You are on page 1of 55

i

UNIVERSIDADE FEDERAL FLUMINENSE


CENTRO DE ESTUDOS GERAIS
INSTITUTO DE MATEMTICA

DEPARTAMENTO DE ESTATSTICA

VARIVEIS ALEATRIAS BIDIMENSIONAIS

Ana Maria Lima de Farias

Abril 2009

Contedo
1 Variveis Aleatrias Bidimensionais Discretas
1.1 Exemplo (Bussab,Morettin) . . . . . . . . . . . . . . . . .
1.1.1 Distribuies conjuntas . . . . . . . . . . . . . . . .
1.1.2 Distribuies marginais . . . . . . . . . . . . . . . .
1.1.3 Distribuies condicionais . . . . . . . . . . . . . .
1.2 Definies . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2.1 Vetor aleatrio bidimensional discreto . . . . . . . .
1.2.2 Funo de distribuio de probabilidade . . . . . .
1.2.3 Distribuies marginais . . . . . . . . . . . . . . . .
1.2.4 Distribuies condicionais . . . . . . . . . . . . . .
1.2.5 Esperana condicional . . . . . . . . . . . . . . . .
1.3 Independncia de variveis aleatrias . . . . . . . . . . . .
1.3.1 Exemplo (continuao) . . . . . . . . . . . . . . . .
1.4 Funes de variveis aleatrias . . . . . . . . . . . . . . . .
1.4.1 Exemplo (continuao) . . . . . . . . . . . . . . . .
1.5 Covarincia . . . . . . . . . . . . . . . . . . . . . . . . . .
1.5.1 Propriedades da covarincia . . . . . . . . . . . . .
1.5.2 Interpretao da covarincia . . . . . . . . . . . . .
1.5.3 Independncia e covarincia de variveis aleatrias .
1.6 Coeficiente de correlao . . . . . . . . . . . . . . . . . . .
1.7 Exerccios propostos . . . . . . . . . . . . . . . . . . . . .

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

1
1
2
3
3
4
4
5
5
6
6
9
9
10
10
11
12
13
13
14
16

2 Variveis Aleatrias Bidimensionais Contnuas


2.1 Funo de densidade conjunta . . . . . . . . . . . . . . . . .
2.1.1 Exemplo . . . . . . . . . . . . . . . . . . . . . . . . .
2.1.2 Exemplo (Exerccio 18, p. 220 - Bussab & Morettin)
2.2 Densidades marginais . . . . . . . . . . . . . . . . . . . . . .
2.2.1 Exemplo 2.1.1 (continuao) . . . . . . . . . . . . . .
2.2.2 Exemplo 2.1.2 (continuao) . . . . . . . . . . . . . .
2.3 Distribuies e esperanas condicionais . . . . . . . . . . . .
2.3.1 Exemplo 2.1.1 (continuao) . . . . . . . . . . . . . .
2.3.2 Exemplo 2.1.2 (continuao) . . . . . . . . . . . . . .
2.4 Independncia de variveis aleatrias contnuas . . . . . . .
2.5 Funes de variveis aleatrias contnuas . . . . . . . . . . .
2.5.1 Exemplo . . . . . . . . . . . . . . . . . . . . . . . . .

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

18
18
18
20
21
21
22
23
24
25
25
25
26

ii

CONTEDO
2.6 Covarincia e correlao . . . . . . .
2.7 A distribuio t de Student . . . . .
2.7.1 Tabela da t-Student . . . . .
2.7.2 Exemplos . . . . . . . . . . .
2.7.3 Exerccios . . . . . . . . . . .
2.8 Exemplo . . . . . . . . . . . . . . . .
2.9 A distribuio normal bidimensional
2.9.1 Funo de densidade . . . . .
2.9.2 Densidades Marginais . . . . .
2.9.3 Covarincia e Correlao . . .
2.9.4 Distribuies Condicionais . .
2.9.5 Resumo dos resultados . . . .
2.10 Exerccios propostos . . . . . . . . .

iii
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.

27
27
31
31
32
32
40
41
42
43
44
46
47

Captulo 1
Variveis Aleatrias Bidimensionais
Discretas
1.1

Exemplo (Bussab,Morettin)

Em muitas situaes, comum que um experimento aleatrio gere mais de uma varivel de interesse.
Consideremos, por exemplo, um estudo da composio de famlias com 3 filhos quanto ao sexo das
crianas.
Podemos definir as seguintes variveis:
X = nmero de meninos
1 se 1o filho homem
Y =
0 caso contrrio
Z = nmero de vezes que houve variao de sexo entre nascimentos consecutivos
Suponhamos que a probabilidade de nascer homem ou mulher seja igual a 12 , ou seja, que todas
as composies de famlia tenham a mesma probabilidade. Ento, os possveis resultados e os
valores das variveis so os apresentados na tabela a seguir:
Evento X
HHH
3
HHM 2
HMH 2
MHH 2
HMM 1
MHM 1
MMH 1
MMM 0

