Baixe o app para aproveitar ainda mais
Prévia do material em texto
Unidade I – Cálculo de Probabilidades – Variáveis Aleatórias Reais – Complementos: Teoremas-Limites 1 ECO 1721 - Introdução à Estatística Econômica Variáveis Aleatórias – Complemento: Teoremas-Limite Resumo Teórico - Nota Didática Professor: Juarez Figueiredo 6.7 Desigualdade de Markov e Desigualdade de Chebychev 6.7.1 Teorema – Desigualdade de Markov Seja X uma variável aleatória que assume apenas valores não negativos e de média E X . Então, para qualquer valor 0a ( )E X P X a a ou P X a a Demonstração 0 0 ( ) ( ) ( ) ( ) a a a E X x f x dx x f x dx x f x dx x f x dx donde ( ) a E X a f x dx e assim ( ) a E X a f x dx do que resulta E X a P X a Portanto E X P X a a ou ainda P X a a 6.7.2 Teorema – Desigualdade de Chebychev Seja X uma variável aleatória de média e variância 2 . Tem-se, então, qualquer que seja 0 , 2 2 P X Unidade I – Cálculo de Probabilidades – Variáveis Aleatórias Reais – Complementos: Teoremas-Limites 2 ou, equivalentemente, 2 2 1P X Demonstração Como 2 X é uma variável aleatória não negativa, pode-se aplicar a desigualdade de Markov (com 2a ). Assim fazendo, tem-se 2 2 2 2 E X P X E como 2 2X se e somente se X , além de que 2 2E X Var X então segue 2 2 P X 6.7.3 Corolário – Desigualdade de Bienaimé-Chebychev Nas mesmas condições do teorema anterior, fazendo k , tem-se 2 1 P X k k qualquer que seja 0k . Equivalentemente, 2 1 1P X k k qualquer que seja 0k . Nota: A desigualdade de Chebychev somente é útil se 2 2 . Equivalentemente, a desigualdade de Bienaimé-Chebychev somente é útil se 1.k 6.8 Convergência em Cálculo de Probabilidade 6.8.1 Sequência de Variáveis Aleatórias Denomina-se sequência ou sucessão de variáveis aleatórias uma coleção de variáveis: 1 1 1, , ,..., ,...n nX X X X X Unidade I – Cálculo de Probabilidades – Variáveis Aleatórias Reais – Complementos: Teoremas-Limites 3 6.8.2 Convergência em Probabilidade Sejam nX uma sucessão de variáveis aleatórias e C um número real. Diz-se que a sucessão nX converge em probabilidade para a constante C se, e somente se, lim 1n n P X C qualquer que seja 0 ou, equivalentemente, se lim 0n n P X C qualquer que seja 0 Notas: (i) Se nX converge em probabilidade para C, escreve-se nlim Xp C ou PnX C ; (ii) nlim Xp C equivale a lim 0n n P X C 6.8.3 Convergência em Distribuição Sejam nX uma sucessão de variáveis aleatórias e X uma outra variável aleatória. Sejam ( ) iX i F x para i = 1,2,3,...,n,... as funções de distribuição acumuladas dessas variáveis que formam a sequência e ( )XF x a função de distribuição de X. Diz-se que a sucessão nX converge em distribuição de probabilidade para X se, e somente se, lim ( ) ( ) para todo para o qual (.) é contínua nX Xn F t F t t R F Nota: Se nX converge em distribuição de probabilidade para X, será aqui empregada a notação distribnX X ou ( ) ( ) nX X F t F t Unidade I – Cálculo de Probabilidades – Variáveis Aleatórias Reais – Complementos: Teoremas-Limites 4 6.9 Lei dos Grandes Números de Bernoulli 6.9.1 Teorema de Bernoulli Seja nS a sucessão do número de ocorrências de um evento A em n (n = 1, 2, 3, ....) provas de Bernoulli independentes sobre A, nas quais a probabilidade de A em cada prova é uma constante p. Então, 1 nS n converge em probabilidade para p. Demonstração Nas condições anteriormente estabelecidas, a variável aleatória nS (n = 1, 2, 3, ....) possui distribuição binomial de parâmetros n e p. Logo, tem-se que nE S n p e 1nV S n p q n p p e consequentemente 1 ( )n n S E E S p n n e ainda 2 2 1 1 ( )n n S p q V V S n p q n n n n Aplicando a desigualdade de Chebychev, segue 2 2 1 n n V S S p qn P p n n para n = 1, 2, 3, ..., qualquer que seja 0 . Calculando o limite dessa sucessão de desigualdades, tem-se 2 lim lim lim 0n n n n n S Sp q P p P p n n n qualquer seja 0 isto é, lim 0n n S P p n , qualquer que seja 0 . 