Baixe o app para aproveitar ainda mais
Prévia do material em texto
Estatística Aplicada à Economia Esperança Matemática Carlos Alberto Gonçalves Junior Variável Aleatória e sua Distribuição Dizemos que a variável discreta é aleatória se a cada um de seus possíveis valores se associa uma probabilidade P(X). O conjunto dos valores da variável e das respectivas probabilidades, isto é, o conjunto dos valores de Xi e P(Xi) é a distribuição de X. É claro que: Exemplo: O resultado do lançamento de um dado é uma variável aleatória cuja distribuição está representada por: Distribuição uniforme Variável Aleatória e sua Distribuição Se a variável aleatória é contínua, a probabilidade de obtermos exatamente um determinado valor, ao acaso, é zero: P(X = X0) = 0 Para caracterizar a distribuição, definimos a função densidade f(X), de tal maneira que: Isto é, a probabilidade de X assumir um valor dentro do intervalo (a, b) é numericamente igual à área compreendida entre a função de densidade e o eixo das abscissas nesse intervalo. O valor de f(X) também é denominado densidade de probabilidade. É claro que: Definição de Esperança Matemática Seja X uma variável discreta que assume os valores X1, X2, ..., Xn com probabilidades P(X1), P(X2), P(Xn), respectivamente. Por definição a esperança matemática de X é: A esperança matemática também é denominada valor médio, ou valor esperado. Exemplo: Seja X a variável aleatória correspondente ao lançamento de um dado. Obtemos E(X) = 3,5. Isso significa que em um grande número de jogadas, espera-se uma média de pontos igual a 3,5. Definição de Esperança Matemática Se X é uma variável contínua com função de densidade f(X), a esperança matemática de X é: Distribuição conjunta e variáveis independentes Vejamos inicialmente a distribuição conjunta de duas variáveis discretas; Sejam X e Y variáveis aleatórias discretas que assumem os valores X1, X2,..., Xn e Y1, Y2,..., Yn . Seja P(Xi, Yj) a probabilidade associada ao par Xi, Yj . Então, o conjunto dos pares de valores Xi, Yj e das respectivas probabilidades P(Xi, Yj) constitui a distribuição conjunta de X e Y. Devemos ter: De acordo com o teorema da soma temos que: Para i = 1, ..., n. Essas são as probabilidades da distribuição marginal de X. Distribuição conjunta e variáveis independentes As probabilidades para a distribuição marginal de Y são: Para j = 1, 2, ..., n. Fixado o valor Y = Yh, o conjunto de valores de Xi e de Constitui a distribuição condicional de X dado Y = Yh Analogamente, fixado X = Xh, o conjunto de valores de Yj e de Constitui a distribuição condicional de Y dado X = Xh Distribuição conjunta e variáveis independentes Se as variáveis X e Y são independentes, a probabilidade associada ao par Xi, Yj é igual ao produto das probabilidades marginais de Xi e de Yj, isto é, Se as variáveis são independentes, as distribuições condicionais são iguais à correspondente distribuição marginal, Isto é, a probabilidade condicional P(Yj|X = Xh) é a mesma que P(Yj) pois a ocorrência de Xh não altera a probabilidade de Yj. Distribuição conjunta e variáveis independentes Para exemplificar, consideremos um tetraedro regular feito de material homogêneo em cujas faces estão marcados os números 0, 2, 4, 6. Ao lançar esse tetraedro, considera-se que o resultado, indicado por X é o valor marcado na face do tetraedro que fica em contato com a mesa. Lançando esse tetraedro sucessivamente, geramos uma população infinita. A cada um dos quatro possíveis valores de X está associada a probabilidade ¼. Distribuição conjunta e variáveis independentes Consideremos agora que temos dois desses tetraedros, um azul e outro branco, e que esses tetraedros são lançados simultaneamente ou um após o outro. Sejam X e Y os resultados relativos aos tetraedros azul e branco, respectivamente. Obviamente, as variáveis X e Y são independentes. Distribuição conjunta e variáveis dependentes Admitamos agora que temos um tetraedro azul como o descrito e quatro tetraedros brancos, denominados B1, B2, B3 e B4, diferentes quanto aos números marcados em suas faces, que são: Suponhamos que lançamos o tetraedro azul e que X foi o resultado obtido Distribuição conjunta e variáveis dependentes Suponhamos ainda que devemos, então, lançar um dos tetraedros brancos, de acordo com a seguinte regra: B1 se X = 0; B2 se X = 2; B3 se X = 4 e B4 se X =6. Seja Y o resultado obtido desse segundo lançamento. É claro que X e Y não são independentes. Imaginando que o resultado de X = 2, Sabemos que P(X = 2) = ¼. Com esse resultado lança-se o tetraedro B2, dados os números marcados nas faces desse tetraedro, P(Y = 2 , X = 2) = 1/4 . 