Y
1
1
1
0
1
0
0
0

Z
0
1
2
1
1
2
1
0

Pr
1/8
1/8
1/8
1/8
1/8
1/8
1/8
1/8

A partir desses resultados obtemos as seguintes distribuies de probabilidades para as variveis


aleatrias X, Y , Z:

CAPTULO 1. VARIVEIS ALEATRIAS BIDIMENSIONAIS DISCRETAS

X :

x 0
1
2
3
p 1/8 3/8 3/8 1/8

y
0
1
p 1/2 1/2

Z :

1.1.1

E(X) =
E(Y ) =

z
0
1
2
p 1/4 1/2 1/4

1
2

E(Z) = 1

3
2

E(X 2 ) = 3
1
2
3
E(Z 2 ) =
2

E(Y 2 ) =

Var(X) =

3
4

1
4
1
Var(Z) =
2

Var(Y ) =

Distribuies conjuntas

Vamos analisar agora a distribuio conjunta de 2 dessas variveis, ou seja, queremos analisar,
por exemplo, a probabilidade de X ser igual a 1 e Y ser igual a 0, simultamente. Vamos calcular
essas probabilidades e apresent-las em forma de tabela de dupla entrada, como fizemos no caso de
tabelas de freqncia bivariada.
X
(X, Y ) :

0
1
2
3
0 1/8 2/8 1/8 0
1
0 1/8 2/8 1/8
pX (x) 1/8 3/8 3/8 1/8
Y

pY (y)
1/2
1/2
1

X
(X, Z) :

(Y, Z) :

0
1
2
3 pZ (z)
0 1/8 0
0 1/8 2/8
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 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 trs variveis, 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

CAPTULO 1. VARIVEIS ALEATRIAS BIDIMENSIONAIS DISCRETAS

1.1.2

Distribuies marginais

A partir da distribuio conjunta de (X, Y ), como podemos obter a distribuio de X? E de Y ?


Note que, em termos dessa distribuio conjunta, o evento {X = 0} pode ser escrito como:
{X = 0} = {X = 0 Y = 0} {X = 0 Y = 1}
e como estes so eventos mutuamente exclusivos, resulta
Pr(X = 0) = Pr(X = 0, Y = 0) + Pr(X = 0, Y = 1) =

1
1
+0=
8
8

Pr(X = 1) = Pr(X = 1, Y = 0) + Pr(X = 1, Y = 1) =

3
2 1
+ =
8 8
8

Analogamente,

1 2
3
+ =
8 8
8
1
1
Pr(X = 3) = Pr(X = 3, Y = 0) + Pr(X = 3, Y = 1) = 0 + =
8
8
Para a distribuio de Y temos:
Pr(X = 2) = Pr(X = 2, Y = 0) + Pr(X = 2, Y = 1) =

Pr(Y = 0) = Pr(X = 0, Y = 0) + Pr(X = 1, Y = 0) + Pr(X = 2, Y = 0)


4 1
1 2 1
+ Pr(X = 3, Y = 0) = + + + 0 = =
8 8 8
8 2
Pr(Y = 1) = Pr(X = 0, Y = 1) + Pr(X = 1, Y = 1) + Pr(X = 2, Y = 1)
4 1
1 2 1
+ Pr(X = 3, Y = 1) = 0 + + + = =
8 8 8
8 2
De maneira anloga, podemos obter a distribuio de Y a partir da distribuio conjunta de
(Y, Z) , por exemplo e, obviamente, obteremos o mesmo resultado.

1.1.3

Distribuies condicionais

A partir da distribuio conjunta de (X, Y ) pode-se obter a distribuio condicional de X, ou seja,


as probabilidades condicionais de cada valor de X, condicionada a um determinado valor de Y .
Aplicando a definio de probabilidade condicional, temos que:

Pr(X = 0, Y = 0)
1/8
1

Pr(X = 0 | Y = 0) =

=
=

Pr(Y = 0)
1/2
4

2/8
1
Pr(X
=
1,
Y
=
0)

=
=
Pr(X = 1 | Y = 0) =
Pr(Y = 0)
1/2
2
X|Y = 0 :
Pr(X
=
2,
Y
=
0)
1/8
1

Pr(X = 2 | Y = 0) =
=
=

Pr(Y = 0)
1/2
4

0
Pr(X
=
3,
Y
=
0)

=
=0
Pr(X = 3 | Y = 0) =
Pr(Y = 0)
1/2

CAPTULO 1. VARIVEIS ALEATRIAS BIDIMENSIONAIS DISCRETAS

Logo, a distribuio condicional de X dado que Y = 0 :


X|Y = 0 :

x 0
1
2 3
p 1/4 1/2 1/4 0

Sendo uma distribuio de probabilidades, podemos calcular sua esperana e sua varincia:
E(X | Y
E(X 2 | Y
Var(X | Y

1
1
1
+1 +2 +30=1
4
2
4
x
P 2
1
1
1
3
= 0) = x Pr(X = x|Y = 0) = 02 + 12 + 22 + 32 0 =
4
2
4
2
x
3
1
= 0) = E(X 2 | Y = 0) [E(X | Y = 0)]2 = 12 =
2
2
= 0) =

x Pr(X = x|Y = 0) = 0

Analogamente, obtm-se a distribuio de X dado que Y = 1 ou a distribuio de Y dado que


