Baixe o app para aproveitar ainda mais
Prévia do material em texto
1 ECO 1721 Introdução à Estatística Econômica Professor: Juarez Figueiredo Momentos de Variáveis Aleatórias Reais 1. Introdução Para descrever completamente uma variável aleatória real necessita-se conhecer sua função de distribuição, ou a sua função de probabilidades no caso discreto, ou sua função de densidade de probabilidades no caso contínuo. Muitas vezes, pela complexidade do problema ou pela falta de informações, é conveniente elaborar uma descrição parcial por meio de um conjunto de indicadores capazes de caracterizar os principais aspectos da distribuição da variável aleatória. Esses indicadores recebem a denominação de parâmetros da distribuição da variável aleatória. A principal família de parâmetros de uma distribuição tem por elementos números reais denominados momentos da variável aleatória. 2. Momentos Ordinários de uma Variável Aleatória Real Seja X uma variável aleatória real, do tipo discreto ou do tipo contínuo. Chama-se momento ordinário de ordem k de X e representa-se por kμ a expectância da função kX para k = 0, 1, 2, 3, ... , ou seja, (2.1) kkμ E X para k 0,1,2,3,.... Assim, (2.2) X X k X x R k k k X R x p (x) se X for discreta μ E X para k 0,1,2,3,.... x f (x)dx se X for continua Em particular, tem-se (2.3) 0 0 1 1 2 2 μ E X E(1) 1 μ E X E(X) (comumente denotado simplesmente por μ) μ E X Para que o momento ordinário de ordem k exista é necessário que as expressões definidas em (2.2) sejam absolutamente convergentes. Demonstra-se que se existe o momento ordinário de ordem k, existem todos os momentos ordinários de ordem inferior a k. 2 Exemplo 1 Seja X uma variável aleatória do tipo discreto com a seguinte função de probabilidade X x p (x) , para x 1,2,3 6 Determinar os momentos ordinários de ordem k (k=0,1, 2, 3, ....) de X. Solução 3 3 k k k +1 k 1 k 1 k x 1 x 1 x 1 1 μ E X x x 1 2 3 para k 0,1,2,3,.... 6 6 6 Exemplo 2 Seja X uma variável aleatória do tipo discreto com a seguinte função de probabilidade X 1 se x 0 3 p (x) 2 se x 1 3 Determinar os momentos ordinários de ordem k (k=0,1, 2, 3, ....) de X e, a partir de sua expressão, calcular E(X) e V(X). Solução (i) Neste caso o momento ordinário de ordem zero não pode ser calculado pela expressão (2.1), uma vez que teríamos 3 0 0 0 0 0 X X X x 1 μ E X x p (x) 0 p (0) 1 p (1) onde ocorre que 00 não é definida. Entretanto, sabe-se que 0μ 1 , de acordo com (2.3). Logo a utilização da expressão (2.2) deve-se restringir ao cálculo dos momentos ordinários de ordens k=1, 2, 3, ... Assim tem-se, 3 k k k k k X X X x 1 1 2 2 μ E X x p (x) 0 p (0) 1 p (1) 0 1 3 3 3 3 Portanto, k 1, se k 0 μ 2 , se k 1,2,3,.... 