(N-n-(y-x))!} \right] = \binom{n}{x} \binom{N-n}{y-x}$$

Substituindo essa simplificação de fatoriais de volta na probabilidade conjunta: $$P(X = x, Y = y) = \binom{n}{x} \binom{N-n}{y-x} p^y (1-p)^{N-y}$$

Podemos desmembrar os parâmetros exponenciais separando o que pertence à amostra ($x$) do que pertence ao restante não amostrado ($y-x$): $$p^y = p^x \cdot p^{y-x} \quad \text{e} \quad (1-p)^{N-y} = (1-p)^{n-x} \cdot (1-p)^{N-n-(y-x)}$$ Substituindo: $$P(X = x, Y = y) = \left[ \binom{n}{x} p^x (1-p)^{n-x} \right] \cdot \left[ \binom{N-n}{y-x} p^{y-x} (1-p)^{N-n-(y-x)} \right]$$

Para encontrar a probabilidade marginal do denominador $P(X = x)$, somamos a conjunta sobre todos os valores possíveis de $y$ (que pela restrição física de suporte deve ir de $x$ até $x + N - n$): $$P(X = x) = \sum_{y=x}^{x+N-n} P(X = x, Y = y) = \left[ \binom{n}{x} p^x (1-p)^{n-x} \right] \cdot \sum_{y=x}^{x+N-n} \binom{N-n}{y-x} p^{y-x} (1-p)^{N-n-(y-x)}$$

Se fizermos uma mudança de variável na soma definindo $j = y - x$, quando $y$ varia de $x$ até $x + N - n$, o índice $j$ varia de $0$ até $N - n$: $$\sum_{j=0}^{N-n} \binom{N-n}{j} p^j (1-p)^{N-n-j} = 1 \quad \text{(Soma completa de uma PMF Binomial válida)}$$

Portanto, a densidade marginal da amostra simplifica-se para uma Binomial direta: $$P(X = x) = \binom{n}{x} p^x (1-p)^{n-x}$$

Por fim, dividimos a probabilidade conjunta pela marginal para encontrar a distribuição condicional: $$p_{Y \mid X}(y \mid x) = \frac{P(X = x, Y = y)}{P(X = x)} = \binom{N-n}{y-x} p^{y-x} (1-p)^{N-n-(y-x)}, \quad \text{para } y \in {x, x+1, \dots, x+N-n}$$

Conclusão Física: Se definirmos a v.a. transladada $W = Y - X$ (que representa a quantidade de peças defeituosas que ficaram esquecidas no lote e não foram coletadas pela amostra), sua distribuição condicional é: $$Y - X \mid X = x \sim \text{Binomial}(N-n, p)$$ Isso demonstra de forma elegante que o processo de amostragem sem reposição apenas revela de forma fixa os defeitos contidos na amostra testada ($X=x$), mantendo o restante do lote não amostrado sob o comportamento independente original do processo de Bernoulli.

5.2 Caso Contínuo

Se $X$ e $Y$ são duas variáveis aleatórias absolutamente contínuas, a PDF condicional de $X$ dado $Y = y$ é: $$f_{X \mid Y}(x \mid y) = \frac{f_{Y \mid X}(y \mid x) f_X(x)}{\int_{-\infty}^\infty f_{Y \mid X}(y \mid u) f_X(u) , du}$$

5.3 Casos Mistos

Surgem quando trabalhamos simultaneamente com uma variável absolutamente contínua e outra discreta.

Caso 1: Variável de Interesse ($X$) é Contínua e Observada ($Y$) é Discreta

Queremos determinar a densidade condicional $f_{X \mid Y}(x \mid y)$ a partir de uma densidade a priori $f_X(x)$ e da PMF condicional da observação $p_{Y \mid X}(y \mid x)$: $$f_{X \mid Y}(x \mid y) = \frac{p_{Y \mid X}(y \mid x) f_X(x)}{\int_{-\infty}^\infty p_{Y \mid X}(y \mid u) f_X(u) , du}, \quad \forall x \text{ tal que } f_X(x) > 0$$

Exemplo Clássico (Estimação Bayesiana de Taxas de Acidentes - Conjugado Poisson-Gama)

O número de acidentes automobilísticos $Y$ que um motorista se envolve em um período segue uma distribuição de Poisson cujo parâmetro (taxa de acidentes) $\Lambda$ varia de acordo com o motorista.

• A taxa $\Lambda$ segue uma distribuição contínua Gama: $$f_\Lambda(\lambda) = \begin{cases} \frac{\beta^\alpha \lambda^{\alpha-1} e^{-beta\lambda}}{\Gamma(\alpha)}, & \text{se } \lambda > 0 \ 0, & \text{caso contrário} \end{cases}$$
• Sabendo que a taxa de um determinado motorista é $\Lambda = \lambda$, a distribuição de acidentes é: $$Y \mid \Lambda = \lambda \sim \text{Poisson}(\lambda) \implies p_{Y \mid \Lambda}(y \mid \lambda) = \begin{cases} \frac{e^{-\lambda} \lambda^y}{y!}, & \text{se } y \in {0, 1, 2, \dots} \ 0, & \text{caso contrário} \end{cases}$$

Queremos atualizar a distribuição da taxa de acidentes do motorista sabendo que ele registrou exatamente $Y = y$ acidentes no período.

1. Calcular o denominador marginal de acidentes $P(Y = y)$: Marginalizamos integrando sob o suporte de $\lambda$ de $0$ até $+\infty$: $$P(Y = y) = \int_0^\infty p_{Y \mid \Lambda}(y \mid \lambda) f_\Lambda(\lambda) , d\lambda = \int_0^\infty \left[ \frac{e^{-\lambda} \lambda^y}{y!} \right] \cdot \left[ \frac{\beta^\alpha \lambda^{\alpha-1} e^{-\beta\lambda}}{\Gamma(\alpha)} \right] , d\lambda$$ Extraindo as constantes para fora da integral: $$P(Y = y) = \frac{\beta^\alpha}{y! , \Gamma(\alpha)} \int_0^\infty \lambda^{y+\alpha-1} e^{-(\beta+1)\lambda} , d\lambda$$ Note que o integrando possui exatamente o formato de uma densidade Gama sem a sua constante de normalização. Pela definição da função Gama ($\int_0^\infty x^{k-1} e^{-cx} , dx = \frac{\Gamma(k)}{c^k}$): $$\int_0^\infty \lambda^{(y+\alpha)-1} e^{-(\beta+1)\lambda} , d\lambda = \frac{\Gamma(y+\alpha)}{(\beta+1)^{y+\alpha}}$$ Substituindo esse resultado: $$P(Y = y) = \frac{\beta^\alpha , \Gamma(y+\alpha)}{y! , \Gamma(\alpha) , (\beta+1)^{y+\alpha}}$$

