Baixe o app para aproveitar ainda mais
Prévia do material em texto
Unidade I – Cálculo de Probabilidades – Capítulo 7 – Distribuições Multidimensionais 1 ECO 1721 – Introdução à Estatística Econômica UNIDADE I – Cálculo de Probabilidades 7. Distribuições Bidimensionais e Multidimensionais - Complemento Referências: Resumo Teórico 7, Rice – Cap 3, Montgomery e Runger – Cap. 5, Larson – Cap. 5 e Meyer – Cap. 6 e Cap. 7 Função de distribuição de variáveis aleatórias bidimensionais (RT7 – Seção 7.4) Exemplo 1. Seja (X,Y) uma variável aleatória bidimensional do tipo contínuo com função de densidade de probabilidade conjunta XY 1 f (x,y) 6 x y para 0 x 2 e 2 4 8 y Determinar a função de distribuição de (X,Y). Solução Inicialmente, considere-se (a exemplo do caso unidimensional) a extensão da definição da função de densidade para 2R apresentada a seguir XY 1 6 x y para 0 x 2 e 2 4 f (x,y) 8 0 para outros valores y Então, tem-se yx XY UVF (x,y) P X x,Y y f (u,v) du dv Evidentemente, para 2(x,y) R |x <0 ou y< 2 o integrando é nulo e tem-se XYF (x,y) 0 Por outro lado, para 2 2XY(x,y) R (x,y) R |0< x 2 e 2< y 4 tem-se y y yx x XY 0 2 0 2 2 1 1 F (x,y) P X x,Y y (6 u v) dvdu 6 u dv vdv du 8 8 Unidade I – Cálculo de Probabilidades – Capítulo 7 – Distribuições Multidimensionais 2 x x yy 2 2 XY 2 2 0 0 1 1 1 1 F (x,y) 6 u v v du 6 u (y 2) y 4 du 8 2 8 2 x x x x XY 0 0 0 0 1 1 1 1 F (x,y) (y 2) 6 u y 2 du (y 2) 6 du u du y 2 du 8 2 8 2 xx x2 2 XY 0 00 1 1 1 1 1 1 F (x,y) (y 2) 6u u y 2 u (y 2) 6x x y 2 x 8 2 2 8 2 2 XY 1 1 1 1 1 F (x,y) x(y 2) 6 x y 1 x(y 2) 12 x y 2 8 2 2 8 2 Ou seja XY 1 F (x,y) x(y 2) 10 x y 16 Além disso, tem-se que: - para qualquer ponto na região 2 2XY(x,y) R (x,y) R |0< x 2 e y 4 a integral yx XY UVF (x,y) P X x,Y y f (u,v) du dv pode ser calculada fazendo-se y = 4 na expressão XY 1 F (x,y) x(y 2) 10 x y 16 o que fornece XY 1 F (x,y) x 6 x 8 - para qualquer ponto na região 2 2XY(x,y) R (x,y) R |x 2 e 2 y 4 a integral yx XY UVF (x,y) P X x,Y y f (u,v) du dv pode ser calculada fazendo-se x = 2 na expressão XY 1 F (x,y) x(y 2) 10 x y 16 o que fornece XY 1 F (x,y) (y 2) 8 y 8 Portanto, finalmente tem-se: Unidade I – Cálculo de Probabilidades – Capítulo 7 – Distribuições Multidimensionais 3 i) para 2(x,y) R |x <0 ou y< 2 XYF (x,y) 0 ii) para 2 2XY(x,y) R (x,y) R |0< x 2 e 2< y 4 XY 1 F (x,y) x(y 2) 10 x y 16 iii) para 2(x,y) R |0< x 2 e y 4 XY 1 F (x,y) x 6 x 8 iv) para 2(x,y) R |x 2 e 2 y 4 XY 1 F (x,y) (y 2) 8 y 8 v) para 2(x,y) R |x 2 e y 4 XYF (x,y) 1 Exemplo 2. Seja (X,Y) uma variável aleatória bidimensional do tipo contínuo com função de densidade de probabilidade conjunta (x y) XY para x 0 e 0 f (x,y) 0 para outros valores e y Determine a função de distribuição Solução Nesse caso, tem-se yx XY UVF (x,y) P X x,Y y f (u,v) du dv Considerando-se a expressão de XYf (x,y) é fácil perceber que o integrando é identicamente nulo para qualquer ponto tal que x < 0 ou y < 0, consequentemente, nessa região tem-se XYF (x,y) 0 Unidade I – Cálculo de Probabilidades – Capítulo 7 – Distribuições Multidimensionais 4 Por outro lado, para a região em que x > 0 e y > 0 a integral é muito fácil de ser calculada y yx x (u v) u v XY 0 0 0 