Escolar Documentos
Profissional Documentos
Cultura Documentos
Teoria da Probabilidade
Regis A. Ely
Mestrado em Economia Aplicada (PPGOM)
Universidade Federal de Pelotas (UFPel)
1 de maro de 2016
Resumo
Estas so as notas de aula do curso de vero em Estatstica do Mestrado em Economia
Aplicada do PPGOM. A referncia principal so os captulos de 1 a 5 de Casella, G. e Berger,
R. L. Statistical Inference. 2nd Edition. Duxbury Press, 2001. Existe uma verso traduzida
para o portugus deste livro, porm as notas de aula so baseadas na verso em ingls, ento
pode haver pequenas diferenas nos termos utilizados. Estas notas tambm contm exemplos
de aplicao dos conceitos no R. Note que as aplicaes no R, apesar de contriburem para
o entendimento do contedo, no substituem os exerccios do livro, que devem ser a fonte
primria de preparao para as avaliaes.
Sumrio
1 Teoria de Probabilidade 2
1.1 Experimento, espao amostral e eventos . . . . . . . . . . . . . . . . . . . . . . . 2
1.2 Funo de probabilidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3 Probabilidade condicional e independncia . . . . . . . . . . . . . . . . . . . . . . 6
1.4 Exemplo de aplicao no R . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.5 Variveis aleatrias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.6 Funes de distribuio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.7 Funes de densidade e massa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
3 Distribuies de probabilidade 15
3.1 Distribuies discretas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
3.2 Distribuies contnuas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1
5 Propriedades de amostras aleatrias 20
5.1 Amostras aleatrias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
5.2 Estatsticas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
5.3 Amostragem da distribuio normal . . . . . . . . . . . . . . . . . . . . . . . . . 22
5.4 Conceitos de convergncia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
6 Exemplos no R 24
1 Teoria de Probabilidade
1.1 Experimento, espao amostral e eventos
Um dos principais objetivos da estatstica tirar concluses sobre uma populao de objetos
conduzindo um experimento. Um experimento aleatrio sempre composto por uma ao e
uma observao, embora s vezes a ao, ou at mesmo a observao, esteja subentendida na
descrio do experimento. Se pudermos repetir um experimento um grande nmero de vezes
ento algumas regularidades podero ser observadas, de modo a facilitar o processo de descrever
o conjunto de resultados possveis e as probabilidades associadas a eles.
Uma vez que definimos o espao amostral, estamos interessados em calcular probabilidades de
colees de subconjuntos especficos deste espao amostral (e.g. probabilidade dos dois dados
somarem 12).
2
Exemplo 1.1.5. (Eventos)
Quais as referncias?
Outra abordagem possvel a frequentista, que nos diz que se repetimos um experimento um
grande nmero de vezes podemos aproximar a probabilidade de um evento pelo nmero de vezes
que ele ocorreu dividido pelo nmero de vezes que repetimos o experimento (tente jogar 100 vezes
o dado e verifique quantas vezes saiu o 6). Essa uma definio mais ampla de probabilidade,
mas ainda assim, para calcularmos ela necessrio repetir o experimento um grande nmero de
vezes, o que pode ser um empecilho.
Por outro lado, quando trabalhamos com espaos amostrais infinitos no-enumerveis, comum
utilizarmos a definio geomtrica de probabilidade, dada pela razo entre a rea do evento A e
a rea do espao amostral S.
3
Vimos que sempre atribumos probabilidades a eventos, logo, se a probabilidade uma funo, o
domnio dessa funo deve ser uma coleo de conjuntos que correspondem a todos os possveis
eventos aleatrios que podem ser gerados a partir de um experimento.
