Baixe o app para aproveitar ainda mais
Prévia do material em texto
Estat´ıstica Matema´tica I Roseli Aparecida Leandro Marc¸o de 2005 Depto. de Cieˆncias Exatas, ESALQ/USP e-mail: raleandr@esalq.usp.br 1 Varia´veis aleato´rias Varia´veis aleato´rias discretas Seja X uma varia´vel aleato´ria. Se o nu´mero de valores poss´ıveis de X (isto e´, de X ) for finito ou infinito enu- mera´vel, denominaremos X de varia´vel aleato´ria discreta. Isto e´, os valores de X, podem ser dispostos em uma lista como x1, x2, . . .. No caso finito a lista acaba, e no caso in- finito enumera´vel, a lista continua indefinidamente. Ob- serve que se X = {1,5; 2,5; 3,5} enta˜o a varia´vel aleato´ria correspondente sera´ uma varia´vel aleato´ria discreta. 2 A cada poss´ıvel resultado xi ∈ X associaremos um nu´mero p(xi) = P (X = xi) = P{ω ∈ Ω : X(ω) = xi}, denominado probabilidade de xi. Os nu´meros p(xi), i = 1,2, . . . devem satisfazer a`s seguntes condic¸o˜es: (a) p(xi) ≥ 0 para todo i, (b) ∑∞ i=1 p(xi) = 1 A func¸a˜o p e´ denominada func¸a˜o de probabilidade da varia´vel aleato´ria X. A colec¸a˜o de pares {(xi, p(xi)), i = 1,2, . . .}, de- nominada distribuic¸a˜o de probabilidades de X. 3 Varia´veis aleato´rias cont´ınuas Diz-se que X e´ uma varia´vel aleato´ria cont´ınua, se X puder assumir qualquer valor no intervalo (c, d). Observe que c e d podem ser −∞ e ∞. Se existir uma func¸a˜o f que satisfac¸a a`s seguintes condic¸o˜es: (a) f(x) ≥ 0 para todo x, (b) ∫ ∞−∞ f(x)dx = 1 f sera´ denominada func¸a˜o densidade de probabilidade (fdp) de X . Para quaisquer a, b , −∞ < a < b <∞, define-se: P (a ≤ X ≤ b) = ∫ b a f(x)dx. 4 Func¸a˜o de distribuic¸a˜o acumulada Seja X uma varia´vel aleato´ria, discreta ou cont´ınua. Define-se a funca˜o real de varia´vel real F como a func¸a˜o de distribuic¸a˜o acumulada da varia´vel aleato´ria X (abreviadamente indicada por fd) como F (x) = P (X ≤ x) = P{ω ∈ Ω : X(ω) ≤ x}. (a) Se X for uma varia´vel aleato´ria discreta F (x) = ∑ j:xj≤x p(xj) (b) Se X for uma varia´vel aleato´ria cont´ınua com fdp f , F (x) = ∫ x −∞ f(t)dt 5 X Exemplo: Caso discreto X Exemplo Considere o experimento E: Lanc¸ar uma moeda 3 vezes. Defina a varia´vel aleato´ria X como sendo o nu´mero de caras obtidas nos 3 lanc¸amentos. Temos, ω X(ω) (ca, ca, ca) 3 (ca, ca, co) 2 (ca, co, ca) 2 (co, ca, ca) 2 (ca, co, co) 1 (co, ca, co) 1 (co, co, ca) 1 (co, co, co) 0 6 O campo de variac¸a˜o da varia´vel aleato´ria X e´ X = {0,1,2,3}. Assumindo que os oito pontos do espac¸o amostral Ω tenha a mesma probabilidade de 1 8 a probabilidade P induzida em X sera´: x PX(x) 0 1 8 1 3 8 2 3 8 3 1 8 Construa F . Resultados X A func¸a˜o F e´ na˜o decrescente. Isto e´, se x1 ≤ x2 teremos F (x1) ≤ F (x2). X F e´ cont´ınua a direita. X limx→−∞ F (x) = 0 e limx→∞F (x) = 1 7 X Seja F a fd de uma varia´vel aleato´ria cont´ınua, com fdp f . Enta˜o, f(x) = d dx F (x), para todo x no qual F seja deriva´vel. X Seja X uma varia´vel aleato´ria discreta, com valores poss´ıveis x1, x2, . . . , e suponha-se que esses valores tenham sido indexados de modo que, x1 < x2 < . . .. Seja F a fd de X. Enta˜o, p(xj) = P (X = xj) = F (xj)− F (xj−1) 8 Distribuic¸o˜es Bivariadas Em muitos experimentos podemos estar interessados em dois ou mais caracter´ısticos nume´ricos simultaneamente. Por exemplo, a dureza H e a tensa˜o de ruptura de uma pec¸a manufaturada de ac¸o poder´ıamos, nesse caso, considerar (h, t) como resultado experimental. Poder´ıamos estudar a estatura X e o peso Y de alguma pessoa escolhida ao acaso o que forneceria o resultado (x, y). Sejam E um experimento e Ω um espac¸o amostral associado a E. Sejam X = X(ω) e Y (ω) duas func¸o˜es, cada uma associando um nu´mero real a cada resultado ω ∈ Ω. Denominaremos (X,Y ) uma varia´vel aleato´ria bidimensional (algumas vezes chamada vetor aleato´rio). 9 Se X1 = X1(ω), X2 = X2(ω), . . . , Xn = Xn(ω) forem n func¸o˜es, cada uma associando um nu´mero real a cada resultado elementar ω ∈ ω, denominaremos (X1, X2, . . . , Xn) uma varia´vel aleato´ria n- dimensional (ou um vetor aleato´rio n-dimensional). (X,Y ) sera´ uma varia´vel aleato´ria discreta bidimensional se os valores poss´ıveis de (X,Y ) forem finitos ou infinitos enumera´veis. Isto e´, se os valores poss´ıveis de (X,Y ) puderem ser representa- dos por (xi, yj), i = 1,2, . . . ; j = 1,2, . . .. (X,Y ) sera´ uma varia´vel aleato´ria cont´ınua bidimensional se X e Y puder assumir todos os valores em algum conjunto na˜o- enumera´vel do plano real. Observe que, podemos ter, tambe´m, os casos “mistos”: X dis- creta e Y cont´ınua e/ou vice-versa. 10 Func¸a˜o de probabilidade conjunta: caso discreto Seja (X,Y ) uma varia´vel aleato´ria discreta bidimensional. A cada resultado poss´ıvel (xi, yi) associaremos um nu´mero p(xi, yj) = P (Xi = xi, Yj = xj) = P (w ∈ Ω : X(ω) = xi e Y (ω) = yj) que satisfaz (a) p(xi, yj) ≥ 0 para todo (xi, yj), (b) ∑∞ i=1 ∑∞ j=1 p(xi, yj) = 1 a func¸a˜o p assim definida e´ chamada func¸a˜o de probabilidade de (X,Y ). O conjunto dos ternos {(xi, yj, P (xi, yj)), i, j = 1,2, . . .} e´ denominado distribuic¸a˜o de probabilidades conjunta de (X,Y ). 