Baixe o app para aproveitar ainda mais
Prévia do material em texto
Universidade de São Paulo - Departamento de Economia Curso de Verão Estatística Prof. Dr. Ricardo Avelino Monitor: Dejanir Henrique 1o Semestre de 2010 Lista de Exercícios 1 - Solução 1) a) Seja Y = X−m. Então, P [Y ≥ α] = P [Y+x ≥ α+x] ≤ P [(Y+x)2 ≥ (α+x)2] ≤ E[(Y + x) 2] (α+ x)2 = σ2 + x2 (α+ x)2 Onde x é um número real. A desigualdade é obtida através da escolha ótima de x, de tal forma que Minx σ2 + x2 (α+ x)2 CPO. : 2x(α+ x)2 − (σ2 + x2)2(α+ x) (α+ x)4 = 0 x = σ2 α Substituindo o valor de x de volta na desigualdade, temos P [Y ≥ α] ≤ σ 2 + (σ2/α)2 (α+ σ2/α)2 = σ2(α2 + σ2) (α2 + σ2)2 = σ2 α2 + σ2 De onde obtemos a desigualdade de Cantelli, P [X −m ≥ α] ≤ σ 2 σ2 + α2 b) P [|X−m| ≥ α] = P [{X−m ≥ α}∪{X−m ≤ −α}] = P [X−m ≥ α]+P [−(X−m) ≥ α] ≤ 2σ 2 σ2 + α2 Onde a última desigualdade vem do fato que V ar(X−m) = V ar(m−X) = σ2. A desigualdade acima é melhor do que a de Chebyshev se, 2σ2 σ2 + α2 ≤ σ 2 α2 → α2 ≤ σ2 → α ≤ σ 1 2) SejaX = {X1,X2, ...,Xn} um vetor de variáveis aleatórias independentes. Mostre que MSXi(t) = nY i=1 MXi(t) Solução: MSXi(t) = E ³ et S Xi ´ = E ¡ etX1etX2 ...etXn ¢ = E ¡ etX1)E(etX2)...E(etXn ¢ = nY i=1 MXi(t) 3)Obtenha as funções geradoras de momentos das seguintes distribuições: a) Bernouli(p) X = 0 c/ prob (1− p) X = 1 c/ prob p Solução: Mx(t) = E(e tx) = e0t(1− p) + e1tp = 1− p+ etp b) Binomial(n,p): n realizações de ensaios de Bernoulli com probabilidade de sucesso p P (X = k) = µ n p ¶ pk(1− p)n−k Solução: Seja X = Pn i=1 Yi. Mx(t) = E(e tx) = E ³ et S yi ´ = E à nY i=1 etyi ! = nY i=1 E(etyi) = nY i=1 £ (1− p) + pet ¤ = £ (1− p) + pet ¤n c) Geométrica: Repetições independentes de ensaio de bernoulli até o primeiro sucesso. Y=no de ensaios P (Y = k) = (1− p)k−1p 2 Solução: Seja X =no de sucessos= Y − 1 Mx(t) = E(e tx) = ∞X k=0 etkP (X = k) = ∞X k=0 etk(1− p)kp = p+ et(1− p)p+ e2t(1− p)2p+ ... = p 1− et(1− p) d) Poisson P (X = k) = (e−λλk)/k! Solução: Mx(t) = E(e tx) = ∞X k=0 etke−λλk k! = ∞X k=0 (et)ke−λλk k! = ∞X