Instituto de Ciênias Exatas - ICEx
Departamento de Estatístia
Uma nova abordagem da distribuição beta logístia
Sérgio Luiz de Oliveira
Orientadora: Profa. Lourdes C. Contreras Montenegro
ManifestoosmeusagradeimentosàminhaesposaMáriapeloapoioepaiênia
emtodos osmomentos, sobretudo nas minhas deisõespessoais eprossionais.
ÀminhamãeMariaApareidapeloinentivoeajudaemtodososmomentos.
À Prof
a
.Dr
a
Lourdes Coral Montenegro pelo omprometimento, inentivo,
paiênia, por todos os ensinamentos passados e porter me dado aoportunidade de
trabalharmosjuntos.
Ao professor Fredy Castellares Cáeres pelos onheimentos transmitidos e
as valiosas sugestõesneste estudo.
Aos professores e funionários do Departamento de Estatístia da UFMG
pela oportunidadee por teremontribuídona minha formação.
Aos meus olegas e amigos da Pós-Graduação em Estatístia, em espeial,
Spener, Angélia, Cleide, Ronaldo e Luís por toda força e apoio nos momentos
difíeis.
1 Introdução 11
1.1 Preliminares . . . 13
1.1.1 Distribuiçãologístia . . . 14
1.1.2 Classe de distribuiçõesbeta generalizada . . . 15
2 Distribuição beta logístia 17 2.1 Denição dadistribuição beta logístia . . . 17
2.2 Caraterístias dadistribuição beta logístia . . . 22
2.2.1 Função geradora de momentos . . . 22
2.2.2 Momentos . . . 23
2.2.3 Esperança . . . 24
2.2.4 Moda . . . 24
2.2.6 Estatístias de ordem . . . 26
2.2.7 Entropia de Shanon. . . 28
2.2.8 Entropia de Rényi . . . 29
2.2.9 Entropia de Kullbak-Leibler . . . 29
2.2.10 Momentos-L . . . 31
2.2.11 Desvio médioem relaçãoà média . . . 31
2.2.12 Desvio médioem relaçãoà mediana . . . 33
2.2.13 Curva de Lorenz . . . 33
2.2.14 Curva de Bonferroni . . . 36
2.3 Caraterização dabeta logístia . . . 36
2.3.1 Caraterístias da beta logístia . . . 36
2.3.2 Relação eonvergênia para outras distribuições . . . 37
3 Inferênia 39 3.1 Inferênia . . . 39
4 Simulação e apliação 44 4.1 Estudode simulação . . . 44
Neste trabalho é proposta uma nova abordagem da distribuição beta logístia
pertenenteàlassededistribuiçõesbetageneralizada.Estadistribuiçãojáseenontra
naliteraturaeé denominadade distribuiçãologístiageneralizadado tipo
IV
. Para essa nova abordagem, foi realizado o estudo da função densidade de probabilidade,funçãode distribuiçãoaumuladaefunçãode riso. Apresentaremosexpressõespara
as prinipaispropriedades desta distribuição,taisomo, momentos, função geradora
de momentos, medidas de tendênia entral e função densidade de probabilidade
das estatístias de ordem, entre outros. O estimador de máxima verossimilhança
é proposto para estimar os parâmetros desta distribuição e a matriz de informação
esperada é alulada. Para ilustrar a apliação da distribuição beta logístia
uti-lizamos dois onjuntos de dados reais, mostrando que ela é mais exível que outras
distribuiçõesexistentes na literatura.
This work proposes a new approah to the beta logisti distribution belonging
tothelass ofgeneralizedbetadistributions. This distributionisknown inliterature
and is alled the generalized logisti distribution of typeIV. Forthis new approah,
the study wasonduted ofthe probabilitydensity funtion,umulativedistribution
funtion and hazard funtion. We present expressions for the moments, moment
generating funtion, measures of entral tendeny, probability density funtion of
order statistis, average deviations, entropies, and Lorenz and Bonferroni urves.
The estimator of maximum likelihood is proposed to estimate the parameters this
distribution and the expeted information matrix is alulated. To illustrate the
appliation of the beta logisti distribution we used two real data sets showing that
1.1 Gráos da f.d.p. (1.1) e f.d.a. (1.3) da distribuição Lo para alguns
valores dos parâmetros
µ
eσ
. . . 152.1 Gráosdafunçãode densidadede probabilidadedadistribuiçãoBLo
para algunsvalores dos parâmetros
µ
,σ
,a
eb
. . . 192.2 GráosdafunçãodedistribuiçãoaumuladadadistribuiçãoBLopara
algunsvalores dos parâmetros
µ
,σ
,a
eb
. . . 202.3 Gráos da função de riso da distribuição BLo para alguns valores
dos parâmetros
µ
,σ
,a
eb
. . . 214.1 Gráoda função densidade dadistribuição BLo . . . 45
4.2 Funçãode densidade estimadapara dados de élula de âner . . . . 47
4.3 GráosQQ das distribuições(a)BLo,(b)Lo, ()BN e (d)BGL . . . . 48
4.4 Gráo da função empíria e das funções de distribuição aumulada
das distribuiçõesBLo, Lo, BNe BGL. . . 50
4.6 GráoQQ das distribuições(a)BLo,(b)Lo, ()BN, (d)BW e(e)BGL 55
4.7 Gráo função empíria e função de distribuição aumulada das
2.1 Valores esperados e modapara alguns valores dos parâmetros da
dis-tribuiçãoBLo. . . 25
4.1 EMVs (errospadrão) dos parâmetrosdas distribuiçõesBLo, Lo,BNe
BGL para dados élulaanerígenas . . . 46
4.2 Estatístias AIC, BIC, CAICe HQC das distribuiçõesBLo, Lo, BNe
BGL para dados élulade âner . . . 47
4.3 EMVs (erros padrão) dos parâmetros das distribuiçõesBLo, Lo, BN,
BW e BGL para dados de bra de vidro. . . 51
4.4 Estatístias AIC, BIC, CAIC e HQC das distribuições BLo, Lo, BN,
Introdução
O modelo logístio surgiu iniialmente para modelar estudos demográos por
Verhulst. Reed e Berkson hegarama hamá-la de modelo de Verhulst, uma
home-nagem aoseu preursor. Outros autores apliaramadistribuição logístiapara
esti-mar o resimento dapopulação humana,porexemplo, Shultz (1930).
