Teorema Do Limite Central

Teorema do Limite Central
Bacharelado em Economia - FEA - Noturno
1o Semestre 2014
MAE0219 (IME-USP) Teorema do Limite Central 1o Semestre 2014 1 / 47

Objetivos da Aula
Sumário
1 Objetivos da Aula
2 Distribuição Binomial
3 Distribuição de Poisson
4 Distribuição Uniforme
5 Distribuição Exponencial
6 Teorema do Limite Central
7 Exemplos

Objetivos da Aula
Objetivos da Aula
Soma de Variáveis Aleatórias

O objetivo principal desta aula é estudar empiricamente a distribuição
da soma de variáveis aleatórias quantitativas e enunciar o principal
teorema da Estatística Teorema do Limite Central.

Objetivos da Aula
Notação
Soma de Variáveis Aleatórias

Vamos supor X1 , . . . , Xn variáveis aleatórias independentes com
mesma distribuição de média µ e variância σ 2 finitas. Vamos estudar a
distribuição da soma
X = X1 + · · · + Xn
à medida que n cresce. Ou seja, vamos construir histogramas para a
distribuição de X para diferentes valores de n.

Distribuição Binomial
Sumário
1 Objetivos da Aula
7 Exemplos

A distribuição binomial pode ser obtida através de n ensaios
independentes de Bernoulli. Isto é, se Xi ∼ Be(p) (i = 1, . . . , n), então
X = X1 + · · · + Xn ∼ B(n, p).
Temos ainda que E(X ) = np e Var(X ) = np(1 − p).

Histogramas Distribuição Binomial
Descrição
A seguir serão construídos histogramas para a distribuição de
X ∼ B(n, p) variando-se o número de ensaios n e também a
probabilidade de sucesso p.

Histogramas B(n, p) para n = 10
p=0,10 p=0,30
0.25
0.3
0.20
0.15
0.2
0.10
0.1
0.05
0.00
0.0
0 1 2 3 4 5 6 7 8 9 10 0 1 2 3 4 5 6 7 8 9 10
p=0,50 p=0,80
0.00 0.05 0.10 0.15 0.20 0.25 0.30

0.20
0.15
0.10
0.05
0.00
0 1 2 3 4 5 6 7 8 9 10 0 1 2 3 4 5 6 7 8 9 10

p=0,10 p=0,30
0.15
0.20
0.10
0.15
0.10
0.05
0.05
0.00
0.00
0 1 2 3 4 5 6 7 8 9 11 13 0 2 4 6 8 10 13 16 19 22
p=0,50 p=0,80
0.15
0.12
0.10
0.08
0.05
0.04
0.00
0.00
0 3 6 9 12 15 18 21 24 27 30 0 3 6 9 12 16 20 24 28

p=0,10 p=0,30
0.00 0.02 0.04 0.06 0.08 0.10 0.12

0.15
0.10
0.05
0.00
0 2 4 6 8 10 12 14 16 18 0 3 6 9 12 15 18 21 24 27 30
p=0,50 p=0,80
0.00 0.02 0.04 0.06 0.08 0.10
0.12
0.08
0.04
0.00
0 3 6 9 13 18 23 28 33 38 43 0 4 8 13 19 25 31 37 43 49

Conclusões
Conclusões
Nota-se pelos gráficos que à medida que n cresce a distribuição de
X ∼ B(n, p) se aproxima da distribuição de Y ∼ N(µX , σX2 ) em que
µx = np e σX2 = np(1 − p).

Distribuição de Poisson
Sumário
1 Objetivos da Aula
7 Exemplos

Definição
Se X segue distribuição de Poisson de parâmetro λ. Isto é, se
X ∼ P(λ), então a função de probabilidade de X fica dada por
e−λ λx
P(X = x) = ,
x!
em que x = 0, 1, . . .. Temos ainda que E(X ) = λ e Var(X ) = λ.

Histogramas Distribuição de Poisson
Descrição
A seguir serão construídos histogramas para a distribuição de
X = X1 + · · · + Xn ∼ P(nλ),
variando-se m = nλ, em que Xi ∼ P(λ) independentes (i = 1, . . . , n).

