Prof. Lorí Viali, Dr. [email protected] http://www.mat.ufrgs.br/~viali/ Prof. Lorí Viali, Dr. – UFRGS – Instit uto de Mate mática - De partame nto de Estatística KKK CKK s x = X(s ) X KKC KCK 0 1 Uma função X que associa a cada CKC 2 elemento de S (s ∈ S) um número real KCC 3 CCK CCC S ℜ X( S ) Prof. Lorí Viali, Dr. – UFRGS – Instit uto de Mate mática - De partame nto de Estatística x = X(s) é denominada variável aleatória. Prof. Lorí Viali, Dr. – UFRGS – Instit uto de Mate mática - De partame nto de Estatística O conjunto formado por todos os valores “x”, isto é, a imagem da Conforme o conjunto de valores variável aleatória X, é denominado de – X(S) – uma variável aleatória conjunto de valores de X. poderá ser discreta ou contínua. X(S) = { x ∈ ℜ / X(s) = x } Prof. Lorí Viali, Dr. – UFRGS – Instit uto de Mate mática - De partame nto de Estatística Prof. Lorí Viali, Dr. – UFRGS – Instit uto de Mate mática - De partame nto de Estatística 1 Se o conjunto de valores for finito ou então infinito enumerável a Se o conjunto de valores for infinito não enumerável então a variável é dita discreta. Prof. Lorí Viali, Dr. – UFRGS – Instit uto de Mate mática - De partame nto de Estatística variável é dita contínua. Prof. Lorí Viali, Dr. – UFRGS – Instit uto de Mate mática - De partame nto de Estatística A função de probabilidade (fp) de uma VAD é a função que associa a cada xi ∈ X(S) o número f(xi) = P(X = xi) que satisfaz as seguintes propriedades: f(xi) ≥ 0, para todo “i” ∑f(xi) = 1 Prof. Lorí Viali, Dr. – UFRGS – Instit uto de Mate mática - De partame nto de Estatística A coleção dos pares [xi, f(xi)] Prof. Lorí Viali, Dr. – UFRGS – Instit uto de Mate mática - De partame nto de Estatística Suponha que uma moeda para i = 1, 2, 3, ... é denominada de equilibrada é lançada três vezes. Seja distribuição de probabilidade da X = “número de caras”. Então a VAD X. distribuição de probabilidade de X é: Prof. Lorí Viali, Dr. – UFRGS – Instit uto de Mate mática - De partame nto de Estatística Prof. Lorí Viali, Dr. – UFRGS – Instit uto de Mate mática - De partame nto de Estatística 2 X f KKK CKK KKK 0 KKC KCK CCK CKC KCC CCC x S f X 0 1 0 2 0 3 1 ℜ [0;1] f (x) CKK 0 1/8 KKC 1 3/8 2 3/8 3 1/8 ℜ [0;1] KCK CCK CKC KCC CCC S Prof. Lorí Viali, Dr. – UFRGS – Instit uto de Mate mática - De partame nto de Estatística x f (x) Prof. Lorí Viali, Dr. – UFRGS – Instit uto de Mate mática - De partame nto de Estatística Como X((a, b)) = a + b, o conjunto Suponha que um par de dados é lançado. Então X = “soma do par” é uma variável aleatória discreta com o de valores de X é dado por: X(S) = {2, 3, 4, 5, 6, 7, 8, 9 , 10, 11, 12} seguinte conjunto de valores: Prof. Lorí Viali, Dr. – UFRGS – Instit uto de Mate mática - De partame nto de Estatística A função de probabilidade f(x) = P(X = x), associa a cada x ∈ X(S), um número no intervalo [0; 1] dado por: f(x) = P(X = x) = P(X(s) = x) = = P([x ∈ X(S) / X(s) = x}) Prof. Lorí Viali, Dr. – UFRGS – Instit uto de Mate mática - De partame nto de Estatística Prof. Lorí