Generalizações da distribuição logístia surgiram iniialmente om Perks
(1932),quepropsumadistribuiçãoqueinluitodasasgeneralizaçõesdadistribuição
logístia onheidas omo Tipos
I, II, III
eIV
. A distribuição logístia genera-lizada tipoI
tem reebido onsiderávelatenção omrespeito às araterizações, tais omoosmomentoseestatístiasdeordem. AdistribuiçãodotipoII
inluivárias pro-priedades dadistribuiçãodotipoI
;porexemplo,seX éumavariávelaleatória(v.a.) om distribuição logístia generalizada do tipoI
, então, -X é uma v.a. que segue a distribuição generalizada logístia do tipoII
. A distribuição logístia generalizada dotipoIII
ésimétriaeextremamenteútilomoaproximaçãoaoutrasdistribuições simétrias, omo por exemplo, a distribuição t de Student. A distribuição logístiaomo asos espeiais.
Prentie(1975)propsumanovafamíliadedistribuições,queinluialgumas
distribuições importantes omo asos espeiais, tais omo as distribuições, normal,
logístia,valorextremo e logístiageneralizada. Distribuições de probabilidadeom
suportenosreais positivosinluemasdistribuiçõesexponenial,log-normal,Weibull,
gama, gama generalizada,log-logístio,qui-quadrado,
t
eF
.MDonald e Xu (1995) apresentam uma lasse de distribuições beta om
ino parâmetros que inlui as distribuições beta generalizada e gama generalizada.
Estas distribuições inluem mais de trinta distribuições omo asos espeiais. A
distribuição beta generalizada gera a distribuição beta generalizada exponenial, o
qualinlui formas generalizadasdas distribuiçõeslogístia,exponenial,Gompertz e
Gumbel ea distribuiçãonormal omo aso espeial.
Eugene et al. (2002) desenvolveram tambémum método de generalizar
dis-tribuições, introduzindo a lasse beta generalizada (beta-G) de distribuições. Eles
apresentaram a distribuiçãobeta normala partir daapliaçãoentre asdistribuições
beta enormal. Umavantagemdadistribuiçãobeta normalemrelaçãoàdistribuição
normal, é que ela pode assumir a forma unimodal ou bimodal. Esta lasse de
dis-tribuiçõesgeneralizaumadistribuiçãopadrãoadiionandodoisparâmetrosdeforma.
Por isso, a forma generalizada proporiona maior exibilidadena análise dos dados
observados. Váriostrabalhos surgiramna literaturanesta mesma linha de pesquisa.
Estes trabalhos introduzem uma nova distribuição da lasse beta-G, deduzindo
al-gumas propriedades que araterizam a distribuição e propõemuma apliaçãopara
o modelo. Neste sentido, itamos algumas distribuições, tais omo, beta Gumbel
Weibull (Cordeiro et al, 2010) e beta logístia generalizada (Morais et al., 2010),
entre outros.
Neste ontexto, o objetivo deste trabalho é propor uma nova abordagem
da distribuição beta logístia, pertenente à lasse de distribuições beta
generali-zada. Determinamosexpressõesmatemátiaspara as propriedadesquearaterizam
a distribuição. Estudamos a teoria de inferênia para a distribuição. Ainda,
deter-minamosexpressõespara osestimadoresde máximaverossimilhançados parâmetros
da distribuição e para veriar a exibilidade da distribuição beta logístia,
desen-volvemos uma apliaçãoom dois onjuntos de dadosreais, omparando om outras
distribuições.
Esta dissertação está dividida em ino apítulos e ontém dois anexos. No
Capítulo2 apresentamos a distribuiçãobeta logístiaexplorando suas propriedades.
NoCapítulo3desenvolvemosateoriade inferêniadadistribuiçãoBLo. NoCapítulo
4um estudode simulaçãoérealizadoeapresentamos duasapliaçõesdadistribuição
beta logístia. Finalmente,onsiderações naissão apresentadas noCapítulo5.
1.1 Preliminares
1.1.1 Distribuição logístia
A função de densidadede probabilidade(f.d.p.) dadistribuição logístiade
parâme-tros
µ
eσ
, denotada porLo(
µ, σ
)
, édada porf
(
x
) =
e
−
(x
−
s
µ)
s
[1 +
e
−
(x
−
s
µ)
]
2
,
x, µ
∈ ℜ
, s >
0
,
(1.1)
emque
s
=
σ
√
3
π
eσ >
0
.Esta função de densidade de probabilidadeda distribuição Loé onsiderada
mais geral, porque ela inlui a distribuição logístia padrão Lo(0,1). O termo
s
é utilizadoapenas para simpliaras notações dadistribuição Lo.Uma outra formaalternativapara a f.d.p. pode ser esrita omo
f
(
x
) =
1
4
s
sech
2
x
−
µ
2
s
.
(1.2)Por onsequênia da equação (1.2), a função de distribuição aumulada (f.d.a.) da
distribuição logístiaé denotada por
F
(
x
) =
1
1 +
e
−
(x
−
s
µ)
,
(1.3)
aqui,tambémpodemos estabeleer de uma outra formaaf.d.a., dadapor
F
(
x
) =
1
2
1 + tanh
x
−
µ
2
s
.
