Upload
nguyenkhue
View
217
Download
1
Embed Size (px)
Citation preview
monica@[email protected] 1
IND 1115Inferência Estatística
Aula 6Setembro de 2004
Mônica BarrosMônica Barros
monica@[email protected] 2
ConteúdoConteúdo
A distribuição LognormalA distribuição Normal BivariadaA distribuição Beta e sua relação com a Uniforme(0,1)
monica@[email protected] 3
A distribuição LognormalA distribuição Lognormal
A distribuição Lognormal é uma distribuição de probabilidade contínua usada para dados positivos.
Esta distribuição é freqüentemente usada na modelagem do preço de ações e outros ativos financeiros, e também pode modelar o tempo até a ocorrência de um defeito de uma máquina.
monica@[email protected] 4
A Distribuição LognormalA Distribuição Lognormal
Como criar uma variável lognormal?Seja X ~ N(µ, σ2). Seja Y = exp(X). Então Y tem densidade Lognormal com parâmetros µ e σ2.
A densidade de Y pode ser facilmente encontrada pelos métodos usuais (por exemplo, o método do Jacobiano), e édada por: ( )2
22
log( )1 1( ) . .exp onde y > 022
yf y
yµ
σπσ
− = −
monica@[email protected] 5
A Distribuição LognormalA Distribuição Lognormal
Exemplo – Lognormais com µ = 0.05 e 0.25 e σ = 0.30
0 1 2 3 4 5 6 70
0.5
1
1.51.323
0
f x 0.05, 0.30,( )
f x 0.25, 0.30,( )
70.01 xmonica@[email protected] 6
A Distribuição LognormalA Distribuição Lognormal
Atenção:A distribuição Lognormal, ao contrário do que o nome indica, não significa a densidade do logaritmo de uma variável Normal, pois uma variável Normal admite valores negativos, onde o logaritmo não está definido. Uma variável aleatória com densidade Lognormal é encontrada tomando-se a exponencial de uma variável aleatória Normal!
monica@[email protected] 7
Lognormal como modelo para Lognormal como modelo para o preço de uma açãoo preço de uma ação
Uma forma de descrever a incerteza sobre o preço de uma ação é supor que as variações no preço entre os instantes t e t+∆t podem ser divididas em 2 componentes, uma aleatória e a outra determinística, como a seguir:
onde Z é uma variável N(0,1) e µ e σ > 0 são parâmetros conhecidos. O parâmetro µrepresenta a taxa média de crescimento do preço ao longo do tempo.
( ){ }. exp . .t t tS S t Z tµ σ+∆ = ∆ + ∆
monica@[email protected] 8
Lognormal como modelo para Lognormal como modelo para o preço de uma açãoo preço de uma ação
Note que, se σ = 0, a evolução dos preços épuramente determinística, e então:
Nesta expressão percebemos que a tendência determinística dos preços é crescente desde que µ > 0.Se σ > 0 então existe uma componente aleatóriano comportamento dos preços. Esta componente aleatória é dada por uma variável aleatória N(0,1), e assim o efeito desta variável pode ser o de atenuar o crescimento determinístico no preço, pois Z pode ser negativo. Note que a variável exp(Z) é Lognormal.
( ){ }. exp .t t tS S tµ+∆ = ∆
monica@[email protected] 9
Propriedades da distribuiPropriedades da distribuiçãção o LognormalLognormal
Teorema (média e variância da Lognormal)
Se Y ~ Lognormal(µ, σ2) então:E(Y) = exp( µ + σ2/2)
Demonstração – faça em casa – use a fgm de uma Normal.
( ) ( )22( ) exp 2 . 1VAR Y eσµ σ= + −
monica@[email protected] 10
Lognormal (para casa)Lognormal (para casa)
Sejam Y1 e Y2 variáveis Normais independentes com médias 4 e 2 e variâncias iguais a 1. Sejam X1 e X2 definidos como: X1 = exp(Y1) e X2 = exp(Y2) .Defina uma nova variável W como:
a) Calcule E(W)b) Calcule VAR(W)
W e X X= 212
23. .
monica@[email protected] 11
Lognormal (para casa)Lognormal (para casa)
Dicas:1) Se X tem densidade N(µ, σ2) então sua função geradora de momentos é: exp(µt + σ2t2/2)2) Se U é uma variável qualquer então : VAR(U) = E(U2) - {E(U)}2
Não é necessário especificar completamente a densidade da variável W - você só precisa calcular sua média e variância.
monica@[email protected] 12
A distribuição Normal A distribuição Normal BivariadaBivariada
É uma distribuição conjunta para duas variáveis X1 e X2, ambas Normais e, a princípio dependentes.
