Função de distribuição
Na teoria da probabilidade , a função de distribuição , ou função de distribuição cumulativa , de uma variável real aleatória X é a função F X que, com qualquer real x , associa a probabilidade de obter um valor menor ou igual:
FX(x)=P(X≤x){\ displaystyle F_ {X} (x) = \ mathbb {P} (X \ leq x)}![{\ displaystyle F_ {X} (x) = \ mathbb {P} (X \ leq x)}](https://wikimedia.org/api/rest_v1/media/math/render/svg/7f7ea7407411757ef5834b67afb44b0a57d3bfde)
.
Esta função é característica da lei da probabilidade da variável aleatória . Permite calcular a probabilidade de cada intervalo semiaberto à esquerda] a, b] onde a <b, por
P(X∈]no,b])=P(no<X≤b)=FX(b)-FX(no){\ displaystyle \ mathbb {P} (X \ in] a, b]) = \ mathbb {P} (a <X \ leq b) = F_ {X} (b) -F_ {X} (a)}![{\ displaystyle \ mathbb {P} (X \ in] a, b]) = \ mathbb {P} (a <X \ leq b) = F_ {X} (b) -F_ {X} (a)}](https://wikimedia.org/api/rest_v1/media/math/render/svg/cd1116262237a0b52e83f8a5d5bba742202ad8bf)
.
A função de distribuição de uma medida de probabilidade definida na tribo Boreliana é a função F que para quaisquer reais x associados
P{\ displaystyle \ mathbb {P}}
B(R){\ displaystyle {\ mathcal {B}} (\ mathbb {R})}![{\ mathcal B} (\ mathbb {R})](https://wikimedia.org/api/rest_v1/media/math/render/svg/b72c5154b8532f1f97a9d217a1ec867e934e772f)
F(x)=P(]-∞,x]).{\ displaystyle F (x) = \ mathbb {P} (] - \ infty, x]).}
Primeiras propriedades
A função de distribuição de uma variável aleatória real é sempre crescente, contínua à direita, com um limite zero em e um limite igual a 1 in .
-∞{\ displaystyle - \ infty}
+∞{\ displaystyle + \ infty}![+ \ infty](https://wikimedia.org/api/rest_v1/media/math/render/svg/bddbb0e4420a7e744cf71bd71216e11b0bf88831)
Por outro lado, qualquer função definida e que satisfaça essas quatro propriedades é a função de distribuição de uma variável aleatória.
R{\ displaystyle \ mathbb {R}}![\ mathbb {R}](https://wikimedia.org/api/rest_v1/media/math/render/svg/786849c765da7a84dbc3cce43e96aad58a5868dc)
Exemplos de cálculos de função de distribuição
Variáveis de densidade
O CDF F X de uma variável aleatória X de densidade de probabilidade f X é uma primitiva (de um modo algo libertado, ver abaixo) de este densidade f X . Mais precisamente, F X é definido, para qualquer número real x , por:
FX(x)=∫-∞xfX(t)dt.{\ displaystyle F_ {X} (x) = \ int _ {- \ infty} ^ {x} f_ {X} (t) \, \ mathrm {d} t.}![F_ {X} (x) = \ int _ {{- \ infty}} ^ {{x}} f_ {X} (t) \, {\ mathrm d} t.](https://wikimedia.org/api/rest_v1/media/math/render/svg/7c5db7f174e92b0c1b94a815b762813bdd1d9c3c)
No entanto, não é, em geral, um primitivo no sentido estrito do termo: só se pode afirmar:
Mas há muitos "contra-exemplos": a função de distribuição da lei uniforme sobre um intervalo, ou a da lei exponencial , não são diferenciáveis em tudo e, portanto, não são, em sentido estrito, primitivas de densidades de probabilidade.
R,{\ displaystyle \ mathbb {R},}![\ mathbb {R},](https://wikimedia.org/api/rest_v1/media/math/render/svg/0522388d36b55de7babe4bbfc49475eaf590c2bd)
Note-se que, ao contrário das variáveis discretas, variáveis densidade X cheques para qualquer número real tem : consequentemente, a função de distribuição da densidade variável é contínua em todos os pontos. Na verdade, uma variável aleatória real X tem uma densidade de probabilidade se e somente se sua função de distribuição for absolutamente contínua ao longo de cada intervalo limitado.
P(X=no)=0{\ displaystyle \ mathbb {P} (X = a) = 0}![{\ mathbb P} (X = a) = 0](https://wikimedia.org/api/rest_v1/media/math/render/svg/3f2bd4bbdf80707a0aa414abba2619acd70fdf9f)
Variáveis discretas
Uma variável aleatória X é dita discreta se seu suporte S é finito ou contável , ou, de forma equivalente, se existe um conjunto finito ou contável A tal como:
P(X∈NO)=1{\ displaystyle \ mathbb {P} (X \ in A) = 1.}
A lei de X é determinada de forma inequívoca pelos dados de ( p s ) s ∈ S ou de ( p s ) s ∈ A , onde
ps=P(X=s).{\ displaystyle p_ {s} = \ mathbb {P} (X = s).}
Se, por exemplo, X é uma variável aleatória real , nós
FX(x)=∑s∈Sps1[s,+∞[(x).{\ displaystyle F_ {X} (x) = \ sum _ {s \ in S} p_ {s} 1 _ {[s, + \ infty [} (x).}
onde 1 E é a função indicadora do conjunto E.
Para as variáveis aleatórias discretas mais comuns (por exemplo, as distribuições uniformes , binomiais e de Poisson ) S é um conjunto bem ordenado : podemos então numerar seus elementos de forma crescente, pe s 1 ≤ s 2 ≤ s 3 ≤ ... e numere as probabilidades p s de acordo, pe definindo p i = p s i , i ≥ 1 . Temos então, se x ∈ [ s i , s i + 1 [ ,
FX(x)=∑1≤j≤eupj.{\ displaystyle F_ {X} (x) = \ sum _ {1 \ leq j \ leq i} p_ {j}.}
Ou, de forma mais geral:
FX(x)=∑eu≥1 qeu 1[seu,seu+1[(x),qeu=∑1≤j≤eupj.{\ displaystyle {\ begin {alinhados} F_ {X} (x) & = \ sum _ {i \ geq 1} \ q_ {i} \ 1 _ {[s_ {i}, s_ {i + 1} [} (x), \\ q_ {i} & = \ sum _ {1 \ leq j \ leq i} p_ {j}. \ end {alinhado}}}
A função de distribuição é então uma função constante por intervalos e sua representação gráfica é escalonada . Os saltos de um degrau para outro da escada estão localizados na abcissa s i , e a amplitude do salto de abscissa s é p s = F X ( s ) - F X ( s - ) . Em particular, a função de distribuição de uma variável discreta X é descontínua exatamente em pontos s como Veja a seção Propriedades da função de distribuição para uma demonstração.
P(X=s)>0{\ displaystyle \ mathbb {P} (X = s)> 0.}![{\ mathbb P} (X = s)> 0.](https://wikimedia.org/api/rest_v1/media/math/render/svg/97c3a2481404622609c489f23b6669e5ef024be9)
Caso especial: função de distribuição contínua puramente singular
A escada Cantor F é um exemplo de uma função de distribuição contínua, mas a derivada dela é quase zero em todos os lugares. Assim, as fórmulas anteriores não são mais verdadeiras para a escada Cantor: por exemplo, para x > 0 , não temos
F(x)=∫-∞xF′(t)dt{\ displaystyle F (x) = \ int _ {- \ infty} ^ {x} F ^ {\ prime} (t) \, \ mathrm {d} t}![{\ displaystyle F (x) = \ int _ {- \ infty} ^ {x} F ^ {\ prime} (t) \, \ mathrm {d} t}](https://wikimedia.org/api/rest_v1/media/math/render/svg/cdf0b1a4b3afd77ed3d0184825ba50a1b6dd68ee)
,
porque F assume valores estritamente positivos em ] 0, + ∞ [ , enquanto a integral que constitui o lado direito é identicamente zero. Na verdade, o todo
{t∈R∣F′(t)≠0}{\ displaystyle \ {t \ in \ mathbb {R} \ mid F ^ {\ prime} (t) \ neq 0 \}}
é da medida Lebesgue zero. Além disso, a lei da probabilidade associada à escada de Cantor é difusa (sem átomo), uma vez que F é uma função contínua on . A escada de Cantor é de fato um exemplo de uma função de distribuição contínua, mas que não é absolutamente contínua ao longo de cada intervalo: então dizemos que é puramente contínua singular.
