Professional Documents
Culture Documents
DEPARTAMENTO DE ESTATÍSTICA
Abril 2009
Conteúdo
ii
CONTEÚDO iii
X = ½número de meninos
1 se 1o filho é homem
Y =
0 caso contrário
Z = número de vezes que houve variação de sexo entre nascimentos consecutivos
Suponhamos que a probabilidade de nascer homem ou mulher seja igual a 12 , ou seja, que todas
as composições de família tenham a mesma probabilidade. Então, os possíveis resultados e os
valores das variáveis são os apresentados na tabela a seguir:
Evento X Y Z Pr
HHH 3 1 0 1/8
HHM 2 1 1 1/8
HMH 2 1 2 1/8
MHH 2 0 1 1/8
HMM 1 1 1 1/8
MHM 1 0 2 1/8
MMH 1 0 1 1/8
MMM 0 0 0 1/8
A partir desses resultados obtemos as seguintes distribuições de probabilidades para as variáveis
aleatórias X, Y , Z:
1
CAPÍTULO 1. VARIÁVEIS ALEATÓRIAS BIDIMENSIONAIS DISCRETAS 2
x 0 1 2 3 3 3
X : E(X) = E(X 2 ) = 3 Var(X) =
p 1/8 3/8 3/8 1/8 2 4
y 0 1 1 1 1
Y : E(Y ) = E(Y 2 ) = Var(Y ) =
p 1/2 1/2 2 2 4
z 0 1 2 3 1
Z : E(Z) = 1 E(Z 2 ) = Var(Z) =
p 1/4 1/2 1/4 2 2
X pY (y)
0 1 2 3
(X, Y ) : Y 0 1/8 2/8 1/8 0 1/2
1 0 1/8 2/8 1/8 1/2
pX (x) 1/8 3/8 3/8 1/8 1
X
0 1 2 3 pZ (z)
0 1/8 0 0 1/8 2/8
(X, Z) :
Z 1 0 2/8 2/8 0 4/8
2 0 1/8 1/8 0 2/8
pX (x) 1/8 3/8 3/8 1/8 1
Z pY (y)
0 1 2
(Y, Z) : Y 0 1/8 2/8 1/8 4/8
1 1/8 2/8 1/8 4/8
pZ (z) 2/8 4/8 2/8 1
Analisando simultaneamente as três variáveis, temos:
(x, y, x) Pr(X = x, Y = y, Z = z)
(0, 0, 0) 1/8
(1, 0, 1) 1/8
(1, 0, 2) 1/8
(1, 1, 1) 1/8
(2, 0, 1) 1/8
(2, 1, 2) 1/8
(2, 1, 1) 1/8
(3, 1, 0) 1/8
CAPÍTULO 1. VARIÁVEIS ALEATÓRIAS BIDIMENSIONAIS DISCRETAS 3
{X = 0} = {X = 0 ∩ Y = 0} ∪ {X = 0 ∩ Y = 1}
x 0 1 2 3
X|Y = 0 :
p 1/4 1/2 1/4 0
Sendo uma distribuição de probabilidades, podemos calcular sua esperança e sua variância:
P 1 1 1
E(X | Y = 0) = x Pr(X = x|Y = 0) = 0 × +1× +2× +3×0=1
x 4 2 4
P 2 1 1 1 3
E(X 2 | Y = 0) = x Pr(X = x|Y = 0) = 02 × + 12 × + 22 × + 32 × 0 =
x 4 2 4 2
3 1
Var(X | Y = 0) = E(X 2 | Y = 0) − [E(X | Y = 0)]2 = − 12 =
2 2
Analogamente, obtém-se a distribuição de X dado que Y = 1 ou a distribuição de Y dado que
X = 0, por exemplo:
⎧
⎪
⎪ Pr(X = 0, Y = 0) 1/8
⎨ Pr(Y = 0 | X = 0) = = =1
Y |X = 0 : Pr(X = 0) 1/8
⎪
⎪ Pr(X = 0, Y = 1) 0
⎩ Pr(Y = 1 | X = 0) = = =0
Pr(X = 0) 1/8
y 0 1
Y |X = 0 :
p 1 0
E(Y | X = 0) = 0 E(Y 2 | X = 0) = 0 Var(Y | X = 0) = 0
ou então:
⎧
⎪
⎪ Pr(X = 1, Y = 0) 2/8 2
⎨ Pr(Y = 0 | X = 1) = = =
Y |X = 1 : Pr(X = 1) 3/8 3
⎪
⎪ Pr(X = 1, Y = 1) 1/8 1
⎩ Pr(Y = 1 | X = 1) = = =
Pr(X = 1) 3/8 3
y 0 1
Y |X = 1 :
p 2/3 1/3
1 1 2
E(Y | X = 1) = E(Y 2 | X = 1) = Var(Y | X = 1) =
3 3 9
A seguir vamos formalizar os conceitos apresentados através do exemplo acima.
1.2 Definições
1.2.1 Vetor aleatório bidimensional discreto
Um vetor aleatório bidimensional é uma função bivariada que associa, a cada ponto de um espaço
amostral Ω, um par de números reais (x, y). Se a imagem de tal função é um conjunto enumerável
de pontos em R2 , então o vetor é dito um vetor discreto. Veja a Figura 1.1.
CAPÍTULO 1. VARIÁVEIS ALEATÓRIAS BIDIMENSIONAIS DISCRETAS 5
Observação: podemos ter vetores aleatórios n-dimensionais, ∀n. (Veja a Figura 1.3.)
Pr(X = x, Y = y)
Pr(X = x | Y = y) = ∀x
Pr(Y = y)
Analogamente define-se a distribuição condicional de Y dado que X = x como
Pr(X = x, Y = y)
Pr(Y = y|X = x ) = ∀y
Pr(X = x)
Note que existe uma distribuição condicional de X para cada valor y e uma distribuição condi-
cional de Y para cada valor x. Assim, se X assumir n valores diferentes e Y m valores distintos,
teremos ao todo n + m distribuições condicionais.
Como X e Y são variáveis aleatórias, resulta que g(Y ) e h(X) são também variáveis aleatórias.