11 Func¸a˜o densidade de probabilidade conjunta: Caso Cont´ınuo Seja (X,Y ) uma varia´vel aleato´ria cont´ınua assumindo todos os valores em alguma regia˜o R do plano euclidiano. A func¸a˜o den- sidade de probabilidade conjunta f e´ uma func¸a˜o que satisfaz a`s seguintes condic¸o˜es: (a) f(x, y) ≥ 0 para todo (x, y) ∈ R, (b) ∫∞−∞ ∫∞−∞ f(x, y)dxdy = 1 12 Func¸a˜o de distribuic¸a˜o acumulada conjunta Seja (X,Y ) uma varia´vel aleato´ria bidimensional. A func¸a˜o de distribuic¸a˜o acumulada (fd) da varia´vel aleato´ria bidimensional (X,Y ) e´ definida por: FXY (x, y) = P (X ≤ x, Y ≤ y) Resultado: X Se F for a fd de uma varia´vel aleato´ria bidimensional com fdp f enta˜o: ∂FXY (x, y) ∂x∂y = fXY (x, y) 13 sempre que F for deriva´vel. Distribuic¸o˜es marginais A cada varia´vel aleato´ria bidimensional (X,Y ) associamos duas varia´veis aleato´rias unidimensionais, a saber, X e Y , individual- mente. Isto e´, podemos estar interessados na distribuic¸a˜o de probabilidades de X ou de Y . Resultado: X No caso discreto bidimensional teremos: ⋆ A distribuic¸a˜o de probabilidade marginal de X p(xi) = P (X = xi) = P (X = xi, Y = y1 ou X = xi, Y = y2 ou . . .) = ∞∑ j=1 p(xi, yj) 14 ⋆ A distribuic¸a˜o de probabilidade marginal de Y p(yi) = P (X = yj) = P (X = x1, Y = yj ou X = x2, Y = yj ou . . .) = ∞∑ i=1 p(xi, yj) X No caso cont´ınuo bidimensional teremos: Seja fXY a fdp conjunta da varia´vel aleato´ria bidimensional cont´ınua (X,Y ). Definem-se as func¸o˜es de densidades marginais de X, fX, e de Y , fY por: fX(x) = ∫ ∞ −∞ fX,Y (x, y)dy e fY (y) = ∫ ∞ −∞ fX,Y (x, y)dx Probabilidade condicionada X Caso discreto p(xi|yj) = P (X = xi|Y = yj) = p(xi, yj) p(yj) se p(yj) > 0 p(yj|xi) = P (Y = yj|X = xi) = p(xi, yj) p(xi) se p(xi) > 0 15 No caso cont´ınuo, a formulac¸a˜o da probabilidade condicionada apresenta alguma dificuldade, uma vez que para quaisquer x0 e y0 dados P (X = x0) = P (Y = y0) = 0 Seja (X,Y ) uma varia´vel aleato´ria cont´ınua bidimensional com fdp conjunta f . Sejam fX e fY as fdp marginais de X e Y respectivamente. Enta˜o: ⋆ A fdp de X condicionada a um dado Y = y e´ definida por: fX|Y (x|Y = y) = fX,Y (x, y) fY (y) , fY (y) > 0 16 ⋆ A fdp de Y condicionada a um dado X = x e´ definida por: fY |X(Y |X = x) = fX,Y (x, y) fX(x) , fX(x) > 0 X Interprete geometricamente. X Interprete fX,Y(x, y), fX, fY , fX|Y e fY |X quando X e Y forem, respectivamente, altura do pai e altura do filho. Varia´veis aleato´rias independentes Lembremos que dois eventos A e B sa˜o independentes sss P (A ∩B) = P (A)P (B). X Caso discreto Seja (X,Y ) uma varia´vel aleato´ria discreta bidimensional. Di- remos que X e Y sa˜o varia´veis aleato´rias independentes se, e somente se, p(xi, yj) = p(xi)p(yj) para quaisquer i e j 17 Isto e´, P (X = xi, Y = yj) = p(X = xi)p(Y = yj) para quaisquer i e j X Caso cont´ınuo Seja (X,Y ) uma varia´vel aleato´ria cont´ınua bidimensional. Diremos que X e Y sa˜o varia´veis aleato´rias independentes se, e somente se, f(X,Y )(x, y) = fX(x)fY (y) para todo (x, y) Distribuic¸o˜es de func¸o˜es de varia´veis aleato´rias Dada a distribuic¸a˜o de probabilidade conjunta de (X,Y ), qual a distribuic¸a˜o de probabilidades de Z = H(X,Y )? Se (X,Y ) for uma varia´vel aleato´ria discreta, este problema es- tara´ resolvido facilmente. Considere a situac¸a˜o: Duas linhas de produc¸a˜o fabricam um certo tipo de pec¸a. Suponha que a capacidade ma´xima (em qualquer dia) seja 5 pec¸as na linha I e 3 pec¸as na linha II. Admita que o nu´mero de pec¸as realmente produzidas em qualquer linha seja uma varia´vel aleato´ria, e que 18 (X,Y ) represente a varia´vel aleato´ria bidimensional que fornece o nu´mero de pec¸as produzidas pela linha I e a linha II, respecti- vamente. As seguintes varia´veis aleato´rias podera˜o interessar a` questa˜o: (a) U = min(X,Y ) = menor nu´mero de pec¸as produzidas pelas duas linhas; (b) V = max(X,Y ) = maior nu´mero de pec¸as produzidas pelas duas linhas; (c) W = X + Y = nu´mero total de pec¸as produzidas pelas duas linhas. Para obter a distribuic¸a˜o de U , procedemos como se segue. Os valores poss´ıveis de U sa˜o: 0,1,2,3, ou seja, U = {0,1,2,3}. Temos que P (U = u) = P{ω ∈ Ω : U(ω) = u}∀u ∈ U, Portanto, teremos a seguinte distribuic¸a˜o de probabilidades para a varia´vel aleato´ria U . Tabela: Distribuic¸a˜o de probabilidades para a v.a. U u 0 1 2 3 P (U = u) 0,28 0,30 0,25 0,17 A distribuic¸a˜o de probabilidade das varia´veis aleato´rias V e W pode ser obtida de maneira semelhante. Se (X,Y ) for uma varia´vel aleato´ria bidimensional cont´ınua, e se Z = H(X,Y ) for uma func¸a˜o cont´ınua de (X,Y ) enta˜o Z sera´ uma varia´vel aleato´ria cont´ınua (unidimensional) e o problema de achar sua fdp e´ um pouco mais complicado. Estamos interessados em achar a distribuic¸a˜o de func¸o˜es de varia´veis aleato´rias. Mais precisamente, dada as varia´veis, X1, X2, X3, . . . , Xn e func¸o˜es dessas n varia´veis aleato´rias, digamos: g1(X1, . . . , Xn), . . ., gk(X1, . . . , Xn), desejamos encontrar a dis- tribuic¸a˜o conjunta de Y1, Y2, . . . , Yk, em que Yj = gj(X1, . . . , Xn), j = 1, . . . , k. Se a distribuic¸a˜o conjunta de X1, X2, X3, . . . , Xn e´ dada, enta˜o, pelo menos teoricamente, podemos achar a distribuic¸a˜o conjunta de Y1, Y2, . . . , Yk isto porque a distribuic¸a˜o conjunta de Y1, Y2, . . . , Yk satisfaz FY1,Y2,...,Yk(y1, y2, . . . , yk) = P [Y1 ≤ y1, . . . , Yk ≤ yk] = P [g1(X1, . . . , Xn) ≤ y1, . . . , gk(X1, . . . , Xn) ≤ yk] para y1, . . . , yk, que e´ a probabilidade de um evento descrito em termos de X1, X2, . . . , Xn, e teoricamente tal probabilidade pode ser determinada integrando ou somando a densidade conjunta sobre a regia˜o correspondente ao evento. O problema e´ que em geral o ca´lculo dessa integral ou soma pode ser dif´ıcil de ser determinado. Sera˜o apresentadas treˆs te´cnicas para encontrar a distribuic¸a˜o de func¸o˜es de varia´veis aleato´rias, a saber: 1. Te´cnica da func¸a˜o da distribuic¸a˜o acumulada; 2. Te´cnica da func¸a˜o geradora de momentos; 3. Te´cnica da Transformac¸a˜o ou me´todo do Jacobiano. 19 Te´cnica da func¸a˜o da distribuic¸a˜o acumulada Descric¸a˜o da te´cnica: Se a func¸a˜o de distribuic¸a˜o conjunta das varia´veis aleato´rias X1, . . . , Xn e´ conhecida, enta˜o, teoricamente, a distribuic¸a˜o de Y1, . . . , Yk pode ser determinada, em que Yj = gj(X1, . . . , Xn), j = 1, . . . , k para func¸o˜es conhecidas g1(., . . . , .), . . ., gk(., . . . , .). Por definic¸a˜o, a func¸a˜o de distribuic¸a˜o acumulada de Y1, Y2, . . . , Yk e´ FY1,Y2,...,Yk(y1, y2, . . . , yk) = P [Y1 ≤ y1, . . . , Yk ≤ yk] 20 Mas para cada y1, . . . , yk o evento {Y1 ≤ y1; . . . ;Yk ≤ yk} ≡ {g1(X1, . . . , Xn) ≤ y1, . . . , gk(X1, . . . , Xn) ≤ yk} o qual e´ um evento descrito em termos das varia´veis aleato´rias conhecidas, X1, . . . , Xn e das func¸o˜es, tambe´m conhecidas, g1(., . . . , .), . . ., gk(., . . . , .). Desde que a distribuic¸a˜o conjunta de X1, . . . , Xn e´ assumida co- nhecida a probabilidade do evento {g1(X1, . . . , Xn) ≤ y1, . . . , gk(X1, . . . , Xn) ≤ yk} pode ser calculada e consequentemente FY1,Y2,...,Yk(., . . . , .) deter- minada. 