Professional Documents
Culture Documents
com/estatistica
Introducao a Estatstica
`
Matematica Aplicada
Volume I Fundamentos
Adriano Azevedo-Filho
CreateSpace
2009
a
Volume I Fundamentos
c 2009 por Adriano J. B. V. Azevedo-Filho
Todos os direitos reservados.
ISBN 978-1-4421-7220-3
1a Edico (1a impresso)
a
a
1. estatstica matemtica
I. Azevedo Filho, Adriano J. B. V. II. Ttulo.
CDD 519.5
Sumario
x
Lista de Figuras
xi
Prefacio
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1
1
2
2
3
5
5
6
7
13
1.6
.
1.7 Consideracoes nais . . . . . . . . . . . . . . . . . .
Exerc
cios . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Referncias . . . . . . . . . . . . . . . . . . . . . . . . . . . .
e
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
15
17
18
21
.
.
.
.
23
23
23
25
26
1.1
1.2
1.3
1.4
1.5
Introduco . . . . . . . . . . . . . . . . . . . . . . .
a
Signicados de probabilidade . . . . . . . . . . .
1.2.1 Viso clssica viso bayesiana . . . .
a a
a
1.2.2 Interpretaco freqentista subjetiva
a
u
Nocoes bsicas . . . . . . . . . . . . . . . . . . . .
a
1.3.1 Experimento e incerteza . . . . . . . . .
1.3.2 Espacos: amostral () e de eventos ( )
2.1
2.2
2.3
2.4
Introduco . . . . . . . . . . . . . .
a
Funco probabilidade e axiomas
a
Teoremas fundamentais - I . . . .
Medida de probabilidade . . . . .
v
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
2.5
Probabilidade condicional . . . . . . . . . . . . . . . . . . 36
2.6
Teoremas fundamentais II . . . . . . . . . . . . . . . . . . 40
2.7
Noco de Independncia . . . . . . . . . . . . . . . . . . . 54
a
e
2.7.1 Independncia condicional . . . . . . . . . . . . 55
e
2.7.2 Independncia e causalidade . . . . . . . . . . . . 59
e
2.8
Consideracoes nais . . . . . . . . . . . . . . . . . . . . . . 63
Exerc
cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
Referncias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
e
3
89
3.1
Introduco . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
a
3.2
Varivel aleatria . . . . . . . . . . . . . . . . . . . . . . . . 90
a
o
3.3
Alguns exemplos . . . . . . . . . . . . . . . . . . . . . . . . 91
3.4
3.5
3.6
3.7
3.8
Exerc
cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
Referncias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
e
4
113
4.1
Introduco . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
a
4.2
4.3
4.4
4.5
4.6
4.7
Exerc
cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 128
Referncias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131
e
vi
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
133
133
133
140
142
144
145
152
158
161
167
171
172
189
Introduco . . . . . . . . . . . . . . . . . . . . .
a
Desigualdade de Markov . . . . . . . . . . . .
Desigualdade de Chebyshev . . . . . . . . . .
Lei dos grandes nmeros . . . . . . . . . . . .
u
Formas de Convergncia . . . . . . . . . . . .
e
Teorema do Limite Central . . . . . . . . . .
Outras desigualdades . . . . . . . . . . . . . .
6.7.1 Desigualdade de Cauchy-Schwartz .
6.7.2 Desigualdade de Jensen . . . . . . . .
6.8 Consideracoes nais . . . . . . . . . . . . . . .
Exerc
cios . . . . . . . . . . . . . . . . . . . . . . . . .
Referncias . . . . . . . . . . . . . . . . . . . . . . . . .
e
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
191
191
192
193
196
200
205
209
209
211
216
217
219
5.1 Introduco . . . . . . . . . . . . . . . . . . .
a
5.2 Esperanca matemtica - E() . . . . . . . .
a
5.3 Propriedades da esperanca . . . . . . . . .
a
5.8 Resultados associados ` independncia .
a
e
5.9 Momentos, cumulantes e geradoras . . .
Exerc
cios . . . . . . . . . . . . . . . . . . . . . . .
Referncias . . . . . . . . . . . . . . . . . . . . . . .
e
6
.
.
.
.
.
.
.
.
.
.
.
.
.