Vamos estabelecer a seguinte notação:
g(Y ) = EX (X|Y )
h(X) = EY (Y |X)
Podemos, então, calcular as esperanças de g(Y ) e h(X) e para lembrar a dependência em cada uma
das variáveis, vamos denotar essas esperanças por EY [g(Y )] e EX [h(X)]. Usando a definição (1.1),
temos que
P P
EY [g(Y )] = EY [EX (X|Y )] = g(y) Pr(Y = y) = EX (X|Y = y) Pr(Y = y)
y y
PP P P Pr(X = x, Y = y)
= x Pr( X = x| Y = y) Pr(Y = y) = x Pr(Y = y)
y x y x Pr(Y = y)
PP P P
= x Pr(X = x, Y = y) = x Pr(X = x, Y = y)
y x x y
P
= x Pr(X = x) = E(X)
x
Resumindo:
Exemplo (continuação)
Vamos continuar com o exemplo inicial, calculando as distribuições condicionais de Y dado X = xi
e suas esperanças:
y 0 1
Y |X = 0 : EY (Y | X = 0) = 0
p 1 0
y 0 1 1
Y |X = 1 : EY (Y | X = 1) =
p 2/3 1/3 3
y 0 1 2
Y |X = 2 : EY (Y | X = 2) =
p 1/3 2/3 3
y 0 1
Y |X = 3 : EY (Y | X = 3) = 1
p 0 1
1 2
Os valores possíveis de h(X) = EY (Y |X) são 0, , e 1 e esses valores ocorrem quando X = 0,
3 3
X = 1, X = 2 ou X = 3 respectivamente. Logo, as probabilidades de ocorrência de cada um deles
são exatamente as probabilidades de X assumir os seus valores, isto é, temos a seguinte distribuição:
e 0 1/3 2/3 1
h(X) = EY (Y |X) :
p 1/8 3/8 3/8 1/8
0 1 2 3
X|Y = 0 : 2 4 2 EX (X|Y = 0) = 1
8 8 8
0
0 1 2 3
X|Y = 1 : EX (X|Y = 1) = 2
0 28 4
8
2
8
1 2
1 1
2 2
e
1 1 3
E[g(Y )] = EY [EX (X|Y )] = 1 × + 2 × = = E (X)
2 2 2
CAPÍTULO 1. VARIÁVEIS ALEATÓRIAS BIDIMENSIONAIS DISCRETAS 9
X Y Pr(X = x, Y = y) f1 (X, Y ) = X 2 + Y
0 0 1/8 0
1 0 2/8 1
2 0 1/8 4
3 0 0 9
0 1 0 1
1 1 1/8 2
2 1 2/8 5
3 1 1/8 10
Então, a esperança de X 2 + Y é
¡ ¢ 1 2 1
E X 2 + Y = 0 × + 1 × + · · · + 10 ×
8 8 8
= f1 (0, 0) × Pr (X = 0, Y = 0) + f1 (1, 0) × Pr (X = 1, Y = 0) + · · ·
+f1 (3, 1) × Pr (X = 3, Y = 1)
Teorema 1.1 Seja (X, Y ) um vetor aleatório discreto com fdp conjunta Pr(X = x, Y = y). Seja
h : R2 → R uma função real tal que cada par (x, y) é levado a h (x, y) . Então
PP
E [h (X, Y )] = h (xi , yj ) Pr (X = xi , Y = yj )
i j
Teorema 1.2 Seja (X, Y ) um vetor aleatório discreto com fdp conjunta Pr(X = x, Y = y). Seja
h : R2 → R uma função real tal que h (x, y) = x + y. Então
E (X + Y ) = E(X) + E(Y )
Resultado 1.1 Sejam X1 , X2 , . . . , Xn variáveis aleatórias discretas com distribuição conjunta p(x1 ,
x2 , . . . , xn ). Então:
1.5 Covariância
Definição 1.2 A covariância entre duas variáveis aleatórias X e Y é definida por
E(X + b) = E(X) + b
E(aX) = aE(X)
E(aX + b) = aE(X) + b
1.
Cov(aX + b, cY + d) = ac Cov(X, Y )
De fato:
2.
Cov(X + Y, Z + W ) = Cov(X, Z) + Cov(X, W ) + Cov(Y, Z) + Cov(Y, W )
De fato:
Cov(X + Y, Z + W ) = E (X + Y ) (Z + W ) − E (X + Y ) E (Z + W ) =
= E(XZ + XW + Y Z + Y W ) − [E(X) + E(Y )] [E(Z) + E(W )] =
= E(XZ) + E(XW ) + E(Y Z) + E(Y W ) − E(X)E(Z) −
−E(X)E(W ) − E(Y )E(Z) − E(Y )E(W )
= [E(XZ) − E(X)E(Z)] + [E(XW ) − E(X)E(W )] +
+ [E(Y Z) − E(Y )E(Z)] + [E(Y W ) − E(Y )E(W )]
= Cov(X, Z) + Cov(X, W ) + Cov(Y, Z) + Cov(Y, W )
De fato:
1X
n
Cov(X, Y ) = (xi − x)(yi − y)
n i=1
No contexto de variáveis aleatórias, a média é calculada como uma média ponderada pelas proba-
bilidades; assim, temos uma total analogia entre as definições de covariância nos dois contextos.
Foi visto também que a covariância é uma medida de associação linear entre as variáveis.
Construindo um diagrama de dispersão para as variáveis, se existir uma associação linear crescente,
os pontos (x, y) tenderão a se concentrar nos primeiro e terceiro quadrantes, onde o produto das
coordenadas é positivo. Se existir uma associação linear decrescente, os pontos se concentrarão
no segundo e quarto quadrantes, onde o produto é negativo. Como antes, o fato de se tomar
E[X − E(X)][Y − E(Y )], e não E(XY ), resulta da necessidade de “centrar” a nuvem de pontos
na origem (0, 0) e não em (E(X), E(Y )).
Note que a recíproca desse resultado não é verdadeira, isto é, covariância nula não significa inde-
pendência entre as variáveis. Esse resultado pode ser visto intuitivamente a partir da interpretação
de covariância: covariância nula significa ausência de associação linear. Nada impede que exista
outro tipo de associação entre as variáveis, o que caracterizaria a falta de independência entre elas.
CAPÍTULO 1. VARIÁVEIS ALEATÓRIAS BIDIMENSIONAIS DISCRETAS 14
X pY (y)
0 1 2
1 3/20 3/20 2/20 2/5
Y 2 1/20 1/20 2/20 1/5
3 4/20 1/20 3/20 2/5
pX (x) 2/5 1/4 7/20 1
3 3 2
E(XY ) = 0 × +1× +2× +
20 20 20
1 1 2
+0 × +2× +4× +
20 20 20
4 1 3
+0 × +3× +6×
20 20 20
38 19
= = × 2 = E(X) × E(Y )
20 20
Logo, Cov(X, Y ) = E(XY ) − E(X)E(Y ) = 0 mas X e Y não são independentes porque, por
exemplo:
3 8 8
Pr(X = 0, Y = 1) = 6= Pr(X = 0) × Pr(Y = 1) = ×
20 20 20
Teorema 1.3 Dadas duas variáveis aleatórias X e Y com esperançca, variância e covariância
finitas, então
−1 ≤ Corr(X, Y ) ≤ 1
Teorema 1.4 Dadas duas variáveis aleatórias X e Y com esperanças, variâncias e covariâncvia
finitas, então
−1 ≤ Corr(X, Y ) ≤ 1
CAPÍTULO 1. VARIÁVEIS ALEATÓRIAS BIDIMENSIONAIS DISCRETAS 15
Demonstração:
Sejam
X − E(X) Y − E(Y )
X∗ = Y∗ =
σX σY
as variáveis padronizadas. Das propriedades de esperança e variância, sabemos que E (X ∗ ) =
E (Y ∗ ) = 0 e Var (X ∗ ) = Var (Y ∗ ) = 1. Sabemos também que a variância de qualquer variável
aleatória é não-negativa. Em particular,
Var (X ∗ + Y ∗ ) ≥ 0 ⇒ Var (X ∗ ) + Var (Y ∗ ) + 2 Cov (X ∗ , Y ∗ ) ≥ 0 ⇒
1 + 1 + 2 Cov (X ∗ , Y ∗ ) ≥ 0 ⇒ Cov (X ∗ , Y ∗ ) ≥ −1
Analogamente,
Var (X ∗ − Y ∗ ) ≥ 0 ⇒ Var (X ∗ ) + Var (Y ∗ ) − 2 Cov (X ∗ , Y ∗ ) ≥ 0 ⇒
1 + 1 − 2 Cov (X ∗ , Y ∗ ) ≥ 0 ⇒ Cov (X ∗ , Y ∗ ) ≤ 1
Mas, usando as propriedades da covariância, temos que
µ ¶
∗ ∗ X − EX Y − EY
Cov (X , Y ) = Cov ,
σX σY
1
= Cov[X − E(X), Y − E(Y )]
σX σY
1
= Cov(X, Y )
σX σY
= ρ (X, Y )
Conclui-se, então, que
−1 ≤ ρ (X, Y ) ≤ 1
X
Y 1 2 3
0 0,1 0,1 0,1
1 0,2 0,0 0,3
2 0,0 0,1 0,1
2. Sejam X e Y variáveis aleatórias com E(X) = E(Y ) = 0 e Var(X) = Var(Y ) = 1. Prove que
ρ (U, V ) = 0, onde U = X + Y e V = X − Y.
