Lecture01a Slides

Mtodos Quantitativos em Contabilidade
Programa de Ps-graduao em Cincias Contbeis
Prof. Dr. Henrique Castro

hcastro@usp.br
Universidade de So Paulo
2014
1 of 48
Lecture 1
Fundamentos de Probabilidade
2 of 48
Sumrio
Lecture 1: Fundamentos de Probabilidade
Variveis Aleatrias e suas Distribuies de Probabilidade
Variveis Aleatrias Discretas
Variveis Aleatrias Contnuas
Caractersticas das Distribuies de Probabilidade
Valor Esperado
Mediana
Medidas de Variabilidade
Caractersticas das distribuies conjuntas e condicionais
Medidas de Associao
Varincia da Soma de Variveis Aleatrias
Esperana e Varincia Condicionais
A Distribuio Normal e Outras Distribuies
Distribuio Normal
Distribuio Lognormal
Distribuio Qui-quadrado
Distribuio t de Student
Distribuio F
3 of 48
Introduo: experimento
Lecture 1: Variveis Aleatrias e suas Distribuies de Probabilidade
Suponha que joguemos 10 vezes uma moeda para o alto e
contemos o nmero de vezes em que d cara.

Isso pode ser chamado de experimento.
Experimento
De forma geral, um experimento qualquer procedimento que possa,
pelo menos em teoria, ser repetido indefinidas vezes e tem um
conjunto de resultados bem definido.
4 of 48
Introduo: variveis aleatrias

Uma varivel aleatria aquela que assume valores numricos e
tem um resultado que determinado por um experimento.

No exemplo da moeda, o nmero de caras que aparecer em dez
lances uma varivel aleatria.

Antes de atirarmos a moeda 10 vezes, no sabemos quantas vezes
vai dar cara.

Ao lanarmos a moeda dez vezes e contarmos o nmero de caras,
obtemos o resultado da varivel aleatria para essa particular

realizao do experimento.
Outra realizao poder produzir um resultado diferente.
5 of 48
Introduo: notao
Seguindo as convenes bsicas de probabilidade e estatstica,
representaremos as variveis aleatrias com letras maisculas.

Os resultados particulares das variveis aleatrias so representados
pelas letras minsculas correspondentes.

Exemplo: Experimento da moeda
Seja X o nmero de vezes que apareceu cara em dez lanamentos.
Sabemos que X pode assumir qualquer valor do conjunto
{0, 1, 2, . . . , 10}.
Um resultado particular seria, digamos, x = 6.
6 of 48
Variveis aleatrias discretas: definio

Uma varivel aleatria discreta a que somente assume um nmero

finito ou infinito enumervel de valores.
A definio de infinito enumervel e sua diferena para infinito no
enumervel sutil.
Infinito enumervel significa que, embora um nmero infinito de valores
possa ser assumido por uma v.a., esses valores pode ser postos em uma
correspondncia um-a-um com os nmeros inteiros positivos.
Exemplo:
Uma v.a. binria (que s assume valores zero e um) o exemplo mais
simples de v.a. discreta. Um exemplo de v.a. binria o lanamento de uma
moeda.
7 of 48
Variveis aleatrias discretas: descrio

De forma geral, qualquer v.a. discreta completamente descrita
listando seus possveis valores e a probabilidade associada que ela

assume para cada valor.
Se X assumir k possveis valores {x1 , . . . , xk }, as probabilidades
p1 , . . . , pk sero definidas por:

P(X = xj ) = pj ,
j = 1, 2, . . . , k.
(L1.1)
Cada pj representa um valor entre zero e um e:
p1 + p2 + + pk = 1.
8 of 48
(L1.2)
Funo densidade de probabilidade

Lecture 1: Variveis Aleatrias Discretas
A funo densidade de probabilidade (fdp) de X resume as
informaes relativas aos possveis resultados de X e as respectivas

probabilidades.
f (xj ) = pj ,
j = 1, 2, . . . , k.
(L1.3)
Para qualquer nmero real x , f (x ) ser a probabilidade de a
varivel aleatria X assumir o valor particular x .

