mac 5796. aula 6 - ime.usp.brwalterfm/cursos/mac5796/aula6.pdf · aula 6 waltermascarenhas...
TRANSCRIPT
Onde estamos e para onde vamosVariáveis aleatórias
Valor EsperadoVariância
Variáveis aleatórias independentes
MAC 5796. Aula 6
Walter Mascarenhas
06/04/2011
Walter Mascarenhas MAC 5796. Aula 6
Onde estamos e para onde vamosVariáveis aleatórias
Valor EsperadoVariância
Variáveis aleatórias independentes
Resumo
1 Onde estamos e para onde vamos
2 Variáveis aleatórias
3 Valor Esperado
4 Variância
5 Variáveis aleatórias independentes
Walter Mascarenhas MAC 5796. Aula 6
Onde estamos e para onde vamosVariáveis aleatórias
Valor EsperadoVariância
Variáveis aleatórias independentes
Onde estamos
Derivamos as seguintes fórmulas para o preço no passo n:
P(pn = v × tick) =
(n
n+v2
)p
n+v2 q
n−v2
E(pn) = n (p−q) tick
σ(pn) = 2√
npq tick.
Walter Mascarenhas MAC 5796. Aula 6
Onde estamos e para onde vamosVariáveis aleatórias
Valor EsperadoVariância
Variáveis aleatórias independentes
DeMoivre e Laplace provaram que, para a,b moderados e n enorme,
P
(a ≤ pn−n (p−q) tick
2√
npq tick< b)≈ 1√
2π
∫ b
ae−s2/2ds.
Definindo σ e µ através das equações
tick =σ√n, p =
12
+µ
2σ√
ne q =
12− µ
2σ√
n
obtemos
P
(a ≤ pn−µ
σ< b)≈ 1√
2π
∫ b
ae−s2/2ds.
Walter Mascarenhas MAC 5796. Aula 6
Onde estamos e para onde vamosVariáveis aleatórias
Valor EsperadoVariância
Variáveis aleatórias independentes
2√npq
n (p−q)
n
Walter Mascarenhas MAC 5796. Aula 6
Onde estamos e para onde vamosVariáveis aleatórias
Valor EsperadoVariância
Variáveis aleatórias independentes
Para onde vamos
Processos descritos pela equação diferencial estocástica
dX t = µ(Xt)dt + σ(Xt)dBt .
Calcularemos o valor esperado ao encerarmos o trade segundo umstopping time τ . Para isso usaremos, entre outras coisas, a fórmulade Dynkin:
E(e−ρτ f (Xτ )
)= f (X0) +E
(∫τ
0e−ρs ((A−ρ) f )(Xs)ds
).
Walter Mascarenhas MAC 5796. Aula 6
Onde estamos e para onde vamosVariáveis aleatórias
Valor EsperadoVariância
Variáveis aleatórias independentes
E(e−ρτ f (Xτ )
)= f (X0) +E
(∫τ
0e−ρs ((A−ρ) f )(Xs)ds
).
Walter Mascarenhas MAC 5796. Aula 6
Onde estamos e para onde vamosVariáveis aleatórias
Valor EsperadoVariância
Variáveis aleatórias independentes
Dado um espaço de probabilidade (Ω,A,P), dizemos que umafunção f : Ω 7→ [−∞,∞] é uma variável aleatória se, para todointervalo I = (a,b), o conjunto
{x tal que f (x) ∈ I }
pertence a A.
É comum dizer que a f acima é uma função mensurável.
Funções não mensuráveis existem mas são equisitíssimas. Por isso,em uma primeira aproximação, você pode assumir que toda funçãof : Ω 7→ [−∞,∞] é uma variável aleatória. (E eu chamarei suaatenção quando a distinção for relevante.)