Dizemos que o conjunto {, S} uma sigma lgebra trivial. Estamos interessados na menor sigma
lgebra que contm todos os subconjuntos de um dado espao amostral. Se o conjunto S finito
ou infinito enumervel, B ser igual a todos os subconjuntos de S, que totalizaro 2n conjuntos,
onde n o nmero de elementos de S. Quando S no-enumervel um pouco mais difcil
descrever B.
i) Se S = {1, 2, 3}, ento B ter 23 = 8 conjuntos, dados por , {1}, {2}, {3}, {1, 2},
{1, 3}, {2, 3}, {1, 2, 3}.
ii) Se S = (, ) = R, ento B pode ser escolhido de modo a incluir os conjuntos
[a, b], (a, b], (a, b) e [a, b), para todos os nmeros reais a e b.
Definio 1.2.3. Dado um espao amostral S e um sigma lgebra associada B, uma funo de
probabilidade uma funo P com domnio B que satisfaz:
Teorema 1.2.4. Seja S = {s1 , . . . , sn } um conjunto finito e B uma sigma lgebra de subconjuntos
de S. Para quaisquer A B, defina P (A) como:
X
P (A) = pi ,
{i:si A}
4
A partir dos Axiomas de Probabilidade podemos deduzir algumas propriedades teis das funes
de probabilidade.
Rearranjando temos:
n
X
P (ni=1 Ai ) P (Ai ) (n 1) ,
i=1
Nessa seo definimos os trs elementos que compem um espao de probabilidade (S, B, P ).
5
Revisar anlise combinatria:
4. Combinaes: n
r!(nr)! ;
n!
r =
5. Permutao com elementos repetidos.
Quais as referncias?
P (A B)
P (A|B) =
P (B)
Note que para calcularmos P (A|B) devemos reduzir o espao amostral S para B, e ento cal-
cularmos a probabilidade de A. No caso de eventos disjuntos, em que P (A B) = 0, temos
P (A|B) = P (B|A) = 0.
P (B|Ai )P (Ai )
P (Ai |B) = P .
j=1 P (B|Aj )P (Aj )
i) Ai Aj = para todo i 6= j;
ii) ki=1 Ai = S;
6
iii) P (Ai ) > 0 para todo i.
Nesse caso, quando o experimento realizado, um e somente um dos eventos Ai ocorre. Logo,
podemos deduzir que vale a Lei das probabilidades totais:
a. A e B C ,
b. AC e B,
c. AC e B C .
7
o seguinte exemplo.
Suponha que um ex-presidente da repblica tenha ido ao cassino para tentar a sorte com o
dinheiro de sua aposentadoria". Ele resolve jogar R$100.000,00 em uma roleta americana,
apostando R$90.000,00 na cor vermelha e R$10.000,00 no nmero 13. Sabendo que o
pagamento se ele acertar o nmero 35:1 e se acertar a cor 1:1, resolva os itens abaixo.
Soluo:
1 # install . packages (" prob ")
2 library ( prob )
3
4 # Item 1
5 S <- roulette ( makespace = TRUE )
6
7 # Item 2
8 A <- subset (S , num == 13)
9 B <- subset (S , color == " Red " )
10
11 # Item 3
12 numbers <- as . numeric ( as . character ( S [ ,1]) )
13 E <- S [ numbers %% 2 ! = 0 ,]
14
15 # Item 4
16 U <- union (A , B )
17 G <- intersect (B , C )
18 F <- setdiff (C , A )
19 H <- setdiff (S , U )
20
21 # Item 5 , 6 e 7
22 Prob ( H )
23 Prob ( B )
24 Prob ( A )
25
26 # Item 8
8
27 VE <- (90000.00 * 2 * Prob ( B ) ) + (10000.00 * 36 * Prob ( A ) ) - 100000.00
28
29 # Item 9
30 Prob (U , given = E )
Definio 1.5.1. Uma varivel aleatria uma funo do espao amostral S para os nmeros
reais.
A partir da funo de probabilidade original, que tem como domnio eventos em S, podemos
obter uma funo de probabilidade induzida no novo espao amostral X:
PX (X = xi ) = P ({sj S : X(sj ) = xi })
A ideia fundamental por trs das variveis aleatrias criar funes mapeiam resultados de ex-
perimentos em nmeros reais, de forma a facilitar o clculo de probabilidades. Note que a partir
de agora nos referimos a X como sendo a varivel aleatria e x como sendo um valor especfico
da mesma.