6.1
6.2
6.3
6.4
6.5
6.6
6.7
Apendice
220
223
vii
A.1 Introduco . . . . . . . . . . . . . . . . . . . . . . . .
a
A.2 Conceitos bsicos de amostragem . . . . . . . . .
a
A.3 Elementos de anlise combinatria . . . . . . . .
a
o
A.3.1 Permutaco (caso particular de arranjo)
a
A.3.2 Arranjo (ordem importa) . . . . . . . . .
A.3.3 Combinacoes (ordem no importa) . . .
a
Exerc
cios . . . . . . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
223
226
232
232
235
238
242
245
B.1 Cdigo do Cap
o
tulo 6 . . . . . . . . . . . . . . . . . . . . . 245
B.1.1 Convergncia da mdia para a esperanca . . . . 245
e
e
B Codigo fonte
ndice Remissivo
I
247
viii
Lista de Figuras
1.1
2.1
2.2
2.3
2.4
2.5
2.6
2.7
2.8
2.9
2.10
Problema da roleta . . . . . . . . . . . . . . . . . . . .
Ilustraco do problema do exemplo com k = 2 . .
a
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
29
31
38
39
45
47
52
57
60
61
3.1
3.2
3.3
3.4
3.5
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
95
96
100
101
104
4.1
4.2
4.3
4.4
.
.
.
.
.
.
.
.
114
115
120
122
5.1
5.2
a
Assimetria em distribuicoes . . . . . . . . . . . . . . . . . 170
ix
.
.
.
.
.
.
.
.
.
.
5.3
5.4
6.1
6.2
6.3
Prefacio
Este texto o volume 1 de uma srie de 3 volumes que no cone
e
junto oferecem uma introduco ` estat
a a
stica matemtica e suas
a
aplicacoes. A apresentaco direcionada ao pblico de leitores da
a e
u
graduaco e in da ps-graduaco em cursos de engenharia, ecoa
cio
o
a
nomia, nancas, aturia e reas ans. O material apresenta os funda
a
a
mentos utilizados pela estat
stica em aplicacoes na estimaco, anlise
a
a
de evidncias emp
e
ricas e na modelagem de riscos. Os 3 volumes
apesar de complementares, abordam aspectos distintos da estat
stica,
podendo ser utilizados de forma isolada como material de apoio em
cursos ou partes de cursos.
O volume 1 cobre nocoes bsicas, incluindo a teoria de probabili
a
dades, variveis aleatrias, distribuicoes de probabilidade, esperanca
a
o
e
muitas de suas principais aplicacoes na inferncia e na modelagem de
e
riscos. Muitas das aplicacoes envolvem o uso de planilhas eletrnicas
o
(Excel) e do software estat
stico R.
O volume 3 apresenta o contedo espec
u
co de inferncia, ene
volvendo estimaco, testes, e outros assuntos. A apresentaco, em
a
a
todos os volumes, cobre princ
pios de estat
stica clssica e bayesiana
a
de modo a dar uma viso compreensiva e integrada, mas em n
a
vel
introdutrio, das principais idias existentes na estat
o
e
stica.
O material que deu origem a esses 3 textos vem sendo desenvolvido h cerca de 12 anos, durante o lecionamento de disciplinas de
a
estat
stica na graduaco, ps-graduaco e cursos latu-sensu na Unia
o
a
xi
vel
a
a
textos mais avancados. O modo de apresentaco, em todos os vo
a
lumes, relativamente formal, mas sem ser excessivamente formal.
e
A apresentaco segue em muitas partes a notaco e estilo utilizados
a
a
por Mood et al. (1989), um livro clssico sobre o assunto. Muitos
a
problemas resolvidos e problemas propostos facilitam o processo de
aprendizado.
Base necessaria
Agradecimentos
mentrios, cr
a
ticas e sugestes para aperfeicoamentos que possam ser
o
xii
Captulo 1
Probabilidade: Conceitos
Basicos
1.1 Introducao
e
uma seco inteira sobre mtodos efetivos de trapaca!
a
e
o
de probabilidades. Essas nocoes, contudo, so apresentadas aps a
a
o
formalizaco de certos conceitos como evento, espaco amostral e
a
tulo.
O modo de apresentaco usado na exposico dos elementos
a
a
bsicos da teoria de probabilidades, neste e nos prximos cap
a
o
tulos,
ainda que relativamente formal, no perseguir o rigor utilizados por
a
a
textos mais avancados.