21 XExemplo Suponha que X tenha distribuic¸a˜o normal padra˜o e que dese- jamos calcular a distribuic¸a˜o de Y = g(X) = X2. FY (y) = P [Y ≤ y] = P [X2 ≤ y] = P [− √ y ≤ X ≤ √y] = Φ( √ y)−Φ(−√y) = 2 ∫ √y 0 Φ(u)du = 2 ∫ √y 0 1√ 2π e −1 2 u2 du = 2√ 2π ∫ y 0 1 2 √ z e −1 2 z dz = ∫ y 0 1 Γ( 1 2 ) 1√ 2z e −1 2 z dz, y > 0, que e´ a func¸a˜o de distribuic¸a˜o acumulada de uma distribuic¸a˜o gama com paraˆmetros r = 1 2 e λ = 1 2 , ou ainda, uma distribuic¸a˜o χ2 com 1 grau de liberdade. 22 XExemplo: Distribuic¸a˜o do ma´ximo e do m´ınimo Sejam X1, . . . , Xn, n varia´veis aleato´rias. Defina Y1 = min[X1, . . . , Xn] e Yn = max[X1, . . . , Xn]. O evento {Yn ≤ y} e´ equivalente ao evento {X1 ≤ y, . . . , Xn ≤ y}, sendo assim, FYn(y) = P [Yn ≤ y] = P [max[X1, . . . , Xn] ≤ y] = P [X1 ≤ y, . . . , Xn ≤ y] . Assumindo independeˆncia entre os Xi, i = 1, . . . , n, teremos, 23 FYn(y) = n∏ i=1 P [Xi ≤ y] = n∏ i=1 FXi(y) E, portanto, a func¸a˜o de distribuic¸a˜o acumulada de Yn = max[X1, . . . , Xn] podera´ ser expressa em termos da func¸a˜o de distribuic¸a˜o acu- mulada marginal de X1, . . . , Xn. Se assumirmos que os Xi, i = 1, . . . , n sa˜o identicamente distribu´ıdos possuindo a mesma dis- tribuic¸a˜o acumulada, FX(.) enta˜o, n∏ i=1 FXi(y) = [FX(y)] n Assim foi provado o Teorema Teorema Se X1, . . . , Xn sa˜o varia´veis aleato´rias independentes e Yn = max[X1, . . . , Xn], enta˜o: FYn(y) = n∏ i=1 FXi(y) Se X1, . . . , Xn sa˜o varia´veis aleato´rias independentes e identica- mente distribu´ıdas com func¸a˜o de distribuic¸a˜o acumulada FX(.) enta˜o: FYn(y) = [FX(y)] n Corola´rio Se X1, . . . , Xn sa˜o varia´veis aleato´rias cont´ınuas independentes e identicamente distribu´ıdas com a mesma func¸a˜o densidade de probabilidade fX(x) e func¸a˜o de distribuic¸a˜o acumulada FX(x), enta˜o: fYn(y) = n[FX(y)] n−1fX(y) Demonstrac¸a˜o. fYn(y) = d dy FYn(y) = n[FX(y)] n−1fX(y) Similarmente, FY1(y) = P [Y1 ≤ y] = 1− P [Y1 > y] e o evento {Y1 > y} e´ equivalente ao evento {X1 > y, . . . ,Xn > y}, sendo assim, FY1(y) = P [Y1 ≤ y] = P [min[X1, . . . , Xn] ≤ y] = 1− P [Y1 > y] = 1− P [X1 > y, . . . ,Xn > y]. Assumindo independeˆncia entre os Xi, i = 1, . . . , n, teremos, FY1(y) = 1− n∏ i=1 P [Xi > y] = 1− n∏ i=1 [1− FXi(y)] E, portanto, a func¸a˜o de distribuic¸a˜o acumulada de Y1 = min[X1, . . . , Xn] podera´ ser expressa em termos da func¸a˜o de distribuic¸a˜o acu- mulada marginal de X1, . . . , Xn. Se assumirmos que os Xi, i = 1, . . . , n sa˜o identicamente distribu´ıdos possuindo a mesma dis- tribuic¸a˜o acumulada, FX(.) enta˜o, FY1(y) = 1− n∏ i=1 [1− FXi(y)]= 1− [1− FX(y)]n Assim foi provado o Teorema Teorema Se X1, . . . , Xn sa˜o varia´veis aleato´rias independentes e Y1 = min[X1, . . . , Xn], enta˜o: FY1(y) = 1− n∏ i=1 [1− FXi(y)] Se X1, . . . , Xn sa˜o varia´veis aleato´rias independentes e identica- mente distribu´ıdas com func¸a˜o de distribuic¸a˜o acumulada FX(.) enta˜o: FY1(y) = 1− [1− FX(y)]n Corola´rio Se X1, . . . , Xn sa˜o varia´veis aleato´rias cont´ınuas independentes e identicamente distribu´ıdas com a mesma func¸a˜o densidade de p robabilidade fX(x) e func¸a˜o de distribuic¸a˜o acumulada FX(x), enta˜o: fY1(y) = n[1− FX(y)]n−1fX(y) Demonstrac¸a˜o. fY1(y) = d dy FY1(y) = n[1− FX(y)]n−1fX(y) Exerc´ıcio Suponha que o tempo de vida de um certo tipo de laˆmpada e´ exponencialmente distribu´ıdo com me´dia de 100 horas. Se 10 sa˜o instaladas simultaneamente, qual e´ a distribuic¸a˜o do tempo de vida da primeira laˆmpada a falhar e qual e´ o seu tempo de vida me´dio? Fac¸a um esboc¸o do gra´fico da distribuic¸a˜o do tempo de vida m´ınimo utilizado o software MAPLE. Fac¸a, tambe´m, um estudo do comportamento dessa distribuic¸a˜o. 24 Soluc¸a˜o: Suponhamos que Xi denote o tempo de vida da i- e´sima laˆmpada; enta˜o Y1 = min[X1, . . . , Xn] e´ o tempo de vida da primeira laˆmpada a falhar. Assuma que os Xi sa˜o independentes (por exemplo, se as laˆmpadas forem instaladas em paralelo seus tempos de vida sera˜o independentes). Temos, fXi(x) = 1 100 e−1/100xI(0,∞)(x) e FXi(x) = ( 1− e−1/100x ) I(0,∞)(x). 25 Assim, fY1(y) = 10(e −1/100y)10−1 1 100 e−1/100yI(0,∞)(y) = 10 100 e−10/100yI(0,∞)(y) que e´ a func¸a˜o de densidade de probabilidade de uma varia´vel aleato´ria com distribuic¸a˜o exponencial de paraˆmetro λ = 1 10 e portanto, E[Y1] = 1/λ = 10 horas. Programa > restart: > f1:=t->10/100*exp(-10/100*t); int(f1(t),t=0..infinity); > int(f1(t),t=0..infinity); > with(plots): > g1:=plot(f1(t),t=0..50, title="Tempo de vida minı´mo de dez la^mpadas", > color=green, thickness=3,labels=[tempo,fdp]): > display(g1); > limit(f1(t),t=0.0,right); > limit(f1(t),t=infinity); > int(t*f1(t),t=0..infinity); 26 Distribuic¸a˜o da soma e da diferenc¸a Teorema Sejam X e Y varia´veis aleato´rias cont´ınuas distribu´ıdas conjunta- mente com densidade fX,Y (x, y) e seja Z = X+ Y e V = X − Y . Enta˜o, fZ(z) = ∫ ∞ −∞ fX,Y (x, z − x)dx = ∫ ∞ −∞ fX,Y (z − y, y)dy (1) e fV (v) = ∫ ∞ −∞ fX,Y (x, x− v)dx = ∫ ∞ −∞ fX,Y (v+ y, y)dy (2) Demonstrac¸a˜o. Demonstremos a (1). De maneira similar pode- mos demonstrar (2). FZ(z) = P [Z ≤ z] = P [X + Y ≤ z] = ∫ ∫ x+y≤z fX,Y (x, y)dxdy = ∫ ∞ −∞ [∫ z−x −∞ fX,Y (x, y)dy ] dx = ∫ ∞ −∞ [∫ z −∞ fX,Y (x, u− x)du ] dx pela substituic¸a˜o de y = u− x e assim, fZ(z) = dFZ(z) dz = d dz {∫ ∞ −∞ [∫ z −∞ fX,Y (x, u− x)du ] dx } = d dz {∫ z −∞ [∫ ∞ −∞ fX,Y (x, u− x)dx ] du } = ∫ ∞ −∞ fX,Y (x, z − x)dx ⋆ Observe que: ∫ b a ∫ d c f(x, y)dydx = ∫ d c ∫ b a f(x, y)dxdy (Integrais iteradas) a, b, c, d podem ser −∞ ou ∞. Esboce a regia˜o de integrac¸a˜o para verificar os limites de inte- grac¸a˜o! Programa ?inequal with(plots): inequal( x+y-2>=0, x=-3..3, y=-3..3, optionsfeasible=(color=red), optionsopen=(color=blue,thickness=2), optionsclosed=(color=green, thickness=3), optionsexcluded=(color=yellow) ); Corola´rio Se X e Y sa˜o varia´veis aleato´rias cont´ınuas, independentes e Z = X + Y , enta˜o: fZ(z) = fX+Y (z) = ∫ ∞ −∞ fY (z − x)fX(x)dx = ∫ ∞ −∞ fX(z − y)fY (y)dy A equac¸a˜o (3) e´ chamada de fo´rmula de convoluc¸a˜o. X Exemplo Suponha que X e Y sa˜o v.a. i.i.d.com densidade fX(x) = fY (y) = I(0,1)(x). Observe que Z = X + Y ∈ (0,2), temos que: fZ(z) = ∫ ∞ −∞ fY (z − x)fX(x)dx = ∫ ∞ −∞ I(0,1)(z − x)I(0,1)(x)dx = ∫ ∞ −∞ { I(0,z)(x)I(0,1)(z)I(z−1,1)(x)I[1,2)(z) } dx = I(0,1)(z) ∫ z 0 dx+ I[1,2)(z) ∫ 1 z−1 dx = zI(0,1)(z) + (2− z)I[1,2)(z) 27 Distribuic¸a˜o do produto e do quociente Teorema Sejam X e Y varia´veis aleato´rias cont´ınuas conjuntamente dis- tribu´ıdas com densidade fX,Y (x, y), e seja Z = XY e U = X/Y enta˜o: fZ(z) = ∫ ∞ −∞ 1 | x |fX,Y ( x, z x ) = ∫ ∞ −∞ 1 | y |fX,Y ( z y , y ) dy (3) e fU(u) = ∫ ∞ −∞ | y | fX,Y (uy, y)dy (4) 28 Demonstrac¸a˜o. Provaremos a equac¸a˜o (3). Fz(z) = P [Z ≤ z] = ∫ xy≤z ∫ fX,Y (x, y)dxdy = ∫ 0 −∞ [∫ ∞ z/x fX,Y (x, y)dy ] dx+ ∫ ∞ 0 [∫ z/x −∞ fX,Y (x, y)dy ] dx, fazendo a substituic¸a˜o, u = xy ∫ 0 −∞ [∫ −∞ z fX,Y (x, u x ) du x ] dx+ ∫ ∞ 0 [∫ z −∞ fX,Y (x, u x ) du x ] dx = 29 ∫ z −∞ [∫ 0 −∞ −1 x fX,Y (x, u x )dx ] du+ ∫ z −∞ [∫ ∞ 0 1 x fX,Y (x, u x )dx ] du = ∫ z −∞ [∫ ∞ −∞ 1 | x |fX,Y (x, u x )dx ] du; Portanto, fZ(z) = FZ(z) dz = ∫ ∞ ∞ 1 | x |fX,Y (x, z x )dx X Exemplo Suponha que X e Y sa˜o varia´veis aleato´rias independentes uni- formemente distribu´ıdas sobre o intervalo (0,1). Seja Z = XY e U = X Y . fZ(z) = FZ(z) dz = ∫ ∞ ∞ 1 | x |fX,Y (x, z x )dx = ∫ ∞ −∞ 1 | x |I(0,1)(x)I(0,1) ( z x ) dx = ∫ 1 0 1 x I(0,1)(z)I(z,1)(x)dx = I(0,1)(z) ∫ 1 0 1 x I(z,1)(x)dx = I(0,1)(z) ∫ 1 z 1 x dx = −logzI(0,1)(z) 30 Programa g1:=plot(1/x,x=0..2,y=0..2,color=black): g2:=plot(1/(2*x),x=0..2,y=0..2,color=red): g3:=plot(1,x=0..2,color=green): with(plots): display(g1,g2,g3); Temos que z pertence ao intervalo (0,1). Assim z na˜o pode assumir o valor 0 nem 1. Suponhamos por absurdo que z=0 e que x diferente de zero ==> y = 0(y = z/x) isso implicaria que o u´nico ponto pertencente ao quadrado (0,1) × (0,1) seria o ponto (0,0) (esse caso na˜o ocorre visto que x e´ diferente de zero e y tambe´m). 31 O mesmo seria va´lido para z = 1. Somente o ponto (1,1) pertenceria ao quadrado (0,1) × (0,1). Esse caso tambe´m na˜o ocorre. Suponha enta˜o que z seja um valor entre (0,1) (Z = XY ). Sem perda de generalidade suponhamos que z = 1/2 ==> y = 1/(2x). Assim para y = 1, x = 1/2. E assim qualquer ponto da curva y = 1/(2x) cuja abscissa, x estiver entre 1/2 e 1 pertence- ria ao quadrado (0,1)× (0,1) e dessa forma a func¸a˜o indicadora daria resultado 1. solve(1/(2*x)=1,x); 1/2 Observe que como z foi tomado de forma gene´rica enta˜o a func¸a˜o indicadora seria nula para z em (0,1) e x em (z,1). solve(z/x=1,x); z fU(u) = ∫ ∞ −∞ | y | fX,Y (uy, y)dy = ∫ ∞ −∞ | y | I(0,1)(uy)I(0,1)(y)dy = ∫ ∞ −∞ | y | { I(0,1)(u)I(0,1)(y) + I(1,∞)(u)I(0,1/u)(y) } dy = I(0,1)(u) ∫ 1 0 ∫ 1 0 ydy+ I[1,∞)(u) ∫ 1/u 0 ydy = 1 2 I(0,1)(u) + 1 2 ( 1 u )2 I(1,∞)(u) Note que E [ X Y ] = E[U ] = 1 2 ∫ 1 0 udu+ 1 2 ∫ ∞ 1 1 u du = ∞ bem difer- ente de E[X] E[Y ] = 1. Te´cnica da func¸a˜o geradora de momentos Descric¸a˜o da te´cnica: E´ outro me´todo para determinar a distribuic¸a˜o de func¸o˜es de varia´veis aleato´rias que e´ particularmente u´til em determinadas circunstaˆncias. O problema e´ o mesmo: dadas as varia´veis aleato´rias X1, . . . , Xn com densidade conjunta conhecida fX1,...,Xn(x1, . . . , xn) e func¸o˜es g1(., . . . , .), . . .,gk(., . . . , .), queremos encontrar a distribuic¸a˜o con- junta de Y1 = g1(X1, . . . , Xn), . . . , Yk = gK(X1, . . . , Xn). A func¸a˜o geradora de momentos conjunta de Y1, . . ., Yk , se existe e´ dada por, 32 mY1,...,Yk(t1, . . . , tk) = E[e t1Y1+...+tkYk] = ∫ . . . ∫ et1g1(x1,...,xn)+...+tkgk(x1,...,xn) ×fX1,...,Xn(x1, . . . , xn) n∏ i=1 dxi (5) se depois que a integrac¸a˜o da equac¸a˜o (5) for realizada, a func¸a˜o resultante em func¸a˜o de t1, . . . , tk puder ser reconhecida como a func¸a˜o geradora de momentos conjunta de alguma distribuic¸a˜o conjunta conhecida, enta˜o seguira´ que Y1, . . . , Yk tem essa mesma distribuic¸a˜o pelo fato de que, quando existe, a func¸a˜o geradora de momentos e´ u´nica e determina unicamente a func¸a˜o de dis- tribuic¸a˜o. Se k > 1, esta´ te´cnica sera´ de uso limitado visto que podemos reconhecer poucas func¸o˜es geradoras de momentos conjuntas. Para k = 1, a func¸a˜o geradora de momentos e´ func¸a˜o de um u´nico argumento, e teremos uma chance maior de reconhecer a func¸a˜o geradora de momentos resultante. A aplicac¸a˜o mais u´til da te´cnica da func¸a˜o geradora de momentos e´ a de poder ser utilizada para achar soma de varia´veis aleato´rias independentes. X Exemplo Suponha que X tem distribuic¸a˜o normal com me´dia 0 e variaˆncia 1. Seja Y = X2 ache a distribuic¸a˜o de Y . mY (t) = E[e tY ] = E[etX 2 ] = ∫ ∞ −∞ etx 2 fX(x)dx = ∫ ∞ −∞ etx 2 1√ 2π e −1 2 x2 dx = 1√ 2π ∫ ∞ −∞ e −1 2 x2(1− 2t) dx = 1√ 2π (1− 2t)−1/2 (1− 2t)−1/2 ∫ ∞ −∞ e −1 2 x2(1− 2t) dx = (1− 2t) −1 2 = ( 1/2 1/2− t )1/2 , para t < 1 2 , 33 que reconhecemos como a func¸a˜o geradora de momentos da func¸a˜o gama com paraˆmetros r = 1 2 e λ = 1 2 , ou ainda, dis- tribuic¸a˜o χ2 com 1 grau de liberdade. X Exemplo Seja X1 e X2 duas varia´veis aleato´rias com distribuic¸a˜o normal padra˜o. Seja Y1 = g1(X1, X2) = X1 + X2 e Y2 = g2(X1, X2) = X2 −X1. Ache a distribuic¸a˜o conjunta de Y1 e Y2. mY1,Y2(t1, t2) = E[e Y1t1+Y2t2] = E[e(X1+X2)t1+ (X2 −X1)t2] = E[eX1(t1−t2)+X2(t1+t2)] = E[eX1(t1−t2)]E[eX2(t1+t2)] = mX1(t1 − t2)mX2(t1+ t2) = exp (t1 − t2)2 2 exp (t2 − t1)2 2 = exp(t21+ t 2 2) = exp 2t21 2 exp 2t22 2 = mY1(t1)mY2(t2) Notamos que Y1 e Y2 sa˜o varia´veis aleato´rias independentes e cada uma possui distribuic¸a˜o normal com me´dia 0 e variaˆncia 2. Distribuic¸a˜o da soma de v.a.independentes Teorema Se X1, X2, . . . , Xn sa˜o varia´veis aleato´rias independentes e a func¸a˜o geradora de momentos de cada uma delas existe para todos os valores de t tal que −h < t < h para algum h > 0, considere Y = ∑n i=1Xi; enta˜o mY (t) = E exp n∑ i=1 Xit = n∏ i=1 mXi(t) Prove!!! 