6.Valor Esperado
-
Upload
daniel-zenteno -
Category
Documents
-
view
221 -
download
0
Transcript of 6.Valor Esperado
-
8/17/2019 6.Valor Esperado
1/21
1
6. Média, Variância, Momentos e Função Característica
A função densidade de probabilidade de uma v.a X,representa uma informação complete a respeito da v.a. X ee de todo subconjunto B mapeado sobre o eixo- x
Se é desejado representar-se alguma informação maisdetalhada ou caracterizar, por exemplo, o comportamentomédio de uma v.a. X , então é necessário introduzir nestecontexto dois importante parâmetros que são: média evariância, que são usados para caracterizar todas as propriedades de uma v.a. X e de sua função densidade de probabilidade,
( ) !
=" B
X dx x f B X P .)()(#
(6-1)
).( x f X
).( x f X
-
8/17/2019 6.Valor Esperado
2/21
2
A Média ou Valor Esperado de uma v.a. X é definidocomo:
Se X é uma v.a. do tipo discreta, então
Portanto, a média representa o valor de uma v.a. mais provável de ocorrer, quando um número muito grande de
um dado experimento é repetido. Por exemplo, se X é umav.a. uniformemente distribuída no intervalo (a,b), o valormédio é dado por:
! "+
"#===
.)()( dx x f x X E X X X $
.)(
)()()(
1
!!
! " " !
===
#=#===
iii
iii
iiii
iii X
x X P x p x
dx x x p xdx x x p x X E X ! ! "! ! #$
$ $ %
!
+=
"
"=
"=
"=
b
a
b
a
ba
ab
ab x
abdx
ab
x X E
2)(22
1)(
222
-
8/17/2019 6.Valor Esperado
3/21
3
Por outro lado, se X é exponencial com parâmetro , então
Se X é v.a. de Poisson com parâmetro , então
Para uma v.a. X com f.d.p. binomial:
! ! " ##"
===
0
/
0,)( $ $
$
$ dy yedxe x
X E y x
!
.!)!1(
!!)()(
01
100
! ! !
! !
! !
! ! ! !
! !
===
"=
====
"#
=
"#
=
"
#
=
"#
=
"#
=
$$
$$$
eei
ek
e
k k e
k kek X kP X E
i
i
k
k
k
k
k
k
k
!
.)(!)!1(
)!1()!1()!(
!
!)!(!
)()(
111
01
100
npq pnpq piin
nnpq p
k k nn
q pk k n
nk q p
k
nk k X kP X E
ninin
i
k nk n
k
k nk n
k
k nk n
k
n
k
=+=
!!!
=
!!=
!=""#
$%%&
'===
!!!!
=
!
=
!
=
!
==
((
(((
-
8/17/2019 6.Valor Esperado
4/21
4
Quando X é uma v.a. gaussiana,
.2
1
2
1
)(2
1
2
1)(
1
2/
2
0
2/
2
2/
2
2/)(
2
2222
2222
µ !"
µ !"
µ !" !"
" "
" " µ
=#+=
+==
$ $
$ $ %+
%&
&%+
%&
&
%+
%&
&%+
%&
&&
! ! ! "! ! ! #$! ! "! ! #$
dyedy ye
dye ydx xe X E
y y
y x
Se representa uma nova v.a. com f.d.p. então o valor médio de y é dado por:
)( X g Y = ).( y f Y
! "+
"#==
.)()( dy y f yY E Y Y µ
Mas, para calcular é necessário determinarRelembrando que, para qualquer y,
onde xi representa as múltiplas soluções de
),(Y E ).( y f Y
( ) ( ),! "+#
-
8/17/2019 6.Valor Esperado
5/21
5
Pode -se escrever queonde são intervalos que não se sobrepõe, então
Então fazendo tem-se:
Para o caso discreto a expressão reduz-se a:
Exemplo: Se X é uma v.a. de Poisson, determine o valormédio de
( )iii x x x !+ ,
,)()()()( ii
i X iii
i X Y x x f x g x x f y y y f y !=!=! ""
( ) ! ! "+
"#
"+
"#===
.)()()()()( dx x f x g dy y f y X g E Y E X Y
).()()( ii
i x X P x g Y E == !
.2 X Y =
,0!" y
,)()( ii
i X Y x x f y y f !=! "
)())(()( 2 X E X g E Y E ==
-
8/17/2019 6.Valor Esperado
6/21
6
( )
( ) . !)!1(
!!!
