Distribuições Truncadas e Aplicações

Distribuições Truncadas e Aplicações
Raydonal Ospina
Departamento de Estatística - CCEN/UFPE
Gustavo H. Esteves
Departamento de Estatística - CCT/UEPB
58ª RBRAS - 15º SEAGRO

Campina Grande - Paraíba - Brasil - Julho 2013
(58ª RBRAS e 15º SEAGRO - CG/PB - Julho 2013) 1 / 46

Sumário
Introdução
Censura e Truncamento
Teoria básica sobre o truncamento

Sumário
Introdução
Alguns Modelos Contínuos Truncados

Distribuição Uniforme Truncada
Distribuição Normal Truncada
Distribuição Exponencial Truncada
Distribuição Exponencial Dupla Truncada
Distribuição Cauchy Truncada

Introdução Censura e Truncamento
Conteúdo
Introdução


Introdução
Censura e truncamento são problemas muito comuns em trabalhos aplicados de
diversas áreas, tais como Medicina, Epidemiologia ou indústria. Entretanto, eles são
coisas diferentes!
I Censura: ocorre quando o tempo de vida de um item é sabido de ocorrer em

algum intervalo. Ela pode ser à direita, esquerda ou dupla (intervalar).
I Truncamento: ocorre quando o plano amostral do estudo inclui apenas os itens que
sobreviveram a algum ponto do tempo (truncamento à esquerda) ou que o evento

aconteceu antes de algum tempo especíco (truncamento à direita), ou ambas as
situações (truncamento intervalar).

Alguns Exemplos
A seguir apresentamos alguns exemplos de estudos onde aparecem dados com censura
e/ou truncamento.
I Estudo clínico para avaliação do tempo de remissão de leucemia aguda.
I Tempo de sobrevida em pacientes que passaram por transplante de rim.
I Taxa de sobrevivência em pacientes com linfoma tipo Hodgkim e não-Hodgkim que
passaram por transplante de medula (autóloga ou alogênica).
I Tempo de reinfecção para pessoas com doenças sexualmente transmissíveis.
I Tempo até o primeiro consumo de maconha para crianças em idade escolar.

Introdução Teoria básica sobre o truncamento
Conteúdo
Introdução


Teoria básica sobre Truncamento de variáveis aleatórias
Para se construir a versão truncada de uma distribuição de probabilidades

consideremos inicialmente o seguinte:
I seja Y uma v.a. contínua assumindo valores na reta real;
I g(y), y ∈ R, é sua função de densidade de probabilidade, fdp;
I G(y), y ∈ R, é sua função de distribuição acumulada, fda.

Teoria básica sobre Truncamento de variáveis aleatórias
Para se construir a versão truncada de uma distribuição de probabilidades

consideremos inicialmente o seguinte:
I seja Y uma v.a. contínua assumindo valores na reta real;
I g(y), y ∈ R, é sua função de densidade de probabilidade, fdp;
I G(y), y ∈ R, é sua função de distribuição acumulada, fda.
Vamos considerar aqui apenas o caso contínuo, mas a extensão para o caso discreto é
natural.

Considerando agora uma nova v.a. X como a versão truncada de Y no intervalo [a, b],
com −∞ < a < b < ∞. Temos que as principais propriedades de X são dadas por:
g(x)
f (x) = , a ≤ x ≤ b;
G(b) − G(a)
Z b
E(X) = xf (x)dx;
a
Z b
VAR(X) = [x − E(X)]2 f (x)dx;
a
G{max[min(x, b), a]} − G(a)
F (x) = ;
G(b) − G(a)

Considerando agora uma nova v.a. X como a versão truncada de Y no intervalo [a, b],
com −∞ < a < b < ∞. Temos que as principais propriedades de X são dadas por:
g(x)
f (x) = , a ≤ x ≤ b;
G(b) − G(a)
Z b
E(X) = xf (x)dx;
a
Z b
VAR(X) = [x − E(X)]2 f (x)dx;
a
G{max[min(x, b), a]} − G(a)
F (x) = ;
G(b) − G(a)
onde f (x), E(X), VAR(X) e F (x) representam a f.d.p., esperança, variância e a f.d.a
da variável X . Naturalmente, para todos os valores de x ∈
/ [a, b], tem-se que f (x) = 0.