X = 0, por exemplo:

Pr(X = 0, Y = 0)
1/8

=
=1
Pr(Y = 0 | X = 0) =
Pr(X
=
0)
1/8
Y |X = 0 :
0
Pr(X = 0, Y = 1)

=
=0
Pr(Y = 1 | X = 0) =
Pr(X = 0)
1/8
y 0 1
p 1 0

Y |X = 0 :

E(Y | X = 0) = 0

E(Y 2 | X = 0) = 0

Var(Y | X = 0) = 0

ou ento:

Y |X = 1 :

Pr(X = 1, Y = 0)
2/8
2

=
=
Pr(Y = 0 | X = 1) =
Pr(X = 1)
3/8
3
1/8
1
Pr(X
=
1,
Y
=
1)

=
=
Pr(Y = 1 | X = 1) =
Pr(X = 1)
3/8
3
Y |X = 1 :

y
p

0
1
2/3 1/3

1
1
2
E(Y 2 | X = 1) =
Var(Y | X = 1) =
3
3
9
A seguir vamos formalizar os conceitos apresentados atravs do exemplo acima.
E(Y | X = 1) =

1.2
1.2.1

Definies
Vetor aleatrio bidimensional discreto

Um vetor aleatrio bidimensional uma funo bivariada que associa, a cada ponto de um espao
amostral , um par de nmeros reais (x, y). Se a imagem de tal funo um conjunto enumervel
de pontos em R2 , ento o vetor dito um vetor discreto. Veja a Figura 1.1.

CAPTULO 1. VARIVEIS ALEATRIAS BIDIMENSIONAIS DISCRETAS

Figura 1.1: Definio de vetor aleatrio discreto

1.2.2

Funo de distribuio de probabilidade

Seja (X, Y ) um vetor aleatrio discreto assumindo os valores (xi , yj ), i, j = 1, 2, . . . . A funo de


distribuio de probabilidade conjunta a funo que associa a cada ponto (xi , yj ) a sua respectiva
probabilidade:
p(xi , yj ) = Pr(X = xi , Y = yj )
(Veja a Figura 1.2). Note que, do axioma Pr() = 1, resulta que
PP
Pr(X = xi , Y = yj ) = 1
i

Figura 1.2: Definio de funo de distribuio de probabilidade conjunta


Observao: podemos ter vetores aleatrios n-dimensionais, n. (Veja a Figura 1.3.)

1.2.3

Distribuies marginais

Seja (X, Y ) um vetor aleatrio discreto com distribuio conjunta p(xi , yj ). Para no sobrecarregar a notao, vamos denotar essa distribuio conjuntoa por p(x, y), devendo ficar claro que
(x, y) representa um par qualquer de valores do vetr (X, Y ). A distribuio marginal de X
definida como:
P
P
Pr(X = x) = p(x, y) = Pr(X = x, Y = y)
x
y

CAPTULO 1. VARIVEIS ALEATRIAS BIDIMENSIONAIS DISCRETAS

Figura 1.3: Distribuio de probabilidade tridimensional


Analogamente, a distribuio marginal de Y definida como
P
P
Pr(Y = yj ) = p(x, y) = Pr(X = x, Y = y)
x

Em geral, se (X1 , X2 , . . . , Xn ) um vetor aleatrio ndimensional


P
P P
P
Pr(Xi = xi ) =
Pr (X1 = x1 , . . . , Xi1 = xi1 , Xi+1 = xi+1, . . . , Xn = xn )
x1

1.2.4

xi1 xi+1

xn

Distribuies condicionais

Seja (X, Y ) um vetor aleatrio discreto com distribuio conjunta p(x, y). A distribuio condicional
de X dado que Y = y definida como:
Pr(X = x | Y = y) =

Pr(X = x, Y = y)
Pr(Y = y)

Analogamente define-se a distribuio condicional de Y dado que X = x como


Pr(Y = y|X = x ) =

Pr(X = x, Y = y)
Pr(X = x)

Note que existe uma distribuio condicional de X para cada valor y e uma distribuio condicional de Y para cada valor x. Assim, se X assumir n valores diferentes e Y m valores distintos,
teremos ao todo n + m distribuies condicionais.