Viali, Dr. – UFRGS – Instit uto de Mate mática - De partame nto de Estatística Desta forma: f(2) = P(X = 2) = P{(1,1)} = 1/36 f(3) = P(X = 3) = P{(1,2), (2, 1)} = 2/36 ............................................................... f(11) = P(X=11) = P{(6, 5), (5, 6)} = 2/36 f(12) = P(X = 12) = P{(6, 6)} = 1/36 A distribuição de probabilidade será: Prof. Lorí Viali, Dr. – UFRGS – Instit uto de Mate mática - De partame nto de Estatística 3 A distribuição de probabilidade de X será então: Através de: x 2 3 4 5 6 7 8 9 10 11 12 Σ f(x) 1 2 3 4 5 6 5 4 3 2 1 36 36 36 36 36 36 36 36 36 36 36 Prof. Lorí Viali, Dr. – UFRGS – Instit uto de Mate mática - De partame nto de Estatística 1 uma tabela uma expressão analítica (fórmula) um diagrama Prof. Lorí Viali, Dr. – UFRGS – Instit uto de Mate mática - De partame nto de Estatística x f(x) 0 1/16 1 4/16 2 6/16 então: moedas honestas. Então 3 4/16 a distribuição de X é a 4 1/16 da tabela ao lado. Σ 1 f : X(S) → ℜ x → (x - 1)/36 se x ≤ 7 (12 - x +1)/36 se x > 7 Seja X = “número de caras”, obtidas no lançamento de 4 Prof. Lorí Viali, Dr. – UFRGS – Instit uto de Mate mática - De partame nto de Estatística Considere X = “soma do par”, no lançamento de dois dados equilibrados, Prof. Lorí Viali, Dr. – UFRGS – Instit uto de Mate mática - De partame nto de Estatística (a) Expectância, valor esperado (Expectation) 0,18 0,16 0,14 µ = E(X) = ∑ x.f(x) = ∑ x.P(X = x) 0,12 0,10 (b) Variância (Variance) 0,08 0,06 2 2 σ 2 = ∑ f(x )(x − µ ) = ∑ x 2f(x ) − µ = 0,04 0,02 0,00 2 3 4 5 6 7 8 9 10 11 Prof. Lorí Viali, Dr. – UFRGS – Instit uto de Mate mática - De partame nto de Estatística 12 = E( X 2 )-E(X)2 Prof. Lorí Viali, Dr. – UFRGS – Instit uto de Mate mática - De partame nto de Estatística 4 (iii) Desvio Padrão (Standard Deviation) σ = ∑ f (x)(x −µ) 2 = ∑ x 2f (x) − µ 2 = E( X 2)-E(X) 2 (iv) O Coeficiente de Variação (Variation Coeficient) γ = σ/µ Prof. Lorí Viali, Dr. – UFRGS – Instit uto de Mate mática - De partame nto de Estatística Seja X uma VA. O momento central de ordem “k” de X é o valor E[(X – E(X))k] = E[(X – µ)k] , se esse valor convergir. Obs.: (i) A variância é o segundo momento central; Prof. Lorí Viali, Dr. – UFRGS – Instit uto de Mate mática - De partame nto de Estatística Seja X uma VA. O momento de ordem “k” de X é o valor E(Xk) = µk, se esse valor convergir. Obs.: A expectância é o primeiro momento. Prof. Lorí Viali, Dr. – UFRGS – Instit uto de Mate mática - De partame nto de Estatística (ii) O primeiro momento central é sempre zero; (iii) O terceiro momento central é utilizado para determinar a assimetria de uma distribuição; (iv) O quarto momento central é utilizado na determinação da curtose de uma distribuição. Prof. Lorí Viali, Dr. – UFRGS – Instit uto de Mate mática - De partame nto de Estatística Se X é um VAD então o k-ésimo momento de X é dado por: ∞ µ k = ∑ x ikf ( xi ) i =1 e o k-ésimo momento central de X é obtido por: ∞ µ k = ∑ (x i −µ )kf ( x i ) i =1 Prof. Lorí Viali, Dr. – UFRGS – Instit uto de Mate mática - De