Académique Documents
Professionnel Documents
Culture Documents
M a r c e l o Y . B . H o s s o m i
Para a unio e a interseco, valem as propriedades: C O M U T A T I V A : = D I S T R I B U T I V A : = ( ) A S S O C I A T I V A : = ( ) As propriedades acima valem para qualquer combinao ou ordem de operadores. Para o complemento, valem as propriedades: A ) = B ) = (conjunto vazio) C ) = D ) =
1.
Teoria
de
Conjuntos
DEF:
C O N J U N T O
um
grupo
de
elementos,
ordenados
ou
no.
1.2.
Subconjunto
DEF:
se
todos
os
elementos
de
um
conjunto
pertencem
a
um
conjunto
,
ento
um
S U B C O N J U N T O
de
.
EXEMPLO:
qualquer
conjunto
um
subconjunto
do
conjunto
universo.
O tamanho e posio dos conjuntos so apenas simblicos. O diagrama de Venn representa, principalmente, a interseco dos conjuntos, que denotada pela rea em comum aos dois crculos, como se v acima. Certamente, mais de dois crculos poderiam se intersectar.
2.
Anlise
Combinatria
DEF:
A N L I S E
C O M B I N A T R I A
o
estudo
de
quantas
e
quais
maneiras
um
conjunto
de
pode
ser
organizado.
PROVA:
do
resultado
de
2.1,
temos
apenas
que
descontar
a
permutao
entre
os
elementos
repetidos.
Para
isso,
consideremos
as
permutaes
entre
os
elementos
repetidos
como
uma
nica
permutao.
Ou
seja,
dividimos
pelo
nmero
de
permutaes
que
eles
podem
gerar.
Isto
:
!
!,!,
! ! = !! !!
2.3.
Arranjo
DEF:
A R R A N J O
a
seleo
de
elementos
de
um
conjunto
de
elementos
( > ),
em
que
a
ordem
relevante.
O
nmero
de
arranjos
possveis
ser:
, = !
( )!
PROVA:
da
mesma
forma
que
provamos
a
permutao,
limitamos
o
clculo
at
a
p
posio:
!,! = 1 ( + 1)
Multiplicando
ambos
os
lados
por
!
obtemos:
!,! ! = + 1 1
!,! =
! !
2.4.
Combinao
DEF:
C O M B I N A O
a
seleo
de
elementos
de
um
conjunto
de
elementos
( > ),
em
que
a
ordem
no
relevante.
Isto
,
, = {, }.
O
nmero
de
combinaes
possveis
:
, = ! =
! !
PROVA: partindo da definio de arranjo, basta considerar como um os arranjos em que h apenas a permutao de elementos. Para isso, divide-se o nmero de arranjos pelo nmero de permutaes possveis entre os elementos do arranjo: !,! = !,! ! = ! ! !
! = !!
3.
Probabilidade
3.1.
Espao
Amostral
(S)
DEF:
E S P A O
A M O S T R A L
o
conjunto
de
todos
os
resultados
possveis
de
um
experimento.
o
conjunto
universo
do
experimento.
normalmente
representado
por
S.
EXEMPLO:
ao
lanarmos
um
dado
de
seis
lados,
o
espao
amostral
:
= {1, 2, 3, 4, 5, 6}
3.4.
Probabilidade
Probabilidade
de
um
evento
a
chance
deste
ocorrer
em
um
experimento.
apenas
um
valor
especulativo
se
o
experimento
for
repetido
poucas
vezes.
Se
o
experimento
for
repetido
muitas
vezes,
o
nmero
de
ocorrncias
do
evento
vai
se
aproximar
da
probabilidade.
DEF
#1:
dado
um
experimento
espao
amostral
com
!
resultados,
e
um
evento
que
contm
!
resultados,
ento
a
P R O B A B I L I D A D E
de
definida
por:
=
3.2.
Evento
DEF:
E V E N T O
um
conjunto
de
resultados
possveis
em
um
nico
experimento
(podendo
ser
vazio).
sempre
um
subespao
do
espao
amostra.
normalmente
representado
por
letras
maisculas,
assim
como
conjuntos.
EXEMPLO:
dois
dados
de
seis
lados
so
lanados.