Para as equações (1.2) e (1.3), a função de riso da distribuição Lo pode ser
esrita omo
h
(
x
) =
1
s
h
1 +
e
−
(x
−
s
µ)
i
.
A Figura1.1apresentaosgráosdafunçãodensidade de probabilidadeefunção
−5
0
5
10
15
20
0.00
0.05
0.10
0.15
0.20
x
f(x)
µ = 1,σ =2.5
µ = 2,σ =2.5
µ = 2.5,σ =2
µ = 1.5,σ =2
µ = 5,σ =2.5
−5
0
5
10
0.0
0.2
0.4
0.6
0.8
1.0
x
F(x)
µ = 1,σ =1.5
µ = 1,σ =1
µ = 2,σ =1.5
µ = 5,σ =1
µ = 7,σ =1
Figura 1.1: Gráos da f.d.p. (1.1) e f.d.a. (1.3) da distribuição Lo para alguns
valores dos parâmetros
µ
eσ
Asprinipaispropriedadesquearaterizamadistribuiçãologístiasão
apre-sentadas noApêndieA.
1.1.2 Classe de distribuições beta generalizada
A lasse de distribuiçõesbeta generalizada é apliadaem análise de dados om
distribuição assimétria que não podem ser bem ajustados pelas distribuições
exis-tentes naliteratura(Eugeneetal,2002). Assim, estalasse dedistribuiçõespode ser
denida da seguinte forma:
Sejam
Z
eY
duas variáveis aleatórias (v.a.), em queZ
∼
Beta
(
a, b
)
eY
om função de distribuição aumuladaG
(
y
)
, hamada de distribuição primitiva. A apliaçãoX
=
G
−
1
Y
(
z
)
produzX
seguindo a função de densidade de probabilidade dadistribuição beta generalizadaom expressãof
(
x
;
α, β, γ
) =
g
(
y
)
B
(
α, β
)
[
G
(
y
)]
α
−
1
[1
−
G
(
y
)]
β
−
1
,
em que
B
(
α, β
)
é a função beta,g
(
y
)
é a f.d.p. deG
(
y
)
eγ
são os parâmetros da distribuição primitivada v.a.Y
A f.d.a. dadistribuição beta generalizada pode ser esrita omo
F
(
x
;
α, β, γ
) =
BGy
(
α, β
)
B
(
α, β
)
,
(1.5)emque
BG(y)
(
α, β
)
é denominadafunção beta inompletae é dada porBG(y)
(
α, β
) =
G(y)
Z
0
t
α
−
1
(1
−
t
)
β
−
1
dt.
Quando
α
=
β
= 1
a função de distribuição aumulada da distribuição beta generalizada oinideom a f.d.a.G
(
y
)
da distribuiçãoprimitiva.Distribuição beta logístia
Nesteapítuloépropostaumadistribuiçãoomquatroparâmetros,denotadapor
distribuiçãobetalogístia(BLo). Apresentamosafunçãodensidadedeprobabilidade
(f.d.p.),funçãodedistribuiçãoaumulada(f.d.a.),funçãoderiso,funçãogeradorade
momentos(f.g.m.),momentos,média,moda,mediana,estatístiadeordem,entropia,
momentos-L, desvios médios em relaçãoà média e à mediana e asurvas de Lorenz
e Bonferroni.
2.1 Denição da distribuição beta logístia
Sejam
Z
eY
duas variáveis aleatórias (v.a.),Z
∼
Beta
(
a, b
)
eY
∼
Lo
(
µ, σ
)
. Como formade ombinar asduas variáveis, denimosX
omoX
=
s
log
z
1
−
z
+
µ.
em que
s
=
σ
√
3
Utilizando a equação (1.4), a função densidade de probabilidade da
dis-tribuiçãobeta logístiapode ser esrita omo
f
(
x
) =
[
e
−
(x
−
s
µ)
]
b
B
(
a, b
)
s
[1 +
e
−
(x
−
s
µ)
]
a+b
.
(2.1)
A funçãode distribuiçãoaumuladadadistribuiçãoBLoéobtidaapartirda
equação (1.5), istoé,
FX
(
x
) =
b
−
1
X
n=0
dn
1
1 +
e
−
(x
−
s
µ)
a+n
,
(2.2)emque
dn
=
b
−
1
n
(
−
1)
n
B(a,b)(a+n)
, n
≥
0
.
Das equações (2.1) e (2.2), a função de riso da distribuição BLo pode ser
esrita omo
h
(
x
) =
[
e
−
(x
−
s
µ)
]
b
s
h
1 +
e
−
(x
−
s
µ)
i
a+b
B
(
a, b
)
−
1
1+e
−
(x
−
µ)
s
R
0
t
a
−
1
(1
−
t
)
b
−
1
dt
.
