Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
O PROBLEMA
1
2 x ⇐ x ∈[ 0,2]
0 ⇐ x ∉[ 0,2]
2
E[ X ] = ∫
0
x 21 xdx = 4
3
E [ X 2 ] = ∫ x 2 21 xdx = 2
2
3 9
Ora, tendo-se:
4 2 4− 2 4+ 2
X− < ⇔ <X<
3 3 3 3
4+ 2
3
∫
4~ 2
1
2 xdx ≅ 0,629 ⋅
3
4 − 2 4 + 2
,
3 3
4
E[ X ] = µ X =
3
e de semi-amplitude igual ao desvio-padrão de X:
2
σX = ⋅
3
Neste caso, foi possível obter o valor da probabilidade procurada,
conseguido com a precisão que se entendeu, dado ser conhecida a
distribuição da variável aleatória X em causa.
Pode, porém, acontecer que se conheçam o valor médio e o
desvio-padrão da variável aleatória, mas se desconheça a
correspondente distribuição, o que impossibilita o cálculo tal como
anteriormente apresentado. É para uma situação deste tipo que a
Desigualdade de Chebychev se mostra de enorme utilidade.
A DESIGUALDADE DE MARKOV
E [ g ( X )]
∀c ∈R + , P[ g ( X ) ≥ c] ≤ ⋅
c
Torna-se, assim, evidente que, no caso de se ter:
g( X ) = X
E[ X ]
P[ X ≥ c] ≤ ⋅
c
Retomando o exemplo da distribuição inicial, facilmente se pode
mostrar que:
2
4 1 2 2
P X ≥ =
3 ∫ 1
2 xdx =
4
[ x ] 43 = 0,(5).
4
3
4
4 3
P X ≥ ≤ 4 =1
3 3
A DESIGUALDADE DE CHEBYCHEV
g( X ) = ( X − µ X ) 2 ∧ c = t 2 σ X2
[
E ( X − µX )2 ]= σ X2 1
[
P ( X − µX ) ≥ t σ
2 2 2
X ]≤ t 2σ X2 2 2 = 2
t σX t
ou seja:
[
P X − µ X < tσ X ≥ 1 − ] 1
t2
⋅
Esta expressão, ou a imediatamente anterior, constitui a importante
Desigualdade de Chebychev, para o caso de uma única variável
aleatória.
1
1− ⋅
t2
Seja, então, estimar:
4 1 4 2 2 5
P X − < = P X − < ⋅ = P X ∈ 1, ⋅
3 3 3 2 3 3
5 5
3 1
2
t=
2
que a mesma fornece:
4 2 2 1
P X − < ⋅ ≥ 1− 2 = −1
3 2 3 2
2
o que, sendo naturalmente evidente, é também cabalmente inútil. Ou
seja, −1 é o limite mínimo para a probabilidade procurada.
P[ X ≥ c] ≤
[
E X
r
]
r
c
[
E X
5
] ≅ 9,14
e se pretende calcular:
3
P X ≥ ⋅
2
3 9,14
P X ≥ ≤ ≅ 1,20 ⋅
2 3 5
2
µ4 = E X [ 4
]
obtendo-se, então:
µ4 − σ 4
P[ X ≥ tσ ] ≤
µ4 + t 4 σ 4 − 2 t 2 σ 4
com t > 1.
Veja-se, agora, um outro caso, já numa situação muito mais
próxima do modelo gaussiano, que se apresenta com o seguinte
EXEMPLO. Seja, então, uma variável aleatória, X , normal, de valor
médio e variância, respectivamente, 6 e 0,36:
X ~ N ( 6;0,36) .
σ X = 0,6 .
X −6 <1
P[ X − 6 < 1] ≅ 0,905.
1 1
P[ X − 6 < 1] = P X − 6 < ⋅ 0,6 ≥ 1 − 2 = 0,64
0,6 1
0,6
1
t= = 1,(6). •
0,6
∑X i
i =1
X =
n
cujo valor médio e variância são, respectivamente:
[ ]
E X = µ
σ2
V[ X ] =
n
Recorrendo à Desigualdade de Markov, mas tomando agora a nova
função g : R→R, definida por:
g( X ) = ( X − µ )
2
para a qual:
[
E ( X − µ)
2
] =
σ2
n
virá:
[ ]
P ( X − µ ) ≥ t 2σ 2 ≤
2 σ2
2 2 ⇔ P X − µ ≥ tσ ≤
nt σ
[ 1
nt
2 ⋅ ]
(1)
[ ]
E X = 6
0,36
V[ X ] = = 0,0036
100
pelo que será:
σ X = 0,06.
