Universidade Federal do Rio Grande do Norte Centro de Cincias Exatas e da Terra e Departamento de Matemtica a Programa de Educao Tutorial ca

Variveis Aleatrias Discretas a o

por

Jos Carlos Oliveira da Silva e & Joelson da Cruz Campos

Natal 2007

Sumrio a

1 Variveis Aleatrias Discretas a o

2 Algumas Densidades Importantes 2.1 2.2 2.3 A densidade de Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Densidade Geomtrica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . e Densidade Hipergeomtrica . . . . . . . . . . . . . . . . . . . . . . . . . . e

4 4 5 7

3 Distribuio de Variveis Aleatrias Discretas ca a o 3.1 3.2

Vetores Aleatrios Discretos . . . . . . . . . . . . . . . . . . . . . . . . . . 10 o Variveis Aleatrias Independentes . . . . . . . . . . . . . . . . . . . . . . 12 a o

Referncias Bibliogrcas e a

15

Cap tulo 1 Variveis Aleatrias Discretas a o

Sempre que realizamos um experimento aleatrio nos preucupamos em observar caro acter sticos numricos ocorrentes nessa realizao. Por exemplo: Quando lanamos uma e ca c moeda honesta, podemos est intereados em observar se a face voltada para cima cara a c e ou coroa. Dessa forma, se denirmos X como sendo a ocorrncia de cara no lanamento, e c podemos intuitivamente, observar que a ocorrncia de X aleatria, ou seja, no mae e o a e nipulada. A esse caracter stico numrico damos, intuitivamente, o nome de varivel aleatria e a o discresta. Cuja denio formal a seguinte: ca e Denio 1: Uma varivel aleatria discreta, uma fuo X : R, cuja imagem ca a o e ca um subconjunto enumervel do conjunto dos nmeros reais e tal que o conjunto {w e a u : X(w) = xi } um evento para todo i. e Exemplo 1: Dois jogadores A e B esto participando da seguinte aposta: um deles a lana uma moeda, honesta, trs vezes para cima, se o resultado obtido em cada lanamento c e c for cara (c), o jogador A ganha um real. Se for coroa (k), paga um real. Suponha que estejamos torcendo pelo jogador A. Dessa forma s vai nos interear a quantidade nal o c do jogador A.

Cap tulo 1. Variveis Aleatrias Discretas a o Representando por X a quantidade de A no m do jogo, vemos que X uma varivel e a aleatria discreta. o Para vericarmos basta observar que os poss veis resultados desse experimento so: a {(c, c, c); (c, c, k); (c, k, c); (k, c, c); (c, k, k); (k, c, k); (k, k, c); (k, k, k)}, dessa forma temos, = {(c, c, c); (c, c, k); (c, k, c); (k, c, c); (c, k, k); (k, c, k); (k, k, c); (k, k, k)}. Notamos que os poss veis valores de X so (3, 1, 1, 3) e que o conjunto {w : X(w) = xi } a e evento, uma vez que ocorrendo (c, c, c) temos X(c, c, c) = 3, (c, c, k) temos X(c, c, k) = 1, (k, k, c) temos X(k, k, c) = 1 e assim por diante. Dessa forma, podemos descrever esse experimento por meio de uma funo X : R ca que a cada evento w associa X(w) = xi . J sabemos que uma varivel aleatria discreta um caracter a a o e stico numrico que seme pre aparece na realizao de um experimento, mas ainda no sabemos qual a probabilidade ca a dela ocorrer em certo experimento. Com o objetivo de sabermos a probabilidade da varivel aleatria discreta X assumir a o um dado valor real num certo experimento, iremos denir, a seguir, a densidade de uma varivel aleatria discreta X em um dado espao de probabilidade (, A, P), pois essa a o c denio nos dar o que estamos procurando. ca a Denio 2: Chama-se funo densidade de uma varivel aleatria discreta X a uma ca ca a o funo real denida por f (x) = P (X = x) = P (w : X(w) = x) e que satisfaz as ca seguintes condies: co (i) f (x) 0; (ii) {x R : f (x) = 0} um subconjunto enumervel de R, ou seja, {x R : f (x) = e a 0} = {x1 , x2 , }; (iii)
i

f (xi ) = 1.