Quando lidamos com mais de uma varivel aleatria, algumas
vezes til subscrever a fdp em questo: fX a fdp de X , fY a

fdp de Y .
9 of 48
Exemplo
Lecture 1: Variveis Aleatrias Discretas
Suponha que X seja o nmero de pontos

feitos por um jogador de basquete a cada
dois lances livres, de forma que X pode
assumir trs valores: {0, 1, 2}.
0.4
f (0) = 0.20,
f (1) = 0.44,
f (2) = 0.36.
A soma das trs probabilidades igual a

um, como deveria ser.
A probabilidade de que o jogador

converta pelo menos um lance livre :
P(X 1) = P(X = 1) + P(X = 2) =
0.44 + 0.36 = 0.80.
10 of 48
Probabilidade
Assumas que a fdp de X seja dada por:
0.3
0.2
0.1
0
0
0.5
1
Pontos
1.5
Introduo
Lecture 1: Variveis Aleatrias Contnuas
Uma varivel X ser uma varivel aleatria contnua se assumir
qualquer valor real dentro de um certo intervalo.

A quantidade de valores que ela pode assumir infinita, uma vez
que h infinitos nmeros reais dentro de um certo intervalo.

Assim, dizemos que ela assume qualquer valor real com
probabilidade zero, embora ela assuma algum valor.

A sutileza da afirmao anterior reside no fato de que se h
infinitos valores que ela pode assumir, a probabilidade de ela

assumir um em especial to nfima que zero.
11 of 48
Funo densidade de probabilidade

A fdp da v.a. contnua tambm d

informaes sobre seus provveis
resultados.
Porm, como no faz sentido discutir a
fHxL
probabilidade de uma v.a. contnua

assumir um valor em particular, usamos a
fdp de uma v.a. contnua somente para
computar eventos envolvendo intervalos
de valores.
Por exemplo, se a e b forem constantes,

tal que a < b, a probabilidade de X estar
entre os nmeros a e b, P(a X b),
ser a rea sob a fdp entre os pontos a e
b.
A integral da funo f entre os pontos a

e b fornece a rea hachurada.
12 of 48
x
a
Funo de distribuio cumulativa

Ao computar probabilidades para v.a.

contnuas, mais fcil trabalhar com
a funo de distribuio cumulativa
(fdc).
A FDC uma funo no-descrescente.

Se x1 < x2 , ento
P(X x1 ) P(X x2 ), ou seja,
F (x1 ) F (x2 ).
Se X for qualquer v.a., sua fdc ser

definida por qualquer nmero x real
pela equao:
F (x ) P(X x ).
(L1.4)
Para uma v.a. contnua, F (x ) ser a

rea sob a fdp esquerda do ponto x .
Como F(x) tambm uma

probabilidade, ela estar sempre entre
0 e 1.
13 of 48
FHxL
1
0.8
0.6
0.4
0.2
Propriedades da fdc
Propriedade 1
Para qualquer nmero c,
P(X > c) = 1 F (c).
(L1.5)
Propriedade 2
Para quaisquer nmeros a < b,
P(a < X b) = F (b) F (a).
14 of 48
(L1.6)
Introduo
Lecture 1: Caractersticas das Distribuies de Probabilidade
Na maioria das vezes, estaremos interessados apenas em algumas
caractersticas das distribuies.

Estas caractersticas podem ser divididas em categorias:
medidas de tendncia central,
medidas de variabilidade ou disperso,
medidas de associao entre duas variveis.
15 of 48
Valor esperado de v.a. discreta

Em probabilidade, um dos mais importantes conceitos o de valor

esperado.
Se X for uma v.a., o valor esperado ou esperana de X , representado
por E(X ) ou X , a mdia ponderada de todos os possveis valores de X .
Os pesos para a ponderao so determinados pela funo densidade de
probabilidade.
No caso discreto, o valor esperado de X dado por:
E(X ) = x1 f (x1 ) + x2 f (x2 ) + + xk f (xk )
k
X
j=1
16 of 48
xj f (xj ).
(L1.7)
Valor esperado: exemplo

Suponha que X assuma os valores 1, 0 e 2 com probabilidades
1/8, 1/2 e 3/8.

