Escolar Documentos
Profissional Documentos
Cultura Documentos
1 Distribuição de Bernoulli
1.1 Introdução
Para descrever situações reais que envolvam dados de contagem gerados pelo acaso usam-se
as distribuições de probabilidades discretas. Nessa análise, para efeito de simplificação, é comum a
eliminação de detalhes de pouca importância dos fenômenos reais. Isto origina, como consequência,
que poucos problemas, em suas essências, são geralmente únicos. Por isso, frequentemente um pequeno
número de modelos é suficiente para resolver muitos problemas que, à primeira vista, não parecem
relacionados. Isto, na prática, significa que a grande maioria dos problemas podem ser resolvidos com o
auxı́lio de poucos modelos.
Cada modelo apresenta uma série de pressuposiçôes que devem ser atendidas para que seu uso
possa ser validado.
Depois do modelo uniforme, o modelo Bernoulli vai ser apresentado com todos os detalhes teóricos
e práticos analisados.
Considere o experimento em que um dado honesto é lançado uma única vez e uma pessoa aposta
que aparecerá um número par. Seja, Ω = {1, 2, 3, 4, 5, 6}, o espaço amostral associado a essa experiência
aleatória . Considere o evento A = {2, 4, 6} o evento de interesse e X a variável aleatória que descreve a
ocorrência ou não do evento A. Assim, os valores possı́veis de X, x, são:
0 se A não ocorre ;
x=
1 se A ocorre.
Assim,
0 se ocorrer face ı́mpar ;
x=
1 se ocorrer face par.
1
1. Só é feita uma única tentativa(repetição) do experimento.
0 se A não ocorre ;
X = IA (ω) = ,
1 se A ocorre.
Como se nota em várias Ciências poderá existir uma situação real onde se possa aplicar a distribuição
de Bernoulli. Um estudo rigoroso dessa distribuição é feito a seguir.
2
1.2 Definição
Notação: X ∼ Ber(p).
Observação: Lê-se a notação acima do seguinte modo: X segue distribuição Bernoulli de parâmetro p.
p = 0.10
p = 0.25
0.8 p = 0.15
0.6
f (x)
0.4
0.2
Prova:
3
X
(ii.) f (x) = 1,
A
Se X ∼ Ber(p) então ,
G(t) = pt + q. (2)
Prova:
1
X
G(t) = E(tX ) = tx px q 1−x = q + pt = pt + q.
x=0
Se X ∼ Ber(p) , então
Prova:
1
X
M (t) = E(etX ) = etx px q 1−x = q + pet = pet + q.
x=0
Se X ∼ Ber(p), então
E(X r ) = p, r = 1, 2 . . . . (4)
4
Prova:
1
X
0 r
µr = E(X ) = xr px q 1−x = 0 × q + 1 × p = p.
x=0
Se X ∼ Ber(p), então
Prova:
1
X
E [(X − µ)r ] = E [(X − p)r ] = (x − p)r px q 1−x = (−p)r q + (1 − p)r p = (−p)r q + pq r .
x=0
g 0 (p) = 1 − 2p.
00
g (p) = −2 < 0.
5
1
p=
2
é ponto de máximo relativo.
Logo
1
pq ≤ .
4
1 p+q √
= ≥ pq,
2 2
pois a média aritmética é sempre mais ou igual a média geométrica , assim elevando-se ao quadrado
a desigualdade tem-se que:
1
pq ≤ .
4
µ4 = pq(q 3 + p3 ) = pq(1 − 3pq) = pq − 3p2 q 2 = 3p2 q 2 − 6p2 q 2 + pq = 3p2 q 2 + pq(1 − 6pq), (8)
pois
1 = (p + q)3 = p3 + q 3 + 3p2 q + 3pq 2 = p3 + q 3 + 3pq(p + q) = p3 + q 3 + 3pq.
e assim
p3 + q 3 = 1 − 3pq.
6
1.8 Coeficiente de Assimetria
q−p 1 − 2p
α3 = √ =p . (9)
pq p(1 − p)
Prova:
3
E (X − µ) µ3 pq(q − p) q−p 1 − 2p
α3 = = 3/2 = = √ =p .