1.2.5

Esperana condicional

Para cada uma das distribuies condicionais, podemos calcular a respectiva esperana condicional:
P
EX (X | Y = y) = x Pr(X = x | Y = y)
(1.1)
x
P
EY (Y |X = x) = y Pr( Y = y|X = x)
(1.2)
y

CAPTULO 1. VARIVEIS ALEATRIAS BIDIMENSIONAIS DISCRETAS

Os subscritos X e Y nas definies acima servem para lembrar a dependncia em X e Y de cada


uma das esperanas acima.
Note que, para cada valor y de Y temos um valor diferente de E(X|Y = y) e para cada valor
x de X, temos um valor diferente de E(Y |X = x).Sendo assim, podemos definir uma funo g que
associa, a cada valor y de Y, o valor E(X|Y = y) e outra funo h que associa a cada valor x de
X, o valor E(Y |X = x), ou seja,
g : y 7 g(y) = EX (X|Y = y)
h : x 7 h(x) = EY (Y |X = x)
Como X e Y so variveis aleatrias, resulta que g(Y ) e h(X) so tambm variveis aleatrias.
Vamos estabelecer a seguinte notao:
g(Y ) = EX (X|Y )
h(X) = EY (Y |X)
Podemos, ento, calcular as esperanas de g(Y ) e h(X) e para lembrar a dependncia em cada uma
das variveis, vamos denotar essas esperanas por EY [g(Y )] e EX [h(X)]. Usando a definio (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

PP

P P Pr(X = x, Y = y)
x Pr( X = x| Y = y) Pr(Y = y) =
x
Pr(Y = y)
Pr(Y = y)
y x
y x
P P
PP
x Pr(X = x, Y = y) = x Pr(X = x, Y = y)
=
y x
x
y
P
x Pr(X = x) = E(X)
=
=

Na ltima linha usamos a definio da distribuio marginal de Y.


Analogamente, por (1.2), resulta que
P
P
EX [h(X)] = EX [EY (Y |X)] = h(x) Pr(X = x) = E(Y |X = x) Pr(X = x)
x

P P Pr(X = x, Y = y)
y Pr( Y = y|X = x) Pr(X = x) =
y
Pr(X = x)
Pr(X = x)
x y
x y
P P
PP
y Pr(X = x, Y = y) = y Pr(X = x, Y = y)
=
x y
y
x
P
y Pr(Y = y) = E(Y )
=
=

PP
y

Resumindo:

g(Y ) = EX (X|Y )
h(X) = EY (Y |X)

e
e

EY [EX (X|Y )] = E (X)


EX [EY (Y | X)] = E (Y )

CAPTULO 1. VARIVEIS ALEATRIAS BIDIMENSIONAIS DISCRETAS

Exemplo (continuao)
Vamos continuar com o exemplo inicial, calculando as distribuies condicionais de Y dado X = xi
e suas esperanas:
y 0 1
Y |X = 0 :
EY (Y | X = 0) = 0
p 1 0
Y |X = 1 :

y
p

0
1
2/3 1/3

EY (Y | X = 1) =

1
3

Y |X = 2 :

y
p

0
1
1/3 2/3

EY (Y | X = 2) =

2
3

Y |X = 3 :

y
p

0 1
0 1

EY (Y | X = 3) = 1

1 2
Os valores possveis de h(X) = EY (Y |X) so 0, , e 1 e esses valores ocorrem quando X = 0,
3 3
X = 1, X = 2 ou X = 3 respectivamente. Logo, as probabilidades de ocorrncia de cada um deles
so exatamente as probabilidades de X assumir os seus valores, isto , temos a seguinte distribuio:
e 0 1/3 2/3 1
p 1/8 3/8 3/8 1/8

h(X) = EY (Y |X) :
A esperana dessa distribuio
EX [h(X)] = EX [EY (X|Y )] = 0

1
4
1
1 1 3 2 3
+ + + 1 = = = E(Y )
8 3 8 3 8
8
8
2

Para a distribuio condicional de X dado Y , temos os seguintes resultados:


X|Y = 0 :

X|Y = 1 :

2
8

4
8

2
8

3
0

0 1
0 28

4
8

2
8

EX (X|Y = 0) = 1

EX (X|Y = 1) = 2

e para a varivel aleatria g(Y ) = EX (X|Y ) temos a seguinte f.d.p.


1

1
2

1
2

e
E[g(Y )] = EY [EX (X|Y )] = 1

1
3
1
+ 2 = = E (X)
2
2
2

CAPTULO 1. VARIVEIS ALEATRIAS BIDIMENSIONAIS DISCRETAS

1.3

Independncia de variveis aleatrias

No exemplo anterior, obtivemos o seguinte resultado: a partir da distribuio conjunta de (Y, Z),
conclumos que:
Pr(Y = y | Z = z) = Pr(Y = y) y, z

Em analogia com a definio de eventos aleatrios, esse fato nos leva definio de variveis
aleatrias independentes. No caso de eventos, a definio de independncia Pr(A | B) = Pr(A)
tinha que considerar eventos B tais que Pr(B) 6= 0, mas ela levava a uma definio mais geral:
os eventos A e B so independentes se Pr(A B) = Pr(A) Pr(B). Analogamente, vamos definir
variveis aleatrias independentes da seguinte forma.
Definio 1.1 Seja (X, Y ) um vetor aleatrio discreto com distribuio conjunta p(x, y) = Pr(X =
x, Y = y). Dizemos que X e Y so independentes se e somente se
Pr(X = x, Y = y) = Pr(X = x) Pr(Y = y)

x, y

ou seja, a distribuio conjunta o produto das distribuies marginais.