k=0 e−λ(etλ)k k! Mas, dado que Poisson(α) = e−ααk k! , para α = λet, Mx(t) = e −λeλe t ∞X k=0 e−λt(λet)k k! = e−λeλe t ∞X k=0 e−α(α)k k! = eλ(e t−1) e)Uniforme fx = 1 b−aI[a,b](x) Solução: Mx(t) = Z b a etx 1 b− adx = etb − eta t(b− a) f) Exponencial f(x) = θe−θxI(0,∞)(x) Solução: Mx(t) = Z ∞ 0 etxθe−θxdx = θ Z ∞ 0 e−(θ−t)xdx = −θe−(θ−t)x θ − t ¯¯¯¯∞ 0 = θ θ − t g) Gama(r, θ) 3 f(x) = θ r Γ(r)x r−1e−θxI(0,∞)(x) sendo Γ(r) = Z ∞ 0 yr−1eydy,Γ(k + 1) = kΓ(k), k > 0 Se k ∈ N, Γ(k + 1) = k! Solução: Mx(t) = E(e tx) = Z ∞ 0 etxθnxn−1e−θx Γ(n) dx = Z ∞ 0 θnxn−1e−x(−t+θ) Γ(n) dx = θn (θ − t)n Z ∞ 0 (θ − t)nxn−1e−x(−t+θ) Γ(n) dx = θn (θ − t)n 4) Mostre que a soma de n variáveis aleatórias independentes com dis- tribuição exponencial(θ) possui distribuição Gama(n, θ) Solução: Mx(t) = E(e tx) = E(et S yi) = E( Y etyi) = Y E(etyi) = Yµ θ θ − t ¶ = µ θ θ − t ¶n 5) Seja Xi uma sequência de v.a iid ∼ Bin(ni, p). Mostre que P Xi ∼ Bin(P ni, p) Solução: E ³ et S xi ´ = kY i=1 E(etXi) = kY i=1 £ pet + (1− p) ¤ni = £pet + (1− p)¤Sni 6) Suponha f(x) = [π(1 + x2)]−1. Obtenha f(y), sendo Y = X2 Solução: Note que f(x) é simétrica, ou seja, f(x)=f(-x). Fy(y) = P (Y ≤ y) = P (X2 ≤ y) = P (− √ y ≤ x ≤ √y) = Fx( √ y)− Fx(− √ y) fy(y) = d dy P (Y ≤ y) = 1 2 √ y fx( √ y)− µ −1 2 √ y ¶ fx(x) = 1/ √ y π(1 + y) , p/ y ≥ 0 4 7) Seja fx,y(x, y) = 1/π, x 2 + y2 ≤ 1 = 0, c.c Obtenha fy(y0) como função explícita de yo Dica: fx,y(x, y) equivale a um círculo de centro na origem e raio 1. Solução: fy(y0) = Z +∞ −∞ fx,y(x, y0)dx = Z a −a 1 π dx = 2a π = 2 π (1− y20)1/2 pois, do círculo descrito, y20 + a 2 = 12 8) Sejam X1,X2 v.a iid ∼ N(0, 1). Sejam Y1 = X1 +X2 e Y2 = X1/X2. Mostre que fy2(y2) segue uma distribuição Cauchy(0,1). Obs: Se Y ∼ Cauchy(0,1), fy(y) = 1π(1+y22) Solução: Através de simples manipulações algébricas, obtemos( X1 = Y1Y2 1+Y2 X2 = Y1 1+Y2 Portanto, J = " ∂X1 ∂Y1 ∂X1 ∂X2 ∂X2 ∂Y1 ∂X2 ∂Y2 # = " Y2 1+Y2 Y1 (1+Y2) 2 1 1+Y2 − Y1(1+Y2)2 # e detJ = − Y1Y2 (1 + Y2)3 − Y1 (1 + Y2)3 = −Y1 (1 + Y2)2 Consequentemente, fy(y1, y2) = fx