A densidade conjunta é dada por:
Onde R é:( ) ( )1 2 22 2 2
1 2
1 1( , ) .exp .2 12 1
f x x Rρπ ρ σ σ
− = −−
2 2
1 1 2 2 1 1 2 2
1 2 1 2
2. . .x x x xR µ µ µ µρσ σ σ σ
− − − −= + −
monica@[email protected] 13
A distribuição Normal A distribuição Normal BivariadaBivariada
Esta densidade conjunta é chamada de densidade Normal Bivariada com parâmetros µ1, µ2 , ρ, σ1
2, σ22 , onde µ1 e µ2
são números reais quaisquer, ρ estárestrito ao intervalo (-1,1) e σ1
2, σ22 são
positivos.
Se (X1, X2) ~ N( µ1, µ2 , ρ, σ12, σ2
2 ) então:
monica@[email protected] 14
A distribuição Normal A distribuição Normal BivariadaBivariada
A densidade marginal de X1 é N(µ1,σ12)
A densidade marginal de X2 é N(µ2,σ22)
As densidades condicionais também são Normais. A densidade condicional de X1 dado X2 = x2 é:
A densidade condicional de X2 dado X1 = x1 é:
( ) ( )2 211 2 2 1 2 2 1
2
( | ) ~ . . , . 1X X x N xσµ ρ µ σ ρσ
= + − −
( ) ( )2 222 1 1 2 1 1 2
1
( | ) ~ . . , . 1X X x N xσµ ρ µ σ ρσ
= + − −
monica@[email protected] 15
A distribuição Normal A distribuição Normal BivariadaBivariada
Dada uma densidade Normal bivariada, quais são as suas características mais importantes ?Pr( a < X1 < b, c < X2 < d) é encontrada
pela integral dupla da densidade Normal bivariada sobre os intervalos (a, b) e (c, d).
A integral dupla sobre todos os valores de X1 e X2 da densidade Normal bivariada é um.
monica@[email protected] 16
A distribuição Normal A distribuição Normal BivariadaBivariada
O parâmetro ρ na densidade Normal Bivariada é o coeficiente de correlação entre X1 e X2.
Se ρ = 0, X1 e X2 são descorrelatados, mas da expressão da densidade Normal bivariada podemos perceber que a densidade conjunta reduz-se ao produto das densidades marginais.
Logo, no caso da distribuição Normal bivariada (e apenas nele!!!!), correlação zero é equivalente àindependência entre as duas variáveis aleatórias.
monica@[email protected] 17
A distribuição Normal A distribuição Normal BivariadaBivariada
Os valores esperados das densidades condicionais são funções lineares. Por exemplo:
Note que este valor esperado é chamado de regressão de X2 em X1 e neste caso percebemos que a função de regressão éuma função linear de X1.
( )22 1 1 2 1 1
1
( | ) . .E X X x xσµ ρ µσ
= = + −
monica@[email protected] 18
A distribuição Normal A distribuição Normal BivariadaBivariada
As variâncias das densidades condicionais são constantes, e não dependem do valor da variável em que se está condicionando. Por exemplo:
que não depende de X1. Na verdade, quanto maior (em módulo) a correlação entre X1 e X2, menor é a variância condicional (maior a informação que X1 trouxe para X2).
( )2 22 1 1 2( | ) . 1VAR X X x σ ρ= = −
monica@[email protected] 19
A distribuição Normal A distribuição Normal BivariadaBivariada
Isto é, se a correlação entre as duas variáveis é grande (em módulo), o conhecimento de uma das variáveis (densidade condicional) implica numa redução substancial da incerteza (variância) da outra.
Por outro lado, se a correlação entre as variáveis épequena, o efeito de conhecer uma variável sobre a incerteza na densidade condicional é pequeno também, e a variância condicional está próxima da variância da variável "sozinha" ( variância da densidade marginal).