Se
definirmos:
=
Ento
o
evento
A
seria:
= 1, 1 , 2, 2 , 3, 3 , 4, 4 , 5, 5 , 6, 6
OBS: no confunda as variveis ! usadas em 3.3 e 3.4. PROPRIEDADES: seja o espao amostral de um experimento e um evento qualquer desse experimento. A ) 0 1 B ) = 1 () C ) = 1 D ) = 0
Onde ! o nmero de ocorrncias de . Observe que a freqncia relativa tem uma propriedade: 0 ! 1 Quando for suficientemente grande, a freqncia relativa converge para a probabilidade.
Pois ao somar ! + ! , estamos incluindo os elementos comuns a e duas vezes, e por isso subtramos !! . Dividindo a equao pelo nmero de resultados possveis: !! ! ! !! = + ! ! ! ! ( ) = () + () ( ) O teorema pode ser expandido para qualquer nmero de eventos de forma semelhante, alternando somas e subtraes: = + + + + + Portanto, se excludentes: ! , ! , ! forem
mutuamente
PROVA: vamos dividir todos os conjuntos em conjuntos secundrios: ! = !!! ! Dessa forma, obtemos: ! ! = ! (! |! ) Podemos escrever ! = ! ! , logo: ! |! = ! ! ! Observe que o lado direito da equao acima pode ser simplificado pela definio de probabilidade condicionada: ! ! = ! ! = ! ! ! !
=
!
(Leia-se, probabilidade de A dado que B ocorreu) PROVA: se o evento foi verificado, a ocorrncia de significa que ocorreu. No entanto, ao analisar a probabilidade de , podemos descartar todos os resultados que no pertencem a . Assim, nos restringimos nosso espao amostral ao conjunto , obtendo: !! = ! Dividindo ambos os termos da frao por ! , onde o espao amostral do experimento, teremos: !! = ! !
! ! ! |! ! (! )
Repetindo
o
processo
sucessivamente
at
que
cheguemos
a
!!! = !
e
substituindo
as
equaes
que
esto
em
funo
de
! :
! ! = = ! ! ! ! ! ! ! ! !!!
4.
Variveis
Aleatrias
DEF:
V A R I V E L
A L E A T R I A
um
tipo
de
funo
que
atribui
valores
numricos
aos
elementos
do
espao
amostral
do
experimento.
PROPRIEDADES:
seja
uma
varivel
aleatria
e
!
elementos
do
espao
amostral.
A )
(! )
tem
apenas
um
valor
possvel
B )
possvel
que
existam
,
tal
que
! = (! )
As
variveis
aleatrias
so
dividias
em
duas
classes:
D I S C R E T A S
e
C O N T N U A S .
! ! =
!!!
(! )
=
!
=
!
4.1.
VA
Discretas
DEF:
uma
V A R I V E L
A L E A T R I A
D I S C R E T A
assume
valores
numerveis,
sejam
finitos
ou
infinitos.
Seja
uma
varivel
aleatria
discreta
que
assume
valores
! ! .
Atribui-se
uma
funo
! ( = ! )
chamada
P R O B A B I L I D A D E
D E
X .
PROPRIEDADES:
A )
! ! 0
B )
! !!! !
! = 1
4.2.
VA
Contnuas
DEF:
uma
V A R I V E L
A L E A T R I A
C O N T N U A
assume
valores
infinitos
num
intervalo
de
reta.
Seja
uma
varivel
aleatria
contnua
que
assume
valores
no
intervalo
[, ].
Atribui-se
uma
funo
! ()
chamada
F U N O
D E N S I D A D E
D E
P R O B A B I L I D A D E .
PROPRIEDADES:
A )
! 0, [, ]
Notamos
que
o
evento
pode
ser
descrito
como
unio
de
vrios
subeventos:
= ! ( ! )
Como
os
conjuntos
! !
so
subparties
do
espao
amostral,
eles
so
independentes.
Portanto:
! !
=
!!!
! =
!!!
! (! )
B )
! = 0, [, ]
B )
! [ ! , ! ] = C )
! ! !! !!
= 1
=
! !!
( ) ()
()
Note
que
~ (1, ).
Ento,
tem
D I S T R I B U I O
B E R N O U L L I :
~ ()
De
forma
direta
da
distribuio
binomial
com
= 1
podemos
deduzir:
=
!
