Академический Документы
Профессиональный Документы
Культура Документы
de Castro 1
1 Distribução t de Student
Definição. Dizemos que a v.a. X tem uma distribuição t-Student se sua
f dp é da forma
Γ k+1
2 1
fX (x) = √ · k+1 IR (x). (1)
Γ k2
kπ 1 + x2 2
k
O parâmetro k é chamado “grau de liberdade ”.
Notação: X ∼ t(k)
k=2
k=1
k = 0.5
0.30
0.25
0.20
f(x)
0.15
0.10
0.05
0.00
−10 −5 0 5 10
Γ (1) 1 1
f (x) = 1 √
· 1 = IR (x)
Γ 2 π (1 + x )
2 π(1 + x2 )
DEMA - UFC
João Maurı́cio A. Mota, Juvêncio S. Nobre e Bruno M. de Castro 2
1.1 Fato 1
Z ∞
f (x)dx = 1
−∞
Prova:
∞ ∞ −(k+1)
x2
Z Z
dx 2
I= k+1 =2 1+ dx
−∞ 1+ x2 2 0 k
k
x2
√
fazendo u = k
⇒ x2 = ku ⇒ x = ks ⇒ dx =
assim
Z ∞
√
−(k+1) k
I = (1 + u) 2 √ du
0 2 u
√ Z ∞ −1 −(k+1)
= k u 2 (1 + u) 2 du
0
Sabemos que
∞
xa−1
Z
dx = IB(a, b)
0 (1 + x)a+b
então
∞ 1
u 2 −1
Z
1 k
B ,
k+1 du = I
0 (1 + u) 2 2 2
Γ k+1 k+1
1 Γ 1
k
2√ =√ k
2 1 = √ 1 k
Γ 2 kπ kΓ 2 Γ 2 k · IB ,
2 2
Assim
∞ −(k+1)
∞
x2
Z Z
1 2
f (x)dx = √ 1 k
1 +
−∞ k · IB ,
2 2 | −∞
k
{z }
I
√
1 1 k
= √ · k · IB , =1
k · IB 12 , k2 2 2
DEMA - UFC
João Maurı́cio A. Mota, Juvêncio S. Nobre e Bruno M. de Castro 3
1.2 Aparecimento
A distribuição T aparece na teoria estatı́stica como a razão entre duas variáveis
aleatórias independentes, Z ∼ N (0, 1) e V ∼ χ2 (k),
Z
X=q .
V
k
1 2 1
g(z, v) = √ e−z /2 k
v k/2−1 e−v/2 IR (z) IR+ (v),
2π Γ 2
2k/2
que pode ser posta na forma:
1 2 )/2
g(z, v) = k
1
v k/2−1 e−(v+z IR (z) IR+ (v),
Γ 2
Γ 2
2(k+1)/2
√
Considere a variável auxiliar A = V . Vamos obter a conjunta de:
√
Z kZ √
X=q = √ e A= V.
V V
k
DEMA - UFC
João Maurı́cio A. Mota, Juvêncio S. Nobre e Bruno M. de Castro 4
1 2 k/2−1
2 2
−(a2 + a kx )/2 2a2 ax
g(x, a) = k
1
(a ) e √ IR ( √ ) IR+ (a2 ),
Γ 2
Γ 2
2(k+1)/2 k k
que pode ser posta na forma:
1 2
k − 12 1+ xk a2
g(x, a) = k
1
√ a e IR (x) IR+ (a),
Γ 2
Γ 2
2(k−1)/2 k
A marginal de X é dada por:
Z ∞
f (x) = g(x, a) da
−∞
Z ∞ 2
k − 12 1+ xk a2
= c a e da
0
= cI,
onde
1
c= k
√ .
Γ 21 2(k−1)/2 k
Γ 2
Por outro lado
Z ∞ 2
k − 12 1+ xk a2
I = daa e
0
x2
1
= IGG(k + 1, 1+ a2 , 2)
2 k
Γ k+1
2
= k+1 2 2
2 1+ xk
k+1
2 2
k+1
Γ 2
= k+1
2 2
1+ xk
k−1
2 2
Γ k+1
1
f (x) = k
21 √ k+1 IR (x).