partame nto de Estatística Considerando que o momento de ordem “k” de X é E(Xk) = µk, pode-se expressar a expectância e as demais medidas em função desse resultado. Tem-se, então: Prof. Lorí Viali, Dr. – UFRGS – Instit uto de Mate mática - De partame nto de Estatística 5 (a) Expectância, valor esperado (v) Curtose µ1 = E(X) (b) Variância γ2 = E[(X - µ)4]/σ4 – 3 = = [µ4 – 4µ1µ3 + 6µ12µ2 – 3µ14]/σ4 - 3 σ2 = V(X) = E(X2) – E(X)2 = µ2 – µ12 (c) Assimetria γ1 = [µ3 – 3µ1µ2 + 2µ 13]/σ3 Prof. Lorí Viali, Dr. – UFRGS – Instit uto de Mate mática - De partame nto de Estatística Calcular o valor esperado, a variabilidade da variável X = “número de caras” no lançamento de quatro moedas honestas. Prof. Lorí Viali, Dr. – UFRGS – Instit uto de Mate mática - De partame nto de Estatística Prof. Lorí Viali, Dr. – UFRGS – Instit uto de Mate mática - De partame nto de Estatística x 0 1 2 3 4 f(x) 1/16 4/16 6/16 4/16 1/16 x.f(x) 0 4/16 12/16 12/16 4/16 Σ 1 2 x2f(x) x3f(x) x4f(x) 0 0 0 4/16 4/16 4/16 24/16 48/16 96/16 36/16 108/16 324/16 16/16 64/16 256/16 5 14 42,5 Prof. Lorí Viali, Dr. – UFRGS – Instit uto de Mate mática - De partame nto de Estatística (iv) Curtose µ1 = 2; µ2 = 5; µ3 = 14 e µ4 = 42,5 Assim: (i) E(X) = µ1 = 2 caras (ii) σ2 = µ2 – µ12 = 5 – 4 = 1 cara γ2 = [µ4 – 4µ1µ3 + 6µ12µ2 – 3µ14]/σ4 - 3 = 42,5 – 4.2.14 + 6.4.5 – 3.16 – 3 = = 42,5 – 112 + 120 – 48 – 3 = 2,5 – 3 = -0,50 (iii) γ1 = [µ3 – 3µ1µ2 + 2µ13]/σ3 = =14 – 3.2.5 + 2.8 = 30 – 30 = 0 Prof. Lorí Viali, Dr. – UFRGS – Instit uto de Mate mática - De partame nto de Estatística Prof. Lorí Viali, Dr. – UFRGS – Instit uto de Mate mática - De partame nto de Estatística 6 Da expectância ou valor esperado Moda (i) Linearidade mo = 2 caras E(aX +b) = aE(X) + b (ii) Lei da espectativa total, ou lei da espectativas iteradas ou lei da torre Mediana me = 2 caras E[E(X/Y)] = E(X) Prof. Lorí Viali, Dr. – UFRGS – Instit uto de Mate mática - De partame nto de Estatística Prof. Lorí Viali, Dr. – UFRGS – Instit uto de Mate mática - De partame nto de Estatística Da variância (iii) Não multiplicativa (i) V(a) = 0 E(XY) ≠ E(X)E(Y), em geral (ii) V(aX + b) = a2V(X) (iv) E(X ± Y) = E(X) ± E(Y) (iii) V(X ± Y) = V(X) + V(Y) se X e Y forem independentes. Prof. Lorí Viali, Dr. – UFRGS – Instit uto de Mate mática - De partame nto de Estatística Prof. Lorí Viali, Dr. – UFRGS – Instit uto de Mate mática - De partame nto de Estatística A Três dados honestos são partir momentos, determinar: lançados. Seja X = produto dos (i) A expectância resultados. Determine a distribuição (ii) A variância de X e calcule os momentos até a (iii) A assimetria quarta ordem. (iv) A curtose Prof. Lorí Viali, Dr. – UFRGS – Instit uto de Mate mática - De partame nto de Estatística dos Prof. Lorí Viali, Dr. – UFRGS – Instit uto de Mate mática - De partame nto de Estatística 7 Propriedades da FD Seja X uma variável aleatória (a) 0 ≤ F(x) ≤ 1; (discreta ou contínua). A função de (b) F(x1) ≤ F(x1) se x1 < x2 distribuição (c) lim F(x) = 0 (acumulada) ou simplesmente “função de