!)1()!1(
!!)(
2
0
1
1
10 0
0
1
1
1
2
0
2
0
22
! ! ! !
! ! ! !
! !
! ! !
! !
! !
! ! !
! ! ! !
! ! !
! !
! !
+=+=
""#$%%&
' +=""#$%%&
' +(
=
""#
$%%&
'+=""#
$%%&
'+=
+=(=
====
(
)
=
+
()
=
(
)
=
()
=
)
=
(
)
=
+
()
=
(
)
=
()
=
()
=
**
** ***
***
eee
em
eei
e
ei
ieii
ie
iiek k e
k k e
k ek k X P k X E
m
m
i
i
i
i
i i
ii
i
i
k
k
k
k
k
k
k
Em geral, é conhecido como ok-ésimo momento dav.a. X .
é o segundo momento da v.a. de Poisson.
k X E
! ! += 22 )( X E
-
8/17/2019 6.Valor Esperado
7/21
7
A média sozinha não caracteriza totalmente a f.d.p. de umv.a.. Para ilustrar este fato, considere duas variáveisaleatórias gaussianas, ~ e ~ isto é,ambas tem média no entanto suas f.d.p.’s sãodiferentes, como pode ser visto na figura abaixo. Uma émais concentrada torno da média, enquanto a outra é maidispersa. Claramente, há necessidade de um outro parâmetro para caracterizar as f.d.p.’s das variávelaleatórias X 1 e X 2 . O parâmetro que caracteriza essadispersão em torno da média chama-se variância.
(0,1) 1 N X (0,10), 2 N X
,0=µ
)(11
x f X
1 x
12
=! (a)
)( 22 x f X
2 x
102 =! (b)
-
8/17/2019 6.Valor Esperado
8/21
8
Para uma v.a. X com média representa odesvio da v.a. em relação à média. Uma vez que esse desv pode ser positivo ou negativo, considera-se entãocujo valor esperado representa o valor médioquadrático dos desvios em torno da média. Definindo
e considerando que tem-se:
é conhecido como a variância da v.a. X , e a sua raizquadrada é conhecido como desvio padrãde v.a. X . Assim o desvio padrão está relacionado com araiz quadrada do espalhamento de uma v.a. em torno damédia .
µ µ ! X ,
( ) ,2µ ! X ( ) ][ 2µ ! X E
( ) .0][ 22 >!= µ " X E X
2)()( µ != X X g
.0)()( 22
>!= " #+
#!dx x f x X X µ $
2
X ! 2)( µ ! "= X E X
.µ
!
-
8/17/2019 6.Valor Esperado
9/21
9
Expandindo a equação e usando a propriedade dalinearidade tem-se:
Que pode ser usado como outra alternativa para calcular
Assim, por exemplo, retornando à v.a. de Poisson, pode-scalcular a variância da v.a. X .
Assim, para a v.a. de Poisson, a média e a variância são
ambas iguais ao parâmetro
( )
( ) ( ) [ ] .)(
)(2)(
)(2)(
22 ___
2222
2
2
222
X X X E X E X E
dx x f xdx x f x
dx x f x x X Var
X X
X X
!=!=!=
+!=
+
!==
" " " #+
#!
#+
#!
#+
#!
µ
µ µ
µ µ $
.2 X
!
( ) .22 ___
22 2 ! ! ! ! " =#+=#= X X X
.!
-
8/17/2019 6.Valor Esperado
10/21
10
Determinação da variância de uma variável aleatória comdistribuição normal
Para simplificar, pode-se usar a identidade
Então,
Diferenciando ambos os lados da equação a tem-se:
ou
( ) .2
1])[()(
2/)(
2
22 22
!
"+
"#
###=#= dxe x X E X Var x $ µ %$
µ µ
),,( 2! µ N
! ! "+
"#
##"+
"#==
2/)(
2
1
2
1)(
22
dxedx x f x X $ µ
%$
! "+
"#
##=
2/)( .222
$ % $ µ dxe x
! "+
"### =#
2/)(3
2
2)(22
$ %
µ % µ dxe x
x
( ) ,2
1 2
2/)(
2
2 22!
"! µ
! µ =# $
%+
%#
## dxe x x
,!
2)( ! = X Var Portanto:
-
8/17/2019 6.Valor Esperado
11/21
11
Momentos: o momento de uma v.a. X é definido como:
e é conhecido como momento central dv.a. X (momento em relação a média). Assim e
Relação entre e
Em geral a quantidade é conhecida comomomento generalizado de X em relação a a eé conhecida como momento absoluto de X.
