Escolar Documentos
Profissional Documentos
Cultura Documentos
e-mail: glauco.valle@im.ufrj.br
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Referências complementares:
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Conceitos Básicos sobre Probabilidades
Motivações:
Jogos de Azar: Qual é a chance de ganhar a Mega Sena com uma cartela
com 8 números marcados? (Resposta teórica)
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
aleatório = causado pelo acaso, indeterminado.
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Exemplos:
I Lançamento de uma moeda. Resultados possíveis: Ca = Cara ou
Co = Coroa. Espaço Amostral = Ω = {Ca, Co}.
I Resultado no sorteio da Megasena. Resultados possíveis:
qualquer combinação de seis números entre 60 disponíveis. Espaço
Amostral: Ω = coleção dos60subconjuntos de tamanho 6 no conjunto
{1, ..., 60}. |Ω| = 60
6 = !
6!54! .
I Valor da cotação de uma moeda estrangeira em certo instante
no futuro. Resultados possíveis: Qualquer número real positivo.
Espaço Amostral: Ω = R+ = [0, ∞) = {x ∈ R : x ≥ 0}.
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Qualquer subconjunto do espaço amostral é chamado de evento (Serão
denotados por letras maiúsculas A, B, C).
Exemplos
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Como quanticar a chance de ocorrência de eventos?
Para cada evento A associamos um valor P(A) chamado de probabilidade
de A de forma que
chance de ocorrência de A = P(A)x 100%
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Exemplos:
I No lançamento de uma moeda: P({Ca}) = 12 .
R: choose(58,4)/choose(60,6)
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Nem sempre é possível considerar que todo evento unitário tem a mesma
chance de ocorrência.
Exemplos:
I Um pequeno imã é instalado na face de uma moeda e lançado sobre
uma superfície metálica. Verica-se que 2/3 dos lançamentos
resultam em Cara. Então, o modelo probabilístico relacionado ao
lançamento desta moeda resultaria em
2 1
P({Ca}) = e P({Co}) = .
3 3
I Um estudo constatou que metade das pessoas que usam
determinado medicamento sofrem de arritmia cardíaca. Duas
pessoas que usam o medicamento são escolhidas ao acaso, quantas
sofrem de arritmia cardíaca? O espaço amostral neste caso pode ser
Ω = {0, 1, 2} e as probabilidades associadas seriam
1 1 1
P({0}) =, P({1}) = e P({2}) = .
4 2 4
Você saberia dizer porque estes valores?
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Probabilidades se caracterizam como funções denidas sobre classes de
eventos. Que condições essas funções devem satisfazer?
Denição: Seja Ω um conjunto. Uma função com valores reais P denida
sobre uma classe de eventos de Ω é dita uma probabilidade se:
I P está sempre denida em ∅ e Ω como P(∅) = 0 e P(Ω) = 1.
I 0 ≤ P(A) ≤ 1 para todo evento aleatório A.
I Seja (Aj )N j=1 , N ∈ {2, 3, 4, ...} ou N = ∞, uma coleção de eventos
mutuamente exclusivos (disjuntos), isto é Ai ∩ Aj = ∅ para todo
i 6= j , então j=1 Aj é um evento e
SN
N
[ XN
P Aj = P(Aj ) .
j=1 j=1
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Exemplo: Considere Ω = [0, 1] e para A ⊂ [0, 1] dena
P(A) = comprimento de A .
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Propriedades de funções de probabilidade:
(1) Denimos B − A := B ∩ Ac .
P(B − A) = P(B) − P(A ∩ B)
Prova: B = (B ∩ A) ∪ (B ∩ Ac ) (união disjunta). Assim
P(B) = P(B ∩ A) + P(B ∩ Ac ),
que é equivalente ao enunciado.
Em particular para A ⊂ Ω
P(Ac ) = 1 − P(A) .
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Exemplo: Entre pacientes de determinado grupo, 60% não são nem hi-
pertensos nem diabéticos, 30% são hipertensos e 20% são diabéticos. Se
um paciente do grupo é escolhido aleatoriamente, qual é a probabilidade
de que ele
(a) tenha pelo menos uma das doenças?
(b) tenha ambas as doenças?
(c) seja diabético, mas não hipertenso?
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Para começar a responder as perguntas acima dena os eventos A =
{paciente escolhido é hipertenso} e B = {paciente escolhido é diabético}.
O enunciado fornece
P(A) = 0.3 P(B) = 0.2 P(Ac ∩ B c ) = 0.6 .
44 × 43 × 42
P(Ac ) = ≈ 0.599 .
52 × 51 × 50
Logo P(A) = 1 − P(Ac ) ≈ 1 − 0.599 = 0.401.
Cálculo de P(B): Seja B1 = {exatamente um Ás} e B2 = {exatamente
um Valete}. Então
3 × 4 × 48 × 47
P(B1 ) = P(B2 ) = ≈ 0.204
52 × 51 × 50
e
2 × 3 × 4 × 4 × 44
P(B1 ∩ B2 ) = ≈ 0.032 .
52 × 51 × 50
Portanto, P(B) = P(B1 ∪ B2 ) = P(B1 ) + P(B2 ) − P(B1 ∩ B2 ) ≈ 0.204 +
0.204 − 0.032 = 0.376.
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
(4) Princípio da inclusão-exclusão:
k
X X
P A1 ∪ ... ∪ Ak = P(Aj ) − P(Aj1 ∩ Aj2 )
i=1 j1 <j2
X
+ P(Aj1 ∩ Aj2 ∩ Aj3 )
j1 <j2 <j3
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Exemplo: Um sorteio de amigo oculto entre 4 pessoas é realizado. Qual
é a probabilidade de nenhuma pessoa retirar seu próprio nome? Seja A o
evento em questão e Bj = {pessoa j tira o seu próprio nome}, j = 1, 2, 3, 4.
Temos que Ac = B1 ∪ B2 ∪ B3 ∪ B4 . Calculamos
3! 1 2! 1
P(Bj ) = = P(Bj ∩ Bj ) = =
4! 4 4! 12 1 2
1 1
P(Bj ∩ Bj ∩ Bj ) = P(B1 ∩ B2 ∩ B3 ∩ B4 ) = =
1 2 3
4! 24
Daí pelo princípio de inclusão-exclusão temos que
P(Ac )
= P B1 ∪ B2 ∪ B3 ∪ B4
4
X X
= P(Bj ) − P(Bj1 ∩ Bj2 )
j=1 j1 <j2
X
+ P(Bj1 ∩ Bj2 ∩ Bj3 ) − P(B1 ∩ B2 ∩ B3 ∩ B4 )
j1 <j2 <j3
1 1 1 1 1 1 1
= 4× −6× +4× − =1− + − ≈ 0.625
4 12 24 24 2 6 24
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Portanto P(A) = 1 − P(Ac ) ≈ 1 − 0.625 = 0.375.
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
(6) Sejam (Aj )Nj=1 eventos. Se P(Aj ) = 0 para todo j , então
N
[
P Aj = 0 .
j=1
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Probabilidades Condicionais Informações sobre o experimento ou fenô-
meno aleatório estudado modicam a forma de quanticar chances.
Por exemplo, no lançamento de um dado a probabilidade do resultado ser
1 é 1/6 e ser 2 também é 1/6. Entretanto, se for de nosso conhecimento
a informação de que o resultado é ímpar, diremos que a probabilidade
do resultado ser 1 é 1/3 e ser 2 é 0. Estas últimas probabilidades são
chamadas de probabilidades condicionais de {1} e {2} dado que o evento
{1, 3, 5} ocorre.
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Uma partição de Ω é uma coleção {Cj }Nj=1 , N ∈ {1, 2, ...} ou N = ∞, se
subconjuntos de Ω mutuamente exclusivos, tais que Ω = Nj=1 Cj .
S
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Exemplo (dados ctícios): Uma seguradora de automóveis divide os se-
gurados em dois grupos: Grupo 1 é um grupo considerado de alto risco,
Grupo 2 é um grupo considerado de baixo/médio risco. É de interesse ava-
liar a probabilidade de um segurado do grupo 1 sofrer acidente ao longo
de um ano e comparar com a mesma probabilidade com respeito a um
segurado do grupo 2. Para isto, a seguradora dispõe da informação de
uma agência de pesquisa que estima em 1% a chance de um automóvel se
envolver em acidente ao longo de um ano. Com base nos seus segurados,
ela também conta com os seguintes dados
Grupo 1 Grupo 2 Total
com acidente 80 100 180
sem acidente 720 2100 2820
Total 800 2200 3000
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Vamos dar nomes aos eventos de interesse. Sejam
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Este cálculo leva em conta o fator especíco da classicação da seguradora,
mas ca restrito a um universo muito limitado de automóveis. Uma forma
adequada de contornar o problema é através da fórmula de Bayes
P(G1 |A)P(A)
P(A|G1 ) =
P(G1 |A)P(A) + P(G1 |Ac )P(Ac )
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Uma das noções básicas mais importantes em probabilidade é a de inde-
pendência. Dois eventos são independentes se a ocorrência de um deles
não afeta a chance de ocorrência do outro. De forma mais precisa, A e
B são independentes, se P(A|B) = P(A) e P(B|A) = P(B). Segue da
denição de probabilidade condicional que A e B são independentes, se e
somente se, P(A ∩ B) = P(A) P(B), e é essa condição que é usada como
denição.