2. Montar a densidade condicional final via Bayes Misto: Dividimos o produto conjunto pelo denominador marginal calculado: $$f_{\Lambda \mid Y}(\lambda \mid y) = \frac{p_{Y \mid \Lambda}(y \mid \lambda) f_\Lambda(\lambda)}{P(Y = y)} = \frac{\left[ \frac{e^{-\lambda} \lambda^y}{y!} \right] \cdot \left[ \frac{\beta^\alpha \lambda^{\alpha-1} e^{-\beta\lambda}}{\Gamma(\alpha)} \right]}{\frac{\beta^\alpha , \Gamma(y+\alpha)}{y! , \Gamma(\alpha) , (\beta+1)^{y+\alpha}}}$$ Simplificando as constantes comuns que aparecem em cima e embaixo ($\beta^\alpha$, $y!$ e $\Gamma(\alpha)$ se cancelam): $$f_{\Lambda \mid Y}(\lambda \mid y) = \frac{(\beta+1)^{y+\alpha}}{\Gamma(y+\alpha)} \lambda^{y+\alpha-1} e^{-(\beta+1)\lambda}, \quad \forall \lambda > 0$$

Conclusão: A distribuição condicional resultante de $\Lambda \mid Y = y$ é exatamente uma Distribuição Gama com novos parâmetros atualizados: $$\Lambda \mid Y = y \sim \text{Gama}(\alpha + y, \beta + 1)$$

Caso 2: Variável de Interesse ($X$) é Discreta e Observada ($Y$) é Contínua

Queremos determinar a PMF condicional de uma variável discreta dado o resultado de uma medição física contínua: $$p_{X \mid Y}(x_i \mid y) = \frac{f_{Y \mid X}(y \mid x_i) p_X(x_i)}{\sum_{j} f_{Y \mid X}(y \mid x_j) p_X(x_j)}, \quad \forall x_i \text{ tal que } p_X(x_i) > 0$$

AULA 6: Esperança Condicional

A esperança condicional estuda o valor médio esperado de uma variável aleatória sob a restrição de novas informações coletadas.

6.1 Esperança Condicional dado um Evento

Seja um evento $B$ com probabilidade estritamente positiva ($P(B) > 0$). A esperança condicional de $X$ dado $B$ é a média calculada usando as probabilidades reescaladas:

• Caso Discreto: $E(X \mid B) = \sum_x x , p_{X \mid B}(x \mid B)$
• Caso Contínuo: $E(X \mid B) = \int_{-\infty}^\infty x , f_{X \mid B}(x \mid B) , dx$

Exemplo 1 (Cálculo na Poisson Condicionada aos Valores Pares)

Determinamos na Aula 3 que se $X \sim \text{Poisson}(\lambda)$ e $B = {X \text{ é par não-negativo}}$, a PMF condicional é: $$p_{X \mid B}(x \mid B) = \frac{2 e^{-\lambda} \lambda^x}{x!(1 + e^{-2\lambda})} \quad \text{para } x \in {0, 2, 4, \dots}$$ Queremos calcular a esperança condicional $E(X \mid B)$: $$E(X \mid B) = \sum_{k=0}^\infty (2k) \cdot p_{X \mid B}(2k \mid B) = \sum_{k=1}^\infty (2k) \cdot \frac{2 e^{-\lambda} \lambda^{2k}}{(2k)! (1 + e^{-2\lambda})}$$ Cancelando o termo $2k$ com o primeiro fator do fatorial no denominador ($(2k)! = 2k \cdot (2k-1)!$): $$E(X \mid B) = \frac{2 e^{-\lambda}}{1 + e^{-2\lambda}} \sum_{k=1}^\infty \frac{\lambda^{2k}}{(2k-1)!}$$ Podemos extrair um fator $\lambda$ para fora do somatório para ajustar os expoentes da série de potências: $$E(X \mid B) = \frac{2 e^{-\lambda} \lambda}{1 + e^{-2\lambda}} \sum_{k=1}^\infty \frac{\lambda^{2k-1}}{(2k-1)!}$$ Note que o somatório restante representa exatamente a expansão em série dos termos ímpares, que equivale a: $$\sum_{k=1}^\infty \frac{\lambda^{2k-1}}{(2k-1)!} = \sum_{j=0}^\infty \frac{\lambda^{2j+1}}{(2k+1)!} = \frac{e^\lambda - e^{-\lambda}}{2}$$ Substituindo de volta na equação principal: $$E(X \mid B) = \frac{2 e^{-\lambda} \lambda}{1 + e^{-2\lambda}} \cdot \left( \frac{e^\lambda - e^{-\lambda}}{2} \right) = \frac{\lambda (1 - e^{-2\lambda})}{1 + e^{-2\lambda}}$$

6.2 Esperança Condicional dado outra Variável Aleatória $E(X \mid Y = y)$

Representa a função de regressão de $X$ sobre $Y$, onde o valor de $Y$ é mantido temporariamente congelado em um ponto fixo $y$.

A) Caso Discreto (v.a.'s discretas)

Para cada $y$ tal que $p_Y(y) > 0$: $$E(X \mid Y = y) = \sum_{x} x , p_{X \mid Y}(x \mid y)$$

• Exemplo Clássico (Média do condicionamento da soma de Poissons): Como visto na Aula 4, se $X \sim \text{Poisson}(\lambda_1)$ e $Y \sim \text{Poisson}(\lambda_2)$ são independentes, a condicional $X \mid X+Y = z$ segue uma distribuição $\text{Binomial}(z, \frac{\lambda_1}{\lambda_1 + \lambda_2})$. Utilizando a esperança clássica de uma distribuição Binomial ($E(\text{Binomial}(n,p)) = n \cdot p$): $$E(X \mid X+Y = z) = z \left( \frac{\lambda_1}{\lambda_1 + \lambda_2} \right)$$

B) Caso Contínuo (v.a.'s contínuas)

Para cada $y$ tal que $f_Y(y) > 0$: $$E(X \mid Y = y) = \int_{-\infty}^\infty x , f_{X \mid Y}(x \mid y) , dx$$

• Exemplo Clássico (Cálculo na densidade conjunta triangular): Como visto no Exemplo 1 da Aula 4, para a densidade conjunta $f_{X,Y}(x, y) = 8xy$ restrita a $0 < x < y < 1$, a densidade condicional de $X$ dado $Y = y$ é: $$f_{X \mid Y}(x \mid y) = \frac{2x}{y^2}, \quad \text{para } 0 < x < y$$ Queremos encontrar a esperança condicional $E(X \mid Y = y)$: $$E(X \mid Y = y) = \int_0^y x \cdot \left( \frac{2x}{y^2} \right) , dx = \frac{2}{y^2} \int_0^y x^2 , dx = \frac{2}{y^2} \left[ \frac{x^3}{3} \right]_0^y = \frac{2}{y^2} \left( \frac{y^3}{3} \right) = \frac{2y}{3}$$

