BACEN2010 Econometria Barbosa Cunha Aula 01

CURSO ON-LINE ECONOMETRIA PARA ANALISTA DO BACEN PROFESSORES: ALEXANDRE DE LIMA E ANDR CUNHA 1
PONTODOSCONCURSOS
EconometriaBACEN
Aula1
AlexandreBarbosadeLimaeAndrCunha 14/12/2009
Este documento aborda os seguintes tpicos: teoria de probabilidade, variveis aleatrias, esperanas matemticas e distribuies de probabilidade.
www.pontodosconcursos.com.br
Contedo
1. Probabilidade ....................................................................................................... 3 1.1. 1.2. 1.3. 1.4. 1.5. 2.1. 2.2. 2.3. Os Diferentes Tipos de Probabilidade .............................................. 3 Conjuntos e Eventos .............................................................................. 5 Definio Axiomtica de Probabilidade ........................................... 5 Probabilidades Conjunta e Condicional ........................................... 6 Independncia .......................................................................................... 7 Definio de Varivel Aleatria .......................................................... 8 Funo Discreta de Probabilidade ..................................................... 9 Funo de Distribuio de Probabilidade ....................................... 9
2. Variveis Aleatrias........................................................................................... 8
2.4. Funes de Distribuio e de Densidade de Probabilidade para Variveis Contnuas .................................................................................. 10 2.5. Funes de Probabilidade Conjunta .................................................... 13
2.5.1. Funes de Probabilidade Marginal ................................................ 16 2.5.2. Funes de Probabilidade Condicional ............................................ 16 2.5.3. Variveis Aleatrias Independentes ............................................... 17
3. Valores Esperados Envolvendo Uma nica Varivel Aleatria ....... 18 3.1. 3.2. 3.3. 4.1. 4.2. 4.3. 4.4. Mdia .......................................................................................................... 18 Valor Esperado de Uma Funo de Varivel Aleatria ............ 19 Varincia ................................................................................................... 20 Distribuio Normal .............................................................................. 20 Distribuio Qui-quadrado ................................................................. 21 Distribuio t-Student.......................................................................... 23 Distribuio F de Snedecor ................................................................ 25
4. Distribuies Importantes em Econometria .......................................... 20
5. Exerccios de Fixao...................................................................................... 27 6. GABARITO ........................................................................................................... 31 7. Resoluo dos Exerccios de Fixao ....................................................... 32
Alexandre/Andr
BACEN 2k9
1.
Probabilidade
A probabilidade a teoria matemtica que d a base terica para as tcnicas estatsticas que so aplicadas Econometria. Utilizando a probabilidade, podemos estudar sistemas econmicos num sentido mdio (esta idia ser formalizada mais adiante). Um fenmeno aleatrio quando o seu comportamento futuro no pode ser previsto com absoluta certeza. Por exemplo, as condies climticas no dia da prova do BACEN no podem ser previstas com 100% de acerto. Por outro lado, possvel que a previso do tempo seja realizada em termos probabilsticos. Se voc tiver a curiosidade de consultar o site da empresa Climatempo1, constatar que a previso dada em termos de tendncias e que, inclusive, a seguinte observao feita: Esta tendncia resultado de modelos matemticos e no tem interferncia direta dos meteorologistas. Estes valores podem variar muito de um dia para o outro.. Ou seja, a Climatempo est dizendo para os seus clientes, que so leigos em Meteorologia, que a previso do tempo possui uma margem de erro e que isto se deve utilizao de modelos matemticos probabilsticos de previso. As variveis econmicas so aleatrias por natureza. No sabemos quais sero os seus valores futuros seno depois de observ-los. Por exemplo, no sabemos dizer, com 100% de preciso, qual ser a cotao do Dlar em 21/12/2009 (hoje o dia 11/12/2009). Contudo, podemos afirmar que h uma tendncia da cotao se manter estvel, por volta de R$ 1,75. Faremos uma breve reviso dos conceitos fundamentais da teoria da probabilidade nesta aula. 1.1. Os Diferentes Tipos de Probabilidade A) Probabilidade como a razo entre o nmero de resultados favorveis e o nmero total de resultados possveis (teoria clssica) Nesta abordagem a probabilidade de um dado evento2 E calculada a priori3 pela frmula
1 2
http://www.climatempo.com.br O conceito de evento ser formalizado mais adiante nesta aula. 3 Aqui, a priori significa aquilo que est relacionado com o raciocnio lgico a partir de proposies auto-evidentes ou o que pressuposto por experincia. Neste contexto, a posteriori denotaria o que est relacionado com o raciocnio lgico a partir dos fatos que so observados.
Alexandre/Andr
BACEN 2k9
CURSO ON-LINE ECONOMETRIA PARA ANALISTA DO BACEN PROFESSORES: ALEXANDRE DE LIMA E ANDR CUNHA 4 (1)
P=
NE N
em que P a probabilidade de E, NE representa o nmero de ocorrncias de E e N o nmero de todos os resultados possveis. Uma noo importante que est subentendida em (1) que os resultados devem ser equiprovveis. Exemplo 1. Lance uma moeda no viciada (ou justa) duas vezes. Os resultados possveis so cara-cara (CC), cara-coroa (CK), coroa-cara (KC) e coroa-coroa (KK). Qual a probabilidade de se obter pelo menos uma coroa? Seja E o evento que denota a obteno de pelo menos uma coroa; ento E o conjunto dos resultados
E = {CK, KC, KK} .