Walter Mascarenhas MAC 5796. Aula 6
Onde estamos e para onde vamosVariáveis aleatórias
Valor EsperadoVariância
Variáveis aleatórias independentes
Altura
Peso
R
R
Walter Mascarenhas MAC 5796. Aula 6
Onde estamos e para onde vamosVariáveis aleatórias
Valor EsperadoVariância
Variáveis aleatórias independentes
Qualquer combinação não muito maluca de variáveis aleatóriasresulta em uma variável aleatória:
A soma ou o produto de um número finito de variáveisaleatórias é um variável aleatória
A composta de variáveis aleatórias é uma variável aleatória.Por exemplo se f é uma variável aleatória então
sin(arctan
(√f 2 + π
))também é uma variável aleatória.
Se a seqüência { fn, n ∈N} de variáveis aleatórias é tal quelimn→∞ fn(ω) existe para todo ω ∈ Ω entãof (ω) = limn→∞ fn(ω) é uma variável aleatória.
Walter Mascarenhas MAC 5796. Aula 6
Onde estamos e para onde vamosVariáveis aleatórias
Valor EsperadoVariância
Variáveis aleatórias independentes
Exemplo Ω = [0,1], com a σ -álgebra usual (de Borel).
fn(ω) = ωn fn(ω)→
{0 se ω < 1,1 se ω = 1.
lim fn é mensurável mas descontínua.
Walter Mascarenhas MAC 5796. Aula 6
Onde estamos e para onde vamosVariáveis aleatórias
Valor EsperadoVariância
Variáveis aleatórias independentes
Se f é uma variável aleatória em (Ω,A,P) então para todoconjunto mensurável C ⊂ [−∞,+∞] o conjunto
f −1(C ) = {ω ∈ Ω com f (ω) ∈ A}
pertence a A. Logo, podemos usar a expressão
ℒf (C ) = P(f −1(C )
)para definir uma medida de probabilidade em [−∞,+∞]. Estamedida é chamada de lei ou distribuição de f .
Walter Mascarenhas MAC 5796. Aula 6
Onde estamos e para onde vamosVariáveis aleatórias
Valor EsperadoVariância
Variáveis aleatórias independentes
C
Ω
f −1(C )
f
P(f −1(C )
)= 1√
2πσ
∫C e(s−µ)2/2σ2
ds
No modelo de Black & Scholes, Ω é o espaço dos caminhos dospreços e, para cada t > 0, a variável aleatória lnωt tem distribuiçãonormal com média igual ao drift µ e desvio padrão igual avolatilidade σ .
Walter Mascarenhas MAC 5796. Aula 6
Onde estamos e para onde vamosVariáveis aleatórias
Valor EsperadoVariância
Variáveis aleatórias independentes
As variáveis aleatórias mais simples definidas em (Ω,A,P) são asfunções indicadoras. Para cada A ∈ A, a função indicadora de A é
1{A}(ω) =
{1 se ω ∈ A0 se ω ∕∈ A
Uma combinação finita de funções indicadoras é chamada defunção simples:
f =n
∑k=1
ak1{Ak} .
Walter Mascarenhas MAC 5796. Aula 6
Onde estamos e para onde vamosVariáveis aleatórias
Valor EsperadoVariância
Variáveis aleatórias independentes
O valor esperado de uma variável aleatória simplesf = ∑
nk=0 ak1{Ak}, é definido como
E(f ) =n
∑k=1
P(Ak)ak . (1)
O valor esperado é importante pois:
Ele dá uma informação resumida sobre a f . (É UM númeroque diz muito sobre a variável aleatória).
Dada uma seqüência {Xn, n ∈N} de variáveis aleatórias coma mesma distribuição temos que
P
(limn→∞
1n
n
∑k=1
Xk(ω) = E(X1)
)= 1.
Ou seja, a média converge para o valor esperado comprobabilidade 1.