34 A transformac¸a˜o Y = g(X) Caso Unidimensional A u´ltima das treˆs te´cnicas para achar a distribuic¸a˜o de func¸o˜es de varia´veis aleato´rias e´ a te´cnica da transformac¸a˜o ou me´todo do Jacobiano. Uma varia´vel aleto´ria X pode ser transformada por alguma func¸a˜o g(.) para definir uma nova varia´vel aleto´ria Y . A densidade de Y , fY (y), sera´ determinada pela transformac¸a˜o g(.) juntamente com a distribuic¸a˜o de probabilidade de X, fX(x). Primeiramente, se X e´ uma varia´vel aleto´ria discreta que assume os valores x1, x2, . . . , xn, com probabilidade P [X = x1] = fX(x1), 35 P [X = x2] = fX(x2) , . . . , P [X = xn] = fX(xn) enta˜o a dis- tribuic¸a˜o de probabilidades de Y = g(X) e´ determinada direta- mente pela lei de probabilidades, isto e´, a probabilidade de Y assumir o valor yj e´ dada por: P [Y = yj] = fY (yj) = ∑ i:g(xi)=yj fX(xi) X Exemplo Suponha que X assuma os valores 0,1,2,3,4,5 com probabilida- des fX(0), fX(1), fX(2), fX(3), fX(4) e fX(5). Se Y = g(X) = (X − 2)2, a varia´vel aleato´ria Y assumira´ os valores 0,1,4,9; assim x y 0 4 1 1 2 0 3 1 4 4 5 9 fY (0) = fX(2) fY (1) = fX(1) + fX(3) fY (4) = fX(0) + fX(4) fY (9) = fX(5) Agora, se X e´ uma varia´vel aleato´ria cont´ınua, enta˜o a dis- tribuic¸a˜o acumulada de Y = g(X) pode ser achada pela inte- grac¸a˜o de fX(x) sobre uma regia˜o apropriada, isto e´, FY (y) = P [Y ≤ y] = P [g(X) ≤ y] = ∫ {x:g(x)≤y} fX(x)dx Justamente da mesma forma que a te´cnica da func¸a˜o de dis- tribuic¸a˜o acumulada. X Exemplo Seja X uma varia´vel aleato´ria com distribuic¸a˜o uniforme sobre (0,1) e seja Y = g(X) = X2. Obtenha a f.d.p. de Y . FY (y) = P [Y ≤ y] = P [X2 ≤ y] = ∫ x:x2≤y fX(x)dx = ∫ √y 0 dx = √ y para 0 < y < 1; assim FY (y) = √ yI(0,1)(y) + I[1,∞)(y) e portanto, fY (y) = 1 2 1√ y I(0,1)(y) A aplicac¸a˜o da te´cnica da func¸a˜o de distribuic¸a˜o acumulada para achar a distribuic¸a˜o de probabilidade de Y = g(X) deu origem a te´cnica da transformac¸a˜o (ou me´todo do Jacobiano). Teorema Suponha que X e´ uma varia´vel aleato´ria cont´ınua com f.d.p. dada por fX(x). Seja X = {x : fX(x) > 0}. Assuma que: • y = g(x) define uma transformac¸a˜o 1-1 (um a um) de X em D. • A derivada de x = g−1(y) com relac¸a˜o a y e´ cont´ınua e na˜o- nula para y ∈ D, em que g−1(y) e´ a func¸a˜o inversa de g(x); isto e´, g−1(y) e´ o x tal que g(x) = y. Enta˜o Y = g(X) e´ uma varia´vel aleato´ria cont´ınua com f.d.p. fY (y) = ∣∣∣∣∣ ddyg−1(y) ∣∣∣∣∣ fX(g−1(y))ID(y) X Exemplo Suponha que X tenha distribuic¸a˜o beta com paraˆmetros a e b. Qual e´ a distribuic¸a˜o de probabilidade de Y = − ln(X) Temos que • X = {x : fX(x) > 0} = {x : 0 < x < 1}. • y = g(x) = − ln(x) define uma transformac¸a˜o 1-1 de X em D. • x = g−1(y) = e−y assim d dy g−1(y) = −e−y a qual e´ cont´ınua e na˜o nula para y ∈ D. • D = {y : y > 0}. Assim pelo Teorema fY (y) = ∣∣∣∣∣ ddyg−1(y) ∣∣∣∣∣ fX(g−1(y))ID(y) = e−y 1 B(a, b) (e−y)a−1(1− e−y)b−1I(0,∞)(y) = 1 B(a, b) e−ay(1− e−y)b−1I(0,∞)(y) Em particular, se b = 1, enta˜o B(a, b) = 1 a ; e fY (y) = ae −ayI(0,∞)(y), tem-se a distribuic¸a˜o exponencial com paraˆmetro a. A condic¸a˜o de que g(x) seja uma transformac¸a˜o 1-1 na˜o e´ ne- cessariamente restritiva. Para um transformac¸a˜o y = g(x), cada ponto em X correspondera´ um u´nico ponto D; mas se a um ponto de D corresponder va´rios em X , significa que a transformac¸a˜o na˜o e´ 1−1 e consequentemente o Teorema na˜o pode ser aplicado diretamente. Se, entretanto, X puder ser decomposto em um nu´mero finito (ou mesmo enumera´vel) de conjuntos disjuntos, digamos, X1, X2, . . . , tal que y = g(x) define uma transformac¸a˜o 1-1 de Xi em D, enta˜o a distribuic¸a˜o de probabilidade de Y = g(X) podera´ ser calculada. Seja x = g−1i (y) a inversa de y = g(x) para x ∈ X i. Enta˜o a densidade de Y = g(X) sera´ dada por: fY (y) = ∑∣∣∣∣∣ ddyg−1i (y) ∣∣∣∣∣ fX(g−1i (y))ID(y) (6) em que a soma devera´ ser sobre todos os i tais que g(x) = y para algum valor de x ∈ X i. X Exemplo Seja X uma varia´vel aleato´ria cont´ınua com f.d.p. fX(.), e seja Y = g(X) = X2. Note que X e´ um intervalo que conte´m nu´meros positivos e negativos, enta˜o y = g(x) = x2 na˜o e´ 1-1. Entre- tanto, se X for decomposto em X1 = {x : x ∈ X , x < 0} e X2= {x : x ∈ X , x ≥ 0}, enta˜o y = g(x) define uma transformac¸a˜o 1-1 em cada X i. Observe que g−11 (y) = − √ y e g−12 (y) = √ y. E portanto por (6) fY (y) = [ 1 2 1√ y fX(− √ y) + 1 2 1√ y fX( √ y) ] I(0,∞)(y) Em particular, se fX(x) = 1 2 e−|x| enta˜o fY (y) = 1 2 1√ y e− √ yI(0,∞)(y) ou, se fX(x) = 2 9 (x+1)I(−1,2)(x), fY (y) = [ 1 2 1√ y 2 9 (−√y+1)+ 1 2 1√ y 2 9 (1 + √ y) ] I(0,1)(y)+ 1 2 1√ y 2 9 (1 + √ y)I[1,4)(y) Caso Multidimensional Nessa sec¸a˜o veremos como obter a distribuic¸a˜o conjunta de va´rias varia´veisque sa˜o func¸o˜es de um conjunto de varia´veis aleato´rias. Varia´veis Aleato´rias discretas Suponha que a func¸a˜o de probabilidade FX1,X2,...,Xn(x1, x2, . . . , xn) de n varia´veis aleato´rias discretas X1, X2, . . . , Xn seja conhecida. Seja X os pontos de “massa”de X1, X2, . . . , Xn; isto e´, X = {(x1, x2, . . . , xn) : fX1,X2,...,Xn(x1, x2, . . . , xn) > 0}. 