3 Consequentemente, (ii) 2 2 1 2 1 2 2 2 2 E(X) μ e V(X) μ μ 3 3 3 9 Exemplo 3. Seja X uma variável aleatória do tipo contínuo com a seguinte função de densidade de probabilidade 6 X 5x , para x 1 f (x) 0 , para outros valores Determinar os momentos ordinários de X. Solução 1 k k 6 k 6 k 5 k 1 1 1 5ln x se k 5 5μ E X x x dx x dx se k 5x 5 k5 k 5 se k 5 Logo, os momentos ordinários de X somente existem até o de ordem 4. Exemplo 4. Seja X uma variável aleatória do tipo contínuo com função de densidade de probabilidade 2x X 2 , para x 0 f (x) 0 , para outros valores e Determinar os momentos ordinários de X e calcular E(X) e V(X). kk k 2x 2xk k k k 0 0 1 1 k! μ E X x 2 dx 2x 2dx k 1 2 2 2 e e onde k+1 denota a função gama de parâmetro k+1. 4 22 1 2 11 2 2 2 31! 1 1 2! 1 2 1 1 E(X) μ e V(X) μ μ 2 2 2 2 2 2 4 4 4 4 Exemplo 5. Seja X uma variável aleatória do tipo contínuo com função de densidade de probabilidade 5 X 6 1 x , para 0 x 1 f (x) 0 , para outros valores Determinar os momentos ordinários de X e calcular E(X) e V(X). Solução (i) 1 5k k k 0 (k 1) (6) k!5! μ E X x 6 1 x dx 6 (k 1,6) 6 (k 7) (k+6)! B onde (k+1,6)B denota a função beta de parâmetros k+1 e 6 e n denota a função gama de parâmetro n. Então segue kk k!120 720 μ E X 6 (k+6)(k+5)(k+4)(k+3)(k+1)k! (k+6)(k+5)(k+4)(k+3)(k+1) Logo: (ii) 2 1 2 720 1 720 1 E(X) μ , E(X ) μ 7.6.5.4.3.2 7 8.7.6.5.4.3 28 2 2 2 1 1 1 1 1 7 4 3 V(X) μ μ 0,0153 28 7 28 49 196 196 3. Momentos Centrais de uma Variável Aleatória Real Seja X uma variável aleatória real, do tipo discreto ou do tipo contínuo, de média 1μ μ E X . Chama-se momento central (ou centrado) de ordem k de X e representa- se por kν a expectância da função k k E X-E(X) E X-μ para k = 0, 1, 2, 3, ... , ou seja, (3.1) k k kν E X-E(X) E X-μ para k 0,1,2,3,.... 5 Assim, (3.2) X X k X x R k k X R x -E(X) p (x) se X for discreta ν para k 0,1,2,3,.... x -E(X) f (x)dx se X for continua Em particular, tem-se: (3.3) 0 0 0 1 1 k 2 2 2 2 k ν E X E(X) E X μ E(1) 1 ν E X E(X) E X μ E(X) μ E(X) E(X) 0 ν E X E(X) E X μ E(X) μ E(X) E (X) = V(X) Exemplo 6. Seja X uma variável aleatória do tipo discreto com a seguinte função de probabilidade x X 1 p (x) 2 , para x 0 ou x 1 3 Determinar os momentos centrais de ordem k (k=0,1, 2, 3, ....) de X. 1 x x 0 1 1 2 μ E(X) x 2 (0 2) 3 3 3 1 k k k k k k x 0 1 k x 0 2 1 1 2 2 1 2 1 ν E (X E(X)) x 2 0 2 1 2 2 3 3 3 3 3 3 3 3 donde kk k k k+1 1 ν E (X E(X)) 2 2 para k 0,1,2,3,... 