Histogramas P(m)
m=1 m=5
0.15
0.6
0.10
Densidade
Densidade
0.4
0.05
0.2
0.00
0.0
0 1 2 3 4 5 0 2 4 6 8 10 12 14
x x
m=10 m=30
0.12
0.06
0.08
0.04
Densidade
Densidade
0.04
0.02
0.00
0.00
5 10 15 20 15 20 25 30 35 40 45 50
x x

Conclusões
Conclusões
Nota-se pelos gráficos que à medida que m cresce a distribuição de
X ∼ P(m) se aproxima da distribuição de Y ∼ N(µX , σX2 ) em que
µx = m e σX2 = m.

Distribuição Uniforme
Sumário
1 Objetivos da Aula
7 Exemplos

Definição
Vamos supor que X é uma variável aleatória com distribuição uniforme
no intervalo [a,b] (X ∼ U[a, b]), então
1
f (x) = , a ≤ x ≤ b,
(b − a)
e f (x) = 0 em caso contrário.

Definição
Vamos supor que X é uma variável aleatória com distribuição uniforme
no intervalo [a,b] (X ∼ U[a, b]), então
1
f (x) = , a ≤ x ≤ b,
(b − a)
e f (x) = 0 em caso contrário.
Esperança e Variância
Temos que
a+b (b − a)2
E(X ) = e Var(X ) = .
2 12

Distribuição Uniforme U[1, 5]
0.5
0.4
0.3
f(x)
0.2
0.1
0.0
0 1 2 3 4 5 6

Histogramas Distribuição Uniforme
Descrição
Vamos supor que Xi ∼ U[1, 5] independentes (i = 1, . . . , n). A seguir
serão construídos histogramas para a distribuição de
X = X1 + . . . + Xn variando-se o tamanho amostral n.

Histogramas Soma de Uniformes
n=10 n=30
0.00 0.02 0.04 0.06 0.08 0.10 0.12
0.00 0.01 0.02 0.03 0.04 0.05

Densidade
Densidade
20 25 30 35 40 70 80 90 100 110
Soma Soma
n=50 n=100
0.05
0.030
0.04
0.03
0.020
Densidade
Densidade
0.02
0.010
0.01
0.000
0.00
120 130 140 150 160 170 180 270 280 290 300 310 320 330
Soma Soma

Conclusões
Conclusões
X = X1 + · · · + Xn ,
se aproxima da distribuição de Y ∼ N(µX , σX2 ) em que

n(1+4)
µx = 2 = 5n
2
n(4−1)2
σX2 = 12 = 9n
12

Distribuição Exponencial
Sumário
1 Objetivos da Aula
7 Exemplos

Definição
Se X é uma variável aleatória com distribuição exponencial de
parâmetro λ > 0 , a função densidade de probabilidade de X é
definida por
f (x) = λe−λx ,
em que x > 0. Notação X ∼ Exp(λ).

Definição
Se X é uma variável aleatória com distribuição exponencial de
parâmetro λ > 0 , a função densidade de probabilidade de X é
definida por
f (x) = λe−λx ,
em que x > 0. Notação X ∼ Exp(λ).
Esperança e Variância
Temos que
1 1
E(X ) = e Var(X ) = 2 .
λ λ

Histogramas Distribuição Exponencial
Definição
Vamos supor que Xi ∼ Exp(λ) independentes (i = 1, . . . , n). A seguir
serão construídos histogramas para a distribuição de
X = X1 + . . . + Xn variando-se λ e o tamanho amostral n.