36 Enta˜o a func¸a˜o de distribuic¸a˜o de probabilidade conjunta de Y1 = g1(x1, x2, . . . , xn), . . . , Yk = gk(x1, x2, . . . , xn) e´ dada por: fY1,...,Yn(y1, . . . , yn) = P [Y1 = y1, . . . , Yn = yn] = ∑ fX1,...,Xn(x1, . . . , xn) em que a soma e´ em relac¸a˜o aos (x1, . . . , xn) para os quais (y1, . . . , yn) = (g1(x1, . . . , xn), . . . , gk(x1, . . . , xn)). X Exemplo Suponha que a distribuic¸a˜o conjunta de (X1, X2, X3) seja dada por Tabela : Distribuic¸a˜o de probabilidade do vetor aleato´rio (X1, X2, X3) (x1, x2, x3) fX1,X2,X3(x1, x2, x3) (0,0,0) 1/8 (0,0,1) 3/8 (0,1,1) 1/8 (1,0,1) 1/8 (1,1,0) 1/8 (1,1,1) 1/8 37 Ache a densidade conjunta de Y1 = g1(X1, X2, X3) = X1+X2+X3 e Y2 = g2(X1, X2, X3) = | X3 −X1 | Temos, X = {(0,0,0), (0,0,1), (0,1,1), (1,0,1), (1,1,0), (1,1,1)} e assim, (X1, X2, X3 Y1 = X1+X2+X3 Y2 =| X3 −X2 | (0,0,0) Y1 = 0 Y2 = 0 (0,0,1) Y1 = 1 Y2 = 1 (0,1,1) Y1 = 2 Y2 = 0 (1,0,1) Y1 = 2 Y2 = 1 (1,1,0) Y1 = 2 Y2 = 1 (1,1,1) Y1 = 3 Y2 = 0 Portanto, Y = {(0,0), (1,1), (2,0), (2,1), (3,0)}. Ainda, (y1, y2) fY1,Y2(y1, y2) (0,0) fY1,Y2(0,0) = fX1,X2,X3(0,0,0) = 1 8 (1,1) fY1,Y2(1,1) = fX1,X2,X3(0,0,1) = 3 8 (2,0) fY1,Y2(2,0) = fX1,X2,X3(0,1,1) = 1 8 (2,1) fY1,Y2(2,1) = fX1,X2,X3(1,0,1) + fX1,X2,X3(1,1,0) = 2 8 (3,0) fY1,Y2(3,0) = fX1,X2,X3(1,1,1) = 1 8 Varia´veis aleato´rias cont´ınuas Suponha que dada a func¸a˜o densidade de probabilidade con- junta de fX1,...,Xn(x1, . . . , xn) de n varia´veis aleato´rias cont´ınuas (X1, . . . , Xn). X = {(x1, . . . , xn) : fX1,...,Xn(x1, . . . , xn) > 0}. Queremos obter a a func¸a˜o de distribuic¸a˜o de probabilidade con- junta de Y1 = g1(x1, x2, . . . , xn), . . . , Yk = gk(x1, x2, . . . , xn), em que, k e´ um nu´mero inteiro satisfazendo 1 ≤ k ≤ n. Se k < n introduzimos adicionalmente, novas varia´veis aleato´rias Yk+1 = gk+1(x1, x2, . . . , xn), . . ., Yn = gn(x1, x2, . . . , xn) considerando-se 38 func¸o˜es gk+1, . . ., gn convenientes e dessa maneira encontramos a distribuic¸a˜o conjunta de de Y1, Y2, . . . , Yn, e finalmente, a dis- tribuic¸a˜o marginal desejada Y1, Y2, . . . , Yk. Sem perda de generalidade considera-se k = 2. Teorema Sejam X1 e X2 duas varia´veis aleato´rias cont´ınuas com func¸a˜o densidade de probabilidade conjunta de X1 e X2 conhecida f(X1,X2)(x1, x2). Seja X = {(x1, x2) : fX1,X2(x1, x2) > 0}. Assuma que: ( i) y1 = g1(x1, x2) e y2 = g2(x1, x2) define uma transformac¸a˜o 1-1 de X em D. ( ii) A derivada parcial de primeira ordem de x1 = g −1 1 (y1, y2) e x2 = g −1 2 (y1, y2) sa˜o cont´ınuas sobre D. (iii) O Jacobiano da transformac¸a˜o e´ na˜o-nulo para (y1, y2) ∈ D. Enta˜o a densidade conjunta de Y1 = g1(X1, X2) e Y1 = g1(X1, X2) e´ dada por fY1,Y2(y1, y2) =| J | fX1,X2(g−11 (y1, y2), g−12 (y1, y2))ID(y1, y2) X Exemplo Suponha que X1 e X2 sejam varia´veis aleato´rias independentes, cada uma uniformemente distribu´ıda sobre o intervalo (0,1). En- contre a distribuic¸a˜o de probabilidade conjunta de Y1 = X1+X2 e Y2 = X2 −X1. Tem-se: ( i) fX1,X2(x1, x2) = I(0,1)(x1)I(0,1)(x2) (ii) X = {(x1, x2) : 0 < x < 1 e 0 < y < 1} 39 (iii) x1 = 1 2 (y1− y2) = g−11 (y1, y2) e x2 = 1 2 (y1+ y2) = g −1 2 (y1, y2) ainda, J = ∣∣∣∣∣∣∣∣∣∣∣ ∂x1 ∂y1 ∂x1 ∂y2 ∂x2 ∂y1 ∂x2 ∂y2 ∣∣∣∣∣∣∣∣∣∣∣ = ∣∣∣∣∣∣∣∣∣∣ 1 2 −1 2 1 2 1 2 ∣∣∣∣∣∣∣∣∣∣ = 1 2 portanto, fY1,Y2(y1, y2) = | J | fX1,X2(g−11 (y1, y2), g−12 (y1, y2))ID(y1, y2) = 1 2 I(0,1) ( y1 − y2 2 ) I(0,1) ( y1+ y2 2 ) = 1 2 para (y1, y2) ∈ D 0 c.c. ⋆ Esboce a regia˜o D e encontre as distribuic¸o˜es marginais do exemplo 2.2. X Exemplo Seja X1 e X2 duas varia´veis aleato´rias independentes com dis- tribuic¸a˜o normal. Seja Y1 = X1+X2 e Y2 = X1 X2 . Enta˜o: ( i) fX1,X2(x1, x2) = fX1(x1)fX2(x2) (ii) X = {(x1, x2) : x1 ∈ R e x2 ∈ R} (iii) x1 = y1y2 1+ y2 = g−11 (y1, y2) e x2 = y1 1+ y2 = g−12 (y1, y2) ainda, J = ∣∣∣∣∣∣∣∣∣∣∣ ∂x1 ∂y1 ∂x1 ∂y2 ∂x2 ∂y1 ∂x2 ∂y2 ∣∣∣∣∣∣∣∣∣∣∣ = ∣∣∣∣∣∣∣∣∣∣∣ y2 1+ y2 − y1 (1 + y2)2 1 1+ y2 − y1 (1 + y2)2 ∣∣∣∣∣∣∣∣∣∣∣ = y1 (1 + y2)2 logo, fY1,Y2(y1, y2) = | J | fX1,X2(g−11 (y1, y2), g−12 (y1, y2))ID(y1, y2) = | y1 | (1 + y2)2 1 2π exp { −1 2 [ (y1y2) 2 (1 + y2)2 + y21 (1 + y2)2 ]} = 1 2π | y1 | (1 + y2)2 exp [ −1 2 (1 + y22)y 2 1) (1 + y2)2 ] (7) Para encontrar a distribuic¸a˜o marginal de Y2, deve-se integrar (7) com relac¸a˜o a y1, isto e´, fY2(y2) = ∫ ∞ −∞ fY1,Y2(y1, y2)dy1 = 1 2π 1 (1 + y2)2 ∫ ∞ −∞ | y1 | exp [ −1 2 (1 + y22)y 2 1) (1 + y2)2 ] dy1. Fazendo u = 1 2 (1+ y22)y 2 1) (1 + y2)2 ; enta˜o du = −1 2 (1 + y22) (1 + y2)2 y1dy1 e assim, fY2(y2) = 1 2π 1 (1 + y22) 2 (1 + y22) (1 + y2)2 ∫ ∞ 0 e−udu = 1 π 1 (1 + y2)2 que e´ a densidade de Cauchy. Isto e´, o quociente de duas normais padra˜o independentes tem distribuic¸a˜o de Cauchy. X Exemplo Seja Xi varia´vel aleato´ria gama com paraˆmetros ni e λ para i = 1,2. Assuma que X1 e X2 sa˜o independentes. Encontre a distribuic¸a˜o de Y1 = X1+X2 e Y2 = X1 X2 . Temos, x1 = y1y2 1+ y2 = g−11 (y1, y2) e x2 = y1 1+ y2 = g−12 (y1, y2), portanto, | J |= y1 (1 + y2)2 e fY1,Y2(y1, y2) = y1 (1 + y2)2 1 Γ(n1) 1 Γ(n2) λn1+n2 = ( y1y2 1+ y2 )n1−1( y1 1+ y2 )n2−1 e−λy1ID(y1, y2) = λn1+n2 Γ(n1)Γ(n2) y n1+n2−1 1 e −λy1 y n1−1 2 (1 + y2)n1+n2 I(0,∞)(y1)I(0,∞)(y2) = [ λn1+n2 Γ(n1+ n2) y n1+n2−1 1 e −λy1I(0,∞)(y1) ] 1 B(n1, n2) y n1−1 2 (1 + y2)n1+n2 I(0,∞)(y2) Vemos, assim, que fY1,Y2(y1, y2) = fY1(y1)fY2(y2); assim, Y1 e Y2 sa˜o independentes. Tambe´m, veˆ-se que Y1 = X1 + X2 e´ uma distribuic¸a˜o gama com paraˆmetros n1+ n2 e λ. Se n1 = n2 = 1 enta˜o Y2 e´ o quociente de duas varia´veis aleato´rias independentes exponencialmente distribu´ıdas cuja densidade e´: fY2(y2) = 1 (1+ y2)2 I(0,∞)(y2) E essa densidade possui esperanc¸a infinita. X Exemplo Seja Xi v.a. com distribuic¸a˜o gama com paraˆmetros ni e λ para i = 1,2, e assuma que X1 e X2 sejam independentes. Obtenha a distribuic¸a˜o de Y1 = X1 (X1+X2) utilizando o me´todo da trans- formac¸a˜o. Das treˆs condic¸o˜es que sa˜o impostas sobre as transformac¸o˜es Y1 = g1(X1, X2), a`s vezes a condic¸a˜o restritiva de que a trans- formac¸a˜o seja 1 a 1 pode ser relaxada. Para a transformac¸a˜o