3 Exemplo 7. Seja X uma variável aleatória do tipo contínuo com a seguinte função de densidade de probabilidade 6 X 1 f (x) , para 0 x 4 4 Determinar os momentos centrais de ordem k (k=0,1, 2, 3, ....) de X. Solução 4 4 4 2 0 0 0 1 1 1 1 μ E(X) x dx x dx x 2 4 4 4 2 4 4 4 k k k k 1 k 00 0 1 1 1 1 ν E X E(X) x 2 dx x 2 dx x 2 4 4 4 (k 1) donde k 1k 1 k 1 ν 2 2 para k 0,1,2,3,... 4(k 1) 4. Relação entre os Momentos Ordinários e os Momentos Centrais O cálculo dos momentos centrais fica muito facilitado se for utilizada a seguinte relação existente entre o momento central de ordem k e os momentos ordinários de ordens não superiores a k: k k k k j j j k j j j j k j k k 1 k 1 j=0 j=0 ν E X-E(X) E X-μ E C ( 1) μ X C ( 1) μ E X ou seja, (4.1) k k j j j k k 1 k j j=0 ν E X-E(X) ( 1) C μ μ Para os momentos centrais de ordens mais baixas, os coeficientes j kC (j 0,1,2,3,...,k) podem ser obtidos facilmente por recorrência, utilizando-se as seguintes propriedades dos coeficientes binomiais: (4.2) 0 kC 1 0,1,2,3,....k (4.3) j j-1 j k k-1 k-1C C C k 1,2,3,.... e j 1,2,3,...,k A partir do desenvolvimento de (4.1), para o momento central de ordem 2 tem-se: 7 2 2 j j j 0 0 1 1 2 2 2 k 1 k j 2 1 2 2 1 1 2 1 0 j=0 ν E X-E(X) ( 1) C μ μ C μ μ C μ μ C μ μ e observando que 2 0 1 2μ 1, μ μ E(X) e μ E(X ) bem como que 0 2 1 2 2 2C C 1 e C 2 então segue (4.4) 2 2 2 2 2 2 2 2 1 1 2 1ν E X-E(X) V(X) μ 2μ μ μ μ E(X ) E (X) Também são importantes as relações válidas entre os momentos centrais e os momentos ordinários para os casos do terceiro e do quarto momentos centrais, apresentadas a seguir, por meio de desenvolvimento similar: 3 3 3 j j j 3 1 3 1 3 j j 0 ν E X-E(X) E X-μ 1 C μ μ 3 j j j 0 0 1 1 2 2 3 3 3 3 1 3 j 3 1 3 3 1 2 3 1 1 3 1 0 j 0 ν 1 C μ μ C μ μ C μ μ C μ μ C μ μ 2 3 3 3 3 3 1 2 1 1 1 3 1 2 1 1ν μ 3μ μ 3μ μ μ μ 3μ μ 3μ μ (4.5) 3 3 3 1 2 1ν μ 3μ μ 2μ 4 4 4 j j j 4 1 4 1 4 j j 0 ν E X-E(X) E X-μ 1 C μ μ 4 j j j 0 0 1 1 2 2 3 3 4 4 4 4 1 4 j 4 1 4 4 1 3 4 1 2 4 1 1 4 1 0 j 0 ν 1 C μ μ C μ μ C μ μ C μ μ C μ μ C μ μ 2 4 4 4 4 1 3 1 2 1 1ν μ 4μ μ 6μ μ 4μ μ (4.6) 2 4 4 4 1 3 1 2 1ν μ 4μ μ 6μ μ 3μ Finalmente, com relação aos momentos ordinários e centrais, convém destacar que: (i) o primeiro momento ordinário é a média ou expectância da distribuição, consistindo assim em uma medida de posição que indica o “centro” da mesma; (ii) o segundo momento central é a variância e portanto relaciona-se com a variabilidade ou grau de dispersão dos valores da distribuição; (iii) o terceiro momento central relaciona-se à simetria da distribuição; 8 (iv) o quarto momento central relaciona-se à curtose (achatamento) da distribuição. 