Ao calcular E(X ), temos 0.625.
Ao calcular E(X 2 ), temos 1.625.
Notar que E(X 2 ) 6= [E(X )]2 .
17 of 48
Valor esperado de v.a. contnua

Se X for uma v.a. contnua, ento E(X ) ser definida como uma
integral:
Z
E(X ) =
18 of 48
x f (x )dx .
(L1.8)
Propriedades dos valores esperados

As principais propriedades so:

Propriedade 1
Para qualquer constante c, E(c) = c.
Propriedade 2
Para quaisquer constantes a e b, E(aX + b) = aE(X ) + b.
Propriedade 3
Se {X1 , X2 , . . . , Xn } forem v.a., ento
E(X1 + X2 + + Xn ) = E(X1 ) + E(X2 ) + + E(Xn )
!
n
n
X
X
E
Xi =
E(Xi ).
i=1
19 of 48
i=1
(L1.9)
Mediana
O valor esperado somente uma possibilidade para definir a
tendncia central de uma v.a.

Outra medida a mediana.
Se X for uma v.a. contnua, a mediana de X , m, ser um valor tal
que metade da rea de uma fdp est esquerda de m e a outra

metade est direita de m.
Quando X for uma v.a. discreta, a mediana a observao do
centro obtida ao ordenar todos os seus possveis valores.

A mediana no necessariamente ser igual esperana, exceto no
caso em que a distribuio for simtrica em torno da mdia.

20 of 48
Varincia e desvio-padro
Embora a medida de tendncia central seja valiosa, ela no nos diz tudo
o que queremos saber sobre a distribuio de uma v.a.
Compare as seguintes distribuies. O que possvel dizer sobre suas
varincias?
fdp
fx
fY
X,Y
21 of 48
Varincia
Para uma v.a. X com = E(X ), queremos medir o quanto X est
distante de seu valor esperado.

A varincia nos informa essa distncia, e pode ser calculada como:
V(X ) E[(X )2 ].
2.
A varincia algumas vezes representada por X
A varincia uma medida sempre no-negativa.
2 = E(X 2 ) 2 .
possvel mostrar que X
22 of 48
(L1.10)
Propriedades da varincia
Propriedade 1
V(c) = 0, tal que c uma constante.
Propriedade 2
Para quaisquer constantes a e b, V(aX + b) = a2 V(X ).
Isto significa que a adio de uma constante a uma v.a. no altera
sua varincia, mas a multiplicao de uma v.a. por uma constante
aumenta a varincia por um fator igual ao quadrado daquela
constante.
23 of 48
Propriedades do desvio-padro
O desvio-padro de uma v.a. X , X , a raiz quadrada positiva
da varincia.
Propriedade 1
Para qualquer constante c, c = 0.
Propriedade 2
Para quaisquer constantes a e b, aX +b = |a|X .
24 of 48
Padronizando uma varivel aleatria

Suponha que, dada uma v.a. X , definamos uma nova v.a. subtraindo sua
mdia X e dividindo o resultado por seu desvio-padro X :
Z
X X
1
X
=
X
.
X
X
X
(L1.11)
Se pensarmos em Z como Z = aX + b, temos que a = 1/X e b = X /X .

Exerccio
E[Z ] = E[aX + b] = aE[X ] + b =

V[Z ] = V[aX + b] = a2 V[X ] =
25 of 48
1
X
X
= 0.
X
X
1 2
X = 1.
X2
Medidas de associao
Lecture 1: Caractersticas das distribuies conjuntas e condicionais
Embora a fdp conjunta de duas v.a. descreva completamente a
relao entre elas, til ter medidas resumidas de como, em

mdia, duas v.a. variam entre si.
Como acontece com o valor esperado e a varincia, isso uma
forma de usar um nico nmero para resumir alguma coisa de uma

distribuio inteira.
Nesse caso, deseja-se descrever a forma como as duas v.a. se
relacionam.
26 of 48
Covarincia
Seja X = E(X ) e Y = E(Y ) e considere a v.a. (X X )(Y Y ).