Alguns comentários importantes
I Uma distribuição truncada pode ser pensada como uma distribuição condicionada
a uma restrição intervalar feita no suporte da distribuição.
I O termo distribuição truncada pode causar uma certa ambiguidade, no sentido de
se pensar na f.d.p da distribuição, g(x), com a remoção das caudas da distribuição

fora do intervalo [a, b]. Mas isso não dene uma distribuição de probabilidades,
sendo necessário reescalar a função g(x) neste intervalo.
I Esta apresentação está baseada no truncamento intervalar de distribuições de pro-
babilidades, ou truncamento duplo (doubly truncation). Mas pode-se obter as ver-

sões simples à direita, para (−∞, b], ou à esquerda, para [a, ∞).

Alguns Modelos Contínuos Truncados Distribuição Uniforme Truncada
Conteúdo
Introdução


A partir daqui vamos apresentar as principais propriedades para alguns dos principais
modelos probabilísticos contínuos, especicamente:
I Modelo Uniforme contínuo;
I Modelo Normal;
I Modelo Exponencial;
I Modelo Exponencial Duplo;
I Modelo de Cauchy.

Distribuição Uniforme
Seja X uma v.a. com distribuição uniforme em [α, β], isto é, X ∼ U [α, β].
I Sua f.d.p. é dada por:

1
g(x) = , α ≤ x ≤ β,
β−α
I Consequentemente, sua f.d.a. é dada por:

0,
 para x<α
x−α
G(x) = , para x ∈ [α, β) .
 β−α
1, para x≥β


Agora consideremos Y a versão truncada da Uniforme, restrita ao intervalo

[s, t] ⊂ [α, β]. Desta forma, para s, t ∈ [α, β] com s < t, a f.d.p de Y é dada por


g(y) 1 1
fY (y) = = = .
G(t) − G(s) (t − α) − (s − α) t−s


g(y) 1 1
fY (y) = = = .
G(t) − G(s) (t − α) − (s − α) t−s
I Logo, Y ∼ U [s, t], isto é, a forma truncada de uma uniforme é uma nova uniforme
restrita ao intervalo de truncamento.
I Desta maneira as demais propriedades, tais como esperança, variância e etc decor-
rem naturalmente dos resultados já conhecidos da uniforme, e não serão discutidos

aqui.

Alguns Modelos Contínuos Truncados Distribuição Normal Truncada
Conteúdo
Introdução


Distribuição Normal
Consideremos a distribuição normal com média µ e variância σ2 . Assim, seja

X ∼ N (µ, σ 2 ).
I A normal é a distribuição mais usada e conhecida e sua f.d.p é

1 1 x−µ
g(x) = √ exp − .
2πσ 2 σ
I Por m, sua função de distribuição acumulada é dada por
1
Z x
1 t−µ

G(x) = √ exp − dt.
2πσ −∞ 2 σ

Agora, seja Y a versão truncada de X em [a, b], denotada por N T (µ, σ 2 , a, b), então
 " 2 #
1 1 y−µ
√ exp −



2πσ 2 σ
fY (y) = , para a ≤ y ≤ b,


 G(b) − G(a)

0 caso contrário.

 " 2 #
1 1 y−µ
√ exp −



2πσ 2 σ
fY (y) = , para a ≤ y ≤ b,


 G(b) − G(a)

0 caso contrário.
I Este truncamento é conhecido como truncamento duplo (doubly truncation), e os

pontos a e b são os pontos de truncamento inferior e superior.

 " 2 #
1 1 y−µ
√ exp −



2πσ 2 σ
fY (y) = , para a ≤ y ≤ b,


 G(b) − G(a)

0 caso contrário.
I Este truncamento é conhecido como truncamento duplo (doubly truncation), e os

pontos a e b são os pontos de truncamento inferior e superior.
I Fazendo a = −∞ ou b = +∞ temos o truncamento simples (simply truncation)

acima (cauda inferior) ou abaixo (cauda superior).