Estrutura do captulo
Este cap
tulo inicia discutindo o conceito de probabilidade segundo
as vises de 2 escolas de pensamento na Estat
o
stica, respectivamente,
a escola clssica e a escola bayesiana.
a
A seguir, no restante do cap
tulo, so introduzidas nocoes fundaa
a
apresentadas e exemplicadas as operacoes que caracterizam a lgebra
a
de eventos, cujo papel essencial na operacionalizaco da teoria de
e
a
probabilidades.
E1 E2 E3 E4 .
Eventos e o Diagrama de Venn
Diagrama de Venn
AU B
A
A/ B
a
no alvo ele jogar novamente at atingi-lo. Esse seria o experimento.
a
e
O resultado desse experimento seria um ponto qualquer dentro do
retngulo. O conjunto desses pontos dene o espaco amostral . O
a
e
a
a
a
utilizada em teoria dos conjuntos, ainda que a interpretaco das
a
13
A = \ A.
Para o evento A, denido no tpico anterior, seu complementar, A,
o
seria
A = \ {E1 , E2 , E3 } = E4 ,
dado que , nesse caso, denido por
e
{E1 , E2 , E3 , E4 }.
Eventos mutuamente exclusivos
Ai = .
i =1
15
1.6
1. A B = B A (prop. 1).
2. A (B C ) = (A B) C (prop. 2).
3. A (B C ) = (A B) (A C ) (prop. 3).
4. A = A (prop. 4).
5. (A B) = A B (prop. 5).
6. A A = (prop. 6).
7. A = A (prop. 7).
A partir dessas propriedades poss
e
vel provar muitos outros resultados importantes, descritos a seguir. Para facilitar a
demonstraco desses resultados, sero indicadas na demonstraco
a
a
a
sinttica as principais proposicoes ou propriedades aceitas que esto
e
a
sendo utilizadas atravs da notaco (prop. n), onde n o nmero da
e
a
e
u
proposico ou resultado utilizado. Os passos que exigem o uso da
a
prop. 1 foram omitidos nas provas.
= . (prop. 8)
17
A (A B) = A B (prop. 16)
Prova: Ver exerc
cio.
A = (A B) (A B) (prop. 17)
Prova: Desenvolvendo-se o lado direito da expresso chegaa
se a ((A B) A) ((A B) B) substituindo agora o lado
esquerdo da nova expresso por A (prop. 15 e prop. 2) e o lado
a
direito por A B (prop. 16 e prop. 2) chega-se a A (A B),
expandindo essa expresso com o uso de (prop. 3 e prop. 12)
a
chega-se a A (A B), nalmente, A (A B) = A (prop. 15).
A (B C ) = (A B) C (prop. 18)
Prova: Ver exerc
cio.
A B = B A (prop. 19)
Prova: Ver exerc
cio.
A = (prop. 20)
Prova: Ver exerc
cio.
(A B) (A B) = (prop. 21)
Prova: Usando (prop. 18 e prop. 19) tem-se que (A B)
(A B) = A A B B, desenvolvendo o lado direito e usando
(prop. 13 e prop. 6) chega-se a A , por (prop. 20) tem-se
que A = , o que completa a prova.
Este cap
tulo apresentou uma introduco `s nocoes bsicas nea a
a
o da teoria de probabilidacessrias para uma adequada caracterizaca
a
Exerccios
Exerccio
x y.
max(x, y) 3.
min(x, y) 3.
xy 3
1.3 Dados Considere o experimento denido pelo lancamento de dois dados, cada qual com face
(a) = .
(b) A A = A (prop. 13)
(c)
(d)
(e)
(f)
A (A B) = A B (prop. 16)
A (B C ) = (A B) C (prop. 18)
A B = B A (prop. 19)
A = (prop. 20)
Exerccio
19
Exerccio
se x 0
0
f (x) =
3x 2 se x (0, 5]
x
se x > 5
(b) Assumindo que A1 , A2 , . . . , An
verique que
Exerccio
(a) P1 = 1 e P2 = 1.
(b) P1 = 1 e P2 = 2.