As Figuras 2.1, 2.2 e 2.3 apresentam os gráos das funções densidade de
probabilidade, função de distribuição aumulada e da função de riso para alguns
valores dos parâmetros
µ, σ, a e b
.−5
0
5
0.0
0.1
0.2
0.3
0.4
µ
= 2,
σ
=2
x
f(x)
a=1,b=1
a=1,b=2
a=2,b=1
a=1,b=5
a=2,b=5
−30
−20
−10
0
10
20
30
0.00
0.02
0.04
0.06
0.08
µ
= 2,
σ
=10
x
f(x)
a=1,b=1
a=1,b=2
a=2,b=1
a=1,b=5
a=2,b=5
−20
−10
0
10
20
30
0.00
0.02
0.04
0.06
0.08
µ
= 5,
σ
=10
x
f(x)
a=1,b=1
a=1,b=2
a=2,b=1
a=1,b=5
a=2,b=5
−2
0
2
4
6
8
10
0.0
0.1
0.2
0.3
0.4
µ
= 5,
σ
=2
x
f(x)
a=1,b=1
a=1,b=2
a=2,b=1
a=1,b=5
a=2,b=5
Figura 2.1: Gráos da função de densidade de probabilidade da distribuição BLo
−4
−2
0
2
4
6
8
0.0
0.2
0.4
0.6
0.8
1.0
µ
= 2,
σ
=2
x
F(x)
a=1,b=1
a=1,b=2
a=2,b=1
a=1,b=5
a=2,b=5
−30
−20
−10
0
10
20
30
0.0
0.2
0.4
0.6
0.8
1.0
µ
= 2,
σ
=10
x
F(x)
a=1,b=1
a=1,b=2
a=2,b=1
a=1,b=5
a=2,b=5
0
2
4
6
8
10
0.0
0.2
0.4
0.6
0.8
1.0
µ
= 5,
σ
=2
x
F(x)
a=1,b=1
a=1,b=2
a=2,b=1
a=1,b=5
a=2,b=5
−20
−10
0
10
20
30
0.0
0.2
0.4
0.6
0.8
1.0
µ
= 5,
σ
=10
x
F(x)
a=1,b=1
a=1,b=2
a=2,b=1
a=1,b=5
a=2,b=5
Figura 2.2: Gráos da função de distribuição aumulada da distribuição BLo para
−2
0
2
4
6
8
0
1
2
3
4
µ
= 2,
σ
=2
x
h(x)
a=1,b=1
a=1,b=2
a=2,b=1
a=1,b=5
a=2,b=5
−20
−10
0
10
20
0.0
0.2
0.4
0.6
0.8
µ
= 2,
σ
=10
x
h(x)
a=1,b=1
a=1,b=2
a=2,b=1
a=1,b=5
a=2,b=5
0
2
4
6
8
10
12
0
1
2
3
4
µ
= 5,
σ
=2
x
h(x)
a=1,b=1
a=1,b=2
a=2,b=1
a=1,b=5
a=2,b=5
−10
0
10
20
30
0.0
0.2
0.4
0.6
0.8
µ
= 5,
σ
=10
x
h(x)
a=1,b=1
a=1,b=2
a=2,b=1
a=1,b=5
a=2,b=5
Figura 2.3: Gráos da função de riso da distribuição BLo para alguns valores dos
2.2 Caraterístias da distribuição beta logístia
Nesta seção desenvolvemos expressões formais para função geradora de momentos,
momentos, esperança, média, moda, mediana, estatístia de ordem, entropias de
Renyi,ShanoneKullbak,momentosL,foramtambémdesenvolvidos desviosmédios
emrelação amédia e amediana. Finalmente, as urvas de Lorenz e Bonferroni.
2.2.1 Função geradora de momentos
A função de geração de momentos é utilizadapara determinaros momentosde
uma distribuição de probabilidade.
Utilizando a função de densidade de probabilidade da distribuição BLo,
equação (2.1), obtemosa função geradora de momentos(f.g.m.), dadapor
M
(
t
) =
∞
Z
−∞
e
tx
[
e
−
(x
−
s
µ)
]
b
B
(
a, b
)
s
(1 +
e
−
(x
−
s
µ)
)
a+b
dx.
Substituindo
v
=
x
−
µ
s
, temosM
(
t
) =
e
tµ
B
(
a, b
)
∞
Z
−∞
e
−
(1
−
ts)v
1
1 +
e
−
v
a+b
dv,
fazendo
m
=
1
1+e
−
v
, obtemosM
(
t
) =
e
tµ
B
(
a, b
)
1
Z
0
m
(ts+a
−
1)
(1
−
m
)
(b
−
ts
−
1)
dm
=
e
tµ
B
(
a, b
)
B
(
ts
+
a, b
−
ts
)
=
e
tµ
B
(
a, b
)
Γ(
ts
+
a
)Γ(
b
−
ts
)
Γ(
a
+
b
)
,
(2.3)2.2.2 Momentos
Osmomentosde umadistribuição deprobabilidadesão importantespara
deter-minaralgumasaraterístiasfundamentais,omoporexemplo,esperança,variânia,
assimetriae urtose.
A partir dadenição do
n
-ésimo momentoda distribuiçãobeta-G, podemos failmente obter on
-ésimo momento da distribuição BLo após uma mudança de variáveis.O
n
-ésimo momento dadistribuição beta-G pode ser esrito omoτn
=
∞
Z
−∞
x
n
g
(
x
)
B
(
a, b
)
G
(
x
)
a
−
1
[1
−
G
(
x
)]
b
−
1
dx.
(2.4)
Fazendo
G
(
x
) =
u
,obtemosx
=
G
−
1
(
u
)
, istoé,
x
=
s
log
u
1
−
u
+
µ
=
G
−
1
(
u
)
.
Apliandoesta relaçãona equação(2.4), temos
τn
=
1
Z
0
[
G
−
1
(
u
)]
n
1
B
(
a, b
)
u
a
−
1
(1
−
u
)
b
−
1
du
=
1
Z
0
s
log
u
1
−
µ
+
µ
n
1
B
(
a, b
)
u
a
−
1
(1
−
u
)
b
−
1
du
=
n
X
k=0
n
k
s
k
µ
n
−
k
1
Z
0
[(log
u
−
log(1
−
u
)]
k
1
B
(
a, b
)
u
a
−
1
(1
−
u
)
b
−
1
du
=
n
X
k=0
k
X
v=0
n
k
k
v
s
k
µ
n
−
k
(
−
1)
v
1
Z
0
(log
u
)
k
−
v
[log(1
−
u
)]
v
1
B
(
a, b
)
u
a
−
1
(1
−
u
)
b
−
1
du.
(2.5)
Usando a relação
1
Z
0
(log
x
)
(k
−
v)
[log(1
−
x
)]
v
x
β
−
1
(1
−
x
)
α
−
1
dx
=
∂
k
em(2.5), o
n
-ésimo momentoda distribuiçãoBLo pode ser esrito omoτ
=
n
X
k=0
k
X
v=0
n
k
k
v
s
k
µ
n
−
k
(
−
1)
v
B
(
a, b
)
∂
k
B
(
a, b
)
∂a
k
−
v
∂b
v
.