No limite, se ρ = 0 , as variáveis são independentes, e conhecer uma delas não traz qualquer informação sobre a outra variável.
monica@[email protected] 20
A distribuição Normal A distribuição Normal Bivariada Bivariada -- ExemploExemplo
Sejam X1 ~ N(0, 1) e X2 ~ N(0, 4). Escreva a densidade Normal bivariada neste caso em função de ρ e calcule as densidades condicionais quando ρ = 0.5, -0.5, 0, 0.8, -0.8.Solução
( )2 2
1 2 1 21 2 22
1 1( , ) .exp . 2. . .1 2 1 22 12 (1)(2) 1x x x xf x x ρ
ρπ ρ
− = + − − −
monica@[email protected] 21
A distribuição Normal A distribuição Normal Bivariada Bivariada -- ExemploExemplo
Lembramos novamente que o caso ρ = 0 corresponde à independência entre X1 e X2 , pois neste caso a densidade conjunta anterior é apenas o produto das marginais, que são N(0,1) e N(0,4).
A densidade condicional de X2 dado X1 = x1 é Normal, com média e variância dadas por:
monica@[email protected] 22
A distribuição Normal A distribuição Normal Bivariada Bivariada -- ExemploExemplo
A densidade condicional de X1 dado X2 = x2 é Normal com média e variância dadas por:
( )2 1 1 12( | ) 0 . . 0 2. .1
E X x x xρ ρ = + − =
( )2 2 22 1( | ) 2 .(1 ) 4.(1 )VAR X x ρ ρ= − = −
( )1 2 2 21 1( | ) 0 . . 0 . .2 2
E X x x xρ ρ = + − =
( )2 2 21 2( | ) 1 .(1 ) 1VAR X x ρ ρ= − = −
monica@[email protected] 23
A distribuição Normal A distribuição Normal Bivariada Bivariada -- ExemploExemplo
A próxima tabela exibe os valores das médias e variâncias condicionais para os valores de ρ especificados.
ρ E(X2|x1) VAR(X2|x1) E(X1|x2) VAR(X1|x2)-0.8 (-1.6)x1 4(0.36) = 1.44 (-0.4)x2 0.36
-0.5 (-1.0)x1 4(0.75) = 3.00 (-0.25)x2 0.25
0 0 4 0 10.5 (+1.0)x1 4(0.75) = 3.00 (+0.25)x2 0.25
0.8 (+1.6)x1 4(0.36) = 1.44 (+0.4)x2 0.36
monica@[email protected] 24
A distribuição Normal A distribuição Normal Bivariada Bivariada -- ExemploExemplo
Da tabela notamos que, a variância incondicionalde X2 (quando X1 não é levado em consideração, ou quando as duas variáveis são independentes) é 4. Esta variância se reduz quando o coeficiente de correlação aumenta em módulo.
A média condicional de X2 dado x1 não dependede x1 quando as variáveis são independentes, e éuma reta quando ρ ≠ 0. O coeficiente angular desta reta varia de acordo com o valor de ρ, podendo ser negativo ou positivo. Comentários semelhantes se aplicam à distribuição condicional de X1 dado x2.
monica@[email protected] 25
A distribuição Normal A distribuição Normal Bivariada Bivariada -- ExemploExemplo
A seguir mostramos densidades Normais bivariadas com µ1 e µ2 = 0, σ1
2 = 1 σ22 = (4)2
= 16 e ρ com diversos valores.
Verifique e compare as curvas de nível destas densidades.
monica@[email protected] 26
A distribuição Normal A distribuição Normal Bivariada Bivariada -- ExemploExemploρ = -0.8 (Densidade Bivariada)
monica@[email protected] 27
A distribuição Normal A distribuição Normal Bivariada Bivariada -- ExemploExemplo
ρ = -0.8 (Curvas de Nível – são ELIPSES!)
