Escolar Documentos
Profissional Documentos
Cultura Documentos
wjP(uj) ©)
j=l
Se f(x) for uma funcio de 1, 0 valor esperado de f(1) seré dado por
Fer) =(u)) Sse): &)
Al mostrar que: (i) (f (a) + god} = (f (19) + (ate) © Gi) (of) =
uma constante ¢ fe gsao funcées (aleatérias) de u.
O desvio da média é definido por
(f (1), onde
Au=u-(u).
claro que
{au)=((u-(a)p=0
ou seja, o valor médio do desvio da médi
quadratice € dado por
€ de muito pouca utilidade. O desvioIntroducéo aos Métodos Estatisticos *
(au)
(w= (uw)? (8)
A dispersdo, ou segundo momento, é 0 valor médio do desvio quadratic, dado po:
{(a1?) =((u-(9)*)
claro que ((Aw)?) > 0, ow seja, (u?) > (a),
(9)
A dispersio, nv
tas veres, é chamada
de varidncia. A vaiz da dispersio ¢ 0 chamado desvio padrdo. A comparacao entre
0 desvio padrao € 0 valor médio é muito importante, pois fornece uma idéia da
largura da distribuiedo de probabilidades (ou seja, indica se a distr
ibuicdo é muito
fina, centrada no valor médio, ou muito espalhada, com grandes flutuagées de
valores em torno da média). Finalmente, podemos definir o momento em relacao
a médii
{(axy")=((e-Gn)"). a0)
de ordem 7,
que também podera ter utilidade. Por meio dos momentos, ser
pre & possivel
reconstituir uma distribuicao de probabilidades. No entanto, em muitos casos de
interesse, para um ntimere grande de eventos, vamos ver que basta um conhe-
cimento dos dois primeiros momentos, (xt) e (22).
Wty AWS)
ANF EN,
Figura
pplos le «listribuicdes estatisticas, No lade eireito, AN] © 1S}
No caso do problema do caminho aleatérioe, temos
Ny=0
2526 © Introdugao a Fisien Estatistica
onde Ny= N—N, e, no final, devemos fazer ¢= 1 - p. Portanto, podemos es
E claro que (Ny 1
resumo, temos
(M)= PN,
ay
(No)=9N .
a calcular a dispe
a, ob:
0 em relacio A média, podemos proceder da mesma
vando que
)-(S) (3) tee
wi (02 )forray*” |. pN +p2N(N-1).
Portanto, temos
(asst)-(
que conduz a famosa forma do desvio padrao, preporcional a VN
ya YP = Npg. ay)
as)
aayIntrodugéo aos Métodos Estatisticos *
indicando que a distribuicdo binomial se torna muito fina, ccntrada em torneo do
valor médio (Nj), para Nsuficientemente grande (ver figura 1.2)
1.3 LIMITE GAUSSIANO DA DISTRIBUICAO BINOMIAL
No limite V— ~, temos Wy(0) =
gX + 0 ¢ Wy(N) = p¥ > 0. Portanto,
Wy()) deve ter um mas
mo para Ny = Ny = rN, com 0 << 1. Para Ngrande,
imoa fungi WN)
el aleatoria Ny. Na realidade, em vee di
embora Nj seja um inteiro, podemos supor que perto do ma:
seja quase continua em relacao a var
wabalhar com Wy-(Nj), € mais conveniente wabalhar com In Wy(N,), que varia
bem mais lentamente. Como a funcao logariuno é monoténica crescente, tanto
faz achar 0 mi
mo de Wy(N}) ou de In Wy(\)). Assim, temos
f(N1) = ln Wy (Np) = Vt In Ny = In(W = Ny)
as)
+N, Inp+(N-))Ing
Perto do m
mo, tanto Nj quanto N= Nj devem ser da ordem de N. Tornasse.
entio, inter
ante climinar os fatoriais por meio da famosa expansao assintotica
de Stirling (ver apéndice A.1), que sera usada muitas vezes nesse texto,
Ind +0O(InN) (16)
Entao, temos
sy) = N InN -N-Ny In Ny +N, -(N =) )In(N Ny) +
a7)
+(N-N)) +N Inp+(N-N Jing +O(InNy,In(N-N)-
Portanto, podemos escrever
oe =-InN; +In(N-Nj)+Inp-In of : as)
» limite N— %, temos
-InXy + In(W-N,)+In p= ing =0, ag)
2728 * Introdugiio a Fisica Estatistica
ou seja,
Ny = Np a(n
(20)
ndo a coincidéncia entre o valor mais provévele o valor médio (ver eq
obter a derivada segunda,
a +0) + = ; (ay
1 Np (N-™1)
No ponto de maximo, para N— <, temos
2
1
(4) et ~
Tye MO ((ami)?}
Vamos agora considerar uma expansao de Taylor em torno do m:
Nj, = (N,). Assim, temos
2(N1) = In Wy (Ni) = ney
: ey)
do gaussiana consiste em abandonar os termos de ordem superior
nsio. Isso s
justifica, pois, para N grande, W(.N,) s@ tem um valor
nhan¢as de seu valor maximo. Observando que Nj = (Ny) que
= (AN), podemos escre
iP
er 2aproximacao gaussiana paraa dis
(m-(M)P
3 (M1) = fo exp] — 2
Po (Ni) = fo exp ofan)
, (24)
nde o coeficiente p, é determi
aclo pela condi¢io de normalizacao.Tntroducdo aos Métodos Estatisticos ©
Utili
temos
indo os resultados do apéndice A.2 para as integrais de forma gaussiana,
Po -[ssfanzy) (26)
Podemos, entao, escrever a distribuicdo normal ou gaussiana:
e que
(am ¥), = fo -()g iw Ni )ay = (ANT % (29)
em concord
neia com os resultados para a distribuicdo binomial de origem.
Entretanto, os momentos superiores calculados com a distribuicio gaussiana
deixam de coincidir com os momentos correspondentes calculados com a distri-
buicao binomial
Cabe agora uma indagacao sobre os limites de valicdade da aproximacao de
uma distribuicdo binomial pela gaussiana correspondente (com os mesmos valores
do primeiro ¢ do segundo momentos), Para analisar essa questao, vamos con-
siderar a derivada terceira
No ponto de maximo, para N—., 6 termo dominante dessa derivada sera dado por
2930 * Introductio a Fisica Estatistica
na deve scr muito boa para
2. _le-pl |
one pe
isto @, para
[yi -m]< ia ;
|, temos
Fora desse intervalo, ou seja, para | |= 8Npq/ lg- p
Pa ~ Po &xp|
ordem de VN , tanto a binomial quanto a gaussiana sio muito (ou s
nencialmente) pequenas quando N, - Ny for grande.
outras derivadas ¢ mostrar que esse caleulo continua viilido em ordens superior
1.4 DISTRIBUICOES DE VARIAS VARIAVEIS ALEATORIAS. DISTRIBUICOES
CONTINUAS
Uma gener:
izagio imediata do que j4 foi visto cons
tc em levar em conta
duasou mais varidveis aleatGrias discretas. Vamos, por ¢