Walter Mascarenhas MAC 5796. Aula 6
Onde estamos e para onde vamosVariáveis aleatórias
Valor EsperadoVariância
Variáveis aleatórias independentes
Dizemos que f é discreta se f = ∑∞
k=0 ak1{Ak}. Neste caso, sef ≥ 0, definimos a integral de f como
E(f ) =∞
∑k=1
P(Ak)ak . (2)
É preciso tomar cuidado com f ´s que mudam de sinal pois a somaem (??) pode levar a algo do tipo −∞ + +∞. Por exemplo, Ω =N,P(n) = 2−n e f (n) = (−2)n. Neste caso a soma (??) não estádefinida, pois há infinitas parcelas iguais a 1 e infinitas parcelasiguais a −1.
Walter Mascarenhas MAC 5796. Aula 6
Onde estamos e para onde vamosVariáveis aleatórias
Valor EsperadoVariância
Variáveis aleatórias independentes
Para lidar com problema do cancelamento definimos
f + = max{ f ,0} e f − =−min{ f ,0}.
Note quef + e f − ≥ 0 e f = f +− f −.
Quando f é discreta, dizemos que f é integrável se E(f +) < ∞ eE(f −) < ∞, onde E(f +) e E(f −) são as somas definidasanteriormente. Neste caso definimos
E(f ) = E(f +)−E(f −).
Walter Mascarenhas MAC 5796. Aula 6
Onde estamos e para onde vamosVariáveis aleatórias
Valor EsperadoVariância
Variáveis aleatórias independentes
A integral (de Lebesgue) de uma variável aleatória não negativaf : Ω→ [0,∞] é definida como o limite das somas
In(f ) = nP(f ≥ n) +n2n−1
∑k=1
(2−nk
)P(k2−n ≤ f < (k +1)2−n) .
E(f ) = limn→∞
In(f ) . (3)
Quando f muda de sinal dizemos que ela é integrável se E(f +) < ∞
e E(f −) < ∞, com E(f +) e E(f −) definidas por (??). Neste casotambém definimos
E(f ) = E(f +)−E(f −).
Walter Mascarenhas MAC 5796. Aula 6
Onde estamos e para onde vamosVariáveis aleatórias
Valor EsperadoVariância
Variáveis aleatórias independentes
1/4
1/2
3/4
1
5/4
3/2
7/4
2
-
6
Walter Mascarenhas MAC 5796. Aula 6
Onde estamos e para onde vamosVariáveis aleatórias
Valor EsperadoVariância
Variáveis aleatórias independentes
A variável aleatória f é integrável se e só se ∣f ∣= f +− f − éintegrável. Denotamos por ℒ1(Ω,A,P) o espaço das variáveisaleatórias integráveis em (Ω,A,P).
Walter Mascarenhas MAC 5796. Aula 6
Onde estamos e para onde vamosVariáveis aleatórias
Valor EsperadoVariância
Variáveis aleatórias independentes
A integral é um operador linear, ie., se f e g são integráveis ea ∈R então h = af +g é integravel e
E(h) = E(af +g) = aE(f ) +E(g).
Note que a situação é mais delicada para o produto. ConsidereΩ =N e P(n) = 2−n. A função f (n) = 2n/2 é integravel:
E(f ) =∞
∑n=1
2−n2n/2 =∞
∑n=1
(1√2
)n
=1/√2
1− 1√2
< ∞.
Porém
E(f 2)=
∞
∑n=1
2−n(2n/2
)2=
∞
∑n=1
1 = ∞.
Walter Mascarenhas MAC 5796. Aula 6
Onde estamos e para onde vamosVariáveis aleatórias
Valor EsperadoVariância
Variáveis aleatórias independentes
Teorema da convergência monótona: se { fn, n ∈N} é umaseqüência crescente de variáveis aleatórias não negativas entãof (ω) = limn→∞ fn(ω) é uma variável aleatória não negativa eE(f ) = limn→∞E(fn).
Note que se E(fn) = ∞ para algum n então E(f ) = ∞;
Walter Mascarenhas MAC 5796. Aula 6
Onde estamos e para onde vamosVariáveis aleatórias
Valor EsperadoVariância
Variáveis aleatórias independentes
ℒ2(Ω,A,P) é a família de variáveis aleatórias f em (Ω,A,P) taisque E
(f 2)< ∞.