1.9 Mostre que num experimento com um
espaco amostral com n eventos elementares distintos ha
vero 2n elementos no espaco de eventos ( )?
a
Captulo 2
Probabilidade: Fundamentos
da Teoria
2.1 Introducao
Este cap
tulo introduz os resultados fundamentais da teoria de probabilidades, decorrentes dos pressupostos utilizados em seu desenvolvimento axiomtico. A apresentaco se utiliza da notaco e resula
a
a
tados descritos no cap
tulo anterior, associados ` lgebra de eventos.
aa
Os resultados da teoria esto sintetizados em alguns poucos tea
oremas e denicoes, que no so dif
a a
ceis de entender. A diculdade
principal da teoria de probabilidades est na operacionalizaco desses
a
a
resultados tericos, juntamente com as nocoes da lgebra de eventos,
o
a
no contexto da soluco problemas de interesse. O leitor s ir adquia
o a
rir essa capacitaco solucionando exerc
a
cios que demandem o uso
desse instrumental terico. Para isso, uma extensa lista de exerc
o
cios
proposta ao m deste cap
e
tulo para facilitar a capacitaco do leitor
a
nesses conceitos.
formada por
{, , Pr()},
onde o espaco amostral, o espaco de evene
Axioma 1 -
Axioma 2 -
Se A1 , A2 . . . , An so eventos mutuamente
a
exclusivos tem-se que Pr(A1 A2 . . . An ) =
n
Pr(Ai ).
i =1
Axioma 3 -
25
Prova:
ra reais atravs de
zes
e
Pr(Ra reais) =
zes
N (A)
N ()
N (A) =
12k 2 4k 2
3
e N () = 4k 2 .
Logo,
zes
Pr(Ra reais) = 1
1
3 k
observacoes emp
N () =
52
5
a
a
estabelecida (todas do mesmo naipe). Para um naipe denido, havero
a
13
5
maneiras de se retirar 5 cartas. Representando por N (A)
o nmero de amostras que atendem ao ush e consideu
rando que existem 4 naipes diferentes, conclui-se que
N (A) = 4
13
5
e Pr(ush) =
13
5
52
5
13
5
49
52
5
e
2.5 Unidades de capital Suponha que voc
tem n unidades de capital que podem ser empregadas
em k investimentos alternativos. Os investimentos dispon
veis somente aceitam valores inteiros de capital para
as aplicacoes. De quantas maneiras diferentes pode o ca
pital existente ser aplicado nos k investimentos ? Se as
alocacoes para os investimentos fossem aleatrias, qual
o
seria a probabilidade de observarmos todos os investimentos com pelo menos uma unidade de capital investido ?
Solucao: Essa situaco equivalente ao problema que en
a e
volve a alocaco de n bolas idnticas em k urnas distina
e
tas. Essa situaco pode ser representada simbolicamente
a
pela metfora das bolas e paredinhas. Por exemplo,
a
Exemplo
|oo||o|ooo|o||
por
Pr(R = c P = 2) = Pr(P = 2|R = c) Pr(R = c)
1 1
,
=
6 2
pelo resultado associado ` probabilidade da intersecco
a
a
visto anteriormente. Essa operaco corresponde ao proa
duto das probabilidades nos vrios n
a
veis da rvore, para
a
um evento nal (elementar) espec
co.
Evento final
P=4
Pr(P=4|R=k)=1/6 R=k
P=6
Pr(P=6|R=k)=1/6
R=k
1/12
P=2
1/12
P=3
1/12
P=4
1/12
P=5
1/12
Pr(R=k)=1/2
P=1
1/2
R=k (coroa)
P=3
Pr(P=3|R=k)=1/6 R=k
P=5
Pr(P=5|R=k)=1/6 R=k
Pr(P=5|R=c)=1
P=2
Pr(P=2|R=k)=1/6 R=k
Probabilidade
P=5
P=1
Pr(P=1|R=k)=1/6 R=k
Pr(R=c)=1/2
R=c
P=5
R=c (cara)
P=6
1/12
Teorema
Pr(A) =
Pr(A|Bi ) Pr(Bi ).
i =1
Prova:
Pr(A) =
Pr(A Bi ) =
i=1
Pr(A|Bi ) Pr(Bi ).
i=1
a
Em particular, se C e C so eventos complementares tem-se que
Pr(A) = Pr(A|C ) Pr(C ) + Pr(A|C ) Pr(C ),
num caso particular da aplicaco do teorema. Os prximos dois
a
o
exemplos apresentam aplicacoes desse resultado.