3. Um aluno faz um teste de múltipla escolha com 4 questões do tipo Verdadeiro-Falso. Suponha
que o aluno esteja “chutando” todas as questões, uma vez que ele não estudou a matéria da
prova. Defina as seguintes variáveis aleatórias:
(a) Construa uma tabela com o espaço amostral associado a este experimento, listando todas
as possibilidades de acerto e os valores de X1 , Y1 , X2 , Y2 e suas probabilidades.
(b) Construa a função de distribuição conjunta de (X1 , Y1 ) com as respectivas marginais.
(c) Construa a função de distribuição conjunta de (X2 , Y2 ) com as respectivas marginais.
(d) Verfique se X1 e Y1 são independentes. (Resp.: Sim)
(e) Verfique se X2 e Y2 são independentes. (Resp.: Não)
(f) Por que já era de se esperar as diferenças observadas em (d) e (e)?
(g) Calcule a covariância entre X1 e Y1 . (Resp.: 0)
(h) Calcule a covariância entre X2 e Y2 . (Resp.: 5/16)
(i) Calcule as seguintes distribuições condicionais com suas esperanças condicionais:
X2 | Y2 = 0 X2 | Y2 = 1 X2 | Y2 = 2 X2 | Y2 = 3
4. Uma moeda honesta é lançada 4 vezes. Seja X o número de caras nos 2 primeiros lançamentos
e seja Y o número de caras nos 3 últimos lançamentos.
(a) Liste todos os elementos do espaço amostral deste experimento, epsecificando os valores
de X e Y .
(b) Construa a função de distribuição conjunta de X e Y.
(c) Calcule E(X), E(Y ), V ar(X), V ar(Y )
(d) Calcule Cov(X, Y ) e Corr(X, Y ).
(e) Se Z = X + Y, calcule E(Z) e V ar(Z)
(f) Se W = X − Y, calcule E(W ) e V ar(W ).
Capítulo 2
Variáveis Aleatórias Bidimensionais
Contínuas
1. f (x, y) ≥ 0
Z +∞ Z +∞
2. f(x, y)dxdy = 1
−∞ −∞
Z d Z b
3. Pr(a ≤ X ≤ b, c ≤ Y ≤ d) = f (x, y)dxdy
c a
2.1.1 Exemplo
Considere a seguinte função: ½
2 0≤x≤y≤1
f (x, y) =
0 caso contrário
Vamos mostrar que f (x, y) realmente define uma função de densidade para, em seguida, calcular
Pr(X ≤ 1/2, Y ≤ 1/2).
O ponto principal no cálculo de integrais duplas é definir corretamente os limites de integração.
Na Figura 2.1 a parte sombreada representa a região de integração, ou seja, o domínio de variação
de X e Y. Note que, nessa região, para cada y no intervalo [0, 1], o valor de x varia de 0 até y.
Z Z Z 1 ∙Z y ¸ Z 1 Z 1
¯1
f(x, y)dxdy = 2dx dy = y
[2x]0 dy = 2ydy = y 2 ¯0 = 1
0 0 0 0
Obviamente, f (x, y) ≥ 0. Dessa forma, estão satisfeitas as condições e f (x, y) realmente define uma
função de densidade.
Para o cálculo de Pr(X ≤ 1/2, Y ≤ 1/2), temos que considerar a região de integração sombreada
na Figura 2.2.
18
CAPÍTULO 2. VARIÁVEIS ALEATÓRIAS BIDIMENSIONAIS CONTÍNUAS 19
Vamos mostrar que f (x, y) realmente define uma função de densidade conjunta. Como x > 0, o
sinal de f (x, y) é determinado pelo termo x − y. Para que f (x, y) ≥ 0, temos que ter x − y ≥ 0, ou
equivalentemente
Z Z y ≤ x e essa condição é satisfeita no domínio de definição de f. Para mostrar que
f(x, y)dxdy = 1 vamos analisar o domínio de definição de f, que está ilustrado na Figura
2.3.
Note que, nesse domínio, para cada valor de x, y varia de −x a +x. Logo,
Z Z Z 2 Z +x
1
f(x, y)dxdy = x(x − y)dydx =
0 −x 8
Z Z
1 2 +x 2
= (x − xy)dydx
8 0 −x
Z µ ¶¯+x
1 2 2 y 2 ¯¯
= x y−x dx
8 0 2 ¯−x
Z ∙µ ¶ µ ¶¸
1 2 3 x3 3 x3
= x − − −x − dx
8 0 2 2
Z µ ¶¯2
1 2 3 1 x4 ¯¯ 16
= 2x dx = ¯ = =1
8 0 8 2 0 16
Logo, f (x, y) é uma função de densidade.
Note que, como função de y, fY (y) é uma função linear. Deste resultado podemos ver que
Z 1 ¯1
y 3 ¯¯ 2
E(Y ) = y2ydy = 2 ¯ =
0 3 0 3
Para cada x ∈ [0, 1], y varia de x até 1. Logo,
Z Z 1
fX (x) = f(x, y)dy = 2dy = 2y|1x = 2(1 − x) 0≤x≤1
x
ou seja, a densidade conjunta tem que ser o produto das densidades marginais para todo par (x, y)
no domínio de definição.
Teorema 2.1 Sejam X, Y variáveis aleatórias contínuas com densidade conjunta f(x, y) e seja
h : R2 → R uma função qualquer. Então
RR
E [h(X, Y )] = h(x, y)f (x, y)dxdy
CAPÍTULO 2. VARIÁVEIS ALEATÓRIAS BIDIMENSIONAIS CONTÍNUAS 26
Teorema 2.2 Sejam X, Y variáveis aleatórias contínuas com densidade conjunta f(x, y) e seja
h : R2 → R uma função definida por h(X, Y ) = aX + bY então
Vamos ver, agora, uma extensão para o caso bidimensional de um teorema visto para o caso
univariado que tratava de funções inversíveis.
Teorema 2.3 Sejam X, Y variáveis aleatórias contínuas com densidade conjunta fX,Y (x, y) > 0
numa região A ⊂ R2 . Suponha que (i) u = h1 (x, y) e v = h2 (x, y) definam uma transformação
biunívoca de A ⊂ R2 em B ⊂ R2 ; (ii) as derivadas parciais de x = h−1 −1
1 (u, v) e y = h2 (u, v) sejam
contínuas em B ⊂ R2 ; (iii) o Jacobiano da transformação seja diferente de zero para (u, v) ∈ B.
Então, a densidade conjunta de U = h1 (X, Y ) e V = h2 (X, Y ) é dada por
¡ ¢
fU,V (u, v) = |J| fX,Y h−1 −1
1 (u, v), h2 (u, v)
2.5.1 Exemplo
Sejam X, Y variáveis aleatórias com densidade conjunta dada por f (x, y) = 4xy, 0 < x < 1; 0 <
y < 1. Vamos determinar a densidade de U = XY.
Para aplicar o Teorema 2.3, temos que definir uma segunda função; vamos definir V = X. Logo,
nossa transformação é definida por
u = h1 (x, y) = xy
v = h2 (x, y) = x
x = v
u
y =
v
u
Como 0 < x < 1 e 0 < y < 1, temos que ter 0 < v < 1 e 0 < v
< 1. Assim, a região
é transformada na região
B = {(u, v) : 0 < v < 1; 0 < u < v}
Veja a Figura 2.4.
