Escolar Documentos
Profissional Documentos
Cultura Documentos
Semestre: 2021.1
Tópicos
Comentários
• Enquanto X é uma v.a. contı́nua com suporte X = (1, ∞), a
v.a. Y = ψ(X) é discreta com suporte Y = {0, 1}.
• Note-se ainda que Y = 1{X≥2} ∼ Ber(Pr[X ≥ 2]).
Solução do Exemplo 2 (Parte 1/4)
• Primeiramente vamos calcular E[Y ] = E[ψ(X)] usando a f.p.
da v.a. Y = ψ(X).
• Como E[Y ] existe (verifique!), a esperança da v.a. Y é:
X
E[Y ] = y Pr[Y = y]
y∈Y
= 0 · Pr[Y = 0] + 1 · Pr[Y = 1]
= 0 · Pr[X < 2] + 1 · Pr[X ≥ 2]
Z ∞
= 3x−4 dx
2
∞
1
= 3· · x−4+1
−4 + 1
2
1 1
= − lim 3 − 3
x→∞ x 2
= 1/8
Solução do Exemplo 2 (Parte 2/4)
• Agora vamos fazer o cálculo de E[ψ(X)] aplicando a
Definição 1 usando diretamente a densidade da v.a. X.
• Recorde-se que
(
1, x ≥ 2
ψ(x) = 1[2,∞) (x) =
0, x < 2
e (
−4 3x−4 , x > 1
fX (x) = 3x 1(1,∞) (x) = ,
0, x ≤ 1
em que (
1, x > 1
1(1,∞) (x) =
0, x ≤ 1
• Como E[ψ(X)] existe (verifique!), a esperança da v.a. ψ(X)
é dada como vem a seguir.
Solução do Exemplo 2 (Parte 3/4)
Z ∞
E[ψ(X)] = ψ(x)fX (x)dx
−∞
Z ∞ h i
= 1[2,∞) (x)3x−4 1(1,∞) (x)dx
−∞
Z1 Z∞
3 3
= 1[2,∞) (x) 4 · 0 · dx + 1[2,∞) (x) · 1 · dx
x x4
−∞ 1
Z ∞
= 1[2,∞) (x)3x−4 dx
1
Z 2h i Z ∞h i
= 0 · 3x−4 dx + 1 · 3x−4 dx
Z1∞ 2
= 3x−4 dx
2
= 1/8
Solução do Exemplo 2 (Parte 4/4)
Podemos usar que 1A (ω)1B (ω) = 1A∩B (ω) para simplificar os
cálculos, como segue:
Z ∞
E[ψ(X)] = ψ(x)fX (x)dx
−∞
Z ∞ h i
= 1[2,∞) (x)3x−4 1(1,∞) (x)dx
−∞
Z ∞
= 3x−4 1[2,∞) (x)dx
−∞
Z ∞
= 3x−4 dx
2
= 1/8
Esperança da função de uma v.a.
Atenção
• A existência de E[X] não implica a existência de E[ψ(X)].
• Da mesma forma, a existência de E[ψ(X)] não implica a
existência de E[X].
Exemplo 3
Se X ∼ Geo(1/2), sua f.p. é dada por:
1
Pr[X = x] = ·1 (x)
2x {1,2,...}
Observações
• A esperança e a média quadrática são iguais aos primeiro e
segundo momentos em relação à origem, respectivamente; e
• A variância é o segundo momento em relação à média.
Momentos de ordem r
Variáveis aleatórias discretas
Se X é uma v.a. discreta com f.p. Pr[X = x] e suporte
X = {x1 , . . . , xn }, então
X n
X
r r
E[X ] = x Pr[X = x] = xri Pr[X = xi ]
x∈X i=1
e
X n
X
r r
E[(X − µ) ] = (x − µ) Pr[X = x] = (xi − µ)r Pr[X = xi ],
x∈X i=1
em que
X n
X
µ = E[X] = x Pr[X = x] = xi Pr[X = xi ]
x∈X i=1
Momentos de ordem r
Variáveis aleatórias contı́nuas
Se X é uma v.a. contı́nua com densidade fX (x), então
Z ∞
E[X r ] = xr fX (x)dx
−∞
e Z ∞
r
E[(X − µ) ] = (x − µ)r fX (x)dx,
−∞
em que Z ∞
µ = E[X] = xfX (x)dx
−∞
Momentos de ordem r
Exemplo 4
• Usando que
r
!