0 F (x,y) P X x,Y y du dv du dve e e yx 0 0 u v u v x y XY x y 0 0 F (x,y) P X x,Y y du dv 1 1e e e e e e Ou seja x yXYF (x,y) 1 1e e Deve-se notar que as funções de distribuição marginais de X e de Y são: i) x y x y xX XY y y y F (x) lim F (x,y) lim 1 1 1 lim 1 1e e e e e ii) x y y x yY XY x x x F (y) lim F (x,y) lim 1 1 1 lim 1 1e e e e e e ainda que X e Y são independentes pois x yXY X YF (x,y) 1 1 F (x)F (y)e e Determinação de uma distribuição condicionada (RT7 – Seção 7.2.5) Exemplo 3. O fluxo de veículos em uma estrada pouco movimentada pode ser abordado por um processo de Poisson. Assim sendo, considere-se que o número de automóveis que passam em certa estrada secundária é uma variável aleatória do tipo discreto com distribuição de Poisson, com taxa média igual a 1 automóvel a cada 4 minutos durante o período diurno. Na referida estrada existe uma loja de produtos regionais que funciona, diariamente, no horário das 8h às 18h. A partir de um levantamento estatístico foi estimada em 20% a probabilidade de um automóvel que passa naquela estrada parar na loja. Nessas condições, determinar: a) a distribuição de probabilidade do número de automóveis, N, que passam durante o intervalo de uma hora nessa estrada e, também, a distribuição do número de automóveis, X, que passam diariamente na estrada durante o período de funcionamento da loja; b) a distribuição do número de automóveis que param na loja condicionada ao número de automóveis que passam na estrada no horário de funcionamento da loja, (Y | X=x); c) a distribuição conjunta de X e Y; Unidade I – Cálculo de Probabilidades – Capítulo 7 – Distribuições Multidimensionais 5 d) a distribuição marginal de Y; e) o valor esperado do número de automóveis que param diariamente na loja. Solução a) Nas condições estabelecidas, a variável aleatória N tem distribuição de Poisson de parâmetro λ 1automóvel / 4min 15automóveis / 60min 15automóveis / hora ; logo a função de probabilidade de N é 15 n N 15 p (n) para n 0,1,2,3,... n! e Por outro lado, nas mesmas condições, considerando o período de funcionamento da loja – das 8h às 18h – tem-se: α 15.10 150 Portanto, nesse caso X também tem distribuição de Poisson e a sua função de probabilidade é expressa por 150 x X 150 p (x) para x 0,1,2,3,... x! e b) Supondo que automóveis distintos parem na loja independentemente uns dos outros e admitindo homogeneidade dos automóveis no que diz respeito ao hábito de parar na loja, dado que passam x automóveis na estrada, a distribuição do número daqueles que param na mesma, (Y | X=x), é binomial, de parâmetros n = x e p = 0,2; portanto, a função de probabilidade da variável aleatória (Y | X=x) é y y x y Y|X xp (y|x) 0,2 0,8 para y 0,1,2,..., xC c) a distribuição conjunta de X e de Y é obtida por 150 x y y x y XY X Y|X x 150 p (x,y) p (x)p (y|x) 0,2 0,8 para x 0,1,2,3,... e y 0,1,2,..., x x! C e d) a distribuição de probabilidade marginal da variável aleatória Y que representa onúmero eventual de automóveis que param na loja é 150 x 150 x y y x y y x y Y x x y x y 150 150 x! p (y) 0,2 0,8 0,2 0,8 x! x! y!(x y)! C e e ou seja Unidade I – Cálculo de Probabilidades – Capítulo 7 – Distribuições Multidimensionais 6 150 x y+y 150 y y x y x y y x y Y x y x y 150 x! 150 0,2 150 0,8 p (y) 0,2 0,8 x! y!