Definio 1.5.3. (Varivel aleatria discreta) Uma varivel aleatria discreta se toma um
nmero finito ou enumervel de valores, isto , se existe um subconjunto finito ou enumervel
{x1 , x2 , . . . } R tal que X(s) {x1 , x2 , . . . } para qualquer s S.
Definio 1.5.4. (Varivel aleatria absolutamente contnua) Uma varivel aleatria absolu-
tamente contnua se existe uma funo f : R R com f (x) 0, tal que:
Z x
P (X x) = f (t)dx x R.
FX (x) = PX (X x), x
9
Quando a varivel aleatria X tem uma distribuio dada por FX (x) denotamos X FX (x).
Note que a cdf definida em termos de probabilidades, logo, ela dever respeitar algumas pro-
priedades condizentes com os axiomas de probabilidade.
Teorema 1.6.2. A funo F (x) uma cdf se e somente se as seguintes condies so verdadeiras:
O fato da cdf ser contnua ou possuir saltos est relacionado ao fato de a varivel aleatria ser
contnua ou discreta.
Definio 1.6.3. Uma varivel aleatria X contnua se FX (x) uma funo contnua de x.
Uma varivel X discreta se Fx (x) possui descontinuidades.
Se utilizarmos a menor sigma lgebra contendo todos os intervalos possveis dos nmeros reais,
ento se duas variveis aleatrias tiverem a mesma cdf, elas tero as mesmas probabilidades para
cada evento.
Definio 1.6.4. Duas variveis aleatrias X e Y so identicamente distribudas se, para cada
conjunto A B, P (X A) = P (Y A).
Definio 1.7.1. A funo massa de probabilidade (pmf) de uma varivel aleatria discreta
dada por:
fX (x) = P (X = x) x
Definio 1.7.2. A funo densidade de probabilidade (pdf) de uma varivel aleatria discreta
a funo fX (x) que satisfaz:
Z x
FX (x) = fX (t)dt x
d
FX (x) = fX (x)
dx
10
Teorema 1.7.3. Uma funo fX (x) uma pdf ou pmf de uma varivel aleatria X se e somente
se:
a. fX (x) 0 x.
P
b. x fX (x) = 1 (pmf )
R
c. fX (x)dx = 1 (pdf )
i) Ver Exemplos 1.5.2, 1.5.4, 1.5.5, 1.5.6, 1.5.9, 1.6.2 e 1.6.4 de Casella, G. e Berger, R.
L. Statistical Inference. 2nd Edition. Duxbury Press, 2001.
P (Y A) = P (g(X) A),
Note que g(x) mapeia elementos no espao amostral de X para elementos no novo espao amostral
de Y , g(x) : X Y. Associada a g(x) tambm est a sua inversa, g 1 , denotada por:
P (Y A) = P (g(X) A)
= P ({x X : g(x) A})
= P (X g 1 (A))
Se X for uma varivel aleatria discreta, ento Y tambm ser, e a pmf de Y poder ser escrita
como:
X X
fY (y) = P (Y = y) = P (X = x) = fX (x), y Y.
xg1 (y) xg 1 (y)
11
Se X for uma varivel aleatria contnua, ento Y tambm ser, e a cdf de Y poder ser escrita
como:
FY (y) = P (Y y)
= P (g(X) y)
= P ({x X : g(x) y})
Z
= fX (x)dx
xX :g(x)y
Teorema 2.1.3. Dada uma varivel aleatria X com cdf FX (x), seja Y = g(X), X = {x :
fX (x) > 0} e Y = {y : y = g(x) para algum x X }, ento:
Teorema 2.1.4. Seja X uma v.a. com pdf fX (x) e Y = g(X), onde g uma funo montona.