R{\ displaystyle \ mathbb {R}}![\ mathbb {R}](https://wikimedia.org/api/rest_v1/media/math/render/svg/786849c765da7a84dbc3cce43e96aad58a5868dc)
Propriedades da função de distribuição
Propriedades características
Teorema - A função de distribuição de uma variável aleatória X tem as seguintes propriedades características:
-
F X está aumentando ;
- Está em toda parte contínua à direita;
-
limx→-∞FX(x)=0{\ displaystyle \ lim _ {x \ to - \ infty} F_ {X} (x) = 0}
;
- limx→+∞FX(x)=1{\ displaystyle \ lim _ {x \ to + \ infty} F_ {X} (x) = 1.}
![\ lim _ {{x \ to + \ infty}} F_ {X} (x) = 1.](https://wikimedia.org/api/rest_v1/media/math/render/svg/b63dda03ca0e7eef62be1969c7154ce43122bd8d)
Demonstração
O ponto 1 segue da propriedade de crescimento das medidas de probabilidade
{x≤y}⇒{]-∞,x] ⊂ ]-∞,y]}⇒{PX(]-∞,x])≤PX(]-∞,y])}.{\ displaystyle \ {x \ leq y \} \ Rightarrow \ {] - \ infty, x] \ \ subset \] - \ infty, y] \} \ Rightarrow \ {\ mathbb {P} _ {X} (] - \ infty, x]) \ leq \ mathbb {P} _ {X} (] - \ infty, y]) \}.}
Como F X é uma função monotônica , o ponto 2 reduz para mostrar que
limnãoFX(x+1não)=FX(x),{\ displaystyle \ lim _ {n} F_ {X} \ left (x + {\ tfrac {1} {n}} \ right) = F_ {X} (x),}
ou equivalente,
limnãoPX(]-∞,x+1não])=PX(]-∞,x]).{\ displaystyle \ lim _ {n} \ mathbb {P} _ {X} \ left (\ left] - \ infty, x + {\ tfrac {1} {n}} \ right] \ right) = \ mathbb { P} _ {X} \ left (\ left] - \ infty, x \ right] \ right).}
Mas os Borelianos ] –∞, x +1/não[ formam uma sequência decrescente, e
⋂não≥1]-∞,x+1não] = ]-∞,x],{\ displaystyle \ bigcap _ {n \ geq 1} \ left] - \ infty, x + {\ tfrac {1} {n}} \ right] \ = \ \ left] - \ infty, x \ right],}
portanto, o ponto 2 é uma consequência dos axiomas das probabilidades . Como F X é monótono, o ponto 3 pode ser reduzido para mostrar que
limnãoFX(-não)=0{\ displaystyle \ lim _ {n} F_ {X} (- n) = 0}
Isso é novamente uma consequência dos axiomas de probabilidades , uma vez que
⋂não≥1]-∞,-não] = ∅.{\ displaystyle \ bigcap _ {n \ geq 1} \ left] - \ infty, -n \ right] \ = \ \ emptyset.}
O ponto 4 decorre, da mesma forma, de
⋃não≥1]-∞,não] = R.{\ displaystyle \ bigcup _ {n \ geq 1} \ left] - \ infty, n \ right] \ = \ \ mathbb {R}.}
Como dissemos, os pontos 1 a 4 são característicos da função de distribuição de uma variável real aleatória X : dada uma função real da variável real, denotada por F , satisfazendo os pontos 1 a 4, podemos construir concretamente uma variável real aleatória X tendo F para a função de distribuição, veja abaixo o teorema da recíproca . Observe que a construção usando o teorema inverso é usada concretamente para produzir, em um computador, amostras de tamanho arbitrário com uma lei de probabilidade arbitrária, que é o ingrediente básico dos métodos de Monte-Carlo .
Observação
Podemos, portanto, definir a noção de função de distribuição sem introduzir a de uma variável aleatória: ela só precisa satisfazer os pontos 1 a 4 acima. Se adicionarmos a isso a noção de função aritmética , chegaremos rapidamente à teoria probabilística dos números .
Outras propriedades
Por causa dos pontos 1, 3 e 4, F X é limitado, mais precisamente
∀x∈R, 0≤FX(x)≤1{\ displaystyle \ forall x \ in \ mathbb {R}, \ \ \ 0 \ leq F_ {X} (x) \ leq 1.}![\ forall x \ in \ mathbb {R}, \ \ \ 0 \ leq F_ {X} (x) \ leq 1.](https://wikimedia.org/api/rest_v1/media/math/render/svg/3f49c3fb11f18e0ec02fea3bbf89858d9494bbd4)
Como qualquer função monotônica limitada, F X admite em qualquer ponto x um limite esquerdo F X ( x - ) , limite esquerdo igual ou não a F X ( x ) dependendo se F X é contínuo em x ou não. F X é uma função càdlàg .
O conhecimento da função de distribuição permite que a probabilidade de qualquer intervalo seja calculada
- P(X∈]-∞;x])=P(X≤x)=FX(x),{\ displaystyle \ mathbb {P} (X \ in] - \ infty; x]) \, = \, \ mathbb {P} (X \ leq x) \, = \, F_ {X} (x),}
![{\ mathbb P} (X \ in] - \ infty; x]) \, = \, {\ mathbb P} (X \ leq x) \, = \, F_ {X} (x),](https://wikimedia.org/api/rest_v1/media/math/render/svg/4fd05156713c568b93f7a53fa5d7c503760e2a62)
- P(X∈]x;+∞[)=P(X>x)=1-FX(x),{\ displaystyle \ mathbb {P} (X \ in] x; + \ infty [) \, = \, \ mathbb {P} (X> x) \, = \, 1-F_ {X} (x), }
![{\ mathbb P} (X \ in] x; + \ infty [) \, = \, {\ mathbb P} (X> x) \, = \, 1-F_ {X} (x),](https://wikimedia.org/api/rest_v1/media/math/render/svg/2c4d3fabc4be42b6487949d0b79f83737d9b81a6)
- P(X∈]x;y])=P(x<X≤y)=FX(y)-FX(x),{\ displaystyle \ mathbb {P} (X \ in] x; y]) \, = \, \ mathbb {P} (x <X \ leq y) \, = \, F_ {X} (y) -F_ {X} (x),}
![{\ mathbb P} (X \ in] x; y]) \, = \, {\ mathbb P} (x <X \ leq y) \, = \, F_ {X} (y) -F_ {X} (x),](https://wikimedia.org/api/rest_v1/media/math/render/svg/4030795f404f1c6aeb135833ec09c9eca4b77551)
- P(X∈]-∞;x[)=P(X<x)=FX(x-),{\ displaystyle \ mathbb {P} (X \ in] - \ infty; x [) \, = \, \ mathbb {P} (X <x) \, = \, F_ {X} (x _ {-} ),}
![{\ mathbb P} (X \ in] - \ infty; x [) \, = \, {\ mathbb P} (X <x) \, = \, F_ {X} (x _ {-}),](https://wikimedia.org/api/rest_v1/media/math/render/svg/fb7f75f42b1943a81b83201463919c64514a462d)
- P(X∈]x;y[)=P(x<X<y)=FX(y-)-FX(x),{\ displaystyle \ mathbb {P} (X \ in] x; y [) \, = \, \ mathbb {P} (x <X <y) \, = \, F_ {X} (y _ {-} ) -F_ {X} (x),}
![{\ mathbb P} (X \ in] x; y [) \, = \, {\ mathbb P} (x <X <y) \, = \, F_ {X} (y _ {-}) - F_ {X} (x),](https://wikimedia.org/api/rest_v1/media/math/render/svg/bb4f243ab57f8ad68de075855b4a85f42c8c50a4)
- P(X∈[x;y[)=P(x≤X<y)=FX(y-)-FX(x-),{\ displaystyle \ mathbb {P} (X \ in [x; y [) \, = \, \ mathbb {P} (x \ leq X <y) \, = \, F_ {X} (y _ {- }) -F_ {X} (x _ {-}),}
![{\ mathbb P} (X \ in [x; y [) \, = \, {\ mathbb P} (x \ leq X <y) \, = \, F_ {X} (y _ {-}) - F_ {X} (x _ {-}),](https://wikimedia.org/api/rest_v1/media/math/render/svg/1643fb68ff19eb22532db44911fe2bb6c747d640)
- P(X∈[x;y])=P(x≤X≤y)=FX(y)-FX(x-),{\ displaystyle \ mathbb {P} (X \ in [x; y]) \, = \, \ mathbb {P} (x \ leq X \ leq y) \, = \, F_ {X} (y) - F_ {X} (x _ {-}),}
![{\ mathbb P} (X \ in [x; y]) \, = \, {\ mathbb P} (x \ leq X \ leq y) \, = \, F_ {X} (y) -F_ {X } (x _ {-}),](https://wikimedia.org/api/rest_v1/media/math/render/svg/302ffed4394448a1d2f1ca33a3238a2376c63ce2)
e
- P(X=x)=FX(x)-FX(x-){\ displaystyle \ mathbb {P} (X = x) = F_ {X} (x) -F_ {X} (x _ {-}) \,}
![{\ mathbb P} (X = x) = F_ {X} (x) -F_ {X} (x _ {-}) \,](https://wikimedia.org/api/rest_v1/media/math/render/svg/95bac0c29d84a189c2b555b87138c8de15b2863d)
Demonstração
-
P(X∈]-∞;x])=P(X≤x)=FX(x),{\ displaystyle \ \ mathbb {P} (X \ in] - \ infty; x]) \, = \, \ mathbb {P} (X \ leq x) \, = \, F_ {X} (x), }
é a definição de uma função de distribuição.