Exemplo 2: Consideremos novamente o experimento do lanamento da moeda visto c no exemplo anterior.

Cap tulo 1. Variveis Aleatrias Discretas a o

a) A probabilidade do jogador A ganhar trs reais no m do jogo dada por: e e f (3) = P (X = 3) = P (w : X(w) = 3) = P ({c, c, c}) = exemplo anterior que a moeda honesta. e 3 b) f (1) = P (X = 1) = P (w : X(w) = 1) = P ({c, c, k}; {c, k, c}; {k, c, c}) = . 8 1 . J que vimos no a 8

Cap tulo 2 Algumas Densidades Importantes

Apresentaremos agora algumas densidade que sero de grande importncia para o a a nosso estudo posterior. Comearemos a falar sobre a c

2.1

A densidade de Poisson

A densidade Poisson uma funo real denida por e ca x e , x = 0, 1, ... x! f (x) = 0, Para outros valores de x. Para chegarmos a essa expresso basta seguirmos os mesmos procedimentos apresena tados no trabalho Construo do processo de Poisson. ca Para vericarmos que f (x) uma densidade, basta vericar que as condies (i), (ii) e co e (iii). Observe que as condies (i) e (ii) so imediatamente satsfeitas, uma vez que f (x) co a e uma probabilidade e o conjunto {x R : f (x) = 0} = {0, 1, 2, 3, } um subconjunto e enumervel de R. a 4

Cap tulo 2. Algumas Densidades Importantes

Para vericarmos que (iii) verdadeira, basta lembrarmos da expanso da funo e a ca exponencial em srie de Taylor. e Dessa forma, veremos que e = 1 + + 2 3 + + = 2! 3!

x=0

x , da x!

e =
x=0

x x!

Multiplicando essa expresso por e , temos: a

e e

=
x=0

x e x!

x=0

x e =1 x!

Dessa forma, acabamos de mostrar que

i

f (xi ) =
x=0

x e = 1. x!

Outra densidade importante a e

2.2

Densidade Geomtrica e

Seja 0 < p < 1. Chamamos de Densidade Geomtrica a uma funo real denida por e ca p(1 p)x , x = 0, 1, ... f (x) = 0, Para outros valores de x. Essa densidade utilizada para descrevermos experimentos do tipo sucesso, fracasso, e ou seja, se considerarmos um lanamento de uma moeda e atribuirmos o valor p a probc abilidade de sucesso e consequentemente 1 p a probabilidade de fracasso. Observamos que (1 p)(1 p)(1 p) (1 p), x-vezes, representa a probabilidade de fracasso obtido em x jogadas consecultivas e p representa a probabilidade de sucesso numa determinada jogada. Assim, a densidade f (x) nos dar a probabilidadde de obtermos o primeiro sucesso na (x + 1) - sima jogada. e 5

Cap tulo 2. Algumas Densidades Importantes

Para vericarmos que f (x) realmente uma densidade, vamos vericar as trs condies e e co da denio. ca Observamos que (i) e (ii) so diretamente satisfeitas, ou seja (i) vem do fato de f (x) ser a uma probabilidade e (ii) segue do fato que o cojunto {x R : f (x) = 0} = {0, 1, 2, 3, }, que um subconjunto enumervel de R. e a

A condio (iii) est ligada com a convergncia da srie geomtrica ca a e e e

n=0

arn = a + ar +

ar + , que trazendo para o nosso problema, temos:

(1 p)x , onde a = 1 e r = 1 p.
x=0

Como
x=0

(1 p)x = 1 + (1 p) + (1 p)2 + e 0 < p < 1, temos |1 p| < 1.