C) Casos Mistos (Modelos Bayesianos)

• Caso 1: Variável de Interesse $X$ é Contínua e Observada $Y$ é Discreta $$E(X \mid Y = y) = \int_{-\infty}^\infty x , f_{X \mid Y}(x \mid y) , dx$$ Aplicando no Exemplo do Motorista (Acidentes de Poisson com taxa Gama): Vimos na Aula 5 que a distribuição condicional resultante é $\Lambda \mid Y = y \sim \text{Gama}(\alpha + y, \beta + 1)$. A média esperada de uma distribuição Gama($k, c$) é $k/c$: $$E(\Lambda \mid Y = y) = \frac{\alpha + y}{\beta + 1}$$
• Caso 2: Variável de Interesse $X$ é Discreta e Observada $Y$ é Contínua $$E(X \mid Y = y) = \sum_{x} x , p_{X \mid Y}(x \mid y)$$

📊 Guia Completo de Distribuições de Probabilidade: CP2 (MAT/UnB)

Este guia foi elaborado para consolidar todas as distribuições de probabilidade discretas e contínuas que aparecem nas anotações de aula, listas de exercícios e provas da disciplina de Cálculo de Probabilidade 2.

Para cada distribuição, apresentamos os parâmetros, a lei de probabilidade (F.P. ou F.D.P.), o suporte, a esperança, a variância, e as principais funções geradoras (FGM ou Função Característica), além de observações de onde são mais cobradas no seu material.

📌 Convenções e Símbolos

• $\mathbb{N}$: Conjunto dos inteiros positivos ${1, 2, 3, \dots}$.
• $\mathbb{N}_0$: Conjunto dos inteiros não-negativos ${0, 1, 2, \dots}$.
• $\mid$: Indica condicionado a (dentro de tabelas e equações, usamos \mid para evitar quebra do Markdown).
• q.c.: Quase certamente.

🟦 1. Distribuições Discretas

1.1 Distribuição de Bernoulli

Modela um único experimento com apenas dois resultados possíveis: sucesso ($1$) ou fracasso ($0$).

• Parâmetros: $p \in [0, 1]$ (probabilidade de sucesso).
• Suporte: $x \in {0, 1}$.
• Função de Probabilidade: $$P(X = x) = p^x (1-p)^{1-x}$$
• Esperança ($E[X]$): $p$
• Variância ($Var(X)$): $p(1-p)$
• FGM ($M_X(t)$): $(1-p) + pe^t$
• Função Característica ($\phi_X(t)$): $(1-p) + pe^{it}$
• Onde aparece: Base para somas e processos de ensaios repetidos (Binomial).

1.2 Distribuição Binomial

Representa o número de sucessos em uma sequência de $n$ ensaios de Bernoulli independentes.

• Parâmetros: $n \in \mathbb{N}$ (número de ensaios) e $p \in [0, 1]$ (probabilidade de sucesso).
• Suporte: $x \in {0, 1, 2, \dots, n}$.
• Função de Probabilidade: $$P(X = x) = \binom{n}{x} p^x (1-p)^{n-x}$$
• Esperança ($E[X]$): $np$
• Variância ($Var(X)$): $np(1-p)$
• FGM ($M_X(t)$): $[(1-p) + pe^t]^n$
• Função Característica ($\phi_X(t)$): $[(1-p) + pe^{it}]^n$
• Onde aparece:
• • Lista 1, Q5: Moedas honestas lançadas por dois jogadores.
  • Lista 1, Q13 / Lista 2, Q6: Modelo hierárquico com parâmetro $p \sim Beta(\alpha_1, \alpha_2)$.
  • Lista 2, Q4: Esperança condicional $E[X \mid X+Y = m]$ para i.i.d. Binomiais.

1.3 Distribuição Geométrica (Duas Convenções)

Modela a quantidade de ensaios ou falhas até o primeiro sucesso. Atenção: Seu material utiliza ambas as formas.

Convenção A (Número total de ensaios - Padrão do Curso e Rolla & Lima)

• Parâmetro: $p \in (0, 1)$ (probabilidade de sucesso).
• Suporte: $x \in \mathbb{N} = {1, 2, 3, \dots}$.
• Função de Probabilidade: $$P(X = x) = p(1-p)^{x-1}$$
• Esperança ($E[X]$): $\frac{1}{p}$
• Variância ($Var(X)$): $\frac{1-p}{p^2}$
• FGM ($M_X(t)$): $\frac{pe^t}{1 - (1-p)e^t}$ para $t < -\ln(1-p)$
• Função Característica ($\phi_X(t)$): $\frac{pe^{it}}{1 - (1-p)e^{it}}$

Convenção B (Número de falhas antes do primeiro sucesso - Comum em provas e anotações)

• Parâmetro: $p \in (0, 1)$.
• Suporte: $x \in \mathbb{N}_0 = {0, 1, 2, \dots}$.
• Função de Probabilidade: $$P(X = x) = p(1-p)^x$$
• Esperança ($E[X]$): $\frac{1-p}{p}$
• Variância ($Var(X)$): $\frac{1-p}{p^2}$
• FGM ($M_X(t)$): $\frac{p}{1 - (1-p)e^t}$ para $t < -\ln(1-p)$
• Função Característica ($\phi_X(t)$): $\frac{p}{1 - (1-p)e^{it}}$
• Onde aparece:
• • Lista 1, Q1 / Captura de Tela 160816: Condicionamento no intervalo $0 < X \le n$ (resolvida por ambas as convenções).
  • Lista 1, Q7: Distribuição condicional de $Y \mid X+Y = n$ para geométricas i.i.d.

1.4 Distribuição Binomial Negativa (Pascal)

Generaliza a geométrica, contando o número de ensaios (ou falhas) até obter o $k$-ésimo sucesso.

• Parâmetros: $k \in \mathbb{N}$ (número de sucessos desejados) e $p \in (0, 1)$ (probabilidade de sucesso).
• Suporte: $x \in {k, k+1, k+2, \dots}$ (contando ensaios).
• Função de Probabilidade: $$P(X = x) = \binom{x-1}{k-1} p^k (1-p)^{x-k}$$
• Esperança ($E[X]$): $\frac{k}{p}$
• Variância ($Var(X)$): $\frac{k(1-p)}{p^2}$
• FGM ($M_X(t)$): $\left[\frac{pe^t}{1 - (1-p)e^t} ight]^k$
• Onde aparece: Soma de $k$ variáveis geométricas independentes e identicamente distribuídas.

