Documente Academic
Documente Profesional
Documente Cultură
De uma maneira geral, as estatsticas devem conter "toda" a informao presente numa
amostra. Se no fosse assim, no valeria a pena calcular uma estatstica, a gente
simplesmente usaria uma nica observao da amostra. Este acrscimo de informao
representado pelo uso de uma estatstica (ao invs de uma nica observao) geralmente
se traduz por uma considervel reduo na varincia. Por exemplo, a varincia da mdia
amostral igual varincia de cada observao dividida pelo tamanho da amostra.
Quanto maior o tamanho da amostra, menor a varincia da mdia amostral, isto , mais
"precisa" a mdia amostral.
As estatsticas mais famosas
Sejam X1, X2, ...., Xn uma amostra aleatria de uma distribuio qualquer. As estatsticas
mais comuns, calculadas a partir desta amostra so:
1) Mdia amostral
1 n
X = Xi
n i =1
2) Varincia amostral
2
1 n
S2 =
Xi X )
(
n 1 i =1
3) Desvio padro amostral
2
1 n
2
S= S =
Xi X )
(
n 1 i =1
4) Mnimo da amostra
X(1) = min( X1 , X2 ,..., Xn )
5) Mximo da amostra
X( n ) = max ( X1 , X2 ,..., Xn )
6) Amplitude da amostra
A = X(n) - X(1)
Teorema
Sejam X1, X2, ...., Xn uma amostra aleatria da distribuio N(, 2). Seja X a mdia
amostral. Ento:
2
X N ,
n
Teorema
Sejam X1, X2, ...., Xn uma amostra aleatria de uma distribuio qualquer tal que E(Xi) =
e VAR(Xi) = 2. Seja X a mdia amostral. Ento:
1) E( X ) =
2) VAR( X ) = 2 / n
3) Se n grande, pelo teorema central do limite podemos concluir que:
( X )
n.
aproximadamente N(0,1).
Note que, neste caso, nada dito a respeito da distribuio de X. Apenas a sua mdia e
varincia so conhecidas, e so funes da mdia e varincia de cada Xi.
A princpio a distribuio de X poderia ser uma coisa estranha, que no tem nada a ver
com a distribuio original de cada Xi. No entanto, se o tamanho da amostra grande
podemos concluir que a distribuio de X , devidamente escalonada, aproximadamente
N(0,1).
O prximo teorema refere-se distribuio do mximo e do mnimo de uma amostra.
Teorema
Sejam X1, X2, ...., Xn uma amostra aleatria de uma distribuio contnua qualquer com
densidade f(.) e funo de distribuio F(.). Sejam X(1) e X(n) respectivamente, o mnimo
e o mximo da amostra. Ento as densidades de X(1) e X(n) so dadas por:
1) Densidade do mnimo
n 1
g1 ( x ) = n. f ( x ). (1 F( x ))
2) Densidade do mximo
n 1
gn ( x ) = n. f ( x ). ( F( x ))
Demonstrao
S faremos a demonstrao do segundo item (mximo da amostra). A demonstrao do
outro item semelhante.
Note que se X(n) o mximo da amostra, ento X(n) < k equivale a : todo Xi < k, para
qualquer nmero k. Logo, a funo de distribuio do mximo pode ser facilmente
encontrada, e dada por:
Gn ( k ) = Pr X( n ) k = Pr( X1 k, X2 k,...., Xn k )
Tambm, os Xi 's so independentes, e esta ltima probabilidade pode ser escrita como o
produto das probabilidades para cada Xi . Ento:
Gn ( k ) = Pr( X1 k, X2 k,...., Xn k ) = Pr( X1 k ). Pr( X2 k )... Pr( Xn k )
gn ( k ) =
dGn ( k )
dF( k )
= n. ( F( k )) n 1 .
= n. f ( k ). ( F( k )) n 1
dk
dk
Exemplo
Sejam X1, X2, ...., Xn uma amostra aleatria da densidade Exponencial com parmetro
. Encontre a densidade de X(1), o mnimo da amostra.
Soluo
A densidade de cada Xi :
f ( x ) = . e x
A funo de distribuio :
x
F( x ) = Pr( X x ) = . e t dt = 1 e x
0
g1 ( y) = n. (1 F ( y))
( )
= n. . e y
n 1+1
n 1
. f ( y) = n. 1 1 + e y
) . (. e ) =
n 1
= n. . e n. . y
Exemplo
A durao de um componente eletrnico uma varivel aleatria T com distribuio
Exponencial com parmetro = 0.001.
Testou-se 100 componentes e observou-se a durao de cada um deles, gerando uma
amostra aleatria T1, T2 , ....., T100 .
Calcule as seguintes probabilidades:
a) Pr ( 950 < T < 1100)
M. Barros Consultoria Ltda.
e-mail: barrosm@alumni.utexas.net
info@mbarros.com
T 1000
10 4
T 1000
100
100
100
100
= Pr( 0.5 Z 1) = (1) ( 0.5) = 0.532
= ( Pr(T1 7200))
100
= 1 e 0.001( 7200 )
100
= 1 e 7.2
100
= ( 0.99925)100 = 0.928
= 1 Pr( T1 10)
100
= 1 e 0.001(10 )
100
= 1 e 0.01
100
= 1 e 1 = 0.632
A distribuio Qui-Quadrado
Definio (densidade Qui-Quadrado com k graus de liberdade)
Seja X uma varivel aleatria contnua e positiva com densidade dada por:
k
1
1
f ( x) =
.x 2 .e x / 2 onde x > 0
k
2 k / 2.