Continuação
Truncamentos Simples
I Para o caso do truncamento simples acima, a f.d.p é dada por:
g(x)
fY (y) = fX (x|x < b) = .
G(b)
I Já para o caso do truncamento simples abaixo, temos a seguinte f.d.p:
g(x)
fY (y) = fX (x|x > a) = .
1 − G(a)


Continuação
Truncamentos Simples
I Para o caso do truncamento simples acima, a f.d.p é dada por:
g(x)
fY (y) = fX (x|x < b) = .
G(b)
I Já para o caso do truncamento simples abaixo, temos a seguinte f.d.p:
g(x)
fY (y) = fX (x|x > a) = .
1 − G(a)
I Outro casos de interesse ocorrem quando temos a = µ e b = ∞ ou a = −∞ e b = µ,

que são conhecidos como distribuições meia-normais (half-normal distribution).


Continuação
Voltando agora para o caso do truncamento duplo da Normal, vamos apresentar a

f.d.a, esperança e variância para Y ∼ N T (µ, σ 2 , a, b)
I A função de distribuição acumulada da variável aleatória Y é da forma

" 2 #
Z y 1 1

t−µ
√ exp − dt
a 2πσ 2 σ
FY (y) =
G(b) − G(a)
G(y) − G(a)
= .
G(b) − G(a)


Continuação
Esperança Matemática de Y
I A partir da denição, calcula-se a esperança matemática da variável aleatória Y:
2
√y exp − 21 y−µ
Z ∞ Z b 2πσ σ
E(Y ) = yfY (y)dy = dy,
−∞ a G(b) − G(a)
I com a transformação z = (y − µ)/σ , podemos simplicar o resultado
h 2i
µ+zσ
Z b−µ
σ
√ exp − z2
2π
E(Y ) = dz
a−µ
σ
G(b) − G(a)

a−µ b−µ
ϕ −ϕ
σ σ
=µ+ σ,
G(b) − G(a)
onde ϕ(z) é a f.d.p. de uma distribuição normal padrão [N (0, 1)].


Continuação
Variância de Y
I Após alguns cálculos, chegamos a variância de Y , dada por:
 
a−µ
σ
ϕ a−µ
σ
− b−µ σ
ϕ b−µσ
VAR(Y ) = 1 +  σ2
G(b) − G(a)
 2
a−µ b−µ
ϕ σ
−ϕ σ
−  σ2 .
G(b) − G(a)


Caso particular para o truncamento simple acima
Truncamento simples acima

I Note que, para o caso de truncamento acima temos o seguinte
ϕ(β)
E(Y ) = E(X | X < b) = µ − σ ,
G(b)
" 2 #
ϕ(β) ϕ(β)
VAR(Y ) = VAR(X | X < b) = σ 2 1 − β − ,
G(b) G(b)
em que β = (b − µ)/σ.


Caso particular para o truncamento simples abaixo
Truncamento simples abaixo

I Agora, para o caso de truncamento abaixo, temos as seguinte propriedades:
E(Y ) = E(X | X > a) = µ + σλ(α),

VAR(Y ) = VAR(X | X > a) = σ 2 [1 − δ(α)],
em que α = (a − µ)/σ, δ(α) = λ(α)[λ(α) − α] e λ(α) = ϕ(α)/[1 − G(a)] é a inversa

da razão de Mills ou também chamada de taxa de risco.


Comentários
Observações importantes
Do que foi exposto nos resultados anteriores é possível vericar facilmente as
propriedades enumeradas a seguir.


Comentários
1. Se os dados são truncados abaixo de um determinado valor, a média da variável

truncada é maior que a média da variável original.


Comentários

2. Se os dados são truncados acima de um determinado valor, a média da variável

truncada é menor que a média da variável original.


Comentários

2. Se os dados são truncados acima de um determinado valor, a média da variável

truncada é menor que a média da variável original.
3. A variância da variável truncada é menor que a variância da variável original.

Exemplos de Normais Truncadas

Distribuições Truncadas no R
Artigo de Nadarajah e Kotz (2006)

? Nadarajah e Kotz (2006) apresenta funções em R para o cálculo de f.d.p., f.d.a.,
função de quantis, geração de amostras aleatórias, além do cálculo da esperança e
variância, para qualquer distribuição nativamente implementada no R.
Exemplo: Função para o Cálculo da f.d.p.

dtrunc <- function(x, spec, a = -Inf, b = Inf, ...) {
tt <- rep(0, length(x))
g <- get(paste("d", spec, sep = ""), mode = "function")
G <- get(paste("p", spec, sep = ""), mode = "function")
tt[x>=a & x<=b] <- g(x[x>=a&x<=b], ...)/(G(b, ...) - G(a, ...))
return(tt)
}