6.9.2 Lei Fraca dos Grandes Números Seja 1 2 3, , ,..., ,...n nX X X X X uma sequência de variáveis aleatórias independentes e identicamente distribuídas, cada uma com média finita iE X . Então, para qualquer 0 , 1 2 3 ... 0 quandon X X X X P n n Demonstração A demonstração a seguir apresentada requer o pressuposto adicional de que as variáveis aleatórias tenham variância finita 2iV X . Nessas condições, Unidade I – Cálculo de Probabilidades – Variáveis Aleatórias Reais – Complementos: Teoremas-Limites 5 2 1 2 3 1 2 3... ...en n X X X X X X X X E V n n n Portanto, aplicando-se a desigualdade de Chebychev resulta 2 1 2 3 2 ... nX X X XP n n logo 2 1 2 3 2 ... lim limn n n X X X X P n n ou seja 1 2 3 ...lim 0n n X X X X P n Por outro lado, a probabilidade acima deve ser, também, maior ou igual a zero (axioma do Cálculo de Probabilidades) e assim 1 2 3 ...lim 0n n X X X X P n 6.10 Aproximação Normal de Distribuição Binomial 6.10.1 Teorema de De Moivre-Laplace Seja X uma variável aleatória com distribuição binomial de parâmetros n e p. Então, quando n cresce indefinidamente, a variável aleatória Y, com distribuição normal de parâmetros média n p e variância 2 (1 )n p q n p p , tem distribuição aproximadamente igual à da variável aleatória X. Isto é, 2( ) 2 (1 )1Se ( , ) então lim (1 ) 2 (1 ) x np x x n x np p n n X Binomial n p p p e np p C E portanto se ( , ) ( , (1 )X Binomial n p Y Normal np np p Demonstração (apenas o esboço, em linhas gerais) ! Se ( , ) então ( ) (1 ) (1 ) !( )! x x n x x n x X n n X Binomialn p p x C p p p p x n x Nota-se que a expressão acima apresenta uma dependência complicada de fatoriais. A Fórmula de Stirling para aproximação dos fatoriais, apresentada a seguir, 1 2! 2 para grande n nn e n n Unidade I – Cálculo de Probabilidades – Variáveis Aleatórias Reais – Complementos: Teoremas-Limites 6 fornece um modo de desenvolver cálculos algébricos para a expressão da função de probabilidade de X que contorna a dificuldade de lidar diretamente com os fatoriais. Empregando a referida fórmula para os fatoriais da expressão, após várias transformações algébricas pode-se provar que 2( ) 2 (1 )1( ) (1 ) para grande 2 (1 ) x np x x n x np p X np x C p p e n np p Finalmente, pode-se mostrar que 2(1 ) 2 1 (1 ) (1 ) 2 x np np p t X np x np P X x P e dt np p np p 6.10.2 Condições para uso da aproximação A aproximação é muito boa para n “grande” e 1 2 p . Mas, em termos mais gerais, considera-se que a aproximação é boa se as seguintes condições forem cumpridas: 10 e 10n p n q 6.10.3 Correção de continuidade Como se trata da aproximação de uma distribuição discreta por uma contínua, alguns cuidados são necessários no seu emprego. Esses cuidados envolvem o uso da chamada correção de continuidade: - 0,5 0,5P X k P k Y k - 0,5 0,5P a X b P a Y b - 0 0,5 0,5P X c P X c P Y c 6.11 Teorema do Limite Central Será enunciado apenas o Teorema de Lindeberg-Lévy, que é o mais importante caso particular do Teorema do Limite Central. 6.11.1 Teorema de Lindeberg-Lévy Sejam n variáveis aleatórias 1 2 3 nX ,X ,X , ... ,X independentes, com a mesma distribuição de probabilidade, de média iE(X ) μ e variância 2 iV(X ) σ . Faça-se: n n i i=1 Y X Unidade I – Cálculo de Probabilidades – Variáveis Aleatórias Reais – Complementos: Teoremas-Limites 7 Então, se n é suficientemente grande, nY possui aproximadamente distribuição normal de média nE(Y ) nμ e variância 2 nV(Y ) nσ . Nota: salvo raras exceções, a aproximação normal para a distribuição da soma nY é muito boa para n 30 . 6.11.2 Corolário Nas mesmas condições do teorema anterior, considere-se a média aritmética das n variáveis aleatórias 1 2 3 nX ,X ,X , ... ,X n n i i=1 1 X X n Então, se n é suficientemente grande, nX possui distribuição aproximadamente normal de média nE(X ) μ e variância 2 n 1 V(X ) σ n
Compartilhar