O Jacobiano é ¯ ¯ ¯ ¯
¯ ∂x ∂x ¯ ¯ 0 1 ¯¯ 1
¯ ∂u ∂v ¯=¯ 1 −u ¯ = −
¯ ∂y ∂y ¯ ¯ 2 v
∂u ∂v v v
CAPÍTULO 2. VARIÁVEIS ALEATÓRIAS BIDIMENSIONAIS CONTÍNUAS 27
e a densidade conjunta de Z e W é
¯ ¯
¯ 1¯ u 4u
fZ,W (z, w) = ¯¯− ¯¯ · 4v = 0 < v < 1; 0 < u < v
v v v
Como nosso interesse está na densidade de U, temos que calcular a densidade marginal fU (u).
Analisando a região no lado direito da Figura 2.4, vemos que, fixado u, v varia de u até 1. Logo,
Z 1
4u
fU (u) = dv = 4u (ln v)1u = −4u ln u 0<u<1
u v
Então a região
A = {(z, y) : −∞ < z < ∞; 0 < y < ∞}
é transformada na região
e temos que
p
z = u v/n
y = v
e a densidade marginal de U é
R
fU (u) = fU,V (u, v)dv
1 1 R ∞ n+1 −1 − 1 u2 +1v
= √ ¡n¢ 0
v 2 e 2 n dv
n/2
2nπ Γ 2 2
CAPÍTULO 2. VARIÁVEIS ALEATÓRIAS BIDIMENSIONAIS CONTÍNUAS 29
0,5
0,4 N(0;1)
0,3
t(1)
0,2
0,1
0
-6 -4 -2 0 2 4 6
0,5
0,4 N(0;1)
0,3
t(2)
0,2
0,1
0
-6 -4 -2 0 2 4 6
0,5
0,4
N(0;1)
0,3
t(10)
0,2
0,1
0
-6 -4 -2 0 2 4 6
0,5
0,3
0,2
0,1
0
-6 -4 -2 0 2 4 6
Ao final desta apostila apresentamos a Tabela 4, que é uma apresentação usual dos valores
críticos da distribuição t. Nesta tabela, cada linha corresponde a um número diferente de graus de
liberdade e cada coluna corresponde a uma área α na cauda superior. No corpo da tabela temos o
valor crítico tn;α .
2.7.2 Exemplos
Vamos ver, agora, alguns exemplos de utilização da Tabela 4.
Solução
1. Como o número de graus de liberdade é 15, temos que nos concentrar na linha correspondente
a gl = 15. A abscissa t0,05 deixa área 0,05 acima dela; assim, temos que olhar a coluna referente
a α = 0, 05; Logo, t15;0,05 = 1, 753.
CAPÍTULO 2. VARIÁVEIS ALEATÓRIAS BIDIMENSIONAIS CONTÍNUAS 32
2.7.3 Exercícios
Utilize a Tabela 4 e as propriedades da função de densidade t−Student para encontrar a abscissa
t que satisfaz as condições pedidas:
1. Pr(t(18) > t) = 0, 10
2. Pr(t(8) < t) = 0, 90
3. Pr(t(27) < t) = 0, 005
4. Pr(|t(30)| > t) = 0, 02
5. Pr(|t(24)| ≤ t) = 0, 80
2.8 Exemplo
Sejam X e Y variáveis aleatórias contínuas com as seguinte função de densidade conjunta:
½
cx se 0 < y < x e y < 1 − x
f (x, y) =
0 c.c.
CAPÍTULO 2. VARIÁVEIS ALEATÓRIAS BIDIMENSIONAIS CONTÍNUAS 33
10. Use os resultados anteriores para mostrar que E[E(Y |X)] = E(Y ).
Solução
CAPÍTULO 2. VARIÁVEIS ALEATÓRIAS BIDIMENSIONAIS CONTÍNUAS 34
1. Na Figura 2.8 ilustram-se as regiões 0 < y < x (linha superior à esquerda) e y < 1 − x
(linha superior à direita). A região de integração é a interseção dessas duas regiões, que está
ilustrada na linha inferior.
Para achar o ponto de interseção das duas retas, basta explicitar as condições e resolver o
sistema: ½
y=x
y =1−x
Substitutindo a primeira equação na segunda, obtemos que y = 1−y =⇒ 2y = 1 =⇒ y = 1/2.
Como neste ponto de interseção y = x, concluimos que o ponto de interseção é o ponto
(1/2; 1/2). Na Figura 2.9 temos o domínio de varição de X e Y .
onde R é o domínio de variação de X e Y. Analisando a Figura 2.9, vemos que, para cada
y no intervalo (0; 1/2), a abscissa x varia de y a 1 − y (são as 2 retas que definem R).Note
que começamos fixando y e depois olhamos a variação de x; isso implica na seguinte ordem
de integração:
R 1/2 ³R 1−y ´ R 1/2 ³R 1−y ´ 1
0 y
cxdx dy = 1 ⇐⇒ 0 y
xdx dy = ⇐⇒
c
µ ¶¯
R 1/2 x2 ¯1−y R £ ¤
¯ dy = 1 ⇐⇒ 1/2 (1 − y)2 − y 2 dy = 2 ⇐⇒
0
2 ¯y c 0
c
R 1/2 2 ¡ ¢¯1/2 2 1 1 2 2 2
0
(1 − 2y)dy = ⇐⇒ y − y 2 ¯0 = ⇐⇒ − = ⇐⇒ = ⇐⇒ c = 8
c c 2 4 c 8 c
x ∈ (0; 1/2], vemos na Figura 2.9 que 0 < y < x e para x ∈ (1/2; 1), 0 < y < 1 − x. Então,
temos
RR R 1/2 ¡R x ¢ R 1 ³R 1−x ´
R
f(x, y)dxdy = 1 ⇐⇒ 0 0
cxdy dx + 1/2 0 cxdy dx = 1 ⇐⇒
R 1/2 ¡R x ¢ R1 ³ R 1−x ´ R 1/2 R1
0
cx 0
dy dx + 1/2
cx 0
dy dx = 1 ⇐⇒ 0 cx2 dx + 1/2 cx(1 − x)dx = 1 ⇐⇒
¯1/2 µ 2 ¶¯1 ³c c´ ³c
x3 ¯¯ x x3 ¯¯ c c´
c ¯ + c −c = 1 ⇐⇒ + − − − = 1 ⇐⇒
3 0 2 3 ¯1/2 24 2 3 8 24
c + 12c − 8c − 3c + c 3c
= 1 ⇐⇒ = 1 ⇐⇒ c = 8
24 24
Resulta, então, que ½
8x se 0 < y < x e y < 1 − x
f (x, y) =
0 c.c.
Para cada uma dessas integrais temos que definir o domínio de variação da variável de inte-
gração no domínio de definição de (X, Y ).
Como visto no item 2, para cada y fixo no intervalo (0; 1/2), x varia de y a 1 − y. Logo,
Z 1−y
¯1−y
fY (y) = 8xdx = 4x2 ¯y = 4(1 − y)2 − 4y 2 = 4 − 8y + 4y 2 − 4y 2
y
ou seja:
fY (y) = 4(1 − 2y) 0 < y < 1/2 (2.6)
Note que é fundamental explicitar o domínio de variação de y, de acordo com a região conjunta!