A covarincia entre duas v.a. X e Y definida como o valor esperado
do produto (X X )(Y Y ):
C(X ,Y ) E[(X X )(Y Y )].
(L1.12)
A covarincia muitas vezes representada por XY .

Se XY > 0, ento, em mdia, quando X estiver acima de sua mdia, Y
tambm estar (ou ambos esto abaixo de suas mdias).
Se XY < 0, ento, em mdia, quando X estiver acima de sua mdia, Y
estar abaixo (ou vice-versa).
fcil mostrar que C(X ,Y ) = E(XY ) X y .
27 of 48
Covarincia
A covarincia mede o grau de dependncia linear entre duas v.a.

Uma covarincia positiva indica que as duas v.a. se movem na
mesma direo, enquanto que uma covarincia negativa indica que

elas se movem em direes opostas.
Interpretar a magnitude de uma covarincia pode ser um pouco
difcil.
28 of 48
Propriedades da covarincia
Propriedade 1
Se X e Y forem independentes, ento C(X ,Y ) = 0.
No entanto, a afirmao inversa no necessariamente verdadeira.
Propriedade 2
Para quaisquer constantes a1 , b1 , a2 e b2 ,
C(a1 X + b1 , a2 Y + b2 ) = a1 a2 C(X ,Y ).
(L1.13)
Propriedade 3
Desigualdade de Cauchy-Schwartz: o valor absoluto da covarincia est limitado
pelo produto de seus desvios-padro:
|C(X ,Y )| X Y .
29 of 48
Coeficiente de correlao
Como a covarincia um nmero que depende fortemente das
unidades em que so medidas as variveis, precisamos encontrar

uma outra forma de resumir o grau de associao entre duas
variveis.
Esta deficincia compensada pelo coeficiente de correlao.
Sejam duas v.a. X e Y , seu coeficiente de correlao :
(XY )
C(X ,Y )
.
X Y
Como os desvios-padro so sempre positivos, o sinal do
coeficiente de correlao depender do sinal da covarincia.

30 of 48
(L1.14)
Coeficiente de correlao: propriedades

Propriedade 1
1 (XY ) 1.
Se (XY ) = 1, a relao entre as duas v.a. positiva e perfeita.
Se (XY ) = 1, a relao entre as duas v.a. negativa e perfeita.
Se (XY ) = 0, no h relao linear.
Propriedade 2
Para quaisquer constantes a1 , b1 , a2 e b2 , com a1 a2 > 0,
(a1 X + b1 , a2 Y + b2 ) = (XY ).
Se a1 a2 < 0,
(a1 X + b1 , a2 Y + b2 ) = (XY ).
31 of 48
Varincia da soma de v.a.

Agora que j definimos covarincia e correlao, podemos completar a

relao das principais propriedades da varincia.
Propriedade 3
Para as constantes a e b,
V(aX + bY ) = a2 V(X ) + b 2 V(Y ) + 2abC(X ,Y ).
(L1.15)
Se X e Y forem no-correlacionados e a = b = 1, ento

V(X + Y ) = V(X ) + V(Y ).
(L1.16)
Se X e Y forem no-correlacionados e a = b = 1, ento

V(X Y ) = V(X ) + V(Y ).
32 of 48
(L1.17)
Esperana condicional
Muitas vezes queremos explicar uma varivel em funo de outra.

Exemplo: Y salrio e X a quantidade de anos de educao.
E[Y |X = x ] = E[sal|educ = 12 anos].
33 of 48
(L1.18)
Propriedades da esperana condicional

Propriedade 1
Funes de X so como constantes: E[c(X )|X ] = c(X ).
Propriedade 2
E[a(X )Y + b(X )|X ] = a(X )E[Y |X ] + b(X ).
Propriedade 3
Se X e Y forem independentes, E[Y |X ] = E[Y ].
Propriedade 4
Se E(Y |X ) = E[Y ], ento C[X ,Y ] = 0.
34 of 48
Varincia condicional
Sejam duas variveis aleatrias X e Y , a varincia de Y
condicional em X = x :
V[Y |X = x ] = E[Y 2 |X = x ] (E[Y |X = x ])2
Propriedade 1
Se X e Y forem independentes, V[Y |X ] = V[Y ].
35 of 48
(L1.19)
Distribuio normal
Lecture 1: A Distribuio Normal e Outras Distribuies
A distribuio normal e as derivadas dela so as mais amplamente
usadas em mtodos quantitativos.