repartição” é definida por: F(x) = P(X ≤ x). Prof. Lorí Viali, Dr. – UFRGS – Instit uto de Mate mática - De partame nto de Estatística Determinação de probabilidades a partir da FD (i) P(a < X ≤ b) = F(b) – F(a); (ii) P(X > a) = 1 – F(a) e x →− ∞ (d) lim F(x) = 1 x →+∞ Prof. Lorí Viali, Dr. – UFRGS – Instit uto de Mate mática - De partame nto de Estatística VAD e FD Seja X é uma variável aleatória discreta (VAD) então a FD é a função em escada dada por: F(x) = ∑ P(X = x i) (iii) P(X < b) = F(b) x i ≤x Prof. Lorí Viali, Dr. – UFRGS – Instit uto de Mate mática - De partame nto de Estatística Prof. Lorí Viali, Dr. – UFRGS – Instit uto de Mate mática - De partame nto de Estatística A Função de Distribuição Seja X = número de caras no lançamento de uma moeda. Então a 1 q =1− p FD de X é: ⎧0 ⎪ F(x) = P(X ≤ x) = ⎨p ⎪1 ⎩ se x < 0 se 0 ≤ x < 1 se x ≥ 1 Prof. Lorí Viali, Dr. – UFRGS – Instit uto de Mate mática - De partame nto de Estatística p 0 1 Prof. Lorí Viali, Dr. – UFRGS – Instit uto de Mate mática - De partame nto de Estatística 8 Observação: Seja X é uma variável aleatória discreta (VAD) com FD F(x), então: P(X = xi) = f(xi) = F(xi) − F(xi−1) Prof. Lorí Viali, Dr. – UFRGS – Instit uto de Mate mática - De partame nto de Estatística Uma fonte de informação gera símbolos ao acaso a partir de um alfabeto de quatro letras { a, b, c, d } com probabilidades f(a) = ½, f(b) = ¼ e f(c) = f(d) = 1/8. Um esquema codifica esses símbolos em binário da seguinte forma: a → 0, b → 10, c → 110, d → 111. Seja X a VA que representa o tamanho do código, isto é, o número de dígitos binários (bits). Prof. Lorí Viali, Dr. – UFRGS – Instit uto de Mate mática - De partame nto de Estatística (a) Qual é o conjunto de valores de X? (b) Assumindo que a geração dos símbolos são independentes, encontre: P(X = 1), P(X = 2), P(X = 3) e P(X > 3). (c) Determine a FD de X. (d) Represente a FD graficamente. Seja X uma variável aleatória (discreta ou contínua). A função geradora de momentos (fgm) de X, é dada por: φ(t) = E(etX), para todo t, - ∞ < t < ∞, em que a expectância é finita. Prof. Lorí Viali, Dr. – UFRGS – Instit uto de Mate mática - De partame nto de Estatística Se X é uma VAD então a fgm de X é dada por: Prof. Lorí Viali, Dr. – UFRGS – Instit uto de Mate mática - De partame nto de Estatística Suponha que uma VAD assuma valores no conjunto {1, 2, ..., n } com ∞ φ(t) = E(e tX) = ∑ e t x jf ( x j) j=1 Prof. Lorí Viali, Dr. – UFRGS – Instit uto de Mate mática - De partame nto de Estatística probabilidade f(x) = 1/n. Determine a fgm de X. Prof. Lorí Viali, Dr. – UFRGS – Instit uto de Mate mática - De partame nto de Estatística 9 Sabe-se que: n e tj ∞ φ(t) = E(e tX ) = ∑ e t x jf ( x j) = ∑ = j=1 j=1 n t ( nt − 1) 1 = (e t + e 2t + ... + e nt ) = e e n n(e t − 1) Prof. Lorí Viali, Dr. – UFRGS – Instit uto de Mate mática - De partame nto de Estatística ex = 1 + x + x2/2! + x3/3! ... e que essa série converge para qualquer x. Assim: etx = 1 + tx + (tx) 2/2! + (tx)3/3 + ... Prof. Lorí Viali, Dr. – UFRGS – Instit