1m=µ .2
2µ ! =
nmnµ
( ) .)( )(
)(])[(
00
0
k n
k
n
k
k nk n
k
k nk
n
k
nn
mk
n X E
k
n
X k
n E X E
!
=
!
=
!
=
!""$
%%'
=!""$
%%'
=
""#$%%&
' !""#$%%&
'=!=
((
(
µ µ
µ µ µ
])[( na X E !
]|[| n X E
1 ),( ___
!== n X E X m nnn
])[( nn X E µ µ !=
-
8/17/2019 6.Valor Esperado
12/21
12
Caso particular: Variável aleatória gaussiana!
Função Característica A função característica de uma v.a. X é definida como:
Assim para todo
Para variáveis aleatórias discretas a função característica v.a. X é dada por:
!"#
$%=
par. ,)1(31
ímpar, ,0)(
nn
n X E
n
n
& !
!"
!#$
+=
%&=
+ ímpar. ),12(,/2!2
par, ,)1(31)|(| 12 nk nk
nn X E
k k
nn
' (
( !
),,0( 2! N X
( ) !
+ "
"#
==$ .)()( dx x f ee E X jx jX
X % %
%
,1)0( =! X 1)( !" # X .!
! ==
"k
jk X k X P e ).()(
#
#
-
8/17/2019 6.Valor Esperado
13/21
13
Função característica: Exemplos
Variável aleatória discreta com distribuição de Poisson.
.!
)(!
)( )1(0 0
!!"
=
"
=
!!====# $ $
% % & & &
%
& & % & & % j j ee
k k
k jk jk
X eeek ee
k ee
.)()()(00
n jn
k
k nk jn
k
k nk jk X q peq pek
nq pk ne +=!!"
#$$%&=!!"
#$$%&=' ((
=
)
=
) * * * *
Variável aleatória discreta com distribuição binomial
Variável aleatória uniforme X~U(a, b).
)-()(11
)a jb jb
a
x j X eeab jdxabe(
!" ! ! !
! "=
"=
# Se X é uniformemente distribuído no intervalo(-a, a).
!
!
!
! ! !
a
aee
a j
a ja j X
)sen()(
2
1)( ="=# "
-
8/17/2019 6.Valor Esperado
14/21
14
.2
1 )(
2
1
) que tal (fazendo
2
1
2
1
)(fazendo 2
1)(
)2/(
2/
2
2/
2/))((
2
22
)2(2/
2
2/
2
2/)(
2
222222
222
2222
22
! " µ ! " ! " µ !
" ! " ! " µ !
! " " µ ! " ! µ !
" µ !
#"
!
#"
! " ! "
#" #"
µ #"
!
$%+
%$
$$
%+
%$
$+$
%+
%$
$$%+
%$
$
%+
%$
$$
==&
=
+==$
==
=$=&
' '
' '
'
ju j X
ju ju j
j y y j y y j j
x x j X
edueee
duee
ju yu j y
dyeedyeee
y xdxee
Se X é uma variável aleatória Gaussiana com média zerovariância a função característica é dada por:
,2
1)(
22 2/
2
!
"!
x X e x f
#=.)( 2/
22! "
! #
=$ e X
Função característica de uma v.a. gaussiana ~ ),,( 2! µ N X
,!
2
-
8/17/2019 6.Valor Esperado
15/21
15
A função característica de uma variável aleatória é tambémchamada de função geradora de momentos. Para ilustrar e propriedade, considere a representação em série de .
Tomando-se a primeira derivada com relação a! , no ponto
Similarmente, para a segunda derivada
( )
.!
)(
!2
)(
)(1
!)(
!)(
)(
22
2
00
!! +++++=
=!"
#$%
&==' ((
)
=
)
=
k k
k
k
k k
k
k
k jX
X
k
X E
j
X E
j X jE
k X E
jk X j
E e E
* * *
* *
* *
.)(1
)(or)()(
00 == !
"!==
!
"!
# # #
#
#
# X X
j X E X jE
,)(1
)(0
2
2
2
2
=!
"!=
# #
# X
j X E
)( !" X
0=!
-
8/17/2019 6.Valor Esperado
16/21
16
Repetindo este procedimentok vezes obtém-se ok-ésimo momento de X, ou seja:
Cálculo da média e da variância de uma v.a. X comdistribuição de Poisson. !
.1 ,)(1
)(0
!