(x y)! y! (x y)! e e donde y x y x y150 150 y Y x y x y 150 0,2 150 0,8 1200,30 p (y) y! (x y)! y! (x y)! e e Fazendo agora a substituição de variáveis k=x-y na somatória, segue 150 y k 150 y 30 y 120 Y k 0 30 120 30 30 p (y) . para y 0,1,2,3,... y! k! y! y! e e e e Logo Y tem distribuição de Poisson de parâmetro 30. e) o valor esperado do número de automóveis que param na loja é E Y 30 Distribuição Multinomial (RT7 – Seção 7.11.1) Exemplo 4. Em certa cidade, o mercado de seguros residenciais é dominado por duas grandes seguradoras – A e B – que detêm, respectivamente, 50% e 35%, dos seguros contratados, enquanto as demais possuem, em conjunto, uma participação de apenas 15%. De acordo com os registros das seguradoras, atualmente há 50.000 apólices de seguros residenciais e as projeções feitas para o próximo ano, indicam que, além da renovação delas, serão vendidas mais 10.000 novas apólices de seguro residencial (um crescimento de 20% para o mercado), supondo-se mantidas as mesmas condições atuais para mercado securitário. Seja (X,Y,Z) a variável aleatória tri-dimensional que representa o número de novos seguros contratados, respectivamente, pelas seguradoras A, B e pelo grupo (C) formado por todas as demais. Nessas condições, determinar a distribuição de probabilidade dessa variável aleatória. Solução Como o número de apólices de seguro é muito grande, pode-se considerar que as frequências relativas correspondentes às participações de mercado das seguradoras são aproximadamente iguais às probabilidades contratação de uma nova apólice para A, B e C. Além disso, admitindo-se que proprietários de imóveis distintos contratem os seguros residenciais de forma independente uns dos outros, a variável aleatória tem distribuição multinomial (no caso, trinomial), de parâmetros: Unidade I – Cálculo de Probabilidades – Capítulo 7 – Distribuições Multidimensionais 7 n = 10.000, 1 2 3 4p 0,35,p 0,30,p 0,25 e p 0,10 Portanto, considerando a interdependência das três variáveis e exprimindo a última em termos das duas primeiras, a função de probabilidade da variável (X,Y,Z) é x y 10000 x y XYZ XY 10000! p (x,y,z) p (x,y) 0,50 0,35 0,15 x!y!(10000 x y)! para x e y inteiros, sendo x 0, y 0 e x y 10000 As distribuições marginais de X e de Y são: i) x 10000 x X 10000! p (x) 0,50 0,50 para x inteiro com 0 x 10000 x!(10000-x)! ii) y 10000 y Y 10000! p (y) 0,35 0,65 para y inteiro com 0 y 10000 y!(10000-y)! Note-se que as distribuições marginais são binomiais. Distribuição Hipergeométrica Multidimensional (RT7 – Seção 7.11.2) Exemplo 5. Na Pesquisa Mensal de Emprego, realizada pelo Instituto Brasileiro de Geografia e Estatística, as pessoas entrevistadas são classificadas em uma das seguintes categorias: (i) A - na força de trabalho e ocupada; (ii) B - na força de trabalho e desocupada; e (iii) C - fora da força de trabalho. Suponha que a pesquisa será realizada em uma localidade com 10.000 pessoas residentes. Suponha, também, que no período de referência da pesquisa os contingentes de pessoas integrantes das três categorias acima mencionadas