Distribuição Exponencail λ = 1
1.0
0.8
0.6
f(x)
0.4
0.2
0.0
0 1 2 3 4 5 6

Histogramas Soma de Exponenciais com λ = 1
n=10 n=30
0.00 0.02 0.04 0.06 0.08 0.10 0.12
0.06
0.04
Densidade
Densidade
0.02
0.00
5 10 15 20 25 20 30 40 50
Soma Soma
n=50 n=100
0.04
0.00 0.01 0.02 0.03 0.04 0.05
0.03
Densidade
Densidade
0.02
0.01
0.00
30 40 50 60 70 80 80 100 120 140
Soma Soma

Distribuição Exponencial λ = 3
3.0
2.5
2.0
f(x)
1.5
1.0
0.5
0.0
0.0 0.5 1.0 1.5 2.0

Histogramas Soma de Exponenciais com λ = 3
n=10 n=30
0.20
0.30
0.15
Densidade
Densidade
0.20
0.10
0.10
0.05
0.00
0.00
0 2 4 6 8 6 8 10 12 14 16
Soma Soma
n=50 n=100
0.15
0.12
0.10
0.08
Densidade
Densidade
0.05
0.04
0.00
0.00
10 15 20 25 25 30 35 40 45
Soma Soma

Conclusões
Conclusões
X = X1 + · · · + Xn ,
se aproxima da distribuição de Y ∼ N(µX , σX2 ) em que

µx = n λ1 = n
λ
σX2 = n λ12 = n
λ2

Sumário
1 Objetivos da Aula
7 Exemplos

Enunciado para a Soma Amostral

Para variáveis aleatórias X1 , . . . , Xn independentes e com mesma
distribuição de média µ e variância σ 2 finitas, a distribuição da soma
X = X1 + · · · + Xn
se aproxima à medida que n cresce da distribuição de Y ∼ N(µX , σX2 ),

em que µx = nµ e σX2 = nσ 2 .

Aproximação para n Grande
P(a ≤ X ≤ b) ∼
= P(a ≤ Y ≤ b)

a − nµ b − nµ
= P √ ≤Z ≤ √ ,
σ n σ n
em que Z ∼ N(0, 1).

Média Amostral
X1 +···+Xn
Para a média amostral X̄ = n temos que
E(X1 ) + · · · + E(Xn )
E(X̄ ) =
n
nµ
= =µ e
n
Var(X1 ) + · · · + Var(Xn )
Var(X̄ ) =
n2
nσ 2 σ 2
= = .
n2 n

Enunciado para a Média Amostral

Para variáveis aleatórias X1 , . . . , Xn independentes e com mesma
distribuição de média µ e variância σ 2 finitas, a distribuição da média
amostral
X + · · · + Xn
X̄ = 1
n
se aproxima à medida que n cresce da distribuição de Y ∼ N(µX̄ , σX̄2 ),
σ2
em que µX̄ = µ e σX̄2 = n .

Aproximação para n Grande
P(a ≤ X̄ ≤ b) ∼
= P(a ≤ Y ≤ b)

a−µ b−µ
= P √ ≤Z ≤ √ ,
σ/ n σ/ n
em que Z ∼ N(0, 1).

Exemplos
Sumário
1 Objetivos da Aula
7 Exemplos

Exemplos
Exemplo 1
Exemplo 1
Uma loja recebe em média 16 clientes por dia com desvio padrão de 4
clientes. Calcule aproximadamente a probabilidade de num período
de 30 dias a loja receber mais do que 500 clientes. Calcule também a
probabilidade aproximada de nesse mesmo período a média de
clientes ultrapassar a 18 clientes.

Exemplos
Exemplo 1
Dados do Problema
Seja U:número de clientes que a loja recebe num dia. Temos que
E(U) = µ = 16
Var(U) = σ 2 = 42 = 16.

Exemplos
Exemplo 1
Dados do Problema
Seja U:número de clientes que a loja recebe num dia. Temos que
E(U) = µ = 16
Var(U) = σ 2 = 42 = 16.
Soma Amostral
Seja X :número de clientes que a loja recebe em 30 dias. Temos que
µX = n × µ = 30 × 16 = 480
σX2 = n × σ 2 = 30 × 16 = 480
√
σX = 480 ∼= 21, 91.

Exemplos
Exemplo 1
Média Amostral
Seja X̄ :número médio de clientes que a loja recebe em 30 dias.
Temos que
µX̄ = µ = 16
σ2 16 ∼
σX̄2 = = = 0, 533
n
p 30
σX̄ = 0, 533 ∼
= 0, 73.

