Escolar Documentos
Profissional Documentos
Cultura Documentos
CENTRO DE CIÊNCIAS
DEPARTAMENTO DE ESTATÍSTICA E MATEMÁTICA APLICADA
CURSO DE GRADUAÇÃO EM ESTATÍSTICA
FORTALEZA
2022
RAMON RAMIRES TABOSA VIANA
FORTALEZA
2022
Dados Internacionais de Catalogação na Publicação
Universidade Federal do Ceará
Biblioteca Universitária
Gerada automaticamente pelo módulo Catalog, mediante os dados fornecidos pelo(a) autor(a)
Aprovada em:
BANCA EXAMINADORA
Agradeço, primeiramente, a Deus pelo dom da vida e à morte por sua iminência
e aleatoriedade. Agradeço à minha mãe, Gedalva, que me ensinou a amar, resistir e
persistir. Ao meu pai, Júnior, que me ensinou a ser sensı́vel, forte, amável e ı́ntegro. Sem
vocês nada seria possı́vel e eu não estaria aqui. Obrigado por suas existências em cada
segundo, minuto e hora. Por suas presenças em cada noite de sono e cada amanhecer.
Sempre os amarei. Sempre estarei aqui.
Agradeço aos meus avós: Saturno, pelo dom da arte, poesia e criatividade;
Marlucia, pela bondade, pela força de lutar e pelo servir ao outro. Obrigado por me
suportar e me amar sem medidas. À minha vó Lô que, embora ainda muito brevemente,
deixou uma semente em meu coração chamada amor e cuidado. Uma mulher a frente
de seu tempo e até do meu tempo. Você não me viu formar mas sigo lhe honrando em
cada letra que escrevo e cada palavra que pronuncio. Agradeço meus primos, primas, tios
e tias. Agradeço pela Isabella, que trouxe um frescor de vida à uma alma que, embora
jovem, já estava começando a aparentar desgastes. Seu sorriso é mais belo do que qualquer
amanhecer. Felipe, meu irmão, você me inspira e me faz querer ser sempre melhor. Você
tem um caminho brilhante. Trilhe.
Agradeço a minha amada Mariana, que me impulsiona e me inspira. Obrigado
por cada palavra, abraço e carinho. Por toda a compreensão e amor. Você é única e tenho
muita sorte de tê-la ao meu lado. Sem você, este trabalho não seria possı́vel. Amo você
mais que demais.
Agradeço aos meus vários e incrı́veis amigos nessa longa e incrı́vel caminhada.
De “A” de Áurea até “Y” de Yohana. Não não irei citá-los porque são muitos e não caberiam
nessas páginas. Mas, dentre todos, Lindembergson (Berg, para os ı́ntimos), obrigado por
toda força, paciência, suporte, amor e compreensão. Obrigado por nunca me deixar desistir
e sempre me ajudar a entender essa loucura e beleza que é a Estatı́stica. Pelas madrugadas
fazendo trabalhos ou pelas tardes de sorrisos e brincadeiras na Gauss. Amo você e sempre
estarei aqui. Sena, obrigado por sua amizade ao longo de mais de uma década. O tempo
corre, mas nós não temos pressa. Cada encontro e risada é como se fosse a primeira. Você
é especial e sempre que precisar, estarei aqui. Amo você. Matheus Teixeira, obrigado por
sua amizade, a mais longa que possuo. Crescemos juntos e ainda iremos crescer muito
mais. Sempre que necessitar estou à um abraço de distância. Obrigado meu amigo, amo
você.
Agradeço a todos os professores e funcionários do DEMA. Todos. Desde o
cafezinho até as sessões de aconselhamento com professores. Meu muito obrigado. Nunca
parem. Nunca. Em especial, destaco o professor Gualberto por sua dedicação sobre-
humana e amor para com seus alunos e profissão. Agradeço ao professor Juvêncio por cada
puxão de orelha, aprendizado e oportunidade. Seu zelo para com a profissão é notável e
sua tentativa de nos impulsionar sempre é admirável. Agradeço ao professor João Maurı́cio,
que tanto me suportou, compreendeu, ajudou e melhorou. Obrigado por sua humanidade,
por seu cuidado e amor. Sem você eu não estaria aqui e esse trabalho não seria possı́vel.