O nmero de elementos em E 3. Como N = 4, temos que
P[ E ] =
NE 3 = . N 4
A definio clssica de probabilidade possui alguns defeitos, como, por exemplo, a sua no capacidade de abordar situaes em que os resultados so no equiprovveis. B) Probabilidade como freqncia relativa Considere n realizaes de um experimento aleatrio (vide definio mais adiante). Ento, define-se a probabilidade de um dado evento E como (2)
P[ E ] = lim n
nE n
em que nE denota o nmero de ocorrncias de E. Como na prtica no podemos obter infinitas realizaes, temos que (2) estima P[E] dado um valor finito de n. Observe que 0 P[ E ] 1 , pois nE n . Um dos problemas desta abordagem justamente o fato de nunca podermos realizar o experimento por um nmero infinito de vezes. Outra dificuldade que assume-se que a razo nE/n possui um limite para n tendendo a infinito.
Alexandre/Andr
BACEN 2k9
CURSO ON-LINE ECONOMETRIA PARA ANALISTA DO BACEN PROFESSORES: ALEXANDRE DE LIMA E ANDR CUNHA
5 Apesar dos problemas mencionados acima, a definio de probabilidade como freqncia relativa essencial para a aplicao da teoria da probabilidade ao mundo real.
C) Probabilidade baseada na teoria axiomtica Esta a abordagem moderna da probabilidade. Para desenvolv-la, preciso introduzir os conceitos de experimento aleatrio, espao amostral e evento. Um experimento aleatrio simplesmente um experimento em que os resultados so no determinsticos, isto , probabilsticos. O espao amostral o conjunto de todos os possveis resultados de um experimento aleatrio. Um evento um subconjunto do espao amostral que satisfaz a certas restries (no vem ao caso, neste curso, detalhar quais so estas restries). De forma geral, quase todo subconjunto do espao amostral um evento4. O moderno tratamento axiomtico da teoria da probabilidade em grande parte devido pesquisa do brilhante matemtico russo Andrei N. Kolmogorov (1903-1987)5. 1.2. Conjuntos e Eventos Um conjunto uma coleo de objetos abstratos ou concretos. Um exemplo de conjunto concreto o conjunto de todos os residentes na cidade de So Paulo cuja altura exceda 1,60 m. O conjunto de todos os habitantes de So Paulo com altura entre 1,60m e 1,70m um subconjunto do conjunto anterior. No estudo da probabilidade, ns estamos interessados no conjunto de todos os possveis resultados de um experimento (espao amostral) e nos subconjuntos daquele conjunto. comum representar o espao amostral de um experimento aleatrio usando a letra grega (mega). Eventos so subconjuntos de . O prprio conjunto um evento, o qual denominado evento certo. 1.3. Definio Axiomtica de Probabilidade
Nem todo subconjunto do espao amostral um evento. Eventos so subconjuntos do espao amostral que tm medidas de probabilidade consistentes com os axiomas da probabilidade do item 1.3. De fato, o conjunto dos eventos forma uma -lgebra denominada conjunto de Borel [STA02, pg. 11]. Apesar deste tipo de informao no ser importante para a prova, no nos custa nada conhecer um pouco da histria da matemtica e pagar o tributo a um dos maiores matemticos de todos os tempos!
Alexandre/Andr
BACEN 2k9
6 Seja um experimento aleatrio com espao amostral . Considere um evento qualquer E. Define-se probabilidade como a funo P[.] que atribui um nmero P[E] para o evento E do espao amostral denominado probabilidade de E tal que
a) P[E] 0. b) P[] = 1. c) P[E F] = P[E] + P[F] se E F = . As expresses (a), (b) e (c) so os axiomas da probabilidade. 1.4. Probabilidades Conjunta e Condicional Assuma que se queira realizar o seguinte experimento: estamos numa certa cidade do Brasil e desejamos coletar dados sobre o tempo local. Em particular estamos interessados em trs eventos, os quais sero denominados A, B e C, onde A o evento que representa uma temperatura igual ou maior a 20 C em qualquer dia; B o evento que denota um ndice de precipitao maior ou igual a 10mm em qualquer dia; C o evento que representa a ocorrncia simultnea de A e B, isto , C = AB (ou C = A B); Como C um evento, P[C] uma probabilidade que satisfaz os axiomas. Mas P[C] = P[AB]; neste caso, diz-se que P[AB] a probabilidade conjunta dos eventos A e B. Em muitas situaes prticas, o fenmeno aleatrio de interesse pode ser desmembrado em duas etapas. A informao do que ocorreu numa dada etapa pode influenciar as probabilidades de ocorrncias das etapas seguintes. Nestes casos, diz-se que ganhamos informao e que podemos recalcular as probabilidades de interesse. Essas probabilidades recalculadas so conhecidas como probabilidades condicionais. A definio de probabilidade condicional ser motivada pelo exemplo a seguir. Exemplo 2. Considere os eventos A, B e C definidos acima. Seja ni o nmero de dias em que o evento i ocorreu. Ao longo de 1000 dias (n = 100), foram feitas as seguintes observaes: nA = 711, nB = 406,
Alexandre/Andr
BACEN 2k9
7 nAB = 200. Pela interpretao da probabilidade em termos da noo de freqncia relativa, podemos estimar que:
P[A] nA/n = 711/1.000 = 0,711 P[B] nB/n = 406/1.000 = 0,406 P[AB] nAB/n = 200/1.000 = 0,200 Agora considere a razo nAB/nA . Esta a freqncia relativa de ocorrncia do evento AB quando o evento A ocorre. Dito de outra forma, nAB/nA corresponde frao do tempo em que o ndice de precipitao maior ou igual a 10mm naqueles dias em que a temperatura igual ou maior a 20 C. Portanto, estamos lidando com a freqncia de um evento, dado que (ou condicionado ao fato de que) outro evento ocorreu. Note que
n AB n AB / n P[ AB] = nA nA / n P[ A]
Este conceito emprico sugere que seja introduzido o conceito de uma medida de probabilidade condicional definida por (3) P[ B / A] = P[ AB] , P[ A]
P[ A] > 0
em que P[ B / A] denota a probabilidade de que B ocorra dado que A ocorreu. Similarmente, (4)
P[ A / B] =
P[ AB] , P[ B]
P[ B] > 0
1.5. Independncia Os eventos A e B, pertencentes ao espao amostral , com P[A] > 0 e P[B] > 0, so independentes se e somente se (5)
P[ AB] = P[ A]P[ B] .
Como P[ AB] = P[ B / A]P[ A] = P[ A / B]P[ B] , segue-se que (6) (7)
P[ A / B] = P[ A]
P[ B / A] = P[ B]
Alexandre/Andr
BACEN 2k9
8
so vlidas quando A e B so eventos independentes. A definio de independncia diz que, se A e B so independentes, ento o resultado B no ter efeito sobre a probabilidade de A e vice-versa.
2.
Variveis Aleatrias
2.1. Definio de Varivel Aleatria Uma quantidade X, associada a cada possvel resultado do espao amostral, denominada varivel aleatria discreta se assume valores num conjunto contvel ou enumervel6 (como o conjunto dos nmeros inteiros ou o conjunto dos nmeros naturais ), com certa probabilidade. Logo, uma varivel aleatria uma funo, e no uma varivel propriamente dita. So exemplos de variveis aleatrias discretas:
Nmero de coroas obtido no lanamento de duas moedas; Nmero de itens defeituosos em uma amostra retirada, aleatoriamente, de um lote; Nmero de defeitos em um carro que sai de uma linha de produo.
Considere o lanamento de duas moedas mencionado acima. O espao amostral = {(cara, cara), (cara, coroa), (coroa, cara), (coroa, coroa)}, e os valores que a varivel aleatria X (nmero de coroas) pode assumir so X = {0, 1, 2}. Observe que o valor x = 0 est associado ao resultado (cara, cara), o valor x = 1 est associado aos resultados (cara, coroa) e (coroa, cara) e o valor x = 2 est associado ao resultado (coroa, coroa). Uma varivel aleatria contnua uma funo que associa elementos do espao amostral ao conjunto dos nmeros reais (conjunto no enumervel). Exemplos de variveis aleatrias contnuas:
6
Um conjunto enumervel quando possvel estabelecer uma correspondncia do tipo um para um com o conjunto dos nmeros naturais. Isto quer dizer que possvel contar um conjunto enumervel.
Alexandre/Andr
BACEN 2k9
Tempo de resposta de um sistema computacional; Volume de gua perdido por dia, num sistema de abastecimento; Resistncia ao desgaste de um tipo de ao, num teste padro.
2.2. Funo Discreta de Probabilidade A funo que atribui a cada valor de uma varivel aleatria discreta sua probabilidade chamada de funo discreta de probabilidade ou, simplesmente, funo de probabilidade (8)
P[ X = xi ] = f ( xi )
i = 1,2,...
Uma funo de probabilidade satisfaz 0 f(xi) 1 e i f(xi) = 1. As variveis aleatrias discretas so completamente caracterizadas pela sua funo de probabilidade. Exemplo 3. Considere o lanamento de um dado no viciado. A probabilidade de se obter um resultado de 1 a 6 igual a 1/6. O espao amostral = {1, 2, 3, 4, 5, 6}. A Fig. 1 ilustra a funo de probabilidade f(xi) =1/6, i = 1, 2, 3, 4, 5, 6, da varivel aleatria X.
f(x)
1/6 1/6 1/6 1/6 1/6 1/6
Figura 1: funo de probabilidade.
2.3. Funo de Distribuio de Probabilidade
Alexandre/Andr
BACEN 2k9
10 A funo de distribuio ou funo acumulada de probabilidade de uma varivel aleatria discreta X definida pela expresso
(9)
F ( x) = P[ X x] .
A Fig. 2 mostra a funo de distribuio F(x) da varivel aleatria do exemplo 3.
F(x)
1 5/6 2/3 1/2 1/3 1/6
Figura 2: funo de distribuio de probabilidade.
2.4. Funes de Distribuio e de Densidade de Probabilidade para Variveis Contnuas Diz-se que f(x) uma funo contnua de probabilidade ou funo densidade de probabilidade para uma varivel aleatria contnua X, se satisfaz duas condies: 1. f(x) > 0 para todo x (-,); 2. a rea definida por f(x) igual a 1.
Alexandre/Andr
BACEN 2k9
CURSO ON-LINE ECONOMETRIA PARA ANALISTA DO BACEN PROFESSORES: ALEXANDRE DE LIMA E ANDR CUNHA A condio 2 dada pela integral
11
(10)
f ( x)dx = 1 .
Para calcular probabilidades, temos que, para a b (11)