Logo, pelo teorema da convergncia da srie geomtrica, nossa srie converge. Alm disso, e e e e e a converge para (1 p)x . Como em nosso problema a = 1 e r = 1 p, temos que 1r x=0 1 1 converge para = . 1 (1 p) p 1 (1 p)x = . p x=0

Logo,

Multiplicando ambos os membros dessa expresso por p, temos: a 1 (1 p)x = p p x=0

(1 p)x = 1.
x=0

Assim, podemos vericar a condio (iii), ou seja, ca

i

f (x) =
x=0

(1 p)x = 1. Por-

tanto, f (x) realmente uma densidade. e Outra densidade importante a e

Cap tulo 2. Algumas Densidades Importantes

2.3

Densidade Hipergeomtrica e

A densidade Hipergeomtria uma funo que nos dar a probabilidade de uma varivel e e ca a aleatria discreta X assumir um determinado valor numa amostra de tamanho n, retirada o de uma populao de r objetos, sendo estes de dois tipos, ou seja, tipo r1 e tipo r2 . ca Dessa forma, dada uma populao de r objetos, onde r1 so de um tipo e r2 = r r1 ca a do outro tipo, temos, que a retirada, nessa populao de r objetos, de uma amostra de ca r tamanho n, n < r1 e n < r2 . Vemos que essa retirada pode ser feita de modos. n Assim, denindo X como sendo a quantidade de objetos do primeiro tipo na amostra. Vamos calcular a probabilidade dessa quantidade assumir um dado valor real x, ou seja, P (X = x). Para isso, basta observar que, na amostra de tamanho n temos hermos x objetos do primeiro tipo e segundo tipo. r1 x r r1 nx . r n r r1 nx r1 x formas de escol-

formas de escolhermos n x objetos do

Dessa forma, P (X = x) =

Assim, a Densidade Hipergeomtrica uma funo real denida por: e e ca r1 x r r1 nx , x = 0, 1, ..., n r n Para outros valores de x.

f (x) =

0,

Cap tulo 3 Distribuio de Variveis Aleatrias ca a o Discretas

Como vimos at agora sempre trabalhamos com intuito de determinar P (X = x), porm e e frequentemente surge a necessidade de se determinar a probabilidade { : X() A} onde A um subconjunto de R com mais de um ponto. Agora devido a essa necessidade e vamos tentar estabelecer um mtodo para determinar a probabilidade da varivel e a aleatria X A, onde como j sabemos A um subconjunto dos reais com mais de um o a e ponto, vamos denotar essa probabilidade da seguinte forma P (X A). Seja f a densidade de X, podemos determinar P (X A) atravs da densidade de f por e meio da seguinte expresso a

P (X A) =
xA

f (xi )

Isso pelo fato os {|X() A} o mesmo que e

Xi A {|X()

= xi }, onde i = 1, 2, ...,,

porm os {|X() = xi } com i variando em Z so disjuntos, ou seja, a probabilidade e + a da unio a soma das probabilidades o que implica na expresso a qual haviamos a e a comentado. Denio: Chama-se funo de distribuio da varivel aleatria X ou da ca ca ca a o 8

Cap tulo 3. Distribuio de Variveis Aleatrias Discretas ca a o

densidade f a funo F (t), < t < , denida por ca F (t) = P (X t) =

xt

f (x)

Como sequncia imediata da denio temos que probabilidade de uma varivel a e ca a aleatria X pertencer a um intervalo semi aberto (a, b] dado atravs da seguinte o e e expresso a P (a < X b) = P (X b) P (X a) = F (b) F (a) Demonstrao: ca [X a] [a < X b] = [X b] P (X a) + P (a < X b) = P (X b) logo, temos que P (a < X b) = P (X b) P (x a) = F (b) F (a) E se X uma varivel aleatria inteira, ento e a o a
[t]

F (t) =
x=

f (x)

onde [t] representa o maior inteiro menor ou igual a t exemplo [2, 6] = [2] = 2. logo podemos perceber que f uma funo no decrescente e que para qualquer inteiro x, F e ca a d um salto de magnitude f (x) no ponto x e F constante no intervalo [x, x + 1]. a e Exemplo: Seja S = 1, 2, ..., 10 e seja X uma varivel aleatria uniformemente distribu a o da em S. Ento f (x) = 1/10 para x = 1, 2, ..., 10 e f (x) = 0 para outros valores de x. A a funo distribuio de X dada por F (t) = 0 para t < 1, F (t) = 1 para t > 10 e ca ca e
[t]

