Baixe o app para aproveitar ainda mais
Prévia do material em texto
1 ECO 1721 – Introdução à Estatística Econômica 3-Expectância, Variância, Desvio Padrão e Momentos Resumo Teórico Professores: Thadeu Keller Filho e Juarez Figueiredo 3.1 Expectância de X Definição: (I) para X discreta: X X x S E X x p x (II) para X contínua: X X X x S E X x f x dx x f x dx Notas: Se X é discreta, a expectância pode não existir, caso a expressão que a define seja uma série divergente. Nesse caso, diz-se que a expectância é infinita. Se X é contínua, a expectância pode não existir, caso a expressão que a define seja uma integral divergente. Nesse caso, diz-se que a expectância é infinita. Se existe, a expectância é um número real; diz-se então que a expectância é finita A expectância também pode ser denominada: Expectativa, Esperança Matemática, Valor Esperado ou Média. Descritivamente, a expectância é uma medida de posição (ou de localização) da distribuição da variável aleatória. A expectância de X é o valor para o qual tende a média aritmética dos valores as- sumidos por essa variável aleatória, quando o número de observações tende a in- finito. É usual representar-se os valores numéricos da expectância pela letra grega µ 2 3.2 Expectância de uma Função de X Considere-se a variável aleatória unidimensional g X , onde g(.) é uma função real de uma variável aleatória real X. Prova-se que a expectância de g X pode ser calcu- lada da seguinte maneira: (I) para X discreta: X X x S E g X g(x) p x (II) para X contínua: X X X x S E g X g x f x dx g x f x dx 3.3 Independência de Variáveis Aleatórias Diz-se que as variáveis aleatórias Xe Y são independentes se e somente se P X A ; Y B P X A P Y B quaisquer que sejam 1 1A R e B R , tais que A B. 3.4 Variável Aleatória Quase Certamente Constante Uma variável aleatória X é denominada “Quase certamente constante” se existe um número real K tal que P X K 1 Diz-se, então, que X é “Quase certamente igual a K”. 3.5 Propriedades da Expectância Sejam X e Y variáveis aleatórias que possuem expectâncias finitas. Então, a) E X K, se X é uma variável aleatória quase certamente igual a K. Neste caso, escreve-se: E K K b) E aX a E X , onde a é qualquer constante real c) E X Y E X E Y d) SeXeYsão independentes, E XY E X E Y Nota: 3 As três primeiras propriedades caracterizam E X como um operador linear. 3.6 Variância de X Definição: 2Var(X) E X-E(X) Cálculo: (I) para X discreta: X 2 X x S Var(X) x E(X) p x (II) para X contínua: 2 XVar(X) x E X f x dx Notas: Descritivamente, a Var(X) é uma medida de dispersão da distribuição de X em torno de E X . Quanto mais dispersa (ou menos concentrada) for a distribuição de X em torno de E X , maior será a Var(X) A variância de X pode não existir. Se E(X) não existe, então a Var(X) também não existe. Entretanto, a existência de E(X) não é suficiente para que Var(X) exis- ta. Se Var(X) existe, diz-se que X possui variância finita Var(X) está expressa no quadrado da unidade de medida de X. É usual representar-se os valores numéricos da variância por 2σ (letra grega σ elevada ao quadrado) 3.7 Propriedades da Variância Sejam X e Y variáveis aletórias que possuem variância finita. Então, a) Var(X) 0 e Var(X) 0 se e somente se X é quase certamente constante. b) se X e Y são independentes, Var(X Y) Var(X) Var(Y) c) 2Var(aX) a Var(X), onde a é uma constante real d) 2 2Var(X) E X E X 4 Regra mnemônica: A variância de X é igual à média dos quadrados de X menos o quadrado da média de X. 3.8 Desvio Padrão de X Definição: XDP X Var(X) σ Notas: XDP X σ é uma medida de dispersão da distribuição de X em torno de sua expectância. XDP X σ está expresso na mesma unidade de medida de X. 3.9 Propriedades do Desvio Padrão a) 0DP X 0DP X se e somente se X é quase certamente constante b) DP X DP Xa a onde a é qualquer número real 3.10 Coeficiente de Variação de X Definição: DP X σ γ X , para E X μ 0 E X