Para a marginal de X, novamente temos que “quebrar” o domínio de variação nos intervalos
(0; 1/2] e (1/2; 1). Para x ∈ (0; 1/2], vemos na Figura 2.9 que 0 < y < x e, neste caso,
Rx Rx
fX (x) = 0 8xdy = 8x 0 dy = 8x2
Logo, ½
8x2 0 < x ≤ 1/2
fx (x) = (2.7)
8x(1 − x) 1/2 < x < 1
CAPÍTULO 2. VARIÁVEIS ALEATÓRIAS BIDIMENSIONAIS CONTÍNUAS 37
R1 R 1/2 2 2 R1 2
E(X 2 ) = 0
x2
f X (x)dx = 0
x 8x dx + 1/2
x 8x(1 − x)dx
¯ 1/2 ¯ 1 ¯ 1
x5 ¯ x4 ¯ x5 ¯
= 8 ¯¯ + 8 ¯¯ − 8 ¯¯
5 0 4 1/2 5 1/2
8 5 ¯¯1/2 ¯1 8 ¯1
= x 0 + 2 x4 ¯1/2 − x5 ¯1/2
5 µ ¶5 µ ¶
8 1 1 8 1
= · +2 1− − 1−
5 32 16 5 32
1 15 31 15 30 15 3 15 − 12 3
= + − = − = − = =
20 8 20 8 20 8 2 8 8
Logo, µ ¶2
3 7 3 49 54 − 49 5
V ar(X) = − = − = =
8 12 8 144 144 144
5. Note que fX|Y (x|y) é uma função de x; para cada y ∈ (0; 1/2), temos uma distribuição
condicional diferente
f (x, y) 8x 2x
fX|Y (x|y) = = = 0<x<1
fY (y) 4(1 − 2y) 1 − 2y
6. Note que E(X|Y = y) é uma função de y! Para cada y, vimos que x varia de y a 1 − y; logo
µ 3 ¶¯1−y
R R 1−y
2x 1 2x ¯¯
E(X|Y = y) = xfX|Y (x|y) = y x dx = ·
1 − 2y 1 − 2y 3 ¯y
2 £ ¤ 2 (1 − 3y + 3y 2 − 2y 3 )
= · (1 − y)3 − y 3 = = h(y)
3(1 − 2y) 3(1 − 2y)
8. Note que fY |X (y|x) é uma função de x; para cada x ∈ (0; 1), temos uma distribuição condi-
cional diferente. Mas aqui fX (x) é definida por duas expressões diferentes, uma para cada
um dos intervalos (0; 1/2] e (1/2; 1). Logo, a condicional fY |X (y|x) também será definida por
duas expressões.
Para x ∈ (0; 1/2]
f(x, y) 8x 1
fY |X (y|x) = = 2 =
fX (x) 8x x
Para x ∈ (1/2; 1)
f (x, y) 8x 1
fY |X (y|x) = = =
fX (x) 8x(1 − x) 1−x
Logo, ½ 1
x
0 < y < 1/2; 0 < x ≤ 1/2
fY |X (y|x) = 1
1−x
0 < y < 1/2; 1/2 < x < 1
Como a densidade é definida por duas expressões, o mesmo ocorrerá com E(Y |X = x).
Para x ∈ (0; 1/2], vimos que y varia de 0 até x; logo
¯x
Rx 1 1 y 2 ¯¯ x
E(Y |X = x) = 0 y dy = ¯ =
x x 2 0 2
Logo ½ x
2
0 < x ≤ 1/2
E(Y |X = x) = h(x) = 1−x
2
1/2 < x < 1
Z
1/2 µ ¶¯1−y
x3 ¯¯
= 8 y dy
3 ¯y
0
Z
1/2
8 £ ¤
= y (1 − y)3 − y 3 dy
3
0
Z
1/2
8 ¡ ¢
= y 1 − 3y + 3y 2 − 2y 3 dy
3
0
∙ ¸1/2
8 y2 3 3 4 2 5
= −y + y − y
3 2 4 5 0
µ ¶
8 1 1 3 1 2 1
= − + · − ·
3 8 8 4 16 5 32
1 1
= −
8 30
15 − 4 11
= =
120 120
Logo,
11 7 1 11 7 33 − 35 2 1
Cov(X, Y ) = − · = 3 − 3 2 = 3 2 =− 3 2 =−
120 12 6 2 ·5·3 2 ·3 2 · 3 .5 2 · 3 .5 180
e vimos que E(X) = μ e V ar(X) = σ 2 . Vamos ver agora o caso da normal bidimensional.
CAPÍTULO 2. VARIÁVEIS ALEATÓRIAS BIDIMENSIONAIS CONTÍNUAS 41
O termo entre o primeiro par de colchetes é da forma a2 − 2ab + b2 ; logo, podemos escrever
(∙µ ¶ µ ¶¸ " µ ¶2 #)
1 x − μx y − μy 2 ¡ ¢ y − μy
A = −ρ + 1 − ρ2 =
1 − ρ2 σx σy σy
∙µ ¶ µ ¶¸ µ ¶
1 x − μx y − μy 2 y − μy 2
= −ρ + =
1 − ρ2 σx σy σy
" ¡ ¢ #2 µ ¶
1 (x − μx ) σ y − ρσ x y − μy y − μy 2
= + =
1 − ρ2 σx σy σy
∙ ¸ µ ¶
1 σx ¡ ¢ 2 y − μy 2
= x − μx − ρ y − μy +
(1 − ρ2 ) σ 2x σy σy
Então, podemos escrever a densidade conjunta como
( ∙ ¸ µ ¶)
1 1 1 σx ¡ ¢ 2 1 y − μy 2
f(x, y) = p exp − x − μx − ρ y − μy −
2πσ x σ y 1 − ρ2 2 (1 − ρ2 ) σ 2x σy 2 σy
( ∙ ¸ ) " µ ¶2 #
1 1 1 σx ¡ ¢ 2 1 y − μy
= p p exp − x − μx − ρ y − μy exp −
2πσ 2y 2πσ 2x (1 − ρ2 ) 2 (1 − ρ2 ) σ 2x σy 2 σy
onde
σy
η(x) = μy + ρ (x − μx ) (2.14)
σy
2
¡ ¢
ζ = 1 − ρ σ 2y
2
Mas o integrando é a função de densidade de uma variável aleatória normal com média η(y) (que
não depende de x) e variância ξ 2 (uma constante): compare o integrando com a função de densidade
N(μ; σ 2 ) dada em (2.8). Logo, essa integral é igual a 1,pelas propriedades da função de densidade
e isso nos dá " µ ¶2 #
1 1 y − μy
fY (y) = p exp −
2πσ 2y 2 σy
que é a expressão da densidade normal com média μy e variância σ 2y .
Por simetria (note a simetria de x e y na função de densidade conjunta), ou usando a expressão
(2.13), concluímos que fX (x) é normal com média μx e variância σ 2x .