5. Momentos de Variáveis Aleatórias Multidimensionais Os conceitos de momentos ordinários e centrais, analisados para uma variável aleatória unidimensional, podem ser facilmente estendidos para o caso de variáveis aleatórias multidimensionais. Isso será feito a seguir, com ênfase no caso particular de variáveis aleatórias bidimensionais. 5.1 Momentos Conjuntos de Variáveis Aleatórias Bidimensionais a) Momento conjunto ordinário Definição Seja (X, Y) uma variável aleatória bidimensional. Define-se o momento conjunto (ou misto) ordinário de ordens i e j dessa variável por i ji, jμ E X Y para i, j 0,1,2,3,... Notas: i 0 ii,0μ E X Y E X para i 0,1,2,3,... 0 j j0, jμ E X Y E Y para j 0,1,2,3,... 1 11,1μ E X Y E X Y i ji, jμ E X Y para i, j 0,1,2,3,... i ji, jμ E X Y para i, j 0,1,2,3,... Cálculo i) Se (X, Y) é discreta XY i j i j i, j XY (x,y) R μ E X Y x y p (x,y) para i, j 0,1,2,3,... ii) Se (X, Y) é contínua XY i j i j i, j XY R μ E X Y x y f (x,y) dx dy para i, j 0,1,2,3,... 9 b) Momento conjunto central Definição Seja (X, Y) uma variável aleatória bidimensional. Define-se o momento conjunto (ou misto) central de ordens i e j dessa variável por i j i, jν E X E(X) Y E(Y) para i, j 0,1,2,3,... Nota 1,1ν E X E X Y E Y E X Y E X E Y Cálculo i) Se (X, Y) é discreta XY i j i j i, j XY (x,y) R ν E X-E X Y-E Y x-E X y-E Y p (x,y) para i, j 0,1,2,3, ... ii) Se (X, Y) é contínua XY i j i j i, j XY R ν E X-E X Y-E Y x-E(X) y E(Y) f (x,y) dx dy para i, j 0,1,2,3,... Exemplo 8. Seja (X, Y) uma variável aleatória bidimensional discreta com função de probabilidade conjunta XY 1 p (x,y) , para (x,y) (0,0), ( 1,0), (0,1) 3 Determinar os momentos ordinários de (X, Y). Solução A tabela a seguir apresentada mostra a função de probabilidade conjunta da variável aleatória (X, Y). 10 Y X 0 1 Xp (x) -1 1 3 0 1 3 0 1 3 1 3 2 3 Yp (y) 2 3 1 3 1 Então: a) 0 i ii i i i,0 X x 1 1 2 1 μ E X x p (x) 1 0 1 para i 1,2,3,... 3 3 3 b) 1 j j j j 0,j Y y 0 2 1 1 μ E Y y p (y) 0 1 para j 1,2,3,... 3 3 3 c) 2 XY i j i j i j i j i j i j i,j XY (x,y) R 1 1 1 μ E X Y x y p (x,y) ( 1) 0 ( 1) 1 0 0 0 0 1 0 3 3 3 ou seja i ji,jμ E X Y 0 para i,j 1,2,3,... Exemplo 9. Seja (X, Y) uma variável aleatória bidimensional discreta com a seguinte função de probabilidade conjunta XY y1 p x para x =1,2 e y=1, 2 8 Determinar a expressão geral dos momentos conjuntos dessa variável. Solução 2 2 2 2 2 2 i j y i j y i j 1 j 2 i j 2 i,j x 1 y=1 x 1 y=1 x=1 x=1 1 1 1 1 μ x y x x y x x 1 x 2 x x x +2 x 8 8 8 8 2 2 2 i j 2 i+1 j i+2 i 1 i 1 j i 2 i 2 i,j x=1 x=1 x=1 1 1 1 μ x x +2 x x 2 x 1 2 2 1 2 8 8 8 11 i 1 i 1 j i 2 i 2 i 1 j i+j+2i,j 1 1 μ 1 2 2 1 2 1 2 2 2 para i, j 0,1,2,3,... 8 8 i 1 j i+j+2i,j 1 μ 1 2 2 2 para i, j 0,1,2,3,... 