y1 = g1(x1, x2) e y2 = g2(x1, x2), cada ponto em X correspon- dera´ um u´nico ponto em D; mas a cada ponto em D podera´ corresponder mais que um u´nico ponto em X o que diz que a transformac¸a˜o na˜o e´ 1 a 1 e consequentemente o teorema () na˜o podera´ ser aplicado. Se, entretanto, X puder ser decomposto em um nu´mero finito de conjuntos disjuntos, digamos, em X1, X2, . . ., Xm de tal forma que, y1 = g1(x1, x2) e y2 = g2(x1, x2) de- fina uma transformac¸a˜o 1 a 1 de cada Xi em D enta˜o a func¸a˜o de densidade conjunta de Y1 = g1(X1, X2) e Y2 = g1(X1, X2) podera´ ser achada. Seja x1 = g −1 1i (y1, y2) e x2 = g −1 2i (y1, y2) a transformac¸a˜o inversa de D em Xi para i = 1, .. . ,m e seja Ji = ∣∣∣∣∣∣∣∣∣∣ ∂g−11i ∂y1 ∂g−11i ∂y2 ∂g−12i ∂y1 ∂g−12i ∂y2 ∣∣∣∣∣∣∣∣∣∣ Teorema Seja X1 e X2 duas varia´veis aleato´rias cont´ınuas com func¸a˜o densidade de probabilidade conjunta fX1,X2(x1, x2). Assuma que X pode ser decomposto em um nu´mero finito de conjuntos disjuntos X1, X2, . . ., Xm de tal forma que y1 = g1(x1, x2) e y2 = g2(x1, x2) e´ uma transformac¸a˜o 1 a 1 de Xi em D. Seja x1 = g −1 1i (y1, y2) e x2 = g −1 2i (y1, y2) a transformac¸a˜o inversa de D em Xi para i = 1, . . . ,m. Assuma que todas as derivadas parciais de primeira ordem de g−11i e g −1 2i sejam cont´ınuas em D e que Ji na˜o se anule em D, i = 1, . . . ,m. Enta˜o, fY1,Y2(y1, y2) =| Ji | fX1,X2(g−11i (y1, y2), g−12i (y1, y2))ID(y1, y2) X Exemplo Assuma que X1 e X2 sejam varia´veis aleato´rias independentes com distribuic¸a˜o normal padra˜o. Considere a transformac¸a˜o y1 = x21+x 2 2 e que y2 = x2, enta˜o, x2 = y2 e x1 = + − √ y1 − y22 e dessa forma a transformac¸a˜o na˜o e´ um-a-um. Os teoremas () e () podem ser generalizados de n = 2 para n > 2. Teorema Sejam X1, . . . , Xn varia´veis aleato´rias cont´ınuas com func¸a˜o den- sidade de probabilidade conjunta fX1,...,Xn(x1, . . . , xn). Assuma que X pode ser decomposto em um nu´mero finito de conjuntos disjuntos X1, X2, . . ., Xm de tal forma que y1 = g1(x1, . . . , xn), . . ., y2 = g2(x1, . . . , xn), . . ., yn = gn(x1, . . . , xn) sa˜o transformac¸o˜es 1 a 1 de Xi em D, i = 1, . . . ,m. Sejam x1 = g−11i (y1, . . . , yn), . . ., xn = g −1 ni (y1, . . . , yn) as transformac¸o˜es inversas de D em Xi para i = 1, . . . ,m. Assuma que todas as derivadas parciais de primeira ordem de g−11i , . . ., g −1 ni sejam cont´ınuas em D e que Ji na˜o se anule em D, i = 1, . . . ,m onde Ji = ∣∣∣∣∣∣∣∣∣∣∣∣∣ ∂g−11i ∂y1 . . . ∂g−11i ∂yn . . . . . . . . . ∂g−1ni ∂y1 . . . ∂g−12i ∂yn ∣∣∣∣∣∣∣∣∣∣∣∣∣ Enta˜o, fY1,...,Yn(y1, . . . , yn) = m∑ i=1 | Ji | fX1,...,Xn(g−11i (y1, . . . , yn), g−12i (y1, . . . , yn)) ID(y1, . . . , yn) X Exemplo Sejam X1, X2, X3 varia´veis aleato´rias independentes com dis- tribuic¸a˜o normal padra˜o e Y1 = X1, Y2 = X1+X2 2 e Y3 = X1+X2+X3 3 . Encontre a distribuic¸a˜o conjunta Y1, Y2, Y3. E a distribuic¸a˜o marginal de Y3. Lista de exerc´ıcios Data de entrega: 28/ 04/ 2005 1. Suponhamos que a varia´vel aleato´ria X seja cont´ınua. Mostre que: (a) f(x) = 2 x I(0,1)(x) e´ fdp. (b) Calcule P (X ≤ 1/2). (c) Calcule P (X ≤ 1/2|1/3 ≤ X ≤ 2/3) (d) Encontre a funca˜o de distribuic¸a˜o acumulada. 40 2. Considerando-se que a func¸a˜o de distribuic¸a˜o acumulada (fd) de X e´ dada por: F (x) = 0 se x < 0 1/3 se 0 ≤ x < 1 1/2 se 1 ≤ x < 2 1 se x ≥ 2 Pergunta-se: (a) X e´ v.a. discreta? Cont´ınua? Ou Mista? (b) Encontre f(x). 3. Suponha que X seja uniformemente distribu´ıda sobre [−α, α], α > 0. Determine α de modo que as seguintes relac¸o˜es sejam satisfeitas: (a) P (X > 1) = 1/3 (b) P (X > 1) = 1/2 (c) P (x < 1/2) = 0,7 (d) P (X < 1/2) = 0,3 (e) P (|X| < 1) = P (|X| > 1) 4. Suponha que a varia´vel aleato´ria X tenha valores poss´ıveis: 1,2,3, . . . e que P (X = r) = k(1− β)(r−1), 0 < β < 1. (a) Determine k. (b) Ache a moda desta distribuic¸a˜o ( isto e´, o valor de r que torne P (X = r) a maior poss´ıvel). 5. Uma varia´vel aleato´ria X pode assumir quatro valores, com probabilidades (1+3x)/4, (1−x)/4, (1+2x)/4 e (1−4x)/4. Para que valores de x tem-se uma distribuic¸a˜o de probabili- dades? 6. Mostre que a func¸a˜o definida abaixo e´ uma fdp de uma varia´vel aleato´ria mista. F (x) = 1/4ex se x ≤ 0 1/8 se 0 ≤ x < 2 (1/2)x se x = 2,3, . . . 0 caso contra´rio 7. (Varia´vel aleato´ria truncada) Suponha que v.a. X tenha distri buic¸a˜o de Poisson com paraˆmetro λ. Defina a v.a. Y como segue: Y = X se X ≥ k ( para um valor inteiro positivo k) e Y ≥ 0 caso contra´rio. Encontre P (Y = y), y = k, k+1, . . .. 8. Duas linhas de produc¸a˜o fabricam um certo tipo de pec¸a. Suponha que a capacidade ma´xima (em qualquer dia) seja 5 pec¸as na linha I e 3 pec¸as na linha II. Admita que o nu´mero de pec¸as realmente produzidas em qualquer linha seja uma varia´vel aleato´ria, e que (X,Y ) represente a varia´vel aleato´ria bidimensional que fornece o nu´mero de pec¸as produzidas pela linha I e a linha II, respectivamente. A Tabela 1 da´ a distribuic¸a˜o de probabilidade conjunta de (X,Y ). Cada casela representa p(xi, yj) = P (X = xi, Y = yj) Assim, p(2,3)=P(X=2, Y=3)=0,04 etc. Tabela 1: Distribuic¸a˜o de probabilidade conjunta de (X,Y ) X Â 0 1 2 3 4 5 Y ↓ 0 0,00 0,01 0,03 0,05 0,07 0,09 1 0,01 0,02 0,04 0,05 0,06 0,08 2 0,01 0,03 0,05 0,05 0,05 0,06 3 0,01 0,02 0,04 0,05 0,06 0,05 (a) Seja B={mais pec¸as sa˜o produzidas pela linha I que pela linha II}. Encontre P (B). (b) Encontre as distribuic¸o˜es marginais. 9. Seja f(x, y) = x2+ xy 3 I(0,1)(x)I(0,2)(y) (a) Verifique que f(x, y) e´ fdp. (b) Seja o evento B = {X + Y ≥ 1}. Encontre P (B). (c) Encontre as distribuic¸o˜es marginais. 10. Suponhamos uma varia´vel aleato´ria bidimensional (X,Y ) uni- formemente distribu´ıda sobre a regia˜o R a qual e´ limitada pelas retas y = x e y = x2. (a) Encontre f . Mostre que e´ uma fdp. (b) Encontre as distribuic¸o˜es marginais. 