Conhecendo a distribuio acumulada de uma varivel aleatria, possvel determinar a probabilidade de qualquer elemento ou intervalo: = ! < < = ()
! = 1
PROVA: seja ! o evento ocorrido na i-sima repetio do experimento. Se quisermos que ocorra ! vezes, ento queremos que: ! !! = !! !! ! = Como as repeties do experimento so independentes, pela regra multiplicativa, temos ento: ! ! = ! ! = ! ! !!!! ! ! ! (1 )!!!! !
= 1
!
! =
5.
VA
Multidimensionais
DEF:
V A R I V E I S
A L E A T R I A S
M U L T I D I M E N S I O N A I S
so
variveis
aleatrias
relacionadas,
podendo
ter
uma
probabilidade
conjunta.
So
tambm
classificadas
em
discretas
e
contnuas
com
propriedades
semelhantes
s
unidimensionais.
Os
clculos
sero
feitos
para
duas
variveis,
e
a
expanso
direta.
Significa calcular a probabilidade de um valor ! no importando qual valor assuma. De forma anloga, a marginal de :
=
!
( , )
5.1.
VA
Discretas
A
definio
a
mesma
encontrada
em
4.1.
PROPRIEDADES:
seja
(, )
uma
varivel
aleatria
discreta
de
duas
dimenses
que
assumem
valores
(! ! , ! ! ).
Ento:
A )
!" ! , ! 0
B )
! !!! ! !!! !"
Para o caso contnuo, a formulao semelhante, obtendo como resultado a densidade marginal. Seja (, ) uma varivel aleatria contnua bidimensional que assume valores em , , , . As densidades marginais so:
! , ! = 1
5.2.
VA
Contnuas
A
definio
a
mesma
encontrada
em
4.2.
PROPRIEDADES:
seja
,
uma
varivel
aleatria
contnua
de
duas
dimenses
que
assumem
valores
no
subplano
( , , , ).
Ento:
A )
!" , = [ ! , ! ]
! ! !! !! !! !! !"
B )
!" , 0, , C )
!" , = 0, , D )
! ! ! ! !"
, , , , , ,
, = 1
, =
! !
, ()
, =
!! !!
, ()
=
!
( , )
5.6.
VA
Independentes
DEF:
uma
varivel
aleatria
multidimensional
I N D E P E N D E N T E
quando
seus
parmetros
no
tm
qualquer
relao
entre
si.
Seja
(, )
uma
varivel
aleatria
qualquer
de
duas
dimenses
tal
que
e
so
independentes.
Ento:
= ) = ()
, =
, =
6.
Valor
Esperado
DEF:
V A L O R
E S P E R A D O
o
valor
mais
provvel
que
se
espera
de
uma
varivel
aleatria,
dados
seus
valores
e
suas
probabilidades.
Seja
uma
varivel
aleatria
discreta
de
probabilidade
! ()
que
assume
os
valores
! ! .
Ento
seu
valor
esperado
:
=
!
( )
De
forma
anloga,
podemos
determinar
o
valor
esperado
de
uma
varivel
aleatria
contnua:
!
=
!!
= ( ) =
!!
PROPRIEDADES: sejam e variveis aleatrias contnuas, = (, ), = (, ) e uma constante. A ) + = + () B ) = C ) + = + D ) = , As demonstraes so diretas, utilizando o teorema acima para a propriedade A e as demais propriedades de valor esperado.
6.1.
Varincia
DEF:
V A R I N C I A
um
indicador
de
quo
dispersos
os
valores
assumidos
por
uma
varivel
aleatria
esto
de
seu
valor
esperado.
A
definio
de
varincia
:
=
utilizando
= ! 2 + ! = ! 2 + ! = ! 2 + ! = () PROPRIEDADES: sejam e variveis aleatrias e uma constante. A ) = ! B ) + = C ) + = + As demonstraes so diretas usando as propriedades de valor esperado.
=
!
!
!
= =
1 ! ! 2 + = 2 = + 2
6.4.
Covarincia
Dadas
duas
variveis
aleatrias
e
,
temos:
+ = + + 2[ ]
A
covarincia
um
valor
que
avalia
o
grau
de
dependncia
entre
variveis
aleatrias,
e
definido
por:
, = O
que
nos
permite
escrever:
+ = + + 2 ,
Vale
notar
que
se
e
so
independentes,
ento
, = 0.