2/4 = 2/16, conforme a tabela anterior. Propriedades da Esperança Matemática As propriedades apresentadas a seguir são válidas tanto para variáveis discretas como para variáveis contínuas. Se K é uma constante: Se K é uma constante: Se X e Y são duas variáveis aleatórias quaisquer: Se X e Y são duas variáveis aleatórias independentes: Variância e Covariância Por definição, a variância de uma variável aleatória X, de população infinita, é: Algumas propriedades são: Se K é uma constante: Se K é uma constante: Para confirmar essas propriedades, consideremos a população infinita gerada quando se lança um tetraedro regular, feito de material homogêneo, em cujas faces estão marcados os valores (0, 2, 4, 6). A distribuição dessa variável aleatória está na Tabela a seguir: Variância e Covariância Calcule a variância; Se os valores da variável forem todos acrescidos de 10, passando a ser 10, 12, 14 e 16, a variância continua sendo igual a 5 (confirmando a primeira propriedade); Se os valores da variável forem todos divididos por 2 (multiplicados por 0,5) passando a ser 0, 1, 2, 3 a variância será multiplicada por 0,52 (confirmando a segunda propriedade). Nova variância 5/4. Variância e Covariância Se é a variância da distribuição marginal de X e é a variância da distribuição marginal de Y, a correlação entre X e Y é: O conceito de correlação será pormenorizadamente analisado posteriormente. Para entender o conceito de covariância, primeiro vamos entender mais uma propriedade da variância: Variância e Covariância Demonstraremos a seguir que, sendo X e Y duas variáveis aleatórias: Temos que Então: Utilizando a propriedade da esperança em que Covariância de variáveis independentes Exemplo: Covariância de variáveis independentes Colocando os resultados na equação: Pode-se constatar que Devemos frisar que, embora cov(X,Y) = 0 sempre que as variáveis aleatórias são independentes, o inverso não é verdadeiro, isto é, se cov(X,Y) = 0, não podemos concluir que X e Y são independentes. Entretanto, é possível demonstrar que, se as variáveis têm distribuição normal, o fato de a covariância ser igual a zero é condição suficiente para afirmar que são independentes. Covariância de variáveis dependentes Vejamos um exemplo de duas variáveis com covariância não-nula. No lançamento de um de nossos tetraedros, seja X o valor marcado na face que fica em contato com a mesa e W a soma dos valores marcados nas outras três faces Como exercício o leitor pode constatar que V(W-X)=20 Também resolver um exemplo prático de economia Momentos Momentos são medidas descritivas de uma série de dados que ajudam a determinar outras medidas descritivas desta série. Conforme a potência considerada tem-se o grau e a ordem do momento. Dada a distribuição de uma variável aleatória X, por definição, o momento de ordem k em relação à origem é O primeiro momento em relação à origem é a média de X, isto é: Por definição, o momento de ordem k em relação à média de X é: Momentos O primeiro momento em relação à média é a esperança do desvio de X em relação à sua média, que é zero O segundo momento em relação à média é a variância de X: O terceiro momento em relação à média está relacionado com a assimetria dadistribuição. Uma distribuição é simétrica se Nas distribuições simétricas, o terceiro momento em relação à média é sempre igual a zero. Nas distribuições assimétricas à direita, o terceiro momento em relação à média é positivo, e nas distribuições assimétricas à esquerda é negativo. Momentos Vejamos como exemplo as três distribuições apresentadas na tabela: Momentos As distribuições da Tabela anterior podem ser representadas nos gráficos: É fácil verificar que, para as três distribuições, a média é igual a zero, e a variância igual a 1,20. Entretanto, os terceiros momentos em relação à média são diferentes, pois as distribuições diferem quanto à assimetria. M3 de A é zero, M3 de B é 0,9 e M3 de C é -0,90 Momentos O coeficiente de assimetria é definido por Ele dá uma medida adimensional da assimetria. Para