Exemplos
Exemplo 1
A probabilidade da loja receber mais do que 500 clientes em 30 dias

fica dada por

∼ 500 − µX
P(X ≥ 500) = P Z ≥
σX

500 − 480
= P Z ≥
21, 91
= P(Z ≥ 0, 91)
= 1 − P(Z ≤ 0, 91)
= 1 − A(0, 91)
= 1 − 0, 8186
= 0, 1814(18, 14%).

Exemplos
Exemplo 1
A probabilidade da média de clientes ultrapassar 18 clientes em 30

fica dada por

∼ 18 − µX̄
P(X̄ ≥ 18) = P Z ≥
σX̄

18 − 16
= P Z ≥
0, 73
= P(Z ≥ 2, 74)
= 1 − P(Z ≤ 2, 74)
= 1 − A(2, 74)
= 1 − 0.9969
= 0, 0031(0, 31%).

Exemplos
Exemplo 2
Exemplo 2
Sabe-se que numa corrida de revesamento de 42 km com 8 atletas
(cada um correndo 5,25 km) o tempo que cada atleta demora para
completar o percurso tem distribuição aproximadamente normal de
média 30 minutos e desvio padrão de 8 minutos. Se 8 atletas são
escolhidos ao acaso para um prova, qual a probabilidade da equipe
completar o percurso em menos de 3 horas? E em mais de 4 horas?
Qual é tempo que apenas 5% das equipes farão abaixo dele?

Exemplos
Exemplo 2
Dados do Problema
Seja T :tempo que um atleta demora para completar o percurso.
Temos que
E(T ) = µ = 30
Var(T ) = σ 2 = 82 = 64.

Exemplos
Exemplo 2
Dados do Problema
Seja T :tempo que um atleta demora para completar o percurso.
Temos que
E(T ) = µ = 30
Var(T ) = σ 2 = 82 = 64.
Soma Amostral
Seja X :tempo que a equipe (de 8 atletas) demora para completar o
percurso. Temos que
µX = n × µ = 8 × 30 = 240
σX2 = n × σ 2 = 8 × 64 = 512
√
σX = 512 ∼= 22, 63.

Exemplos
Exemplo 2
A probabilidade da equipe completar o percurso em menos de 3 horas

(180 minutos) fica dada por

180 − µX
P(X < 180) = P Z <
σX

180 − 240
= P Z <
22, 63
= P(Z < −2, 65)
= P(Z > 2, 65)
= 1 − P(z ≤ 2, 65)
= 1 − 0, 996
= 0, 004(0, 4%).

Exemplos
Exemplo 2
A probabilidade da equipe completar o percurso em mais de 4 horas

(240 minutos) fica dada por

240 − µX
P(X > 240) = P Z >
σX

240 − 240
= P Z >
22, 63
= P(Z > 0)
= 0, 5(50%).

Exemplos
Exemplo 2
Seja t0 o tempo superado por 95% das equipes (apenas 5% das

equipes fazem abaixo desse tempo). Temos que

t − µX
P(X < t0 ) = P Z < 0
σX

t0 − 240
= P Z <
22, 63
= P(Z < a) = 0, 05,
em que a = (t0 − 240)/22, 63. Pela tabela normal a = −1, 64. Assim,
obtemos t0 = 240 − 1, 64 × 22, 63 ∼
= 203 minutos.

Teorema Do Limite Central

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Teorema Do Limite Central

Enviado por

Direitos autorais:

Formatos disponíveis

Teorema do Limite Central

Bacharelado em Economia - FEA - Noturno

MAE0219 (IME-USP) Teorema do Limite Central 1o Semestre 2014 1 / 47

6 Teorema do Limite Central

MAE0219 (IME-USP) Teorema do Limite Central 1o Semestre 2014 2 / 47

Soma de Variáveis Aleatórias

MAE0219 (IME-USP) Teorema do Limite Central 1o Semestre 2014 3 / 47

Soma de Variáveis Aleatórias

MAE0219 (IME-USP) Teorema do Limite Central 1o Semestre 2014 4 / 47

6 Teorema do Limite Central

MAE0219 (IME-USP) Teorema do Limite Central 1o Semestre 2014 5 / 47

Temos ainda que E(X ) = np e Var(X ) = np(1 − p).