Você me tratou como um filho e isso é indescritı́vel. Obrigado pessoal, vocês mudaram
uma vida.
Por fim, agradeço a existência do acaso no universo. Essa força intangı́vel e
incompreensı́vel que nos abraça e nos assombra. Que nos governa e nos experiencia. Sem
acaso, eu não teria errado e acertado tanto. Sem acaso eu não teria uma belı́ssima e
apaixonante profissão.
“Le rire, c’est le soleil; il chasse l’hiver du
visage humain.”
(Victor Hugo)
RESUMO
Throughout history, much has been studied about the algebra of random variables. From
addition to division, there are countless texts that analyze, elucidate and describe discoveries
that are very important for the advancement of science. Among these subjects, the product
of random variables was always lower in the number of publications item. Until the
mid-twentieth century, still unpublished findings of formulas about this type of problem,
although some authors have already made discoveries that lead all researchers who sent
after.
With this, the objective of the work is analyzed and understood as characteristics that
vary according to the variables, from a historical review on the product to a review of the
results obtained on the random product, being its probability and variance. Therefore, it
is intended to contribute a little more to the scientific field and start to break new ground
in an area that is very interesting and promising.
1 INTRODUÇÃO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.1 Contexto Histórico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2 A DENSIDADE DE PROBABILIDADE DO PRODUTO DE U = XY 17
2.1 Exemplos de aplicação . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.1.1 Exemplo 01: O produto de duas variáveis uniformemente
distribuı́das . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.1.2 Exemplo 02: O produto de duas variáveis exponencialmente
distribuı́das . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.1.3 Exemplo 03: O produto de duas variáveis aleatórias dependentes 20
2.1.4 Exemplo 04: O problema da chapa retangular de metal . . . . 21
3 O PRODUTO DE VARIÁVEIS ALEATÓRIAS INDEPENDENTES . 24
3.1 O produto de 3 variáveis uniformemente distribuı́das . . . . . . . . . . 25
3.2 O produto de n variáveis uniformemente distribuı́das . . . . . . . . . . 26
3.2.1 A função de densidade de probabilidade de Un . . . . . . . . . . 26
3.2.2 A esperança de Un . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.2.3 A variância de Un . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
3.3 O produto de n variáveis lognormais . . . . . . . . . . . . . . . . . . . 29
4 O PRODUTO ALEATÓRIO DE VARIÁVEIS ALEATÓRIAS . . . . 31
4.1 A Função Geradora de Probabilidade . . . . . . . . . . . . . . . . . . . 31
4.2 Propriedades da função geradora de probabilidade . . . . . . . . . . . 31
4.3 O Produto Aleatório de Variáveis Aleatórias . . . . . . . . . . . . . . . 34
4.3.1 A esperança do produto aleatório . . . . . . . . . . . . . . . . . . 34
4.3.2 A variância do produto aleatório . . . . . . . . . . . . . . . . . . . 35
4.4 O experimento do dado e da moeda . . . . . . . . . . . . . . . . . . . . 36
4.5 O produto aleatório de variáveis uniformes contı́nuas . . . . . . . . . . 41
4.5.1 Esperança e variância de UN . . . . . . . . . . . . . . . . . . . . . 41
4.5.2 A função de densidade de probabilidade de UN . . . . . . . . . . 41
4.6 O produto aleatório de variáveis lognormais . . . . . . . . . . . . . . . 43
5 CONCLUSÃO E TRABALHOS FUTUROS . . . . . . . . . . . . . . 46
REFERÊNCIAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
APÊNDICES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
APÊNDICE A – Demonstrações . . . . . . . . . . . . . . . . . . . . 48
