Resolução Lista 3

Profa . Márcia Barbian

Disciplina: Inferência A

1. Considere que X e Y são variáveis aleatórias independentes com distribuição normal padrão. Encontre a função geradora
de momentos conjunta de X e Y .
Dados X, Y ∼ Normal(0, 1), por definição, a função geradora de momentos conjunta é dada por:

(i) (ii) 2 s2 +t2

/2 t2 /2
MX,Y (s, t) = MX (s)MY (t) = es e =e 2 .

Onde a igualdade em (i) segue do fato de X e Y serem independentes e portanto a função geradora de momentos conjunta
é o produto das funções geradoras de momentos das marginais. A igualdade em (ii) segue do cálculo da função geradora de
momentos para a distribuição normal padrão. Note que a função geradora de momentos conjunta neste caso está definida
para todo (s, t) ∈ R2 .
2. Encontre a função geradora de momentos de uma variável aleatória X ∼ P oisson(λ).
Seja, X ∼ Poisson(λ), λ > 0. Por definição, temos:

∞ ∞ ∞ ∞
X X λx X λx (et )x X (λet )x
MX (t) = E(etX ) = etx pX (x) = etx e−λ = e−λ = e−λ =
x=0 x=0
x! x=0
x! x=0
x!
t t
e−λ eλe = e−λ(1−e ) .

Note que esta função geradora de momentos está definida para todo t ∈ R.
3. Encontre a função geradora de momentos de uma variável aleatória X ∼ Exp(λ).
Seja, X ∼ Exponencial(λ), λ > 0. Por definição, temos:
Z ∞ Z ∞ Z ∞
λ
MX (t) = E(etX ) = etx fX (x)dx = etx λe−xλ dx = λ e−x(λ−t) dx = .
0 0 0 (λ − t)

Note que neste caso a função geradora de momentos só está definida para t < λ pois do contrário a integral imprópria nas
contas acima não converge.
4. Seja X uma variável aleatória com distribuição de probabilidade Gama(α, β). Determine a função geradora de momentos
de X.
Seja, X ∼ Gamma(α, β), α > 0, β > 0. Por definição, temos:
Z ∞ Z ∞ Z ∞
β α α−1 −βx βα
MX (t) = E(etX ) = etx fX (x)dx = etx x e dx = xα−1 e−x(β−t) dx
0 0 Γ(α) Γ(α) 0
 α−1
Aplicamos a substituição: u = x(β − t) e portanto dx = (β − t)−1 du e xα−1 = (β−t)u u
e x = (β−t) . Aplicando isto na
integral temos:
Z ∞ α−1 Z ∞
βα u −u −1 βα −1 −α+1 (i)
e (β − t) du = (β − t) (β − t) uα−1 e−u du =
Γ(α) 0 (β − t) Γ(α) 0

−α
βα βα

(i) t
= (β − t)−1 (β − t)−α+1 Γ(α) = = 1−
Γ(α) (β − t)α β
Onde a igualdade em (i) segue da definição de Γ(α).
Note que neste caso a função geradora de momentos só está definida para t < β pois quando t ≥ β a integral imprópria
das manipulações assim não converge.

1
5. Suponha que uma população tem σ = 2 e X é a média de amostras de tamanho 100. Encontre l tal que P (−l < X − µ <
l) = 0.9.
X−µ
Para efetuar o cálculo do l aproximado usamos o Teorema do Limite Central que nos diz que √
σ/ n
∼ Normal(0, 1)
aproximadamente, para n grande. Basta então procurar os quantis de Normal(0, 1) de forma que:

√ √
   
X −µ
P √ < q = P − qσ/ n < X − µ < qσ/ n = 0.9
−q <
σ/ n
√
Onde σ = 2 e n = 100. Segue que l = q(0.05) σ/ n onde q0.05 ≈ 1.645 e portanto l = 0.329.
6. Um pesquisador deseja estimar a média de uma população usando uma amostra grande o suficiente, tal que temos proba-
bilidade de 0.95 que a média amostral não difira da média populacional por mais de 25% do desvio padrão. Qual deve ser
o tamanho da amostra?
Novamente usamos o TLC para obter uma aproximação para a distribuição amostral de X − µ, formulamos o problema
em termos de probabilidade, para obter n tal que:


P −0.25σ < X − µ < 0.25σ = 0.95
X−µ
Pelo TCL temos que √
σ/ n
∼ Normal(0, 1) e restringimos que:

X −µ
P (−q < √ < q) = 0.95
σ/ n
Isto implica que q = 1.96. Além disso temos que:
√ √
P (−qσ/ n < X − µ < qσ/ n) = 0.95
√ √
Igualando
√ isto à primeira expressão e usando que q = 1.96 temos que: 0.25σ = qσ/ n = 1.96σ/ n e portanto 0.25 =
1.96/ n da onde segue que n = (1.96/0.25)2 ≈ 62.
7. Seja X a média de uma amostra aleatória de tamanho 75 com a seguinte função densidade f (x) = I(0; 1)(x). Calcule um
valor aproximado para a seguinte probabilidade P (0.45 < X < 0.55).
X−µ
Novamente usamos o TLC para obter uma aproximação para a distribuição amostral de X. Portanto √
σ/ n
∼ Normal(0, 1)
da onde segue que:
 