P[a X b] = f ( x)dx .
a b
Observe que a probabilidade de ocorrncia de um dado valor isolado k sempre nula, ou seja, P[x = k] = 0. A funo de distribuio de uma varivel aleatria contnua X tambm definida pela expresso (9), que pode ser posta na forma (12)
F ( x) =
f ( )d .
As Figuras 3 e 4 ilustram as funes densidade de probabilidade e de distribuio de uma varivel aleatria Normal (vide definio no item 4.1).
No se preocupe com o clculo integral, pois no ser cobrado em prova. Ainda assim, interessante conhecer as definies relativas distribuio de variveis contnuas.
Alexandre/Andr
BACEN 2k9
12
Figura 3: funo densidade de probabilidade Normal.
Alexandre/Andr
BACEN 2k9
13
Figura 4: funo de distribuio Normal. 2.5. Funes de Probabilidade Conjunta possvel definir mais de uma varivel aleatria num mesmo espao de probabilidade8. Por exemplo, considere o lanamento simultneo de duas moedas no viciadas. Aqui a ordem do resultado no importante de modo que os resultados elementares do
8
Um espao amostral e uma medida de probabilidade P formam um espao de probabilidade . Na verdade, esta definio incompleta; no obstante, est coerente com os conceitos ensinados nesta aula. Para maiores detalhes sobre as sutilezas da teoria de probabilidade, recomendamos que voc consulte as referncias (no agora que voc est na reta final para o BACEN, mas somente depois de passar!): A Course in Probability Theory de Kai Lai Chung ou An Introduction to Probability Theory and Its Applications de William Feller. Um dos autores deste curso (prof. Alexandre) considera que estes dois livros so as bblias da teoria de probabilidade.
Alexandre/Andr
BACEN 2k9
14 experimento aleatrio so 1 = CC (cara-cara), 2 = CK (cara-coroa) e 3 = KK (coroa-coroa). Logo, o espao amostral = {CC, CK, KK}.
Agora vamos definir as variveis aleatrias: X 1 ( ) = 0 se pelo menos uma das moedas der cara (C) ( X 1 ( ) = 1 para os demais casos) e X 2 ( ) = 1 se der uma cara e uma coroa (CK) ( X 2 ( ) = +1 para os demais casos). Ento P[X1=0] = (porque P[CC] = e P[CK]= ), P[X1=1] = , P[X2=-1] = e P[X2=+1] = . Alm disso, note que a probabilidade do evento conjunto P[X1=0, X2=+1] = P[CC] = . O evento conjunto {X x, Y y} = {X x} {Y y} consiste em todos os resultados tais que X ( ) x e Y ( ) y (veja a Fig. 5).
(x, y)
Figura 5: a regio hachurada representa conjunto.
o evento
Alexandre/Andr
BACEN 2k9
15
A funo de distribuio conjunta de X e Y definida como (13)
FXY ( x, y ) = P[ X x, Y y ] .
Se FXY ( x, y ) for contnua e diferencivel (logo X e Y s podem ser variveis aleatrias contnuas!), a funo densidade de probabilidade conjunta de X e Y pode ser a partir da expresso (14)
f XY ( x, y ) = 2 [ FXY ( x, y )] . xy
A Fig. 6 mostra a funo densidade de probabilidade conjunta Normal. O volume total sob a superfcie da Fig. 6 igual a um, haja vista que

XY
( x, y )dxdy = 1
(evento certo).
Figura 6: grfico da densidade conjunta Normal.
A probabilidade do evento {X x, Y y} dada por
Alexandre/Andr
BACEN 2k9
16
(15)
FXY ( x, y ) =
d d f
XY
( , ) .
Sejam X e Y variveis aleatrias discretas. Ento a funo discreta de probabilidade conjunta definida por (16)
f XY ( xi , yk ) = P[ X = xi , Y = y k ] .
2.5.1. Funes de Probabilidade Marginal Dada uma funo densidade de probabilidade conjunta, pode-se obter a funo densidade de probabilidade de cada uma das variveis aleatrias individuais. Sejam X e Y variveis aleatrias contnuas com densidade conjunta fXY(x,y). Ento fX(x) e fY(y) so denominadas densidades marginais de X e Y, respectivamente, se so obtidas de fXY(x,y) por meio das expresses
(17) (18)
f X ( x) =
f
XY
XY
( x, y )dy
fY ( y) =
( x, y )dx
Note que as funes de densidade de probabilidade marginal fX(x) e fY(y) correspondem s funes de densidade de probabilidade individuais de X e Y, respectivamente. Podemos obter resultados similares para variveis aleatrias discretas. Dada a funo discreta de probabilidade conjunta fXY(xi,yk), as funes discretas de probabilidade marginal so dadas por (19) (20)
f X ( xi ) = f XY ( xi , yk )
k
f Y ( y k ) = f XY ( xi , yk )
i
2.5.2. Funes de Probabilidade Condicional Sejam X e Y variveis aleatrias discretas com funo de probabilidade conjunta fXY(xi,yk). Ento as funes discretas de probabilidade condicional P[X=xi/Y=yk] = fX/Y(xi/yk) e P[Y=yk/ X=xi] = fY/X(yk/xi) so definidas como
Alexandre/Andr
BACEN 2k9
17
(21)
f X / Y ( xi / yk ) =
f XY ( xi , yk ) , fY ( yk ) f XY ( xi , yk ) , f X ( xi )
fY ( yk ) 0
(22)
fY / X ( yk / xi ) =
f X ( xi ) 0
De (21) e (22) resulta que (23)
f XY ( xi , yk ) = f X / Y ( xi / yk ) fY ( yk ) = fY / X ( yk / xi ) f X ( xi )
Podemos definir as densidades condicionais associadas a duas variveis aleatrias contnuas X e Y (com densidade conjunta fXY(x,y) e densidades marginais fX(x) e fY(y)) de forma anloga9. A densidade condicional de Y dado o resultado X = x definida por (24)
fY / X ( y / x) =
f XY ( x, y ) , f X ( x)
f X ( x) 0
e a densidade condicional de X dado o resultado Y = y como (25)
f X /Y ( x / y) =
f XY ( x, y ) , fY ( y )
fY ( y ) 0 .
2.5.3. Variveis Aleatrias Independentes Quando X e Y so variveis aleatrias independentes a funo de probabilidade conjunta igual ao produto das funes marginais de probabilidade, ou seja (26)
f XY ( x, y ) = f X ( x) f Y ( y ) .
Podemos generalizar a frmula (26). Sejam X1, X2, ..., Xn variveis aleatrias independentes com funo de probabilidade conjunta f(x1, x2, ..., xn) e funes marginais de probabilidade f(x1), f(x2), ..., f(xn). Ento vlida a expresso
Apesar de termos afirmado que possvel obter as densidades condicionais (24) e (25) de forma anloga ao caso anterior (que envolvia variveis aleatrias discretas), observe-se que (24) e (25) so obtidas a partir da definio de probabilidade condicional (vide alguma das referncias bibliogrficas deste curso indicadas na Aula 0 ou um bom livro de teoria da probabilidade como o de Kai Lai Chung!).
Alexandre/Andr
BACEN 2k9
18
(27)
f ( x1 , x2 ,..., xn ) = f ( x1 ) f ( x2 )... f ( xn ) .
Se X e Y so independentes, ento a densidade condicional de X, dado que Y = y , (28)
f X / Y ( x / y) =
f XY ( x, y ) f X ( x) fY ( y ) = = f X ( x) . fY ( y ) fY ( y )
e a densidade condicional de Y, dado que X = x , (29)
fY / X ( y / x ) =
f XY ( x, y ) f X ( x) fY ( y ) = = fY ( y ) . f X ( x) f X ( x)
3.
Valores Esperados Varivel Aleatria
Envolvendo
Uma
nica
J dissemos que uma varivel aleatria completamente caracterizada (ou especificada) pela sua funo de probabilidade. Isto quer dizer que temos toda a informao acerca de X quando sabemos quem fX(x) (isto , quando conhecemos a frmula de fX(x)). Na prtica, bastante comum no conhecermos fX(x). Neste caso, como faramos para caracterizar X? O fato que normalmente temos acesso a diversas observaes de uma varivel aleatria e podemos nos aproveitar deste fato para tentar obter uma descrio, ainda que parcial, da mesma. Uma maneira alternativa de caracterizar uma varivel aleatria envolveria a obteno de estimativas de alguns de seus momentos ou mdias estatsticas. Na prtica, os momentos mais importantes so a mdia (momento de 1 ordem) e a varincia (momento de 2 ordem). A mdia uma medida de posio de fX(x) (veremos o que isso quer dizer logo seguir), ao passo que a varincia uma medida de disperso (ou do grau de variabilidade) de fX(x). A Estatstica tambm define momentos de ordem mais alta como a assimetria (3 ordem) e a curtose (4 ordem), mas eles no sero vistos neste curso porque no so relevantes para a prova. Vejamos a seguir os conceitos de mdia e varincia, estes sim importantes para a prova. 3.1. Mdia A mdia (tambm conhecida como valor esperado ou esperana) uma medida de posio de uma funo de
Alexandre/Andr
BACEN 2k9
19 probabilidade, servindo para localizar a funo sobre o eixo de variao da varivel em questo. Em particular, a mdia caracteriza o centro de uma funo de probabilidade10. A mdia uma caracterstica numrica de uma funo de probabilidade.
Se X for uma varivel aleatria discreta que pode tomar os valores x1, x2, ..., xn com probabilidades f(x1), f(x2), ..., f(xn), ento a mdia de X definida por (30) E[ X ] = x1 f ( x1 ) + x2 f ( x 2) + ... + xn f ( xn ) = xi f ( xi ) .
i =1 n
em que E denota o operador esperana matemtica. Se a varivel aleatria discreta X puder tomar um nmero infinito de valores, ento (30) pode ser generalizada na forma (31) E[ X ] = x1 f ( x1 ) + x2 f ( x 2) + ... + xn f ( xn ) + ... = xi f ( xi ) .
i
O valor esperado de uma varivel aleatria contnua X com densidade de probabilidade fX(x) dada pela integral (32) E[ X ] = xf ( x)dx .