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Exemplo: Eventos relacionados a resultados em sorteios distintos são in-
dependentes: em Lançamentos consecutivos de um dado os eventos {
primeiro resultado é ímpar }, {segundo resultado é par}, são independen-
tes; em sorteios distintos da Megasena os eventos {resultado no primeiro
sorteio contém as dezenas 01 e 10} e {resultado no segundo sorteio contém
as dezenas 01 e 10} são independentes.
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Exemplo: Considere o lançamento de um dado. Seja A = {resultado é
par} e B = {1, 2, 3, 4}. Então P(A) = 1/2, P(B) = 2/3 e P(A ∩ B) =
P({2, 4}) = 1/3. Portanto, P(A ∩ B) = P(A) P(B), ou seja, A e B são
independentes (mesmo dependendo do mesmo lançamento do dado).
Exemplo: Se A e B são eventos independentes então a probabilidade da
união é calculada pela expressão:
1 1 1 7 1 6 1
P(A ∪ B) = + − = − = = .
3 4 3 × 4 12 12 12 2
Se A e B são disjuntos com P(A) = 1/3 e P(B) = 1/4 (não poderiam ser
independentes), então teríamos P(A ∪ B) = 1/3 + 1/4 = 7/12.
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Denição: Sejam A, B e C eventos. Dizemos que A e B são condicio-
nalmente independentes dado C se
P(A ∩ B|C ) = P(A|C ) P(B|C ) .
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Variáveis aleatórias
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Denição: Seja X uma variável aleatória sobre (Ω, P). A função
FX (z) = P(X ≤ z) , z ∈ R ,
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Exemplo: Considere o lançamento consecutivo de dois dados. Seja X o
resultado no primeiro lançamento, Y o resultado no segundo lançamento
e W = X + Y a soma dos resultados. Então, X , Y e W são variáveis ale-
atórias. X e Y são identicamente distribuídas e sua função de distribuição
é dada por
0 , z <1
1/6 , 1 ≤ z < 2
2/6 , 2 ≤ z < 3
FX (z) = FY (z) = 3/6 , 3 ≤ z < 4
/6 , 4 ≤ z < 5
4
5/6 , 5 ≤ z < 6
1 , z ≥ 6.
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
O conceito de função de distribuição é usado para construir distribuições.
Isto é baseado na seguinte caracterização: Um função F : R → [0, 1] é
uma função de distribuição, F = FX para alguma variável aleatória X , se
e somente se,
1. F é não-decrescente, ou seja, F (z1 ) ≤ F (z2 ) se z1 ≤ z2 ;
2. F é contínua à direita (Se zn se aproxima de z pela direira, isto é,
zn ≥ z , então F (zn ) se aproxima de F (z);
3. limz→−∞ F (z) = 0 e limz→∞ F (z) = 1;
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Exemplo: Vamos vericar que a função
0 , x < 0,
F (x) = x , 0 ≤ x < 1,
1 , x > 1.
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Exemplo: A função
0 , x < 0,
F (x) = 3x − 2x 2 , 0 ≤ x < 1 ,
1 , x > 1.
não é função de distribuição. Pelo gráco abaixo podemos ver que não
temos uma função não-decrescente:1.0
0.8
0.6
F(x)
0.4
0.2
0.0
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Variáveis aleatórias discretas:
Denição: Dizemos que uma variável aleatória X é discreta se exite
j=1 , com N ∈ {1, 2, 3, ...} ou N = ∞, tal que
{xj }N
e X
P(a < X ≤ b) = P(X = xj ) .
j:a<xj ≤b
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Para que uma coleção de números reais (pj )Nj=1 , N ∈ {1, 2, 3, ...} ou N =
∞, seja função de probabilidade de alguma variável aleatória é necessário
que ter 0 < pj ≤ 1 para todo j e
N
pj = 1 .
X
j=1
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Voltemos ao exemplo do lançamento consecutivo de dois dados, onde X é
o resultado no primeiro lançamento, Y o resultado no segundo lançamento
e W = X + Y a soma dos resultados.
As variáveis X , Y e W só podem assumir um número nito de va-
lores possíveis. X e Y assumem valores em {1, 2, 3, 4, 5, 6} e W em
{2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12}. Então a distribuição dessas variáveis é de-
terminada pelas probabilidades com que elas assumem seus valores possí-
veis.
No caso de X e Y estas probabilidades aparecem na tabela abaixo:
z 1 2 3 4 5 6
P(X = z) 1/6 1/6 1/6 1/6 1/6 1/6
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Para W as probabilidade podem ser calculadas usando o fato de que para
todo i, j ∈ {1, ...,6} temos que {X = i} e {Y = j} são independentes e
1
P (X , Y ) = (i, j) = P(X = i) P(Y = j) = 36 . Assim, por exemplo
3
= .
36
Obtemos a seguinte tabela
z 2 3 4 5 6 7 8 9 10 11 12
1 2 3 4 5 6 5 4 3 2 1
P(W = z) 36 36 36 36 36 36 36 36 36 36 36
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Denição: O valor esperado (ou valor médio, ou média) de uma
variável aleatória discreta X é a média de seus valores possíveis ponderada
por sua função de probabilidade e será denotada E [X ], ou seja,
N
X
E [X ] = xj · p j .
j=1
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Valor esperado, variância e desvio padrão são medidas que ajudam a en-
tender certas características da distribuição da variável aleatória X . O
valor esperado é uma medida de posição. A variância é uma medida de
dispersão em torno da média. O desvio padrão tem uma interpretação
análoga a da variância como medida de dispersão, entretanto quando X
tem uma unidade associada (metros, kilos, unidade monetária), o desvio
padrão tem a mesma unidade associada.
Exemplo: Considere X como sendo o resultado no lançamento de um
dado. Então
6
1 21
= 3.5 ,
X
E [X ] = j· =
j=1
6 6
N
1
(j − 3.5)2 ·
X
Var (X ) =
j=1
6
(1 − 3.5)2 + (2 − 3.5)2 + ...(6 − 3.5)2
= = 2.917 ,
6
Var (X ) = 1.708 .
p
DP(X ) =
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Funções de variáveis aleatórias discretas são variáveis aleatórias discretas.
Por exemplo, se X e Y são variáveis aleatórias discretas, então |X |, X 2 ,
X 3 , (X − E [X ])2 , e X , X + Y , X e Y são variáveis aleatórias discretas.
Seja f : R → R uma função e X uma variável aleatória discreta. Se
Z = f (X )
N
X
E [Z ] = E [f (X )] = f (xj ) · pj .
j=1
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Alguns tipos de distribuições de váriáveis aleatórias discretas
P(X = 1) = p e P(X = 0) = 1 − p .
Neste Caso,
E [X ] = p e Var (X ) = p(1 − p) .
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Aplicação: No lançamento de uma moeda honesta dena X = 1 se o re-
sultado for Cara e X = 0 se o resultado for Coroa, então X ∼ Bern(1/2)
e (1 − X ) ∼ Bern(1/2). Em contexto mais geral, considere experimen-
tos com dois resultados possíveis, digamos sucesso ou fracasso, onde a
probabilidade de sucesso é 0 < p < 1. Dena X = 1 se o resultado
for sucesso e X = 0 se o resultado for fracasso, então X ∼ Bern(p) e
(1 − X ) ∼ Bern(1 − p).
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Distribuição Binomial: Seja n ≥ 1 e 0 < p < 1, dizemos que uma variável
aleatória tem distribuição binomial de parâmetros n e p , X ∼ Bin(n, p) se
o conjunto de valores possíveis de X é {0, 1, 2, ..., n} e
n k n!
P(X = k) = p (1 −p)n−k = p k (1 −p)n−k , k = 0, 1, ..., n.
k k!(n − k)!
Neste Caso,
E [X ] = n p e Var (X ) = n p(1 − p) .
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Aplicação: Em n lançamentos de uma moeda honesta dena X como o
número de lançamentos onde foram obtidos Cara. Então X ∼ Bin(n, 1/2)
e (1 − X ) ∼ Bin(n, 1/2). Em contexto mais geral, considere n repetições
independentes de um mesmo experimento com dois resultados possíveis,
sucesso ou fracasso, onde a probabilidade de sucesso em cada repetição
do experimento é 0 < p < 1. Dena X como o número de repetições com
resultado igual a sucesso, então X ∼ Bin(n, p) e (1 − X ) ∼ Bin(n, 1 − p).
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
R: Comece digitando
par(mfrow = c(1, 5))
para abrir uma janela para compartilhar 5 grácos. Primeiro plotamos a
função distribuição da binomial. Fixe valores para n e p e digite
k = seq(-1,n+1,by=1)
plot(k,pbinom(k,n,p),type='s')
depois plotamos a função de probabilidade da binomial em um gráco de
barras. Digite
k = seq(0,n,by=1)
plot(k,dbinom(k,n,p),type='h',lwd=10)
em seguida plot 3 histogramas da distribuição binomial
hist(rbinom(N,n,p),freq=FALSE)
para valores N = 10, N = 100, N = 1000. Compare os plots!
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Exemplo: Baseado em uma tábua de mortalidade a probabilidade de uma
pessoa com 65 anos completos falecer antes de completar 66 anos é de
0.015. Considere uma grupo de 80 pessoas de 65 anos completos tal que
todos nesse grupo possuem seguro de vida com indenização no valor de
100000 reais. Seja Y a v.a. que representa o valor total de indenizações
que será pago no próximo ano devido a falecimentos de pessoas no grupo.