A.1 Integral da gama generalizada . . . . . . . . . . . . . . . . . . . . . . . 48
A.2 A transformação da distribuição uniforme para a distribuição qui-
quadrado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
A.3 Esperança condicional . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
A.4 Variância condicional . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
A.5 Caracterı́sticas da distribuição uniforme discreta . . . . . . . . . . . . 50
A.5.1 Esperança da distribuição uniforme discreta . . . . . . . . . . . 51
A.5.2 Variância da distribuição uniforme discreta . . . . . . . . . . . 51
A.5.3 f.g.p da distribuição uniforme discreta . . . . . . . . . . . . . . . 51
APÊNDICE B – Tabela de distribuições discretas . . . . . . . . . . . 52
15
1 INTRODUÇÃO
Com isso, o mesmo, no decorrer do texto, ressalta a baixa quantidade de literatura de ma-
temática estatı́stica referente a essa questão e considera até este momento, especificamente,
duas variáveis normalmente distribuı́das em seu estudo. Por outra perspectiva, Huntington
(1939), define um teorema que trata do produto de variáveis aleatórias independentes. O
autor escreve:
2
Teorema 1.1. Suponha que a variável X é distribuı́da de acordo com a lei de probabilidade
R∞ R∞
0 f (x)dx = 1; e a variável y de acordo com a lei de probabilidade 0 g(y)dy = 1, x e y
são independentemente distribuı́das. Então, o produto u = xy será distribuı́do de acordo
R∞ R∞
com a lei 0 P (u)du = 1, em que P (u) = 0 f (u/y)g(y)(1/y)dy.
Anos depois, este método seria fundamental para a técnica que leva à Transfor-
mada de Mellin em consideração. Por falar em Transformada de Mellin, Epstein (1948),
1
Emerson Luı́s Lemos Marinho foi discente de graduação em Estatı́stica pela Universidade Federal
do Ceará(1975), possui mestrado em Estatı́stica pela Universidade Estadual de Campinas(1980) e
doutorado em Economia pela Fundação Getúlio Vargas(1990). Atualmente é professor titular da
Universidade Federal do Ceará no CAEN.
2
Este texto foi adaptado com algumas modificações nas notações utilizadas.
16
por sua vez, introduziu este conceito como uma ferramenta viável no estudo do produto
e quociente de variáveis aleatórias. Ele conseguiu obter, com facilidade, a Função de
Densidade de Probabilidade (f.d.p.) do produto de duas normais padronizadas, por
exemplo. No entanto, seu trabalho ficou limitado apenas à duas variáveis aleatórias. Não
obstante, em 1959, Schulz-Arenstorf e Morelock (1959) determinaram a f.d.p. do produto
de n variáveis aleatórias uniformes.
Durante um bom tempo, essa área de estudo se mostrou sem grandes avanços
e com uma lacuna muito considerável referente à uma forma generalizada de obtenção das
f.d.p. do produto de mais de duas variáveis aleatórias. No entanto, Springer e Thompson
(1966) apresentaram uma forma geral de obter uma f.d.p. de n variáveis aleatórias sem que
as mesmas fossem, necessariamente, não-negativas e identicamente distribuı́das utilizando
a generalização da ideia da Transformada de Mellin proposta por Epstein (1948).
No âmbito computacional, Glen et al. (2004), utilizando o software MAPLE,
conseguiram desenvolver um algoritmo que computa a f.d.p. do produto de duas variáveis
aleatórias. Em seu artigo, os autores consideraram os casos em que as variáveis são
independentes e podem ter as f.d.p definidas por partes.
Em suma, todos os autores citados foram e permanecem essenciais para o estudo
do produto de variáveis aleatórias e, com toda certeza, influenciaram muitos pesquisadores
e estudiosos no decorrer das décadas. Ainda, pode-se notar uma caracterı́stica em comum
durante todos esses anos de estudo: os números de termos dos produtos não são aleatórios.