sejam, respectivamente: 7.000, 5.000 e 2.500. Se a pesquisa for realizada selecionando-se uma amostra de 1.000 pessoas com igual probabilidade de seleção e sem reposição, determine a distribuição de probabilidade da variável aleatória. Solução Sejam as variáveis aleatórias definidas a seguir: X = número eventual de pessoas na categoria A; Y = número eventual de pessoas na categoria B; Z = número eventual de pessoas na categoria C. Considerando a interrelação que existe entre as variáveis X, Y e Z – expressa por X+Y+Z = 1.000 – e que desse modo a terceira variável pode ser descartada, exprimindo-a em termos das duas outras, a distribuição de probabilidade da variável aleatória (X,Y,Z) é hipergeométrica tri-variada e sua função de probabilidade é Unidade I – Cálculo de Probabilidades – Capítulo 7 – Distribuições Multidimensionais 8 x y 1000 x y 7000 500 2500 XYZ XY 1000 10000 p (x,y,z) p (x,y,1.000 x y) para 0 x 1000 , 0 y 500 e 0 1000 x y 1000 C C C C As distribuições marginais de X e Y são: i) x 1000 x 7000 3000 X 1000 10000 p (x) para x inteiro , com 0 x 1000 C C C ii) y 1000 y 500 2500 Y 1000 10000 p (y) para y inteiro , com 0 y 500 C C C Note-se que as distribuições marginais são hipergeométricas. Distribuição Normal Bidimensional (RT7 – Seção 7.11.4) Exemplo 6. O valor das vendas mensais de certa empresa, Y, e o valor de suas despesas mensais, X, tem distribuição normal bidimensional (X,Y), com os seguintes parâmetros: X Y X Y XYμ 1500,μ 2920,σ 400,σ 300 e ρ 0,8 expressos na unidade R$ 1mil (exceto XYρ ) Nessas condições: a) Qual é a probabilidade de que o valor das vendas mensais seja superior a R$ 3840 mil? b) Qual é a probabilidade de que o valor das despesas seja inferior a R$ 1599,22 mil sabendo-se que o valor das vendas foi R$ 1700 mil? c) Qual é a probabilidade do lucro da empresa estar compreendido entre R$ 1179,17 mil e R$ 1660,83 mil? Solução a) A componente Y tem distribuição normal: Y N(2920, 400) logo 3840 2920 920 P Y >3840 P Z P Z P Z 2,30 0,5 H(2,30) 400 400 donde P Y>3840 0,5 0,4893 0,0107 Unidade I – Cálculo de Probabilidades – Capítulo 7 – Distribuições Multidimensionais 9 b) A distribuição condicionada de X a um valor conhecido y de Y também é normal, sendo: 2 2 2XX|y X|y X|y X Y X|y X Y σ X|Y y N μ ,σ com μ μ ρ (y μ ) e σ σ 1 ρ σ No caso, tem-se: X|y 300 μ 1500 0,8 2470 2920 1500 0.8.0.75. 450 1500 0,6.450 400 X|yμ 1500 270 1230 2 2 2 2 2 2X|y X|yσ 300 1 0,8 300 .0,36 donde σ 300 .0,6 300.0,6 180 Portanto {X | Y=1700} N(1230,180) e denotando {X | Y=1700} por T segue 960 1230 270 P T <960 P Z< P Z< P Z< 1,5 P Z 1,5 180 180 P T<960 0,5 H(1,50) 0,5000 0,4332 0,0668 c) O lucro mensal da empresa é expresso por W Y X ou seja é uma combinação linear de duas normais, X e Y; portanto, também tem distribuição normal. Isto é, tem-se 2 2 2W W W Y X W X Y X YW N μ ,σ com μ μ μ e σ σ σ 2ρσ σ No caso: 2 2 2 W Wμ 2920 1500 1420 e σ 300 400 2.0,8.300.400 250000 192000 58000 Logo W W W WW N μ ,σ com μ 1420 e σ 58000 240,83 e assim tem-se 1179,17 1420 1901,66 1420 P 1179,17< W <1901,66 P Z 240,83 240,83 240,83 481,66 P 1179,17< W <1901,66 P Z< P 1< Z< 2 H(1)+H(2) 240,83 240,83 P 1179,17< W<1901,66 0,3413 0,4772 0,8185
Compartilhar