1.5 Distribuição de Poisson

Modela o número de eventos ocorrendo em um intervalo fixo de tempo ou espaço a uma taxa média constante.

• Parâmetro: $\lambda > 0$ (taxa de ocorrência).
• Suporte: $x \in \mathbb{N}_0 = {0, 1, 2, \dots}$.
• Função de Probabilidade: $$P(X = x) = \frac{e^{-\lambda} \lambda^x}{x!}$$
• Esperança ($E[X]$): $\lambda$
• Variância ($Var(X)$): $\lambda$
• FGM ($M_X(t)$): $e^{\lambda(e^t - 1)}$
• Função Característica ($\phi_X(t)$): $e^{\lambda(e^{it} - 1)}$
• Onde aparece:
• • Lista 1, Q9: Soma de Poisson i.i.d. e probabilidade condicional de $X \mid X+Y = n$ (que resulta em uma Binomial).
  • Aula 7 (Exemplo dos Insetos): Soma de um número aleatório de variáveis (X = soma de N Bernoulli, com $N \sim Poisson(\lambda)$).

1.6 Distribuição Hipergeométrica

Mapeia o número de sucessos em uma amostra de tamanho $n$ retirada de uma população finita $N$ contendo exatamente $K$ elementos com a característica de sucesso, sem reposição.

• Parâmetros: $N \in \mathbb{N}$ (população total), $K \in {0, \dots, N}$ (sucessos na população) e $n \in {0, \dots, N}$ (tamanho da amostra).
• Suporte: $x \in {\max(0, n - (N-K)), \dots, \min(n, K)}$.
• Função de Probabilidade: $$P(X = x) = \frac{\binom{K}{x}\binom{N-K}{n-x}}{\binom{N}{n}}$$
• Esperança ($E[X]$): $n \frac{K}{N}$
• Variância ($Var(X)$): $n \frac{K}{N} \left(1 - \frac{K}{N} ight) \left(\frac{N-n}{N-1} ight)$
• Onde aparece:
• • Aula 5: Distribuição condicional de peças defeituosas em amostra de lotes.

1.7 Distribuição Uniforme Discreta

Atribui probabilidades iguais a um conjunto finito de pontos inteiros consecutivos.

• Parâmetros: $a, b \in \mathbb{Z}$ com $a \le b$.
• Suporte: $x \in {a, a+1, \dots, b}$.
• Função de Probabilidade: $$P(X = x) = \frac{1}{b - a + 1}$$
• Esperança ($E[X]$): $\frac{a+b}{2}$
• Variância ($Var(X)$): $\frac{(b-a+1)^2 - 1}{12}$

🟨 2. Distribuições Contínuas

2.1 Distribuição Uniforme Contínua

Modelagem em que a probabilidade é proporcional ao comprimento do intervalo.

• Parâmetros: $a, b \in \mathbb{R}$ com $a < b$.
• Suporte: $x \in [a, b]$.
• Função de Densidade (F.D.P.): $$f(x) = \frac{1}{b - a}, \quad a \le x \le b$$
• Esperança ($E[X]$): $\frac{a+b}{2}$
• Variância ($Var(X)$): $\frac{(b-a)^2}{12}$
• FGM ($M_X(t)$): $\frac{e^{tb} - e^{ta}}{t(b-a)}$
• Onde aparece:
• • Lista 1, Q12: Variável condicionada uniformemente em intervalos variáveis $[X-1, X+1]$.

2.2 Distribuição Exponencial

Modelagem contínua do tempo de espera até a ocorrência de um evento. É o análogo contínuo da distribuição geométrica.

• Parâmetro: $\lambda > 0$ (taxa de decaimento).
• Suporte: $x \in [0, \infty)$.
• Função de Densidade (F.D.P.): $$f(x) = \lambda e^{-\lambda x}, \quad x \ge 0$$
• Esperança ($E[X]$): $\frac{1}{\lambda}$
• Variância ($Var(X)$): $\frac{1}{\lambda^2}$
• FGM ($M_X(t)$): $\frac{\lambda}{\lambda - t}$ para $t < \lambda$
• Função Característica ($\phi_X(t)$): $\frac{\lambda}{\lambda - it}$
• Onde aparece:
• • Lista 1, Q11(a) / Lista 2, Q9: Propriedade de falta de memória e soma de exponenciais independentes.

2.3 Distribuição Gama

Generalização da exponencial, modelando o tempo até que $o$ $\alpha$-ésimo evento ocorra em um processo de Poisson.

• Parâmetros: $\alpha > 0$ (forma/shape) e $\beta > 0$ (taxa/rate).
• Suporte: $x \in [0, \infty)$.
• Função de Densidade (F.D.P.): $$f(x) = \frac{\beta^\alpha}{\Gamma(\alpha)} x^{\alpha-1} e^{-\beta x}, \quad x \ge 0$$ onde $\Gamma(\alpha) = \int_0^\infty u^{\alpha-1} e^{-u} du$ é a função Gama (se $\alpha \in \mathbb{N}$, então $\Gamma(\alpha) = (\alpha-1)!$).
• Esperança ($E[X]$): $\frac{\alpha}{\beta}$
• Variância ($Var(X)$): $\frac{\alpha}{\beta^2}$
• FGM ($M_X(t)$): $\left(\frac{\beta}{\beta - t} ight)^\alpha$ para $t < \beta$
• Função Característica ($\phi_X(t)$): $\left(\frac{\beta}{\beta - it} ight)^\alpha$
• Onde aparece:
• • Lista 1, Q14: Taxa $\Lambda$ de uma exponencial comportando-se como Gama (modelo Bayesiano Gama-Exponencial).
  • Aula 13 (Exemplo Gama + Gama): Provando via Função Característica que a soma de Gamas independentes com mesma taxa resulta em outra Gama: $X+Y \sim Gama(\alpha_1 + \alpha_2, \lambda)$.

2.4 Distribuição Beta

Família de distribuições contínuas definidas no intervalo unitário, amplamente utilizada como priori conjugada em inferência Bayesiana.