CAPÍTULO 2. VARIÁVEIS ALEATÓRIAS BIDIMENSIONAIS CONTÍNUAS 43
Analisando a expressão que define η(y) e ξ, podemos ver que ξ é constante e η(y) depende apenas
de y. Assim,
⎧ " ⎫
Z ⎨
+∞ µ ¶2 # +∞
Z ∙ ¸ ⎬
1 1 y − μy 1 1 2
E(XY ) = yp exp − x p exp − 2 (x − η(y)) dx dy
⎩ 2
2πσ y 2 σ y 2πξ 2 2ξ ⎭
−∞ −∞
Note a integral com relação a x : por definição, ela é a esperança de uma densidade normal com
σx ¡ ¢
média η(y), ou seja, a integral com relação a x é η(y) = μx + ρ y − μy . Logo,
σy
Z (
+∞ " µ ¶2 # ∙ ¸)
1 1 y − μy σx ¡ ¢
E(XY ) = yp exp − μx + ρ y − μy dy
2πσ 2y 2 σy σy
−∞
Z
+∞ ∙ ¸
σx ¡ ¢
= y μx + ρ y − μy fY (y)dy
σy
−∞
Z
+∞ Z
+∞
σx ¡ ¢
= μx yfY (y)dy + ρ y y − μy fY (y)dy
σy
−∞ −∞
Z
+∞ Z
+∞
σx ¡ 2 ¢
= μx yfY (y)dy + ρ y − yμy fY (y)dy
σy
−∞ −∞
Z
+∞
¡ 2 ¢
y − yμy fY (y)dy = E(Y 2 − μy Y ) = E(Y 2 ) − μy E(Y )
−∞
Cov(X, Y )
Finalmente, como a correlação é igual a , resulta que, se (X, Y ) tem distribuição
σxσy
normal bidimensional, então
ρ = Corr(X, Y )
Dessa forma, os parâmetros da distribuição normal bidimensional são μx , μy (médias das marginais),
σ 2x , σ 2y (variâncias das marginais) e ρ (correlação entre X e Y ).
f(x, y)
fY |X (y|x) =
fX (x)
1 ¡ ¢
p exp − 12 A
2πσ x σ y 1 − ρ2
= ∙ ¸
1 1 2
p exp − 2 (x − μx )
2πσ 2x 2σ x
∙ ¸
1 1 1 2
= √ p exp − A + 2 (x − μx )
2πσ y 1 − ρ2 2 2σ x
∙ µ ¶¸
1 1 1 2
= p exp − A − 2 (x − μx )
σ y 2π(1 − ρ2 ) 2 σx
Vamos trabalhar o termo que aparece entre parênteses na exponencial, somando e subtraindo
CAPÍTULO 2. VARIÁVEIS ALEATÓRIAS BIDIMENSIONAIS CONTÍNUAS 45
Logo,
( ∙ ¸2 )
1 1 1 σy
fY |X (y|x) = p exp − 2 y − μy − ρ (x − μx )
σ y 2π(1 − ρ2 ) 2 σ y (1 − ρ2 ) σx
e ¡ ¢
X|Y = y ∼ N ηy ; ξ 2
onde
σx ¡ ¢
ηy = μx + ρ y − μy
σy
2
¡ ¢
ξ = 1 − ρ2 σ 2x
Note que
σy
h(x) = E(Y |X = x) = μy + ρ (x − μx )
σx
σx ¡ ¢
g(y) = E(X|Y = y) = μx + ρ y − μy
σy
e ambas são funções lineares.
CAPÍTULO 2. VARIÁVEIS ALEATÓRIAS BIDIMENSIONAIS CONTÍNUAS 47
2. Seja (X, Y ) um vetor aleatório cuja função de densidade é constante na região A ⊂ R2 definida
por A = {(x, y) | 0 < x < 1; x + y < 1}. Determine
(g) Calcule P (X ≤ 1)
5. Seja X o tempo (em segundos) necessário para um corredor completar os primeiros 500 metros
de uma corrida e seja Y o tempo (em segundos) necessário para ele completar os próximos
500 metros na mesma corrida. Suponha que (X, Y ) tenha distribuição normal bivariada com
os seguintes parâmetros:
μX = 59
μY = 60
σX = σY = 1
ρ = 0, 5.
Tabela 1
Tabela da Distribuição Acumulada da Normal Padrão
Valores de p
p = Φ ( z ) = Pr( Z ≤ z )
a
Casa inteira 2 decimal
a
e 1 . Decimal 0 1 2 3 4 5 6 7 8 9
0,0 0,50000 0,50399 0,50798 0,51197 0,51595 0,51994 0,52392 0,52790 0,53188 0,53586
0,1 0,53983 0,54380 0,54776 0,55172 0,55567 0,55962 0,56356 0,56749 0,57142 0,57535
0,2 0,57926 0,58317 0,58706 0,59095 0,59483 0,59871 0,60257 0,60642 0,61026 0,61409
0,3 0,61791 0,62172 0,62552 0,62930 0,63307 0,63683 0,64058 0,64431 0,64803 0,65173
0,4 0,65542 0,65910 0,66276 0,66640 0,67003 0,67364 0,67724 0,68082 0,68439 0,68793
0,5 0,69146 0,69497 0,69847 0,70194 0,70540 0,70884 0,71226 0,71566 0,71904 0,72240
0,6 0,72575 0,72907 0,73237 0,73565 0,73891 0,74215 0,74537 0,74857 0,75175 0,75490
0,7 0,75804 0,76115 0,76424 0,76730 0,77035 0,77337 0,77637 0,77935 0,78230 0,78524
0,8 0,78814 0,79103 0,79389 0,79673 0,79955 0,80234 0,80511 0,80785 0,81057 0,81327
0,9 0,81594 0,81859 0,82121 0,82381 0,82639 0,82894 0,83147 0,83398 0,83646 0,83891
1,0 0,84134 0,84375 0,84614 0,84849 0,85083 0,85314 0,85543 0,85769 0,85993 0,86214
1,1 0,86433 0,86650 0,86864 0,87076 0,87286 0,87493 0,87698 0,87900 0,88100 0,88298
1,2 0,88493 0,88686 0,88877 0,89065 0,89251 0,89435 0,89617 0,89796 0,89973 0,90147
1,3 0,90320 0,90490 0,90658 0,90824 0,90988 0,91149 0,91309 0,91466 0,91621 0,91774
1,4 0,91924 0,92073 0,92220 0,92364 0,92507 0,92647 0,92785 0,92922 0,93056 0,93189
1,5 0,93319 0,93448 0,93574 0,93699 0,93822 0,93943 0,94062 0,94179 0,94295 0,94408
1,6 0,94520 0,94630 0,94738 0,94845 0,94950 0,95053 0,95154 0,95254 0,95352 0,95449
1,7 0,95543 0,95637 0,95728 0,95818 0,95907 0,95994 0,96080 0,96164 0,96246 0,96327
1,8 0,96407 0,96485 0,96562 0,96638 0,96712 0,96784 0,96856 0,96926 0,96995 0,97062
1,9 0,97128 0,97193 0,97257 0,97320 0,97381 0,97441 0,97500 0,97558 0,97615 0,97670
2,0 0,97725 0,97778 0,97831 0,97882 0,97932 0,97982 0,98030 0,98077 0,98124 0,98169
2,1 0,98214 0,98257 0,98300 0,98341 0,98382 0,98422 0,98461 0,98500 0,98537 0,98574
2,2 0,98610 0,98645 0,98679 0,98713 0,98745 0,98778 0,98809 0,98840 0,98870 0,98899
2,3 0,98928 0,98956 0,98983 0,99010 0,99036 0,99061 0,99086 0,99111 0,99134 0,99158
2,4 0,99180 0,99202 0,99224 0,99245 0,99266 0,99286 0,99305 0,99324 0,99343 0,99361
2,5 0,99379 0,99396 0,99413 0,99430 0,99446 0,99461 0,99477 0,99492 0,99506 0,99520
2,6 0,99534 0,99547 0,99560 0,99573 0,99585 0,99598 0,99609 0,99621 0,99632 0,99643