Portanto,
como
expressa
o
nmero
de
vezes
que
ocorreu
nas
repeties,
podemos
escrever:
!
=
!!!
Mas
da
maneira
que
definimos
!
podemos
dizer:
! 1 =
! 0 = (1 )
Logo,
pela
definio
de
valor
esperado:
! = 1 + 0 1 =
E
usando
as
propriedades
de
valor
esperado:
! !
=
!!!
! =
!!!
(! )
PROVA:
de
forma
semelhante
demonstrao
em
6.3,
usaremos
as
variveis
aleatrias
auxiliares
! ! .
Ento,
escrevemos:
!
!
!
! + + ! + = 3 2 = =
=
!!!
! + + ! ! + 2 + ! 3 4 ! 2 + ! 12 ! 12
Portanto:
! !
= (! )
=
!!!
! =
!!!
! !
!
+ 0
! = (1 ) Portanto: = (1 )
=
!
!
! !
= =
!
1 !
! ! + + ! = 3 3 ! + + ! 3
2 2
=
!!
! +
=
!!!
! 1 =
!
!!!
Como
! 0
sempre
(pois
ambas
as
funes
so
sempre
no-negativas),
temos
a
desigualdade
a
seguir:
! + ! !
A integral em do lado direito conveniente, pois no conjunto temos que 2 , o que nos permite
Agora
calculando
a
varincia,
vamos
usar
o
fato
de
que
!
so
independentes
para
usar
a
propriedade
de
varincia
e
escrever:
!
afirmar:
=
!
!
!!!
2
!
1 = !
(! )
!!!
Ou seja: 2
2 2 ( 2 )
Se
fizermos
= !
obtemos:
!
< 1
! !
8.
Distribuio
Poisson
DEF:
seja
uma
varivel
aleatria
discreta
que
assume
valores
! 0 com
funo
de
probabilidade
definida
por:
= !
!
= . Ento: ! !
< 1
Ento tem D I S T R I B U I O P O I S S O N : ~ ()
Queremos que pelo menos (1 ) da amostra satisfaa a condio < . Ou seja: 1 ! > 1 ! ! > !
=
!!!
!! ! !
Note
que
uma
definio
diferente
daquela
dada
em
6,
mas
que
tem
o
mesmo
significado
para
a
distribuio
Poisson.
Mas
em
= 0
a
somatria
no
se
altera,
pois
o
termo
geral
fica
zero.
Ento
podemos
cancelar
o
primeiro
fator
do
fatorial:
!
=
!!!
!! ! ( 1)!
!! !!! = !
!!!
!! ! !
! = 1
!!!
8.2.
Varincia
Seja
~ ().
Ento
a
varincia
de
:
=
PROVA:
faremos
de
forma
semelhante
ao
valor
esperado.
Pela
definio,
precisamos
calcular
( ! ):
!
9.
Distribuio
Normal
DEF:
seja
uma
varivel
aleatria
contnua
com
funo
densidade
de
probabilidade
definida
por:
=
! !
=
!!!
!! !
!
!
Podemos
cancelar
o
primeiro
fator
do
fatorial,
pois
em
= 0
o
valor
do
termo
geral
zero.
!
! =
!!!
!! ! 1 !
! =
!!! !
+ 1
!! !!! !
!
=
!!!
!! !!! + !
!!!
=
!!!
!! ! + !
, ento tem
!!!
Mas
note
que
o
primeiro
termo
igual
a
,
e
o
termo
geral
do
segundo
termo
():
!
! = +
!!!
~ ~
, !
< < =
!
1 2
! !
!!
Essa integral no tem soluo analtica, devendo ser resolvida numericamente. Portanto, a distribuio acumulada () da distribuio normal padro tabelada. Portanto, temos que: < < = b (a)
! !
! !!" ! !!"
=
!
= !!" 1
= !!!
! ! !
! ! !
2 !!"
= lim ( ! !!" ) + 2
!!"
=
!! !
!
!!"
=
!
=
!
!!"
! 2 + ! !"
Usando LHopital duas vezes, calculamos o limite: lim ! 2 2 ! = lim = lim = 0 !! !" !! !" !" ! = Portanto: = ! ! 2 1 ! ! 1 = ! = 2 !