r
X r
(X − µ) = (−1)r−j X j µr−j ,
j=0
j
E[(X − µ)3 ]
Skew[X] =
σ3
Observações
• Esse coeficiente indica o grau de obliquidade da distribuição de
probabilidade de uma v.a., complementando estudos gráficos.
• Análise: simetria, se Skew[X] = 0; assimetria à esquerda, se
Skew[X] < 0; e assimetria à direita, se Skew[X] > 0.
Momentos de ordem r
Exemplo 5
Seja X ∼ Exp(λ), com λ > 0. A densidade, a esperança, a
variância e o desvio padrão de X são respectivamente dados por:
3
fX (x)
0 0.5 1 1.5 2
x
A partir do gráfico, nota-se que a distribuição de probabilidade da
v.a. X ∼ Exp(4) possui assimetria positiva ou à direita.
Solução do Exemplo 5 - Item 2
Da relação Var[X] = E[X 2 ] − E2 [X], tem-se que o segundo
momento em relação à origem de X é dado por:
2
2 2 1 1 2
E[X ] = Var[X] + E [X] = 2 + =
λ λ λ2
E[(X − µ)3 ]
Skew[X] =
σ3
2/λ 3
=
(1/λ)3
= 2
> 0
Momentos de ordem r
Definição 4 (coeficiente de curtose)
Seja X uma v.a. com esperança µ e variância σ 2 . Suponha que X
possui quarto momento em relação à média. O coeficiente de
curtose de X é dado por:
E[(X − µ)4 ]
Kurt[X] = −3
(σ 2 )2
Observações
• Ele mede a intensidade dos picos da distribuição de X.
• Esse coeficiente mensura se a distribuição de probabilidade é
mais pontiaguda (Kurt[X] < 0) ou achatada (Kurt[X] > 0)
no centro do que a distribuição N(E[X], 1).
Momentos de ordem r
Exemplo 6
Sejam X e Z ∼ N(0, 1) duas v.a.’s contı́nuas, em que a densidade
de X é dada a seguir:
15
fX (x) = (1 − x2 )2 1(−1,1) (x)
16
Pede-se o seguinte:
1 Esboce os gráficos das densidades fX e fZ .
2 A distribuição de probabilidade de X é simétrica? O que você
pode concluir sobre E[X] e Skew[X]?
3 Obtenha a variância de X.
4 Encontre o quarto momento em relação à média de X.
5 Calcule e interprete o coeficiente de curtose de X.
Solução do Exemplo 6 - Itens 1 e 2
fX (x)
0.8 fZ (x)
0.6
Densidade
0.4
0.2
0
−4 −2 0 2 4
x
Pode-se notar que E[X] = Skew[X] = 0 (simetria em torno de
zero), ficando os cálculos como exercı́cio de fixação.
Solução do Exemplo 6 - Item 3
Como µ = E[X] = 0, a variância de X é dada por:
σ 2 = Var[X]
= E[(X − µ)2 ]
Z ∞
= x2 fX (x)dx
−∞
Z ∞
15
= x2 · (1 − x2 )2 1(−1,1) (x)dx
−∞ 16
Z 1
15
= x2 (1 − 2x2 + x4 )dx
16 −1
x3 1 5 1 7 1
" #
=
15 − 2x + x
16 3 −1 5 −1 7 −1
..
.
1
=
7
Solução do Exemplo 6 - Item 4
Como µ = E[X] = 0, o quarto momento em relação à média de X
é calculado da seguinte forma:
E[(X − µ)4 ]
Kurt(X) = −3
(σ 2 )2
1/21
= −3
(1/7)2
7 9
= −
3 3
2
= −
3
< 0