µ y1y2 1 + y2 , y1 1 + y2 ¶ |y1| (1 + y2)2 = 1 2π exp ( −1 2 "µ y1y2 1 + y2 ¶2 + µ y1 1 + y2 ¶2#) |y1| (1 + y2)2 = 1 2π exp ½ −1 2 y21(1 + y 2 2) (1 + y2)2 ¾ |y1| (1 + y2)2 e 5 fy2(y2) = Z +∞ −∞ fy(y1, y2)dy1 = 1 2π 1 (1 + y2)2 Z +∞ −∞ |y1| exp ½ −1 2 y21(1 + y 2 2) (1 + y2)2 ¾ dy1 Note queZ +∞ −∞ |y1| exp ½ −1 2 y21(1 + y 2 2) (1 + y2)2 ¾ dy1 = 2 Z +∞ 0 y1 exp ½ −1 2 y21(1 + y 2 2) (1 + y2)2 ¾ dy1 Considerando u = 12 y21(1+y 2 2) (1+y2)2 , du = (1+y22) (1+y2)2 y1dy1 fy2(y2) = 1 π 1 (1 + y2)2 (1 + y2) 2 (1 + y22 Z +∞ 0 e−uy1 1 + y22 (1 + y2)2 dy1 = 1 π 1 (1 + y2)2 (1 + y2) 2 (1 + y22 Z +∞ 0 e−udu = 1 π(1 + y22) 9) Suponha 2 variáveis aleatórias independentes com distribuição qui-quadrado, U e V, com m e n graus de liberdade, respectivamente. Mostre que X = U/m V/n ∼ F (m,n) Se X tem distribuição qui-quadrado com k graus de libertade, temos que fx(x) = ¡ 1 2 ¢ k 2 x k 2−1e− x 2 Γ ¡ k 2 ¢ , x ≥ 0 Dica: Defina uma variável auxiliar Y = V para o cálculo do Jacobiano. Solução: Isolando U, obtemos U = XY ¡ m n ¢ . Assim, segue que J = · ∂U ∂X ∂U ∂Y ∂V ∂X ∂V ∂Y ¸ = · Y ¡ m n ¢ X ¡ m n ¢ 0 1 ¸ detJ = |det J | = Y m n , pois 0 < U, V <∞ fx,y(x, y) = fu(u)fv(v) |detJ | = (1/2) m 2 Γ ¡ m 2 ¢ um2 −1e− 12u (1/2)n2 Γ ¡ n 2 ¢ v n2−1e− 12vy ³m n ´ = (1/2) m+n 2 Γ ¡ m 2 ¢ Γ ¡ n 2 ¢ ³xym n ´m 2 −1 e− 1 2(xy m n )y n 2−1e− 1 2yy ³m n ´ 6 fx(x) = Z +∞ 0 fx,y(x, y)dy = Z +∞ 0 (1/2) m+n 2 Γ ¡ m 2 ¢ Γ ¡ n 2 ¢ ³xym n ´m 2 −1 e− 1 2 (xy m n )y n 2−1e− 1 2yy ³m n ´ dy = (1/2) m+n 2 Γ ¡ m 2 ¢ Γ ¡ n 2 ¢ ³m n ´m/2 X m 2 −1 Z +∞ 0 e− 1 2 (x m n +1)yy n 2 dy Mas, lembrando que se X ∼ Gama(r, λ), fx(x) = R +∞ 0 λr Γ(r)x r−1e−λx, re- definindo r = m+n2 , λ = © 1 2 £ 1 + ¡ m n x ¢¤ª e multiplicando a expressão acima por Γ(m+n2 ) { 12 [1+(mn x)]} ½ Γ(m+n2 ) { 12 [1+(mn x)]} ¾−1 , temos fx(x) = Γ ¡ m+n 2 ¢© 1 2 £ 1 + ¡ m n x ¢¤ª (1/2)m+n2 Γ ¡ m 2 ¢ Γ ¡ n 2 ¢ ³m n ´m/2 X m 2 −1 Z +∞ 0 © 1 2 £ 1 + ¡ m n x ¢¤ª Γ ¡ m+n 2 ¢ e− 12(xmn +1)yy n2 dy = Γ ¡ m+n 2 ¢© 1 2 £ 1 + ¡ m n x ¢¤ª (1/2)m+n2 Γ ¡ m 2 ¢ Γ ¡ n 2 ¢ ³m n ´m/2 X m 2 −1 7
Compartilhar