3.2. Valor Esperado de Uma Funo de Varivel Aleatria Seja X uma varivel aleatria discreta com funo de probabilidade fX(xi) e g(X) uma funo de X. Ento o valor esperado de g(X) (33) E[ g ( X )] = g ( xi ) f X ( xi ) .
i
Caso X seja uma varivel aleatria contnua com densidade de probabilidade fX(x), o valor esperado de g(X) dado por
(34) E[ g ( X )] =
g ( x) f
( x)dx .
10
A mediana e a moda tambm so medidas de posio. A mediana tambm procura caracterizar o centro de uma funo de probabilidade, s que usando um critrio diferente. A mediana calculada com base na ordem dos valores de uma varivel aleatria. A moda (ou modas) corresponde ao valor (ou valores) de mxima probabilidade.
Alexandre/Andr
BACEN 2k9
20 Se g ( X ) = g1 ( X ) + g 2 ( X ) , em que g1(X) e g2(X) tambm so funes de X, ento vale

(35) E[ g ( X )] = E[ g1 ( X )] + E[ g 2 ( X )] . Relacionamos abaixo algumas propriedades importantes da esperana matemtica E(.). Sejam a e c valores constantes e X uma varivel aleatria (tanto faz se contnua ou discreta), ento valem: 1. E[c] = c ; 2. E[cX ] = cE[ X ] ; 3. E[a + cX ] = a + cE[ X ] . Note-se que tambm usual denotar a mdia de X usando o smbolo X ou a letra grega . 3.3. Varincia Sejam X uma varivel aleatria (discreta ou contnua) e g ( X ) = [ X X ]2 uma funo de X. Define-se a varincia de X (denotada por var(X) ou 2) como o valor esperado E[g(X)] dado por
2 (36) var( X ) = X = E[ g ( X )] = E[ X X ]2 = E[ X 2 2 XX + X 2 ] = E[ X 2 ] [ X ]2
Sejam a e c constantes e Z = a + cX. No difcil demonstrar que vale a propriedade (37) var(a + cX ) = c 2 var( X ) . A raiz quadrada da varincia chamada de desvio-padro ou erro-padro, sendo denotada pelo smbolo .
4.
Distribuies Importantes em Econometria
Daqui para frente, usaremos o termo distribuio como sendo sinnimo de funo de probabilidade, o que usual na literatura da rea. 4.1. Distribuio Normal Uma varivel aleatria tem distribuio Normal11 parmetros e 2 se sua funo densidade dada por
11
com
Tambm denominada Gaussiana pelos engenheiros.
Alexandre/Andr
BACEN 2k9
21
(38)
1 f ( x) = e 2 ( x )2 2 2
< x < .
Neste curso, usaremos a notao X N(, 2) para indicar que X tem distribuio Normal com parmetros e 2. A Fig. 3 ilustra algumas propriedades da distribuio Normal (a da Fig. 3 tem = 0 e 2=1, sendo neste caso denominada Normal Padro ou Padronizada): 1. f(x) simtrica em relao a ; 2. f(x) tende a zero quando x ; 3. o valor mximo de f(x) se d em x = . Demonstra-se que os parmetros e 2 denotam a mdia e a varincia da distribuio Normal, respectivamente. Considere X N(, 2) e seja a nova varivel Z = (X - )/. Pode-se verificar facilmente (vide [MAG08] ou [NET02]) que Z tem distribuio Normal do tipo Z N(0, 1), sendo por isso denominada Normal Padro ou Normal Reduzida (esta distribuio ser muito usada neste curso). Disponibilizamos ao final desta aula a Tabela I distribuio normal padro. D uma olhada! 4.2. Distribuio Qui-quadrado A distribuio qui-quadrado com parmetro n (inteiro maior que zero) de uma varivel aleatria X definida pelo modelo contnuo (39) em que K =
f X n ( x) = K x
n2 x/ 2 2
para x 0 ( f X n (x) = 0 para x < 0)
n/ 2
1 e (.) a funo gama, dada por (n/ 2)
(40)
(n) = t n 1e t dt
0
e que consiste numa generalizao da noo de fatorial, pois, se n inteiro, ( n) = (n 1)! .
Alexandre/Andr
BACEN 2k9
22 Calma! No se assuste com a frmula (39)! Voc no precisa decorar essa expresso porque ela no cair na prova (ela no ser cobrada nem mesmo na prova de estatstica!). Ns a colocamos na aula para que voc saiba que a distribuio qui-quadrado possui uma expresso analtica. Na prova, ser dada a Tabela de valores da quiquadrado, caso haja alguma questo que envolva o uso dessa distribuio.
A Eq. (39) define a famlia das distribuies qui-quadrado com 2 n graus de liberdade , usualmente representada por n . Voc lembra o significado desses n graus de liberdade? Este um conceito oriundo da Estatstica bsica. A varincia de uma amostra de n valores de uma varivel aleatria X pode ser calculada atravs da expresso
(41)
s 2 ( x) =
(x x)
i =1 i
n 1
em que x a mdia amostral de X definida por (42)
x=
x1 + x2 + ... + xn n
A mdia e a varincia amostrais so variveis aleatrias. As expresses (41) e (42) so estatsticas ou estimadores12 dos 2 parmetros X e X . A estatstica x possui n graus de liberdade porque o seu clculo envolve n valores xi livres. J a estatstica s 2 ( x) definida por (41) tem um grau de liberdade a menos, pois usa x (estimativa) ao invs da mdia X (parmetro da varivel aleatria). Isso acontece porque o clculo de s 2 ( x) pressupe que anteriormente j se tenha calculado x , para o que usamos j uma vez todos os valores da amostra, os quais estariam sendo usados pela segunda vez para o clculo de s 2 ( x) . No momento de usarmos novamente os valores da amostra para o clculo de s 2 ( x) , esses valores tm apenas n 1 graus de liberdade, pois, dados quaisquer n 1 deles, o valor restante estar perfeitamente determinado, pelo fato de j conhecermos sua mdia amostral x [NET02].
12
Combinao dos elementos da amostra, construda com a finalidade de representar ou estimar um parmetro de interesse na populao, denominamos estimador ou estatstica. Aos valores numricos assumidos pelos estimadores denominamos estimativas pontuais ou simplesmente estimativas. Grosso modo, estimadores seriam as frmulas e estimativas seriam os resultados das frmulas para valores especficos.
Alexandre/Andr
BACEN 2k9
23 A Fig. 7 ilustra grficos da distribuio qui-quadrado com n = 1, 3, 6 e 10 graus de liberdade.
Figura 7: grficos da distribuio qui-quadrado. Tambm disponibilizamos ao final desta aula a Tabela II da distribuio Qui-quadrado. Confira! 4.3. Distribuio t-Student A distribuio t-Student com n graus de liberdade dada por
(43)
x2 f X ( x) = K st 1 + n
n +1 2
Alexandre/Andr
BACEN 2k9
24
em que K st =
[(n + 1) / 2] . (n/ 2) n
Na prova, tambm dever ser dada a Tabela de valores da distribuio t-Student caso haja alguma questo que envolva o uso dessa distribuio. A Fig. 8 mostra os grficos da distribuio tStudent para n=3, n=6, n=10 e n=20. Note que o formato dessa distribuio se aproxima da Normal conforme aumenta o nmero de graus de liberdade.