Alguns Modelos Contínuos Truncados Distribuição Exponencial Truncada
Conteúdo
Introdução


Distribuição Exponencial
Outra distribuição de bastante utilidade prática dentro da estatística, sobretudo em

problemas relacionados com tempos de vida, é a distribuição exponencial.
Consideremos a v.a. X com distribuição X ∼ Exp(λ).
I Sua f.d.p. é dada por

1 x
g(x) = exp − , x ≥ 0,
λ λ
I e sua f.d.a. está apresentada a seguir
x
G(x) = 1 − exp − ,
λ
com E(X) = λ e VAR(X) = λ2 .


Função de densidade de probabilidade
Agora, seja Y a versão truncada de X em [a, b], denotada por ExpT (λ, a, b), então
1
exp − y

f (y) = h λ i λ
exp − λb a

1− − 1− exp − λ
y
exp − λ
= h i .
a
− exp − λb

λ exp − λ


Agora, seja Y a versão truncada de X em [a, b], denotada por ExpT (λ, a, b), então
1
exp − y

f (y) = h λ i λ
exp − λb a

1− − 1− exp − λ
y
exp − λ
= h i .
a
− exp − λb

λ exp − λ
Logo, a função de densidade de probabilidade de Y ∼ ExpT (λ, a, b) é dada por
y

f (y) = c exp − , a ≤ y ≤ b,
λ
com
1
c= h i .
a
− exp − λb

λ exp − λ


Primeiros Momentos
Podemos calcular os dois primeiros momentos de Y de maneira simples, através da

denição
I O primeiro momento de Y é dado por
Z b Z b
y
E(Y ) = y exp −
yf (y)dy = c dy
a a λ

a
− b exp − λb

a exp − λ
=λ+ ,
a
− exp − λb

exp − λ
I e o segundo momento ca
Z b Z
y b
E(Y 2 ) = y 2 exp −
y 2 f (y)dy = c dy
a a λ

a
[a + 2λa + 2λ2 ] − exp − λb [b2 + 2λb + 2λ2 ]
2
exp − λ
= ,
a
− exp − λb

exp − λ


Variância
enm, usando a propriedade de que VAR(Y ) = E(Y 2 ) − [E(Y )]2 , podemos chegar
facilmente na expressão para a variância da variável aleatória.
VAR(Y )

exp − a+bλ
[a2 + b2 ]
2
VAR(Y ) = λ − h i2 .
a
− exp − λb

exp − λ


F.d.a
Função de Distribuição Acumulada
Por m, a função de distribuição acumulada de Y é obtida por

Z y Z y t

F (y) = f (t)dt = c exp − dt
a a λ
a
y
exp − λ − exp − λ
= ,
a
− exp − λb

exp − λ
E então 

0, para y<a
a −exp − y
exp(− λ ) ( λ)

F (y) = a −exp − b , para a≤y<b.
 exp(− λ ) ( λ)

1, para y≥b


Exemplos da Exponencial Truncada

Script para gerar a gura anterior

? Abaixo temos o script escrito em R que gerou a gura anterior.
F.d.p. da exponencial truncada com λ = 1

x <- seq(0, 7, by=0.01)
plot(x, dexp(x), type="l", ylim=c(0,2), ylab="Exponencial")
points(x, dtrunc(x,"exp", 0, 1), type="l", lty=2)
points(x, dtrunc(x,"exp", 2, Inf), type="l", lty=3)
legend(4, 1.9, expression("Exp(1)", "ExpT(1, 0, 1)",
paste("ExpT(1, 2, ", infinity, ")", sep="")), lty=1:3)

Alguns Modelos Contínuos Truncados Distribuição Exponencial Dupla Truncada
Conteúdo
Introdução


Distribuição Exponencial Dupla
A distribuição exponencial dupla, denotada ED, também é conhecida como

distribuição de Laplace. Seja X ∼ ED(µ, λ).

1 |x − µ|
g(x) = exp − , −∞ < x < ∞,
2λ λ

 1 exp x−µ , para x<µ
2 λ
G(x) = .
1 − 1 exp − x−µ , para x≥µ
2 λ
com E(X) = µ e VAR(X) = 2λ2 .