Solucao:
de
Pr(R = k|P = 5),
ou simplesmente Pr(k|5), usando uma notaco condena
sada. Mas, pelo teorema de Bayes, tem-se que
Pr(k | 5) =
Pr(5 | k) Pr(k)
Pr(5 | c) Pr(c) + Pr(5 | k) Pr(k)
ou
Pr(k | 5) =
1 1
6 2
1
1
+6
2
1
2
1
7
Se, por outro lado, a pergunta tivesse sido a probabilidade de se ter obtido cara, numa situaco em que o
a
pagamento foi de $ 6, ou seja Pr(c | 6), o resultado seria
Pr(c | 6) = 0, por aplicaco do teorema de Bayes, dado
a
que Pr(6 | c) = 0 nesse caso.
Exemplo 2.10 Moedas m5 e m8 Duas moedas so utia
lizadas em um experimento. Uma delas (m5 ), uma moe
eda comum que se lancada, apresenta uma probabilidade
denido por:
e
{m5 c, m5 k, m8 c, m8 k},
e Figura 2.5 mostra a rvore de probabilidades que caa
racteriza a situaco.
a
As incertezas M e R na rvore caracterizam, respectivaa
mente, a moeda sorteada e o resultado observado aps o
o
lancamento (cara-c ou coroa-k). O que se deseja conhe
e
Pr
m5
Pr( c | m5 ) = 1/2
m5
Pr(m5)=1/2
0,25
m5
R=c
0,25
R=k
Pr( k | m5 ) = 1/2
M
m8
m8
0,40
m8
Pr( c | m8 ) = 4/5
R=c
0,10
Pr(m8)=1/2
R=k
Pr( k | m8 ) = 1/5
tem-se que
Pr(m5 |c) =
=
=
Pr(m5 c)
Pr(c)
Pr(c|m5 ) Pr(m5 )
Pr(c|m5 ) Pr(m5 ) + Pr(c|m8 ) Pr(m8 )
5
0,25
= .
0,25 + 0,40 13
1
1+ p
10000
10001
2.12 Cancer e cigarro Comumente as pessoas precisam realizar inferncias que requerem procese
samento da evidncia dispon de uma forma contrria
e
vel
a
`quela que observada. Suponha, por exemplo, um
a
e
mdico que trabalha em um hospital que trata pacie
entes com cncer no pulmo. Pelos dados e sua exa
a
perincia tm uma idia aproximada da freqncia de
e
e
e
ue
fumantes nesses pacientes que morreram desse tipo de
cncer. Suponha que ele deseja inferir algo sobre uma
a
poss associaco do fumo com a morte por cncer no
vel
a
a
pulmo em pessoas. Seria essa evidncia derivada de sua
a
e
experincia suciente para alguma concluso?
e
a
Exemplo
51
Pr(
Bi ) =
i=1
Pr(Bi )
i =1
Pr(Bi B j )
i= j
Pr(Bi B j Bk )
+
i = j =k
+ . . . + (1)n1 Pr(B1 . . . Bn ).
Nota: Para o caso em que n = 3 o teorema indica que
Pr(B1 B2 B3 ) = Pr(B1 ) + Pr(B2 ) + Pr(B3 )
Pr(B1 B2 ) Pr(B1 B3 )
Pr(B2 B3 ) + Pr(B1 B2 B3 ).
Prova:
ultimo teorema.
2.13 Casamento na Russia Na Rssia h
u
a
um procedimento tradicionalmente utilizado para vericar se uma determinada garota ir casar no futuro
a
prximo2 . A garota deve segurar em sua mo, fechada,
o
a
6 pedacos de barbante, de forma que as pontas saiam
Exemplo
Solucao:
Para 3 eventos A, B e C
A
B C
B C
Possvel
Possvel
Possvel
Possvel
A e B so independentes
A e B no so independentes
B C
A e B no so independentes dado C
Notao
B C
A e B so independentes dado C
Solucao:
57
C=alto
0,9
A
A=baixo
0,9
0,1
A=alto
0,6
C=baixo
0,1
0,9
A=baixo
0,1
A=alto
C=alto
0,1
A
A=baixo
0,1
0,9
T=baixa
C
A=alto
0,1
0,4
C=baixo
0,9
A=baixo
0,9
a
os resultados tericos sobre probabilidades vistos neste
o
cap
tulo.
Essa nova rvore d uma nova dimenso ` informaco
a
a
a a
a
anterior, mostrando independncia condicional, repree
sentada por
(A = alto) (C = alto) | T = alta,
dado que
Pr(A = alto|T = alta C = alto) = 0,90
e
Pr(A = alto|T = alta C = alto) = 0,90.