Calcule:
1. O valor médio e o desvio padrão de Y .
2. Calcule a probabilidade de Y ser maior ou igual a 200000 reais.
3. Use o R para plotar um histograma para a v.a. Y .
4. Se cada uma das 80 pessoas paga 2000 reais para ter direito ao
seguro, qual é a probabilidade da administradora dos recursos ter
prejuízo (sem considerar a aplicação dos recursos).
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Distribuição Geométrica: Seja 0 < p < 1, dizemos que uma variável
aleatória tem distribuição geométrica de parâmetro p , X ∼ Geom(p) se o
conjunto de valores possíveis de X é {1, 2, 3, ...} e
Neste Caso,
1 1
E [X ] = e Var (X ) = .
p p2
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Duas denições?
Alguns autores consideram uma denição diferente da distribuição geomé-
trica. Nesta denição a geométrica conta o número de fracassos até o
primeiro sucesso. Ou seja, X − 1 onde X ∼ Geom(p) conforme a nossa
denição. Esta é a denição utilizada também no software R . Então se
X ∼ Geom(0.2) cálculo de probabilidades para X no R devem ser feitos
conforme os exemplos abaixo:
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
R: Comece digitando
par(mfrow = c(1, 5))
para abrir uma janela para compartilhar 5 grácos. Primeiro plotamos a
função distribuição da geométrica. Fixe o valor de p e um valor auxiliar m
sucientemente grande e digite
k = seq(-1,m,by=1)
plot(k,pgeom(k-1,p),type='s')
depois plotamos a função de probabilidade da geométrica em um gráco
de barras. Digite
k = seq(1,m,by=1)
plot(k,dgeom(k-1,p),type='h',lwd=10)
em seguida plot 3 histogramas da distribuição binomial
hist(rgeom(N,p)+1,freq=FALSE)
para valores N = 10, N = 100, N = 1000. Compare os plots!
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Exemplo: Quanto sorteios em média são necessários para obter 01 02 03 04
05 06 como combinação sorteada na mega-sena? Esse número de sorteios
tem distribuição geométrica de parâmetro
1
60
6
cuja média é
60
= 50063860 .
6
Portanto, em média serão necessários mais de 50 milhões de sorteios.
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Distribuição Poisson: Seja λ > 0, dizemos que uma variável aleatória
tem distribuição Poisson de parâmetro λ, X ∼ Poisson(λ) se o conjunto
de valores possíveis de X é {0, 1, 2, 3, ...} e
λk −λ
P(X = k) = e , k = 0, 1, 2, ... .
k!
Neste Caso,
E [X ] = λ e Var (X ) = λ .
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Aplicação: A distribuição de Poisson tem importantes propriedades que
a tornam muito importante como distribuição de variáveis de contagem,
isto é, variáveis que representam número de ocorrências de um evento em
determinado período de tempo. Uma dessas propriedades é que a Poisson é
limite (em certo sentido) de distribuições binomiais. Sendo mais especíco,
se n · pn converge para λ, então
λk −λ
n k
pn (1 − pn )n−k → e .
k k!
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Exemplo: Queremos sugerir uma distribuição de probabilidade para o nú-
mero de automóveis X entre 1000 cadastrados que estarão envolvidos em
algum acidente durante um período de um ano. Usaremos uma estimativa
de que a probabilidade de um automóvel se envolver em um acidente no pe-
ríodo de um ano é 0.01. Podemos pensar em X como uma Bin(1000, 0.01).
Entretanto, uma alternativa seria usar a distribuição Poisson(10). Isto po-
deria simplicar o cálculo de probabilidades.
Suponha agora que sabemos que em média 10 automóveis em determinado
grupo de interesse se envolvem em acidentes por ano. Entretanto não
conhecemos o número de automóveis (por exemplo, todos os automóveis
de moradores de determinado bairro). Então é razoável declarar X ∼
Poisson(10).
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
R: Comece digitando
par(mfrow = c(1, 2))
para abrir uma janela para compartilhar 2 grácos. Vamos plotar om
grácos de barras a função de probabilidade da Bin(n, p) e da Poisson(np).
Fixe n e p . Primeiro plotamos a função de probabilidade da binomial
k = seq(0,n+10,by=1)
plot(k,dbinom(k,n,p),type='h',lwd=10)
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Uma pesquisa indica que 1 entre cada 5 carros sai de fábrica com algum
defeito de fabricação. Suponha que X represente o número de carros
novos com algum defeito de fabricação em um grupo de 10 carros novos
selecionados aleatoriamente. Responda:
1. Qual é a distribuição de X ?
2. Qual é a probabilidade de que dois ou menos carros tenham defeitos?
3. Forneça a média e a variância de X e construa o seu histograma.
4. Suponha que 1250 lotes de 15 carros sejam distribuídos entre
diversas concessionárias. Calcule aproximadamente a probabilidade
de que 4 ou mais lotes tenham 8 ou mais carros com defeitos de
fábrica. Usando porcentagem explique o signicado da probabilidade
obtida.
5. Sob as hipóteses do item anterior, calcule qual é o menor valor k tal
que a chance de ter k ou menos lotes com oito ou mais carros
defeituosos seja maior ou igual a 50%.
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
(1) X é uma binomial de parâmetro 10 e probabilidade p = 1/5 = 0.2.
É razoável supor que um carro apresenta defeito independentemente
de qualquer outro carro. Então, o problema de contar carros com
defeitos é análogo ao problema de contar sucessos em repetições de
um experimento tipo sucesso-fracasso onde sucesso ocorre com
probabilidade 0.2.
(2) Sendo X ∼ Bin(10, 0.2)
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
(4) Aqui seja Y ∼ Bin(15, 0.2) o número de carros defeituosos em um
único lote. Então P(Y ≥ 8) = 0.00423975. Seja Z o número de
lotes com 8 ou mais carros defeituosos. Então
Z ∼ Bin(1250, 0.00423975) e queremos P(Z ≥ 4). Usaremos a
aproximação pela Poisson de parâmetro 1250 · 0.00423975 ≈ 5.3.
Então
(5.3)2
P(Z ≥ 4) = 1−P(Z ≤ 3) ≈ 1−e −5.3 −5.3 e −5.3 − e −5.3 = 0.7745 .
2
Portanto, a chance de que 4 ou mais lotes possuem 8 ou mais carros
defeituosos é de 77.45%.
(5) Queremos k tal que P(Z ≤ k) ≥ 0.5 e P(Z ≤ k − 1) < 0.5. Ou
seja, k é o quantil de Z a 50%. Usando o R achamos o quantil
usando o comando qbinom(0.5,1250,0.00423975). A resposta é 5.
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Variáveis aleatórias contínuas:
0 , z ≤ 0,
FX (z) =
1 − e −z , z > 0.
Neste caso, todo número real positivo é um valor possível para a variável
aleatória X .
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Dizemos que uma variável aleatória é contínua se existe uma função f :
R → R tal que f (x) ≥ 0 para todo x ∈ R e
Z b
P(a < X ≤ b) = f (x)dx , para todos a, b ∈ R .
a
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Observação: É útil recordar que pelo Cálculo
Z b
f (x)dx = area entre o graco de f e o eixo das abcissas.
a
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
A pergunta natural aqui é: Qual a diferença entre os casos discreto e
contínuo? Para uma v.a. X contínua, qualquer que seja o valor a
Z a
P(X = a) = fX (x) dx = 0
a
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
O fato de P(X = a) = 0 não signica que X não está bem-denida. De
fato, isto está em acordo com importantes interpretações de fenômenos
reais. Por exemplo, uma medida física nunca é perfeita. Quando medidos
comprimento ou peso de um objeto sempre paramos em determinada casa
decimal e não podemos continuar por limitação dos instrumentos para tirar
as medidas. Se fosse possível continuar seria razoável dizer que nunca
terminaríamos a medida chegando no valor exato. Daí devemos pensar em
medidas físicas como variáveis aleatórias contínuas.
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Dizemos que x é um valor possível da variável aleatória contínua X se
fX (x) > 0. Observe que se f (x1 ) < f (x2 ), então é mais provável que a
variável assuma valores mais próximos de x2 do que de x1 . Formalmente,
se u é sucientemente pequeno
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Seja X uma variável aleatória contínua. Temos que
Z z
FX (z) = fX (x) dx .
−∞
então G é diferenciável e G 0 = g .
Exemplo: Suponha
0 , z ≤ 0,
FX (z) =
1 − e −z , z > 0.
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Denição: O valor esperado (ou valor médio, ou média) de uma
variável aleatória contínua X é a média de seus valores possíveis ponderada
por sua densidade e será denotada E [X ], ou seja,
Z ∞
E [X ] = x fX (x) dx .
−∞
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Voltamos ao exemplo da v.a. contínua X com densidade
0 , z ≤ 0,
fX (z) =
e −z , z > 0.
Então
Z ∞ Z ∞ Z ∞
−∞
−x
−xe −x x=0 −x
e −x dx = 1
E [X ] = xe dx = + e dx =
0 0 0
Z ∞ Z ∞
Var (X ) = (x − 1)2 e −x dx = x 2 e −x dx − 1 (3)
0 0
Z ∞
2 −x −∞
= −x e x=0 + 2 x e −x dx − 1 = 2 − 1 = 1. (4)
0
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Como no caso discreto. O valor esperado pode não ser nito ou mesmo
não estar bem denido. Por exemplo,
1
f (x) = , x ∈ R.