Comentários
Para se construir a versão truncada, em um intervalo [a, b] qualquer, de uma
distribuição exponencial dupla, temos que tomar alguns cuidados especiais no que diz
respeito ao intervalo de truncamento e o parâmetro µ do modelo:

Comentários
1. Temos o caso onde temos a, b < µ.

Comentários
2. Temos o caso de a<µ com b ≥ µ.

Comentários
3. Enm temos a, b ≥ µ.

Comentários
3. Enm temos a, b ≥ µ.
4. Aqui vamos nos concentrar apenas no item 2, sendo que a extensão para os outros
dois casos é natural.


Agora, seja Y a versão truncada de X em[a, b], denotada por EDT (µ, λ, a, b), então

1 |y−µ|
2λ
exp − λ
f (y) =
1 − 12 exp − b−µ λ
− 21 exp a−µ λ

|y−µ|
exp − λ
= h i ,
λ 2 − exp − b−µ λ
− exp a−µ λ


Agora, seja Y a versão truncada de X em[a, b], denotada por EDT (µ, λ, a, b), então

1 |y−µ|
2λ
exp − λ
f (y) =
1 − 12 exp − b−µ λ
− 21 exp a−µ λ

|y−µ|
exp − λ
= h i ,
λ 2 − exp − b−µ λ
− exp a−µ λ
Logo, a função de densidade de probabilidade de Y ∼ EDT (µ, λ, a, b) é dada por

|y − µ|
f (y) = c exp − , a ≤ y ≤ b,
λ
com
1
c= h i .
λ 2 − exp − b−µ
λ
− exp a−µ
λ


Primeiros Momentos

denição

a−µ
2µ + exp λ
[λ − a] − exp − b−µ
λ
[λ + b]
E(Y ) =
a−µ b−µ
2 − exp λ
− exp − λ


Primeiros Momentos

denição

a−µ
2µ + exp λ
[λ − a] − exp − b−µ
λ
[λ + b]
E(Y ) =
a−µ b−µ
2 − exp λ
− exp − λ

2µ2 +4λ2 −exp a−µ
λ [a2 −2λa+2λ2 ]−exp − b−µ [b2 +2λb+2λ2 ]
E(Y 2 ) = λ .
a−µ b−µ
2−exp λ
−exp − λ


Primeiros Momentos

denição

a−µ
2µ + exp λ
[λ − a] − exp − b−µ
λ
[λ + b]
E(Y ) =
a−µ b−µ
2 − exp λ
− exp − λ

2µ2 +4λ2 −exp a−µ
λ [a2 −2λa+2λ2 ]−exp − b−µ [b2 +2λb+2λ2 ]
E(Y 2 ) = λ .
a−µ b−µ
2−exp λ
−exp − λ
I A variância de Y pode ser obtida a partir desses dois valores, mas por ser algebri-
camente trabalhosa, esse resultado não será apresentado aqui.


F.d.a
I Para o cálculo da função de distribuição acumulada é necessário se trabalhar sepa-
radamente nos intervalos [a, µ) e [µ, b]. Desta forma, considerando o caso em que
y < µ.


F.d.a
I Para o cálculo da função de distribuição acumulada é necessário se trabalhar sepa-
radamente nos intervalos [a, µ) e [µ, b]. Desta forma, considerando o caso em que
y < µ.
I Assim, a função de distribuição acumulada de Y é dada por


 0,
para y<a
exp y−µ −exp a−µ



λ λ a≤y<µ
 2−exp − b−µ −exp a−µ ,


 para
λ λ
F (y) =
y−µ a−µ .
 2−exp − λ −exp λ ,

 para µ≤y<b
 b−µ a−µ
 2−exp − λ −exp λ



1, para y≥b


Alguns Modelos Contínuos Truncados Distribuição Cauchy Truncada
Conteúdo
Introdução


Distribuição Cauchy
A distribuição de Cauchy também é conhecida pelos nomes de Lorentz,

Cauchy-Lorentz ou Brelt-Wigner, e é bastante conhecida pela sua propriedade de não
possuir momentos nitos, o que faz com que popularmente se diga que ela não tem
esperança e nem variância. Seja X ∼ Cauchy(µ, γ).