Note que a condio acima tem que valer para todo par possvel de valores (x, y).

1.3.1

Exemplo (continuao)

X e Y no so independentes porque:
Pr(X = 0, Y = 0) =

1
1 1
6= Pr(X = 0) Pr(Y = 0) =
8
8 2

X e Z no so independentes porque:
Pr(X = 0, Z = 0) =

1
1 2
6= Pr(X = 0) Pr(Z = 0) =
8
8 8

Y e Z so independentes porque:
Pr(Y = 0, Z = 0) =

1 2
1
= Pr(Y = 0) Pr(Z = 0) =
8
2 8

Pr(Y = 0, Z = 1) =

1
1 1
= Pr(Y = 0) Pr(Z = 1) =
4
2 2

Pr(Y = 0, Z = 2) =

1
1 1
= Pr(Y = 0) Pr(Z = 2) =
8
2 4

Pr(Y = 1, Z = 0) =

1
1 2
= Pr(Y = 1) Pr(Z = 0) =
8
2 8

Pr(Y = 1, Z = 1) =

1
1 1
= Pr(Y = 1) Pr(Z = 1) =
4
2 2

Pr(Y = 1, Z = 2) =

1
1 1
= Pr(Y = 1) Pr(Z = 2) =
8
2 4

Note a equivalncia das definies!

CAPTULO 1. VARIVEIS ALEATRIAS BIDIMENSIONAIS DISCRETAS

1.4

10

Funes de variveis aleatrias

Muitas vezes, conhecida a distribuio conjunta de (X, Y ), estaremos interessados em estudar a


distribuio de uma varivel aleatria definida como uma funo f(X, Y ). Lidaremos aqui com
funes reais, isto , f : R2 R e uma ateno especial ser dada s combinaes lineares, ou seja,
funes do tipo f (X, Y ) = aX + bY, com a e b nmeros reais quaisquer.

1.4.1

Exemplo (continuao)

Consideremos a seguinte funo:


f1 (X, Y ) = X 2 + Y
cujos valores e probabilidades esto a seguir:
X
0
1
2
3
0
1
2
3

Y
0
0
0
0
1
1
1
1

Pr(X = x, Y = y) f1 (X, Y ) = X 2 + Y
1/8
0
2/8
1
1/8
4
0
9
0
1
1/8
2
2/8
5
1/8
10

Ento, a esperana de X 2 + Y

2
1
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)
Em geral, temos o seguinte
Teorema 1.1 Seja (X, Y ) um vetor aleatrio discreto com fdp conjunta Pr(X = x, Y = y). Seja
h : R2 R uma funo real tal que cada par (x, y) levado a h (x, y) . Ento
PP
h (xi , yj ) Pr (X = xi , Y = yj )
E [h (X, Y )] =
i

Teorema 1.2 Seja (X, Y ) um vetor aleatrio discreto com fdp conjunta Pr(X = x, Y = y). Seja
h : R2 R uma funo real tal que h (x, y) = x + y. Ento
E (X + Y ) = E(X) + E(Y )
(Esperana da soma a soma das esperanas)

CAPTULO 1. VARIVEIS ALEATRIAS BIDIMENSIONAIS DISCRETAS

11

Demonstrao: Usando o teorema anterior, temos que


PP
E (X + Y ) =
(xi + yj ) Pr (X = xi , Y = yj ) =
i j
PP
PP
xi Pr (X = xi , Y = yj ) +
yj Pr (X = xi , Y = yj )
=
i j
i j
P P
P P
xi Pr (X = xi , Y = yj ) + yj Pr (X = xi , Y = yj ) =
=
i
j
j
i
P
P
=
xi Pr (X = xi ) + yj Pr (Y = yj ) = E(X) + E(Y )
i

Dos resultados j vistos, segue o resultado mais geral:

Resultado 1.1 Sejam X1 , X2 , . . . , Xn variveis aleatrias discretas com distribuio conjunta p(x1 ,
x2 , . . . , xn ). Ento:
E (a1 X1 + a2 X2 + + an Xn ) = a1 E(X1 ) + a2 E(X2 ) + + an E(Xn )

(1.3)

Usando a definio de varincia, vamos estudar a varincia da soma de variveis aleatrias.

Var(X + Y ) = E (X + Y )2 [E(X + Y )]2 =


=
=
=
=

E(X 2 + 2XY + Y 2 ) [E(X) + E(Y )]2 =


E(X 2 ) + 2E(XY ) + E(Y 2 ) [E(X)]2 2E(X)E(Y ) E(Y 2 ) =

E(X 2 ) [E(X)]2 + E(Y 2 ) E(Y 2 ) + 2 [E(XY ) E(X)E(Y )] =


Var(X) + Var(Y ) + 2 [E(XY ) E(X)E(Y )]

Ento, na varincia da soma, aparece um termo envolvendo a diferena entre a esperana do


produto e o produto das esperanas. Esse termo define a covarincia de duas variveis aleatrias.