Outras independncias condicionais entre eventos poe
dem ser vericadas.
Um exame cuidadoso desta
rvore completa mostra que o consumo de refrigerana
tes no oferece nenhuma informaco relevante para
a
a
caracterizaco da probabilidade de um n alto de afoa
vel
gamentos, uma vez que se sabe a temperatura. No fundo
a temperatura do dia parece se o fator mais relevante. A
explicaco mais plaus parece ser que num dia quente
a
vel
mais gente entrar no mar e tomar mais refrigerante!
a
a
O exemplo mostra uma situaco estilizada que sintetiza um dos
a
grandes problemas existentes na anlise de evidncias observacioa
e
nais. No caso, a aparente relaco existente entre os afogamentos e
a
consumo de refrigerantes foi descaracterizada com a introduco da
a
temperatura na anlise. Esse o chamado efeito da terceira varivel
a
e
a
(em geral oculta). Nos problemas de estimaco e testes, esse proa
blema pode trazer fortes desaos ao pesquisador. Em econometria
63
Esse cap
tulo apresentou os fundamentos da teoria de probabilidades, incluindo todos os teoremas principais. Diversos exemplos resolvidos mostram aplicacoes da teoria, facilitando seu entendimento.
Exerccios
Exerccio
Captulo 3
Variaveis Aleatorias e
Distribuicoes Univariadas
3.1 Introducao
Este cap
tulo introduz as nocoes de varivel aleatria, distribuico
a
o
a
de probabilidade e conceitos associados, focando no caso univariado. O prximo cap
o
tulo cobre essas mesmas nocoes para o caso
a
a
uma varivel aleatria, as quais diferem quanto ao tipo de contraa
o
dom
nio da varivel. Para o caso discreto essa distribuico usua
a e
almente chamada de funco de massa enquanto que para o caso
a
cont
nuo ela chamada de funco de densidade.
e
a
89
maiscula (ex. X ), ou uma letra com um acento til (ex. x ), nos deu
senvolvimentos que a utilizam. Constantes ou valores determinados
so em geral representadas por letras minsculas nos desenvolvimena
u
tos. Deve-se destacar, contudo, que uma constante tambm uma
e
e
varivel aleatria que assume um valor xo com probabilidade 1.
a
o
Por exemplo, num lancamento de 2 moedas, seria poss denir
vel
uma varivel aleatria X para representar o nmero de caras obsera
o
u
vadas. O dom
nio de X seria X {0, 1, 2}, com as probabilidades
1
1 1
de cada um desses poss
veis valores sendo 4 , 2 e 4 , respectivamente.
Variavel Aleatoria
{, , Pr()},
Captulo 4
Variaveis Aleatorias e
Distribuicoes Multivariadas
4.1 Introducao
Neste cap
tulo as nocoes apresentadas no cap
com n > 3.
f(x,y)
(0,0)
(0,0)
(1,0)
(0,1)
(1,1)
(1,0)
(1,1)
X1 e X2
M1 e M2
X =
X1
X2
.
.
.
Xn
Propriedades gerais da funcao cumulativa multivariada
Captulo 5
Esperanca Matematica e
Conceitos Relacionados
5.1 Introducao
Este cap
tulo apresenta os conceitos de esperanca matemtica,
a
varincia, momentos e outras nocoes relacionadas, denidos a para
variveis aleatrias.
a
o
E()
a
e
o
a
aleatria X , representada usualmente por
o
E(X ), E[X ], x , ou < X >
um dos conceitos mais importantes da estat
e
stica, sendo utilizado
amplamente em desenvolvimentos tericos e aplicados. O texto
o
utilizar as primeiras trs representacoes.
a
e
133
O leitor deve ter cuidado em entender que o signicado da palavra esperanca em estat
a
pode, at mesmo, representar um valor que nunca ocorrer. Esse
e
a
signicado tambm no indica que a esperanca sempre o valor mais
e
a
e
provvel, a no ser em casos particulares.