Uma v.a. normalmente distribuda pode assumir qualquer valor
real no intervalo [, + ].
A fdp de uma normal tem a seguinte expresso:
"
#
1
(x )2
,
f (x ) = exp
2 2
2
< x < +.
(L1.20)
Dizemos que X tem uma distribuio normal com valor esperado
e varincia 2 : X N(, 2 ).
36 of 48
Distribuio normal padro

Um caso especial da distribuio normal ocorre quando a mdia for
zero e a varincia for 1.

Se uma v.a. Z N(0,1), dizemos que ela tem uma distribuio
normal padro.
A fdp de uma normal padro :
h
i
1
(z) = exp z 2 /2 ,
2
37 of 48
< z < +.
(L1.21)
Grficos da normal padro

Os grficos das funes densidade de probabilidade e cumulativa da

Normal so:
HzL
FHzL
0.4
1
0.8
0.3
0.6
0.2
0.4
0.1
-3
-2
-1
0.2
(a) FDP da Normal
38 of 48
-3
-2
-1
(b) FDC da Normal
Propriedades da normal
Propriedade 1
Se X N(X ,X2 ), ento a v.a. Y = (X X )/X N(0,1).
Propriedade 2
Se X N(X ,X2 ), ento a v.a. Y = aX + b N(aX + b, a2 X2 ).
Propriedade 3
Se X e Y forem duas v.a. conjuntamente e normalmente distribudas,
ento elas sero independentes se, e somente se, C(X ,Y ) = 0.
Propriedade 4
Qualquer combinao linear de v.a. independentes e identicamente
normalmente distribudas tem uma distribuio normal.
39 of 48
Distribuio lognormal
Algumas v.a., como preos, no parecem seguir uma distribuio
normal.
Para a grande maioria dos ativos, preos no so simetricamente
distribudos em torno de qualquer valor.

Em alguns casos, uma varivel pode ser transformada para assumir
normalidade.
Uma transformao popular o log, que faz sentido para v.a.
positivas.
Se X for uma v.a. positiva, como preos, e Y = log X tiver uma
distribuio normal, ento dizemos que X tem uma distribuio

lognormal.
40 of 48
Distribuio lognormal: grfico

A fdp da distribuio lognormal log N(0,1)

fHyL
0.6
0.5
0.4
0.3
0.2
0.1
1
41 of 48
Distribuio qui-quadrado
A distribuio qui-quadrado obtida diretamente das v.a.
independentes normais padro.

Sejam Zi , i = 1, 2, . . . , n v.a. independentes, cada uma distribuda
como uma normal padro.

Defina uma nova v.a. como a soma dos quadrados de Zi :
X=
n
X
Zi2 .
(L1.22)
i=1
A v.a. X ter uma distribuio qui-quadrado com n graus de
liberdade: X 2n .
42 of 48
Distribuio qui-quadrado: grficos

A distribuio qui-quadrado pode ter vrios graus de liberdade.

Seguem alguns exemplos:
fHxL
0.5
0.4
gl=2
0.3
gl=4
0.2
gl=8
0.1
2
43 of 48
10
12
14
Distribuio t de Student
A distribuio t de Student muito usada na estatstica bsica e
na anlise de regresso.
Obtemos a distribuio t a partir de uma v.a. normal padro e de
uma v.a. qui-quadrado.

Seja Z uma v.a. normal padro e X uma qui-quadrado com n
graus de liberdade.
Suponha que Z e X sejam independentes. Ento, a seguinte v.a.
T ter distribuio t com n graus de liberdade, T tn :

T =p
44 of 48
Z
.
X /n
(L1.23)
Distribuio t de Student: grficos

A fdp da distribuio t de Student tem uma forma semelhante da distribuio

normal padro, exceto pelo fato dela ser mais espalhada, e, portanto, ter mais
rea nos pontos extremos.
Quanto maior o nmero de graus de liberdade, mais a distribuio t se

aproxima da normal padro.
fHxL
0.4
gl=1
gl=2
0.3
gl=24
0.2
0.1
-4
45 of 48
-2
Distribuio F
Outra distribuio importante a distribuio F .