uto de Mate mática - De partame nto de Estatística Assim: Derivando φ(t) em relação a t tem-se: φ(t) = E(etX) = E(1 + tX + (tX)2/2! + ... ) = φ’(t) = E(X) +tE(X2) + t2E(X3)/2! + ... = 1 + tE(X) +t2E(X2)/2! + t3E(X3)/3! + ... k − 1E ( k ) ∞ ∞ µ k t k −1 X φ '(t ) = ∑ t = ∑ = k =1 (k − 1)! k = 1 (k − 1) ! Então: ∞ t kE(Xk) φ(t) = ∑ k! k=0 ∞ µkt k = ∑ tk E ( X k +1) k =0 k ! ∞ = ∑ k=0 k! Prof. Lorí Viali, Dr. – UFRGS – Instit uto de Mate mática - De partame nto de Estatística Tem-se: ∞ µK+1tk ∞ tk φ'(t) = ∑ E(Xk+1) = E(X) + ∑ k=0 k! k=1 k! Fazendo t = 0, segue que: φ’(0) = E(X). Assim, prova-se, que Assim: a primeira derivada da fgm, calculada em t = 0, fornece a expectância da VA X. Prof. Lorí Viali, Dr. – UFRGS – Instit uto de Mate mática - De partame nto de Estatística Prof. Lorí Viali, Dr. – UFRGS – Instit uto de Mate mática - De partame nto de Estatística Calculado a segunda derivada em relação a t, tem-se: φ’’(t) = E(X2) + tE(X3 ) + ... + tk-2E(Xk)/(k-2)! + ... Fazendo t = 0, segue que: φ’’(0) = E(X2) Ou seja, a segunda derivada da fgm, em t =0, é igual ao momento de segunda ordem. Prof. Lorí Viali, Dr. – UFRGS – Instit uto de Mate mática - De partame nto de Estatística 10 Suponha que uma VAD assuma De modo geral, tem-se: φ(n)(t) = E(Xn) + tE(X1+ n) + ... + tk-nE(Xk)/(k-n)! + ... valores no conjunto {1, 2, ..., n} com probabilidade f(x) = 1/n. Sabendo que a Fazendo t = 0, segue que: t ( nt − 1) fgm de X é: φ(t) = e e t n(e − 1) φ(n)(0) = E(Xn) Determine a expectância e a variância de X. Prof. Lorí Viali, Dr. – UFRGS – Instit uto de Mate mática - De partame nto de Estatística Prof. Lorí Viali, Dr. – UFRGS – Instit uto de Mate mática - De partame nto de Estatística φ '(t) = φ(t) = 1 t 2t et (ent − 1) (e + e + ... + e nt ) = n n(e t − 1) Derivando essa expressão, tem-se: 1 φ '(t) = (et + 2e 2t + ... + n ent) n 1 n +1 (1 + 2 + ... + n) = µ1 = φ '(0) = n 2 Prof. Lorí Viali, Dr. – UFRGS – Instit uto de Mate mática - De partame nto de Estatística A variância será então: = Derivando a expressão acima, uma segunda vez, segue que: φ ''(t) = 1 t (e + 4e 2t + ... + n 2e nt ) n Substituindo t por zero, tem-se: Substituindo t por zero, tem-se: 2 σ 2 = µ 2 − µ1 = 1 t (e + 2e 2t + ... + n e nt ) n 2 (n +1)(2n +1) ⎛ n +1 ⎞ −⎜ ⎟ = 6 ⎝ 2 ⎠ (n + 1)(2n + 1) (n +1)2 n 2 − 1 − = 6 4 12 Prof. Lorí Viali, Dr. – UFRGS – Instit uto de Mate mática - De partame nto de Estatística µ 2 = φ ''(0) = 1 (n + 1)(2n + 1) (1 + 4 + 9 + ... + n2) = n 6 Prof. Lorí Viali, Dr. – UFRGS – Instit uto de Mate mática - De partame nto de Estatística Suponha que o momento de uma VAD seja dado por: E(Xk) = 0,8 para k = 1, 2, ... (a) Encontre a fgm. (b) Encontre P(X = 0) e P(X = 1) . Prof. Lorí Viali, Dr. – UFRGS – Instit uto de Mate mática - De partame nto de Estatística 11 (a) Por definição, tem-se: φ(t) = φ(t) = ∑ e txf (x) = 0, 2 + 0,8e t = 1 + tE(X) + t 2E (X 2 ) / 2!+ t 3E (X 3 ) / 3!+ ... = = 0, 2e 0.t + 0,8e1.t = 1 + 0, 8t + 0,8t 2 / 2!+ 0, 8 t 3 / 3!+ .... = = 1 + 0, 8(t + t 2 / 2!+ t 3 / 3!