σ3 µ2 (pq) 3/2 pq p(1 − p)
Assim pode-se classificar a distribuição de Bernoulli quanto à assimetria como: Se p < 1/2 a
distribuição é assimétrica positiva, se p > 1/2 a distribuição é assimétrica negativa . Se p = 1/2 então
α3 = 0 e nada se pode afirmar sobre a simetria da distribuição usando esse coeficiente. Vai-se usar a
definição para provar que X ∼ Ber(1/2) é simétrica em torno do ponto c = 1/2.
Se x 6= 1/2 então f (1/2 + x) = f (1/2 − x) = 0 e para x = 1/2 tem-se f (1/2 + 1/2) = f (1) = 1/2
e f (1/2 − 1/2) = f (0) = 1/2 e portanto f (1/2 + 1/2) = f (1/2 − 1/2). Logo
1 − 6pq
α4 = 3 + . (10)
pq
Prova:
µ4 3p2 q 2 + pq(1 − 6pq) 1 − 6pq
α4 = 2 = 2
=3+ .
µ2 (pq) pq
Como
7
1
platicúrtica se pq > .
6
1
mesocúrtica se pq = .
6 .
1
leptocúrtica se pq <
6
Prova:
Como
1 − 6pq
α4 − 3 = ,
pq
tem-se que :
1
Se pq < , α4 > 3.
6
1
Se pq = , α4 = 3.
6
1
Se pq > , α4 < 3.
6
Se X ∼ Ber(p), então
p se r = 1
E X[r] = (11)
0 se r = 2, 3, . . .
Prova:
Como E X[1] = E(X) = p. Para r = 2, 3, . . . tem-se;
E X[r] = E [X(X − 1) . . . (X − r + 1)] = 0,
8
1.11 Função de Distribuição
F (x) = qI[ 0, 1)
(x) + I[ 1, ∞) (x). (12)
0.8
0.6
F (x)
0.4
0.2
p = 0.5
0
−1 0 1 2
x
9
1
p = 0.5
0.8
0.6
S(x) 0.4
0.2
0
−0.5 0 0.5 1 1.5 2
x
1.13 Mediana
0 se p ≤ 1/2
med = (14)
1 se p > 1/2
Prova:
Se p ≤ 1/2, tem-se q ≥ 1/2 então FX (0) = q ≥ 1/2 , logo a mediana é x = 0. Por outro se q < 1/2
tem-se p > 1/2 e como FX (0) = q < 1/2 e FX (1) = 1 ≥ 1/2. Logo a mediana vale 1.
1.14 Moda
0 se p < 1/2
moda = 1 se p > 1/2 (15)
0, 1 se p = 1/2 bimodal
10
1.15 Coeficiente de Variação
r
σ q
CV = = . (16)
µ p
Prova: √
pq
r
σ q
CV = = = .
µ p p
2 Complementar
n
X
Xi
S i=1
p̂ = = (17)
n n
pq
Pode-se demonstrar que E(p̂) = p e V ar(p̂) = . Além disso S tem uma distribuição binomial
n
de parâmetros n e p.
2.2 Simulação
Do ponto de vista teórico a simulaçao é bastante simples. Considere U ∼ U nif (A), A = [0, 1] e seja
X = I[0,p] (U ), Assim:
P (X = 1) = P (U ≤ p) = F (p) = p.
11
Vai-se discutir agora a simulação de uma amostra aleatória de tamanho n de X ∼ Be(p) usando
o pacote estatı́stico R. Como exemplo, vai-se simular uma amostra de tamanho 25 de X ∼ Be(p = 0.4)
Isto é feito através dos comandos:
> Amostra=rbinom(25,1,0.4)
> Amostra
[1] 0 1 1 0 1 0 0 1 0 1 1 1 0 1 1 1 0 0 0 1 1 1 1 1 0
>
> table(Amostra)
Amostra
0 1
10 15
> mean(Amostra)
[1] 0.6
> var(Amostra)
[1] 0.25
3 Exercı́cios
a P (X = 0) e P (X = 1)
> dbinom(0,1,0.3)###P(X=0)
[1] 0.7
> dbinom(1,1,0.3)###P(X=1)
[1] 0.3
>
12
b. Qual a função de distribuição de X?