2
Ento X tem densidade Qui-Quadrado com k graus de liberdade, e escrevemos : X ~ 2k
A densidade Qui-Quadrado com k graus de liberdade apenas um caso particular da
densidade Gama. Na verdade:
k2
Qui Quadrado(3)
Qui Quadrado(4)
00
8.
50
75
7.
7.
00
25
7.
75
7.
50
6.
6.
25
00
6.
6.
75
50
5.
5.
00
25
5.
5.
50
75
4.
25
4.
00
4.
4.
50
75
3.
25
3.
00
3.
3.
75
50
Qui Quadrado(2)
2.
2.
00
25
2.
2.
50
75
1.
25
1.
1.
75
00
1.
50
0.
0.
00
0.
0.
25
0.00
Qui Quadrado(8)
Teorema
Se X tem densidade Qui-Quadrado com k graus de liberdade ento sua mdia, varincia
e funo geradora de momentos so dadas por:
E(X) = k
VAR(X) = 2.k
1
M (t ) =
(1 2t ) r / 2
Demonstrao
Segue direto dos resultados correspondentes para a densidade Gama.
A densidade Qui-Quadrado tabelada. As tabelas desta densidade fornecem os pontos
tais que a probabilidade da varivel estar acima deles especificada. Uma pequena
poro de uma tabela da densidade Qui-Quadrado mostrada a seguir.
graus de
0.990
0.950
0.050
0.01
0.020
0.100
5.99
9.21
0.870
1.640
12.59
16.81
12
3.570
5.23
21.03
26.22
liberdade
Por exemplo:
Supondo que X seja uma varivel aleatria com densidade Qui-Quadrado com 6 graus de
liberdade, a probabilidade de X exceder 0.87 99%. Analogamente, a probabilidade de X
exceder 12.59 5% e a probabilidade de X estar acima de 16.81 apenas 1%.
Uma propriedade muito importante da densidade Qui-Quadrado a preservao da
mesma famlia de densidades quando somamos variveis independentes. Ou seja, se X1,
X2, ...., Xn so variveis independentes, cada uma com distribuio Qui-Quadrado, a
soma de X1, X2, ...., Xn tambm uma varivel aleatria Qui-Quadrado.
Teorema (aditividade da densidade Qui-Quadrado)
Sejam X1, X2, ...., Xn variveis aleatrias independentes, e suponha que Xi tem
densidade Qui-Quadrado com ki graus de liberdade. Seja Y = X1 + X2 + .... + Xn . Ento Y
tem tambm uma densidade Qui-Quadrado, mas com k = k1 + k2 + .... + kn graus de
liberdade.
O prximo teorema exibe a relao existente entre as densidades Normal padro e QuiQuadrado.
M. Barros Consultoria Ltda.
e-mail: barrosm@alumni.utexas.net
info@mbarros.com
10
Teorema
Seja Z ~ N(0,1) . Ento V = Z2 tem densidade Qui-Quadrado com 1 grau de liberdade.
Demonstrao
A demonstrao feita usando-se o mtodo da funo de distribuio, j que a funo V
= Z2 no injetora, o que nos impede de usar o mtodo do jacobiano :
G(v) = Pr( V v) = Pr( Z2 v) = Pr( - v Z +v ) = (+v ) - (-v )
onde (.) indica a funo de distribuio de uma varivel aleatria N(0,1).
Derivando esta expresso em relao a v resulta na densidade de V, que :
2
v 2
v 1 1/ 2 1
1
. 1 . v 1/ 2 =
g(v) =
.exp
. .v
.exp
2 2
2
2 2
( )
1
v
2
= . v 1/ 2 .
exp =
2
2
2
1 1/ 2 v / 2
v .e
2
Isto :
g(v) =
1
21/ 2
1
1
v 2 . ev/2
1
1
21/ 2
2
1
1
v 2 . ev/2
11
Este resultado segue trivialmente dos dois ltimos teoremas, se lembrarmos que cada Zi2
tem densidade Qui-Quadrado com 1 grau de liberdade ( e so todos independentes).
Por que a densidade Qui-Quadrado importante?
Esta densidade est relacionada com a distribuio da varincia amostral obtida a
partir de uma amostra aleatria Normal, como indicado no prximo teorema.
Teorema
Sejam X1, X2, ...., Xn uma amostra aleatria da distribuio N(, 2). Seja S2 a varincia
amostral, dada por:
2
1 n
S =
Xi X )
(
n 1 i =1
2
Ento:
n
(n 1)S
( Xi X )
i =1
Teorema
Sejam X1, X2, ...., Xn uma amostra aleatria da distribuio N(, 2). Seja S2 a varincia
amostral. Ento :
E( S 2 ) = 2
VAR( S 2 ) =
2 4
n 1
Demonstrao
Pelo teorema anterior e sabendo a mdia e varincia de uma varivel aleatria QuiQuadrado temos:
12
( n 1) S 2
(n 1) 2
2
E
n
E
S
=
=
1
=2
2
(n 1)
( )
( )
2. ( n 1). 2
( n 1) S 2
2
VAR
= 2. ( n 1) VAR S =
2
( n 1) 2
( )
2. 4
n 1