μ Notas: γ X é uma medida relativa de dispersão, adimensional γ X é utilizado para comparar dispersões de distribuições que são expressas em unidades de medida distintas É usual expressar γ X na forma de um percentual ---------------------------------------------------------------------------------------------------------- 3.11 Expectância e Variância de uma Combinação Linear de Variáveis Aleatórias Independentes Sejam 1 2 3 nX ,X ,X ,...,X n variáveis aleatórias independentes e 1 2 3 na ,a ,a ,...,a n núme- ros reais. Então, a variável aleatória Y definida por n 1 1 2 2 3 3 n n i i i=1 Y a X a X a X ... a X a X é denominada combinação linear das variáveis 1 2 3 nX ,X ,X , ... ,X . 5 Sejam i iE X μ (com i 1,2,3, ...,n) as médias e 2i iV X σ (com i 1,2,3, ...,n) as variâncias das variáveis aleatórias componentes da combinação linear Y. Então, em decorrência das propriedades anteriormente vistas da expectância e da variância, tem-se que a expectância e a variância da combinação linear Y, são, respectivamente: (i) n n i i Y i i i=1 i=1 E Y a E X ou seja μ a μ (ii) n n 2 2 2 2 i i Y i i i=1 i=1 V Y a V X ou seja σ a σ Dois casos particulares importantes são analisados a seguir. a) O primeiro corresponde àquele em que todas as variáveis componentes da combina- ção linear tem a mesma expectância e a mesma variância, isto é: iE X μ (com i 1,2,3, ...,n) e 2iV X σ (com i 1,2,3, ...,n) Nesse caso, tem-se: (i) n n i Y i i=1 i=1 E Y a μ ou seja μ a μ (ii) n n 2 2 2 2 2 i Y i i=1 i=1 V Y a σ ou seja σ a σ b) O segundo corresponde àquele em que todas as variáveis componentes da combina- ção linear tem a mesma expectância e a mesma variância e, além disso, todos os coefi- cientes da combinação linear são iguais, isto é: iE X μ (com i 1,2,3, ...,n) , 2iV X σ (com i 1,2,3, ...,n) e, ainda, os coeficien- tes ia a (para i 1,2,3, ...,n) Nesse caso, tem-se: (i) n Y i=1 E Y a μ ou seja μ n a μ (ii) n 2 2 2 2 2 Y i=1 V Y a σ ou seja σ n a σ 6 Como aplicações importantes desse último caso tem-se as duas seguintes combinações lineares, frequentemente encontradas no emprego da Estatística: 1) a soma das variáveis aleatórias n 1 2 3 n i i=1 S X X X ... X X , para a qual tem- se: (i) n S i=1 E S μ ou seja μ nμ (ii) n 2 2 2 Si=1 V S σ ou seja σ n σ Note-se que a soma corresponde ao caso particular em que a combinação linear tem todos os coeficientes iguais a 1. 2) a média aritmética das variáveis aleatórias n 1 2 3 n i i=1 1 1 X X X X ... X X n n para a qual tem-se: (i) n X i=1 1 1 E X μ nμ μ ou seja μ μ n n (ii) n 2 2 2 2 2 X2 2 i=1 1 1 1 1 V X σ n σ σ ou seja σ σ n n n n Note-se que a média aritmética corresponde ao caso particular em que a combinação linear tem todos os coeficientes iguais a 1/n. 3.12 Momentos de X 3.12.1 Momentos Ordinários de X Definição: O momento ordinário de ordem k de X é definido por kkμ E X para k 0,1,2,3,.... O cálculo dos momentos é indicado a seguir. 7 Cálculo: (I) para X discreta: X k k k X x S μ E X x p x (II) para X contínua: X k k k k X X x S μ E X x f x dx x f x dx Em particular, tem-se 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 Notas: Se X é discreta, o momento ordinário de ordem k pode não existir, caso a expres- são que o define seja uma série divergente. Nesse caso, diz-se que o momento é in- finito. Se X é contínua, o momento ordinário de ordem k pode não existir, caso a expres- são que o define seja uma integral divergente. Nesse caso, diz-se que o momento é infinito. Se existe, o momento ordinário de ordem k é um número real; diz-se então que o momento é finito. Prova-se que se existe o momento ordinário de ordem k, então existem todos os momentos ordinários de ordem inferior a k. Descritivamente, cada momento ordinário caracteriza um particular aspecto da dis- tribuição da variável aleatória X, sendo que: (i) o primeiro relaciona-se à posição; (ii) o segundo relaciona-se à dispersão; (iii) o terceiro