monica@[email protected] 28
A distribuição Normal A distribuição Normal Bivariada Bivariada -- ExemploExemploρ = -0.8 (Densidade Condicional de X1 dado X2)
monica@[email protected] 29
A distribuição Normal A distribuição Normal Bivariada Bivariada -- ExemploExemploρ = -0.8 (Densidade Condicional de X2 dado X1)
monica@[email protected] 30
A distribuição Normal A distribuição Normal Bivariada Bivariada -- ExemploExemplo
ρ = 0 (Densidade Bivariada)
monica@[email protected] 31
A distribuição Normal A distribuição Normal Bivariada Bivariada -- ExemploExemplo
ρ = 0 (Curvas de Nível – são CÍRCULOS)
monica@[email protected] 32
A distribuição Normal A distribuição Normal Bivariada Bivariada -- ExemploExemplo
ρ = +0.8 (Densidade Bivariada)
monica@[email protected] 33
A distribuição Normal A distribuição Normal Bivariada Bivariada -- ExemploExemplo
ρ = +0.8 (Curvas de Nível – são ELIPSES!)
monica@[email protected] 34
Distribuição Normal bivariada Distribuição Normal bivariada (para casa)(para casa)
Num certo instante de tempo, as taxas de juros de 30 e 60 dias têm, conjuntamente, uma distribuição Normal bivariada com médias 16% e 16.8% ao ano, e desvios padrões 4% e 5% ao ano respectivamente.
A correlação entre as taxas é 90%. Calcule:
monica@[email protected] 35
Distribuição Normal bivariada Distribuição Normal bivariada (para casa)(para casa)
a) A probabilidade da taxa de 30 dias estar entre 14% e 18%.b) A probabilidade da taxa de 60 dias estar entre 14% e 18%.c) A probabilidade da taxa de 30 dias estar entre 14% e 18% sabendo que a taxa de 60 dias estáhoje em 22%.d) A probabilidade da taxa de 30 dias estar entre 14% e 18% sabendo que a taxa de 60 dias estáhoje em 15%.e) A probabilidade da taxa de 60 dias estar entre 14% e 18% sabendo que a taxa de 30 dias estáhoje em 18%.
monica@[email protected] 36
Distribuição Normal bivariada Distribuição Normal bivariada (para casa)(para casa)
Fez-se uma pesquisa de preços de roupas masculinas num shopping center. Uma amostra dos produtos existentes revela que o preço das calças éuma variável Normal com média R$ 80 e desvio padrão R$ 30. O preço das camisas é, por sua vez, uma variável Normal com média R$ 60 e desvio padrão R$ 25. A correlação entre os preços de calças e camisas é 0.6. Calcule as seguintes probabilidades:
a) De um par de calças custar entre R$ 60 e R$ 95.
monica@[email protected] 37
Distribuição Normal bivariada Distribuição Normal bivariada (para casa)(para casa)
b) De um par de calças custar entre R$ 60 e R$ 95 sabendo que uma camisa custa R$ 75 nesta loja.c) De um par de calças custar entre R$ 60 e R$ 95 sabendo que uma camisa custa R$ 50 nesta loja.d) Qual é a distribuição condicional dos preços das camisas sabendo que o preço das calças éR$ 100?e) Qual é a distribuição condicional dos preços das camisas sabendo que o preço das calças éR$ 70?
monica@[email protected] 38
Distribuição BetaDistribuição Beta
Definição (Função Beta)Sejam m e n > 0 (não necessariamente inteiros). A função Beta com argumentos m e n é definida por:
Aqui usamos a transformação x = sin2θpara obter a última integral do lado direito.
1 / 21 1 2 1 2 1
o( , ) = (1 ) = 2 (sin ) (cos ) m n m n
om n x x dx d
πβ θ θ θ− − − −−∫ ∫
monica@[email protected] 39
Distribuição BetaDistribuição Beta
Teorema Teorema -- Propriedades da FunPropriedades da Funçãção Betao Betaβ(m, n) = β(n, m)
Esta última propriedade é importante por que relaciona as funções Gama e Beta, e será útil na derivação dos momentos da densidade Beta.
( ) ( )( , ) = (m+n)m nm nβ Γ ΓΓ
monica@[email protected] 40
Distribuição BetaDistribuição Beta
Definição (Densidade Beta)A densidade de probabilidade Beta deve ser aplicada a variáveis aleatórias definidas no intervalo [0,1], e seráimportante no contexto de Estatística Bayesiana.A variável aleatória X tem densidade Beta(m, n), se sua densidade é:
1 11( ) = (1 ) , 0 x 1, m,n > 0( , )
m nf x x xm nβ
− −− ≤ ≤
monica@[email protected] 41
Distribuição BetaDistribuição Beta
onde β(m, n) é a função Beta definida anteriormente.Note que, se m = n = 1 a densidade Beta se reduz à Uniforme no intervalo (0,1).
