Demonstre a E(x) e Var(x) para as distribuies discretas Binomial,

Hipergeomtrica, Poisson, Geomtrica, Pascal e Multinomial.

Distribuies Discretas:

Binomial:

X~Bin (n, p)

Para:

n
P( X x) p x (1 p) n x , x 0,1,..., n
x

Onde p a probabilidade de sucessos e q a probabilidade de fracassos, temos:

n
E ( X ) xi P ( X xi )
i 0
n
n
E ( X ) xi p xi (1 p) n xi
i 0 xi
n
xi n!
E( X ) p xi (1 p) n xi
i 0 xi !( n xi )!
n
xi n(n 1)!
E( X ) p xi (1 p) n xi
i 0 xi ( xi 1)!n xi 1 1!

n
n(n 1)!
E( X ) p xi (1 p) n xi
i 0 ( xi 1)!n 1 ( xi 1)!
 n
n 1 xi
E ( X ) n p (1 p ) n xi
i 0 x i 1

n
n 1 xi
E ( X ) n p (1 p ) n xi
i 1 x i 1

k i 1
n 1 n 1
xk 1
E ( X ) n p (1 p ) n xk 1
k 0 x k

n 1 n 1
xk
E ( X ) np p (1 p ) n xk 1
k 0 x k

E ( X ) np p (1 p )
n 1
np
E ( X ) np

E para o clculo da Varincia, temos:

Seja:

Ento:

Adotando-se segue que o clculo da varincia pode ser descrito como:

Var(x) = Npq.

Hipergeomtrica:

1
A partir de e

de que so sucesso" e so "fracassos"

O valor esperado de xi simplesmente:

Isso tambm pode ser calculado pela soma direta como:

A Varincia :

Desde que xi seja uma varivel de Bernoulli,

Ento:

2
Para , a covarincia :

A probabilidade de i e j terem sucesso, quando i diferente de j :

Mas desde que xi e ji sejam variveis aleatrias de Bernoulli (0 ou 1 cada), o produto

tambm uma varivel de Bernoulli. Para que xi e ji sejam um, os dois devem ser 1:

Usando a equao anterior com:

Temos:

H um total termos em uma soma dupla de . No entanto, fazendo i = j para estes

N, existe um total de termos no somatrio de covarincia:

3
Combinando as equaes, temos a varincia:

Ento o resultado final :

E, desde que:

Ns temos:

Isso tambm pode ser obtido atravs da soma direta:

4
Poisson:

Onde p a probabilidade de sucessos e q a probabilidade de fracassos.

Calculo da mdia:

5
Geomtrica:

X~Geo ( p)

Para:

P( X x) p(1 p) x1 x 1, 2, 3, ...

Onde p a probabilidade de sucessos e q a probabilidade de fracassos.

Podemos efetuar o clculo da esperana como sendo:

n
E ( X ) xi P( X xi )
i 0

E ( X ) xi p(1 p) xi 1
i 0

E ( X ) xi p(1 p) xi 1
i 0

E ( X ) p xi (1 p ) xi 1
i 1

d
E ( X ) p (1 p ) xi
i 1 dp
d
E( X ) p (1 p) xi
dp i 1
d 1
E( X ) p
dp p
1
E ( X ) p 2
p
1
E( X )
p

6
E para o clculo da varincia, temos:

Pascal:

Se a funo densidade de probabilidade f.d.p. f(p) da varivel randmica r.v. "p"

representada por:

Onde B(,) uma funo beta usual, p a probabilidade de sucesso (q=1-p), k

nmero de experimentos com sucesso. Ento a p.f. da distribuio pascal-beta pode
ser dada por:

7
Uma vez que pretendemos fazer algumas declaraes sobre a distribuio binomial-
beta, ns escrevemos sua p.f. da seguinte maneira:

Onde n o total de experimentos feitos, e e como definido anteriormente.