X −6 <1
virá:
( )
P X − 6 < 1 = P X − 6 <
1
0,06
⋅ 0,06 ≥ 1 −
1
1
2 ≈ 0,999964
100
0,06
Esta é uma estimativa do mínimo da probabilidade procurada. De
facto, se se soubesse que:
X −6
X ~ N ( 6;0,0036) ⇔ Z = ~ N ( 0;1)
0,06
[
P X − 6 < 1 ≅ 1.]
A maior aproximação entre a anterior estimativa, 0,999964, e o
valor real, quando se conhece a distribuição, deve-se ao facto de se ter
usado uma amostra já grande, através da distribuição da sua média
aritmética. •
g( X ) = ( X − τ )
2
ter-se-á:
[
E ( X −τ)
2
]
[
P ( X −τ) ≥ t σ
2 2 2
]≤ t σ
2 2
ou seja:
P[ X − τ ≥ tσ ] ≤
E [ ( ( X − µ) + ( µ − τ ) ) ] 2
t 2σ 2
ou ainda:
P[ X − τ ≥ tσ ] ≤
[
E ( X − µ)
2
] + 2( µ − τ ) E[ X − µ ] + E[ ( µ − τ ) ]
2
t 2σ 2
ou, finalmente:
1 ( µ −τ)
2
P[ X − τ ≥ tσ ] ≤ 2 + 2 2
t t σ
(2)
E[ X − µ ] = 0
e que:
[
E ( µ −τ) ] = ( µ −τ)
2 2
E[ ( X − µ ) ] = σ .
2 2
1 ( µ −τ)
2
P[ X − τ < tσ ] ≥ 1 − 2 − 2 2
t t σ
( 3)
] τ − tσ , τ + tσ [
centrado em τ e não em µ .
De igual modo, se se tiver a função:
g( X ) = ( X − τ )
2
( 1
)
P X − τ < tσ ≥ 1 − 2 − 2 2
nt t σ
que é também de muito fácil obtenção.
n
X = X 1 + ⋅ ⋅⋅ + X n = ∑ X i
i =1
] = E[ ( X ] = ∑σ
n
E[ X + ⋅⋅⋅ + X n ) = ∑n .
2 2 2 2
1 i
i =1
D1 = X 1 < t ∑n
D2 = X 1 + X 2 < t ∑n
.........................................
Dn = X 1 + ⋅ ⋅⋅ + X n < t ∑n
1 n 1
P( D1 ∩ D2 ∩...∩ Dn ) ≥ 1 − 2 ⇔ P Di ≥ 1 − 2 ⋅
t i =1 t
Trata-se de uma propriedade de essencial interesse para a
obtenção de uma condição suficiente para a conhecida lei forte dos
grandes números.
O CASO ESTOCÁSTICO
{ X (t ): t ∈ T}
onde t é o parâmetro do processo, com valores no domínio T , se pode
considerar uma função de valor médio do processo estocástico.
{ [ ]}
1
2 2
g1 ( t ) = E X ( t )
{ [ ]}
1
2 2
g 2 (t ) = E X (t ) '
se tem:
1
[ ]
b
E sup X 2 (t ) ≤ g12 ( a ) + g12 (b) + ∫ g1 ( t ) ⋅ g 2 ( t )dt .
t ∈[ a ,b ] 2 a
E sup X 2 (t )
∀c ∈ R+ , t ∈[ a ,b ]
P sup X (t ) > c ≤ 2
t ∈[ a ,b ] c
2 b
⋅ σ X ' ( t ) dt
σ + σ 2
∫ σ
[ ]
P X (t ) − m(t ) ≤ c ≥ 1 −
X ( a )
2c 2
X ( b )
+ a X (t )
c2
[ ]
E max{ X , Y } ≤ 1 + 1 − ρ 2
e também que:
1+ 1− ρ2
[ ]
P X − E [ X ] ≥ tσ X ∨ Y − E [ Y ] ≥ tσ Y ≤
t2
⋅
1
[ ]
P X − E [ X ] ≥ tσ X ≤
t2
⋅
BIBLIOGRAFIA