Notação: X ~ Beta(m, n)
A densidade Beta é apropriada para modelar proporções, por causa do seu domínio (o intervalo (0,1)) e também pela variedade de formas que a densidade pode assumir, de acordo com os valores especificados de m e n.
monica@[email protected] 42
Distribuição BetaDistribuição Beta
Algumas densidades Beta
0
2
4
6
8
10
12
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1.0
Beta(1,2)
Beta(1,3)
Beta(2,1)
Beta(2,2)
Beta(2,3)
monica@[email protected] 43
Distribuição BetaDistribuição Beta
Teorema - (Média e variância de uma v.a. Beta)Se X ~ Beta (m, n) então:
( )nm
mXE+
=
2( )( 1) ( )
mnVAR Xm n m n
=+ + +
monica@[email protected] 44
Distribuição BetaDistribuição Beta
DemonstraçãoSegue do fato:
Para todo k inteiro ≥ 1
( ) ( )( ) = ( ) ( )
k k m m nE Xm k m n
Γ + Γ +Γ Γ + +
monica@[email protected] 45
Distribuição Beta e relação Distribuição Beta e relação com a Uniforme(0,1)com a Uniforme(0,1)
TeoremaSejam X1, X2, ... , Xn variáveis aleatórias independentes com densidade Unif(0,1). Seja Yr o r-ésimo maior número dentre os valores observados de X1, X2, ... , Xn . Então Yr tem densidade Beta com parâmetros r e n – r + 1.
monica@[email protected] 46
Distribuição Beta e relação Distribuição Beta e relação com a Uniforme(0,1)com a Uniforme(0,1)
ExemploUm computador gera 10 números aleatórios uniformemente no intervalo (0,1). Calcule a probabilidade de que o menor destes números será maior que 0.5.SoluçãoPelo teorema anterior, a densidade do menor dos 10 números é uma Beta com parâmetros 1 e 10. Isto é, se Y denota este número temos:
monica@[email protected] 47
Distribuição Beta e relação Distribuição Beta e relação com a Uniforme(0,1)com a Uniforme(0,1)
A densidade de Y é:
A probabilidade deste número exceder 0.5 é:
Faça a mudança de variável: t = 1 - y ⇒dt = -dy e se y→ 0.5, t → 0.5 e se y→ 1, t → 0. Logo:
( ) ( )( ) ( ) ( ) ( ) ( )10 1 9 91 111 10!1 1 10 1 onde 0<y<11 . 10 0!9!
f y y y y y−−Γ= − = − = −Γ Γ
( ) ( )1
9
0.5
Pr 0.5 10 1Y y dy> = −∫
( ) ( ) ( )0 0.5
109 9 10
0.5 0
0.5Pr 0.5 10 10 0.5 0.0977%
0Y t dt t dt t> = − = = = =∫ ∫
monica@[email protected] 48
Distribuição Beta (para casa)Distribuição Beta (para casa)
Considere uma amostra de tamanho n > 3 da densidade Uniforme(0,1). Calcule, como função do tamanho da amostra, as seguintes probabilidades:a) De que o maior número na amostra exceda 0.8;b) De que o menor número na amostra seja menor que 0.2.c) Faça um gráfico das probabilidades nos ítens a) e b) versus n.
monica@[email protected] 49
Distribuição Beta (para casa)Distribuição Beta (para casa)
Um computador gera 6 números aleatórios uniformemente distribuídos no intervalo (0,1). Calcule a probabilidade de que o menor destes números será maior que 0.2.Calcule o valor esperado do menor destes números.Encontre a densidade do 2o. menor destes números e calcule a sua média e variância.Calcule a probabilidade de que o maior destes números exceda 0.6.
monica@[email protected] 50
Distribuição Beta (para casa)Distribuição Beta (para casa)
Suponha que X tem distribuição Beta com parâmetros a e b. Mostre que Y = 1 - X tem distribuição Beta com parâmetros b e a.