• Parâmetros: $\alpha_1 > 0$ e $\alpha_2 > 0$ (parâmetros de forma).
• Suporte: $x \in [0, 1]$.
• Função de Densidade (F.D.P.): $$f(x) = \frac{1}{B(\alpha_1, \alpha_2)} x^{\alpha_1-1} (1-x)^{\alpha_2-1}, \quad 0 \le x \le 1$$ onde $B(\alpha_1, \alpha_2) = \frac{\Gamma(\alpha_1)\Gamma(\alpha_2)}{\Gamma(\alpha_1 + \alpha_2)}$ é a função Beta.
• Esperança ($E[X]$): $\frac{\alpha_1}{\alpha_1 + \alpha_2}$
• Variância ($Var(X)$): $\frac{\alpha_1 \alpha_2}{(\alpha_1 + \alpha_2)^2 (\alpha_1 + \alpha_2 + 1)}$
• Onde aparece:
• • Lista 1, Q13 / Lista 2, Q6: Parâmetro $p$ de uma Binomial comportando-se como variável Beta (Modelo Beta-Binomial).

2.5 Distribuição Normal (Gaussiana)

A distribuição mais importante da estatística, central no Teorema do Limite Central.

• Parâmetros: $\mu \in \mathbb{R}$ (média/centro de simetria) e $\sigma^2 > 0$ (variância).
• Suporte: $x \in \mathbb{R}$.
• Função de Densidade (F.D.P.): $$f(x) = \frac{1}{\sqrt{2\pi\sigma^2}} e^{-\frac{(x-\mu)^2}{2\sigma^2}}$$
• Esperança ($E[X]$): $\mu$
• Variância ($Var(X)$): $\sigma^2$
• FGM ($M_X(t)$): $e^{\mu t + \frac{\sigma^2 t^2}{2}}$
• Função Característica ($\phi_X(t)$): $e^{i\mu t - \frac{\sigma^2 t^2}{2}}$
• Onde aparece:
• • Lista 2, Q1: Esperança e variância condicional da normal truncada dado que $X > 0$.
  • Unidade IV: Alvo de convergência de todos os Teoremas de Limites (TLC).

2.6 Distribuição Normal Bivariada e Multivariada

Extensão vetorial da normal para múltiplas variáveis correlacionadas.

• Parâmetros: Vetor média $\vec{\mu} = (\mu_1, \dots, \mu_n)^T$ e Matriz de covariâncias $\Sigma$ (simétrica e não-negativa definida) de dimensão $n \times n$.
• Suporte: $\vec{x} \in \mathbb{R}^n$.
• Função de Densidade Conjunta (F.D.P. - Caso Não-Degenerado, $\det\Sigma > 0$): $$f(\vec{x}) = \frac{1}{(2\pi)^{n/2} \sqrt{\det\Sigma}} \exp\left( -\frac{1}{2} (\vec{x} - \vec{\mu})^T \Sigma^{-1} (\vec{x} - \vec{\mu}) ight)$$
• Caso Especial Bivariado (2D, parâmetros $\mu_1, \mu_2, \sigma_1^2, \sigma_2^2, ho$): $$f(x, y) = \frac{1}{2\pi\sigma_1\sigma_2\sqrt{1- ho^2}} \exp\left( -\frac{1}{2(1- ho^2)} \left[ \left(\frac{x-\mu_1}{\sigma_1} ight)^2 - 2 ho\left(\frac{x-\mu_1}{\sigma_1} ight)\left(\frac{y-\mu_2}{\sigma_2} ight) + \left(\frac{y-\mu_2}{\sigma_2} ight)^2 ight] ight)$$
• Esperança Conjunta: $E[\vec{X}] = \vec{\mu}$
• Covariância / Correlação: $Cov(X, Y) = ho\sigma_1\sigma_2$
• Distribuições Marginais: $X \sim N(\mu_1, \sigma_1^2)$ e $Y \sim N(\mu_2, \sigma_2^2)$
• Densidade Condicional ($X \mid Y=y$): Também é Normal! $$X \mid Y=y \sim N\left( \mu_1 + ho \frac{\sigma_1}{\sigma_2}(y - \mu_2), , \sigma_1^2(1- ho^2) ight)$$
• Onde aparece:
• • Lista 3, Q1, Q2: Cálculo de densidades condicionais e probabilidades conjuntas da normal bivariada.
  • Provas: Questão 3 do Prof. Musso exige o conhecimento da parametrização bivariada.

2.7 Distribuição de Rayleigh

Aparece em problemas físicos e de medição de distâncias radiais no plano cartesiano.

• Parâmetro: $\sigma^2 > 0$ (parâmetro de escala).
• Suporte: $x \in (0, \infty)$.
• Função de Densidade (F.D.P.): $$f(x) = \frac{x}{\sigma^2} e^{-\frac{x^2}{2\sigma^2}}, \quad x > 0$$
• Esperança ($E[X]$): $\sigma \sqrt{\frac{\pi}{2}}$
• Variância ($Var(X)$): $\sigma^2 \left(2 - \frac{\pi}{2} ight)$
• Onde aparece:
• • Lista 1, Q4: O problema clássico do pouso do paraquedista em um círculo unitário.

2.8 Distribuição de Cauchy

Distribuição de caudas pesadas clássica por não possuir média ou variância definidas (sua integral diverge).

• Parâmetros: $a \in \mathbb{R}$ (parâmetro de locação) e $b > 0$ (escala). No caso padrão, $a=0, b=1$.
• Suporte: $x \in \mathbb{R}$.
• Função de Densidade (F.D.P.): $$f(x) = \frac{b}{\pi [b^2 + (x - a)^2]}$$
• Esperança ($E[X]$): Não existe (indeterminada).
• Variância ($Var(X)$): Não existe (infinita).
• Função Característica ($\phi_X(t)$): $e^{iat - b|t|}$
• Onde aparece:
• • Lista 4, Q5: Provar que a média amostral de variáveis Cauchy independentes também segue Cauchy-padrão (uma exceção notável da convergência do TLC devido às caudas pesadas).

2.9 Distribuição de Laplace (Dupla Exponencial)

Distribuição simétrica ao redor do pico com decaimento exponencial em ambas as direções.

• Parâmetros: $a \in \mathbb{R}$ (locação) e $b > 0$ (escala).
• Suporte: $x \in \mathbb{R}$.
• Função de Densidade (F.D.P.): $$f(x) = \frac{1}{2b} e^{-\frac{|x-a|}{b}}$$
• Esperança ($E[X]$): $a$
• Variância ($Var(X)$): $2b^2$

📊 3. Tabela Comparativa de Resumo Rápido

ight)^\alpha$ | | Beta | $\alpha_1, \alpha_2$ | Contínua | $[0, 1]$ | $\frac{\alpha_1}{\alpha_1+\alpha_2}$ | $\frac{\alpha_1\alpha_2}{(\alpha_1+\alpha_2)^2(\alpha_1+\alpha_2+1)}$ | - | | Normal | $\mu, \sigma^2$ | Contínua | $\mathbb{R}$ | $\mu$ | $\sigma^2$ | $e^{i\mu t - \frac{\sigma^2 t^2}{2}}$ | | Rayleigh | $\sigma^2 > 0$ | Contínua | $(0, \infty)$ | $\sigma\sqrt{\frac{\pi}{2}}$ | $\sigma^2(2 - \frac{\pi}{2})$ | - | | **Cauchy (Pad.)**| $0, 1$ | Contínua | $\mathbb{R}$ | Não existe | Não existe | $e^{-|t|}$ | | Laplace | $a, b$ | Contínua | $\mathbb{R}$ | $a$ | $2b^2$ | $\frac{e^{iat}}{1+b^2t^2}$ |

💡 Bons estudos! Utilize esta folha de consulta rápida para agilizar a resolução de suas listas de exercícios e preparação para as provas!