Dito isto, o objetivo geral do presente trabalho é investigar o cenário em que o número
de termos que regem os produtos de variáveis aleatórias são, necessariamente, aleatórios.
O objetivo especı́fico é desenvolver um meio de obter a esperança, variância e f.d.p do
produto aleatório de variáveis aleatórias independentes.
Portanto, no Capı́tulo 1, foi descrito um pouco do contexto histórico, analisando
como o pensamento foi amadurecendo ao longo dos anos e se tornando mais complexo e
amplo. Nos Capı́tulos 2 e 3 são descritas as técnicas utilizadas no produto de 2 variáveis
aleatórias, até casos mais complexos, considerando n variáveis aleatórias. O Capı́tulo
4 é dedicado à análise da esperança, variância e f.d.p do produto aleatório de variáveis
aleatórias. E finalmente, no Capı́tulo 5, são feitas as considerações finais e descritos
possı́veis projetos futuros referentes ao tema estudado.
17
∂x ∂x
=0 =1
∂u ∂a 1
J= =− , (2.3)
a
∂y 1 ∂y −u
= = 2
∂u a ∂a a
em que a não seja nulo. Com isso
1
|J| = . (2.4)
|a|
Assim, a densidade de U = h1 (X, Y ) = XY e A = h2 (X, Y ) = X, com suporte
em B, é dada por:
e, ainda,
0<x<1 e 0<y<1
então
0 < xy < 1,
= − ln(u)I(u)
(0,1)
19
e, ainda,
0<x<∞ e 0<y<∞
Portanto,
Z ∞
1 u
fU (u) = fX (x)fY dx
−∞ |x| x
Z ∞
1 −(x+ u ) u
= e x I(x) I
−∞ |x| (0,∞) x
(0,∞)
Z ∞
1 −(x+ u )
= e x dx I(u)
0 x (0,∞)
Logo, a f.d.p de U , por este método, não apresenta forma fechada. No entanto, ainda
assim, podemos obter sua esperança, que por definição é tal que:
Z ∞
E(U ) = u fU (u)du
0
U
Como Y = , então
X
Z ∞ Z ∞ Z ∞
u −u
E(U ) = e−x e x du dx = x e−x dx.
0 0 x 0
R∞
Podemos notar que 0 x e−x dx caracteriza a integral da gama generalizada (I.G.G)1 com
a = 2, b = 1, e c = 1, logo, com isso, temos que
E(U ) = Γ(2) = 1.
Agora, neste exemplo, vamos considerar o caso em que as variáveis são depen-
dentes. Logo, a fórmula utilizada é diferente da usada nos exemplos anteriores. Sejam X e
Y variáveis aleatórias dependentes, tais que
e, ainda,
U = XY.
então
u
Analisando os suportes de f x, , podemos observar que
x
u
0<x<1 e x< < 1,
x
1
Ver Seção A.1 no Apêndice A.
21
então,
u √
x< → x2 < u → x < u
x
e, ainda,
u
< 1 → u < x,
x
portanto,
√
u<x< u.
x − 1, 1<x≤2
1,
2<y<4
2
fX (x) = 3 − x, 2<x<3 e fY (y) =
0, se outro caso.