2.2.3 Esperança
A esperança da distribuição BLo pode ser failmente enontrada a partir da
função geradora de momentos, alulando oprimeiro momento.
Derivandoa equação (2.3) emrelação a
t
, temosd M
(
t
)
dt
=
µ
+
s
Γ
′
(
ts
+
a
)
Γ(
ts
+
a
)
−
s
Γ
′
(
b
−
ts
)
Γ(
b
−
ts
)
,
(2.6)e tomando
t
= 0
na equação (2.6),obtemos aesperança dadistribuição BLoE
(
X
) =
µ
+
s
[Ψ(
a
)
−
Ψ(
b
)]
,
emque
Ψ(
·
)
denota afunção digama.2.2.4 Moda
Uma medida de tendênia entral, hamada moda, é o valor ou valores mais
frequentes em uma distribuição de frequênia. A moda é obtida pela maximização
dologaritmoda f.d.p. daequação (2.1), istoé,
∂
log
f
(
x
)
∂x
=
−
b
s
−
(
a
+
b
)
1
1 +
e
−
(x
−
s
µ)
e
−
(x
−
s
µ)
−
1
s
.
Derivando a expressãoaima e igualandoa0, temos
−
b
s
+
(
a
+
b
)
s
"
e
−
(x
−
s
µ)
1 +
e
−
(x
−
s
µ)
#
Assim, desenvolvendo a equaçãoanterior, obtemos
e
−
(x
−
s
µ)
=
b
a
,
logo,
˜
Xmo
=
µ
+
s
(log
a
−
log
b
)
.
emque
Xmo
˜
é a modadadistribuição BLo.NaTabela2.1apresentamosvaloresparaaesperançaemodadadistribuiçãobeta
logístiapara alguns valores dos parâmetros
µ
,σ
,a
eb
.Tabela 2.1: Valores esperados e moda para alguns valores dos parâmetros da
dis-tribuiçãoBLo.
Parâmetros E(X) Mo
µ
σ
a b2 2 1 1 2 2
1 2 3 1 2,654 3,197
2 1 3 1 2,827 3,100
0,1 10 1 4 -7,543 -10,008
10 0,4 1 4 9,694 9,600
1 2 10 0,4 1,710 2,061
3 1 0,1 40 1,679 -0,110
2.2.5 Mediana
A medianade uma distribuiçãoontínua édenida omo
P
(
X
≤
v
) =
P
(
X
≥
v
) =
v
Z
−∞
f
(
x
)
dx
=
1
2
.
Podemos mostrar que a distribuição BLo não têm forma fehada para a mediana,
istoé, aequação
v
Z
−∞
[
e
−
(x
−
s
µ)
]
b
B
(
a, b
)
s
[1 +
e
−
(x
−
s
µ)
]
a+b
dx
=
1
2
não pode ser resolvida analitiamente.
Fazendo amudança de variáveis
t
=
x
−
µ
s
,obtemosv
−
µ
s
Z
−∞
e
−
bt
B
(
a, b
)(1 +
e
−
t
)
a+b
dt
=
1
2
.
Substituindo
m
=
1
1+e
−
t
, temos1
1+e
−
(
v
−
µ
s
)
Z
0
m
a
−
1
(1
−
m
)
b
−
1
dm
=
1
2
.
A soluçãodesta equaçãonão linear resultanovalordamedianada distribuiçãobeta
logístia.
2.2.6 Estatístias de ordem
Estatístias de ordem são onsideradas de fundamental importânia na estatístia.
Considerando uma amostra aleatóriade tamanho
n
de uma distribuição de probabilidade ontínua, a expressão da função densidade dak
-ésima estatístia de ordemXk:n
é dada porfk:n
(
x
) =
f
(
x
)
B
(
k, n
−
k
+ 1)
F
(
x
)
k
−
1
(1
−
F
(
x
))
n
−
k
,
para
k
= 1
, ..., n
. Expandindo embinmio de Newton, temosfk:n
(
x
) =
f
(
x
)
B
(
k, n
−
k
+ 1)
n
−
k
X
m=0
n
−
k
m
(
−
1)
m
F
(
x
)
m+k
−
1
.
(2.7)
Substituindoa equação (2.2) em(2.7), obtemos
fk:n
(
x
) =
f
(
x
)
B
(
k, n
−
k
+ 1)
n
−
k
X
m=0
n
−
k
m
(
−
1)
m
"
b
−
1
X
t=0
dtG
(
x
)
t+a
#
m+k
−
1
.
(2.8)Utilizando a identidade
P
∞
k=0
dkx
k
n
=
P
∞
k=0
ck,nx
k
(Gradshteyn e Ryzhik, 2000)
onde
c
0,n
=
d
n
0
e ck,n
= (
kd
0
)
−
1
k
X
l=0
(
nl
−
k
+
l
)
dlck
−
l,n,
naequação (2.8), temos
fk:n
(
x
) =
f
(
x
)
B
(
k, n
−
k
+ 1)
n
−
k
X
m=0
n
−
k
m
(
−
1)
m
∞
X
t=0
ct+a,m+k
−
1
G
(
x
)
t+a
,
(2.9)emque
ct+a,m+k
−
1
= [
d
0
(
t
+
a
)]
−
1
t+a
X
l=0
[(
m
+
k
−
1)
l
−
(
t
+
a
) +
l
]
dlct+a
−
l,m+k
−
1
.