π(1 + x 2 )
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Assim como no caso discreto, uma função de uma v.a. contínua é uma
v.a., ou seja, seja X v.a. contínua e G : R → R, então G (X ) é v.a..
Entretanto, G (X ) pode ser discreta ou pode ser contínua. Por exemplo,
Se G só assume os valores 0 ou 1, então G (X ) é discreta e tem distribuição
Bernoulli, por outro lado, se X é contínua X 2 também é contínua.
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Algumas propriedades úteis do valor esperado (válidas nos casos discreto
e contínuo):
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Exercício: Seja V a velocidade, medida em m/s, de um objeto de 5 kg
em movimento retilíneo. Suponha que V é uma variável aleatória contínua
com densidade
3
f (x) = e −3|x| , x ∈ R .
2
2
(a) Calcule o valor esperado da energia cinética W = mV2 .
(b) O objeto permanece com velocidade V durante 8 segundos,
percorrendo X = 8V metros. Calcule a variância de X.
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Solução:
(a)
5 2
+∞
15 +∞ 2 −3|x|
Z Z
E [W ] = x f (x)dx = x e dx
−∞ 2 4 −∞
5 +∞ 2 −3x 5
Z
= 3x e dx = (Var (Y ) + E [Y ]2 ) ,
2 0 2
onde Y é uma exponencial de parâmetro 3 (ou integração por partes).
Logo Var (Y ) = E [Y ]2 = 19 e
52 5
E [W ] = = .
29 9
(b) Seja X a distância percorrida pelo objeto, então
E [X ] = E [8V ] = 8E [V ] = 8 · 0 = 0 ,
já que a densidade de V é simétrica em torno de 0 (E [|V |] < ∞). Assim,
2 128 5 128
Var [X ] = 82 Var [V ] = 64 E [V 2 ] = 64 E [W ] = = .
5 5 9 9
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Alguns tipos de distribuições de váriáveis aleatórias contínuas
Distribuição Exponencial: Dizemos que uma variável aleatória contínua
X tem distribuição exponencial de parâmetro λ se
0 , z ≤ 0,
fX (z) =
λe −λz , z > 0.
Notação: X ∼ Exp(λ).
Neste caso,
0 , z ≤ 0,
FX (z) =
1 − e −λz , z > 0.
e
1 1
E [X ] = e Var (X ) = .
λ λ2
Aplicação: A distribuição exponencial tem um papel fundamental na teoria
de processos estocásticos a tempo contínuo. Uma das razões é que a ex-
ponencial é a única distribuição com a propriedade de perda de memória,
isto é, X tem distribuição exponencial, se e somente se,
P(X > t + s|X > t) = P(X > s) .
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
P(X > t + s) e −λ(t+s)
P(X > t + s|X > t) = = = e −λs = P(X > s) .
P(X > t) e −λt
Por essa razão também a exponencial é indicada em vários modelos para re-
presentar tempos entre ocorrências consecutivas de um mesmo fenômeno:
duração de lâmpada ou de um certo componente eletrônico, intervalo de
tempo entre a chegada de dois pacientes consecutivos à emergência de
determinado hospital, etc.
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
R: Comece digitando
par(mfrow = c(1, 5))
para abrir uma janela para compartilhar 4 grácos. Primeiro plotamos a
função distribuição da exponencial. Fixe valores para λ e digite
k = seq(0,1000,by=1)/100
plot(k,pexp(k,λ),type="l")
Interprete o resultado.
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Distribuição Normal: Dizemos que uma variável aleatória contínua X tem
distribuição Normal (ou Gaussiana) de parâmetros µ e σ 2 , para µ ∈ R e
σ 2 ∈ (0, +∞), se
1 (x−µ) 2
fX (x) = √ e− σ , x ∈ R .
2 2
2πσ 2
Notação: X ∼ N (µ, σ 2 ).
Neste caso,
E [X ] = µ e Var (X ) = σ 2 .
Por isto é comum dizer que N (µ, σ 2 ) é a distribuição normal de média
µ e variância σ 2 . A distribuição N (0, 1) costuma ser chamada de normal
padrão.
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
A função de distribuição de uma distribuição normal
z
1
Z 2
(x−µ)
Φ(z) = √ e − σ dx ,
2 2
−∞ 2πσ 2
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
R: Comece digitando
par(mfrow = c(1, 5))
para abrir uma janela para compartilhar 5 grácos. Primeiro plotamos a
função distribuição da normal. Escolha µ e σ 2 e digite
curve(pnorm(x,mean=µ,sd=σ ),from=?,to=?)
em seguida plot 3 histogramas da distribuição normal
hist(rnorm(N,mean=µ,sd=σ ),freq=FALSE,breaks=32)
para valores N = 100, N = 1000, N = 10000.
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
R: Vamos comparar o gráco de densidades de distribuições normais com
diferentes parâmetros. Começamos com a densidade da N (0, 0.25),
curve(dnorm(x,mean=0,sd=0.5),from=-10,to=10,col="red")
Depois incluímos no mesmo plot a densidade da N (0, 1),
curve(dnorm(x),from=-10,to=10,col="blue",add=TRUE)
e por m a densidade da N (2, 4),
curve(dnorm(x,mean=2,sd=2),from=-
10,to=10,col="green",add=TRUE)
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Resultado: Se X ∼ N (µ, σ 2 ) e Y = aX + b, para a, b ∈ R, então
Y ∼ N (aµ + b, a2 σ 2 ).
Pelo resultado anterior, se X ∼ N (µ, σ 2 ), então
X −µ
Z= ∼ N (0, 1) .
σ
Em particular, qualquer distribuição normal pode ser obtida como combi-
nação linear de uma distribuição normal padrão.
Denotaremos a função de distribuição da Normal padrão por Φ. Para
X ∼ N (µ, σ 2 )
X − µ z − µ z − µ
FX (z) = P(X ≤ z) = P ≤ =Φ .
σ σ σ
Logo, basta saber calcular probabilidades com respeito a distribuição nor-
mal padrão para saber calcular probabilidades com respeito a qualquer
outra distribuição normal.
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Exemplo: X ∼ N (2, 4)
5 − 2 1 − 2
P(1 ≤ X ≤ 5) = FX (5)−FX (1) = Φ −Φ = Φ(1.5)−Φ(−0.5) .
2 2
R:
pnorm(5,mean=2,sd=2) - pnorm(1,mean=2,sd=2)
é igual a
pnorm(1.5) - pnorm(-0.5)
Compare também
hist(rnorm(10000),freq=FALSE,breaks=32)
com
hist((rnorm(10000,mean=2,sd=2)-2)/2,freq=FALSE,breaks=32)
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Exercício
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Distribuição Uniforme: Dizemos que uma variável aleatória contínua X
tem distribuição Uniforme no intervalo [a, b], a < b, se
1
b−a , a < z < b,
fX (z) =
0 , caso contrário .
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
R: Comece digitando
par(mfrow = c(1, 4))
para abrir uma janela para compartilhar 4 grácos. Primeiro plotamos a
função de distribuição da uniforme. Para U[2, 6] digite
curve(punif(x,min=2,max=6),from=0,to=7)
em seguida plotamos 3 histogramas da distribuição uniforme
hist(runif(N,min=2,max=6),freq=FALSE,breaks=32)
para valores N = 100, N = 1000, N = 10000. Observe que o histograma
se aproxima do gráco da densidade da uniforme quando N cresce. Digite
lines(c(2,6),c(0.25,0.25),type="l",col="red")
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Distribuição Gama: Dizemos que uma variável aleatória contínua X tem
distribuição Gama de parâmetros α e β , para α, β ∈ [0, +∞), se
0 , x ≤ 0,
(
fX (z) = β α x α−1 e −βx
Γ(α) , x > 0.
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Aplicação: É uma família de distribuições que apresenta boa variedade
de comportamentos muito útil em modelagem probabilística. Assim como
com a exponencial, uma das aplicações da Gama está na modelagem de
tempos entre ocorrências consecutivas de um mesmo fenômeno aleatório.
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
R: Vamos comparar o gráco de densidades de distribuições gamas com
diferentes parâmetros. Começamos com a densidade da Gama(0.8, 1),
curve(dgamma(x,shape=0.8,rate=1),from=0,to=10,col="red")
Depois incluímos no mesmo plot a densidade da Gama(0.8, 2),
curve(dgamma(x,shape=0.8,rate=2),from=0,to=10,col="blue",add=TRUE)
da Gama(2, 1),
curve(dgamma(x,shape=2,rate=1),from=0,to=10,col="green",add=TRUE)
e da Gama(2, 2),
curve(dgamma(x,shape=2,rate=2),from=0,to=10,col="magenta",add=TRUE)
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Distribuição Beta: Dizemos que uma variável aleatória contínua X tem
distribuição Beta de parâmetros a > 0 e b > 0, se
x a−1 (1−x)b−1
(
, 0<x <1
fX (z) = β(a,b)
0 , caso contrário .
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Aplicação: Assim como a Gama, a família de distribuições beta apresenta
grande variedade de comportamentos, só que representando valores no
intervalo [0, 1]. Também é muito útil em modelagem probabilística, prin-
cipalmente na representação de proporções.