8 Então: (i) 2 0 31,0 1 1 14 7 E(X) μ 1 2 2 2 1 4 1 8 8 8 8 4 (ii) 2 3 0 42,0 1 1 8 1 16 26 13 E X μ 1 2 2 2 8 8 8 4 (iii) 2 2 2 13 7 13 49 52 49 3V X E X E X 4 4 4 16 16 16 (iv) 1 1 30,1 1 1 2 2 8 13 E Y μ 1 2 2 2 8 8 8 (v) 2 1 2 40,2 1 1 2 4 16 23 E Y μ 1 2 2 2 8 8 8 (vi) 2 2 2 23 13 23 169 184 169 15V Y E Y E Y 8 8 8 64 64 64 (vii) 2 1 41,1 1 1 4 2 16 23 E XY μ 1 2 2 2 8 8 8 Exemplo 10. Seja (X, Y) uma variável aleatória bidimensional contínua com função de densidade de probabilidade conjunta XYf (x,y) = x + y , para 0 < x < 1 e 0 < y < 1 Determinar a expressão geral dos momentos conjuntos ordinários de (X, Y) Solução A expressão geral dos momentos ordinários mistos é 1 1 1 1 1 i j i j i+1 j i j+1 ij 0 0 0 0 0 E(X Y ) x y (x + y)dx dy x y dx + x y dx dy = 1 11 1 1 1 i+2 i+1 j i+1 j+1 i j j+1 0 0 0 0 0 0 x x y x dx + y x dx dy = y y dy i+2 i 1 12 1 1 1 j j+1 j j+1 0 0 0 1 1 1 1 y y dy y dy y dy i 2 i 1 i 2 i+1 1 1 j+1 j+2 0 0 1 1 1 1 y y i 2 j+1 i+1 j+2 ij 1 1 1 1 1 1 μ para i,j 0,1,2,3,... i+2 j+1 i+1 j+2 i+2 ( j+1) i+1 j+2 Portanto, tem-se: i j ij 1 1 μ E(X Y ) para i,j 0,1,2,3,... i +2 j+1 i +1 j+2 1,0 1 1 1 1 4 3 7 E(X) μ 3.1 2.2 3 4 12 12 0,1 1 1 1 1 3 4 7 E(Y) μ 2.2 1.3 4 3 12 12 Observe-se que E(X) = E(Y) necessariamente, pois a função i j ij 1 1 μ E(X Y ) para i,j 0,1,2,3,... i +2 j+1 i +1 j+2 É simétrica, ou seja trocando-se i por j ela assume os mesmos valores. 2 2 2,0 02 1 1 1 1 3 2 5 5 E(X ) μ e E(Y )=μ = 4.1 3.2 4 6 12 12 12 2 2 2 5 7 11V(X) E(X ) E (X) V(Y) 12 12 144 1,1 1 1 1 1 1 1 2 1 μ E(XY) 1+2 1+1 1+1 1+2 3.2 2.3 6 6 6 3 Exemplo 11. Seja (X, Y) uma variável aleatória bidimensional contínua com função de densidade de probabilidade conjunta 2 αy XYf (x,y) α para 0 x ye Determinar a expressão geral dos momentos ordinários conjuntos de (X, Y). Solução 13 y y y i j i j 2 αy 2 j αy i 2 j αy i+1 i,j 0 0 0 0 0 0 1 μ E X Y x y α dx dy α y x dx dy α y x dy i 1 e e e y i+1 2 i j 2 j αy i+1 2 j αy i+j+1 αy i,j 0 0 0 0 1 y α μ E X Y α y x dy α y dy y dy i 1 i 1 i 1 e e e 2 2 i j i+j+1 αy i+j+1 αy i,j i+j+2 0 0 α α μ E X Y y dy (αy) αdy i 1 (i 1)α e e Fazendo a substituição de variável u αy resulta 2 i j i,j i+j+2 i+j α (i j 1)! μ E X Y (i j 2) para i,j 0,1,2,3,... (i 1)α (i 1)α Logo: i) 2 i i,0 i+2 i i α (i 1)! i! μ E X (i 2) para i 0,1,2,3,... (i 1)α (i 1)α α em particular, tem-se: 21,0 2,01 2 2 1! 1 2! 2 μ E X e μ E X α α α α ii) j0,j j j ( j 1)! ( j 1)! μ E Y para j 0,1,2,3,... (1)α α em particular, tem-se: 20,1 0,2 2 2 2! 2 3! 6 μ E Y e μ E Y α α α α iii) 2 2 2 2 2 2 1 1 V X E X E X α α α e 2 2 2 2 2 2 6 2 6 4 2 V Y E Y E Y α α α α iv) 1,1 2 2 3! 3 μ E XY 2α α
Compartilhar