- obtemos mudando para o complementar, P(X∈]x;+∞[)=P(X>x)=1-FX(x){\ displaystyle \ \ mathbb {P} (X \ in] x; + \ infty [) \, = \, \ mathbb {P} (X> x) \, = \, 1-F_ {X} (x) }
![\ {\ mathbb P} (X \ in] x; + \ infty [) \, = \, {\ mathbb P} (X> x) \, = \, 1-F_ {X} (x)](https://wikimedia.org/api/rest_v1/media/math/render/svg/d72482d4ac4cc61974503152c74f89d8e4323982)
- pois usamos para A =] –∞; x ] e B =] –∞; y ] ,P(X∈]x;y])=P(x<X≤y)=FX(y)-FX(x),{\ displaystyle \ mathbb {P} (X \ in] x; y]) \, = \, \ mathbb {P} (x <X \ leq y) \, = \, F_ {X} (y) -F_ {X} (x),}
{NO⊂B} ⇒ {P(B∖NO)=P(B)-P(NO)},{\ displaystyle \ {A \ subset B \} \ \ Rightarrow \ \ {\ mathbb {P} (B \ setminus A) = \ mathbb {P} (B) -P (A) \},}![\ {A \ subconjunto B \} \ \ Rightarrow \ \ {{\ mathbb P} (B \ setminus A) = {\ mathbb P} (B) -P (A) \},](https://wikimedia.org/api/rest_v1/media/math/render/svg/5db4d4e0966a7cb33f7e7e2556dea55f8b603f08)
- A relação é a mais delicada e envolve uma consequência dos axiomas das probabilidades sobre a probabilidade de união de uma série crescente de conjuntos. Consideramos uma sequência ( x n ) de reais crescentes , convergindo para x . O intervalo ] -∞; x [ é então a união contável da sequência crescente de intervalos ] -∞; x n ] . A probabilidade do intervalo ] -∞; x [ é, portanto, o limite das probabilidades dos intervalos ] -∞; x n ] , ou seja, o limite da sequência F X ( x n ) . Por propriedade de funções crescentes, este limite existe e é igual a F X ( x - ) .P(X∈]-∞;x[)=P(X<x)=FX(x-),{\ displaystyle \ mathbb {P} (X \ in] - \ infty; x [) \, = \, \ mathbb {P} (X <x) \, = \, F_ {X} (x _ {-} ),}
![{\ displaystyle \ mathbb {P} (X \ in] - \ infty; x [) \, = \, \ mathbb {P} (X <x) \, = \, F_ {X} (x _ {-} ),}](https://wikimedia.org/api/rest_v1/media/math/render/svg/fb7f75f42b1943a81b83201463919c64514a462d)
As últimas 5 propriedades derivam de para diferentes escolhas de A e B :
{NO⊂B} ⇒ {P(B∖NO)=P(B)-P(NO)},{\ displaystyle \ {A \ subset B \} \ \ Rightarrow \ \ {\ mathbb {P} (B \ setminus A) = \ mathbb {P} (B) - \ mathbb {P} (A) \},}![\ {A \ subset B \} \ \ Rightarrow \ \ {{\ mathbb P} (B \ setminus A) = {\ mathbb P} (B) - {\ mathbb P} (A) \},](https://wikimedia.org/api/rest_v1/media/math/render/svg/336681756928c5c7a62ad23d34fc20653575c554)
- P(X∈]x;y[)=P(x<X<y)=FX(y-)-FX(x), para NO=]-∞;x], B=]-∞;y[,{\ displaystyle \ mathbb {P} (X \ in] x; y [) \, = \, \ mathbb {P} (x <X <y) \, = \, F_ {X} (y _ {-} ) -F_ {X} (x), \ {\ textrm {para}} \ A =] - \ infty; x], \ quad \ B =] - \ infty; y [,}
![{\ displaystyle \ mathbb {P} (X \ in] x; y [) \, = \, \ mathbb {P} (x <X <y) \, = \, F_ {X} (y _ {-} ) -F_ {X} (x), \ {\ textrm {para}} \ A =] - \ infty; x], \ quad \ B =] - \ infty; y [,}](https://wikimedia.org/api/rest_v1/media/math/render/svg/3615c0d04b6dcd336d996257083f0b83f75527c9)
- P(X∈[x;y[)=P(x≤X<y)=FX(y-)-FX(x-), para NO=]-∞;x[, B=]-∞;y[,{\ displaystyle \ mathbb {P} (X \ in [x; y [) \, = \, \ mathbb {P} (x \ leq X <y) \, = \, F_ {X} (y _ {- }) -F_ {X} (x _ {-}), \ {\ textrm {para}} \ A =] - \ infty; x [, \ quad \ B =] - \ infty; y [,}
![{\ displaystyle \ mathbb {P} (X \ in [x; y [) \, = \, \ mathbb {P} (x \ leq X <y) \, = \, F_ {X} (y _ {- }) -F_ {X} (x _ {-}), \ {\ textrm {para}} \ A =] - \ infty; x [, \ quad \ B =] - \ infty; y [,}](https://wikimedia.org/api/rest_v1/media/math/render/svg/e0dd796ac3157549bea5c29bf9ef7bc98094156f)
- P(X∈[x;y])=P(x≤X≤y)=FX(y)-FX(x-), para NO=]-∞;x[, B=]-∞;y],{\ displaystyle \ mathbb {P} (X \ in [x; y]) \, = \, \ mathbb {P} (x \ leq X \ leq y) \, = \, F_ {X} (y) - F_ {X} (x _ {-}), \ {\ textrm {pour}} \ A =] - \ infty; x [, \ quad \ B =] - \ infty; y],}
![{\ displaystyle \ mathbb {P} (X \ in [x; y]) \, = \, \ mathbb {P} (x \ leq X \ leq y) \, = \, F_ {X} (y) - F_ {X} (x _ {-}), \ {\ textrm {pour}} \ A =] - \ infty; x [, \ quad \ B =] - \ infty; y],}](https://wikimedia.org/api/rest_v1/media/math/render/svg/1238b725f4756a1b7e864d85dcea16f14af3287c)
- P(X=x)=FX(x)-FX(x-), para NO=]-∞;x[, B=]-∞;x].{\ displaystyle \ mathbb {P} (X = x) = F_ {X} (x) -F_ {X} (x _ {-}), \ {\ textrm {para}} \ A =] - \ infty; x [, \ quad \ B =] - \ infty; x].}
![{\ displaystyle \ mathbb {P} (X = x) = F_ {X} (x) -F_ {X} (x _ {-}), \ {\ textrm {para}} \ A =] - \ infty; x [, \ quad \ B =] - \ infty; x].}](https://wikimedia.org/api/rest_v1/media/math/render/svg/b2b5435d003bd5a348079da8520fb9cda99f0fcc)
Chamamos átomo da variável aleatória X qualquer real a para o qual . Portanto, em virtude da última propriedade da lista acima,
P(X=no)>0{\ displaystyle \ mathbb {P} (X = a)> 0}![{\ mathbb P} (X = a)> 0](https://wikimedia.org/api/rest_v1/media/math/render/svg/3fd4c751693f051eb9e93a0f65d085685e049a22)
Propriedade - Os átomos da variável aleatória X são exatamente os pontos de descontinuidade da função de distribuição.