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
R: Vamos comparar o gráco de densidades de distribuições betas com
diferentes parâmetros. Agora plotamos a densidade da beta com diferentes
valores dos parâmetros a e b no mesmo gráco,
curve(dbeta(x,1,1),from=0,to=1,col="red")
curve(dbeta(x,2,2),from=0,to=1,col="blue",add=TRUE)
curve(dbeta(x,0.5,0.5),from=0,to=1,col="magenta",add=TRUE)
Compare os grácos.
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Agora digite
curve(dbeta(x,4,2),from=0,to=1,col="red")
curve(dbeta(x,4,0.5),from=0,to=1,col="blue",add=TRUE)
curve(dbeta(x,2,4),from=0,to=1,col="magenta",add=TRUE)
curve(dbeta(x,0.5,4),from=0,to=1,col="green",add=TRUE)
Compare os grácos.
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Exercício
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
6 s
1
2/3 c
=
1/3 s
c -
0 1/3 2/3 1
6 6
1 1
2/3 s 2/3
+
1/3 s c 1/3
c - -
0 1/3 2/3 1 0 1/3 2/3 1
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
A variável Z do exercício anterior não é nem contínua nem discreta. Ela
é chamada de variável aleatória de tipo misto. No futuro daremos uma
caracterização mais apropriada das distribuições de tipo misto.
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Plotando densidades de misturas de normais no R
Vamos considerar mistura de uma N (0, 1) e uma N (2, 0.5). Primeiro con-
sidere que ambas as distribuições são escolhidas com igual probabilidade.
Digite
curve((0.5*dnorm(x))+(0.5*dnorm(x,2,sqrt(0.5))),xlim=c(-2,3),col="red")
curve((0.6*dnorm(x))+(0.4*dnorm(x,2,sqrt(0.5))),add=TRUE,col="blue")
curve((0.8*dnorm(x))+(0.2*dnorm(x,2,sqrt(0.5))),add=TRUE,col="green")
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Distribuições Conjuntas:
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Quando X e Y são variáveis aleatórias discretas com valores possíveis
j=1 . A distribuição conjunta de X e Y é
respectivamente {xi }Ni=1 e {yj }M
determinada pela função de probabilidade conjunta
pX ,Y (xi , yj ) = P(X = xi , Y = yj ) .
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Exemplo: Considere o lançamento consecutivos de dois dados. Seja X o
primeiro resultado e W a soma dos resultados. Representamos a função
de probabilidade conjunta na tabela abaixo:
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Quando analisamos conjuntamente uma coleção de variáveis aleatórias X1 ,
... , Xn , as distribuições individuais das variáveis X1 , ... Xn , são chamadas
de distribuições marginais.
É fundamental ter em mente que as distribuições marginais não determi-
nam a distribuição conjunta. Vamos ver um exemplo. Qualquer que seja
α ∈ [0, 1], a tabela
Y=0 Y=1 Total
1−α
X=0 α
2 2 0.5
1−α
X=1 2
α
2 0.5
Total 0.5 0.5 1
representa a distribuição conjunta de duas variáveis aleatórias X e Y iden-
ticamente distribuídas como Bern(0.5). Portanto, existem innitas distri-
buições conjuntas cujas marginais são Bern(0.5).
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Dizemos que X e Y são conjuntamente contínuas se existe uma função
(contínua por partes) f : R2 → [0, ∞) tal que
Z d Z b
P(a < X < b, c < Y < d) = f (x, y )dxdy .
c a
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
A denição acima se generaliza para uma coleção nita de variáveis alea-
tórias. Assim, X1 , X2 , ... , Xn , são variáveis aleatórias conjuntamente
contínuas se existe uma função fX ,...,Xn : Rn → [0, ∞) tal que
1
Z bn Z b1
P(a1 < X1 ≤ b1 , ..., an < Xn ≤ bn ) = ... f (x1 , ..., xn )dx1 ...dxn .
an a1
Para uma função f : Rn → R ser uma densidade, basta que ela só assuma
valores maiores ou iguais a zero e que
Z ∞ Z ∞
... f (x1 , ..., xn )dx1 ...dxn = 1 .
−∞ −∞
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Exemplo: Seja
1 , 0 ≤ x ≤ 1, 0 ≤ y ≤ 1 ;
f (x, y ) =
0 , caso contrario .
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Se X e Y tem distribuição conjunta contínua, então X e Y são variáveis
aleatórias contínuas e as densidades marginais são obtidas das integrais
Z ∞
fX (x) = fX ,Y (x, y )dy ,
−∞
e Z ∞
fY (y ) = fX ,Y (x, y )dx .
−∞
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Exemplo: Duas variáveis aleatórias tem densidade conjunta
4e −2y , 0≤x ≤y;
f (x, y ) =
0 , caso contrario .
e
0 R, x < 0 ,
fY (y ) =
4 0 e −2y dx = 4ye −2y .
y
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Sejam X1 ,...,Xn , variáveis aleatórias e H : Rn → R, então H(X1 , ..., Xn )
também é uma variável aleatória. Exemplo: soma de variáveis aleatórias,
produto de variáveis aleatórias, X34 + X2 e X , etc. 1
então
N X
X M
E [H(X , Y )] = H(xi , yj ) pX ,Y (xi , yj ) .
i=1 j=1
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Exemplo: Sejam X e Y conjuntamente contínuas com densidade
4e −2y , 0≤x ≤y;
f (x, y ) =
0 , caso contrario .
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Um dos conceitos mais importantes em teoria das probabilidades é o de
independência. Já sabemos o signicado de eventos independentes e agora
denimos variáveis aleatórias independentes.
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
X e Y independentes signica que a chance de ocorrência de eventos
relacionados a X não são inuenciadas por eventos relacionados a Y , e
vice-versa. Muitas vezes, em modelos probabilísticos, a interpretação do
fenômeno modelado é suciente para sabermos dizer se X e Y são inde-
pendentes ou não. Por exemplo, se X e Y são denidas em função de
resultados de sorteios distintos, então X e Y são independentes.
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Exemplo: No lançamento de dois dados, seja X o resultado no primeiro
lançamento, Y o resultado no segundo lançamento e W a soma dos resul-
tados. Então X e Y são variáveis aleatórias independentes, mas X e W
não são independentes (note que se X e W fossem independentes, não po-
deria haver entradas nulas na tabela descrevendo a função de probabilidade
conjunta dessas variáveis).
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Exemplo: No caso em que X e Y tem densidade conjunta
4e −2y , 0≤x ≤y;
f (x, y ) =
0 , caso contrario .
temos que
P(X < Y ) = 1 .
A igualdade acima representa uma clara relação de dependência entre as
variáveis X e Y que não são independentes. Para vericar a ausência de
independência pela denição, veja que
Z ∞ Z 1
P(X > 1, Y < 1) = 0 6= 2e −2x dx 4ye −2y dy = P(X > 1) P(Y < 1) .
1 0
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
A denição de independência se generaliza para qualquer coleção nita de
variáveis aleatórias: X1 , ... , Xn são independentes se para todos aj < bj ,
j = 1, ..., n, os eventos {aj < Xj ≤ bj } são independentes, ou seja,
n
\ Yn
P {aj < Xj ≤ bj } = P(aj < Xj ≤ bj ) .
j=1 j=1
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Observação: Um dos conceitos básicos da estatística é o de amostra. Em
inferência, uma amostra de tamanho n é uma coleção de variáveis aleatórias
independentes e identicamente distribuidas. A expressão "independentes e
identicamente distribuídas"é muito comum e geralmente aparece abreviada
pela sigla "iid".
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Resultado: Seja X1 ,...,Xn uma colação de variáveis aleatórias discretas e
independentes. Então a função de probabilidade conjunta de X1 ,...,Xn se
fatora no produto das funções de probabilidade marginais.
Resultado: Seja X1 ,...,Xn uma coleção de variáveis aleatórias. As mar-
ginais são contínuas e independentes, se e somente se, X1 ,...,Xn são con-
juntamente contínuas e a densidade conjunta se fatora no produto das
densidades marginais, ou seja,
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Resultado Sejam X e Y variáveis aleatórias independentes com valor es-
perado nito, então
E [XY ] = E [X ] E [Y ] .
8 y e −2(x+y ) , x ≥ 0 e y ≥ 0 ;
fX ,Y (x, y ) = fX (x)fY (y ) =
0 , caso contrario .
Além disso,
1 2 1
E [XY ] = E [X ] E [Y ] = × = .
2 2 2
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Exemplo: Sejam X ∼ Poisson(λ1 ) e Y ∼ Poisson(λ2 ) v.a's independen-
tes. Vamos vericar que X + Y ∼ Poisson(λ1 + λ2 ).
k
X k
X
P(X + Y = k) = P(X = j, X + Y = k) = P(X = j, Y = k − j)
j=0 j=0
k k
X X λj1 e −λ1 λ2k−j e −λ2
= P(X = j) P(Y = k − j) =
j! (k − j)!
j=0 j=0
k
−(λ1 +λ2 ) X
e k!
= λj λk−j
k! j!(k − j)! 1 2
j=0
k
(λ1 + λ2 )k e −(λ1 +λ2 ) X k! λ
1
j λ
2
k−j
=
k! j!(k − j)! λ1 + λ2 λ1 + λ2
j=0
k −(λ1 +λ2 )
(λ1 + λ2 ) e
= = P(Poisson(λ1 + λ2 ) = k) .
k!