Γ 2 Γ 2 k 1 + x2 2
k
DEMA - UFC
João Maurı́cio A. Mota, Juvêncio S. Nobre e Bruno M. de Castro 5
k+1
x
Γ
Z
2 1
F (x) = k
√ · k+1 dt
−∞ Γ 2
kπ 1+ t2 2
k
0.4
0.2
k=2
k=1
k = 0.5
0.0
−10 −5 0 5 10
a) P [t(8) ≤ 3, 36]
> pt(3.36,8)
[1] 0.9950341
b) P [t(10) ≥ 2, 90]
> pt(2.9,10,lower.tail=FALSE)
[1] 0.0079168
DEMA - UFC
João Maurı́cio A. Mota, Juvêncio S. Nobre e Bruno M. de Castro 6
> pt(0.263,27)-pt(0.159,27)
[1] 0.04015254
P (Z ≤ 1, 96) = 0, 975
P (t(k) ≤ t0 ) ≈ P (Z ≤ t0 ) = Φ(t0 )
esta propriedade pode ser verificada diretamente, ou seja, seja X ∼ t(k) então
2
e−x /2
lim f (x) = √
k→∞ 2π
Prova
k+1
Γ 2 1
f (x) = k
√ · k+1
Γ 2
kπ 1 + x2 2
k
DEMA - UFC
João Maurı́cio A. Mota, Juvêncio S. Nobre e Bruno M. de Castro 7
assim
k+1
Γ
C(k) = k
2√
Γ 2
k
1 k2 k+1
(2π) 2 k+1
2
e− 2
≈ 1 k−1 k√
(2π) 2 k
2
2
e− 2 k
k k−1 k 1
(k + 1) 2 2e− 2 e− 2 2
≈ k k−1 k√
2 2 k 2 e− 2 k
k 1
k + 1 2 e− 2
≈ √
k 2
k2 − 1
1 e 2
≈ 1+ √
k 2
portanto
k2 1
e− 2
1
lim C(k) = 1+ √
k→∞ k 2
1
= √
2
DEMA - UFC
João Maurı́cio A. Mota, Juvêncio S. Nobre e Bruno M. de Castro 8
logo
C(k) 1
lim √ = √
k→∞ π 2π
assim
1 x2
lim f (x) = √ e− 2
k→∞ 2π
conhecida como a função densidade de probabilidade de distribuição normal
padrão.
Prova
∞ k+1
Γ
Z
1
IE(X r ) = xr k
2
√ · k+1 dx
−∞ Γ 2
kπ 1 + x2 2
k
se r for um número ı́mpar temos que o valor de IE(X r ) será nulo, pois obte-
remos uma função ı́mpar. Agora para o caso em que r é par obtemos
Z ∞ k+1
Γ 1
IE(X r ) = 2 xr k 2√ · k+1 dx
0 Γ 2 kπ 1 + x2 2
k
Γ( k+12 ) x2
√
fazendo V = √
Γ( k2 ) kπ
e fazendo u = k
⇒ x2 = ku ⇒ x = ks ⇒ dx =
DEMA - UFC
João Maurı́cio A. Mota, Juvêncio S. Nobre e Bruno M. de Castro 9
temos
Z ∞ r
r (uk) 2 k
IE(X ) = V k+1 · √ du
0 (1 + u) 2 uk
Z ∞ r+1
−1
r+1 u 2
= Vk 2
r+1 k−r du
(1 + u) 2 + 2
0
r+1 r+1 k−r
= V k 2 IB ,
2 2
r+1
Γ k+1 k 2 Γ( r+1 )Γ( k−r
2 2 2
)
= k
√ · k+1
Γ 2 kπ Γ( 2 )
r
k 2 Γ( r+1
2
)Γ( k−r
2
)
= √
Γ( k2 ) π
IE(X) = µ = 0
2
2 k 2 Γ( 23 )Γ( k−2
2
)
IE(X ) = √
Γ( k2 ) π
√
k 2π
= k
√
2
−1 π
k
2
= k−2
2
k
= , k>2
k−2
IE(X 3 ) = 0
4
4 k 2 Γ( 52 )Γ( k−4
2
)
k √
IE(X ) =
Γ( 2 ) π
√
k 2 4!32π
= k √
2
−2 π
k2
= , k>4
(k − 2)(k − 4)
DEMA - UFC
João Maurı́cio A. Mota, Juvêncio S. Nobre e Bruno M. de Castro 10
k
V ar(X) = , k>2
k−2
Prova
α3 = 0
Prova
Sabemos que
µ3
α3 =
σ3
em que µ3 = IE[(X − µ)3 ] = IE(X 3 ) = 0.Logo
α3 = 0
O excesso de curtose de X ∼ t(k) é dada por
6
α4 = , k>4
k−4
Prova
Sabemos que
µ4
α4 = −3
σ4
k2
em que µ4 = IE[(X − µ)4 ] = IE(X 4 ) = (k−2)(k−4)
, k > 4. Calculando µ4 .