as distribuições A, B e C, dadas na tabela anterior, esse coeficiente assume os valores zero, 0,685 e -0,685, respectivamente. Vimos na seção anterior que a média, a mediana e a moda de uma distribuição de frequências unimodal têm suas posições relativas relacionadas com a assimetria da distribuição. Momentos Em uma distribuição discreta, a moda é o valor da variável aleatória associado com a maior probabilidade. A mediana de uma variável aleatória com distribuição discreta e com os valores ordenados de forma crescente é D = Xn tal que: Para os valores das distribuições A, B e C na tabela anterior, a mediana é sempre igual a zero, e as modas são zero, -1 e 1 respectivamente Momentos Se a variável aleatória é contínua, com função de densidade f(x), a moda é o valor (M) que maximiza f(X) e a mediana é o valor D, tal que Uma distribuição pode não ter moda, como a distribuição uniforme, por exemplo; pode ter uma moda (unimodal), duas modas (bimodal) um mais (multimodal). Nas distribuições unimodais simétricas, temos . Tipicamente, temos em distribuições unimodais positivamente assimétricas e em distribuições unimodais negativamente assimétricas. Momentos O primeiro coeficiente de assimetria de Pearson é Para as distribuições A, B e C da tabela anterior, os valores desse coeficiente são zero, 0,913 e -0,913, respectivamente. O segundo coeficiente de assimetria de Pearson é Os dois coeficientes de assimetria de Pearson terão valores semelhantes para essas distribuições Momentos O quarto momento em relação à media está relacionado com a curtose da distribuição. Esse momento será exemplificando através da tabela As distribuições D e E têm media zero, variância igual a 1,4 e terceiro momento em relação à média igual a zero, uma vez que ambas são simétricas. Momentos Entretanto, como essas distribuições diferem quanto à curtose, os valores do quarto momento em relação à média são diferentes. Assim para a distribuição D, que é leptocúrtica, M4 = 9,8, e para a distribuição E, que é platicúrtica, M4 = 4,28 No caso da distribuição D: E para o caso da distribuição E: Interpretação do coeficiente: >3 leptocurtica; <3 platicurtica; =3 mesocurtica. (a normal é mesocurtica) Momentos Separatrizes Quando vimos que a função de distribuição de uma variável contínua X é: Se o valor de F(X) é fixado em 0,5, o correspondente valor de X é a mediana da distribuição Se o valor de F(X) for fixado, sucessivamente em 0,25; 0,5; 0,75, os correspondentes valores de X são, respectivamente, o 1º quartil, o 2ºquartil e o 3º quartil. Os 3 quartis dividem a distribuição em 4 partes. Se F(X) for fixado, sucessivamente, em 0,1; 0,2; 0,3; 0,4; 0,5; 0,6; 0,7; 0,8; 0,9 os valores são os 9 decis que dividem a distribuição em 10 partes. Separatrizes Para o caso das variáveis discretas, o cálculo do quartil pode ser feito da seguinte maneira. Com os dados em ordem crescente. Em que i é o percentual de dados à esquerda do quartil que se quer calcular; n é o número de observações Coeficiente de variação Dada uma variável aleatória com média e variância o coeficiente de variação da distribuição é, por definição, igual a . O coeficiente de variação é um número adimensional e, portanto, seu valor independe da unidade de medida da variável analisada. Isso é importante pelo fato de que desta forma variáveis diferentes podem ser comparadas no que diz respeito à dispersão. EXERCÍCIOS 6.1, 6.2, 6.3, 6.6, 6.9, 6.11, 6.12, 6.13, 6.14 image1.png image2.png image3.jpeg image4.emf image5.emf image6.emf image7.emf image8.emf image9.emf image10.emf image11.emf image12.emf image13.emf image14.emf image15.emf image16.emf image17.emf image18.emf image19.emf image20.emf image21.emf image22.emf image23.emf image24.emf image25.emf image26.emf image27.emf image28.emf image29.emf image30.png image30.emf image31.emf image32.emf image33.emf image34.emf image35.emf image36.emf image37.emf image38.emf image39.emf image40.emf image41.emf image42.emf image43.emf image44.emf image45.emf image46.emf image47.emf image48.emf image49.emf image50.emf image51.emf image52.emf image53.png image53.emf image54.emf image55.emf image56.emf image58.png image57.emf image58.emf image59.emf image60.emf image61.png image62.png image61.emf image62.emf image63.emf image64.emf image65.emf image66.emf image67.emf image68.emf
Compartilhar