Se f ∈ ℒ2(Ω,A,P) então f é integrável pois
E(∣f ∣) = E(∣f ∣; ∣f ∣ ≤ 1) +E(∣f ∣; ∣f ∣> 1)≤ 1+E(f 2)< ∞.
Para f ∈ ℒ2(Ω,A,P) podemos definir
variancia(f) = E(
(f−E(f))2)
e o desvio padrão de f :
σ(f ) =√
variancia(f).
Walter Mascarenhas MAC 5796. Aula 6
Onde estamos e para onde vamosVariáveis aleatórias
Valor EsperadoVariância
Variáveis aleatórias independentes
Desvio pequenoDesvio grande
Variância = dispersão da variável aleatória ao redor da média.
Desigualdade de Chebyshev:
P(∣f −E(f )∣ ≥ ε)≤ σ(f )2
ε2 .
Walter Mascarenhas MAC 5796. Aula 6
Onde estamos e para onde vamosVariáveis aleatórias
Valor EsperadoVariância
Variáveis aleatórias independentes
Desigualdade de Schwarz: se f ,g ∈ ℒ2(Ω,A,P) então
E(∣fg ∣)≤√
E(f 2)E(g2).
Walter Mascarenhas MAC 5796. Aula 6
Onde estamos e para onde vamosVariáveis aleatórias
Valor EsperadoVariância
Variáveis aleatórias independentes
Demonstração da desigualdade de Schwarz.
Primeiro passo: esquentando os motores.
f = 1{A} e g = 1{B} .
Neste caso
E(∣fg ∣) = E(1{A}1{B}) = E(1{A∩B}) = P(A∩B) .
E(f 2)= E(1{A})≥ P(A∩B) .
E(g2)= E(1{A})≥ P(A∩B) .
Logo
E(∣fg ∣)≤√P(A∩B)2 ≤
√E(f 2)E(g2).
Walter Mascarenhas MAC 5796. Aula 6
Onde estamos e para onde vamosVariáveis aleatórias
Valor EsperadoVariância
Variáveis aleatórias independentes
Segundo passo:
f =n
∑j=1
aj1{Aj} e g =m
∑k=1
bk1{Bk} .
Neste caso
∣fg ∣=n
∑j=1
m
∑k=0∣ajbk ∣1{Aj}1{Bk}=
n
∑j=1
m
∑k=1∣ajbk ∣1{Aj ∩Bk}
Logo, como P(A∩B)≤√P(A)
√P(B),
E(∣fg ∣) =n
∑j=0
m
∑k=0∣ajbk ∣P(Aj ∩Bk)
≤n
∑j=1
m
∑k=1
(∣aj ∣√P(Aj)
)(∣bk ∣
√P(Bk)
).
Walter Mascarenhas MAC 5796. Aula 6
Onde estamos e para onde vamosVariáveis aleatórias
Valor EsperadoVariância
Variáveis aleatórias independentes
Pela desigualdade de Cauchy (para números)
E(∣fg ∣)≤
√√√⎷( n
∑j=1
a2j P(Aj)
)(m
∑k=1
b2kP(Bk)
)=√
E(f 2)E(g2).
Logo, a desigualdade vale quando f e g são funções simples.
Usamos agora o Teorema da Classe Monótona:
Walter Mascarenhas MAC 5796. Aula 6
Onde estamos e para onde vamosVariáveis aleatórias
Valor EsperadoVariância
Variáveis aleatórias independentes
Versão simplificada do teorema da classe monótona 1.
Considere duas famílias C ⊂ℳ de variáveis aleatórias não negativas
SeC contém todas as funções da forma f = ∑
nk=1 ak1{Ak} com
ak ∈ [0,∞) e Ak ∈ A.
Se { fn, n ∈N} é uma seqüência de elementos de C efn ↑ f ∈ℳ então f ∈ C.
então C =ℳ.
1veja Probability with Martingales, de David Williams, para a versão completa.