Guia Fundamental de Fórmulas de Condicionamento (CP2)

Este guia reúne as principais definições, equações e formulações matemáticas relacionadas ao condicionamento de variáveis aleatórias discretas, contínuas e mistas, cobrindo o conteúdo conceitual básico de Cálculo de Probabilidade 2 (Aulas 1 a 5).

I. CASO DISCRETO

No caso discreto, a probabilidade se distribui em pontos isolados de massa de probabilidade. Todas as relações condicionais são estabelecidas por meio de divisões diretas de probabilidades e resolvidas algebricamente com somatórios.

1. Condicionamento de Eventos (Base Conceitual)

A probabilidade condicional para variáveis aleatórias discretas fundamenta-se diretamente na teoria de conjuntos e eventos no espaço amostral $\Omega$:

• Probabilidade Condicional Geral (para $P(B) > 0$): $$P(A \mid B) = \frac{P(A \cap B)}{P(B)}$$
• Regra do Produto (Multiplicação): $$P(A \cap B) = P(A \mid B) P(B) = P(B \mid A) P(A)$$ Para $n$ eventos gerais, a regra expande-se sequencialmente como: $$P(A_1 \cap A_2 \cap \dots \cap A_n) = P(A_1) P(A_2 \mid A_1) P(A_3 \mid A_1 \cap A_2) \dots P(A_n \mid A_1 \cap A_2 \cap \dots \cap A_{n-1})$$

2. Condicionamento de uma Variável Aleatória dado um Evento ($X \mid B$)

Quando condicionamos uma única variável discreta $X$ a um evento genérico $B$ do espaço amostral (com $P(B) > 0$):

• Função de Probabilidade Condicional (PMF Condicional): $$p_{X \mid B}(x \mid B) = P(X = x \mid B) = \frac{P({X = x} \cap B)}{P(B)}$$
• Análise do Suporte (A Regra da "Peneira"): Como $X$ é discreta, a interseção no numerador é resolvida de forma binária dependendo de $x$ pertencer ou não ao conjunto de valores permitidos por $B$: $$p_{X \mid B}(x \mid B) = \begin{cases} \frac{p_X(x)}{P(B)}, & \text{se } x \in B \ 0, & \text{se } x \notin B \end{cases}$$
• Função de Distribuição Acumulada (CDF) Condicional: $$F_{X \mid B}(x \mid B) = P(X \le x \mid B) = \sum_{z \le x} p_{X \mid B}(z \mid B)$$

3. Condicionamento entre Duas Variáveis Aleatórias ($X \mid Y = y$)

Quando observamos que uma segunda variável discreta $Y$ assumiu um valor exato e fixo $y$ (com $p_Y(y) > 0$):

• Função de Probabilidade Condicional (PMF Condicional): $$p_{X \mid Y}(x \mid y) = P(X = x \mid Y = y) = \frac{p_{X,Y}(x, y)}{p_Y(y)}$$ Onde $p_{X,Y}(x, y)$ é a Função de Probabilidade Conjunta do vetor $(X, Y)$, e o denominador $p_Y(y)$ é a Função de Probabilidade Marginal de $Y$: $$p_Y(y) = \sum_{x} p_{X,Y}(x, y)$$
• Função de Distribuição Acumulada (CDF) Condicional: $$F_{X \mid Y}(x \mid y) = P(X \le x \mid Y = y) = \sum_{z \le x} p_{X \mid Y}(z \mid y)$$

4. Regra de Bayes (Caso Discreto)

Permite inverter a direção do condicionamento das variáveis: $$p_{X \mid Y}(x_i \mid y) = \frac{p_{Y \mid X}(y \mid x_i) p_X(x_i)}{\sum_{j} p_X(x_j) p_{Y \mid X}(y \mid x_j)}$$ (O somatório no denominador representa a Lei da Probabilidade Total para v.a.'s discretas).

II. CASO CONTÍNUO

No caso contínuo, a probabilidade pontual é sempre zero ($P(X=x) = 0$ para todo $x \in \mathbb{R}$). Por essa razão, o condicionamento contínuo exige a formulação rigorosa através de Funções de Densidade de Probabilidade (PDF) e limites infinitesimais.

1. Condicionamento de uma Variável Aleatória dado um Evento ($X \mid B$)

Condicionamos $X$ a pertencer a um intervalo ou região $B$ da reta real que possua probabilidade não-nula ($P(B) > 0$):

• Função de Distribuição Acumulada (CDF) Condicional: $$F_{X \mid B}(x \mid B) = P(X \le x \mid B) = \frac{P({X \le x} \cap B)}{P(B)}$$
• Função de Densidade Condicional (PDF Condicional): $$f_{X \mid B}(x \mid B) = \frac{d}{dx} F_{X \mid B}(x \mid B)$$
• Truncamento em Intervalo Finito (Se $B = {a < X \le b}$): Sendo $P(B) = F_X(b) - F_X(a) > 0$: $$f_{X \mid B}(x \mid a < X \le b) = \begin{cases} \frac{f_X(x)}{F_X(b) - F_X(a)}, & \text{se } a < x \le b \ 0, & \text{caso contrário} \end{cases}$$

2. Condicionamento entre Duas Variáveis Aleatórias ($X \mid Y = y$)

A densidade condicional é deduzida de maneira formal calculando-se o limite de uma faixa de espessura $2\epsilon$ ao redor de $y$ conforme $\epsilon \to 0$.