Substituindoaf.d.p. eaf.d.a. da distribuiçãoLodadas pelas equações (1.1)e (1.3),
respetivamente, em (2.9) temos
fk:n
(
x
) =
1
B
(
k, n
−
k
+ 1)
n
−
k
X
m=0
n
−
k
m
(
−
1)
m
[
e
−
(x
−
s
µ)
]
b
B
(
a, b
)
s
h
1 +
e
−
(x
−
s
µ)
i
a+b
×
∞
X
t=0
ct+a,m+k
−
1
1
1 +
e
−
(x
−
s
µ)
t+a
.
2.2.7 Entropia de Shanon
O oneito de entropia de Shannon (Shannon, 1948) vem do ampo da Teoria da
Informação. Elamede ograu de inerteza queexiste emum sistema termodinâmio
emevolução.
A entropia de Shanon édenida omo
h
[
f
] =
∞
Z
−∞
f
(
x
) log
f
(
x
)
dx.
(2.10)Substituindoa f.d.p. da BLo, equação(2.1), em (2.10)obtemos
h
[
f
] =
∞
Z
−∞
[
e
−
(x
−
s
µ)
]
b
B
(
a, b
)
s
[1 +
e
−
(x
−
s
µ)
]
a+b
log
(
[
e
−
(x
−
s
µ)
]
b
B
(
a, b
)
s
[1 +
e
−
(x
−
s
µ)
]
a+b
)
dx.
Fazendo
t
=
x
−
µ
s
,temosh
[
f
] =
∞
Z
−∞
(
e
−
t
)
b
B
(
a, b
)(1 +
e
−
t
)
a+b
log
(
e
−
t
)
b
B
(
a, b
)
s
(1 +
e
−
t
)
a+b
dt
=
∞
Z
−∞
−
bt
e
−
bt
B
(
a, b
)(1 +
e
−
t
)
a+b
dt
−
∞
Z
−∞
log
B
(
a, b
)
e
−
bt
B
(
a, b
)(1 +
e
−
t
)
a+b
dt
−
∞
Z
−∞
log
s
e
−
bt
B
(
a, b
)(1 +
e
−
t
)
a+b
dt
−
(
a
+
b
)
∞
Z
−∞
log
(1 +
e
−
t
)
e
−
bt
B
(
a, b
)(1 +
e
−
t
)
a+b
dt
=
−
bEBLo
(
T
)
−
log
B
(
a, b
)
−
log (
s
)
−
(
a
+
b
)
EBLo
[log (1 +
e
−
T
)]
=
−
log [
sB
(
a, b
)]
−
bs
[Ψ(
a
)
−
Ψ(
b
)] + (
a
+
b
)[Ψ(
a
+
b
)
−
Ψ(
a
)]
,
2.2.8 Entropia de Rényi
A entropia de Rényi (Rényi, 1961) éuma generalização daentropia Shannon.
A entropia de Rényi de ordem
γ
de uma distribuição ontínua é denida omor
[
f
] =
1
1
−
γ
log
∞
Z
−∞
f
γ
(
x
)
dx
,
(2.11)emque
γ >
0
eγ
6
= 1
.Substituindo aequação (2.1) na equação(2.11), obtemosque
r
[
f
] =
1
1
−
γ
log
∞
Z
−∞
h
e
−
(x
−
s
µ)
i
b
B
(
a, b
)
s
h
1 +
e
−
(x
−
s
µ)
i
a+b
γ
dx.
Fazendo
t
=
x
−
µ
s
,temosr
[
f
] =
1
1
−
γ
log
1
B
γ
(
a, b
)
s
γ
−
1
∞
Z
−∞
e
−
btγ
(1 +
e
−
t
)
γ(a+b)
dt
.
Substituindo
m
=
1
1+e
−
t
, obtemosr
[
f
] =
1
1
−
γ
log
1
B
γ
(
a, b
)
s
γ
−
1
1
Z
0
m
aγ
−
1
(1
−
m
)
bγ
−
1
dm
=
1
1
−
γ
log
1
B
γ
(
a, b
)
s
γ
−
1
B
(
aγ, bγ
)
=
1
1
−
γ
[log
B
(
aγ, bγ
)
−
γ log B
(
a, b
)
−
(
γ
−
1)
log s
]
.
2.2.9 Entropia de Kullbak-Leibler
Nateoriadeprobabilidadeaentropiade Kullbak-Leibleréumamedidadadiferença
das funções densidade
f
eg
denida porI
[
F, G
] =
∞
Z
−∞
log
f
(
x
)
emque
I
[
F, G
]
≥
0
.Considerando
f
(
x
)
af.d.p. dadistribuiçãoBLoeg
(
x
)
af.d.p. dadistribuiçãoLo, substituindo asequações(2.1) e (1.1) em(2.12), obtemosI
[
F, G
] =
∞
Z
−∞
log
(
[
e
−
(x
−
s
µ)
]
b
B
(
a, b
)
s
[1 +
e
−
(x
−
s
µ)
]
a+b
"
s
(1 +
e
−
(x
−
s
µ)
)
2
e
−
(x
−
s
µ)
#)
×
[
e
−
(x
−
s
µ)
]
b
B
(
a, b
)
s
[1 +
e
−
(x
−
s
µ)
]
a+b
dx
=
∞
Z
−∞
log
(
[
e
−
(x
−
s
µ)
]
b
−
1
B
(
a, b
)[1 +
e
−
(x
−
s
µ)
]
a+b
−
2
)
[
e
−
(x
−
s
µ)
]
b
B
(
a, b
)
s
[1 +
e
−
(x
−
s
µ)
]
a+b
dx
=
∞
Z
−∞
(
b
−
1)(
x
−
µ
)
s
"
e
−
b
(x
−
s
µ)
B
(
a, b
)
s
(1 +
e
−
(x
−
s
µ)
)
a+b
#
dx
−
log
B
(
a, b
)
−
∞
Z
−∞
(
a
+
b
−
2) log [1 +
e
−
(x
−
s
µ)
]
×
"
e
−
b
(x
−
s
µ)
B
(
a, b
)
s
(1 +
e
−
(x
−
s
µ)
)
a+b
#
dx.