Walter Mascarenhas MAC 5796. Aula 6
Onde estamos e para onde vamosVariáveis aleatórias
Valor EsperadoVariância
Variáveis aleatórias independentes
Terceiro passo:
f =n
∑j=1
aj1{Aj} com aj ≥ 0 e g ≥ 0 com E(g2)< ∞.
Classes: ℳ={
g ≥ 0 com E(g2)< ∞
}e
Cf =
{g ∈ℳ tal que E(∣fg ∣) = E(fg)≤
√E(f 2)E(g2)
}.
Segundo passo ⇒Cf contém as g ’s simples.Convergência monótona: Se gn ∈ Cf ↑ g ∈ℳ então
fgn ↑ fg ⇒ E(fg) = limE(fgn)≤√
E(f 2) limE(g2n ) =
√E(f 2)E(g2).
Logo, g ∈ℳ e classe monótona ⇒Cf =ℳ.
Walter Mascarenhas MAC 5796. Aula 6
Onde estamos e para onde vamosVariáveis aleatórias
Valor EsperadoVariância
Variáveis aleatórias independentes
Quarto passo:
f ≥ 0 com E(f 2)< ∞ e g ≥ 0 com E
(g2)< ∞.
Classes: ℳ={
g ≥ 0 com E(g2)< ∞
}e
Cf =
{g ∈ℳ tal que E(∣fg ∣) = E(fg)≤
√E(f 2)E(g2)
}.
Terceiro passo ⇒Cf contém as g ’s simples.Convergência monótona: Se gn ∈ Cf ↑ g ∈ℳ então
fgn ↑ fg ⇒ E(fg) = limE(fgn)≤√
E(f 2) limE(g2n ) =
√E(f 2)E(g2).
Logo, g ∈ℳ e classe monótona ⇒Cf =ℳ.
Walter Mascarenhas MAC 5796. Aula 6
Onde estamos e para onde vamosVariáveis aleatórias
Valor EsperadoVariância
Variáveis aleatórias independentes
ResumoE(∣fg ∣)≤
√E(f 2)E(g2)
se f ,g ≥ 0 e E(f 2),E(g2)< ∞.
Caso geral:
E(∣fg ∣) = E(∣f ∣ ∣g ∣)≤√
E(∣f ∣2)E(∣g ∣2
)=√
E(f 2)E(g2).
E se E(f 2) ou E
(g2)= ∞?
Ok desde que convencionarmos que 0×∞ = 0.
Walter Mascarenhas MAC 5796. Aula 6
Onde estamos e para onde vamosVariáveis aleatórias
Valor EsperadoVariância
Variáveis aleatórias independentes
Duas variáveis aleatórias f e g são independentes se para todointervalo I = [a,b] e J = [c ,d ] os eventos f −1(I ) e g−1(J) sãoindependentes.
Informalmente, f e g são independentes se o valor de uma nãofornece informação sobre o valor da outra. Por exemplo se Ω é obaralho, com cartas de igual probabilidade, então f e g a seguir sãoindependentes:
f (♦∗) = 1, f (♥∗) = 2, f (♣∗) = 3, f (♠∗) = 4.
g(∗A) = 1, g(∗n) = n, g(∗J) = 11, g(∗Q) = 12, g(∗K ) = 13.
Walter Mascarenhas MAC 5796. Aula 6
Onde estamos e para onde vamosVariáveis aleatórias
Valor EsperadoVariância
Variáveis aleatórias independentes
Teorema: se f ,g ∈ ℒ2(Ω,A,P) são independentes então
E(fg) = E(f )E(g).
Walter Mascarenhas MAC 5796. Aula 6
Onde estamos e para onde vamosVariáveis aleatórias
Valor EsperadoVariância
Variáveis aleatórias independentes
Caso simples:
f =n
∑j=1
aj1{Aj} e g =m
∑k=1
bk1{Bk} .
fg =n
∑j=1
m
∑k=1
ajbk1{A}1{B}=n
∑j=1
m
∑k=1
ajbk1{A∩B} .