E X e Y definidas como no teorema acima. Suponha que fX (x) contnua em X e que g 1 (y)
tem uma derivada contnua em Y. Ento a pdf de Y pode ser dada por:
f (g 1 (y)) d g 1 (y) yY
X dy
fY (y) =
0 caso contrrio
Note que este resultado se aplica apenas para funes montonas, porm podemos estend-lo
para partes montonas de funes que no so propriamente montonas.
Teorema 2.1.5. Seja X uma v.a. com pdf fX (x) e Y = g(X), onde g uma funo qualquer.
E X e Y definidas como no teorema anterior. Suponha que existe uma partio A0 , A1 , . . . , Ak
de mathcalX tal que P (X A0 ) = 0 e fX (x) contnua em cada Ai . Ainda, suponha que exista
funes g1 (x), . . . , gk (x), definidas em A1 , . . . , Ak respectivamente, que satisfazem:
12
Ento:
Pk 1 d 1
yY
i=1 fX (gi (y)) dy gi (y)
fY (y) =
0 caso contrrio
(R
g(x)fX (x)dx se X contnua
Eg(X) =
se X discreta,
P P
xX g(x)fX (x) = xX g(x)P (X = x)
desde que a integral ou a soma existam. Se E|g(X)| = dizemos que Eg(X) no existe.
Note que o operador de expectativas um operador linear, e por isso ele guarda as seguintes
propriedades:
Teorema 2.2.2. Seja X uma v.a. e a, b, c constantes. Ento, para quaisquer funes g1 (x) e
g2 (x) que possuem valores esperados, vale que:
i) Ver Exemplos 2.2.2, 2.2.3, 2.2.4, 2.2.6 e 2.2.7 de Casella, G. e Berger, R. L. Statistical
Inference. 2nd Edition. Duxbury Press, 2001.
13
2.3 Varincia e outros momentos
Definio 2.3.1. (Momentos)
O n-simo momento da varivel aleatria X, 0n dado por:
0n = EX n ,
enquanto que o n-simo momento central de X :
n = E(X )n ,
onde = 01 = EX.
Depois da mdia, o momento mais importante de uma distribuio o segundo momento central,
conhecido como varincia.
Teorema 2.3.3. Se X uma varivel aleatria com varincia finita, ento para quaisquer
constantes a e b,
V ar(aX + b) = a2 V arX
MX (t) = EetX ,
desde que este valor esperado exista para t em alguma vizinhana de 0.
Z
MX (t) = etx fX (x)dx se X contnua,
X
MX (t) = etx P (X = x) se X discreta
x
Para entender como esta funo gera momentos, observe o seguinte resultado:
14
Teorema 2.4.2. Se X tem mgf MX (t), ento:
t=0
n (n) dn
EX = MX (0) = n MX (t) .
dt
Ou seja, o n-simo momento igual a n-sima derivada de MX (t) avaliada em t = 0.
Demonstrao. Feita em aula.
3 Distribuies de probabilidade
A referncia principal para esta parte o captulo 3, sees 3.1, 3.2, 3.3 e teorema 3.6.1 de
Casella, G. e Berger, R. L. Statistical Inference. 2nd Edition. Duxbury Press, 2001.
i) Uniforme discreta
ii) Hipergeomtrica
iii) Binomial e Bernoulli
iv) Poisson
v) Negativa binomial
vi) Geomtrica
Vimos tambm algumas relaes entre variveis aleatrias discretas. Uma delas foi o uso da
Poisson como uma aproximao da binomial. A outra foi o fato de que a distribuio binomial
negativa inclui a distribuio de Poisson como um caso limite.
i) Uniforme
ii) Gama
iii) Qui-quadrada
iv) Exponencial
v) Weibull
vi) Normal
vii) Lognormal
Tambm vimos algumas relaes entre distribuies de probabilidade contnuas, como por exem-
plo o fato das distribuies qui-quadrada e exponencial serem casos especiais da distribuio
gama.
Fechamos esta parte com a Desigualdade de Chebychev e alguns resultados associados a ela.
15
4 Variveis aleatrias mltiplas
4.1 Distribuies conjuntas e marginais
Uma varivel aleatria uma funo do espao amostral S para os nmeros reais. Um vetor
aleatrio consiste em vrias variveis aleatrias.