A função de distribuição de uma variável aleatória X é, portanto, contínua se e somente se X não tiver átomos, ou seja, se e somente se
∀x∈R, P[X=x]=0{\ displaystyle \ forall x \ in \ mathbb {R}, \ \ mathbb {P} [X = x] = 0.}![\ forall x \ in \ mathbb {R}, \ {\ mathbb P} [X = x] = 0.](https://wikimedia.org/api/rest_v1/media/math/render/svg/051a3d61ca04c2e12443b85c2e51b40f6de77ec7)
Dizemos então que a lei de X é difusa , ou sem átomo , e, por extensão, que a própria variável aleatória X é difusa ou sem átomo . Em particular, variáveis aleatórias reais com densidade de probabilidade são difusas. Existem, no entanto, variáveis aleatórias difusas que não têm densidade de probabilidade, por exemplo, com a variável aleatória cuja função de distribuição é a escada de Cantor .
Observe que o conjunto de pontos de descontinuidade de F X é finito ou contável , como é o caso para qualquer função monotônica limitada:
Consequência - O conjunto S de átomos da variável aleatória X é finito ou contável .
Caracterização da lei pela função de distribuição
Teorema - A lei da probabilidade de uma variável aleatória real é caracterizada por sua função de distribuição.
Ou ainda: se duas variáveis aleatórias reais têm a mesma função de distribuição, então elas têm a mesma lei (e vice-versa).
Demonstração
Sob a hipótese F X = F Y , podemos provar de forma elementar que tão logo A seja um boreliano "simples" (por exemplo, se A for um intervalo). Por outro lado, a prova geral (para qualquer Boreliano A ) é um caso particular do lema da unicidade das probabilidades , em si um corolário do lema de classe monotônico , aplicado à classe
P(X∈NO)=P(Y∈NO),{\ displaystyle \ mathbb {P} (X \ in A) = \ mathbb {P} (Y \ in A),}![{\ mathbb P} (X \ em A) = {\ mathbb P} (Y \ em A),](https://wikimedia.org/api/rest_v1/media/math/render/svg/f6e57bfdb9e0a91439b60a7831caedd952b0910d)
VS={(-∞,x] | x∈R}.{\ displaystyle {\ mathcal {C}} = \ left \ {(- \ infty, x] \ | \ x \ in \ mathbb {R} \ right \}.}![{\ mathcal C} = \ left \ {(- \ infty, x] \ | \ x \ in \ mathbb {R} \ right \}.](https://wikimedia.org/api/rest_v1/media/math/render/svg/ae1df267803e6e0940e95c4aa665ff2ef87edc84)
É necessário verificar que
- a classe é estável por interseção finita,VS{\ displaystyle {\ mathcal {C}}}
![{\ mathcal C}](https://wikimedia.org/api/rest_v1/media/math/render/svg/e7b3edab7022ca9e2976651bc59c489513ee9019)
- a tribo gerada por contém (e de fato é igual a) a tribo Boreliana .VS{\ displaystyle {\ mathcal {C}}}
![{\ mathcal C}](https://wikimedia.org/api/rest_v1/media/math/render/svg/e7b3edab7022ca9e2976651bc59c489513ee9019)
O lema da unicidade das probabilidades, então, nos permite concluir.
Vamos verificar 1. Seja I um subconjunto finito de . É lá o elemento mínimo de I . Então
R{\ displaystyle \ mathbb {R}}![\ mathbb {R}](https://wikimedia.org/api/rest_v1/media/math/render/svg/786849c765da7a84dbc3cce43e96aad58a5868dc)
⋂x∈eu(-∞,x]=(-∞,y] ∈ VS.{\ displaystyle \ bigcap _ {x \ in I} (- \ infty, x] \, = \, (- \ infty, y] \ \ in \ {\ mathcal {C}}.}![\ bigcap _ {{x \ in I}} (- \ infty, x] \, = \, (- \ infty, y] \ \ in \ {\ mathcal C}.](https://wikimedia.org/api/rest_v1/media/math/render/svg/d167248c9e15dfc8afb9577ea730d64404ea1b60)
Vamos verificar 2. A tribo gerada por é anotada . A tribo Borelian é notada , com freqüência. Observação
VS{\ displaystyle {\ mathcal {C}}}
σ(VS){\ displaystyle \ sigma ({\ mathcal {C}})}
B(R){\ displaystyle {\ mathcal {B}} (\ mathbb {R})}![{\ mathcal B} (\ mathbb {R})](https://wikimedia.org/api/rest_v1/media/math/render/svg/b72c5154b8532f1f97a9d217a1ec867e934e772f)
D={(x,+∞) | x∈R}.{\ displaystyle {\ mathcal {D}} = \ left \ {(x, + \ infty) \ | \ x \ in \ mathbb {R} \ right \}.}![{\ mathcal D} = \ left \ {(x, + \ infty) \ | \ x \ in \ mathbb {R} \ right \}.](https://wikimedia.org/api/rest_v1/media/math/render/svg/d8b6951e11cc8d7efb67c36aaae0d0ff05af2d2e)
Temos em virtude da estabilidade das tribos passando para as complementares, portanto por definição de uma tribo gerada . Podemos intercambiar e no que precede, portanto, pela dupla inclusão,
D⊂σ(VS),{\ displaystyle {\ mathcal {D}} \ subset \ sigma ({\ mathcal {C}}),}
σ(D)⊂σ(VS),{\ displaystyle \ sigma ({\ mathcal {D}}) \ subset \ sigma ({\ mathcal {C}}),}
VS{\ displaystyle {\ mathcal {C}}}
D{\ displaystyle {\ mathcal {D}}}![{\ mathcal D}](https://wikimedia.org/api/rest_v1/media/math/render/svg/3277962e1959c3241fb1b70c7f0ac6dcefebd966)
σ(VS)=σ(D).{\ displaystyle \ sigma ({\ mathcal {C}}) = \ sigma ({\ mathcal {D}}).}![\ sigma ({\ mathcal C}) = \ sigma ({\ mathcal D}).](https://wikimedia.org/api/rest_v1/media/math/render/svg/ba69458dd407904c03256036b811fbe3fb07dede)
Como faz parte do conjunto de aberturas, deduzimos que
D{\ displaystyle {\ mathcal {D}}}![{\ mathcal D}](https://wikimedia.org/api/rest_v1/media/math/render/svg/3277962e1959c3241fb1b70c7f0ac6dcefebd966)
σ(VS)=σ(D) ⊂ B(R).{\ displaystyle \ sigma ({\ mathcal {C}}) = \ sigma ({\ mathcal {D}}) \ \ subset \ {\ mathcal {B}} (\ mathbb {R}).}![\ sigma ({\ mathcal C}) = \ sigma ({\ mathcal D}) \ \ subset \ {\ mathcal B} (\ mathbb {R}).](https://wikimedia.org/api/rest_v1/media/math/render/svg/fea770cafa6b46bd4229f0e3878b06b390a73d9b)
Mas devemos acima de tudo demonstrar a inclusão na direção oposta, e, para isso, demonstrar que tudo que se abre de está em (assim é uma tribo contendo todas as aberturas de , enquanto que é a menor tribo contendo todas as aberturas de ). Um argumento rápido é que
R{\ displaystyle \ mathbb {R}}
σ(VS){\ displaystyle \ sigma ({\ mathcal {C}})}