relaciona-se à simetria; e (iv) o quarto relaciona-se à curtose (grau de achatamento). O momento ordinário de ordem k de X é o valor para o qual tende a média aritmé- tica dos valores assumidos pela k-ésima potência dessa variável aleatória, quando o número de observações tende a infinito. É usual representar-se os valores numéricos da expectância pela letra grega µ. 8 3.12.2 Momentos Centrais de X Definição: O momento central de ordem k de X é definido por k k kν E X-E(X) E X-μ para k 0,1,2,3,.... Cálculo: (I) para X discreta: X k k k X x S ν E X E(X) x E(X) p x (II) para X contínua: X k k k k X X x S μ E X E(X) x E(X) f x dx x E(X) f x dx Em particular, tem-se 0 0 1 1 2 2 ν E X E(X) E(1) 1 ν E X E(X) E(X) E(X) 0 ν E X E(X) V(X) Nota: Quanto à existência, aplicam-se aos momentos centrais as mesmas observa- ções anteriormente feitas para os momentos ordinários. 3.13 Função Geratriz de Momentos de X Definição: A função geratriz de momentos de uma variável aleatória X é definida por t XX (t) E para todo t real, isto é tM e A determinação da função geratriz de momentos, conforme a variável aleatória X seja discreta ou contínua, baseia-se no cálculo indicado a seguir. 9 Cálculo: (I) para X discreta: X tX tx X X x R (t) E p xM e e (II) para X contínua: X tX tx tx X X X x R (t) E f x dx f x dxM e e e Notas: Se X é discreta, a função geratriz de momentos pode não existir, caso a expressão que a define seja uma série divergente. Se X é contínua, a função geratriz de momentos pode não existir, caso a expressão que a define seja uma integral divergente. A função geratriz de momentos pode não ser definida para todos os valores de t no conjunto dos reais. A função geratriz de momentos existe sempre para t = 0 e seu valor é 1, isto é X (0) 1M Se a função geratriz de momentos existe, a sua k-ésima derivada em t = 0 fornece o valor do momento ordinário de ordem k. Propriedades da Função Geratriz de Momentos A função geratriz de momentos possui várias importantes propriedade e algumas das principais são apresentadas a seguir. A função X (t)M é denominada função geratriz de momentos devido a seguinte proprie- dade, que mostra como podem ser determinados os momentos de uma variável aleatória X. Propriedade 1. O momento ordinário de ordem k de X pode ser obtido calculando-se o valor da k-ésima derivada da função X (t)M no ponto t = 0. Isto é, 10 k (k) k X Xk t 0 d μ (t) (0) para k 1,2,3,... dt M M Em particular, para os dois primeiros momentos ordinários tem-se: (i) (1) 1 X Xt 0 d μ (t) (0) dt M M (ii) 2 (2) 2 X X2 t 0 d μ (t) (0) dt M M A função geratriz de momentos fornece um modo alternativo de obter a distribuição de funções de variáveis aleatórias, sob certas condições. Propriedade 2. Sejam X e Y duas variáveis aleatórias cujas funções geratrizes de momentos X (t)M e Y (t)M existem para algum intervalo dos reais, I , em torno de t = 0. Se X Y(t) (t)M M para t I então X e Y tem a mesma distribuição. Essa propriedade mostra que a função geratriz de momentos, quando existe, é única e determina univocamente uma distribuição de probabilidade, ou seja a fgm constitui uma forma alternativa de caracterizar completamente a distribuição de uma variável aleató- ria. Propriedade 3. Seja X uma variável aleatória com função geratriz de momentos X (t)M e Y uma outra variável aleatória, função de X, definida por Y = aX + b, sendo a e b constantes reais. Então a função geratriz de momentos de Y é expressa em termos de X (t)M por bt Y X(t) (a t)M e M Propriedade 4. Sejam X e Y duas variáveis aleatórias independentes cujas funções geratrizes de mo- mentos existem e são X (t)M e Y (t)M , respectivamente. Seja Z = X + Y, então a função geratriz de momentos de Z existe e é expressa por Z X Y(t) (t) (t)M M M 11 Nota. Essa propriedade pode ser estendida para o caso da soma de n variáveis aleatórias independentes, nas mesmas condições estabelecidas.
Compartilhar