1.5

Covarincia

Definio 1.2 A covarincia entre duas variveis aleatrias X e Y definida por


Cov(X, Y ) = E [X E(X)] [Y E(Y )] = E(XY ) E(X)E(Y )
Substituindo essa definio na expresso da varincia da soma de variveis aleatrias obtm-se
o
Resultado 1.2 A varincia da soma de duas v.a. dada por
Var(X + Y ) = Var(X) + Var(Y ) + 2 Cov(X, Y )

CAPTULO 1. VARIVEIS ALEATRIAS BIDIMENSIONAIS DISCRETAS

1.5.1

12

Propriedades da covarincia

Vamos usar as seguintes propriedades j vistas para a esperana para demonstrar propriedades
anlogas da covarincia:
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:
Cov(aX + b, cY + d) =
=
=
=
=
=

E [(aX + b) E (aX + b) [(cY + d) E (cY + d)]


E[aX + b aE(X) b][cY + d cE(Y ) d]
E[aX aE(X)][cY cE(Y )]
E{a[X E(X)]c[Y E(XY )]}
acE[X E(X)](Y E(Y )]
acCov(X, Y )

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 )
3. Dos resultados anteriores, segue que
Var(X Y ) = Var(X) + Var(Y ) 2 Cov(X, Y )
De fato:
Var(X Y ) = Var[X + (Y )] = Var(X) + Var(Y ) + 2 Cov[X, (1 Y )] =
= Var(X) + Var(Y ) + 2 (1) Cov(X, Y ) =
= Var(X) + Var(Y ) 2 Cov(X, Y )

CAPTULO 1. VARIVEIS ALEATRIAS BIDIMENSIONAIS DISCRETAS

1.5.2

13

Interpretao da covarincia

No estudo da estatstica descritiva, dados dois conjuntos de dados x1 , . . . , xn e y1 , . . . , yn referentes


a duas variveis de interesse X e Y , definimos a covarincia entre X e Y como
1X
(xi x)(yi y)
n i=1
n

Cov(X, Y ) =

No contexto de variveis aleatrias, a mdia calculada como uma mdia ponderada pelas probabilidades; assim, temos uma total analogia entre as definies de covarincia nos dois contextos.
Foi visto tambm que a covarincia uma medida de associao linear entre as variveis.
Construindo um diagrama de disperso para as variveis, se existir uma associao linear crescente,
os pontos (x, y) tendero a se concentrar nos primeiro e terceiro quadrantes, onde o produto das
coordenadas positivo. Se existir uma associao linear decrescente, os pontos se concentraro
no segundo e quarto quadrantes, onde o produto negativo. Como antes, o fato de se tomar
E[X E(X)][Y E(Y )], e no E(XY ), resulta da necessidade de centrar a nuvem de pontos
na origem (0, 0) e no em (E(X), E(Y )).

1.5.3

Independncia e covarincia de variveis aleatrias

Da definio de independncia de variveis aleatrias, resulta o seguinte fato: se X e Y so variveis


aleatrias independentes, qualquer conhecimento sobre Y no nos d informao sobre X. Usando
essa interpretao, mais a interpretao do conceito de covarincia, de se esperar que a covarincia
entre variveis independentes seja nula (se elas so independentes, no dever existir qualquer
associao entre elas, muito menos uma associao linear). Vamos ver um resultado geral que trata
dessa relao.
Resultado 1.3 Se X e Y so variveis aleatrias independentes, ento Cov(X, Y ) = 0.
Demonstrao:
Se X e Y so independentes, ento Pr(X = x, Y = y) = Pr(X = x) Pr(Y = y). Mas nesse
caso,
XX
XX
E(XY ) =
xy Pr(X = x, Y = y) =
xy Pr(X = x) Pr(Y = y) =
x

X
x

x Pr(X = x)

y Pr(Y = y) = E(X)E(Y )

Logo, Cov(X, Y ) = E(XY ) E(X)E(Y ) = 0.


Note que a recproca desse resultado no verdadeira, isto , covarincia nula no significa independncia entre as variveis. Esse resultado pode ser visto intuitivamente a partir da interpretao
de covarincia: covarincia nula significa ausncia de associao linear. Nada impede que exista
outro tipo de associao entre as variveis, o que caracterizaria a falta de independncia entre elas.

CAPTULO 1. VARIVEIS ALEATRIAS BIDIMENSIONAIS DISCRETAS

14

Como exemplo, consideremos a seguinte de distrbuio de probabilidade.conjunta:.


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
Para essa distribuio temos:
E(X) = 0

1
7
19
2
+1 +2
=
5
4
20
20

E(Y ) = 1

1
2
2
+2 +3 =2
5
5
5

3
3
2
+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

E(XY ) = 0

Logo, Cov(X, Y ) = E(XY ) E(X)E(Y ) = 0 mas X e Y no so independentes porque, por


exemplo:
8
8
3
6= Pr(X = 0) Pr(Y = 1) =

Pr(X = 0, Y = 1) =
20
20 20

1.6

Coeficiente de correlao

Como j definido anteriormente, o coeficiente de correlao entre duas variveis X e Y


Corr(X, Y ) =

Cov(X, Y )
X Y

onde X e Y so os desvios padres de X e Y respectivamente.