!!
1 !!"
!!"
! ! !
1 !!"
= lim
!!
= lim !" !!
1 !!" 1 +
!!
10.2
Varincia
Seja
~ ().
Ento
a
varincia
de
:
=
=
!!!
=
!!!
B )
V A R I N C I A :
mdia
do
quadrado
das
diferenas
entre
os
valores
do
conjunto
de
dados
e
a
mdia
aritmtica:
!
=
!!!
! ! ! ! !
OBS: a mdia aritmtica e o desvio padro podem no ser medidas adequadas para apresentar um conjunto de dados, pois so afetados por fatores extremos e no nos dizem a assimetria da distribuio.
() !
O box plot avalia quo prximos os valores do conjunto esto de sua mediana, que pode ser visualizado no retngulo central, e quo dispersos esto seus valores, que pode ser percebido pelas caudas. Valores abaixo do limite inferior ou acima do limite superior so chamados O U T L I E R S .
conjunta
!! !! =
!!!
! (! )
PROVA:
usando
propriedades
da
funo
de
densidade
de
probabilidade
n-dimensional,
temos
que:
Como
{! ! }
so
independentes
entre
si:
!
!! !! ! ! =
!!!
!! !
!! ! =
!!! !!!
! !
12.2.
Estatstica
DEF:
seja
{! ! }
uma
amostra
aleatria
da
varivel
aleatria
.
Definimos
uma
E S T A T S T I C A
D E
como
sendo
uma
funo
definida
pela
amostra
aleatria.
Ou
seja:
= (! ! )
Onde
a
estatstica
de
.
Abaixo
definiremos
algumas
estatsticas
importantes.
Seja
uma
varivel
aleatria
e
{! ! }
uma
amostra
aleatria.
Definiremos
ento
as
seguintes
estatsticas:
1 )
M D I A
A M O S T R A L :
!
=
!!!
( , )
2 )
V A R I N C I A
A M O S T R A L :
!
! =
!!!
(! )! 1
3 ) M N I M O D A A M O S T R A : = min (! ! ) 4 ) M X I M O D A A M O S T R A : = max ! ! 5 ) A M P L I T U D E D A A M O S T R A : = 6 ) E S T A T S T I C A D E O R D E M : a j-sima estatstica de ordem (!) a j-sima maior observao da amostra. Assim: (!) = (!) =
Usando
propriedades
de
valor
esperado
e
varincia:
!! , !
Mas
temos
que:
= = Ento:
!! (0, 1)
TEOREMA:
seja
! ! ~ ( , ! )
independentes
e
uma
combinao
linear
delas:
!
=
!!!
! !
Ento: ~ ! , ! !
( , )
Isto
,
para
a
mdia
amostral
converte
para
uma
distribuio
normal
com
mdia
()
e
varincia
().
Mas
temos
que:
= = Logo:
!
Particularmente, se ! = 1 : = ~ ( , ! )
(, )
Dessa
forma,
~ (),
o
que
nos
d:
= = 1
Considere
agora
uma
amostra
aleatria
! ! ,
de
forma
que
o
nmero
de
indivduos
nessa
amostra
que
possuam
a
caracterstica
:
!
1 = 1
!
!!!
!
!!! !
2 ! +
! !
! =
!!!
!
!!!
2
!!!
(! ) +
!!!
Dessa
forma
temos
que:
! ~ (, )
Seja
ento
a
proporo
de
indivduos
na
amostra
com
a
caracterstica,
ou
seja:
= ! =
!
! =
!!! ! !!!
!
!!!
(! ) = =
!!!
!!!
! =
Logo:
! !
!
!!!
=
!!!
1 = 1 = 1 1
!
!!! !
!
!!!
!
!!!
! =
!!!
(! )! 1
! !
!!! !
1 ( ) = 1
!
(! )
!!!
=
!!!
(! )! 1
. Ento:
1 ( ) = 1
!
()
!!!
! = Finalmente:
1 1
! = = ! OBS: esse fato o motivo da definio de varincia amostral ter ( 1) no denominador. Se utilizssemos () no denominador, como seria intuitivo, a propriedade demonstrada acima no seria verdadeira.
12.6.
Distribuio
!
DEF:
seja
~ (0, 1).