σ(VS){\ displaystyle \ sigma ({\ mathcal {C}})}
R{\ displaystyle \ mathbb {R}}
B(R){\ displaystyle {\ mathcal {B}} (\ mathbb {R})}
R{\ displaystyle \ mathbb {R}}![\ mathbb {R}](https://wikimedia.org/api/rest_v1/media/math/render/svg/786849c765da7a84dbc3cce43e96aad58a5868dc)
- tudo aberto é uma união contável de intervalos abertos, e queR{\ displaystyle \ mathbb {R}}
![\ mathbb {R}](https://wikimedia.org/api/rest_v1/media/math/render/svg/786849c765da7a84dbc3cce43e96aad58a5868dc)
- intervalos abertos estão em .σ(VS){\ displaystyle \ sigma ({\ mathcal {C}})}
![\ sigma ({\ mathcal C})](https://wikimedia.org/api/rest_v1/media/math/render/svg/e950bcdbd90578f39565e77ad02002ab0055d306)
O primeiro ponto resulta do fato de que
- uma abertura é uma união disjunta de seus componentes conectados (isso é verdadeiro para qualquer parte de ),O{\ displaystyle {\ mathcal {O}}}
R{\ displaystyle \ mathbb {R}}![\ mathbb {R}](https://wikimedia.org/api/rest_v1/media/math/render/svg/786849c765da7a84dbc3cce43e96aad58a5868dc)
- as partes conectadas de (e em particular os componentes conectados acima) são exatamente os intervalos deR,{\ displaystyle \ mathbb {R},}
R,{\ displaystyle \ mathbb {R},}
- como está conectado localmente, os componentes conectados de um aberto são abertos automaticamente.R{\ displaystyle \ mathbb {R}}
![\ mathbb {R}](https://wikimedia.org/api/rest_v1/media/math/render/svg/786849c765da7a84dbc3cce43e96aad58a5868dc)
- cada componente conectado Um do nosso aberta , você pode escolher um número racional q A . A q A são distintos, pois os componentes são disjuntos. Assim, A → q A é uma bijeção entre a família de componentes conectados de e uma parte de A família de componentes conectados de é, portanto, finita ou contável.O{\ displaystyle {\ mathcal {O}}}
O{\ displaystyle {\ mathcal {O}}}
Q.{\ displaystyle \ mathbb {Q}.}
O{\ displaystyle {\ mathcal {O}}}![{\ mathcal O}](https://wikimedia.org/api/rest_v1/media/math/render/svg/d6ae2ed4058fb748a183d9ada8aea50a00d0c89f)
O segundo ponto é que
-
∀x∈R,(x,+∞) ∈ σ(VS),{\ displaystyle \ forall x \ in \ mathbb {R}, \ qquad (x, + \ infty) \ \ in \ \ sigma ({\ mathcal {C}}),}
como vimos acima;
-
∀y∈R,(-∞,y) = ⋃não≥1 (-∞,y-1não] ∈ σ(VS){\ displaystyle \ forall y \ in \ mathbb {R}, \ qquad (- \ infty, y) \ = \ \ bigcup _ {n \ geq 1} \ \ left (- \ infty, y - {\ tfrac {1 } {n}} \ right] \ \ in \ \ sigma ({\ mathcal {C}})}
;
- ∀x<y∈ R,(x,y) = (-∞,y)∩(x,+∞) ∈ σ(VS).{\ displaystyle \ forall x <y \, \ in \ \ mathbb {R}, \ qquad (x, y) \ = \ (- \ infty, y) \, \ cap \, (x, + \ infty) \ \ in \ \ sigma ({\ mathcal {C}}).}
![\ forall x <y \, \ in \ \ mathbb {R}, \ qquad (x, y) \ = \ (- \ infty, y) \, \ cap \, (x, + \ infty) \ \ in \ \ sigma ({\ mathcal C}).](https://wikimedia.org/api/rest_v1/media/math/render/svg/ba498a9cc210772631f379cc2428fda75e2741a6)
CQFD
Em outras palavras, se duas variáveis aleatórias reais, X e Y , satisfazem
∀x∈R,P(X≤x)=P(Y≤x),{\ displaystyle \ forall x \ in \ mathbb {R}, \ qquad \ mathbb {P} (X \ leq x) = \ mathbb {P} (Y \ leq x),}![\ forall x \ in \ mathbb {R}, \ qquad {\ mathbb P} (X \ leq x) = {\ mathbb P} (Y \ leq x),](https://wikimedia.org/api/rest_v1/media/math/render/svg/f7fc25e8391248c86fdd92d829d72ae3f08e666e)
em seguida, eles também verificam que, para qualquer boreliano A ,
P(X∈NO)=P(Y∈NO).{\ displaystyle \ mathbb {P} (X \ in A) = \ mathbb {P} (Y \ in A).}![{\ mathbb P} (X \ em A) = {\ mathbb P} (Y \ em A).](https://wikimedia.org/api/rest_v1/media/math/render/svg/727f0177397f1432e05e1068171907b11ec5be00)
Além disso, eles verificam que para qualquer função mensurável φ ,
E[φ(X)]=E[φ(Y)],{\ displaystyle \ mathbb {E} [\ varphi (X)] = \ mathbb {E} [\ varphi (Y)],}![{\ mathbb E} [\ varphi (X)] = {\ mathbb E} [\ varphi (Y)],](https://wikimedia.org/api/rest_v1/media/math/render/svg/14c57d3b21aa45f73e87484234e3cbedfd017f15)
assim que um dos dois termos de igualdade tiver um significado.
Teorema recíproco
Vamos F ser uma função de em satisfazer as 4 propriedades características. Denote por G a função definida para ω ∈] 0; 1 [ por
R{\ displaystyle \ mathbb {R}}
R{\ displaystyle \ mathbb {R}}![\ mathbb {R}](https://wikimedia.org/api/rest_v1/media/math/render/svg/786849c765da7a84dbc3cce43e96aad58a5868dc)
G(ω)=inf{x∈R | F(x)≥ω}.{\ displaystyle G (\ omega) = \ inf \ left \ {x \ in \ mathbb {R} \ | \ F (x) \ geq \ omega \ right \}.}
Então G é uma variável real aleatória definida no espaço probabilizado onde e onde denota a restrição
da medida de Lebesgue sobre . O teorema afirma que:
(Ω,NO,P){\ displaystyle \ left (\ Omega, {\ mathcal {A}}, \ mathbb {P} \ right)}
(Ω,NO)=(]0,1[,B(]0,1[)){\ displaystyle \ left (\ Omega, {\ mathcal {A}} \ right) = \ left (] 0,1 [, {\ mathcal {B}} (] 0,1 [) \ right)}
P{\ displaystyle \ mathbb {P}}
B(]0,1[){\ displaystyle {\ mathcal {B}} (] 0,1 [)}
R{\ displaystyle \ mathbb {R}}![\ mathbb {R}](https://wikimedia.org/api/rest_v1/media/math/render/svg/786849c765da7a84dbc3cce43e96aad58a5868dc)
Teorema - No espaço , a função de distribuição G é F .
(Ω,NO,P){\ displaystyle \ left (\ Omega, {\ mathcal {A}}, \ mathbb {P} \ right)}![\ left (\ Omega, {\ mathcal A}, {\ mathbb P} \ right)](https://wikimedia.org/api/rest_v1/media/math/render/svg/a607e54e59120270663a8f4bf9021903a0ad3f50)
Assim, qualquer função F do em que satisfaçam os quatro propriedades características é uma função da distribuição de uma variável aleatória verdadeiro (de L , por exemplo), ou ainda de uma medida de probabilidade em (da lei de L , por exemplo).