1 1 γ
g(x) = 2 = π , −∞ < y < ∞,

x−µ (x − µ)2 + γ 2
πγ 1 + γ

1 x−µ 1
G(x) = arctan +
π γ 2


Agora, seja Y a versão truncada de X em [a, b], denotada por CauchyT (µ, γ, a, b),
então
γ
(y−µ)2 +γ2
f (y) =
b−µ a−µ
arctan γ
− arctan γ
γ
= h i , a ≤ y ≤ b.
b−µ a−µ
[(y − µ)2 + γ2] arctan γ
− arctan γ


Trabalho Difícil
Encontrar as principais propriedades desta distribuição analiticamente pela f.d.p dada

por f (y) não é uma tarefa trivial. Entretanto, um artigo de Nadarajah e Kotz
(2006b), dentre outras propriedades, apresenta a forma analítica da f.d.a., dada por

arctan y−µγ
− arctan a−µ
γ
F (y) = ,
arctan b−µγ
− arctan a−µ
γ


Trabalho Difícil
Encontrar as principais propriedades desta distribuição analiticamente pela f.d.p dada

por f (y) não é uma tarefa trivial. Entretanto, um artigo de Nadarajah e Kotz
(2006b), dentre outras propriedades, apresenta a forma analítica da f.d.a., dada por

arctan y−µγ
− arctan a−µ
γ
F (y) = ,
arctan b−µγ
− arctan a−µ
γ
Como a forma truncada da distribuição de Cauchy é denida sobre um intervalo

nito, ela apresenta todos os seus momentos nitos, o que faz com ela se apresente
como melhor opção de modelagem do que a distribuição de Cauchy original.


Nadarajah e Kotz (2006b) apresentam uma forma geral para a obtenção da

n-ésimo momento de Y , dada por
n k
µn X 1

γ k+1 k+1
E(Y n ) = ( ) β k+1 2 F1 1, ;1 + ; −β 2
D k=0 k + 1 µ 2 2

k+1 k+1
−αk+1 2 F1 1, ;1 + ; −α2 ,
2 2
a−µ b−µ
para n ≥ 1, onde α= γ
, β= γ
, D = arctan(β) − arctan(α) e 2 F1 (t, u; v; x) é a
função gaussiana hipergeométrica, dada por
∞
X (t)k (u)k xk
2 F1 (t, u; v; x) = ,
k=0
(v)k k!
onde (z)k = z(z + 1) · · · (z + k − 1) denota o fatorial ascendente. Essa regra geral para
a obtenção de qualquer momento de Y, pode ser usada para se encontrar E(Y ) e
VAR(Y ), entre outras propriedades.

Exemplos da Cauchy Truncada

Script para gerar a gura anterior

? Abaixo temos o script escrito em R que gerou a gura anterior.
F.d.p. da Cauchy truncada com λ = 1

x <- seq(0, 7, by=0.01)
plot(x, dexp(x), type="l", ylim=c(0,2), ylab="Exponencial")
points(x, dtrunc(x,"exp", 0, 1), type="l", lty=2)
points(x, dtrunc(x,"exp", 2, Inf), type="l", lty=3)
legend(4, 1.9, expression("Exp(1)", "ExpT(1, 0, 1)",
paste("ExpT(1, 2, ", infinity, ")", sep="")), lty=1:3)

Distribuições Truncadas e Aplicações

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Distribuições Truncadas e Aplicações

Hochgeladen von

Copyright:

Verfügbare Formate

Distribuições Truncadas e Aplicações

58ª RBRAS - 15º SEAGRO

(58ª RBRAS e 15º SEAGRO - CG/PB - Julho 2013) 1 / 46

(58ª RBRAS e 15º SEAGRO - CG/PB - Julho 2013) 2 / 46

Alguns Modelos Contínuos Truncados

(58ª RBRAS e 15º SEAGRO - CG/PB - Julho 2013) 2 / 46

Alguns Modelos Contínuos Truncados

(58ª RBRAS e 15º SEAGRO - CG/PB - Julho 2013) 3 / 46

I Censura: ocorre quando o tempo de vida de um item é sabido de ocorrer em

sobreviveram a algum ponto do tempo (truncamento à esquerda) ou que o evento

(58ª RBRAS e 15º SEAGRO - CG/PB - Julho 2013) 4 / 46

I Estudo clínico para avaliação do tempo de remissão de leucemia aguda.