11. Mostre que p(xi|yj), i = 1,2, . . . e p(yj|xi), j = 1,2, . . . sa˜o func¸o˜es de probabilidade. Estas distribuic¸o˜es sa˜o chamadas de distribuic¸o˜es de probabilidades condicionais. E mostre que sa˜o f.p. . 12. Encontre as distribuic¸o˜es de probabilidades condicionais do exerc´ıcio 8. E mostre que sa˜o f.p. . 13. As varia´veis aleato´rias X e Y do exerc´ıcio 8 sa˜o indepen- dentes. Justifique sua resposta. 14. Suponha que a fdp conjunta de (X,Y ) seja dada por: f(x, y) = e−yI(0,∞)(x)I(x,∞)(y) (a) Ache a fdp marginal de X. (b) Ache a fdp marginal de Y . (c) Calcule P (X > 2|Y < 4). (d) X e Y sa˜o varia´veis aleato´rias independentes? Justifique. 15. Seja X1 e X2 duas varia´veis independentes com distribuic¸a˜o normal padra˜o. Seja Y = (X2 −X1)2 2 , ache a distribuic¸a˜o de Y . 16. Suponha que X1, X2, . . . , Xn sejam varia´veis aleato´rias inde- pendentes com distribuic¸a˜o Bernoulli, isto e´, P [Xi = 1] = p e P [Xi = 1] = 1− p. Ache a distribuic¸a˜o de probabilidade de Y = ∑n i=1Xi. 17. Suponha que X1, X2, . . . , Xn sejam varia´veis aleato´rias inde- pendentes com distribuic¸a˜o Poisson com paraˆmetro λi. Ache a distribuic¸a˜o de probabilidade de Y = ∑n i=1Xi. 18. Suponha que X1, X2, . . . , Xn sejam varia´veis aleato´rias inde- pendentes com distribuic¸a˜o exponencial todas com o mesmo paraˆmetro λ. Ache a distribuic¸a˜o de probabilidade de Y =∑n i=1Xi. 19. Assuma que X1, X2, . . . , Xn sejam varia´veis aleato´rias inde- pendentes com distribuic¸a˜o normal com paraˆmetros µi e σ 2 i . Ache a distribuic¸a˜o de probabilidade de (a) aiXi, (b) Y =∑n i=1 aiXi . 20. Com relac¸a˜o ao item anterior e´ necessa´rio que as varia´veis aleato´rias X1, X2, . . . , Xn sejam independentes? Sim, por queˆ? Na˜o, por queˆ? 21. Assuma que X1, X2, . . . , Xn sejam varia´veis aleato´rias inde- pendentes com distribuic¸a˜o normal padra˜o. Ache a dis- tribuic¸a˜o de probabilidade de Y = 1 n n∑ i=1 Xi. 22. Suponha que X tem distribuic¸a˜o de Pareto encontre a dis- tribuic¸a˜o de Y = ln(X) 23. Suponha que X seja uniformemente distribu´ıda sobre (−1,1). Seja Y = 4 − X2. Achar a f.d.p. de Y , fY (y) e fazer seu gra´fico. Verifique tambe´m que fY (y) e´ a f.d.p. adequada. 24. Suponha que X seja uniformemente distribu´ıda sobre (1,3). Achar a f.d.p. de Y = 3X+ 4, Z = eX. Verifique em cada caso que a func¸a˜o obtida e´ a f.d.p. Esboce os gra´ficos. 25. Suponha que a varia´vel aleato´ria discreta X assuma os valores 1, 2 , 3 com igual probabilidade. Ache a distribuic¸a˜o de Y = 2X +3. 26. Suponha que a varia´vel aleato´ria X tenha f.d.p. f(x) = e−x, x > 0. Ache a f.d.p. das seguintes varia´veis aleato´rias:(a) Y = X3, (b) Z = 3/(X +1)2. 27. Suponha que P (X ≤ 0,29) = 0,75, em que X e´ uma varia´vel aleato´ria cont´ınua com alguma distribuic¸a˜o definida sobre (0,1). Quando Y = 1−X, determinar k de modo que P (Y ≤ k) = 0,25. 28. Suponha que a varia´vel aleato´ria X possa assumir os sete valores −3, −2, −1, 0, 1, 2, 3 com probabilidade igual. De- termine a func¸a˜o de probabilidade (f.p.) de Y = X2 −X. 29. Suponha que a func¸a˜o densidade de probabilidade (f.d.p.) de uma varia´vel aleato´ria X seja dada por: f(x) = 1 2 x para 0 < x < 2 0 caso contra´rio Supondo que Y = X(2 − X). Determine a func¸a˜o de dis- tribuic¸a˜o acumulada e a func¸a˜o densidade de probabilidade de Y . 30. Supondo que a f.d.p. de X e´ dada como no exerc´ıcio anterior. Determine a f.d.p. de Y = 4−X3. 31. Suponha que X e´ uma varia´vel aleato´ria para a qual a f.d.p. e´ f e que Y = aX+ b, (a 6= 0). Mostre que a f.d.p. de Y e´ : g(y) = 1 | a |f ( y − b a ) , para −∞ < y <∞ 32. Suponha que a f.d.p. de X tenha distribuic¸a˜o uniforme no intervalo (0,1). Determine a f.d.p. de (a) X2, (b) −X3 e (c) X1/2. 33. Suponha que a f.d.p. de X e´ dada por: f(x) = { e−x para x > 0 0 para x ≤ 0 Determine a f.d.p. de Y = X1/2. 34. Suponha que X tenha distribuic¸a˜o uniforme no intervalo (0,1). Defina uma varia´vel aleato´ria Y = r(X) para a qual a f.d.p. seja dada por: f(x) = 3 8 y2 para 0 < y < 2 0 caso contra´rio 35. Seja X uma varia´vel aleato´ria cuja f.d.p. e´ dada no exerc´ıcio anterior. Defina uma varia´vel aleato´ria Y = r(X) para a qual a f.d.p. seja dada pela f.d.p do exerc´ıcio 2. 36. Suponha que X1, X2, X3 tenham distribuic¸a˜o conjunta cont´ınua e que sua f.d.p seja dada por: f(x) = { 8 x1 x2 x3 para 0 < xi < 1 i = 1,2,3 0 caso contra´rio Suponha que Y1 = X1, Y2 = X1X2 e Y3 = X1X2X3. Ache a distribuic¸a˜o conjunta de Y1, Y2 e Y3. 37. Suponha que X1 e X2 sejam varia´veis aleato´rias e que cada um delas tenha distribuic¸a˜o uniforme sobre o intervalo (0,1). Ache a f.d.p. de Y = X1+X2. 38. Suponha que X1, X2 teˆm distribuic¸a˜o de probabilidade cont´ınua e que sua f.d.p. e´ dada por: f(x) = { x1+ x2 para 0 < xi < 1 i = 1,2 0 caso contra´rio Ache a f.d.p. de Y = X1X2. 39. Suponha que a f.d.p. de X1 e X2 seja dada no exerc´ıcio anterior. Ache a f.d.p. de Y = X1/X2 40. Seja X e Y varia´veis aleato´rias cuja f.d.p. e´ dada por: f(x, y) = { 2(x+ y) para 0 ≤ x ≤ y ≤ 1 0 caso contra´rio Ache a f.d.p. de Z = X + Y . 41. Suponha que X1 e X2 sa˜o v.a. i.i.d. e que a f.d.p. e´: f(x) = { e−x para x > 0 0 caso contra´rio Ache a f.d.p. de y = X1 −X2. 42. Suponha que X e Y sa˜o varia´veis aleato´rias independentes em que X ∼ χ2m e Y ∼ χ2m. Defina U = X + Y e V = X n Y n = m n X Y . Deduza a distribuic¸a˜o conjunta de U e V . 43. Assuma que X1 e X2 sa˜o varia´veis aleato´rias independentes com distribuic¸a˜o normal padra˜o. Encontre a distribuic¸a˜o con- junta de Y1 = X 2 1+X 2 2 e Y2 = X2 e a distribuic¸a˜o marginal de Y1 e Y2. As varia´veis aleato´rias Y1 e Y2 sa˜o independentes? Sugesta˜o para leitura 1. Probabilidade: Aplicac¸o˜es a` Estat´ıstica, Paul L. Meyer. 2. Probabilidade: um curso em n´ıvel Intermedia´rio, Barry R. James. 3. A First course in mathematical statistics, George G. Roussas. 4. Introduction to the Theory of Statistics Mood, A.M.; Gray- bill, F.A.; Boes. 41
Compartilhar