0, se outro caso,
então,
x−1
, 1 < x ≤ 2, 2 < y < 4
2
fXY (x, y) = 3 − x , 2 < x < 3, 2 < y < 4
2
0, se outro caso,
Temos que:
Z u/4 Z 4
x−1 Z 2 Z u/x
x−1 Z 3 Z u/x
3−x
FU (u) = dydx + dydx + dydx
1 2 2 u/4 2 2 2 2 2
! " #
u2 u 1 3u2 3u u u u
= − + + − + − ln(2) + ln
32 4 2 32 4 2 2 4
3u 3 1 u
+ ln − −
2 2 2 2
u u 3u 3 u u2
= ln + ln − ln(2) −
2 4 2 2 2 16
Intervalo considerado: [8, 12)
Temos que:
Z 2Z 4
x−1 Z u/4 Z 4
x−3 Z 3 Z u/x
3−x
FU (u) = dydx + dydx + dydx
1 2 2 2 2 2 u/4 2 2
! " #
1 3u2 u2 3u 3u u 3u 9 3u2
= + − −4 + ln(3) + ln − − +
2 4 32 2 2 4 4 2 32
2
u 3u 3u u
= − 8 + ln(3) − ln
16 2 2 4
Intervalo considerado: [12, ∞)
Como se trata da f.d.a de U, então, FU (u) = 1.
Finalmente, derivando cada parte de FU (u) e, considerando seus respectivos
intervalos, temos que:
1 u u
− ln −1 , 2≤u<4
2 2 2
!
u2
3u
2− + ln √ , 4≤u<6
8 16 2
√ !
fU (u) = 3 3u 1 u
ln + − , 6≤u<8
8 2 8
u 1 u
+ 3ln(3) − −3 ln +1 , 8 ≤ u < 12
8 2 4
0, se outro caso.
no entanto,
i=1
n
E(Un2 ) = (σ 2 + µ2 ) = (σ 2 + µ2 )n .
Y
i=1
■
25
Logo,
U1 = X1 ,
U2 = X1 X2 ,
U3 = X1 X2 X3 ,
u1 = x1 → x1 = u1 = w1 (u1 , u2 , u3 )
u2
u2 = u1 x2 → x2 = = w2 (u1 , u2 , u3 )
u1
u3
u3 = u2 x3 → x3 = = w2 (u1 , u2 , u3 )
u2
26
1 0 0
1 1
J = − u2 0 = u1 u2 ,
u21 u1
u3 1
0 −
u22 u2
portanto,
1
g(u1 , u2 , u3 ) = I(u1 , u2 , u3 ) .
u1 u2 (0<u3 <u2 <u1 <1)
E, ainda,
Z u2
1 1
g(u1 , u2 ) = du3 = I(u1 , u2 ) .
0 u1 u2 u1 (0<u2 <u1 <1)
Finalmente,
Z u1
1 u1
gU1 (u1 ) = du2 = = I(u1 ).
0 u1 u1 (0,1)
−2 ln(Xi ) ∼ χ2 (2)1 .
1
Ver Seção A.2 no Apêndice A.
27
Portanto,
n
X n
X
−2 ln(Un ) = −2 ln(Xi ) = −2 ln(Xi ).
i=1 i=1
FZ (z) = P(Z ≤ z)
= P[−2 ln(Xi ) ≤ z]
z
= P X ≥ e− 2
z z
= SX e− 2 = 1 − FX e− 2 , (3.7)
z z
em que SX (e− 2 ) é a função de sobrevivência de X no ponto e− 2 .
Derivando a Equação 3.7, temos que
∂FZ (z) 1 z
fZ (z) = = e− 2 I(z) . (3.8)
∂z 2 (0,∞)
Z ∼ χ2 (2),
então,
n
Zi ∼ χ2 (2n).
X
i=1
Pn
Com isso, considerando V = i=1 Zi , então
−2 ln(Un ) = V
V
Un = e− 2 (3.9)
Portanto,
= P[V ≥ −2 ln(u)]
0 < v < +∞
v
0 < < +∞
2
v
0 < e− 2 < 1
3.2.2 A esperança de Un
Por definição,
Z 1
−u[ln(u)]n−1 1 Z1
E(Un ) = du = −u[ln(u)]n−1 du.
0 Γ(n) Γ(n) 0
E considerando k = − ln(u), então e−k = u. Logo, dk = −u−1 du e du = −udk = −e−k dk.