Figura 8: grficos da distribuio t-Student.
Alexandre/Andr
BACEN 2k9
25
4.4. Distribuio F de Snedecor Define-se a varivel F com n1 graus de liberdade no numerador e n2 graus de liberdade no denominador, ou simplesmente, Fn1 ,n2 , por (44) onde
Fn1 ,n2 = 21 /n1 n 22 /n2 n
2i n
designa uma varivel aleatria com distribuio qui-
quadrado com ni graus de liberdade.
Alexandre/Andr
BACEN 2k9
26
Bibliografia [BAR04] BARBETTA, Pedro Alberto; REIS, Marcelo Menezes; BORNIA, Antonio Cezar. Estatstica para Cursos de Engenharia e Informtica. So Paulo: Editora Atlas, 2004. [GUB06] GUBNER, John A. Probability and Random Processes for Electrical and Computer Engineers. Cambridge University Press, 2006. [GUJ00] GUJARATI, Damodar N. Econometria Bsica, 3 Edio. So Paulo: Pearson Makron Books, 2000. [HIL06] HILL, R. Carter; GRIFFITHS, William E.; JUDGE, George G. Econometria, 2 Edio. So Paulo: Saraiva, 2006. [MAG08] MAGALHES, Marcos N.; LIMA, Antonio Carlos P. de. Noes de Probabilidade e Estatstica. So Paulo: Edusp, 6 Ed. Revista, 2008. [NET02] NETO, Pedro Luiz de Oliveira Costa. Estatstica. So Paulo: Ed. Edgard Blcher Ltda., 2 Ed., 2002. [PAP91] PAPOULIS, Athanasios. Probability, Random Variables, and Stochastic Processes. 3rd ed. McGraw-Hill, 1991. [STA02] STARK, Henry; WOODS, John W. Probability, Random Processes with Applications to Signal Processing. 3rd ed. Prentice Hall, 2002. [WOO08] WOOLDRIDGE, Jeffrey M. Introduo Econometria: Uma Abordagem Moderna. So Paulo: Cengage Learning, 2008.
Alexandre/Andr
BACEN 2k9
27
5.
Exerccios de Fixao
O enunciado abaixo refere-se s questes de nmeros 1 a 4. Aps vrios anos de magistrio no ensino superior, um professor de Econometria constatou que, em sua aula na graduao, a funo de probabilidade de X, varivel aleatria que representa o nmero de alunos ausentes s sextas-feiras, a seguinte X f(x) 0 0,010 1 0,020 2 0,310 3 0,320 4 0,240 5 0,080 6 0,019 7 0,001
1. Ento a probabilidade de que, em dada sexta-feira, 2 ou 3 ou 4 alunos estaro ausentes (A) 0,63 (B) 0,13 (C) 0,87 (D) 0,56 (E) 1 2. O valor esperado da varivel aleatria X (A) 3,08 (B) 3,26 (C) 2,12 (D) 0,32 (E) 0,96 3. O valor esperado de Y = 5X + 4 (A) 4 (B) 3,1 (C) 15,4 (D) 19,4 (E) 81 4. A varincia de X (A) 9,49
Alexandre/Andr
BACEN 2k9
28
(B) 1,22 (C) 10,71 (D) 19,4 (E) 81 O enunciado a seguir refere-se s questes de nmeros 5 e 6. Seja X uma varivel aleatria com densidade de probabilidade f X ( x) = 2 2 x para 0 x 1 e f X ( x) = 0 para os demais valores. 5. A probabilidade de se obter X maior do que 0 (A) 0 (B) 0,75 (C) 0,25 (D) 0,5 (E) 1 6. A probabilidade de se obter X maior do que 0,5 (A) 0 (B) 0,75 (C) 0,25 (D) 0,5 (E) 1 O enunciado a seguir refere-se s questes de nmeros 7 a 10 (Exerccio 2.6 de [HIL06], adaptado). Um total de 15.064.859 alunos esto matriculados no ensino superior, divididos entre cursos com durao de 4 anos, de 2 anos e de menos de 2 anos. A matrcula, separada por sexo, mostrada na tabela a seguir. 4 anos 4.076.416 4.755.790 2 anos 2.437.905 3.310.086 Menos de 2 anos 172.874 311.788
Homens Mulheres
Fonte: Digest of Educational Statistics 1997, Tabela 170.
Nessa populao, as probabilidades aproximadas de matrcula em um dos tipos de instituio de ensino superior, por sexo, so 4 anos
Alexandre/Andr
2 anos
Menos de 2 anos
BACEN 2k9
29
Homens Mulheres 0,27 0,32 0,16 0,22 0,01 0,02
Considere o experimento de extrair aleatoriamente um estudante matriculado de sua populao. Defina a varivel aleatria X = 0, se um homem selecionado, e X = 1, se uma mulher selecionada. Defina a varivel aleatria Y = 1, se o estudante escolhido de um curso de 4 anos, Y = 2, se o estudante escolhido de um curso de 2 anos e Y = 3, se de um curso de menos de 2 anos. 7. Qual a probabilidade do estudante escolhido aleatoriamente ser homem (X = 0)? (A) 0,44 (B) 0,56 (C) 0,59 (D) 0,38 (E) 0,03 8. Qual a probabilidade de um estudante, escolhido aleatoriamente, ser de um curso de 2 anos (Y = 2)? (A) 0,44 (B) 0,56 (C) 0,59 (D) 0,38 (E) 0,03 9. Assinale a alternativa com a funo discreta de probabilidade marginal f ( x) .
0, x = 0 (A) f ( x) = 1, x = 1 0,56, x = 0 (B) f ( x) = 0,44, x = 1 0,44, x = 0 (C) f ( x) = 0,56, x = 1 0,59, x = 0 (D) f ( x) = 0,38, x = 1 0,38, x = 0 (E) f ( x) = 0,59, x = 1
Alexandre/Andr
BACEN 2k9
30
10. A funo de probabilidade condicional para Y, dado que X =1
0,57, y = 1 (A) fY / X ( y / x = 1) = 0,40, y = 2 0,02, y = 3 0,02, y = 1 (B) fY / X ( y / x = 1) = 0,29, y = 2 0,48, y = 3 0,48, y = 1 (C) fY / X ( y / x = 1) = 0,29, y = 2 0,02, y = 3 0,04, y = 1 (D) fY / X ( y / x = 1) = 0,40, y = 2 0,57, y = 3 0,57, y = 1 (E) fY / X ( y / x = 1) = 0,40, y = 2 0,04, y = 3
Alexandre/Andr
BACEN 2k9
31
6.
1C 2A 3D 4B 5E 6C 7A 8D 9C
GABARITO
10 - E
Alexandre/Andr
BACEN 2k9
32
7.
Resoluo dos Exerccios de Fixao
O enunciado abaixo refere-se s questes de nmeros 1 a 4. Aps vrios anos de magistrio no ensino superior, um professor de Econometria constatou que, em sua aula na graduao, a funo de probabilidade de X, varivel aleatria que representa o nmero de alunos ausentes s sextas-feiras, a seguinte X f(x) 0 0,010 1 0,020 2 0,310 3 0,320 4 0,240 5 0,080 6 0,019 7 0,001
1. Ento a probabilidade de que, em dada sexta-feira, 2 ou 3 ou 4 alunos estaro ausentes (A) 0,63 (B) 0,13 (C) 0,87 (D) 0,56 (E) 1 Resoluo A probabilidade de que, em dada sexta-feira, 2 ou 3 ou 4 estaro ausentes dada por
f ( x) = 0,310 + 0,320 + 0,240 = 0,87

x=2
GABARITO: C 2. O valor esperado da varivel aleatria X (A) 3,08 (B) 3,26 (C) 2,12 (D) 0,32 (E) 0,96 Resoluo
Alexandre/Andr
BACEN 2k9
33
E[ X ] = xf ( x)
x =0 7
Logo, E[X]
= 0 0,01 + 1 0,02 + 2 0,31 + 3 0,32 + 4 0,24 + 5 0,08 + 6 0,019 + 7 0,001 = 3,081 3,08
GABARITO: A 3. O valor esperado de Y = 5X + 4 (A) 4 (B) 3,1 (C) 15,4 (D) 19,4 (E) 81 Resoluo
E[Y ] = E[5 X + 4] = 5E[ X ] + 4 = 5 3,081 + 4 = 15,405 + 4 = 19,405 19,4 .