Note que esta funo define completamente a distribuio de probabilidade do vetor aleatrio
(X, Y ). Dessa forma, podemos us-la para calcular a probabilidade de qualquer evento definido
em termos de (X, Y ), ou seja, para qualquer conjunto A R2 , temos:
X
P ((X, Y ) A) = f (x, y)
(x,y)A
Seja g(x, y) uma funo definida em todos os valores (x, y) do vetor aleatrio discreto (X, Y ),
ento g(X, Y ) tambm ser um vetor aleatrio discreto, e seu valor esperado ser dado por:
X
Eg(X, Y ) = g(x, y)f (x, y)
(x,y)R2
X
fX (x) = fX,Y (x, y)
yR
X
fY (y) = fX,Y (x, y).
xR
16
Definio 4.1.4. (Vetor aleatrio bidimensional contnuo)
Uma funo f (x, y) do R2 para o R chamada de funo densidade de probabilidade conjunta
do vetor aleatrio bidimensional contnuo (X, Y ) se, para cada A R2 ,
Z Z
P ((X, Y ) A) = f (x, y)dxdy
A
Se g(x, y) for uma funo real, ento o valor esperado de g(X, Y ) definido como:
Z Z
Eg(X, Y ) = g(x, y)f (x, y)dxdy
As pdfs marginais de X e Y so dadas por:
Z
fX (x) = f (x, y)dy, < x <
Z
fY (y) = f (x, y)dx, < y <
Note que para f (x, y) ser uma pdf conjunta de um vetor aleatrio bidimensional contnuo (X, Y ),
ela deve satisfazer:
Ao invs das pdf conjunta, podemos caracterizar as probabilidades atravs da cdf conjuntas, que
ser dada por:
F (x, y) = P (X x, Y y) (x, y) R2
Para o caso contnuo, essa funo ser dada por:
Z x Z y
F (x, y) = f (s, t)dtds,
2 F (x,y)
de modo que xy = f (x, y).
i) Ver Exemplos 4.1.2, 4.1.4, 4.1.5, 4.1.7, 4.1.9, 4.1.11 e 4.1.12 de Casella, G. e Berger,
R. L. Statistical Inference. 2nd Edition. Duxbury Press, 2001.
f (x, y)
f (y|x) = P (Y = y|X = x) = .
fX (x)
17
A pmf ou pdf condicional de X definida de maneira anloga. Note que f (y|x) 0 para todo
y pois f (x, y) 0 e fX (x) > 0. Tambm note que, no caso discreto:
P
y f (x, y) fX (x)
X
f (y|x) = = =1
y
fX (x) fX (x)
No caso contnuo essa igualdade tambm vlida, basta substituir a soma por uma integral.
Se g(Y ) for uma funo de Y , ento o valor esperado condicional de g(Y ) dado X = x dado
por:
X
E(g(Y )|x) = g(y)f (y|x)
y
Z
E(g(Y )|x) = g(y)f (y|x)dy
Esses valores esperados herdam todas as propriedades do operador de expectativas. Note que
E(g(Y )|X) uma varivel aleatria que depende dos valores de X, enquanto que E(g(Y ))
apenas uma constante.
Essa definio de independncia pode ser aplicada para qualquer funo das variveis aleatrias,
inclusive para o valor esperado. Note que se X e Y so independentes, ento:
fX (x)fY (y)
f (y|x) = = fY (y)
fX (x)
Assim, o conhecimento de X no nos d nenhuma informao adicional sobre Y . Uma maneira
rpida de verificar a independncia de duas variveis aleatrias atravs do seguinte teorema:
Teorema 4.2.3. Seja (X, Y ) um vetor aleatrio bivariado com pdf ou pmf conjunta f (x, y).