R{\ displaystyle \ mathbb {R}}
R{\ displaystyle \ mathbb {R}}
(R,B(R)){\ displaystyle \ left (\ mathbb {R}, {\ mathcal {B}} (\ mathbb {R}) \ right)}![\ left (\ mathbb {R}, {\ mathcal B} (\ mathbb {R}) \ right)](https://wikimedia.org/api/rest_v1/media/math/render/svg/e9dc6e560955df13ef34cef576ed90f7dccbc20a)
Demonstração
Para ω ∈ Ω =] 0; 1 [ , nota
NOω={x∈R | F(x)≥ω}.{\ displaystyle A _ {\ omega} = \ left \ {x \ in \ mathbb {R} \ | \ F (x) \ geq \ omega \ right \}.}
Então G ( ω ) = inf A ω . Por causa do ponto 4, e por causa do ponto 3, A ω é limitado abaixo, então G é bem definido.
NOω≠∅{\ displaystyle A _ {\ omega} \ neq \ emptyset}![A _ {{\ omega}} \ neq \ emptyset](https://wikimedia.org/api/rest_v1/media/math/render/svg/36bd882f757dacfa90e859ba37e12377bd3c1522)
Vamos começar com um caso simples de treinamento:
F está aumentando estritamente de forma contínua
Se F é contínuo estritamente aumentando , então F é uma bijeção de em ] 0; 1 [ , e G é o recíproco de F (podemos ser convencidos disso traçando A ω usando o gráfico de F ). Como tal, G é contínuo e estritamente crescente acima de ] 0; 1 [ , e em particular G é mensurável (é portanto uma var). Nos tambem temos
R{\ displaystyle \ mathbb {R}}
R{\ displaystyle \ mathbb {R}}![\ mathbb {R}](https://wikimedia.org/api/rest_v1/media/math/render/svg/786849c765da7a84dbc3cce43e96aad58a5868dc)
{G(ω)≤x}⇔{ω≤F(x)},{\ displaystyle \ left \ {G (\ omega) \ leq x \ right \} \ Leftrightarrow \ left \ {\ omega \ leq F (x) \ right \},}
portanto
{ω∈Ω | G(ω)≤x}={ω∈Ω | ω≤F(x)}=]0,F(x)].{\ displaystyle {\ begin {alinhado} \ left \ {\ omega \ in \ Omega \ | \ G (\ omega) \ leq x \ right \} & = \ left \ {\ omega \ in \ Omega \ | \ \ omega \ leq F (x) \ right \} \\ & =] 0, F (x)]. \ end {alinhado}}}
Então
P(G≤x)=P(]0,F(x)])=F(x).{\ displaystyle \ mathbb {P} \ left (G \ leq x \ right) = \ mathbb {P} (] 0, F (x)]) = F (x).}![{\ mathbb P} \ left (G \ leq x \ right) = {\ mathbb P} (] 0, F (x)]) = F (x).](https://wikimedia.org/api/rest_v1/media/math/render/svg/88b7e8fc59fb5d9d374c4313166df3c77a7844cb)
Caso Geral
No caso geral, também temos
{G(ω)≤x}⇔{ω≤F(x)},{\ displaystyle \ left \ {G (\ omega) \ leq x \ right \} \ Leftrightarrow \ left \ {\ omega \ leq F (x) \ right \},}
e, portanto, concluímos exatamente da mesma maneira que antes, mas a demonstração da equivalência acima é menos direta. Primeiro, para ω ≤ ω ' , A ω' ⊂ A ω e, portanto, G ( ω ) ≤ G ( ω ' ) . Como G é monotônico, segue-se que G é mensurável.
Temos, por definição de A ω e G ( ω ) ,
{ω≤F(x)}⇒{x∈NOω}⇒{G(ω)≤x}.{\ displaystyle \ left \ {\ omega \ leq F (x) \ right \} \ Rightarrow \ left \ {x \ in A _ {\ omega} \ right \} \ Rightarrow \ left \ {G (\ omega) \ leq x \ right \}.}
O inverso vem do fato de que { G ( ω ) ∈ A ω } , ou seja, { ω ≤ F ( G ( ω ))} , que, com { G ( ω ) ≤ x } implica, pelo crescimento de F , { F ( G ( ω )) ≤ F ( x )} e, finalmente, { ω ≤ F ( x )} . Suponha de fato que G ( ω ) ∉ A ω , e considere uma sequência estritamente decrescente ( x n ) n ≠ 0 de elementos de A ω tal que
limnãoxnão = infNOω (= G(ω)).{\ displaystyle \ lim _ {n} x_ {n} \ = \ \ inf A _ {\ omega} \ \ left (= \ G (\ omega) \ right).}
Por continuidade à direita de F ,
limnãoF(xnão)=F(G(ω)),{\ displaystyle \ lim _ {n} F (x_ {n}) = F (G (\ omega)),}
mas também, por definição de A ω ,
limnãoF(xnão)≥ω,{\ displaystyle \ lim _ {n} F (x_ {n}) \ geq \ omega,}
o que leva a G ( ω ) ∈ A ω , portanto, uma contradição (prova amplamente retirada de Sidney Resnick, A Probability Path ).
Observações.
- Quando F é uma bijeção bicontínua de um intervalo I em ] 0; 1 [ (ou seja, F é estritamente crescente e contínuo), G é simplesmente o recíproco de F (ou seja, G ∘ F = Id I e F ∘ G = Id ] 0; 1 [ ). Por esta razão, G é às vezes chamado de reciprocidade generalizada de F .
-
G também é chamada de função quantil .
- O interesse prático desse teorema é desenvolvido no artigo Método da transformada inversa , bem como na seção seguinte.
Consequências do teorema inverso
Simulação de variáveis aleatórias reais de distribuição arbitrária
Se
U denota uma variável aleatória real
uniforme em
[0; 1] , em seguida,
X = L ( L ) tem a função de distribuição
F .
Assim, em qualquer linguagem de programação que tenha um gerador de números aleatórios, pode-se simular uma sequência de comprimento arbitrário de vars independentes da mesma função de distribuição F , desde que G seja conhecido: basta então chamar este gerador repetidamente e aplicar o G função para os números produzidos por essas chamadas repetidas.
Exemplos
Exemplos
|
densidade de probabilidade
|
função de distribuição
|
recíproco (generalizado)
|
codificado
|
---|
Lei de Cauchy
|
1π(1+x2){\ displaystyle {\ frac {1} {\ pi (1 + x ^ {2})}}}
|
F(x)=1π(π2+Arctan(x)){\ displaystyle F (x) = {\ frac {1} {\ pi}} \ left ({\ frac {\ pi} {2}} + \ arctan (x) \ right)}
|
G(ω)=bronzeado(π(ω-12)){\ displaystyle G (\ omega) = \ tan \ left (\ pi (\ omega - {\ frac {1} {2}}) \ right)}
|
x←bronzeado(π(rnonãod()-12)){\ displaystyle x \ leftarrow \ tan \ left (\ pi (\ mathrm {rand ()} - {\ frac {1} {2}}) \ right)}
|
---|
Lei exponencial
|
λe-λx 1x≥0{\ displaystyle \ lambda \, e ^ {- \ lambda x} \ 1_ {x \ geq 0}}
|
F(x)=(1-e-λx) 1x≥0{\ displaystyle F (x) = \ left (1-e ^ {- \ lambda x} \ right) \ 1_ {x \ geq 0}}
|
G(ω)=-1λ em(1-ω){\ displaystyle G (\ omega) = - {\ frac {1} {\ lambda}} \ \ ln (1- \ omega)}
|
x← -1λ em(rnonãod()){\ displaystyle x \ leftarrow \ - {\ frac {1} {\ lambda}} \ \ ln (\ mathrm {rand ()})}
|
---|
Lei uniforme em [ a , b ]
|
1b-no 1[no,b](x){\ displaystyle {\ frac {1} {ba}} \ 1 _ {[a, b]} (x)}
|
F(x)=x-nob-no 1[no,b](x) + 1]b,+∞[(x){\ displaystyle F (x) = {\ frac {xa} {ba}} \ 1 _ {[a, b]} (x) \ + \ 1 _ {] b, + \ infty [} (x)}
|
G(ω)=no+ω(b-no){\ displaystyle G (\ omega) = a + \ omega (ba)}
|
x←no+(b-no)rnonãod(){\ displaystyle x \ leftarrow a + (ba) \ mathrm {rand ()}}
|
---|
Lei de bernoulli
|
|
F(x)=(1-p) 1[0,1[(x) + 1[1,+∞[(x){\ displaystyle F (x) = (1-p) \ 1 _ {[0,1 [} (x) \ + \ 1 _ {[1, + \ infty [} (x)}
|
G(ω)=⌊p+ω⌋{\ displaystyle G (\ omega) = \ lfloor p + \ omega \ rfloor}
|
x←⌊p+ rnonãod()⌋{\ displaystyle x \ leftarrow \ lfloor p + \ \ mathrm {rand ()} \ rfloor}
|
---|
Lei uniforme em {1,2, ..., n }
|
|
F(x)=⌊x⌋não 1[0,não](x) + 1]não,+∞[(x){\ displaystyle F (x) = {\ frac {\ lfloor x \ rfloor} {n}} \ 1 _ {[0, n]} (x) \ + \ 1 _ {] n, + \ infty [} ( x)}
|
G(ω)=⌈nãoω⌉{\ displaystyle G (\ omega) = \ lceil n \ omega \ rceil}
|
x←⌈não rnonãod()⌉{\ displaystyle x \ leftarrow \ lceil n \ \ mathrm {rand ()} \ rceil}
|
---|
Distribuição normal , distribuição binomial
|
como não existe uma fórmula suficientemente explícita para a função de distribuição, e menos ainda de uma fórmula explícita para o inverso da última, o teorema fica inoperante.