GABARITO: D 4. A varincia de X (A) 9,49 (B) 1,22 (C) 10,71 (D) 20,305 (E) 85,525 Resoluo
var( X ) = E[ X 2 ] X 2 = x 2 f ( x) X 2 .
x =0
x
x =0
f ( x) =0 2 0,01 + 12 0,02 + 2 2 0,31 + 3 2 0,32 + 4 2 0,24 + 5 2 0,08 +
+ 6 2 0,019 + 7 2 0,001 = 10,713

Ento,
var( X ) = E[ X 2 ] X 2 = 10,713 3,0812 = 10,713 9,493 = 1,22 .
Alexandre/Andr
BACEN 2k9
34
GABARITO: B O enunciado a seguir refere-se s questes de nmeros 5 e 6. Seja X uma varivel aleatria com densidade de probabilidade f X ( x) = 2 2 x para 0 x 1 e f X ( x) = 0 para os demais valores. 5. A probabilidade de se obter X maior do que 0 (A) 0 (B) 0,75 (C) 0,25 (D) 0,5 (E) 1 Resoluo O grfico da funo densidade de probabilidade f X ( x) = 2 2 x est representado abaixo. A probabilidade de se obter X maior do que 0 , por definio, igual rea sob f(x), a qual unitria, pois representa a probabilidade do evento certo. Conferindo:
P[ X > 0] =
base altura 1 2 = = 1. 2 2
f(x) 2
0,5
GABARITO: E
Alexandre/Andr
BACEN 2k9
35
6. A probabilidade de se obter X maior do que 0,5 (A) 0 (B) 0,75 (C) 0,25 (D) 0,5 (E) 1 Resoluo A probabilidade de se obter X maior do que 0,5 igual rea sob f(x) no intervalo 0,5 < x 1 . Ou seja
P[ X > 0,5] =
0,5 1 = 0,25 . 2
GABARITO: C O enunciado a seguir refere-se s questes de nmeros 7 a 10 (Exerccio 2.6 de [HIL06], adaptado). Um total de 15.064.859 alunos esto matriculados no ensino superior, divididos entre cursos com durao de 4 anos, de 2 anos e de menos de 2 anos. A matrcula, separada por sexo, mostrada na tabela a seguir. 4 anos 4.076.416 4.755.790 2 anos 2.437.905 3.310.086 Menos de 2 anos 172.874 311.788
Homens Mulheres
Fonte: Digest of Educational Statistics 1997, Tabela 170.
Nessa populao, as probabilidades aproximadas de matrcula em um dos tipos de instituio de ensino superior, por sexo, so 4 anos 0,27 0,32 2 anos 0,16 0,22 Menos de 2 anos 0,01 0,02
Homens Mulheres
Considere o experimento de extrair aleatoriamente um estudante matriculado de sua populao. Defina a varivel aleatria X = 0, se um homem selecionado, e X = 1, se uma mulher selecionada. Defina a varivel aleatria Y = 1, se o estudante escolhido de um curso de 4 anos, Y = 2, se o estudante escolhido de um curso de 2 anos e Y = 3, se de um curso de menos de 2 anos.
Alexandre/Andr BACEN 2k9
36
7. Qual a probabilidade do estudante escolhido aleatoriamente ser homem (X = 0)? (A) 0,44 (B) 0,56 (C) 0,59 (D) 0,38 (E) 0,03 Resoluo Seja
f XY ( xi , yk ) ,
i = 1,2
k = 1,2,3 ,
funo
discreta
de
probabilidade conjunta da populao de homens e mulheres da questo. Sendo assim, temos as seguintes probabilidades conjuntas:
f XY ( x = 0, y = 1) = 0,27 (i=1, k=1), f XY ( x = 0, y = 2) = 0,16 (i=1, k=2), f XY ( x = 0, y = 3) = 0,01 (i=1, k=3), f XY ( x = 1, y = 1) = 0,32 (i=2, k=1), f XY ( x = 1, y = 2) = 0,22 (i=2, k=2) e f XY ( x = 1, y = 3) = 0,02 (i=2, k=3).
Note
que
f
i =1 k =1
XY
( xi , yk ) = 0,27 + 0,16 + 0,01 + 0,32 + 0,22 + 0,02 = 1
(probabilidade do evento certo). O enunciado determina que a Observe que P[ X = 0] = f X ( x = 0) , escolhido aleatoriamente ser marginal f X (x) no ponto x =0. probabilidade P[ X = 0] seja calculada. isto , a probabilidade de o estudante homem igual probabilidade Vimos que f X ( xi ) = f XY ( xi , yk ) . Logo,
k
P[ X = 0] = f X ( x = 0) = f XY ( x = 0, y = 1) + f XY ( x = 0, y = 2) + f XY ( x = 0, y = 3)] P[ X = 0] = 0,27 + 0,16 + 0,01 = 0,44
GABARITO: A 8. Qual a probabilidade de um estudante, escolhido aleatoriamente, ser de um curso de 2 anos (Y = 2)? (A) 0,44 (B) 0,56 (C) 0,59 (D) 0,38 (E) 0,03
Alexandre/Andr
BACEN 2k9
37
Resoluo Seja g Y ( y ) = f XY ( xi , yk ) a funo de probabilidade marginal de Y.
i
P[Y = 2] = g Y ( y = 2) g Y ( y = 2) = f XY ( x = 0, y = 2) + f XY ( x = 1, y = 2) P[Y = 2] = P[ X = 0, Y = 2] + P[ X = 1, Y = 2] = 0,16 + 0,22 = 0,38 .
GABARITO: D 9. Assinale a alternativa com a funo discreta de probabilidade marginal f ( x) .
0, x = 0 (A) f ( x) = 1, x = 1 0,56, x = 0 (B) f ( x) = 0,44, x = 1 0,44, x = 0 (C) f ( x) = 0,56, x = 1 0,59, x = 0 (D) f ( x) = 0,38, x = 1 0,38, x = 0 (E) f ( x) = 0,59, x = 1
Resoluo Sabemos que f X ( xi ) = f XY ( xi , yk ) . Portanto,
k
f X ( x = 0) = f XY ( x = 0, y = 1) + f XY ( x = 0, y = 2) + f XY ( x = 0, y = 3) = 0,44 na questo 7). f X ( x = 1) = f XY ( x = 1, y = 1) + f XY ( x = 1, y = 2) + f XY ( x = 1, y = 3) = = 0,32 + 0,22 + 0,02 = 0,56 .