Ento X e Y so variveis aleatrias independentes se e somente se existe funes g(x) e h(x)
tais que, para cada x R e y R,
f (x, y) = g(x)h(y)
Teorema 4.2.4. Seja X e Y variveis aleatrias independentes com funes geradoras de mo-
mento MX (t) e MY (t). Ento a funo geradora de momento da varivel aleatria Z = X + Y
dada por:
Demonstrao. MZ (t) = E et(X+Y) = E(etX etY ) = (E etX )(E etY ) = MX (t) MY (t)
18
Exemplo 4.2.6. (Distribuio condicional e independncia)
i) Ver Exemplos 4.2.2, 4.2.4, 4.2.6, 4.2.8, 4.2.9, 4.2.11 e 4.2.13 de Casella, G. e Berger,
R. L. Statistical Inference. 2nd Edition. Duxbury Press, 2001.
EX = E(E(X|Y ))
i) Ver Exemplos 4.4.1, 4.4.2, 4.4.5, 4.4.6, 4.4.8, 4.2.11 e 4.2.13 de Casella, G. e Berger,
R. L. Statistical Inference. 2nd Edition. Duxbury Press, 2001.
19
Definio 4.4.2. (Correlao)
A correlao de X e Y (ou coeficiente de correlao) um nmero definido por:
Cov(X, Y )
XY = .
X Y
Note que estamos denotando EX = X , EY = Y , V arX = X 2 e V arY = 2 . Os valores da
Y
covarincia e correlao estaro bem definidos desde que 0 < X
2 < e 0 < 2 < . As duas
Y
medidas variam conjuntamente, porm a correlao nos d um valor padronizado entre 1 e 1,
podendo ser mais amplamente utilizada para se comparar relaes entre conjuntos diferentes de
variveis aleatrias.
a. 1 XY 1.
b. |XY | = 1 se e somente se existe nmeros a 6= 0 e b tais que P (Y = aX + b) = 1. Se XY = 1,
ento a > 0, e se XY = 1, ento a < 0.
20
Um meio de se construir uma amostra aleatria a partir de uma populao finita escolher valores
com probabilidades iguais (1/N ) utilizando reposio. Assim, podemos garantir que a nossa
amostra aleatria, visto que o processo de amostragem independente. Se fizermos o mesmo
processo mas sem reposio, ento as variveis aleatrias X1 , . . . , Xn no sero mutuamente
independentes, porm para N grande essa amostra se aproximar de uma amostra aleatria.
5.2 Estatsticas
Definio 5.2.1. (Estatstica)
Seja X1 , . . . , Xn uma amostra aleatria de tamanho n de uma populao, e T (x1 , . . . , xn ) uma
funo real cujo resultado um nmero ou um vetor e o domnio inclui o espao amostral
de (X1 , . . . , Xn ). Ento a varivel ou vetor aleatrio Y = T (X1 , . . . , Xn ) chamada de uma
estatstica. A distribuio de probabilidade da estatstica Y chamada de distribuio amostral
de Y .
Note que uma estatstica obtida a partir de uma amostra aleatria e no pode ser uma funo
dos parmetros de uma distribuio. Duas estatsticas mais comumente utilizadas a mdia
amostral e a varincia amostral.
Definio 5.2.2. A mdia amostral a mdia aritmtica dos valores de uma amostra aleatria,
e denotada por:
n
= X1 + + Xn = 1
X
X Xi .
n n
i=1
Definio 5.2.3. A varincia amostral uma estatstica definida por:
n
1 X 2.
S2 = (Xi X)
n1
i=1
O desvio-padro amostral definido por S = S 2 .
= (x1 + + xn )/n. Ento:
Teorema 5.2.4. Seja x1 , . . . , xn quaisquer nmeros e x
a. mina i=1 (xi a)2 = ni=1 (xi x
Pn
)2 ,
P
)2 = ni=1 x2i n
b. (n 1)s2 = ni=1 (xi x x2 .