a
a
Parte dos resultados importantes da estat
stica esto associados
a
exatamente ` relaco que tm os estimadores obtidos a partir de
a
a
e
amostras apropriadas e a esperanca matemtica. O exemplo mais
a
simples o caso do estimador denido pela mdia aritmtica de n
e
e
e
valores amostrados de forma apropriada, computado por
Xn =
n
X
i =1 i
a
e
o
n . Esse resultado, em particular, decorre de um importante teorema dentro da estat
stica chamado de Lei dos grandes nmeros, que
u
ser visto no Cap
a
tulo 6, juntamente com nocoes de convergncia
e
utilizadas em estat
stica.
sica, a
esperanca matemtica indicaria o centro de gravidade ou centride da
a
o
o de probabilidade. Seria poss equilibrar a distribuco
distribuica
vel
a
sobre um cursor posicionado no valor da esperanca, da maneira
f (x)
E(X )
centro de gravidade
Esperanca matematica
E(X ) =
xi fX (xi ),
i =1
E(X ) =
x fX (x) d x.
Captulo 6
Leis, Convergencias e
Desigualdades
6.1 Introducao
Este cap
tulo introduz o leitor a dois dos principais resultados da
estat
stica, assim como critrios de convergncia e algumas desiguale
e
dades freqentemente utilizadas. O primeiro resultado importante
u
a Lei dos grandes nmeros. Esse resultado, nas suas formas fraca e
e
u
forte, exemplicam modos importantes de convergncia no contexto
e
de variveis aleatrias. O segundo resultado importante o Teorema
a
o
e
do limite central, que mostra a convergncia da distribuico da mdia
e
a
e
amostral para uma distribuico Normal, na medida que cresce o taa
manho da amostra. A apresentaco introdutria ao assunto. Para
a e
o
detalhes adicionais o leitor pode consultar Billingsley (1999), Grimmett & Stirzaker (2001) e Feller (1969).
Para uma boa caracterizaco desses resultados, o cap
a
tulo discute
3 modos de convergncia muito utilizados em estat
e
stica. O leitor
deve car atento pois as nocoes de convergncia usadas em estat
e
stica
diferem das nocoes de convergncia utilizadas em teoria da medida,
e
no clculo diferencial e integral, por exemplo.
a
A seqncia de apresentaco inicia pelas desigualdades de Marue
a
kov e Chebyshev, que possibilitam demonstrar a forma fraca da Lei
191
e
qualquer (positivo), verdade que
e
Teorema
Pr(Y a)
E(Y )
a
Prova:
193
E(Y )
a
Exemplo
Pr(X 20)
5
20
a
a partir do conhecimento de V (X ), sua varincia.
a
6.2 Desigualdade de Chebyshev Se X uma
e
varivel aleatria com esperanca e varincia nitas, rea
o
a
presentadas respectivamente por e 2 , e b um valor
e
real qualquer, verdade que
e
Teorema
Pr(|X | b )
2
b2
ou
Pr(|X | < b ) 1
2
b2
Prova:
Pr((X )2 b 2 )
E[(X )2 ]
b2
2
b2
e
6.2 Aplicacao de Chebychev Se X uma
varivel aleatria, o que poderia ser inferido sobre proa
o
babilidade de X estar compreendido no intervalo entre
Exemplo
ndice Remissivo
I
= (igualdade), 8
(espaco de eventos), 6
V (X ) (varincia), 142
a
2 (varincia), 142
a
(intersecco), 8
a
(unio), 8
a
(no-independncia), 56
a
e
( denido por), 8
e
(independncia), 56
e
(esperanca), 133
\ (diferenca sub-conjuntos), 13
() (funco caracter
a
stica), 167
Bonferroni, 63
Cardano, G., 1
casamento na Rssia, 51
u
Cauchy-Schwartz, 209
aplicaco, 144
a
causalidade, 59
centro de gravidade, veja esperanca
e
arranjo, 235
covarincia, 144
a
rvore de probabilidades, 37
a
propriedades, 145
assimetria, 169
Cox, R. T., 1, 5
coeciente de, 170
cumulante, 165
Berger, J., 4
cumulantes e momentos, 166
Binmio de Newton, 21
o
curtose, 169
247
espaco de eventos ( ), 6
espaco de probabilidades, 24
esperanca
e
esperanca matemtica, 133
a
propriedades, 140
estabilizaco de precos, 215
a
estat
stica bayesiana, 2