Assim a funo de probabilidade marginal f ( x ) dada por
(calculado
0,44, x = 0 f ( x) = 0,56, x = 1
GABARITO: C
Alexandre/Andr
BACEN 2k9
38
10. A funo de probabilidade condicional para Y, dado que X =1
0,57, y = 1 (A) fY / X ( y / x = 1) = 0,40, y = 2 0,02, y = 3 0,02, y = 1 (B) fY / X ( y / x = 1) = 0,29, y = 2 0,48, y = 3 0,48, y = 1 (C) fY / X ( y / x = 1) = 0,29, y = 2 0,02, y = 3 0,04, y = 1 (D) fY / X ( y / x = 1) = 0,40, y = 2 0,57, y = 3 0,57, y = 1 (E) fY / X ( y / x = 1) = 0,40, y = 2 0,04, y = 3
Resoluo Pela definio de probabilidade condicional temos que
4.755.790 0,57 8.377.664 3.310.086 fY / X ( y = 2 / x = 1) = 0,40 8.377.664 311.788 fY / X ( y = 3 / x = 1) = 0,04 8.377.664

fY / X ( y = 1 / x = 1) =
Observe que
fY / X ( y = 1 / x = 1) + fY / X ( y = 2 / x = 1) + fY / X ( y = 3 / x = 1) 1 (evento certo)
Assim a funo de probabilidade marginal fY / X ( y / x = 1) dada por
0,568, y = 1 fY / X ( y / x = 1) = 0,395, y = 2 0,037, y = 3
fY / X ( y / x = 1) = 0 p/ os demais valores de y.
Tambm podemos resolver a questo usando a frmula

Alexandre/Andr
BACEN 2k9
39
fY / X ( y / x = 1) =
Assim sendo,
f XY ( x, y ) . f ( x = 1)
f XY ( x = 1, y = 1) 0,32 = 0,57 f ( x = 1) 0,56 f ( x = 1, y = 2) 0,22 = 0,40 fY / X ( y = 2 / x = 1) = XY f ( x = 1) 0,56 f ( x = 1, y = 3) 0,02 = 0,04 fY / X ( y = 2 / x = 1) = XY f ( x = 1) 0,56 fY / X ( y = 1 / x = 1) =

GABARITO: E
Alexandre/Andr
BACEN 2k9
40
padro.
TABELA I
P[ x z ] = p . Exemplo: P[ x 0,01] = 0,4960.
Distribuio normal Valores tabelados:

0 z
rea tabulada
z 0,0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1,0 1,1 1,2 1,3 1,4 1,5 1,6 1,7 1,8 1,9 2,0 2,1 2,2 2,3 2,4 2,5 2,6 2,7 2,8 2,9 3,0 3,5 4,0 4,5 5,0
0,00
0,5000 0,4602 0,4207 0,3821 0,3446 0,3085 0,2743 0,2420 0,2119 0,1841 0,1587 0,1357 0,1151 0,0968 0,0808 0,0668 0,0548 0,0446 0,0359 0,0287 0 ,0228 0 ,0179 0 ,0139 0 ,0107 0 ,0082 0,0062 0,0047 0,0035 0,0026 0,0019
0,01
0,4960 0,4562 0,4168 0,3783 0,3409 0,3050 0,2709 0,2389 0,2090 0,1814 0,1562 0,1335 0,1131 0,0951 0,0793 0,0655 0,0537 0,0436 0,0352 0,0281 0,0222 0,0174 0,0136 0,0104 0,0080 0,0060 0,0045 0,0034 0,0025 0,0018
0,02
0,4920 0,4522 0,4129 0,3745 0,3372 0,3015 0,2676 0,2358 0,2061 0,1788 0,1539 0,1314 0,1112 0,0934 0,0778 0,0643 0,0526 0,0427 0,0344 0,0274 0,0217 0,0170 0,0132 0,0102 0,0078 0,0059 0,0044 0,0033 0,0024 0,0017
segunda casa decimal de z 0,03 0,04 0,05 0,06

0,4880 0,4483 0,4090 0,3707 0,3336 0,2981 0,2643 0,2327 0,2033 0,1762 0,1515 0,1292 0,1093 0,0918 0,0764 0,0630 0,0516 0,0418 0,0336 0,0268 0,0212 0,0166 0,0129 0,0099 0,0075 0,0057 0,0043 0,0032 0,0023 0,0017 0,4840 0,4443 0,4052 0,3669 0,3300 0,2946 0,2611 0,2296 0,2005 0,1736 0,1492 0,1271 0,1075 0,0901 0,0749 0,0618 0,0505 0,0409 0,0329 0,0262 0,0207 0,0162 0,0125 0,0096 0,0073 0,0055 0,0041 0,0031 0,0023 0,0016 0,4801 0,4404 0,4013 0,3632 0,3264 0,2912 0,2578 0,2266 0,1977 0,1711 0,1469 0,1251 0,1056 0,0885 0,0735 0,0606 0,0495 0,0401 0,0322 0,0256 0,0202 0,0158 0,0122 0,0094 0,0071 0,0054 0,0040 0,0030 0,0022 0,0016 0,4761 0,4364 0,3974 0,3594 0,3228 0,2877 0,2546 0,2236 0,1949 0,1685 0,1446 0,1230 0,1038 0,0869 0,0722 0,0594 0,0485 0,0392 0,0314 0,0250 0,0197 0,0154 0,0119 0,0091 0,0069 0,0052 0,0039 0,0029 0,0021 0,0015
0,07
0,4721 0,4325 0,3936 0,3557 0,3192 0,2842 0,2514 0,2206 0,1922 0,1660 0,1423 0,1210 0,1020 0,0853 0,0708 0,0582 0,0475 0,0384 0,0307 0,0244 0,0192 0,0150 0,0116 0,0089 0,0068 0,0051 0,0038 0,0028 0,0021 0,0015
0,08
0,4681 0,4286 0,3897 0,3520 0,3156 0,2810 0,2483 0,2177 0,1894 0,1635 0,1401 0,1190 0,1003 0,0838 0,0694 0,0571 0,0465 0,0375 0,0301 0,0239 0,0188 0,0146 0,0113 0,0087 0,0066 0,0049 0,0037 0,0027 0,0020 0,0014
0,09
0,4641 0,4247 0,3859 0,3483 0,3121 0,2776 0,2451 0,2148 0,1867 0,1611 0,1379 0,1170 0,0985 0,0823 0,0681 0,0559 0,0455 0,0367 0,0294 0,0233 0,0183 0,0143 0,0110 0,0084 0,0064 0,0048 0,0036 0,0026 0,0019 0,0014
0,00135 0,000233 0,000317 0,00000340 0,000000287
Alexandre/Andr
BACEN 2k9
41
Tabela II Distribuio de Qui-quadrado: valores crticos xc tais que P[ 2 x c ] = . Exemplo: considere n = 5 graus de liberdade e probabilidade da cauda da distribuio = 0,975 o valor crtico xc = 0,831 .
0,995 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 0,000 0,010 0,072 0,207 0,412 0,676 0,989 1,344 1,735 2,156 2,603 3,074 3,565 4,075 4,601 5,142 5,697 6,265 6,844 7,434 8,034 8,643 9,260 9,886 10,520 11,160 11,808 12,461 13,121 13,787 14,458
0,99 0,000 0,020 0,115 0,297 0,554 0,872 1,239 1,647 2,088 2,558 3,053 3,571 4,107 4,660 5,229 5,812 6,408 7,015 7,633 8,260 8,897 9,542 10,196 10,856 11,524 12,198 12,878 13,565 14,256 14,953 15,655
0,975 0,001 0,051 0,216 0,484 0,831 1,237 1,690 2,180 2,700 3,247 3,816 4,404 5,009 5,629 6,262 6,908 7,564 8,231 8,907 9,591 10,283 10,982 11,689 12,401 13,120 13,844 14,573 15,308 16,047 16,791 17,539
0,95 0,004 0,103 0,352 0,711 1,145 1,635 2,167 2,733 3,325 3,940 4,575 5,226 5,892 6,571 7,261 7,962 8,672 9,390 10,117 10,851 11,591 12,338 13,091 13,848 14,611 15,379 16,151 16,928 17,708 18,493 19,281
0,9 0,016 0,211 0,584 1,064 1,610 2,204 2,833 3,490 4,168 4,865 5,578 6,304 7,041 7,790 8,547 9,312 10,085 10,865 11,651 12,443 13,240 14,041 14,848 15,659 16,473 17,292 18,114 18,939 19,768 20,599 21,434
0,1 2,706 4,605 6,251 7,779 9,236 10,645 12,017 13,362 14,684 15,987 17,275 18,549 19,812 21,064 22,307 23,542 24,769 25,989 27,204 28,412 29,615 30,813 32,007 33,196 34,382 35,563 36,741 37,916 39,087 40,256 41,422
0,05 3,841 5,991 7,815 9,488 11,070 12,592 14,067 15,507 16,919 18,307 19,675 21,026 22,362 23,685 24,996 26,296 27,587 28,869 30,144 31,410 32,671 33,924 35,172 36,415 37,652 38,885 40,113 41,337 42,557 43,773 44,985
0,025 5,024 7,378 9,348 11,143 12,832 14,449 16,013 17,535 19,023 20,483 21,920 23,337 24,736 26,119 27,488 28,845 30,191 31,526 32,852 34,170 35,479 36,781 38,076 39,364 40,646 41,923 43,195 44,461 45,722 46,979 48,232
0,01 6,635 9,210 11,345 13,277 15,086 16,812 18,475 20,090 21,666 23,209 24,725 26,217 27,688 29,141 30,578 32,000 33,409 34,805 36,191 37,566 38,932 40,289 41,638 42,980 44,314 45,642 46,963 48,278 49,588 50,892 52,191
0,005 7,879 10,597 12,838 14,860 16,750 18,548 20,278 21,955 23,589 25,188 26,757 28,300 29,819 31,319 32,801 34,267 35,718 37,156 38,582 39,997 41,401 42,796 44,181 45,558 46,928 48,290 49,645 50,994 52,335 53,672 55,002
Alexandre/Andr
BACEN 2k9
42
32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 15,134 15,815 16,501 17,192 17,887 18,586 19,289 19,996 20,707 21,421 22,138 22,860 23,584 24,311 25,041 25,775 26,511 27,249 27,991 16,362 17,073 17,789 18,509 19,233 19,960 20,691 21,426 22,164 22,906 23,650 24,398 25,148 25,901 26,657 27,416 28,177 28,941 29,707 18,291 19,047 19,806 20,569 21,336 22,106 22,878 23,654 24,433 25,215 25,999 26,785 27,575 28,366 29,160 29,956 30,754 31,555 32,357 20,072 20,867 21,664 22,465 23,269 24,075 24,884 25,695 26,509 27,326 28,144 28,965 29,787 30,612 31,439 32,268 33,098 33,930 34,764 22,271 23,110 23,952 24,797 25,643 26,492 27,343 28,196 29,051 29,907 30,765 31,625 32,487 33,350 34,215 35,081 35,949 36,818 37,689 42,585 43,745 44,903 46,059 47,212 48,363 49,513 50,660 51,805 52,949 54,090 55,230 56,369 57,505 58,641 59,774 60,907 62,038 63,167 46,194 47,400 48,602 49,802 50,998 52,192 53,384 54,572 55,758 56,942 58,124 59,304 60,481 61,656 62,830 64,001 65,171 66,339 67,505 49,480 50,725 51,966 53,203 54,437 55,668 56,895 58,120 59,342 60,561 61,777 62,990 64,201 65,410 66,616 67,821 69,023 70,222 71,420 53,486 54,775 56,061 57,342 58,619 59,893 61,162 62,428 63,691 64,950 66,206 67,459 68,710 69,957 71,201 72,443 73,683 74,919 76,154 56,328 57,648 58,964 60,275 61,581 62,883 64,181 65,475 66,766 68,053 69,336 70,616 71,892 73,166 74,437 75,704 76,969 78,231 79,490
Alexandre/Andr
BACEN 2k9