O r-simo momento da distribuio de pascal-beta pode ser mostrado pela frmula:

(*)

Quando a expectativa primeira feita com relao a funo de probabilidade

condicional da varivel aleatria "X" e na expectativa da segunda realizada com
respeito funo densidade de probabilidade da varivel aleatria "Y". Agora, usando
a frmula anterior ( * ), obtemos os quatro primeiros momentos da distribuio pascal-
beta como: ( para > 1 )

Para > 2 :

Para > 3:

8
Para > 4 :

Consequentemente, a expresso de sua varincia se d :

Usando ( * ) , a mdia e a varincia podem ser dadas por:

Multinomial:

O multinomial uma (k-1) da famlia exponencial com parmetros:

9
 (log( p1 / pk , ,log( pk 1 / pk )) , T ( x) y1 ( x), , yk 1 ( x) e
k 1
A( ) n log(1 exp(i )) .
i 1

Onde p sucesso e q so os fracassos. Tal como acontece com a famlia a um

parmetro exponencial, conveniente para o ndice por famlia (1 , ,k ) .

Onde y1 ( x ), , yk ( x ) o nmero de resultados nas categorias 1 ,..., k nos n
ensaios. Para os clculos dos momentos das estatsticas suficientes :

T
A A
E0 T ( X ) (0 ), , (0 )

1 k
2 A
Var0 T ( X ) (0 )
a b

Ento para o clculo da media temos:

pi pi
i
n n

k 1
ne pk pk
E[ y j ( x )] n log 1 ei npi
j k 1
i 1 1 e i 1
k 1
pi 1

i 1 i 1 pk pk

E para o clculo da varincia:

k 1 nei e j
Cov0 [ yi ( x ), y j ( x )] n log 1 ei npi p j , i j
j k k 1
i 1 (1 ei ) 2
i 1

2 k 1 i
Var0 [ yi ( x )]
j 2
n log 1 e npi (1 pi ) .
i 1

10
Demonstre a E(x) e Var(x) para as distribuies contnuas Uniforme, Exponencial
e Gama.

Distribuies Contnuas:

Uniforme:

Se para

1
f ( x)
ba

Podemos fazer da seguinte forma:

E ( X ) xf ( x)dx
0

b
1 x2
b b
1 1
E( X ) x
b a a
dx E( X ) xdx
a
ba b a 2 a
1 b2 a 2 1 b 2 a 2 (b a)(b a)
E( X )
ba 2 ba 2 2(b a)
ab
E( X )
2

Clculo da varincia:
b
1 x3 1 b3 a3
b
1
b a a
E( X )
2
x 2
dx
b a 3 a b a 3
(b a)( a 2 ab b 2 )
E( X )
2

3(b a)
a 2 ab b 2
E( X )
2

Sabendo que V ( X ) E ( X 2 ) [ E ( X )]2

11
 a 2 ab b 2 a b a 2 ab b 2 (a b) 2
2

V (X )
3 2 3 4

V (X )
a ab b
2 2

a 2ab b
2 2

2

4 a ab b 2 3(a 2 2ab b 2 )
3 4 12
4a 4ab 4b 3a 6ab 3b
2 2 2 2
a 2ab b 2
2
V (X )
12 12

(b a) 2
V (X )
12

Exponencial:

f ( x) e x

E ( X ) xf ( x)dx
0

E ( X ) xe x
dx E ( X ) xex dx
0 0

udv uv vdu

ux du 1dx
e x
dv e x v e x dx

xex e x
xex 1 x
0 xe e dx
x x
xe dx dx dx
0 0 0 0 0

12

xex 1 e x

xex 1 1

1
0
x
xe dx 2
0 0 0

Substituindo a integral :

1
E ( X ) xex dx E( X )
0
2

1
E( X )

Varincia:

13

E ( X ) x 2 f ( x)dx
2

0

E ( X 2 ) x 2 e x dx E ( X 2 ) x 2 e x dx
0 0

e x
e x
x e 2 x
x
2
dx x 2 dx
0 0 0

2 e x 2 x
x e xe dx
x
2
dx x
0 0 0

e x 2 1 2
x e
x
2
dx x 2 2 3
0 0

2 2
E ( X 2 ) x 2 e x dx E ( X 2 )
0 3
2
Logo
V ( X ) E ( X 2 ) E ( X )
2

2
2 1 2 1 1
V (X ) 2 2 , onde V ( X ) 2

2

Gama:

X ~Gama(,)

Para E(x) = , temos:

( fazendo ), se

Ento , logo E(x)= .

14
Clculo da Varincia:

Fazendo Var(x) =

15