A propriedade fundamental do coeficiente de correlao dada no seguinte teorema:
Teorema 1.3 Dadas duas variveis aleatrias X e Y com esperanca, varincia e covarincia
finitas, ento
1 Corr(X, Y ) 1
Teorema 1.4 Dadas duas variveis aleatrias X e Y com esperanas, varincias e covarincvia
finitas, ento
1 Corr(X, Y ) 1

CAPTULO 1. VARIVEIS ALEATRIAS BIDIMENSIONAIS DISCRETAS

15

Demonstrao:
Sejam
X E(X)
Y E(Y )
Y =
X
Y
as variveis padronizadas. Das propriedades de esperana e varincia, sabemos que E (X ) =
E (Y ) = 0 e Var (X ) = Var (Y ) = 1. Sabemos tambm que a varincia de qualquer varivel
aleatria no-negativa. Em particular,
X =

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 covarincia, temos que

X EX Y EY

Cov (X , Y ) = Cov
,
X
Y
1
Cov[X E(X), Y E(Y )]
=
X Y
1
Cov(X, Y )
=
X Y
= (X, Y )
Conclui-se, ento, que
1 (X, Y ) 1
Todas as propriedades vistas anteriormente, no contexto da estatstica descritiva, continuam
vlidas no contexto de variveis aleatrias.
Consideremos o caso em que (X, Y ) = 1. Ento, Cov (X , Y ) = 1 e, portanto
Var (X Y ) = V ar(X ) + V ar(Y ) 2Cov(X , Y ) = 1 + 1 2 1 = 0
Mas V ar(X Y ) = 0 significa que X Y uma constante, isto ,
X EX Y EY

= k
X
Y
X EX
Y EY
=
+k
X
Y
X
X
X E(X) =
Y
EY + X k
Y
Y
X
X =
Y +k
Y

CAPTULO 1. VARIVEIS ALEATRIAS BIDIMENSIONAIS DISCRETAS

16

ou seja, existe uma associao linear crescente XY > 0 perfeita entre X e Y .


Analogamente, se (X, Y ) = 1,ento Cov (X , Y ) = 1 e
Var (X + Y ) = V ar(X ) + V ar(Y ) + 2Cov(X , Y ) = 1 + 1 + 2 (1) = 0
o que significa que X + Y uma constante, isto ,
X EX Y EY
+
X
Y

X EX
Y EY
=
+k
X
Y
X
X
X E(X) = Y +
EY + X k
Y
Y
X
X = Y + k
Y

ou seja, existe uma associao linear decrescente XY < 0 perfeita entre X e Y .

1.7

= k

Exerccios propostos

1. A tabela abaixo d a distribuio conjunta de X e Y :


Y
0
1
2

X
1
2
3
0,1 0,1 0,1
0,2 0,0 0,3
0,0 0,1 0,1

(a) Determine as distribuies marginais de X e Y.


(b) Calcule a esperana e a varincia de cada uma das variveis X e Y. (Resp.: 2, 2; 0, 76; 0, 9; 0, 49)
(c) Verifique se X e Y so independentes, justificando sua resposta. (Resp.: No)
(d) Calcule P (X = 1|Y = 0) e P (Y = 2|X = 3). (Resp.: 1/3; 1/5)
(e) Calcule P (X 2) e P (X = 2, Y 1). (Resp.: 0, 5; 0, 1)

(f) Calcule a covarincia e a correlao entre X e Y. (Resp.: 0, 12; 0, 1966)

2. Sejam X e Y variveis aleatrias com E(X) = E(Y ) = 0 e Var(X) = Var(Y ) = 1. Prove que
(U, V ) = 0, onde U = X + Y e V = X Y.
3. Um aluno faz um teste de mltipla escolha com 4 questes do tipo Verdadeiro-Falso. Suponha
que o aluno esteja chutando todas as questes, uma vez que ele no estudou a matria da
prova. Defina as seguintes variveis aleatrias:
X1
Y1
X2
Y2

=
=
=
=

nmero
nmero
nmero
nmero

de
de
de
de

acertos
acertos
acertos
acertos

entre
entre
entre
entre

as
as
as
as

duas primeiras questes da prova


duas ltimas questes da prova
trs primeiras questes da prova
trs ltimas questes da prova

CAPTULO 1. VARIVEIS ALEATRIAS BIDIMENSIONAIS DISCRETAS

17

(a) Construa uma tabela com o espao 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 funo de distribuio conjunta de (X1 , Y1 ) com as respectivas marginais.
(c) Construa a funo de distribuio conjunta de (X2 , Y2 ) com as respectivas marginais.
(d) Verfique se X1 e Y1 so independentes. (Resp.: Sim)
(e) Verfique se X2 e Y2 so independentes. (Resp.: No)
(f) Por que j era de se esperar as diferenas observadas em (d) e (e)?
(g) Calcule a covarincia entre X1 e Y1 . (Resp.: 0)
(h) Calcule a covarincia entre X2 e Y2 . (Resp.: 5/16)
(i) Calcule as seguintes distribuies condicionais com suas esperanas condicionais:
X2 | Y2 = 0

X2 | Y2 = 1

X2 | Y2 = 2

X2 | Y2 = 3

(j) Calcule E [E (X2 | Y2 )] .