2,7 0,99653 0,99664 0,99674 0,99683 0,99693 0,99702 0,99711 0,99720 0,99728 0,99736
2,8 0,99744 0,99752 0,99760 0,99767 0,99774 0,99781 0,99788 0,99795 0,99801 0,99807
2,9 0,99813 0,99819 0,99825 0,99831 0,99836 0,99841 0,99846 0,99851 0,99856 0,99861
3,0 0,99865 0,99869 0,99874 0,99878 0,99882 0,99886 0,99889 0,99893 0,99896 0,99900
3,1 0,99903 0,99906 0,99910 0,99913 0,99916 0,99918 0,99921 0,99924 0,99926 0,99929
3,2 0,99931 0,99934 0,99936 0,99938 0,99940 0,99942 0,99944 0,99946 0,99948 0,99950
3,3 0,99952 0,99953 0,99955 0,99957 0,99958 0,99960 0,99961 0,99962 0,99964 0,99965
3,4 0,99966 0,99968 0,99969 0,99970 0,99971 0,99972 0,99973 0,99974 0,99975 0,99976
3,5 0,99977 0,99978 0,99978 0,99979 0,99980 0,99981 0,99981 0,99982 0,99983 0,99983
3,6 0,99984 0,99985 0,99985 0,99986 0,99986 0,99987 0,99987 0,99988 0,99988 0,99989
3,7 0,99989 0,99990 0,99990 0,99990 0,99991 0,99991 0,99992 0,99992 0,99992 0,99992
3,8 0,99993 0,99993 0,99993 0,99994 0,99994 0,99994 0,99994 0,99995 0,99995 0,99995
3,9 0,99995 0,99995 0,99996 0,99996 0,99996 0,99996 0,99996 0,99996 0,99997 0,99997
4,0 0,99997 0,99997 0,99997 0,99997 0,99997 0,99997 0,99998 0,99998 0,99998 0,99998
Tabela 2
Distribuição normal padrão
Valores de p
p = Pr(0 ≤ Z ≤ z )
a
Casa inteira 2 decimal
a
e 1 . Decimal 0 1 2 3 4 5 6 7 8 9
0,0 0,00000 0,00399 0,00798 0,01197 0,01595 0,01994 0,02392 0,02790 0,03188 0,03586
0,1 0,03983 0,04380 0,04776 0,05172 0,05567 0,05962 0,06356 0,06749 0,07142 0,07535
0,2 0,07926 0,08317 0,08706 0,09095 0,09483 0,09871 0,10257 0,10642 0,11026 0,11409
0,3 0,11791 0,12172 0,12552 0,12930 0,13307 0,13683 0,14058 0,14431 0,14803 0,15173
0,4 0,15542 0,15910 0,16276 0,16640 0,17003 0,17364 0,17724 0,18082 0,18439 0,18793
0,5 0,19146 0,19497 0,19847 0,20194 0,20540 0,20884 0,21226 0,21566 0,21904 0,22240
0,6 0,22575 0,22907 0,23237 0,23565 0,23891 0,24215 0,24537 0,24857 0,25175 0,25490
0,7 0,25804 0,26115 0,26424 0,26730 0,27035 0,27337 0,27637 0,27935 0,28230 0,28524
0,8 0,28814 0,29103 0,29389 0,29673 0,29955 0,30234 0,30511 0,30785 0,31057 0,31327
0,9 0,31594 0,31859 0,32121 0,32381 0,32639 0,32894 0,33147 0,33398 0,33646 0,33891
1,0 0,34134 0,34375 0,34614 0,34849 0,35083 0,35314 0,35543 0,35769 0,35993 0,36214
1,1 0,36433 0,36650 0,36864 0,37076 0,37286 0,37493 0,37698 0,37900 0,38100 0,38298
1,2 0,38493 0,38686 0,38877 0,39065 0,39251 0,39435 0,39617 0,39796 0,39973 0,40147
1,3 0,40320 0,40490 0,40658 0,40824 0,40988 0,41149 0,41309 0,41466 0,41621 0,41774
1,4 0,41924 0,42073 0,42220 0,42364 0,42507 0,42647 0,42785 0,42922 0,43056 0,43189
1,5 0,43319 0,43448 0,43574 0,43699 0,43822 0,43943 0,44062 0,44179 0,44295 0,44408
1,6 0,44520 0,44630 0,44738 0,44845 0,44950 0,45053 0,45154 0,45254 0,45352 0,45449
1,7 0,45543 0,45637 0,45728 0,45818 0,45907 0,45994 0,46080 0,46164 0,46246 0,46327
1,8 0,46407 0,46485 0,46562 0,46638 0,46712 0,46784 0,46856 0,46926 0,46995 0,47062
1,9 0,47128 0,47193 0,47257 0,47320 0,47381 0,47441 0,47500 0,47558 0,47615 0,47670
2,0 0,47725 0,47778 0,47831 0,47882 0,47932 0,47982 0,48030 0,48077 0,48124 0,48169
2,1 0,48214 0,48257 0,48300 0,48341 0,48382 0,48422 0,48461 0,48500 0,48537 0,48574
2,2 0,48610 0,48645 0,48679 0,48713 0,48745 0,48778 0,48809 0,48840 0,48870 0,48899
2,3 0,48928 0,48956 0,48983 0,49010 0,49036 0,49061 0,49086 0,49111 0,49134 0,49158
2,4 0,49180 0,49202 0,49224 0,49245 0,49266 0,49286 0,49305 0,49324 0,49343 0,49361
2,5 0,49379 0,49396 0,49413 0,49430 0,49446 0,49461 0,49477 0,49492 0,49506 0,49520
2,6 0,49534 0,49547 0,49560 0,49573 0,49585 0,49598 0,49609 0,49621 0,49632 0,49643
2,7 0,49653 0,49664 0,49674 0,49683 0,49693 0,49702 0,49711 0,49720 0,49728 0,49736
2,8 0,49744 0,49752 0,49760 0,49767 0,49774 0,49781 0,49788 0,49795 0,49801 0,49807
2,9 0,49813 0,49819 0,49825 0,49831 0,49836 0,49841 0,49846 0,49851 0,49856 0,49861
3,0 0,49865 0,49869 0,49874 0,49878 0,49882 0,49886 0,49889 0,49893 0,49896 0,49900
3,1 0,49903 0,49906 0,49910 0,49913 0,49916 0,49918 0,49921 0,49924 0,49926 0,49929
3,2 0,49931 0,49934 0,49936 0,49938 0,49940 0,49942 0,49944 0,49946 0,49948 0,49950
3,3 0,49952 0,49953 0,49955 0,49957 0,49958 0,49960 0,49961 0,49962 0,49964 0,49965
3,4 0,49966 0,49968 0,49969 0,49970 0,49971 0,49972 0,49973 0,49974 0,49975 0,49976
3,5 0,49977 0,49978 0,49978 0,49979 0,49980 0,49981 0,49981 0,49982 0,49983 0,49983
3,6 0,49984 0,49985 0,49985 0,49986 0,49986 0,49987 0,49987 0,49988 0,49988 0,49989
3,7 0,49989 0,49990 0,49990 0,49990 0,49991 0,49991 0,49992 0,49992 0,49992 0,49992
3,8 0,49993 0,49993 0,49993 0,49994 0,49994 0,49994 0,49994 0,49995 0,49995 0,49995
3,9 0,49995 0,49995 0,49996 0,49996 0,49996 0,49996 0,49996 0,49996 0,49997 0,49997
4,0 0,49997 0,49997 0,49997 0,49997 0,49997 0,49997 0,49998 0,49998 0,49998 0,49998
Tabela 3
Tabela da Qui-Quadrado
Valores críticos tais que
(
Pr χ n2 ≥ χ n2;α = α) χ n2;α
g.l.