"
#"=
=
k j
X E k X
k
k k
$ $
$
,)( ! " " " !
! ! je X jeee
j#=
$%$
).( ! P X )1()( !="# $ #
je X e
! "
"
"
=
#
$#=
= 0)(1)( X
j X E
( ),)()( 2222
! " ! " " " " !
! ! ! je je X e je jeee j j
+=#
$# %
! ! ! ! "
"
"
+=+=
#
$#=
=
22222
02
2
22 )(
1)(1)( j j
j j X E X
! ! ! ! E(X) ) E(X " =!+=!= 22222Mas,
-
8/17/2019 6.Valor Esperado
17/21
17
Variável aleatória com distribuição binomial
Função característica:
1)()( !+="
#" n j j X q pe jnpe $ $ $
$
n j X q pe )()( +=!
" "
np j
X E X =!
"!=
= 0
)(1)(#
#
#
( )221222
)()1()()( !!
+!++=
"
#" n j jn j j X q pe penq peenp j $ $ $ $
$
$
( ) .)1(1)(1)( 220
2
2
22 npq pn pnnp
j X E X +=!+=
"
#"=
=$ $
$
.)()( 2222222
npq pnnpq pn X E X E X =!+=!="
-
8/17/2019 6.Valor Esperado
18/21
18
Em alguns casos, a média e a variância pode não existir. Pexemplo, considere uma v.a. de Cauchy: ,)/()( 22 x x f X += !
" !
! ! "+
"#
"+
"# "=
$$%
&
''(
)+#
=
+
=
22
2
22
22 ,1)( dx
xdx
x
x X E
*
*
+
*
* +
*
.)(
22 ! "+
"# += dx
x
x X E
$ %
$
Avaliando o lado direito da integra
.
0 22 ! "+
+
dx x
x
# ! " tan= xfazendo
,2
coslogcoslogcos
)(cos
cossin
secsectan
2/
0
2/
0
2/
0
2
0
2/
0 2222
!"=!=!=!=
==
+
#
# # # "+
$ %
%
%
% %
% % % &
% &
% &
&
$ $
$ $
d
d d dx x
x
Como as integrais não convergem a média e a variância sãindefinidas.Será visto em seguida um limitante que estima a dispersãov.a. centrado em torno da média.
-
8/17/2019 6.Valor Esperado
19/21
19
Desigualdade de Chebychev
Considere um intervalo de largura 2" simetricamentecentrado em torno da médiaµ com mostrado na figura.Qual é a probabilidade de X ser encontrado fora desteintervalo?
Ou seja
Tomando-se a definição de variância
( ) ? || ! µ "# X P µ
! 2
! µ " ! µ + X
X
[ ]( ).||)()(
)()()()()(
2
||
2
||
2
||
2
222
! µ ! ! !
µ µ µ "
! µ ! µ
! µ
#$###
$#$=$=
% %
% %
#$#$
#$
&+
&$
X P dx x f dx x f
dx x f xdx x f x X E
x X x X
x X X
Portanto: (desigualdade de Chebychev ( ) ,|| 22
!
" ! µ #$% X P
-
8/17/2019 6.Valor Esperado
20/21
20
Observe que, para calcular a probabilidade,não há necessidade de se conhecer f X (x). É necessárioconhecer somente a variância da v.a. X. Em particular,se então:
( ) ,|| 22
!
" ! µ #$% X P
,2!
( ) .1|| 2k k X P !"# $ µ
,k ! " =
Se k=3, a probabilidade da v.a. X ser encontrada fora dointervalo 3" em torno de sua média é de 0,111 paraqualquer v.a. Obviamente que este limite não deve serrigoroso quando se inclui todas as v.a.’s . Por exemplo pa
uma v.a. gaussiana com tem-se:
Que é muito mais estreito do que o limitante dado pela
desigualdade de Chebychev.
)1,0( == ! µ
( ) .0027.03|| =! " X P
-
8/17/2019 6.Valor Esperado
21/21
21
Assim comk = 3, estima-se que a probabilidade de X seencontrar for a do intervalo de 3" em torno de sua média éigual é 0.111 para uma dada v.a. Obviamente que isto não pode ser que inclui todas as v.a’s. por exemplo, no caso duma v.a. Gaussiana, tem-se (Table 4.1)
Que é mais do que aquele dado em (6-56). A desigualdadde Chebychev sempre subestima a probabilidade.
( ) .0027.03|| =! " X P (6-57))1,0( == ! µ