Definindo
= ! ,
ento
tem
! distribuio
C H I - Q U A D R A D O
D E
G R A U
1
((!) ):
~ !!
TEOREMA:
seja
{! ! }
uma
amostra
aleatria
com
~ (0, 1).
Ento,
definindo:
=
!
dizemos
que
tem
distribuio
C H I - Q U A D R A D O
D E
G R A U
N :
~ !!
Sua
funo
densidade
de
probabilidade
dada
por:
! = 1
! 2 !
n 2
! !! ! 0
Onde:
!
=
!
!!! !!
Propriedades: = = 2
13.
Estimadores
DEF:
E S T I M A D O R
qualquer
estatstica
conhecida
da
varivel
aleatria
sendo
observada,
cujos
valores
so
usados
para
estimar
(),
onde
algum
parmetro
da
varivel
aleatria
e
uma
funo
qualquer.
Observe
que,
por
ser
uma
estatstica,
um
estimador
definido
por
uma
amostra:
= (! ! )
Onde
{! ! }
uma
amostra
de
.
Ou
seja,
o
papel
de
um
estimador
tentar
adivinhar
o
valor
de
uma
funo
qualquer
de
um
parmetro
utilizando
apenas
uma
amostra
da
varivel
aleatria
(e
no
todo
o
conjunto)
Os
valores
assumidos
por
formam
a
estimativa
de
().
DEF:
um
estimador
N O
V I C I A D O
um
estimador
tal
que
= ().
Isto
,
o
valor
esperado
da
estimativa
o
valor
exato
do
que
est
sendo
estimando
por
.
DEF:
um
estimador
C O N S I S T E N T E
um
estimador
!
definido
por
uma
amostra
de
tamanho
tal
que:
!!
TEOREMA:
se
for
no-viciado,
teremos
como
resultado:
=
PROVA:
se
no-viciado,
pela
prpria
definio
dessa
caracterstica:
=
Ento:
= = ()
!
, =
!
lim (! ) = ()
!!
lim ! = 0
Para variveis aleatrias discretas, basta trocar a funo densidade de probabilidade pela funo de probabilidade. O estimador de mxima verossimilhana (EMV) a funo encontrada para o parmetro que fornea o maior valor da funo de verossimilhana. OBS: o chapu (^) denota o estimador daquele parmetro. PROPRIEDADES: A ) A estimativa de mxima verossimilhana pode ser viciada, mas sob condies bastante genricas pode ser consistente. B ) I N V A R I N C I A : se for um EMV de , ento () um EMV de () se, e somente se, for contnua e montona. Ou seja: , () = ()
Ou
seja,
apesar
de
no
ser
necessariamente
no- viciado,
com
uma
amostra
grande,
a
estimativa
se
torna
mais
e
mais
preciso
a
ponto
de
que,
no
limite
em
que
,
torne-se
exato.
DEF:
sejam
!
e
!
dois
estimadores
no-viciados
de
um
parmetro
.
Se
! < (! ),
dizemos
que
V 1
T E M
M A I O R
E F I C I N C I A .
DEF:
seja
= (! ! )
um
estimador
de
().
O
E R R O
Q U A D R T I C O
M D I O
( E Q M )
dado
por:
=
!
Onde () representa a diferena entre a estimativa e o valor verdadeiro do que est sendo estimado por .
EXEMPLO:
devido
ao
nvel
de
abstrao
desse
captulo
achei
necessrio
um
exemplo.
Suponha
que
a
durao
de
um
componente
eletrnico
seja
~ ().
Foi
retirada
uma
amostra
aleatria
de
tamanho
e
ensaiados,
obtendo
os
valores
{! ! }.
Obtenha
o
EMV
da
durao
mdia
dos
componentes,
().
RESOLUO:
A
funo
densidade
de
probabilidade
de
:
! !! ! = 0
ln = ln
!!!
!
!
ln = ln
! = 0
!!!
Depois
de
aplicarmos
a
derivada,
o
valor
de
na
equao
j
ser
o
EMV.
Ento
o
denotamos
com
:
!
! = 0
!!!
, > 0 ,
Queremos
um
estimador
para
(),
ou
seja,
procuramos
().
J
demonstramos
anteriormente
que
= !! ,
ou
seja,
uma
funo
do
parmetro
:
= = = Note
que,
pela
teoria,
estamos
escolhendo
=
e
= .