I Tempo de sobrevida em pacientes que passaram por transplante de rim.

I Taxa de sobrevivência em pacientes com linfoma tipo Hodgkim e não-Hodgkim que

passaram por transplante de medula (autóloga ou alogênica).

I Tempo de reinfecção para pessoas com doenças sexualmente transmissíveis.

I Tempo até o primeiro consumo de maconha para crianças em idade escolar.

(58ª RBRAS e 15º SEAGRO - CG/PB - Julho 2013) 5 / 46

Alguns Modelos Contínuos Truncados

(58ª RBRAS e 15º SEAGRO - CG/PB - Julho 2013) 6 / 46

Teoria básica sobre Truncamento de variáveis aleatórias

Para se construir a versão truncada de uma distribuição de probabilidades

I seja Y uma v.a. contínua assumindo valores na reta real;

I g(y), y ∈ R, é sua função de densidade de probabilidade, fdp;

I G(y), y ∈ R, é sua função de distribuição acumulada, fda.

(58ª RBRAS e 15º SEAGRO - CG/PB - Julho 2013) 7 / 46

Teoria básica sobre Truncamento de variáveis aleatórias

Para se construir a versão truncada de uma distribuição de probabilidades

I seja Y uma v.a. contínua assumindo valores na reta real;

I g(y), y ∈ R, é sua função de densidade de probabilidade, fdp;

I G(y), y ∈ R, é sua função de distribuição acumulada, fda.

(58ª RBRAS e 15º SEAGRO - CG/PB - Julho 2013) 7 / 46

(58ª RBRAS e 15º SEAGRO - CG/PB - Julho 2013) 8 / 46

(58ª RBRAS e 15º SEAGRO - CG/PB - Julho 2013) 8 / 46

Alguns comentários importantes

a uma restrição intervalar feita no suporte da distribuição.

I O termo distribuição truncada pode causar uma certa ambiguidade, no sentido de

se pensar na f.d.p da distribuição, g(x), com a remoção das caudas da distribuição

I Esta apresentação está baseada no truncamento intervalar de distribuições de pro-

babilidades, ou truncamento duplo (doubly truncation). Mas pode-se obter as ver-

(58ª RBRAS e 15º SEAGRO - CG/PB - Julho 2013) 9 / 46

Alguns Modelos Contínuos Truncados

(58ª RBRAS e 15º SEAGRO - CG/PB - Julho 2013) 10 / 46

Alguns Modelos Contínuos Truncados

I Modelo Uniforme contínuo;

I Modelo Exponencial Duplo;

(58ª RBRAS e 15º SEAGRO - CG/PB - Julho 2013) 11 / 46

I Sua f.d.p. é dada por:

I Consequentemente, sua f.d.a. é dada por:

(58ª RBRAS e 15º SEAGRO - CG/PB - Julho 2013) 12 / 46

Distribuição Uniforme Truncada

Agora consideremos Y a versão truncada da Uniforme, restrita ao intervalo

(58ª RBRAS e 15º SEAGRO - CG/PB - Julho 2013) 13 / 46

Distribuição Uniforme Truncada

Agora consideremos Y a versão truncada da Uniforme, restrita ao intervalo

(58ª RBRAS e 15º SEAGRO - CG/PB - Julho 2013) 13 / 46

Distribuição Uniforme Truncada

Agora consideremos Y a versão truncada da Uniforme, restrita ao intervalo

rem naturalmente dos resultados já conhecidos da uniforme, e não serão discutidos

(58ª RBRAS e 15º SEAGRO - CG/PB - Julho 2013) 13 / 46

Alguns Modelos Contínuos Truncados

(58ª RBRAS e 15º SEAGRO - CG/PB - Julho 2013) 14 / 46

Consideremos a distribuição normal com média µ e variância σ2 . Assim, seja

I Censura: ocorre quando o tempo de vida de um item é sabido de ocorrer em

sobreviveram a algum ponto do tempo (truncamento à esquerda) ou que o evento

I O termo distribuição truncada pode causar uma certa ambiguidade, no sentido de

I Por m, sua função de distribuição acumulada é dada por

I e o segundo momento ca