P P
21
5.3 Amostragem da distribuio normal
Teorema =
X1 , . . . , XnPuma amostra aleatria de uma distribuio N (, 2 ), X
Pn 5.3.1. Seja
2 n 2
(1/n) i=1 Xi e S = [1/(n 1)] i=1 (Xi X) . Ento:
( p+1
2 ) 1 1
fT (t) = p , < t <
( 2 ) (p) (1 + t /p)(p+1/2)
1/2 2
ETp = 0, se p > 1,
p
V arTp = , se p > 2.
p2
De maneira anloga, a distribuio F aparece ao retirarmos razes de varincias.
( p+q
p/2
2 ) p x(p/2)1
fF (x) = , < x <
( 2 )( 2q )
p
q [1 + (p/q)x](p+q)/2
22
5.4 Conceitos de convergncia
Um dos artifcios mais utilizados em inferncia permitir que o tamanho da nossa amostra
aleatria se aproxime do infinito e ento investigar o comportamento de estatsticas que esta-
mos interessados. Um dos conceitos mais fracos de convergncia a ideia de convergncia em
probabilidade.
lim P (|Xn X| ) = 0,
n
ou equivalentemente,
n | < ) = 1,
lim P (|X
n
n converge em probabilidade para .
ou seja, X
Assim, a lei fraca dos grandes nmeros nos diz que sob algumas condies, a mdia amostral se
aproxima da mdia populacional quando n . Essa propriedade chamada de consistncia
do estimador da mdia.
Teorema 5.4.3. Suponha que X1 , X2 , . . . converge em probabilidade para uma varivel aleatria
X e que h uma funo contnua. Ento h(X1 ), h(X2 ), . . . converge em probabilidade para h(X).
n | < ) = 1,
P ( lim |X
n
n converge quase certamente para .
ou seja, X
23
Definio 5.4.6. (Convergncia em distribuio)
Uma sequncia de variveis aleatrias X1 , X2 , . . . converge em distribuio para uma varivel
aleatria X se:
i) Ver Exemplos 5.1.2, 5.1.3, 5.1.8, 5.3.5, 5.3.7, 5.5.3 e 5.5.16 de Casella, G. e Berger,
R. L. Statistical Inference. 2nd Edition. Duxbury Press, 2001.
6 Exemplos no R
1 x = rnorm (100)
2
3 # Central measures
4 mean ( x )
5 median ( x )
6 mean (x , trim = 0.05)
7 summary ( x )
8
9 # Spread measures
24
10 range ( x )
11 sd ( x )
12 var ( x )
13 mad ( x )
14 IQR ( x )
15
16 # Other moments
17 # install . packages (" e1071 ")
18 library ( e1071 )
19 skewness ( x )
20 kurtosis ( x )
21
22 # Graphs of distribution
23 plot ( x )
24 boxplot ( x )
25 hist ( x )
26
27 # Multivariate data
28 y = 3 * x + 4 + rnorm (100)
29 plot (x , y )
30 cov (x , y )
31 cor (x , y )
32 reg <- lm ( y ~ x )
33 summary ( reg )
34
35 # Discrete random variables
36 dices <- sample (6 , size = 10 , replace = TRUE ) # uniform - tossing 10
dices
37 dices
38 dbinom (2 , size = 4 , prob = 1 / 2) # pdf binomial
39 pbinom (2 , size = 4 , prob = 1 / 2) # cdf binomial
40 dhyper (3 , 100 , 200 , 10) # pdf hypergeometric - type help ( dhyper ) for help
41 phyper (3 , 100 , 200 , 10) # cdf hypergeometric
42 dpois (4 , 5 / 3)
43 ppois (4 , 5 / 3)
44 dnbinom (2 , 5 , 1 / 2) # prob de 2 fracassos ate obter 5 sucessos
45 pnbinom (2 , 5 , 1 / 2)
46 dgeom (2 , 1 / 2) # prob de obter 2 fracassos ate que o primeiro sucesso
ocorra
47 pgeom (2 , 1 / 2)
48
49 # Continuous random variables
50 help ( dunif )
51 help ( dgamma )
52 help ( dchisq )
53 help ( dexp )
54 help ( dweibull )
55 help ( dnorm )
56 help ( dlnorm )
25