+ ...) = Assim: ∞ k ∞ k = 1 + 0, 8 ∑ t = 0, 2 + 0, 8 ∑ t = k =1 k! k = 0 k! P(X = 0) = f(0) = 0,2 e = 0, 2 + 0,8 e t P(X = 1) = f(1) = 0,8 Prof. Lorí Viali, Dr. – UFRGS – Instit uto de Mate mática - De partame nto de Estatística Prof. Lorí Viali, Dr. – UFRGS – Instit uto de Mate mática - De partame nto de Estatística VAD No caso discreto a função característica Seja X uma (discreta ou variável aleatória contínua). A função característica (fc) de X, é a função complexa: é dada por: ϕ(t) = E(e itX) = Σe itxf(x). Note-se que ϕ(t) é obtida pela substituição de t por it em φ(t) se ela existir. ϕ:R → C Assim a função característica apresenta t → E(eitX) todas as propriedades da fgm. Prof. Lorí Viali, Dr. – UFRGS – Instit uto de Mate mática - De partame nto de Estatística Prof. Lorí Viali, Dr. – UFRGS – Instit uto de Mate mática - De partame nto de Estatística Propriedade A partir da função característica | ϕ(t) | = | E(e itX) | = | Σeitxf(x) | ≤ pode ser mais simples a obtenção dos ≤ Σ | eitxf(x) | = Σ | f(x) | = 1 momentos de qualquer ordem. Uma Assim a função característica relação útil é obtida pela substituição de sempre existe mesmo se a fgm não eitx existir. de potências. Prof. Lorí Viali, Dr. – UFRGS – Instit uto de Mate mática - De partame nto de Estatística pelo seu desenvolvimento em série Prof. Lorí Viali, Dr. – UFRGS – Instit uto de Mate mática - De partame nto de Estatística 12 2 3 itx = 1 + itx + (itx) + (itx) + ... = e 2! 3! utilizada na determinação dos momentos de ∞ (itx) k = ∑ k=0 A função característica também pode ser uma VA. Supondo que o n-ésimo momento k! exista a função característica pode ser Assim ∞ µ k (it) k itx ϕ(t) = E(e ) = ∑ k=0 k! Prof. Lorí Viali, Dr. – UFRGS – Instit uto de Mate mática - De partame nto de Estatística Observações: diferenciada n vezes de modo que: E( X n ) = i n ϕ(n)(0) Prof. Lorí Viali, Dr. – UFRGS – Instit uto de Mate mática - De partame nto de Estatística Exemplo: (i) A função de distribuição é determinada unicamente pela função característica. (ii) Dados as FD F(x), F1(x), F2(x), ... com as funções características correspondentes ϕ(t), ϕ1(t), ϕ2(t), ... então Fn(x) → F(x) nos pontos de continuidade de F(x) se e só Seja X uma VAD com valores: x1 = -1 e x2 = 1 e com probabilidades f(x1) = f(x2) = 0,5. Determinar a função característica de X. ϕn(t) → ϕ(t) para cada t. Prof. Lorí Viali, Dr. – UFRGS – Instit uto de Mate mática - De partame nto de Estatística Solução: Prof. Lorí Viali, Dr. – UFRGS – Instit uto de Mate mática - De partame nto de Estatística Referências Tem-se: http://www.sjsu.edu/faculty/watkins/charact.htm ϕ(t) = 0,5e−it + 0,5eit = = 0,5(e −it + eit ) = = cos(t) http://www.sjsu.edu/faculty/watkins/inverse.htm http://en.wikipedia.org/wiki/Maximum_entropy_ probability_distribution (Entropia) http://www.mtm.ufsc.br/~andsol/portugues/mat/ 00fun2/provas.html Prof. Lorí Viali, Dr. – UFRGS – Instit uto de Mate mática - De partame nto de Estatística Prof. Lorí Viali, Dr. – UFRGS – Instit uto de Mate mática - De partame nto de Estatística 13