Fazendo amudança de variáveis
t
=
x
−
µ
s
,obtemosI
[
F, G
] =
−
(
b
−
1)
∞
Z
−∞
t
e
−
bt
B
(
a, b
)
s
(1 +
e
−
t
)
a+b
sdt
−
log
B
(
a, b
)
−
(
a
+
b
−
2)
∞
Z
−∞
log (1 +
e
−
t
)
e
−
bt
B
(
a, b
)
s
(1 +
e
−
t
)
a+b
sdt
=
−
(
b
−
1)
EBLo
(
T
)
−
log
B
(
a, b
)
−
(
a
+
b
−
2)
EBLo
(log(1 +
e
−
T
))
=
−
log
B
(
a, b
)
−
(
b
−
1)
{
µ
+
s
[Ψ(
a
)
−
Ψ(
b
)]
}
+ (
a
+
b
−
2)[Ψ(
a
+
b
)
−
Ψ(
a
)]
,
2.2.10 Momentos-L
Osmomentos-Lsãoestatístiasusadaspararesumiraformadeumadistribuição
de probabilidade. Elessão análogos aos momentos onvenionais, mas são denidos
omoombinaçõeslinearesdas estatístias de ordem. Elessão denidos porHosking
(1990) omo
λr+1
=
r
(
r
+ 1)
−
1
r
X
k=1
(
−
1)
k
k
E
(
X
(r+1
−
k;r+1)
)
para
r
= 1
, ...
Os quatro primeirosmomentos-L de uma distribuiçãode probabilidadesão
λ
1
=
E
(
X
1:1
)
,λ
2
=
1
2
E
(
X
2:2
−
X
1:2
)
,λ
3
=
1
3
E
(
X
3:3
−
2
X
2:3
+
X
1:3
)
eλ
4
=
1
4
E
(
X
4:4
−
3
X
3:4
+ 3
X
2:4
−
X
1:4
)
.A partir das expansões dos momentos das estatístias de ordem dadas
anterior-mente,podemosobterexpansõesparaosmomentos-LdadistribuiçãoBLoomo
om-binaçõeslinearesponderadasdas esperanças deestatístias de ordemdadistribuição
beta logístia.
2.2.11 Desvio médio em relação à média
O desvio médio emrelaçãoao valoresperado de uma distribuição é dadopor
δ1
=
∞
Z
−∞
Desenvolvendo a integral daexpressão aima temos
δ1
=
µ
Z
−∞
(
µ
−
x
)
f
(
x
)
dx
+
∞
Z
µ
(
x
−
µ
)
f
(
x
)
dx
= 2
µ
Z
−∞
(
µ
−
x
)
f
(
x
)
dx
= 2
µF
(
µ
)
−
2
µ
Z
−∞
xf
(
x
)
dx.
(2.13)Substituindoa f.d.p. da distribuiçãoBLo, equação (2.1), em(2.13), obtemos
δ
1
=
µ
Z
−∞
x
[
e
−
(x
−
µ)
s
]
b
B
(
a, b
)
s
[1 +
e
−
(x
−
µ)
s
]
a+b
dx.
Fazendo
t
=
x
−
µ
s
temosδ
1
=
0
Z
−∞
(
µ
+
st
)
(
e
−
t
)
b
B
(
a, b
)(1 +
e
−
t
)
a+b
dt
=
µF
(0) +
s
0
Z
−∞
t
(
e
−
t
)
b
B
(
a, b
)(1 +
e
−
t
)
a+b
dt.
Substituindo
m
=
1
1+e
−
t
, obtemosδ
1
=
s
B
(
a, b
)
1
2
Z
0
log
m
(1
−
m
)
b
−
1
m
a
−
1
dm
+
1
2
Z
0
log (1
−
m
)(1
−
m
)
b
−
1
m
a
−
1
dm
.
Portanto,
δ1
= 2
µF
(
µ
)
−
2
µF
(0)
+2
(
log 0
,
5
×
s
B
(
a, b
)
"
b
−
1
X
j=0
b
−
1
j
(
−
1)
j
1
(
a
+
j
)2
a+j
#)
+2
(
log 0
,
5
×
s
B
(
a, b
)
"
b
−
1
X
j=0
a+j
−
1
X
k=0
b
−
1
j
a
+
j
−
1
k
1
(
k
+ 1)2
k+1
1
2
−
1
(
k
+ 1)
#)
2.2.12 Desvio médio em relação à mediana
Odesvio médioem relaçãoa medianade uma distribuição é dado por
δ
2
=
∞
Z
−∞
|
x
−
M
|
f
(
x
)
dx.
Desenvolvendo a integral daexpressão aima, obtemos
δ
2
=
M
Z
−∞
(
M
−
x
)
f
(
x
)
dx
+
∞
Z
M
(
x
−
M
)
f
(
x
)
dx
= 2
M
Z
−∞
M f
(
x
)
dx
−
2
∞
Z
M
xf
(
x
)
dx
+
E
(
x
)
−
M
= 2
M F
(
M
) +
E
(
x
)
−
M
−
2
∞
Z
M
xf
(
x
)
dx.
Deformaanálogaaodesviomédioemrelaçãoàmédia,podemosonluirqueodesvio
médio em relaçãoà medianada distribuiçãobeta logístiaé expresso por
δ
2
= 2
M F
(
M
) +
E
(
x
)
−
M
−
2
µF
M
−
µ
s
+2
(
s
B
(
a, b
)
log
1
1 +
e
−
(M
−
s
µ)
"
b
−
1
X
j=0
b
−
1
j
(
−
1)
j
1
a
+
j
1
1 +
e
−
(M
−
s
µ)
a+j
#)
+2
b
−
1
X
j=0
a+j
−
1
X
k=0
b
−
1
j
a
+
j
−
1
k
1 +
e
−
(M
−
s
µ)
−
(k+1)
(
k
+ 1)
log
1
1 +
e
−
(M
−
s
µ)
−
1
(
k
+ 1)
.