BACEN2010 Econometria Barbosa Cunha Aula 01

Caricato da

Informazioni sul documento

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

BACEN2010 Econometria Barbosa Cunha Aula 01

Caricato da

Copyright:

Formati disponibili

CURSO ON-LINE ECONOMETRIA PARA ANALISTA DO BACEN PROFESSORES: ALEXANDRE DE LIMA E ANDR CUNHA 1

4. Distribuies Importantes em Econometria .......................................... 20

E = {CK, KC, KK} .

Como P[ AB] = P[ B / A]P[ A] = P[ A / B]P[ B] , segue-se que (6) (7)

Figura 1: funo de probabilidade.

2.3. Funo de Distribuio de Probabilidade

A Fig. 2 mostra a funo de distribuio F(x) da varivel aleatria do exemplo 3.

Figura 2: funo de distribuio de probabilidade.

Para calcular probabilidades, temos que, para a b (11)

Figura 3: funo densidade de probabilidade Normal.

Figura 5: a regio hachurada representa conjunto.

Figura 6: grfico da densidade conjunta Normal.

A probabilidade do evento {X x, Y y} dada por

De (21) e (22) resulta que (23)

e a densidade condicional de X dado o resultado Y = y como (25)

Se X e Y so independentes, ento a densidade condicional de X, dado que Y = y , (28)

e a densidade condicional de Y, dado que X = x , (29)

Valores Esperados Varivel Aleatria

20 Se g ( X ) = g1 ( X ) + g 2 ( X ) , em que g1(X) e g2(X) tambm so funes de X, ento vale

Distribuies Importantes em Econometria

Tambm denominada Gaussiana pelos engenheiros.

para x 0 ( f X n (x) = 0 para x < 0)

1 e (.) a funo gama, dada por (n/ 2)

e que consiste numa generalizao da noo de fatorial, pois, se n inteiro, ( n) = (n 1)! .

em que x a mdia amostral de X definida por (42)

23 A Fig. 7 ilustra grficos da distribuio qui-quadrado com n = 1, 3, 6 e 10 graus de liberdade.

Figura 8: grficos da distribuio t-Student.

designa uma varivel aleatria com distribuio qui-

quadrado com ni graus de liberdade.

Fonte: Digest of Educational Statistics 1997, Tabela 170.

Resoluo dos Exerccios de Fixao

f ( x) = 0,310 + 0,320 + 0,240 = 0,87

E[Y ] = E[5 X + 4] = 5E[ X ] + 4 = 5 3,081 + 4 = 15,405 + 4 = 19,405 19,4 .

f ( x) =0 2 0,01 + 12 0,02 + 2 2 0,31 + 3 2 0,32 + 4 2 0,24 + 5 2 0,08 +

+ 6 2 0,019 + 7 2 0,001 = 10,713

var( X ) = E[ X 2 ] X 2 = 10,713 3,0812 = 10,713 9,493 = 1,22 .

Fonte: Digest of Educational Statistics 1997, Tabela 170.

( xi , yk ) = 0,27 + 0,16 + 0,01 + 0,32 + 0,22 + 0,02 = 1

P[ X = 0] = f X ( x = 0) = f XY ( x = 0, y = 1) + f XY ( x = 0, y = 2) + f XY ( x = 0, y = 3)] P[ X = 0] = 0,27 + 0,16 + 0,01 = 0,44

P[Y = 2] = g Y ( y = 2) g Y ( y = 2) = f XY ( x = 0, y = 2) + f XY ( x = 1, y = 2) P[Y = 2] = P[ X = 0, Y = 2] + P[ X = 1, Y = 2] = 0,16 + 0,22 = 0,38 .

GABARITO: D 9. Assinale a alternativa com a funo discreta de probabilidade marginal f ( x) .

f X ( x = 0) = f XY ( x = 0, y = 1) + f XY ( x = 0, y = 2) + f XY ( x = 0, y = 3) = 0,44 na questo 7). f X ( x = 1) = f XY ( x = 1, y = 1) + f XY ( x = 1, y = 2) + f XY ( x = 1, y = 3) = = 0,32 + 0,22 + 0,02 = 0,56 .

Resoluo Pela definio de probabilidade condicional temos que

4.755.790 0,57 8.377.664 3.310.086 fY / X ( y = 2 / x = 1) = 0,40 8.377.664 311.788 fY / X ( y = 3 / x = 1) = 0,04 8.377.664

0,568, y = 1 fY / X ( y / x = 1) = 0,395, y = 2 0,037, y = 3

Tambm podemos resolver a questo usando a frmula

f XY ( x = 1, y = 1) 0,32 = 0,57 f ( x = 1) 0,56 f ( x = 1, y = 2) 0,22 = 0,40 fY / X ( y = 2 / x = 1) = XY f ( x = 1) 0,56 f ( x = 1, y = 3) 0,02 = 0,04 fY / X ( y = 2 / x = 1) = XY f ( x = 1) 0,56 fY / X ( y = 1 / x = 1) =

P[ x z ] = p . Exemplo: P[ x 0,01] = 0,4960.

Distribuio normal Valores tabelados:

segunda casa decimal de z 0,03 0,04 0,05 0,06

0,00135 0,000233 0,000317 0,00000340 0,000000287

Potrebbero piacerti anche