• Função de Densidade Condicional (PDF Condicional): Definida para todo ponto onde a densidade marginal de $Y$ é estritamente positiva ($f_Y(y) > 0$): $$f_{X \mid Y}(x \mid y) = \frac{f_{X,Y}(x, y)}{f_Y(y)}$$ Onde $f_{X,Y}(x, y)$ é a Função de Densidade Conjunta do vetor $(X, Y)$, e o denominador $f_Y(y)$ é a Função de Densidade Marginal de $Y$: $$f_Y(y) = \int_{-\infty}^{\infty} f_{X,Y}(x, y) dx$$
• Função de Distribuição Acumulada (CDF) Condicional: $$F_{X \mid Y}(x \mid y) = P(X \le x \mid Y = y) = \int_{-\infty}^{x} f_{X \mid Y}(u \mid y) du$$

3. Regra de Bayes (Caso Contínuo)

Aplica-se para inverter o condicionamento entre duas densidades contínuas: $$f_{X \mid Y}(x \mid y) = \frac{f_{Y \mid X}(y \mid x) f_X(x)}{\int_{-\infty}^{\infty} f_{Y \mid X}(y \mid u) f_X(u) du}$$

III. DISTRIBUIÇÕES MISTAS (CASOS ESPECIAIS)

Os modelos mistos ocorrem quando trabalhamos simultaneamente com uma variável contínua e outra discreta integradas sob o mesmo espaço amostral. A Regra de Bayes adapta-se combinando de forma híbrida somatórios e integrais.

Caso 1: Variável Condicionada $X$ é Contínua e Condicionante $Y$ é Discreta

(Cenário típico na Inferência Bayesiana: $X = \Lambda$ representa uma taxa ou parâmetro contínuo e $Y$ representa o número discreto de ocorrências registradas).

• Fórmula de Bayes Modificada (PDF de $X \mid Y = y$): $$f_{X \mid Y}(x \mid y) = \frac{p_{Y \mid X}(y \mid x) f_X(x)}{\int_{-\infty}^{\infty} p_{Y \mid X}(y \mid u) f_X(u) du}$$
• Onde:
• • $f_X(x)$ é a densidade a priori (contínua) da variável $X$.
  • $p_{Y \mid X}(y \mid x)$ é a função de probabilidade condicional da observação discreta $Y$ dado o valor parametrizado $x$.
  • O denominador representa a probabilidade marginal discreta $p_Y(y)$, calculada pela integral contínua: $$p_Y(y) = \int_{-\infty}^{\infty} p_{Y \mid X}(y \mid x) f_X(x) dx$$

Caso 2: Variável Condicionada $X$ é Discreta e Condicionante $Y$ é Contínua

(Cenário inverso: queremos classificar uma categoria discreta $X$ a partir de uma medição contínua $Y = y$).

• Fórmula de Bayes Modificada (PMF de $X \mid Y = y$): $$p_{X \mid Y}(x \mid y) = \frac{f_{Y \mid X}(y \mid x) p_X(x)}{\sum_{j} f_{Y \mid X}(y \mid x_j) p_X(x_j)}$$
• Onde:
• • $p_X(x)$ é a probabilidade pontual a priori de $X$.
  • $f_{Y \mid X}(y \mid x)$ é a densidade de probabilidade condicional de $Y$ dado que $X = x$.
  • O denominador representa a densidade marginal contínua $f_Y(y)$, calculada somando-se os cenários discretos ponderados: $$f_Y(y) = \sum_{j} f_{Y \mid X}(y \mid x_j) p_X(x_j)$$

Tabela Comparativa de Condicionamento (Discreto vs. Contínuo)

(Nota: "c.c." significa "caso contrário" ou "caso contrário zero") [cite: 10].

III. DISTRIBUIÇÕES MISTAS (CASOS ESPECIAIS)

Surgem quando trabalhamos simultaneamente com uma variável contínua e outra discreta no mesmo espaço de probabilidade [cite: 117]. A Regra de Bayes é modificada de maneira híbrida, unindo somas e integrais para estabelecer as relações condicionais [cite: 122, 125].

Caso 1: Variável de interesse ($X$) é Contínua e Condicionante ($Y$) é Discreta

(Exemplo: estimar a taxa física contínua$\Lambda$a partir de uma contagem discreta de acidentes observada$Y=y$) [cite: 118].

• Função de Densidade Condicional (PDF de$X \mid Y = y$):$$f_{X \mid Y}(x \mid y) = \frac{p_{Y \mid X}(y \mid x) f_X(x)}{\int_{-\infty}^{\infty} p_{Y \mid X}(y \mid u) f_X(u) du}$$[cite: 122]
• Denominador Marginal Discreto:$$p_Y(y) = \int_{-\infty}^{\infty} p_{Y \mid X}(y \mid x) f_X(x) dx$$[cite: 123]

Caso 2: Variável de interesse ($X$) é Discreta e Condicionante ($Y$) é Contínua

(Exemplo: classificar um estado físico discreto$X$a partir de uma medição física contínua registrada$Y=y$) [cite: 114, 115].

• Função de Probabilidade Condicional (PMF de$X \mid Y = y$):$$p_{X \mid Y}(x \mid y) = \frac{f_{Y \mid X}(y \mid x) p_X(x)}{\sum_{j} f_{Y \mid X}(y \mid x_j) p_X(x_j)}$$[cite: 125]
• Denominador Marginal Contínuo:$$f_Y(y) = \sum_{j} f_{Y \mid X}(y \mid x_j) p_X(x_j)$$[cite: 125]

A técnica de ajuste de índices e potências de uma série (frequentemente conhecida como shift de índice) é um recurso algébrico fundamental para a simplificação e manipulação de somatórios. Ela funciona como uma mudança de variável (ou substituição), de forma muito parecida com o que realizamos em integrais.

O objetivo do shift é alterar o termo geral de uma série para facilitar operações cruciais, como somar duas séries com limites ou potências diferentes, colocar termos comuns em evidência, ou reduzir a série a uma forma padrão (como a série geométrica infinita). Essa manipulação é de extrema utilidade em probabilidade, em especial ao expandirmos ou derivarmos funções características \(\varphi_X(t)\) e funções geradoras de momentos \(M_X(t)\).

1. O Passo a Passo da Técnica (Com Exemplo Clássico)

Para ilustrar o procedimento padrão, consideremos o ajuste da série abaixo para que a potência da variável \(x\) seja simplesmente \(k\) (em vez de \(n-1\)): \[\sum_{n=1}^{\infty} n x^{n-1}\]

1. Defina a nova variável (limpando a potência): Identifique a potência ou índice atual que deseja ajustar e iguale-a a uma nova variável \(k\): \[k = n - 1\]
2. Isole o índice antigo: Expresse o índice original (\(n\)) em função da nova variável (\(k\)): \[n = k + 1\]
3. Ajuste o limite inferior do somatório: Como a série original começa em \(n = 1\), substitua esse valor na definição adotada no passo 1 para descobrir onde o novo somatório começará: \[k = 1 - 1 = 0\]
4. Substitua todas as ocorrências na série: Substitua cada ocorrência de \(n\) por \(k+1\) e altere o limite de partida para \(k=0\) (o limite superior infinito permanece inalterado): \[\sum_{n=1}^{\infty} n x^{n-1} = \sum_{k=0}^{\infty} (k+1) x^k\]
5. Renomeie o índice (Variável Muda): Como a letra que representa o índice de uma soma é apenas uma "variável muda" (dummy variable), você pode renomear \(k\) de volta para \(n\) (ou qualquer outra letra) caso precise agrupar o resultado com outra série: \[\sum_{n=0}^{\infty} (n+1) x^n\]

2. Limites Inferiores Algébricos (como \(m-1\))

Em probabilidade (por exemplo, ao calcular probabilidades de cauda ou distribuições condicionais da geométrica), é comum que o somatório não comece em um número fixo (como 1 ou 2), mas sim em uma constante genérica ou parâmetro \(m\). A técnica de substituição funciona de maneira idêntica.