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Como no caso de distribuições univariadas, existem algumas classes im-
portantes de distribuições conjuntas que são úteis de serem conhecidas.
Vamos apresentar aqui apenas duas dessas classes. As distribuições mul-
tinomial e normal multivariada.
, se
Pk
n!
p1n1 ... pknk
P(X1 = n1 , ..., Xk = nk ) = n1 !...nk ! j=1 nj = n ,
0 , caso contrario .
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Aplicação: Considere:
I n repetições independentes de um mesmo experimento;
I O experimento possui k resultados possíveis;
I A probabilidade do resultado do experimento ser do tipo j é pj .
I Seja Xj o número de resultados do tipo j nas n repetições.
Então X1 ,...,Xk tem distribuição conjunta Multinom(n, (p1 , ..., pk )).
Como consequência dessa interpretação, note que Xj ∼ Bin(n, pj ).
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Exemplo: Uma pesquisa considera a idade do condutor como fator de
risco em acidentes automotivos. Condutores são divididos em três grandes
grupos: grupo 1 = condutores com menos de 30 anos, grupo 2 = condu-
tores entre 30 e 50 anos e grupo 3 = condutores com mais de 50 anos.
A pesquisa conclui que condutores do grupo 1 são responsáveis por 40%
dos acidentes, condutores do grupo 2 por 32% e condutores do grupo 3
por 28%. Suponha que as idades dos condutores responsabilizados por
acidentes diferentes possam ser consideradas independentes. Sejam X , Y
e Z o número de acidentes, com condutores respectivamente nos grupos
1, 2 e 3, entre 10 relatados a determinada seguradora no período de um
dia. Então (X , Y , Z ) ∼ Multinomial(10, (0.4, 0.32, 0.28)) e
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Distribuição Normal Bivariada: Dizemos que X e Y possuem distribui-
ção normal bivariada se são conjuntamente contínuas com densidade
h 2 2 i
1 x−µX y −µY x−µX
y −µY
1
− 2(1−ρ2) σX + σY −2ρ σX σY
fX ,Y (x, y ) = e ,
2πσX σY 1 − ρ2
p
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
O tipo de dependência mais forte entre duas variáveis aleatórias X e Y
ocorre quando Y é uma função de X , ou seja, Y = H(X ) para alguma
função H .
Exemplo: Y = 2X + 5, Y = log(X ) ou Y = 3X 2 .
Na maioria das aplicações, não temos Y = H(X ), mas temos Y "proba-
bilisticamente próximo"de H(X ). O problema é como denir e medir a
proximidade entre Y e H(X ). Para isto, geralmente são usadas medidas
de dependência.
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Aqui somente estudaremos a dependência linear entre variáveis aleatórias.
Nos perguntamos se existem números reais a e b tais que Y está "proba-
bilisticamente próxima"de aX + b. A medida que utilizaremos para fazer
esta comparação é a chamada correlação (linear) entre X e Y .
Sejam X e Y variáveis aleatórias com variâncias nitas. Denimos a co-
variância entre X e Y como
Cov (X , Y ) = E [(X − E (X ))(Y − E [Y ])] .
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
A covariância entre X e Y também pode ser calculada pela fórmula
Cov (X , Y ) = E [XY ] − E [X ]E [Y ] .
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Exemplo: Considere duas variáveis aleatórias discretas X e Y cuja função
de probabilidade conjunta é descrita na tabela abaixo
X=-1 X=0 X=1 Total
Y=-1 0 1/4 0 1/4
Y= 0 1/4 0 1/4 1/2
Y= 1 0 1/4 0 1/4
Total 1/4 1/2 1/4 1
Veja que E [X ] = E [Y ] = E [XY ] = 0, logo X e Y são não correlacionadas.
Entretanto X e Y não são independentes.
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Exemplo: Considere X e Y com densidade
4e −2y , 0<x <y,
fX ,Y (x, y ) =
0 , caso contrário .
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
2.5
2.0
1.5
Y
1.0
0.5
3.0
0.0
2.0
Y
X
amostra de tamanho 100 de (X,Y) com densidade como no exemplo anterior
1.0
0.0
0.0 0.5 1.0 1.5 2.0 2.5
X
amostra de tamanho 100 de X~Exp(2) e Y~Gama(2,2) independentes
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
1.0
0.5
0.0
Y
−0.5
−1.0
X
amostra de tamanho 100 de (X,Y) não correlacionadas
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Uma fórmula útil é a da variância da soma de variáveis aleatórias. Sejam
X1 ,...,Xn variáveis aleatórias, então
n
X Xn
Var (Xj ) + 2
X
Var Xj = Cov (Xi , Xj ) .
j=1 j=1 i<j
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Considere X e Y com distribuição normal bivariada de parâmetros µX , µY ,
σX , σY e ρ. Pode-se mostrar que ρ = Corr (X , Y ). Ou, equivalentemente,
que Cov (X , Y ) = σX σY ρ. A matriz
σX2
Var (X ) Cov (X , Y ) σX σY ρ
Σ= =
Cov (X , Y ) Var (Y ) σX σY ρ σY2
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Exemplo: Estima-se que a cotação de dois ativos nanceiros X e Y em um
instante futuro tenha distribuição normal bivariada de parâmetros µX = 2,
µY = 3, σX2 = 0.09, σY2 = 0.16, e ρ = 0.6. Se a médias µX e µY são
os valores atuais das variáveis, calcule a probabilidade de ambos os ativos
terem um aumento superior a 10% e compare com a mesma probabilidade
caso os valores dos ativos fossem independentes.
A probabilidade que queremos é
P(X > 2.2 , Y > 3.3)
Podemos obter esta probabilidade usando o R.
pmvnorm(lower=c(2.2,3.3),upper=c(Inf,Inf),mean=c(2,3),sigma=
matrix(nrow=2,ncol=2,c(0.09,0.6*sqrt(0.09*0.16),0.6*sqrt(0.09*0.16),0.16)))
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Observação: Iremos condicionar apenas com respeito a eventos A da
forma {Y ∈ I }, onde Y é uma variável aleatória e I é um intervalo ou um
conjunto unitário. Neste caso, probabilidades como P(X ≤ z|c < Y ≤ d)
podem ser calculadas usando a distribuição conjunta de X e Y .
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Se X for discreta com valores possíveis (xj )Nj=1 , então X |{Y ∈ I } é discreta
e a função de probabilidade condicional de X dado {Y ∈ I } é
P(X = xj , Y ∈ I )
pX (xj |Y ∈ I ) = P(X = xj |Y ∈ I ) = (5)
P(Y ∈ I )
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Importante: Fixado o evento ao qual estamos condicionando, todas as
fórmulas para valor esperado e variância continuam válidas. Por exemplo:
e
Var (X |Y ∈ I ) = E [X 2 |Y ∈ I ] − E [X |Y ∈ I ]2 .
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Exemplo: X e Y são duas variáveis aleatórias que representam índices
nanceiros. Sua distribuição conjunta é normal bivariada de parâmetros
µX = 2, µY = 3, σX2 = 1, σY2 = 1.5 e ρX ,Y = 0.5 Um investidor tem a
informação de que o valor de Y > 4, mas sua opção de investimento é
baseada no indicador X ser maior ou menor que 2.
(i) Calcule P(X ≥ 2|Y ≥ 4) e P(X ≥ 2). Seria razoável para o
investidor ignorar a informação sobre Y ?
(ii) Faça em um mesmo plot no R um gráco da função de distribuição
condicional de X dado {Y ≤ 4} e outro da distribuição de X .
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Se Y = X
0
(
P(X ∈ I ∩ {xj }) , xj ∈
/I,
pX (xj |X ∈ I ) = = P pX (xj ) , xj ∈ I .
P(X ∈ I ) k:x ∈I pX (xk )
k
Neste caso, P
k:xk ∈I xk pX (xk )
E [X |X ∈ I ] = P .
k:xk ∈I pX (xk )
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Exemplo: Seja X ∼ Geom(1/3), então
pX (k|X > 4) = 0
para 1 ≤ k ≤ 4, e
k−1
2 1
pX (k) 3 3
pX (k|X > 4) = P = j−1
j≥5 pX (j) 2 1
P
j≥5 3 3
k−5
2 1 2 k−5 1
3 3
= l−1 = ,
P 2 1 3 3
l≥1 3 3
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Se X for contínua, então X |{Y ∈ I } é contínua e a densidade condicional
de X dado {Y ∈ I } é
d 1 d
fX (x|Y ∈ I ) = FX (x|A) = P(X ≤ x, Y ∈ I ) .
dx P(Y ∈ I ) dx
Se Y = X
1 d
fX (x|c < X < d) = P(X ≤ x, c < X < d)
P(c < X < d) dx
0
(
, x∈/ (c, d) ,
= Rd
fX (x)
, c <x ≤d.
f (u)du
c X
Neste caso, Rd
x fX (u)du
E [X |c < X < d] = Rc d .
c X
f (u)du
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Exemplo: Seja X ∼ Exp(3), então
fX (x|X > 4) = 0
para x ≤ 4, e
fX (x) 3e −3x
fX (x|X > 4) = = −12 = 3e −3(x−4)
P(X > 4) e
1 13
E [X |X > 4] = E [X − 4|X > 4] + 4 = +4= .