F (t) =
x=1

f (x) =

[t] , 1 t 10 10

logo se desejarmos calcular P (3 < x 5) usando o resultado obtido temos que P (3 < X 5) = F (5) F (3) = 5/10 3/10 = 2/10 9

Cap tulo 3. Distribuio de Variveis Aleatrias Discretas ca a o

e se quisermos calcular a probabilidade dessa varivel aleatria X assumir um valor no a o intervalo [3, 5], ou seja, P (3 X 5) como sabemos que nesse caso X uma varivel e a aleatria que assume valores inteiros podemos reescrever P (3 X 5) como sendo o P (2 < X 5) = F (5) F (2) = 5/10 2/10 = 3/10 utilizando o mtodo que sabemos. e

3.1

Vetores Aleatrios Discretos o

Acontece frequentemente de estarmos interessados em estudar a relao entre duas ou ca mais variveis aleatrias, por exemplo numa extrao de uma amostra aleatria de a o ca o tamanho de n de uma caixa contendo r bolas, numeradas de 1 a r, poder amos desejar saber qual o nmero mais alto Y ou o nmero mais baixo Z observados entre as bolas u u selecionadas. Seja um espao probabilidade com r variveis aleatrias discretas c a o X1 , X2 , ..., Xr denidas nesse espao. Ento para cada ponto w cada uma das c a variveis aleatrias assumem um dos seus poss a o veis valores, os quais denotaremos da seguinte forma X1 (w) = x1 , X2 (w) = x2 , ..., Xr (w) = xr Em vez de pensar em observar r nmeros reais x1 , x2 , ..., xr podemos pensar em uma u r-tupla X = (x1 , x2 , ..., xr ) onde para cada i, xi um dentre o nmero nito ou innito e u enumervel de valores que a varivel aleatria Xi pode assumir. Seja Rr a coleo de a a o ca todas as r-tuplas de nmeros reais um ponto X = (x1 , x2 , ..., xr ) de Rr habitualmente u e chamado de vetor r-dimensional. Assim, para cada , os valores X1 (), ...Xr () denem um ponto. Denio: Um vetor aleatrio r-dimensional X uma funo ca o e ca X : R assumindo um nito ou innito enumervel de valores x1 , x2 , ...xr tais que a { : X() = xi } um evento para todo i. E a funo de densidade f ca denida da e ca seguinte forma f (x1 , x2 , ..., xr ) = P (X1 = x1 , X2 = x2 , ..., Xr = xr )

10

Cap tulo 3. Distribuio de Variveis Aleatrias Discretas ca a o

ou equivalentemente f (x) = P (X = x), onde x Rr E tambm pode-se determinar a probabilidade de que X pertena a uma subconjunto A e c de Rr da maneira como faz amos P (X A) =
xA

f (x)

No caso unidimensional para que uma funo seja funo densidade discreta, ela deveria ca ca ter as seguintes propriedades i)f (x) 0, x Rr . ii){x : f (x) = 0} um subconjunto nito ou innito enumervel de Rr , que ser e a a representado por {x1 , x2 , ...}. iii)
i

f (xi ) = 1

Essas propriedades se estendem tambm para Rr , ou seja, qualquer funo real f e ca denida em Rr que possua estas trs propriedades, ser chamada de funo densidade e a ca discreta r-dimensional. Obs: Essa funo densidade discreta r-dimensional f ca e habitualmente chamada de funo densidade conjunta das variveis aleatrias ca a o X1 , X2 , ..., Xr . A funo de densidade da varivel aleatria Xi chamada de i-sima ca a o e e densidade marginal de X ou de f Sejam X e Y duas variveis aleatrias discretas: para a o quaisquer nmeros reais x e y, conjunto {|X() = x e Y () = y} um evento, que u e ser representado por {X = x, Y = y}. Suponha que os valores poss a veis distintos de X sejam x1 , x2 , ... e os de Y sejam y1 , y2 , ... para cada x os eventos {X = x, Y = yj }, j = 1, 2, ..., so disjuntos e sua unio o evento {X = x} logo, a a e P (X = x) = P
j

{X = x, Y = yj } =
j

(X = x, Y = yj ) =
y

P (X = x, Y = y)