Considere a série: \[\sum_{n=m}^{\infty} p(1-p)^{n-1}\]

Aplicando o shift de índice para obtermos a potência \(k\) em vez de \(n-1\):

• Nova variável: \(k = n - 1\).
• Índice antigo isolado: \(n = k + 1\).
• Ajuste do limite inferior: Como o somatório original começava em \(n = m\), substituímos esse valor e obtemos o limite inferior algébrico \(k = m - 1\).
• Substituição final: \[\sum_{k=m-1}^{\infty} p(1-p)^k\] O termo algébrico \(m-1\) no limite inferior indica simplesmente que o início do nosso somatório depende do parâmetro \(m\) definido no escopo do problema.

3. A Lógica por Trás da Substituição \(j = k - (m - 1)\) para "Zerar" o Índice

Ter um somatório começando em um valor algébrico como \(k = m - 1\) impede a aplicação direta de fórmulas fechadas clássicas, como a da série geométrica infinita, que exige que a soma se inicie exatamente em \(0\) (ou \(1\)). Para resolver isso, realizamos uma segunda translação de índices para "zerar" o ponto de partida.

A escolha exata da substituição \(j = k - (m - 1)\) não é arbitrária. Ela decorre de um raciocínio lógico-matemático baseado na translação linear de limites:

1. A Relação de Deslocamento Linear: Queremos criar um novo índice de soma \(j\) a partir do índice antigo \(k\). Para que a soma caminhe exatamente no mesmo passo (de 1 em 1), a relação matemática entre eles deve ser uma transformação linear com inclinação unitária, expressa como: \[j = k + C\] onde \(C\) é uma constante de deslocamento que precisamos determinar.
2. A Condição de Contorno (O Nosso Objetivo): Estabelecemos o nosso objetivo claro: queremos que o novo índice comece em zero (\(j = 0\)) precisamente no momento em que o índice antigo estiver no seu valor de partida mínimo (\(k = m - 1\)).
3. Resolvendo para a Constante \(C\): Substituindo essa condição de contorno na equação linear: \[0 = (m - 1) + C\] Isolando a constante \(C\), obtemos: \[C = -(m - 1)\]
4. A Relação de Substituição e seu Inverso: Substituindo \(C\) de volta na equação geral de translação, chegamos à fórmula exata: \[\mathbf{j = k - (m - 1)}\] Consequentemente, para substituir a variável antiga \(k\) dentro do termo geral do somatório, isolamos o \(k\) para obter: \[\mathbf{k = j + m - 1}\]

4. O Impacto Prático no Algebrismo e a Fatoração da Constante

Ao aplicarmos essa mudança de variável \(k = j + m - 1\) no somatório \(\sum_{k=m-1}^{\infty} p(1-p)^k\), o algebrismo se desenvolve de forma muito fluida e lógica:

1. Substituição das variáveis nos limites e no termo geral:
   Isso reescreve o somatório como: \[\sum_{j=0}^{\infty} p(1-p)^{j+m-1}\]
2. • Quando \(k = m - 1\) (limite inferior), temos \(j = (m-1) - (m-1) = 0\).
   • O limite superior permanece infinito (pois \(\infty - (m-1) = \infty\)).
   • O expoente \(k\) vira \(j + m - 1\).
2. Propriedade das potências: Pela propriedade das potências de bases iguais (\(x^{a+b} = x^a \cdot x^b\)), desmembramos o termo exponencial em duas partes: \[(1-p)^{j+m-1} = (1-p)^j \cdot (1-p)^{m-1}\] Substituindo de volta na série: \[\sum_{j=0}^{\infty} p \cdot (1-p)^j \cdot (1-p)^{m-1}\]
3. Colocando termos constantes em evidência (Fatoração para fora do somatório): Como o índice de soma é \(j\), qualquer termo que não apresente a variável \(j\) se comporta como uma constante em relação a esse somatório. Pela propriedade distributiva da multiplicação sobre a adição, podemos fatorar os termos constantes para fora do somatório: \[p(1-p)^{m-1} \sum_{j=0}^{\infty} (1-p)^j\]
4. Aplicação da Fórmula Resolvida: Agora, o somatório restante está limpo e se inicia em \(j=0\), correspondendo exatamente à série geométrica infinita clássica: \[\sum_{j=0}^{\infty} (1-p)^j = \frac{1}{1 - (1-p)} = \frac{1}{p}\] Multiplicando esse resultado pelo termo fatorado constante, a série se resolve de forma extremamente elegante: \[\text{Resultado} = p(1-p)^{m-1} \cdot \left( \frac{1}{p} \right) = (1-p)^{m-1}\]

5. Outras Técnicas Importantes Relacionadas

Além de zerar o índice, a manipulação de somatórios frequentemente requer outros artifícios:

• Igualando limites inferiores para somar séries diferentes: Para agrupar duas séries sob um mesmo somatório, elas precisam compartilhar a mesma potência e o mesmo limite inferior. Se uma começa em \(k = m-1\) e outra em \(k = m\), você pode "abrir" o primeiro somatório extraindo o termo correspondente a \(k = m-1\) e deixar o somatório restante iniciando em \(m\): \[\sum_{k=m-1}^{\infty} c_{k+1} x^k = c_{(m-1)+1} x^{m-1} + \sum_{k=m}^{\infty} c_{k+1} x^k = c_m x^{m-1} + \sum_{k=m}^{\infty} c_{k+1} x^k\]
• Eliminação de termos nulos: Ao ajustar índices (principalmente após derivações), o limite inferior pode deslocar-se para valores que zeram o termo geral da soma (por exemplo, quando o termo geral é multiplicado por \(n\) e o limite começa em \(n=0\)). Nesses casos, podemos subir o limite inferior do somatório em uma unidade sem alterar o valor matemático da soma total.

✏️ Se você tiver alguma série ou equação das suas listas de exercícios em que esteja tentando aplicar esse ajuste, envie-me para resolvermos o algebrismo passo a passo juntos!