Assim
k2
(k−2)(k−4)
α4 = k2
−3
(k−2)2
3k − 6
= −3
k−4
6
= , k>4
k−4
DEMA - UFC
João Maurı́cio A. Mota, Juvêncio S. Nobre e Bruno M. de Castro 11
Mo = 0
Prova
k+1
Γ 2 1
f (x) = k
√ · k+1
Γ 2
kπ 1+ x2 2
k
x2
k+1 k 1 k+1
g(x) = ln Γ − ln Γ − ln(kπ) − ln 1 +
2 2 2 2 k
k+1
2x
g 0 (x) = − 2
2 ·
1 + xk
k
k+1 x
g 0 (x) = −
k 1 + xk2
x2
00 k+1 1− k
g (x) = − x2
k 1+ k
Assim, g 0 (Mo ) = 0
k+1 Mo
− · 2 = 0
k 1 + Mko
Portanto,
Mo = 0,
DEMA - UFC
João Maurı́cio A. Mota, Juvêncio S. Nobre e Bruno M. de Castro 12
x2 1
1+ k
≥1⇒ 2 ≤ 1 ⇒ 0 ≤ y ≤ 1. partindo de
1 + xk
1
G(y) = P (Y ≤ y) = P 2 ≤ y
1 + Xk
X2
1 2 k(1 − y)
= P 1+ ≤ =P X ≥
k y y
s s
k(1 − y) k(1 − y)
= P |X| ≥ = 2P X ≥
y y
√
r
1
= 2 1 − FX k −1
y
derivando a expressão acima obtemos
√
− k
√
r
y2 1
g(y) = 2 · (−1) · q f k −1
2 y1 − 1 y
√ √ k+1
y −2 k y y 2 Γ k+1
= √ √ 2
1 − y Γ k2 πk
Γ k+1
k −1
2 −1
= √ y 2 (1 − y) 2 I (y)
Γ k2 πk
(0,1)
logo Y =∼ Beta k2 , 12
DEMA - UFC
João Maurı́cio A. Mota, Juvêncio S. Nobre e Bruno M. de Castro 13
1.7 Aplicações
A distribuição t de Student têm várias aplicações em inferência estatı́stica,
tanto em teste de hipóteses e intervalos de confiança para as médias quanto
em estimação de variâncias. Vamos tratar de algumas delas.
(X̄ − Ȳ ) − (µ1 − µ2 )
1 1
temos uma distribuição normal com média zero e variância σ 2 m
+ n
.
Para estimarmos a variância comum σ 2 usaremos:
(m − 1)S12 + (n − 1)S22
Sp2 =
m+n−2
e como S12 é independente de X̄ e S22 é independente de Ȳ . Além disso
X̄ e Ȳ são independentes bem como S12 e S22 também o são.
(X̄ − Ȳ ) − (µ1 − µ2 )
T = q
Sp m1 + n1
DEMA - UFC
João Maurı́cio A. Mota, Juvêncio S. Nobre e Bruno M. de Castro 14
2
σD = V (Di ) = V (Xi ) + V (Yi ) − 2cov(Xi , Yi ) = σ12 + σ22 − 2ρσ1 σ2 .
D̄ − µD D̄ − (µ1 − µ2 )
T = = ,
sD SD
tem distribuição t de Student com (n − 1) graus de liberdade.
isto é, é a probabilidade que a variável com distribuição t(k) exceda tα,k .
Observe que, como a distribuição é simétrica em torno so zero, temos que
tα,k =−t1−α,k . No caso de uma amostra com distribuição normal descrita nas
subseções anteriores e se adotarmos um nı́vel de confiança de 1−α, o intervalo
de confiança para µ é dado por
s s
x̄ − √ tα/2,k−1 ≤ µ ≤ x̄ + √ tα/2,k−1
n n
DEMA - UFC
João Maurı́cio A. Mota, Juvêncio S. Nobre e Bruno M. de Castro 15
n=18
N=1000
y=matrix(rnorm(n*N,100,6),nc=N)
T=apply(y,2, function(x) {(mean(x)-100)*sqrt(n)/sd(x)});T
mean(T)
var(T)
hist(T, prob=TRUE, main="Histograma de T",ylab="f(t)",xlab="t")
curve(dt(x,n-1),add=T)
DEMA - UFC