3 3
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Importante: Em qualquer resultado sobre condicionamento temos que ter
em mente que o está do lado direito da barra de condionamento é uma in-
formação sobre o fenômeno modelado de um evento cuja ocorrência é dada
como certa. Assim, podemos pensar em condicionamento como um ltro
que re-estrutura o modelo probabilístico em função de uma informação
sobre o seu resultado.
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Sejam X e Y variáveis aleatórias. Suponha que Y seja discreta com
valores possíveis (yk )M
k=1 . Agora, pensemos em um experimento aleatório
onde Y é uma quantidade que podemos observar enquando que X não
pode ser observado. Por exemplo, no mercado nanceiro Y pode ser
determinado indicador (taxa de juros, cotação de uma moeda estrangeira,
preço de um ativo) e X pode ser o valor de um derivativo a ser negociado
de forma privada (preços de contrados, seguros ou serviços nanceiros).
Neste sentido, nos interessamos pelo conjunto de distribuições condicionais
X |{Y = yk } (ou simplesmente X |Y = yk ), k = 1, ..., M . Este conjunto
de distribuições é denotado simplesmente X |Y (lê-se "X dado Y").
Notação: Se X for discreta pX (xj |Y = yk ) = pX |Y (xj |yk ). Se X for
contínua fX (xj |Y = yk ) = fX |Y (xj |yk ).
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Consideremos o caso X e Y discretas. Neste caso, X |Y também é discreta
e a função de probabilidade condicional pode ser calculada como
pX ,Y (xj , yk ) P(X = xj , Y = yk )
pX |Y (xj |yk ) = = .
pY (yk ) P(Y = yk )
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Vamos tratar abaixo de um exemplo bastante empregado em modelagem.
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Dessa forma, abusando da notação, podemos escrever
λ1
X |N ∼ Bin N, .
λ1 + λ2
Isto não signica que existe uma distribuição binomial de parâmetro ale-
atório, signica
que
se N assume, por exemplo, o valor 5, então X |N =
5 ∼ Bin 5, λ +λ .
λ
1
1
2
Neste caso,
λ1 λ1 λ2
E [X |N] = N e Var [X |N] = N.
λ1 + λ2 λ1 + λ2 λ1 + λ2
Ambas E [X |N] e Var [X |N] são variáveis aleatórias.
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Exemplo: Determinado seguro residencial cobre três tipos de riscos: tipo
1 = Roubo/Furto; tipo 2 = incêncio; tipo 3 = catástrofe natural (ris-
cos homogêneos e independentes). Estamos interessados no número de
reclamações de segurados durante um ano em determinada região.
Em um estudo, com apoio de especialistas e uso de uma base de dados
de anos anteriores, foi apontado que o número de reclamações dos tipos
1, 2 e 3 poderiam ser modeladas por variáveis aleatórias independentes,
X ∼ Poisson(10), Y ∼ Poisson(4) e Z ∼ Poisson(0.5).
1. Qual a distribuição do número total de reclamações recebidas em
um ano?
2. Dado que uma reclamação ocorre, forneça as probabilidades dela
estar associada aos riscos dos tipos 1, 2 ou 3.
3. Dado que 10 reclamações são feitas, calcule a probabilidade de mais
de 8 dessas reclamações serem do tipo 1.
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Agora vamos considerar o caso X e Y conjuntamente contínuas. Neste
caso, X |Y também é contínua e a densidade condicional é calculada como
fX ,Y (x, y )
fX |Y (x|y ) = .
fY (y )
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
O valor esperado condicional (esperança condicional) E [X |Y ] é uma função
de Y , logo é uma variável aleatória.
Propriedades:
1. E [cX |Y ] = cE [X |Y ].
2. E [X1 + X2 |Y ] = E [X1 |Y ] + E [X2 |Y ]
3. E [E [X |Y ]] = E [X ]
4. Se X e Y são independentes E [X |Y ] = E [X ].
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Exemplo: Considere novamente o caso X e Y conjuntamente contínuas
com densidade
4e −2y , 0 ≤ x ≤ y ≤ ∞;
f (x, y ) =
0 , caso contrario .
0 , x > y ou x < 0;
(
fX ,Y (x, y )
fX |Y (x|y ) = = 4e −2y 1
fY (y ) 4ye −2y = y , 0≤x ≤y.
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Seja X e Y variáveis aleatórias com distribuição normal bivariada. As
distribuições condicionais também são normais:
σ
(y − µY ), σX2 (1 − ρ2 )
X
X |Y = y ∼ N µX + ρ
σY
σ
(x − µX ), σY2 (1 − ρ2 )
Y
Y |X = x ∼ N µY + ρ
σX
Voltar ao exemplo do investidor teremos:
X |Y = y ∼ N 0.4082 y − 3.2247, 0.75)
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Regra de Bayes
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
A regra de Bayes se aplica mesmo quando X ou Y são discretas, mas
mesmo nestes casos não temos densidades e sim funções de probabilidades.
Para X discreta e Y contínua temos
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Exemplo: Suponha que o número de contratos de risco feitos em um banco
no período de 1 mês sejam independentes e identicamente distribuidos com
distribuição Poisson(Y ) quando o indicador nanceiro Y é conhecido. O
indicador Y é calculado como
Z1 + Z2 + Z3
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Solução:
(a) Seja N o número de contratos de risco feitos no banco j. Note que
E [N] = E E [N|Y ] = E [E [Poisson(Y )]] = E [Y ] .
Temos
E [Y ] = E [Z1 ] + E [Z2 ] + E [Z3 ] = 2 + 2 + 1 = 5 .
Assim,
E [N] = 5 .
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Solução:
(b) Primeiro usamos o fato de que soma de Gamas independentes de
parâmetros (α1 , β) e (α2 , β) é uma gama de parâmetros (α1 + α2 , β).
Logo Y ∼ Gama( 52 , 21 ) Pela regra de Bayes
5 1
r
y n e −y 3 y
fY |N (y |n) ∝ pN|Y (n|y ) fY (y ) = 5 y e−
2 2
n! 2 Γ( 2 )
3 3y
∝ y n+ 2 e − 2 ∝ fGama(n+ 12 , 32 ) (y )
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Exemplo: Costuma-se adotar uma distribuição N (10, Y −1 ) como distri-
buição da quantidade X de uma determinada substância no organismo
humano quando o nível Y ∼ Gama(2, 2) de um determinado hormônio é
conhecido. Qual é a distribuição condicional de Y se X = 8?
Solução: Primeiro obtemos Y |X = 8.
fY |X (y |8) ∝ fX |Y (8|y )fY (y )
1 (8−10)2
e 2y − 1 (22 ye −2y )
−
=
2πy −1
p
y 2 e −4y .
3
∝
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Lei dos Grandes Números
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Aplicação: Em inferência estatística, dizemos que uma função de uma
amotra X1 ,...,Xn , é estatística da amostra. Algumas estatísticas são
usadas para estimar parâmetros de interesse da amostra, neste caso, a
estatística usada é chamada de estimador do parâmetro. Por exemplo,
n
1X
X̄ = Xj
n
j=1
nσ 2 σ2
n
1 X n
1 X
Var Xj = 2 Var (Xj ) = 2 = .
n n n n
j=1 j=1
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Já zemos algumas vezes pequenos testes no R de que a média amostral
de fato converge. Vamos repetir estes testes em alguns casos. Procure
prever o resultado antes de executar o comando no R. Por exemplo, execute
algumas vezes os comandos abaixo
sum(rexp(1000,0.5))/1000
sum(rexp(100000,0.5))/100000
sum((rexp(1000,0.5)-2)∧ 2)/1000
sum((rexp(100000,0.5)-2)∧ 2)/100000
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Agora, vamos gerar 200 valores para a média amostral e fazer o histograma.
Execute os comandos em ordem
par(mfrow=c(1,2))
mediaamostral = sum(rexp(1000,0.5))/1000
hist(mediaamostral,breaks=31,freq=FALSE)
curve(dnorm(x,mean=2,sd=2/sqrt(1000)),add=TRUE,col="blue")
mediaamostral = sum(rexp(500000,0.5))/500000
hist(mediaamostral,breaks=51,xlim=c(1.95,2.05))
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Teorema Central do Limite
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Teorema Central do Limite Seja (Xj )∞
j=1 uma sequência de variáveis
aleatórias iid com valor esperado µ e variância σ 2 bem-denidos, então
para todos a < b em R temos que
Pn
j=1 Xj − µ n
lim P a ≤ √ ≤b =P a≤Z ≤b ,
n→∞ σ n
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Exemplo: Um estudo aponta que o desperdício mesal de água em m2 por
residência de determinado bairro tenha média de 4.5 e variância 10. For-
neça um valor aproximado para a probabilidade de que em um condomínio
de um conjunto residencial com 200 apartamentos o desperdício chegue
a um valor acima de 800m3 em determinado mês. Neste caso, a ideia é
pensar nos apartamentos enumerados, denindo Xj como o consumo do
apartamento j . É razoável supor que X1 , ... , X200 são variáveis aleató-
rias iid com média µP= 4.5 e variância σ 2 = 10. Assim queremos uma
aproximação para P( 200j=1 Xj ≥ 800). Usamos o TCL
200
800 − 4.5 × 200
Xj ≥ 800) ≈ P Z ≥ √
X
P(
j=1
10 × 200
= P Z ≥ −2.236 = 0.987 .