|
---|
Você encontrará tudo sobre a arte de gerar variáveis aleatórias de leis arbitrárias, por exemplo, usando variáveis uniformes , em Non-Uniform Random Variate Generation , publicado pela Springer, disponível na web.
Outras consequências do teorema inverso
O inverso generalizado de F é um exemplo de var cuja função de distribuição é F , mas é um exemplo principal. Seus usos são numerosos, variando de propriedades da ordem estocástica a propriedades da distância de Wasserstein (em) , incluindo o teorema de representação de Skorokhod , consulte a próxima seção.
Convergência na lei e função de distribuição
Considere uma sequência de variáveis aleatórias ( X n ) n ≥ 0 (resp. Uma variável aleatória X ) definida em espaços probabilizados (resp. ) Possivelmente diferentes, mas todas com valores no mesmo espaço métrico ( S , d ) . Dizemos que ( X n ) n ≥ 0 converge na lei para X se, para qualquer função contínua limitada de ( S , d ) em ,
(Ωnão,NOnão,Pnão){\ displaystyle \ left (\ Omega _ {n}, {\ mathcal {A}} _ {n}, \ mathbb {P} _ {n} \ right)}
(Ω,NO,P){\ displaystyle \ left (\ Omega, {\ mathcal {A}}, \ mathbb {P} \ right)}
R{\ displaystyle \ mathbb {R}}![\ mathbb {R}](https://wikimedia.org/api/rest_v1/media/math/render/svg/786849c765da7a84dbc3cce43e96aad58a5868dc)
limnão→∞E[f(Xnão)]=E[f(X)].{\ displaystyle \ lim _ {n \ rightarrow \ infty} \ mathbb {E} \ left [f (X_ {n}) \ right] = \ mathbb {E} \ left [f (X) \ right].}![\ lim _ {{n \ rightarrow \ infty}} {\ mathbb E} \ left [f (X_ {n}) \ right] = {\ mathbb E} \ left [f (X) \ right].](https://wikimedia.org/api/rest_v1/media/math/render/svg/2fe2035f20355423040b58d07a2caea5a8d836eb)
Nós temos o seguinte teorema:
Teorema - No caso de variáveis aleatórias verdadeiro ( ) incluem ( M n ) n ≥ 0 , F distribuições funções ( X n ) n ≥ 0 e X . Há, então, equivalência entre as três proposições abaixo:
S=R{\ displaystyle S = \ mathbb {R}}![S = \ mathbb {R}](https://wikimedia.org/api/rest_v1/media/math/render/svg/c0f8ae9ab7d4f7fe09f98e484c3c6f8d21e9c2be)
-
( X n ) n ≥ 0 converge na lei para X ,
- para qualquer verdadeira x em que F é contínua , ,limnão→∞Fnão(x)=F(x){\ displaystyle \ lim _ {n \ rightarrow \ infty} F_ {n} (x) = F (x)}
![\ lim _ {{n \ rightarrow \ infty}} F_ {n} (x) = F (x)](https://wikimedia.org/api/rest_v1/media/math/render/svg/78f039cc92739d810913ff37ee2cead3c58dcf95)
- existe um espaço probabilizado , e, definidas neste espaço, variáveis aleatórias reais ( X ' n ) n ≥ 0 e X' tais que, simultaneamente,
(Ω^,NO^,P^){\ displaystyle \ left ({\ widehat {\ Omega}}, {\ widehat {\ mathcal {A}}}, {\ widehat {\ mathbb {P}}} \ right)}
![\ left (\ widehat {\ Omega}, \ widehat {{\ mathcal A}}, \ widehat {{{\ mathbb P}} \ right)](https://wikimedia.org/api/rest_v1/media/math/render/svg/9935fc8521f70ef6df130867105ea9381403fc49)
-
X ' tem a mesma lei de X ,
- para cada n , X n ' tem a mesma lei que X n ,
-
( X ' n ) n ≥ 0 quase certamente converge para X' .
A implicação 1.⇒3. permanece verdadeiro quando as variáveis aleatórias reais são substituídas por variáveis aleatórias com valores em um espaço de Lusin ( S , d ) , ou seja, um espaço metrizável bastante geral ( e são exemplos disso). A implicação 1.⇒3. então leva o nome de teorema da representação de Skorokhod .
S=Rd{\ displaystyle S = \ mathbb {R} ^ {d}}
S=VS([0,1],R){\ displaystyle S = {\ mathcal {C}} ([0,1], \ mathbb {R})}![S = {\ mathcal C} ([0,1], \ mathbb {R})](https://wikimedia.org/api/rest_v1/media/math/render/svg/a5c9512a09b209fc3268586a1fc0d4eb4376da9a)
Demonstração
Uma estrutura possível para a prova é 3.⇒1.⇒2.⇒3.
3. implica 1.
Este é o mais fácil. Deve ser demonstrado que
limnão→∞E[f(Xnão)]=E[f(X)],{\ displaystyle \ lim _ {n \ rightarrow \ infty} \ mathbb {E} \ left [f (X_ {n}) \ right] = \ mathbb {E} \ left [f (X) \ right],}![\ lim _ {{n \ rightarrow \ infty}} {\ mathbb E} \ left [f (X_ {n}) \ right] = {\ mathbb E} \ left [f (X) \ right],](https://wikimedia.org/api/rest_v1/media/math/render/svg/192a57346db1c48690191976183265bd32906070)
ou equivalente,
limnão→∞E[f(Xnão′)]=E[f(X′)].{\ displaystyle \ lim _ {n \ rightarrow \ infty} \ mathbb {E} \ left [f (X_ {n} ^ {\ prime}) \ right] = \ mathbb {E} \ left [f (X ^ { \ prime}) \ right].}![\ lim _ {{n \ rightarrow \ infty}} {\ mathbb E} \ left [f (X_ {n} ^ {\ prime}) \ right] = {\ mathbb E} \ left [f (X ^ {\ prime}) \ right].](https://wikimedia.org/api/rest_v1/media/math/render/svg/19f2d4cacf977168b0eb9985165e3ba6bfbc2aec)
Mas a continuidade de f garante que f ( X n ') converge quase com certeza para f ( X ') . Além disso, | f | sendo limitado, temos que
|f(Xnão′)| ≤‖f‖∞{\ displaystyle \ left | f (X_ {n} ^ {\ prime}) \ right | \ \ leq \ Vert f \ Vert _ {\ infty}}![\ left | f (X_ {n} ^ {\ prime}) \ right | \ \ leq \ Vert f \ Vert _ {{\ infty}}](https://wikimedia.org/api/rest_v1/media/math/render/svg/9bf6d77d127dcf3e04a966dd18db2063df5b3003)
para todos n . O teorema da convergência dominada de Lebesgue pode ser aplicado aqui e fornece a conclusão desejada.