0.45 − µ X −µ 0.55 − µ
P (0.45 < X < 0.55) = P √ < √ < √
σ/ n σ/ n σ/ n
X−µ
Onde: µ = 1/2, σ = 1/12, n = 75 e Z = √
σ/ n
∼ Normal(0, 1) da onde segue que podemos aproximar a probabilidade
através de:

P (−1.5 < Z < 1.5) ≈ 0.8664 = 86.6%

Pn
8. Considere X1 , X2 , . . . , Xn uma amostra aleatória da distribuição Bernoulli(p). Defina Y = i=1 Xi .
a) Qual é a distribuição de Y . Por definição, Y ∼ Binomial(n, p).
b) Seja n = 100 e p = 0.5, utilize o Teorema Central do Limite para calcular uma aproximação para a seguinte probabilidade
P (47, 5 < Y < 52, 5). Note que X = Y /n e portanto novamente usamos o TLC para obter uma aproximação para a
X−µ
√ ∼ Normal(0, 1) da onde segue que:
distribuição amostral de X.Portanto σ/ n

P (47.5 < Y < 52.5) = P (47.5 < nX < 52.5) = P (47.5/n < X < 52.5/n) = P (0.475 < X < 0.525) =
!
0.475 − p X −p 0.525 − p
= P (0.475 − p < X − p < 0.525 − p) = P p √ <p √ <p √ =
p(1 − p)/ n p(1 − p)/ n p(1 − p)/ n
!
X −p
= P −0.5 < p √ < 0.5 ≈ 0.3829 = 38, 29%
p(1 − p)/ n
Note que o valor exato pode ser facilmente calculado já que a distribuição é binomial. Neste caso ele é igual a:
0.3827 = 38.27%.

2
 9. Seja Y ∼ Binomial(400, 1/5), calcule um vvalor aproximado para a probabilidade P (Y /n > 0.25).
Y ∼ Binomial(400, 1/5) usando o fato do exercício anterior, de que Y pode ser entendido como uma soma de n = 400
variáveis bernoulli com p = 1/5 temos que Y /n é a média de uma amostra com n = 400 observações de uma variável
Bernoulli(p). Podemos então usar o TLC para aproximar a distribuição de Y /n. Como √ Y /n−p√ ∼ Normal(0, 1),
p(1−p)/ 400
então:
!
Y /n − 1/5 0.25 − 1/5
P (Y /n > 0.25) = P p √ >p √ =
0.2(1 − 0.2)/ 400 0.2(1 − 0.2)/ 400
!
Y /n − 1/5
P p √ > 2.5 ≈ 0.062 = 0.62%
0.2(1 − 0.2)/ 400
O valor exato é: 0.0062 = 0.62%.
1
10. Seja f (x) = x2 I(1,∞) (x) a densidade de uma variável aleatória X. Considere uma amostra aleatória de tamanho 72 de
uma população que segue esta distribuição. Calcule, aproximadamente, a probabilidade de que mais de 50 observações da
amostra aleatória sejam menores que 3.
R3 R3
Primeiro calculamos P (X < 3). Como X é uma variável aleatória contínua, P (X < 3) = −∞ fX (x)dx = −∞ x12 I(1,∞) (x)dx =
R3 1
1 x2
dx = [−1/x]31 = 1 − 1/3 = 2/3.

Defina Zi ∼ Bernoulli(p), em que p = P (X < 3) = 2/3, como uma variável indicadora do evento: "Xi é menor do que 3".
P72
Então Y = i=1 Zi ∼ Binom(72, 2/3) é o total de observações da amostra que são menores do que 3.
Com estas definições, a probabilidade de mais de 50 observações serem menores do que 3 é igual a:
P (Y > 50) = 1 − FY (50) = 0.269
Onde FY (50) é a distribuição acumulada da Binom(72, 2/3) avaliada em y = 50.
Y /n−p
Podemos estimar esta probabilidade usando o TLC como nos exercícios anteriores. √ √ = Z ∼ N ormal(0, 1) e
p(1−p)/ n
portanto:

P (Y > 50) = P (Y /72 > 50/72) = P (Y /72 > 50/72) =

!
Y /72 − 2/3 50/72 − 2/3
P p √ >p √ = P (Z > 0.5)
2/3 · 1/3)/ 72 2/3 · 1/3/ 72
.
Podemos obter os valores no R atráves do seguinte código:
#----------------------------------------------
#Usamos que Y ~ Binomial(72,2/3) pode ser aproximada por uma
# Normal(2/3*72,2/3*1/3*72) com correção de continuidade, ou seja
# Acrescentamos 0,5 no 50 pois queremos aproximar P(Y>50).

pnorm(50+0.5,mean=2/3*72,sd=sqrt(2/3*1/3*72),lower.tail = FALSE)

#Para mais informações sobre correção de continuidade confira:

# http://w3.ufsm.br/adriano/aulas/disprob/p3.pdf
# http://www.inf.ufsc.br/~marcelo.menezes.reis/Aproximacoes.pdf

#Cálculo da probabilidade exata P(Y>50) usando 1 - F_Y(50), onde F_Y(50) é a

#Função de distribuição acumulada de Y ~ Binomial(72,2/3)
#No caso de distribuições discretas é importante tomar cuidado na hora
#De fazer a conta pois incluir ou não o limite inferior na probabilidade
#Muda o resultado, ou seja P(Y>=50) =/= P(Y>50)#P(Y>50) = 1 - F_Y(50)

1 - pbinom(50,size=72,prob=2/3)

#----------------------------------------------