α =
n 0,990 0,980 0,975 0,950 0,900 0,800 0,200 0,100 0,050 0,025 0,020 0,010
1 0,000 0,001 0,001 0,004 0,016 0,064 1,642 2,706 3,841 5,024 5,412 6,635
2 0,020 0,040 0,051 0,103 0,211 0,446 3,219 4,605 5,991 7,378 7,824 9,210
3 0,115 0,185 0,216 0,352 0,584 1,005 4,642 6,251 7,815 9,348 9,837 11,345
4 0,297 0,429 0,484 0,711 1,064 1,649 5,989 7,779 9,488 11,143 11,668 13,277
5 0,554 0,752 0,831 1,145 1,610 2,343 7,289 9,236 11,070 12,833 13,388 15,086
6 0,872 1,134 1,237 1,635 2,204 3,070 8,558 10,645 12,592 14,449 15,033 16,812
7 1,239 1,564 1,690 2,167 2,833 3,822 9,803 12,017 14,067 16,013 16,622 18,475
8 1,646 2,032 2,180 2,733 3,490 4,594 11,030 13,362 15,507 17,535 18,168 20,090
9 2,088 2,532 2,700 3,325 4,168 5,380 12,242 14,684 16,919 19,023 19,679 21,666
10 2,558 3,059 3,247 3,940 4,865 6,179 13,442 15,987 18,307 20,483 21,161 23,209
11 3,053 3,609 3,816 4,575 5,578 6,989 14,631 17,275 19,675 21,920 22,618 24,725
12 3,571 4,178 4,404 5,226 6,304 7,807 15,812 18,549 21,026 23,337 24,054 26,217
13 4,107 4,765 5,009 5,892 7,042 8,634 16,985 19,812 22,362 24,736 25,472 27,688
14 4,660 5,368 5,629 6,571 7,790 9,467 18,151 21,064 23,685 26,119 26,873 29,141
15 5,229 5,985 6,262 7,261 8,547 10,307 19,311 22,307 24,996 27,488 28,259 30,578
16 5,812 6,614 6,908 7,962 9,312 11,152 20,465 23,542 26,296 28,845 29,633 32,000
17 6,408 7,255 7,564 8,672 10,085 12,002 21,615 24,769 27,587 30,191 30,995 33,409
18 7,015 7,906 8,231 9,390 10,865 12,857 22,760 25,989 28,869 31,526 32,346 34,805
19 7,633 8,567 8,907 10,117 11,651 13,716 23,900 27,204 30,144 32,852 33,687 36,191
20 8,260 9,237 9,591 10,851 12,443 14,578 25,038 28,412 31,410 34,170 35,020 37,566
21 8,897 9,915 10,283 11,591 13,240 15,445 26,171 29,615 32,671 35,479 36,343 38,932
22 9,542 10,600 10,982 12,338 14,041 16,314 27,301 30,813 33,924 36,781 37,659 40,289
23 10,196 11,293 11,689 13,091 14,848 17,187 28,429 32,007 35,172 38,076 38,968 41,638
24 10,856 11,992 12,401 13,848 15,659 18,062 29,553 33,196 36,415 39,364 40,270 42,980
25 11,524 12,697 13,120 14,611 16,473 18,940 30,675 34,382 37,652 40,646 41,566 44,314
26 12,198 13,409 13,844 15,379 17,292 19,820 31,795 35,563 38,885 41,923 42,856 45,642
27 12,879 14,125 14,573 16,151 18,114 20,703 32,912 36,741 40,113 43,195 44,140 46,963
28 13,565 14,847 15,308 16,928 18,939 21,588 34,027 37,916 41,337 44,461 45,419 48,278
29 14,256 15,574 16,047 17,708 19,768 22,475 35,139 39,087 42,557 45,722 46,693 49,588
30 14,953 16,306 16,791 18,493 20,599 23,364 36,250 40,256 43,773 46,979 47,962 50,892 ]
CAPÍTULO 2. VARIÁVEIS ALEATÓRIAS BIDIMENSIONAIS CONTÍNUAS 52
Tabela 4
g.l.
n 30,0% 20,0% 10,0% 5,0% 4,0% 2,5% 2,0% 1,0% 0,5% 0,1% 0,05%
1 0,727 1,376 3,078 6,314 7,916 12,706 15,895 31,821 63,657 318,309 636,619
2 0,617 1,061 1,886 2,920 3,320 4,303 4,849 6,965 9,925 22,327 31,599
3 0,584 0,978 1,638 2,353 2,605 3,182 3,482 4,541 5,841 10,215 12,924
4 0,569 0,941 1,533 2,132 2,333 2,776 2,999 3,747 4,604 7,173 8,610
5 0,559 0,920 1,476 2,015 2,191 2,571 2,757 3,365 4,032 5,893 6,869
6 0,553 0,906 1,440 1,943 2,104 2,447 2,612 3,143 3,707 5,208 5,959
7 0,549 0,896 1,415 1,895 2,046 2,365 2,517 2,998 3,499 4,785 5,408
8 0,546 0,889 1,397 1,860 2,004 2,306 2,449 2,896 3,355 4,501 5,041
9 0,543 0,883 1,383 1,833 1,973 2,262 2,398 2,821 3,250 4,297 4,781
10 0,542 0,879 1,372 1,812 1,948 2,228 2,359 2,764 3,169 4,144 4,587
11 0,540 0,876 1,363 1,796 1,928 2,201 2,328 2,718 3,106 4,025 4,437
12 0,539 0,873 1,356 1,782 1,912 2,179 2,303 2,681 3,055 3,930 4,318
13 0,538 0,870 1,350 1,771 1,899 2,160 2,282 2,650 3,012 3,852 4,221
14 0,537 0,868 1,345 1,761 1,887 2,145 2,264 2,624 2,977 3,787 4,140
15 0,536 0,866 1,341 1,753 1,878 2,131 2,249 2,602 2,947 3,733 4,073
16 0,535 0,865 1,337 1,746 1,869 2,120 2,235 2,583 2,921 3,686 4,015
17 0,534 0,863 1,333 1,740 1,862 2,110 2,224 2,567 2,898 3,646 3,965
18 0,534 0,862 1,330 1,734 1,855 2,101 2,214 2,552 2,878 3,610 3,922
19 0,533 0,861 1,328 1,729 1,850 2,093 2,205 2,539 2,861 3,579 3,883
20 0,533 0,860 1,325 1,725 1,844 2,086 2,197 2,528 2,845 3,552 3,850
21 0,532 0,859 1,323 1,721 1,840 2,080 2,189 2,518 2,831 3,527 3,819
22 0,532 0,858 1,321 1,717 1,835 2,074 2,183 2,508 2,819 3,505 3,792
23 0,532 0,858 1,319 1,714 1,832 2,069 2,177 2,500 2,807 3,485 3,768
24 0,531 0,857 1,318 1,711 1,828 2,064 2,172 2,492 2,797 3,467 3,745
25 0,531 0,856 1,316 1,708 1,825 2,060 2,167 2,485 2,787 3,450 3,725
26 0,531 0,856 1,315 1,706 1,822 2,056 2,162 2,479 2,779 3,435 3,707
27 0,531 0,855 1,314 1,703 1,819 2,052 2,158 2,473 2,771 3,421 3,690
28 0,530 0,855 1,313 1,701 1,817 2,048 2,154 2,467 2,763 3,408 3,674
29 0,530 0,854 1,311 1,699 1,814 2,045 2,150 2,462 2,756 3,396 3,659
30 0,530 0,854 1,310 1,697 1,812 2,042 2,147 2,457 2,750 3,385 3,646