P (X = x) =
y

P (X = x, Y = y)

11

Cap tulo 3. Distribuio de Variveis Aleatrias Discretas ca a o

Analogamente segue que, P (Y = y) =

x

P (X = x, Y = y)

Exemplo: Suponha que X e Y so duas variveis aleatrias que assumem os valores x e a a o y, onde x = 1, 2 e y = 1, 2, 3, 4 com as probabilidades dadas na tabela abaixo. x\ y 1 2 Ento fX (1) = a
4 y=1

1 1/4

2 1/8

1/16 1/16 1/4 1/8

1/16 1/16

f (1, y) = 1/4 + 1/8 + 1/16 = 1/2, e fX (2) = 1 fX (1) = 1/2 de

modo que X tem distribuio uniforme sobre 1 e 2. Analogamente ca fY (1) = 1/4 + 1/16 = 5/16, fY (2) = 3/16, fY (3) = 5/16, fY (4) = 3/16

3.2

Variveis Aleatrias Independentes a o

Considere o experimento lanar uma moeda e um dado. De forma intuitiva acreditamos c que o resultado do lanamento da moeda, qualquer que seja ele, no deve inuenciar no c a resultado do dado e vice e versa. Agora vamos construir um modelo de probabilidade que reita essas idias. Seja X uma varivel aleatria que assume 0 ou 1 dependendo do e a o lanamento moeda resultar cara ou coroa {X = 1} representa cara {X = 0} representa c coroa da mesma maneira podemos utilizar a varivel aletria Y que nos dar a o a 1, 2, 3, 4, 5, 6 dependendo se o nmero voltado para cima 1, 2, 3, 4, 5 ou 6 ento u e a {X = x} e {Y = y} devem ser independentes assim o vetor aleatrio (X, Y ) deve ter o densidade conjunta f (x, y) dada por P (X = x)P (Y = y), X = 0, 1, Y = 1, 2, ..., 6; f (x, y) = 0, para outros valores de X e Y . Em outras palavras, a densidade conjunta f de X e Y deve ser dada por 12

Cap tulo 3. Distribuio de Variveis Aleatrias Discretas ca a o

f (x, y) = fx (x)fy (y)

Denio ca

Sejam X1 , X2 , ..., Xr r variveis aleatrias discretas tendo as densidades f1 , f2 , ..., fr a o respectivamente. Diz-se que estas variveis aleatrias so mutuamente independentes se a o a a funao densidade conjunta f dada por f (x1 , x2 , ..., xr ) = f1 (x1 )f2 (x2 )...fr (xr ) c e Considere duas variveis aleatrias independentes com densidades fx e fy , a o respectivamente ento para dois conjuntos quaisquer A e B de R. a

P (X A, Y B) = P (X A)P (X B)

Demonstrao ca

P (X A, Y B) = P ({X A} {Y B}) = P ([ = P(
yB

{X = x}] [(
yB

{Y = y})]) {X = x})]) {X = x})]

xA

[{Y = y} ( P [{Y = y} (

xA

=
yB

xA

=
yB

P(

[{X = x} {Y = y}]) P [{X = x} {Y = y}]

xA

=
yB xA

=
yB xA

P [X = x, Y = y] =
yB xA

fx,y (x, y)

13

Cap tulo 3. Distribuio de Variveis Aleatrias Discretas ca a o

=
yB xA

fx (x)fy (y) fy (y)

yB xA

fx (x) P (X = x)

P (Y = y)
yB xA

= P(
yB

{Y = y}) P (

{X = x})

xA

= P (Y B)P (X A)

14

Referncias Bibliogrcas e a
[1] MSA MATH JOURNAL; Vol III; Nmero 1, Spring 1992; Pag. 43 50. u [2] AGES, Elon Lima. Meu professor de matemtica; Coleo do professor de a ca matemtica; 4o ed.; RJ.; SBM editora. a [3] OLCE, Osvaldo; POMPEO, J. Nicolau. Geometria espacial posio e mtrica; Funca e damentos da matemtica elementar; Vol. 10. 5o ed.; Editora Atual; So Paulo; 1994. a a

15