E(fg) =n
∑j=1
m
∑k=1
ajbkP(Aj ∩Bk)
Independência ⇒ P(Aj ∩Bk) = P(Aj)P(Bk) e
E(fg) =n
∑j=1
m
∑k=1
ajbkP(Aj)P(Bk) = E(f )E(g).
Walter Mascarenhas MAC 5796. Aula 6
Onde estamos e para onde vamosVariáveis aleatórias
Valor EsperadoVariância
Variáveis aleatórias independentes
Caso semi simples:
f = simples≥ 0 e g ∈ ℒ2(Ω,P,A)
Considere a classesℳ={
g ∈ ℒ2(Ω,P,A) e independente de f}
e G = {g ∈ℳ tal que E(fg) = E(f )E(g)}.
G contém as funções simples (Caso simples).
Se {gn, n ∈N} ∈ G e gn ↑ g ∈ℳ então fgn ↑ fg eE(fgn) = E(f )E(gn) ↑ E(f )E(g) pelo Teorema da convergênciamonótona. Logo g ∈ G.
Pelo teorema da classe monótona, G =ℳ. Ou seja, para todag ∈ ℒ2(Ω,P,A) independente de f temos que E(fg) = E(f )E(g).
Walter Mascarenhas MAC 5796. Aula 6
Onde estamos e para onde vamosVariáveis aleatórias
Valor EsperadoVariância
Variáveis aleatórias independentes
Caso não negativo:
f ∈ ℒ2(Ω,P,A)≥ 0 e g ∈ ℒ2(Ω,P,A)≥ 0
Considere a classesℳ=
{g ∈ ℒ2(Ω,A,P) ,g ≥ 0 e independente de f
}e
G = {g ∈ℳ tal que E(fg) = E(f )E(g)}.
G contém as funções simples ≥ 0 (Caso semi simples).
Se {gn, n ∈N} ∈ G e gn ↑ g ∈ℳ então fgn ↑ fg eE(fgn) = E(f )E(gn) ↑ E(f )E(g) pelo Teorema da convergênciamonótona. Logo g ∈ G.
Pelo teorema da classe monótona, G =ℳ. Ou seja, para todasf ,g ∈ ℒ2(Ω,P,A), f,g ≥ 0 e independentes temos queE(fg) = E(f )E(g).
Walter Mascarenhas MAC 5796. Aula 6
Onde estamos e para onde vamosVariáveis aleatórias
Valor EsperadoVariância
Variáveis aleatórias independentes
Caso geralf = f +− f −, f +, f − ∈ ℒ2(Ω,A,P) ,
g = g+−g−, g+,g− ∈ ℒ2(Ω,A,P) ,
E(fg) = E(f +g+− f +g−− f −g+ + f −g−
)= E
(f +g+
)−E(f +g−
)−E(f −g+
)+E(f −g−
)= E
(f +)E(g+)−E(f +)E(g−)−E(f −)E(g+)
+E(f −)E(g−)
=(E(f +)−E(f −))(
E(g+)−E(g−))
= E(f )E(g).
Walter Mascarenhas MAC 5796. Aula 6
Onde estamos e para onde vamosVariáveis aleatórias
Valor EsperadoVariância
Variáveis aleatórias independentes
A covariância entre duas variáveis aleatórias f e g em ℒ2(Ω,A,P)é definida como
cor (f ,g) = E((f −E(f ))(g −E(g))).
A covariância é uma medida de independência: Se f e g sãoindependentes então f −E(f ) e g −E(g) também sãoindependentes e
cor (f ,g) =E((f −E(f ))(g −E(g))) =E(f −E(f ))E(g −E(g)) = 0.
Em geral variáveis dependentes podem ter correlação 0, ou seja acorrelação nula é apenas um indicativo de independência. Porém,para variáveis com distribuição normal ausência de correlação éequivalente a independência.
Walter Mascarenhas MAC 5796. Aula 6