estat
stica clssica, 2
a
evento, 6, 223
complementar, 13
evento elementar, 6
eventos
coletivamente exaustivos, 14
intersecco, 8
a
mutuamente exclusivos, 13
unio, 8
a
evidncia experimental, 59
e
evidncia observacional, 59
e
experimento, 5, 223
frmula de Stirling, 243
o
fatorial
clculo, 243
a
fmg, veja funco geradora de moa
mentos
formas de convergncia, 196
e
Frmula de Poincar, 51
o
e
funco cncava, 212
a o
funco caracter
a
stica, 206
funco caracter
a
stica (()), 167
o convexa, 212
funca
funco cumulativa, 93
a
caso multivariado, 116
funco cumulativa conjunta, 117
a
funco cumulativa marginal, 117
a
funco cumulativa multivariada
a
propriedades, 116
funco de densidade, 100
a
caso multivariado, 121
funco de densidade marginal, 123
a
funco de distribuico, veja funco
a
a
a
cumulativa
funco de massa, 96
a
bivariada, 113
caso multivariado, 118
funco de massa marginal, 119
a
funco geradora de cumulantes, 165
a
e funco caracter
a
stica, 167
funco geradora de momentos, 206
a
independncia, 164
e
funco
a
geradora de
(fgm), 161
funco indicadora, 20
a
249
temtica
a
marginalizaco, 119
a
Markov, veja desigualdade de MarHjek, A., 5
a
kov
Howie, D., 3, 5
mdia aritmtica, 219
e
e
mdia geomtrica, 219
e
e
i.i.d, veja independente e identica- mediana, 168
mente distribuida (i.i.d)
moda, 168
incerteza, 5
momento absoluto, 161
independncia, 54, 59
e
momento central, 161
de funcoes, 158
mutuamente exclusivos, 13
e esperanca, 159
problema
Laplace, 1
3 envelopes, 76
lei da esperanca total, veja teorema
3 prisioneiros, 79
da esperanca da esperanca
acerto do chutador, 70
lei da varincia total, 156
a
agulha de Buffon, 82
lei dos grandes nmeros, 134, 196
u
amostragem por Chebyshev,
forte, 199
217
fraca, 198
anlise de solo, 70
a
Lindley, D., 3, 5
aniversrios, 67
a
rvore de probabilidade, 73
a
mdia aritmtica, 150
e
e
atraso no trabalho, 55
avio, 67
a
bbado e princip
e
cio, 72
bandeiras, 236
cncer e cigarro, 48
a
caixas de mac, 69
a
cara ou coroa, 110
casais, 237
casamento na Rssia, 51
u
cassino, 77
cerveja, 85
comisso, 240
a
constante, 105
controle da natalidade, 75
craps, 79, 176
culpa do suspeito, 46
dados, 18, 73, 99, 106, 172
dados com uma face, 65, 172
dardos, 106, 173
deciso e risco, 214
a
defeitos, 65
diagrama de Venn, 67
elaboraco de prova, 71
a
encontro, 68, 182
esperanca do lucro, 141
estimador
no-tendencioso,
a
183
os telefnicos, 85
o
scalizaco, 69
a
xaco do preco, 178
a
funco indicadora, 20
a
gatos e moedas, 71
gavetas e moedas, 76
gravidez, 180
homens e mulheres, 72
intervalo de conanca, 217
quantil, 186
resultado do juri, 78
ru do jogador, 78
na
safra agr
cola, 73
seguro de vida, 67
seletividade e sensitividade, 81
sorveteiro, 179
sulto e mulheres, 174
a
supersena, 74
teste de velas, 66
testes mdicos, 81
e
trivariada, 187
varincia m
a
nima do retorno,
148
varincia matricial, 178
a
verdade, 74
produto cartesiano, 224
quantil, 167
recm casados, 66
e
regra da multiplicaco, 50
a
regresso (terica), 154
a
o
sigma-lgebra de eventos, 7
a
Stigler, S., 3
Stirling
frmula de, 243
o
teorema da esperanca da esperanca,
153
teorema das probabilidades totais,
40
teorema de Bayes, 43
teorema de Slutsky, 201
teorema do limite central, 201, 205
teoria dos conjuntos, 12
variveis aleatrias
a
o
independncia, 126
e
independncia
e
condicional,
126
varivel aleatria, 90
a
o
representaco, 90
a
varivel aleatoria
a
e constante, 90
varincia
a
da soma, 146
da soma (geral), 146
do produto, 146
propriedades, 145
varincia amostral, 142
a
varincia condicional, 156
a
varincia da mdia, 150
a
e
varincia terica, 142
a
o
251