Perceba,
ento
que
queremos
encontrar
o
estimador
de
(),
como
dito
anteriormente. Pela
propriedade
da
invarincia,
por
ser
uma
funo
montona,
temos:
= ()
Ou
seja,
podemos
estimar
()
com
um
estimador
de
.
Portanto,
vamos
encontrar
o
EMV
de
.
Para
encontrar
o
EMV
temos
que
calcular
a
funo
de
verossimilhana:
! !!
Vamos
verificar
se
encontramos
realmente
um
valor
de
mximo.
A
prova
se
d
quando
a
segunda
derivada
de
ln
for
menor
que
zero:
! ln = ! < 0
! Verificado
o
ponto
de
mximo,
vamos
encontrar
o
EMV
de
.
Como
assumimos,
ao
longo
da
resoluo:
= = = !! Temos
finalmente:
=
!!
1 =
! =
!!!
!! !! ! ! , =
!!! !
! ! , !!!!
!!! ! !! !!
= =
E agora devemos encontrar o valor de que resulte na maior verossimilhana, ou seja, maximizar . Para isso, derivamos em funo de e igualamos a zero. No entanto, note que bem mais simples derivar ln . Como logaritmo uma funo montona e contnua, maximizar ou ln deve nos dar o mesmo valor do parmetro:
!!! !
! ! +
!!! !
! +
!!! !
!! = 0
!
!!!
! +
!!!
!!
!!!
! =
!!!
! !
+
!!!
!!
! =
!!!
! !
=
!!!
! !
=
!!!
! ( + ! ) !
Os
estimadores
para
os
parmetros
(, )
so:
=
=
PROVA:
como
o
mtodo
visa
minimizar
a
SQR,
vamos
deriv-la
e
igual-la
a
zero.
Comeando
por
:
= 2
! !
! + !
!!! !
1 = 0
!
!!! !!! !
! = 0
!
1 =
!!!
!
!!!
=
Agora
derivamos
em
:
= 2
! !
Quanto mais prximo de 1 ou -1, mais se aproxima de uma relao perfeitamente linear.
! + !
!!! ! !
! = 0
!!!
! ! +
!!!
! +
!!!
!! = 0
Onde:
!
=
!
!!! !!
Propriedades:
= 0 > 1 = > 2
2 Para
grande,
aproxima-se
de
uma
distribuio
normal
padro.
TEOREMA:
seja
! !
uma
amostra
aleatria
de
~ , ! .
Ento:
~
!
Como j visto anteriormente. Como e ! so independentes, e tambm so independentes entre si. Definindo: = 1
!!!
. Desenvolvendo
( 1) ! = 1 ! = =
Portanto:
~
!!!
< < !
Como o intervalo ainda simtrico, ! ! obtido de forma semelhante ao caso anterior utilizando a tabela da distribuio acumulada da t de Student. Substituindo : ! < < ! =
> > +
< < !
Observe
que
entre
! !
e
! !
deve
haver
uma
rea
sob
a
curva
da
distribuio
normal.
Portanto,
devemos
escolher
! !
tal
que:
> !
!
1 2
> > +
ocorrncia das hipteses. Prefira as que podem ser transformadas em distribuies conhecidas usando apenas parmetros conhecidos. 2 ) F I X A R : a regra de deciso ser baseada na probabilidade de rejeitarmos ! erroneamente. 3 ) D E T E R M I N A R A R E G R A D E D E C I S O : basicamente, determinar quando ! ser rejeitada.
Como ~ (0, 1), possvel encontrar !! e !! com a tabela da distribuio acumulada da normal. Dessa forma possvel calcular as constantes ! e ! : = = + +
16.5.
Clculo
de
Quando
a
hiptese
alternativa
composta,
a
probabilidade
dependente
de
.
DEF:
F U N O
P O D E R
a
funo
definida
por:
= ()
Que
basicamente
a
chance
de
rejeitar
!
quando
este
verdadeiro:
= ! ! )
Vale
a
pena
observar
que:
! : = ! ! =
!! =
! ! !! =
< ! = ! = < !! | = ! = ! 2 > ! = ! = > !! | = ! = ! /2 E o restante do procedimento idntico, utilizando a tabela de distribuio acumulada da t de Student.