Para definir uma v.a. F , sejam X1 2k e X2 2k e X1 e X2
2
1
independentes.
Ento, a v.a. F
F =
46 of 48
X1 /k1
Fk1 ,k2 .
X2 /k2
(L1.24)
Distribuio F: grficos
A fdp da distribuio F para vrios graus de liberdade, k1 ,k2 :

fHxL
1
gl=H2,8L
0.8
gl=H6,8L
0.6
gl=H6,20L
0.4
0.2
1
47 of 48
Fonte
Lecture 1
Wooldridge, J. (2013) Introductory Econometrics: a modern
approach. International 5th ed. Canada: Cengage.
48 of 48

Lecture01a Slides

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Lecture01a Slides

Transféré par

Droits d'auteur :

Formats disponibles

Mtodos Quantitativos em Contabilidade

Programa de Ps-graduao em Cincias Contbeis

Prof. Dr. Henrique Castro

Suponha que joguemos 10 vezes uma moeda para o alto e

contemos o nmero de vezes em que d cara.

Introduo: variveis aleatrias

Uma varivel aleatria aquela que assume valores numricos e

tem um resultado que determinado por um experimento.

lances uma varivel aleatria.

vai dar cara.

obtemos o resultado da varivel aleatria para essa particular

Seguindo as convenes bsicas de probabilidade e estatstica,

representaremos as variveis aleatrias com letras maisculas.

pelas letras minsculas correspondentes.

Variveis aleatrias discretas: definio

Uma varivel aleatria discreta a que somente assume um nmero

Variveis aleatrias discretas: descrio

De forma geral, qualquer v.a. discreta completamente descrita

listando seus possveis valores e a probabilidade associada que ela

p1 , . . . , pk sero definidas por:

Cada pj representa um valor entre zero e um e:

Funo densidade de probabilidade

A funo densidade de probabilidade (fdp) de X resume as

informaes relativas aos possveis resultados de X e as respectivas

Para qualquer nmero real x , f (x ) ser a probabilidade de a

varivel aleatria X assumir o valor particular x .

vezes til subscrever a fdp em questo: fX a fdp de X , fY a

Suponha que X seja o nmero de pontos

A soma das trs probabilidades igual a

A probabilidade de que o jogador

Assumas que a fdp de X seja dada por:

Uma varivel X ser uma varivel aleatria contnua se assumir

qualquer valor real dentro de um certo intervalo.

que h infinitos nmeros reais dentro de um certo intervalo.

probabilidade zero, embora ela assuma algum valor.

infinitos valores que ela pode assumir, a probabilidade de ela

Funo densidade de probabilidade

A fdp da v.a. contnua tambm d

Porm, como no faz sentido discutir a

probabilidade de uma v.a. contnua

Por exemplo, se a e b forem constantes,

A integral da funo f entre os pontos a

Funo de distribuio cumulativa

Ao computar probabilidades para v.a.

A FDC uma funo no-descrescente.

Se X for qualquer v.a., sua fdc ser

Para uma v.a. contnua, F (x ) ser a

Como F(x) tambm uma

Na maioria das vezes, estaremos interessados apenas em algumas

caractersticas das distribuies.

Valor esperado de v.a. discreta

Em probabilidade, um dos mais importantes conceitos o de valor

Valor esperado: exemplo

Suponha que X assuma os valores 1, 0 e 2 com probabilidades

1/8, 1/2 e 3/8.

Valor esperado de v.a. contnua

Propriedades dos valores esperados

As principais propriedades so:

O valor esperado somente uma possibilidade para definir a

tendncia central de uma v.a.

que metade da rea de uma fdp est esquerda de m e a outra

centro obtida ao ordenar todos os seus possveis valores.

caso em que a distribuio for simtrica em torno da mdia.

Para uma v.a. X com = E(X ), queremos medir o quanto X est