Combinações Lineares de Variáveis Aleatórias

Distribuições de Combinações Lineares de VA
Teorema do Limite Central
Aproximações de Distribuições
- Correção de Continuidade

Para VA $X_1, X_2, \cdots, X_n$ e $c_1, c_2, \cdots, c_n \in \R$ , dizemos que a VA

Y = \sum_{i=1}^n c_i X_i

é uma combinação linear de $X_1, \cdots, X_n$ .

Muitas vezes é interessante estudar combinações lineares de VA's, pelo que os seguintes resultados são muito importantes.

Valor Esperado de Comb. Lineares de VA's

E \left( \sum_{i=1}^n c_i X_i \right) = \sum_{i=1}^n c_i E(X_i)

Variância de Comb. Lineares de VA's

V \left( \sum_{i=1}^n c_i X_i \right) = \sum_{i=1}^n c_i^2 V(X_i) + 2 \sum_{i=1}^n \sum_{j=i+1}^n c_ic_jcov(X_i, X_j)

Nomeadamente, para VA's independentes duas a duas ( $X_i \indep X_j, \forall_{i,j \in \{0,1,\cdots,n\}, i \neq j}$ ), temos que

V \left( \sum_{i=1}^n c_i X_i \right) = \sum_{i=1}^n c_i^2 V(X_i)

Dizemos que duas variáveis $X$ e $Y$ são independentes e identicamente distribuídas se $X \indep Y$ e tiverem a mesma distribuição (com os mesmos parâmetros). Denotamos duas VA's independentes e identicamente distribuídas por $X \iid Y$ e abreviamos esta expressão frequentemente para iid.
Este conceito vai ser muito usado daqui em diante.

Distribuições de Combinações Lineares de VA

Comb. Lineares de Binomiais

Se $X_i \sim \op{binomial}(n_i, p)$ forem variáveis independentes entre si para $i \in \{1,2,\cdots,k\}$ então

\sum_{i=1}^k X_i \sim \op{binomial} \left( \sum_{i=1}^k n_i, p \right)

De uma forma intuitiva, o que isto significa é que se eu primeiro fizer $n_1$ provas de Bernoulli, depois fizer mais $n_2$ , e por aí em diante até $n_k$ , o número de sucessos que vou ter no total corresponde ao número de sucessos que tive nas primeiras $n_1$ tentativas, mais os que tive nas $n_2$ seguintes, consecutivamente até às últimas $n_k$ experiências.
Note-se que isto só é válido se todas as provas de Bernoulli tiverem o mesmo parâmetro, ou seja, a mesma probabilidade de sucesso.

Comb. Lineares de Poisson's

Se $X_i \sim \op{Poisson}(\lambda_i)$ forem variáveis independentes entre si para $i \in \{1,2,\cdots,k\}$ então

\sum_{i=1}^k X_i \sim \op{Poisson} \left( \sum_{i=1}^k \lambda_i \right)

De uma forma intuitiva, o que isto significa é que se tivermos $k$ eventos que esperamos que ocorram $\lambda_1, \lambda_2, \cdots, \lambda_k$ vezes, respetivamente, num dado intervalo, então esperamos que a união desses eventos aconteça $\lambda_1 + \lambda_2 + \cdots + \lambda_k$ vezes nesse dado intervalo.
Isto é uma consequência da linearidade do valor esperado.

Comb. Lineares de Normais

Se $X_i \sim \op{normal}(\mu_i, \sigma_i^2)$ forem variáveis independentes entre si para $i \in \{1,2,\cdots,k\}$ então

\sum_{i=1}^k c_i X_i \sim \op{normal} \left( \sum_{i=1}^k c_i \mu_i, \sum_{i=1}^k c_i^2 \sigma_i^2 \right)

Isto é uma consequência direta das propriedade vistas acima para o valor esperado e variância de combinações lineares de VA's.
Note-se que ao contrário dos outros casos, aqui vale qualquer combinação linear das VA's, e não apenas somas.

Comb. Lineares de Exponenciais

Se $X \sim \op{exponencial}(\lambda)$ então

cX \sim \op{exponencial}\left(\frac{\lambda}{c}\right)

Isto é uma consequência direta de $E(cX) = cE(x)$ (relembre-se que o valor esperado de uma VA $X \sim \op{exponencial}(\lambda)$ é $\frac{1}{\lambda}$ )

Teorema do Limite Central

Sejam $X_i, X_2, \cdots, X_n$ VA iid com valor esperado $\mu$ e variância $\sigma^2$ . Consideremos as VA

S_n = \sum_{i=1}^n X_i

\overline{X_n} = \frac{1}{n} \sum_{i=1}^n X_i

Então, temos que

\lim_{n \to \infty} P \left( \frac{S_n - E(S_n)}{\sqrt{V(S_n)}} \leq z \right) = \lim_{n \to \infty} P \left( \frac{S_n - n\mu}{\sqrt{n\sigma^2}} \leq z \right) = \Phi(z)

\lim_{n \to \infty} P \left( \frac{\overline{X_n} - E(\overline{X_n})}{\sqrt{V(\overline{X_n})}} \leq z \right) = \lim_{n \to \infty} P \left( \frac{\overline{X_n} - \mu}{\sqrt{\frac{\sigma^2}{n}}} \leq z \right) = \Phi(z)

Por outras palavras, temos que, para $n$ suficientemente grande,

\frac{S_n - n\mu}{\sqrt{n\sigma^2}} \sima \op{normal}(0,1)

\frac{\overline{X_n} - \mu}{\sqrt{\frac{\sigma^2}{n}}} \sima \op{normal}(0,1)

Por observação empírica, verificou-se que esta aproximação fica razoável para valores de $n$ superiores a 30.

Este teorema permite-nos obter várias aproximações para distribuições. Vamos ver, agora, aproximações de distribuições, algumas das quais seguem do TLC.

Aproximações de Distribuições

Estas aproximações não são lecionadas no programa de 2021/22.

Uma VA $X \sim \op{hipergeométrica}(N, M, n)$ pode ser aproximada por

\tilde{X} \sim \op{binomial}\left(n, \frac{M}{N}\right)

para $n < 0.1 N$

A lógica por trás desta aproximação é que se a população for muito maior que a amostra (isto é, o número de indivíduos analisados), a não-reposição torna-se negligenciável.

Uma VA $X \sim \op{binomial}(n, p)$ pode ser aproximada por

\tilde{X} \sim \op{Poisson}(np)

para $n>20$ e $p<0.1$ .

Uma VA $X \sim \op{binomial}(n, p)$ pode ser aproximada por

\tilde{X} \sim \op{normal}\left(np, np(1-p)\right)

para $np > 5$ e $n(1-p) > 5$ .

Isto é uma consequência do TLC.

Uma VA $X \sim \op{Poisson}(\lambda)$ pode ser aproximada por

\tilde{X} \sim \op{normal}(\lambda, \lambda)

para $\lambda > 5$ .

Isto é uma consequência do TLC.

Correção de Continuidade

Quando aproximamos VA discretas por VA contínuas, normalmente fazemos uma pequena correção para melhorar a aproximação:

P(X=x) \simeq P\left(x -\frac{1}{2} < \tilde X \leq x + \frac{1}{2}\right)

P(a < X \leq b) \simeq P\left(a + \frac{1}{2} < \tilde X \leq b + \frac{1}{2}\right)

P(X < x) = P\left(X \leq x-1\right) \simeq P\left(\tilde X < x - \frac{1}{2}\right)