> x=0:1;x
[1] 0 1
> fx=dbinom(x,1,0.3)##funç~
ao de probabilidade de X
> Fx=pbinom(x,1,0.3);Fx##Funç~
ao de distribuiç~
ao de X
[1] 0.7 1.0
>
> tab=cbind(x,fx,Fx);tab
x fx Fx
[1,] 0 0.7 0.7
[2,] 1 0.3 1.0
>
> q=dbinom(0,1,0.3)###P(X=0)
>
> p=dbinom(1,1,0.3)###P(X=0)
>
> EX=p;EX
[1] 0.3
> VarX=p*q;VarX
[1] 0.21
>
13
3.2 Exercı́cios propostos
a. Qual a distribuição de Y ? e a de X?
b. Mostre que Y = 1 − X.
2. Para que valor de p,X ∼ Ber(p), tem variância máxima. Que outro nome recebe essa distribuição?
a. O valor esperado de X;
c. A variância.
a. O valor esperado de X;
c. A variância.
6. Seja X ∼ Ber(p). Mostre que a função geradora de cumulantes de X, K(t), é dada por K(t) =
ln (q + pt). Obtenha o valor esperado e a variância de X usando K(t).
7. Seja Y uma variável aleatória discreta com suporte A = {a, b} com a < b.
Y −a
a. Identifique a distribuição de X = .
b−a
b. Mostre que a ≤ E(Y ) ≤ b.
(b − a)2
c. Mostre que var(Y ) ≤ .
4
a. O valor esperado de X;
c. A variância.
14
9. A transformada de Laplace de uma variável aleatória X é definida como: L(t) = E(e−tX ). Calcule
a transformada de Laplace de X ∼ Ber(p).
10. Sejam X ∼ Ber(p1 ) e Y ∼ Ber(p2 ) . Supondo independência entre X e Y , calcule a função geradora
de probabilidades , a função geradora de momentos e a função caracteristica de:
a. S = X + Y.
b. D = X − Y.
11. Numa criação de coelhos, a taxa de nascimento de machos é de 40%. Considere como sucesso o
nascimento de uma fêmea. Seja Y a variável indicadora do nascimento de uma fêmea. Responda:
c. Em um determinado dia nasceram 20 coelhos dos 10 são machos? estime a taxa de nascimento
de fêmeas.
12. Num rebanho bovino 30% dos animais estão atacados de febre aftosa. Seja X a variável indicadora
da presença de febre aftosa em um animal.
13. Para participar de um experimento para verificar se a dieta de engorda A é melhor que um a
dieta de engorda B pares de animais com caracteristicas semelhantes são formados. Em um par de
animais dizemos que há um sucesso se o ganho de peso com a dieta A é maior do que com a dieta
B. Um sorteio aleatório é feito em cada par para se saber quem recebe a dieta A. Seja X a variável
indicadora da ocorrência de um ganho de peso maior da dieta A.
a. Verifique se X pode ser estudada pelo modelo de Bernoulli na hipótese que não há diferenças
reais nos ganhos de peso das duas dietas .
14. Simule uma amostra aleatória de 100 observações de X ∼ Ber(0.7). Use seu número de matrı́cula
como semente.
15
a. Apresente o resultado em termos de uma matriz 10x10.
15. Suponha que uma sequência de n ensaios de Bernoulli, a probabilidade de sucesso p de cada repetição
é desconhecida. Deseja-se fazer o seguinte teste de hipóteses:
H0 : p = p0 ,
H1 : p 6= p0 .
Seja X̄n a proporção de sucessos na amostra de tamanho n e vamos usar o teste de qui-quadrado
de aderência para testar as hipóteses. :
n(X̄n − p0 )2
Q= .
p0 (1 − p0 )
16