MAE0219 (IME-USP) Teorema do Limite Central 1o Semestre 2014 6 / 47

Histogramas Distribuição Binomial

MAE0219 (IME-USP) Teorema do Limite Central 1o Semestre 2014 7 / 47

Histogramas B(n, p) para n = 10

0.00 0.05 0.10 0.15 0.20 0.25 0.30

MAE0219 (IME-USP) Teorema do Limite Central 1o Semestre 2014 8 / 47

Histogramas B(n, p) para n = 30

MAE0219 (IME-USP) Teorema do Limite Central 1o Semestre 2014 9 / 47

Histogramas B(n, p) para n = 50

0.00 0.02 0.04 0.06 0.08 0.10 0.12

MAE0219 (IME-USP) Teorema do Limite Central 1o Semestre 2014 10 / 47

MAE0219 (IME-USP) Teorema do Limite Central 1o Semestre 2014 11 / 47

6 Teorema do Limite Central

MAE0219 (IME-USP) Teorema do Limite Central 1o Semestre 2014 12 / 47

MAE0219 (IME-USP) Teorema do Limite Central 1o Semestre 2014 13 / 47

Histogramas Distribuição de Poisson

variando-se m = nλ, em que Xi ∼ P(λ) independentes (i = 1, . . . , n).

MAE0219 (IME-USP) Teorema do Limite Central 1o Semestre 2014 14 / 47

MAE0219 (IME-USP) Teorema do Limite Central 1o Semestre 2014 15 / 47

MAE0219 (IME-USP) Teorema do Limite Central 1o Semestre 2014 16 / 47

6 Teorema do Limite Central

MAE0219 (IME-USP) Teorema do Limite Central 1o Semestre 2014 17 / 47

e f (x) = 0 em caso contrário.

MAE0219 (IME-USP) Teorema do Limite Central 1o Semestre 2014 18 / 47

e f (x) = 0 em caso contrário.

MAE0219 (IME-USP) Teorema do Limite Central 1o Semestre 2014 18 / 47

Distribuição Uniforme U[1, 5]

MAE0219 (IME-USP) Teorema do Limite Central 1o Semestre 2014 19 / 47

Histogramas Distribuição Uniforme

MAE0219 (IME-USP) Teorema do Limite Central 1o Semestre 2014 20 / 47

Histogramas Soma de Uniformes

0.00 0.02 0.04 0.06 0.08 0.10 0.12

0.00 0.01 0.02 0.03 0.04 0.05

MAE0219 (IME-USP) Teorema do Limite Central 1o Semestre 2014 21 / 47

se aproxima da distribuição de Y ∼ N(µX , σX2 ) em que

MAE0219 (IME-USP) Teorema do Limite Central 1o Semestre 2014 22 / 47

6 Teorema do Limite Central

MAE0219 (IME-USP) Teorema do Limite Central 1o Semestre 2014 23 / 47

MAE0219 (IME-USP) Teorema do Limite Central 1o Semestre 2014 24 / 47

MAE0219 (IME-USP) Teorema do Limite Central 1o Semestre 2014 24 / 47

Histogramas Distribuição Exponencial

MAE0219 (IME-USP) Teorema do Limite Central 1o Semestre 2014 25 / 47

MAE0219 (IME-USP) Teorema do Limite Central 1o Semestre 2014 26 / 47

Histogramas Soma de Exponenciais com λ = 1

0.00 0.02 0.04 0.06 0.08 0.10 0.12

30 40 50 60 70 80 80 100 120 140

MAE0219 (IME-USP) Teorema do Limite Central 1o Semestre 2014 27 / 47

0.0 0.5 1.0 1.5 2.0

MAE0219 (IME-USP) Teorema do Limite Central 1o Semestre 2014 28 / 47

Histogramas Soma de Exponenciais com λ = 3

MAE0219 (IME-USP) Teorema do Limite Central 1o Semestre 2014 29 / 47