1. implica 2.
Usamos a família de funções contínuas limitadas definidas pelo gráfico ao lado. Eles verificam, para qualquer variável real aleatória Y ,
(φno,b)(no,b)∈R2, no<b{\ displaystyle \ left (\ varphi _ {a, b} \ right) _ {(a, b) \ in \ mathbb {R} ^ {2}, \ a <b}}![\ left (\ varphi _ {{a, b}} \ right) _ {{(a, b) \ in \ mathbb {R} ^ {2}, \ a <b}}](https://wikimedia.org/api/rest_v1/media/math/render/svg/4b4e9e44c0a95e3e659ec8560ca89f970583217a)
P(Y≤no)≤E[φno,b(Y)]≤P(Y≤b),{\ displaystyle \ mathbb {P} \ left (Y \ leq a \ right) \ leq \ mathbb {E} \ left [\ varphi _ {a, b} (Y) \ right] \ leq \ mathbb {P} \ esquerda (Y \ leq b \ direita),}![{\ mathbb P} \ left (Y \ leq a \ right) \ leq {\ mathbb E} \ left [\ varphi _ {{a, b}} (Y) \ right] \ leq {\ mathbb P} \ left (Y \ leq b \ right),](https://wikimedia.org/api/rest_v1/media/math/render/svg/0b73501bf3433e5169b9b93f74fdc76e6f65e03a)
e especialmente
E[φx-ε,x(Xnão)]≤Fnão(x)≤E[φx,x+ε(Xnão)].{\ displaystyle \ mathbb {E} \ left [\ varphi _ {x- \ varepsilon, x} (X_ {n}) \ right] \ leq F_ {n} (x) \ leq \ mathbb {E} \ left [ \ varphi _ {x, x + \ varepsilon} (X_ {n}) \ right].}![{\ mathbb E} \ left [\ varphi _ {{x- \ varepsilon, x}} (X_ {n}) \ right] \ leq F_ {n} (x) \ leq {\ mathbb E} \ left [\ varphi _ {{x, x + \ varepsilon}} (X_ {n}) \ right].](https://wikimedia.org/api/rest_v1/media/math/render/svg/208e249d6be743d2836288c27305b707ab1235af)
Notamos então que, para todo ε > 0 ,
lim supnãoFnão(x)≤limnãoE[φx,x+ε(Xnão)]=E[φx,x+ε(X)]≤P(X≤x+ε)=F(x+ε),{\ displaystyle {\ begin {alinhado} \ limsup _ {n} F_ {n} (x) & \ leq \ lim _ {n} \ mathbb {E} \ left [\ varphi _ {x, x + \ varejpsilon} (X_ {n}) \ right] \\ & = \ mathbb {E} \ left [\ varphi _ {x, x + \ varepsilon} (X) \ right] \ leq \ mathbb {P} \ left (X \ leq x + \ varepsilon \ right) = F (x + \ varepsilon), \ end {alinhado}}}![{\ begin {alinhados} \ limsup _ {n} F_ {n} (x) & \ leq \ lim _ {n} {\ mathbb E} \ left [\ varphi _ {{x, x + \ varejpsilon}} ( X_ {n}) \ right] \\ & = {\ mathbb E} \ left [\ varphi _ {{x, x + \ varepsilon}} (X) \ right] \ leq {\ mathbb P} \ left (X \ leq x + \ varepsilon \ right) = F (x + \ varepsilon), \ end {alinhado}}](https://wikimedia.org/api/rest_v1/media/math/render/svg/dedf1fe615c177b4acbed62d00cfcd093a0de494)
e
lim infnãoFnão(x)≥limnãoE[φx-ε,x(Xnão)]=E[φx-ε,x(X)]≥P(X≤x-ε)=F(x-ε).{\ displaystyle {\ begin {alinhado} \ liminf _ {n} F_ {n} (x) & \ geq \ lim _ {n} \ mathbb {E} \ left [\ varphi _ {x- \ varejpsilon, x} (X_ {n}) \ right] \\ & = \ mathbb {E} \ left [\ varphi _ {x- \ varejpsilon, x} (X) \ right] \ geq \ mathbb {P} \ left (X \ leq x- \ varepsilon \ right) = F (x- \ varepsilon). \ end {alinhado}}}![{\ begin {alinhado} \ liminf _ {n} F_ {n} (x) & \ geq \ lim _ {n} {\ mathbb E} \ left [\ varphi _ {{x- \ varejpsilon, x}} ( X_ {n}) \ right] \\ & = {\ mathbb E} \ left [\ varphi _ {{x- \ varejpsilon, x}} (X) \ right] \ geq {\ mathbb P} \ left (X \ leq x- \ varepsilon \ right) = F (x- \ varepsilon). \ end {alinhado}}](https://wikimedia.org/api/rest_v1/media/math/render/svg/d57efe7e95eb878e1021a135d79c3973b620c02a)
Fazendo ε tender para 0, obtemos
F(x-)≤lim infnão→∞Fnão(x)≤lim supnão→∞Fnão(x)≤F(x).{\ displaystyle F (x _ {-}) \ leq \ liminf _ {n \ rightarrow \ infty} F_ {n} (x) \ leq \ limsup _ {n \ rightarrow \ infty} F_ {n} (x) \ leq F (x).}![F (x _ {{-}}) \ leq \ liminf _ {{n \ rightarrow \ infty}} F_ {n} (x) \ leq \ limsup _ {{n \ rightarrow \ infty}} F_ {n} ( x) \ leq F (x).](https://wikimedia.org/api/rest_v1/media/math/render/svg/c315de73d6c7d27108cedcd697db7a0d04643a73)
Assim, assim que x for um ponto de continuidade de F ,
limnão→∞Fnão(x)=F(x),CQFD.{\ displaystyle \ lim _ {n \ rightarrow \ infty} F_ {n} (x) = F (x), \ qquad {\ textrm {CQFD.}}}![\ lim _ {{n \ rightarrow \ infty}} F_ {n} (x) = F (x), \ qquad {\ textrm {CQFD.}}](https://wikimedia.org/api/rest_v1/media/math/render/svg/ec9e933af7a03b9b4f987f77ff6647a99e319b9e)
2. implica 3.
Nota ( L n ) n ≥ 0 , L , generalizada recíproco ( M n ) n ≥ 0 , F . Para o trigêmeo , escolha e tome para a tribo de Borelians e a medida de Lebesgue correspondente (ou seja, restrito a (0; 1) ). A escolha de X ' n = G n , X' = G satisfaz 3.1. e para 3.2. em virtude do teorema inverso . Além disso, como um resultado de 2, ( L n ) n = 0 converge quase certamente para L .
(Ω^,NO^,P^){\ displaystyle \ left ({\ widehat {\ Omega}}, {\ widehat {\ mathcal {A}}}, {\ widehat {\ mathbb {P}}} \ right)}
Ω^=(0,1){\ displaystyle {\ widehat {\ Omega}} = (0,1)}
(NO^,P^){\ displaystyle \ left ({\ widehat {\ mathcal {A}}}, {\ widehat {\ mathbb {P}}} \ right)}![\ left (\ widehat {{\ mathcal A}}, \ widehat {{\ mathbb P}} \ right)](https://wikimedia.org/api/rest_v1/media/math/render/svg/613323e52ab6c19d71ad7929c6b036b2f7bb2d40)
Notas e referências
-
A versão pdf (gratuita e autorizada) de (en) Luc Devroye , Non-Uniform Random Variate Generation , New York, Springer-Verlag ,1986, 1 r ed. ( leia online ) está disponível, bem como um relato humorístico das brigas de Luc Devroye com seu editor.
-
[1]
Veja também
Artigos relacionados
<img src="https://fr.wikipedia.org/wiki/Special:CentralAutoLogin/start?type=1x1" alt="" title="" width="1" height="1" style="border: none; position: absolute;">