2.2.13 Curva de Lorenz
A urva de Lorenz é um gráo utilizado para representar a distribuição relativa
de uma variável em um domínio determinado. O domínio pode ser o onjunto de
aumulada de pessoas noeixodas absissas eaperentagem aumuladade rendano
eixo das ordenadas. Ela foi desenvolvida pelo eonomista Max O. Lorenz em 1905
para representar a distribuição de renda.
Cada ponto da urva é lido omo perentagem umulativa das pessoas. A urva
parte daorigem(0,0) e terminanoponto(100,100). Se a rendaestivesse distribuída
de forma perfeitamente equitativa, a urva oinidiriaom a linha de 45 graus que
passa pela origem(por exemplo,30% da populaçãoreebe 30% da renda).
Para umavariávelaleatória
X
om função inversada funçãodistribuição aumu-lada dada porF
−
1
(
X
)
(ou função de quantis de X). A urva de Lorenz é denida
por
L
(
p
) =
1
µ
p
Z
0
F
−
1
(
x
)
dx,
(2.14)
emque
µ
=
E
(
X
)
.A inversa da função beta inompleta,
I
−
1
z
(
a, b
)
, pode ser enontrada no sítio http://funtions.wolfram.om/06.23.06.0004.01.I
−
1
z
(
a, b
) =
t
+
b
−
1
a
+ 1
t
2
+
(
b
−
1)(
a
2
+ 3
ab
−
a
+ 5
b
−
4
2(
a
+ 1)
2
(
a
+ 2)
t
3
+
(
b
−
1)[
a
4
+ (6
b
−
1)
a
3
+ (
b
+ 2)(8
b
−
5)
a
2
3(
a
+ 1)
3
(
a
+ 2)(
a
+ 3)]
+
(
b
−
1)[(33
b
2
−
30
b
+ 4)
a
+
b
(31
b
−
47) + 18]
3(
a
+ 1)
3
(
a
+ 2)(
a
+ 3)
t
4
+
O
(
z
5
a
)
,
emque
t
= [
az B
(
a, b
)]
1
Podemos reesrever
I
−
1
z
(
a, b
)
omoI
−
1
z
(
a, b
) = [
az B
(
a, b
)]
1
a
+
b
−
1
a
+ 1
[
az B
(
a, b
)]
2
a
+
(
b
−
1)(
a
2
+ 3
ab
−
a
+ 5
b
−
4
2(
a
+ 1)
2
(
a
+ 2)
[
az B
(
a, b
)]
3
a
+
...
=
z
1
a
[
az B
(
a, b
)]
1
a
+
z
2
a
[
az B
(
a, b
)]
2
a
+
z
3
a
[
az B
(
a, b
)]
3
a
+
...
=
d
1
z
1
a
+
d
2
z
2
a
+
d
3
z
3
a
+
...
=
∞
X
j=1
djz
a
j
,
emque
dj
=
cj
[
a B
(
a, b
)]
j
a
,j
= 1
,
2
,
3
, ...
ecj
=
(b
−
1)
(a+1)
j
−
1
Para a distribuição BLo, a função inversa da função distribuição aumulada é
dada por
F
−
1
(
x
) =
I
−
1
1
1+e
−
(x
−
µ)
s
(
a, b
) =
∞
X
j=1
dj
1
1 +
e
−
(x
−
s
µ)
a
j
.
(2.15)Apliandoa equação (2.15) em(2.14),obtemos
L
(
p
) =
1
µ
p
Z
0
∞
X
j=1
dj
1
1 +
e
−
(x
−
s
µ)
j
a
dx.
Substituindo
u
=
1
1+e
−
(x
−
s
µ)
,
temosL
(
p
) =
1
µ
∞
X
j=1
dj
1+e
−
(p
−
µ)
s
Z
1+e
µ
s
u
a
j
s
u
(1
−
u
)
du
=
s
µ
∞
X
j=1
dj
1+e
−
(p
−
µ)
s
Z
1+e
µ
s
∞
X
k=1
u
k+
j
a
−
1
du
Desenvolvendo aintegralaima,aexpressãodaurvade Lorenzdadistribuiçãobeta
logístiaé dada por
L
(
p
) =
s
µ
∞
X
j=1
∞
X
k=1
dj
h
1 +
e
−
(p
−
s
µ)
i
k+
j
a
−
1 +
e
µ
s
k+
j
a
2.2.14 Curva de Bonferroni
Embora dopontodevistaformalaurvadeBonferroni representeadesigualdadeem
um formaequivalenteàurvade Lorenz,ainformaçãoqueproduzemédiferente. Os
valoresde
L
(
p
)
daurvadeLorenzsão fraçõesdarendatotal, enquantoosvaloresdeQ
(
p
)
, da urva de Bonferroni, referem-se osníveis de rendimento relativos. A urva de Bonferronié denida porQ
(
p
) =
1
pµ
p
Z
0
F
−
1
(
x
)
dx,
A urva de Bonferroni da distribuição BLo é análoga à urva de Lorenz.
Por-tanto,
Q
(
p
) =
s
pµ
∞
X
j=1
∞
X
k=1
dj
h
1 +
e
−
(p
−
s
µ)
i
k+
j
a
−
1 +
e
µ
s
k+
j
a
k
+
a
j
.
2.3 Caraterização da beta logístia
Nesta seção apresentamos algumas araterístias e relações da distribuição beta
logístiaomoutrasdistribuiçõesexistentes naliteratura, quepoderãoser úteispara
os estudosde diversas áreas doonheimento.
2.3.1 Caraterístias da beta logístia
Umadas prinipaisaraterístiasdadistribuição BLo é dada por:
Seja