Ainda, analisando o limites de integração, temos que
u → 0, então k = lim [− ln(u)] = +∞
Se
u→0
Se u → 1, então k = [− ln(1)] = 0,
29
logo, portanto,
Podemos notar que a Equação 3.14 caracteriza a integral da gama generalizada (I.G.G)
com a = n, b = 2, e c = 1, logo, com isso
1 Γ(n) 1
E(Un ) = n
= n
= 2−n . (3.15)
Γ(n) 2 2
3.2.3 A variância de Un
Logo,
1 1
V(Un ) = E(Un2 ) − E2 (Un ) = n
− 2n .
3 2
(b − a)2 1
V(X) = =
12 12
então,
n
1 1 1 1 1
2 n 2n
V(Un ) = E(X ) − E(X) = + 2 − 2n
= n − 2n . (3.16)
12 2 2 3 2
lognormal, a resultante do produto destas variáveis será uma variável aleatória que segue a
distribuição lognormal. Com o objetivo de investigar essa caracterı́stica, vamos considerar
que
Xi ∼ LN (µi , σi2 ), i = 1, 2, . . . , n.
n
Como Xi ∼ LN (µi , σi2 ), então, denotando Yi ∼ N (µi , σi2 ) e Sn =
P
Yi , temos
i=1
que
Xi = eYi ,
e, portanto,
n n n
!
Yi
Y Y X
Un = Xi = e = exp Yi = exp (Sn ) .
i=1 i=1 i=1
No entanto,
n n
!
2
σi2
X X
Sn ∼ N µ = µi , σ = .
i=1 i=1
E, com isso,
n n n
!
2
σi2
Y X X
Un = Xi ∼ LN µ = µi , σ = . (3.17)
i=1 i=1 i=1
Un ∼ LN (nµ, nσ 2 ). (3.18)
De acordo com Wilf (1994), uma função geradora é um varal no qual penduramos
uma sequência de números para exibição. Por exemplo, se a0 , a1 , a2 , . . . é uma sequência
de números reais e
ti ai
X
A(t) =
i≥0
1 ∂ j GN (t)
" #
Pj = , j = 0, 1, 2, . . .
j! ∂tj t=0
∂GN (1)
Propriedade 5.1. E(N ) =
∂t
Demonstração.
GN (t) = E(tN )
∂GN (t)
= E(N tN −1 )
∂t
∂GN (1)
= E(N 1N −1 ) = E(N ) (4.2)
∂t
■
∂ 2 GN (1) ∂GN (1)
Propriedade 5.2. E(N 2 ) = +
∂ 2t ∂t
Demonstração.
∂GN (t)
= E(N tN −1 )
∂t
∂ 2 GN (t)
= E(N (N − 1) tN −2 )
∂ 2t
∂ 2 GN (1)
= E(N (N − 1) 1N −2 ) = E(N (N − 1)) = E(N 2 ) − E(N ).
∂ 2t
Mas,
∂GN (1)
E(N ) = ,
∂t
portanto,
■
" #2
∂ 2 GN (1) ∂GN (1) ∂GN (1)
Propriedade 5.3. V ar(N ) = 2
+ -
∂ t ∂t ∂t
Demonstração.
■
33
Demonstração.
GN (t) = E(tN )
∂GN (t)
= E(N tN −1 )
∂t
∂ 2 GN (t)
= E(N (N − 1) tN −2 )
∂ 2t
∂ 3 GN (t)
3
= E(N (N − 1)(N − 2) tN −3 )
∂ t
..
.
∂ r GN (t)
= E(N (N − 1)(N − 2) . . . (N − r − 1) tN −r )
∂rt
Portanto,
∂ r GN (1)
= E(N (N − 1)(N − 2) . . . (N − r − 1)),
∂rt
a variável aleatória que denota o produto aleatório destas variáveis, e ainda, sendo N uma
variável aleatória não-negativa independente de X1 , X2 , . . . , XN , então temos que, quando
n é fixo,
E(UN |N = n) = E(X)n .
ou seja,
E(UN ) = E[E(X)n ].