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Aplicação: (Modelos de Reclamações de prejuízos agregadas) Supo-
nha que sejam feitos um número N (aleatório) de reclamações de prejuízos.
Seja Xj o valor do prejuízo reclamado pelo j-ésimo segurado, então o valor
total de prejuízos reclamados é
N
X
S= Xj .
j=1
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Exemplo: Suponha que o número de reclamações de prejuízos tenha uma
distribuição Poisson de parâmetro 100 e que cada reclamação individual
tenha como valor uma uniforme no intervalo (0,1000) reais.
1. Calcule o valor esperado do total de prejuízos reclamados.
2. Suponha que exatamente 100 reclamações foram feitas e forneça um
valor aproximado para a probabilidade do total de prejuízos
reclamados seja superior a R$70.000, 00.
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Aproximação da binomial pela Normal: A binomial de parâmetros n e
p pode ser considerada como a soma de n variáveis aleatórias iid Bern(p).
Sendo assim, pelo Teorema Central do Limite se X ∼ Bin(n, p), então
para n sucientemente grande
X − np
np(1 − p)
p
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Exercício:
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Processos Estocásticos
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Realizações de um processo estocástico são chamadas de Séries Tempo-
rais. O termo é comum em inferência estatística.
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Processo de Poisson
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Aplicação: Em modelos probabilísticos atuariais, geralmente o número
de reclamações de prejuízos por unidade de tempo é modelado por um
Processo de Poisson.
Sn = T1 + T2 + ... + Tn .
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Exemplo: Suponha que pessoas imigram para determinado território con-
forme um Processo de Poisson de taxa λ = 2 por dia.
1. Qual é o tempo esperado até a chegada do centésimo imigrante?
Resposta: Neste caso, o tempo é uma Gama(100, 2) e portanto sua média
100
é 2 = 50 dias.
2. Qual é a probabilidade de que o tempo decorrido entre a chegada do
centésimo imigrante e do próximo exceda 2 dias?
Resposta: Neste caso, o tempo é uma exponencial de parâmetro 2, diga-
mos T ∼ Exp(2). Queremos
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
3. Qual é a probabilidade de que cheguem mais de 600 imigrantes no
período de um ano? Você pode aproximar esta probabilidade usando uma
distribuição normal (assuma que o ano tem 365 dias).
Resposta: O tempo até a chegada de 800 imigrantes é uma Gama(800, 2),
vamos representar esse tempo por S . Queremos P(S ≤ 365). Podemos
usar o Teorema Central do Limite para estimar essa probabilidade. De
fato, se Tj é o tempo entre a chegada do (j-1)-ésimo e j-ésimo imigrante,
temos
800
X
S= Tj .
j=1
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Os resultados acima se extendem para soma de um número nito de Pro-
cessos de Poisson independentes, ou ainda, para um número nito qualquer
de tipos de ocorrências.
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Exercício
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Movimento Browniano
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Abaixo apresentamos algumas realizações obtidas por simulações do Mo-
vimento Browniano padrão:
0.5
0.4
0.0
posição
posição
0.0
−1.0 −0.5
−0.6
0.0 0.4 0.8 0.0 0.4 0.8
tempo tempo
0.6
0.5
0.2
posição
posição
0.0
−0.2
−0.5
−0.6
tempo tempo
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Aplicação: O Movimento Browniano é vastamente usado em modelagem
probabilística. Aqui destacamos que a Teoria Moderna de Finanças tem
sua base estruturada em modelos onde preços de ativos ou índices nan-
ceiros (como preços de ações e taxas de juros) evoluem segundo funções
do Movimento Browniano. Um exemplo é o Movimento Browniano Geo-
métrico, isto é
X (t) = e σ B(t) + µ t+x , t ≥ 0 , 0
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Seja X (t)t≥0 um Movimento Browniano Geométrico com tendência µ = 3
e variância σ = 9. Se X (0) = 10, encontre
1. E [X (2)];
2. Var (X (2));
3. P(X (0.5) > 10);
4. Cov (X (0.5), X (2).
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Tanto o Processo de Poisson quanto o Movimento Browniano são processos
com a seguinte propriedade:
P Xt+s = x Xu = xu , 0 ≤ u ≤ t = P Xt+s = x Xt = xt
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Cadeias de Markov:
Toda C.M. pode ser descrita a partir de uma regra de transição probabilís-
tica que permite obter a distribuição de X (n+1) conhecido o valor de X (n).
Ou seja, temos uma C.M. bem denida se conhecemos as probabilidades
de transição
pX (n+1)|X (n) (y |x) = P(X (n + 1) = y |X (n) = x) .
X (0) = x0 7→ X (1) = x1 ,
X (1) = x1 7→ X (2) = x2 ,
X (n − 1) = xn−1 7→ X (n) = xn ,
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Seguindo o procedimento acima e como as transições são independentes
(pela propriedade de Markov) obtemos a função de probabilidade do vetor
(X (1), ..., X (n))
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Exemplo: Uma central de distribuição de chamadas telefônicas consegue
manter até duas chamadas em espera. Suponha que a central é atualizada
após intervalos de tempo de mesmo tamanho. Durante estes intervalos
uma única chamada em espera pode ser atendida com probabilidade q > 0
ou uma única nova chamada pode chegar na central com probabilidade p >
0, esses eventos são independentes. Assim teremos uma C.M. (X (n))n≥0
com espaço de estados {0, 1, 2} tal que X (n) indica o número de chamadas
em espera no servidor após n intervalos de tempo.
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
A C.M. (X (n))n≥0 possui a seguinte função de probabilidades de transição.
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Como exemplo pegue p = 0.5 e q = 0.4. Então
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Agora podemos calcular probabilidades relacionadas a C.M. (X (n))n≥0 .
Por exemplo, qual é a probabilidade da central estar com duas chamadas
em espera no tempo n=3 dado que não haviam chamadas em espera em
n=0. Este evento pode ser descrito como
E = {X0 = 0, X1 = 1, X2 = 2, X3 = 2}∪{X0 = 0, X1 = 0, X2 = 1, X3 = 2} .
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Se existe uma escolha π(x) = P(X0 = x) tal que
X
P(X1 = y ) = π(x)p(x, y ) = π(y ) = P(X0 = y )
x
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Exemplo: Consideremos o exemplo anterior da central de chamadas com
p = 0.5 e q = 0.4. Neste caso,
0.5 0.5 0
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Uma questão central na teoria das C.M é a questão de convergência para
distribuição invariante. Aqui só iremos enunciar o resultado de convergên-
cia em um caso particular.
Dizemos que uma C.M. é irredutível se para todo par de estados x e y
é possível começar no estado x e visitar o estado y com probabilidade
positiva. Ou seja,
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Dizemos que uma C.M. é periódica de período d ≥ 2 se existem conjuntos
disjuntos A1 , A2 , ... ,Ad tais que, para todo n ≥ 0
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Exemplo: Voltamos novamente ao exemplo da central de chamadas. Pela
denição a cadeia é claramente irredutível pois é possível deixar um es-
tado e chegar em qualquer outro. Como p(0, 0) > 0 a cadeia também é
irredutível. Portanto a cadeia converge para sua distribuição invariante.
8 20 15
(π(0), π(1), π(2)) = , , .
43 43 43
Ou seja, para n sucientemente grande a chance da central estar total-
mente ocupada com duas chamadas em espera é de aproximadamente
34.9%.
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Problema da Ruína do Jogador
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Para responder a pergunta, vamos denir Xn como a "riqueza"(dinheiro)
do jogador A após n rodadas. Dena ainda N = K + L que é a riqueza
total disputada.
A sequência {Xn }n≥0 é uma cadeia de Markov com espaço de estados
{0, 1, 2, ..., N − 1, N} com X0 = K . Sua função de probabilidades de
transição é fácil de ser obtida. De fato, quando a cadeia chega no 0
ou no N ela não troca mais de valor. Além disso, se a cadeia esta em
x ∈ {1, 2, ..., N − 1} então ela troca de valor para x + 1 com probabilidade
p (jogador A ganha a rodada) e para x − 1 com probabilidade 1 −p (jogador
A perde). Assim
p(0, 0) = p(N, N) = 1
p(x, x + 1) = p , p(x, x − 1) = 1 − p , 1 ≤ x ≤ N − 1 .
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Com a notação acima a probabilidade de interesse pode ser escrita como
= P Xn = 0 para algum n ≥ 1X0 = K
P(N, K )
= 1 − P Xn = N para algum n ≥ 1X0 = K .
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Vamos interpretar as probabilidades calculadas acima.
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Agora suponha p > 1/2, ou seja, o jogador A é mais habilidoso que o
jogador B . Neste caso, 1−p
p < 1. Considere N divergindo a innito, ou
seja, suponha que o jogador B tem uma riqueza cada fez maior tendendo
a innito (B poderia ser uma banca de apostas). Neste cenário, teremos
como probabilidade limite
1 − p K
P(K ) = lim P(N, K ) = .
N→∞ p
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária
Como último caso suponha p < 1/2, ou seja, o jogador A é menos habili-
doso que o jogador B . Neste caso, 1−p
p > 1. Aqui temos
Professor Glauco Valle Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro
Pós-Graduação - Especialização em Atuária