Logo, sem perda de generalização, considerando que a estrutura que rege o produtório é
aleatória, podemos entender que
E[E(UN |N )] = E[E(X)N ].
1
Ver Seção A.3 no Apêndice A.
35
E[E(UN |N )] = GN [E(X)].
Logo, aplicando os resultados das Equações 4.5 e 4.6 na Equação 4.7, temos que
portanto, finalmente,
h i
V(UN ) = GN E(X 2 ) − G2N [E(X)] (4.8)
2
Ver Seção A.4 no Apêndice A.
36
N ∼ U (2),
X ∼ U (6).
1
P(N = n) = I(n) e (4.9)
2 {1,2}
1
P(X = x) = I(x) , (4.10)
6 {1,2,3,4,5,6}
respectivamente.
Na Tabela 1, podemos observar a probabilidade de cada possı́vel resultado
de UN . Podemos notar uma maior frequência para os menores números, assim como
consequência uma maior probabilidade para os mesmos de acordo com a Figura 1. Isso se
dá devido à natureza do experimento que parte de dois cenários: o resultado cara ou coroa
da moeda. Logo, se o resultado for cara, teremos 6 possibilidades para UN . No entanto,
se o resultado for coroa, teremos 36 resultados para UN , incluindo os obtidos quando o
37
UN Probabilidade UN Probabilidade
1 0,0972 12 0,0556
2 0,1111 15 0,0278
3 0,1111 16 0,0139
4 0,1250 18 0,0278
5 0,1111 20 0,0278
6 0,1389 24 0,0278
8 0,0278 25 0,0139
9 0,0139 30 0,0278
10 0,0278 36 0,0139
Tabela 1 – Tabela de Probabilidades de UN
resultado foi cara. A questão é: será que, mesmo sem conhecer a lei de UN , podemos obter
sua média e variância? Observando os resultados deste capı́tulo, de acordo com a Equação
4.5, temos que
E(UN ) = GN [E(X)].
Mas, como X ∼ U (6), então sua esperança 1 , por definição é tal que
6+1
E(X) = = 3, 5, (4.11)
2
sua variância2 é
62 − 1
V(X) = = 2, 9167. (4.12)
12
E, ainda,
E(X 2 ) = V(X) + E(X)2 = 2, 9167 + 3, 52 = 15, 1667 (4.13)
1 1 1
E(X) = = 0, 5, V(X) = e E(X 2 ) = (4.17)
2 12 3
0, 5(0, 5 + 1) 3
E(UN ) = GN [E(X)] = GN (0, 5) = = = 0, 375. (4.18)
2 8
2 9 47
V(UN ) = E(UN2 ) − E(UN )2 = − = (4.20)
9 64 576
Para obter sua f.d.p., iremos considerar HUN (u) = H(u) sua função de distri-
buição acumulada. Ainda, o suporte de UN é o intervalo (0,1). Para 0 < u < 1 temos
que:
K ∼ Gama(2, 1).
SK (k) = (k + 1)e−k .
Logo,
Para demonstrarmos que a Equação 4.24 se trata de uma legı́tima f.d.p, temos
que, primeiro analisando seu suporte:
Demonstração.
0<u<1
Isso implica que o numerador de hUN (u) é sempre positivo no suporte. Agora, temos que
Z 1
1 − ln(u) 1 1
Z 1 Z 1 Z 1
I= du = du + −ln(u)du = 1+ −ln(u)du
0 2 2 0 0 2 0
temos que
Z 1 Z 0 Z ∞
−ln(u)du = ve−v (−1)du = ve−v du = Γ(2) = 1.
0 −∞ 0
Portanto,
1 Z 1
1
I= 1+ −ln(u)du = [1 + 1] = 1.
2 0 2
O que caracteriza hUN (u) como uma legı́tima f.d.p. ■
Ainda,
N
Y
UN = Xi
i=1
pt 1
GN (t) = , |t| < . (4.25)
1 − qt q
1
E(X) = exp µ + σ 2 , (4.26)
2
e, com isso,
E(X 2 ) = exp 2µ + 2σ 2 . (4.27)
Como já vimos, de acordo na Equação 4.5, a esperança de UN pode ser obtida
de tal forma que
1
E(UN ) = GN [E(X)] = GN exp µ + σ 2 .
2
1 1 1
|t| = exp µ + σ 2 < → µ + σ 2 < −log(q).
2 q 2
Logo,
1
p exp µ + σ 2
E(UN ) = 2
1 2 , (4.28)
1 − q exp µ + σ
2
De maneira análoga,
Portanto,
p exp (2µ + 2σ 2 )
E(UN2 ) = (4.29)
1 − q exp (2µ + 2σ 2 )
Un ∼ LN (nµ2 , nσ 2 ),
REFERÊNCIAS
GLEN, A. G.; LEEMIS, L. M.; DREW, J. H. Computing the distribution of the product
of two continuous random variables. Computational Statistics & Data Analysis, n. 44, p.
451–464, 2004.
SPRINGER, M. D. The Algebra of Random Variables. [S.l.]: John Wiley & Sons, 1979.
APÊNDICE A – DEMONSTRAÇÕES
têm-se que
1 1
uc c−1 1 u c −1
x= 1 , du = cu c b dx
c e dx = 1 du.
bc cb c
Aplicando a técnica de integração por substituição:
1
a−1 1
Z ∞ −1
uc −u u
c
I.G.G(a, b, c) = 1 e 1 du
0 bc cb c
a−1 1
Z ∞
u c u c −1
= a−1 1 e−u du
b
0 c cb c
1 Z ∞ a −1 −u
= a u c e du.
cb c 0
Então, por (A.1), temos que
1 a
I.G.G(a, b, c) = a Γ
cb c c
e, finalmente,
a
Γ c
I.G.G(a, b, c) = a
cb c
em que a > 0, b > 0 e c > 0.
GY (y) = P(Y ≤ y)
= P(−2 ln(X) ≤ y)
y
= P X ≥ e− 2
y y
= 1 − P X ≤ e− 2 = 1 − FX e− 2 .
∂GY (y) 1
1 1
= − − e− 2 fX (e− 2 )
∂y 2
1 −1
gY (y) = e 2 I(y)
2 A
Para encontrarmos o suporte A de gY (y), temos que analisar o suporte de X, de tal modo
que
0<x<1
0 < y < ∞.
1 1
gY (y) = e− 2 I(y) . (A.4)
2 (0,∞)
que
Z +∞
E[E(Y |X)] = E(Y |X)fX (x) dx
−∞
Z +∞ Z +∞
= y f (y|x) fX (x) dy dx
−∞ −∞
Z +∞ Z +∞
= y f (x, y) dy dx
−∞ −∞
Z +∞ Z +∞
= y f (x, y) dx dy
−∞ −∞
Z +∞
= y fY (y) dy
−∞
= E(Y ).
Ou seja, se
então,
mas,
N N
1 1 X 1 N (N + 1)(2N + 1)
E(X 2 ) = x2 x2 =
X
=
i=1 N N i=1 N 6
(N + 1)(2N + 1)
E(X 2 ) = .
6
Então,
2
(N + 1)(2N + 1) N +1 2(N + 1)(2N + 1) 3(N + 1)2
V(X) = − = − .
6 2 12 12
(N + 1)(4N + 2 − 3N − 3) (N + 1)(N − 1)
V(X) = =
12 12
2
N −1
V(X) = (A.6)
12
1 t(1 − tN )
Uniforme Discreta f (x) = N
I(x) GX = , t ̸= 1
{1,2,...,N } N (1 − t)