4. Uma moeda honesta lanada 4 vezes. Seja X o nmero de caras nos 2 primeiros lanamentos
e seja Y o nmero de caras nos 3 ltimos lanamentos.
(a) Liste todos os elementos do espao amostral deste experimento, epsecificando os valores
de X e Y .
(b) Construa a funo de distribuio 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 ).

Captulo 2
Variveis Aleatrias Bidimensionais
Contnuas
2.1

Funo de densidade conjunta

Sejam X, Y duas variveis aleatrias contnuas. A densidade conjunta f (x, y) uma funo que
satisfaz as seguintes propriedades:
1. f (x, y) 0
Z + Z +
2.
f(x, y)dxdy = 1

3. Pr(a X b, c Y d) =

2.1.1

d
c

f (x, y)dxdy
a

Exemplo

Considere a seguinte funo:


f (x, y) =

2 0xy1
0 caso contrrio

Vamos mostrar que f (x, y) realmente define uma funo de densidade para, em seguida, calcular
Pr(X 1/2, Y 1/2).
O ponto principal no clculo de integrais duplas definir corretamente os limites de integrao.
Na Figura 2.1 a parte sombreada representa a regio de integrao, ou seja, o domnio de variao
de X e Y. Note que, nessa regio, para cada y no intervalo [0, 1], o valor de x varia de 0 at y.

Z 1
Z 1
Z Z
Z 1 Z y
1
y
2dx dy =
[2x]0 dy =
2ydy = y 2 0 = 1
f(x, y)dxdy =
0

Obviamente, f (x, y) 0. Dessa forma, esto satisfeitas as condies e f (x, y) realmente define uma
funo de densidade.
Para o clculo de Pr(X 1/2, Y 1/2), temos que considerar a regio de integrao sombreada
na Figura 2.2.
18

CAPTULO 2. VARIVEIS ALEATRIAS BIDIMENSIONAIS CONTNUAS

Figura 2.1: Funo de densidade para o Exemplo 1

Figura 2.2: Regio de integrao para o cclulo de Pr(X 2, Y 2) Exemplo 1

19

CAPTULO 2. VARIVEIS ALEATRIAS BIDIMENSIONAIS CONTNUAS

Pr(X 1/2, Y 1/2) =

2.1.2

20

R 1/2
R 1/2
1
y
2 1/2
2dx
dy
=
[2x]
dy
=
2ydy
=
y
=
0
0
0
0
0
4

R 1/2 R y
0

Exemplo (Exerccio 18, p. 220 - Bussab & Morettin)

Seja (X, Y ) um vetor aleatrio com funo de densidade conjunta dada por
1
x(x y) 0 < x < 2; x < y < x
8
f(x, y) =
0
caso contrrio
Vamos mostrar que f (x, y) realmente define uma funo de densidade conjunta. Como x > 0, o
sinal de f (x, y) determinado pelo termo x y. Para que f (x, y) 0, temos que ter x y 0, ou
equivalentemente
y x e essa condio satisfeita no domnio de definio de f. Para mostrar que
Z Z
f(x, y)dxdy = 1 vamos analisar o domnio de definio de f, que est ilustrado na Figura
2.3.

Figura 2.3: Domnio de definio de f(x, y) para o Exemplo 2.1.2

CAPTULO 2. VARIVEIS ALEATRIAS BIDIMENSIONAIS CONTNUAS

21

Note que, nesse domnio, para cada valor de x, y varia de x a +x. Logo,
Z Z
Z 2 Z +x
1
x(x y)dydx =
f(x, y)dxdy =
0
x 8
Z Z
1 2 +x 2
(x xy)dydx
=
8 0 x
+x
Z
1 2
y 2
2
=
x yx
dx
8 0
2 x

Z
1 2
x3
x3
3
3
=
x
x
dx
8 0
2
2
2
Z
1 2 3
1 x4
16
=
=1
2x dx =
=

8 0
8 2 0 16

Logo, f (x, y) uma funo de densidade.

2.2

Densidades marginais

As densidades marginais de X e Y so:


fX (x) =
fY (y) =

2.2.1

(2.1)

f (x, y)dy
f (x, y)dx

Exemplo 2.1.1 (continuao)

Vamos calcular as densidades marginais para o Exempo 2.1.1. Analisando a Figura 2.1, podemos
ver que, para y [0, 1], x varia de 0 a y. Logo,
Z
Z y
2dx = 2y
0y1
fY (y) = f (x, y)dx =
0

Note que, como funo de y, fY (y) uma funo linear. Deste resultado podemos ver que
1
Z 1
y 3
2
E(Y ) =
y2ydy = 2 =
3 0 3
0
Para cada x [0, 1], y varia de x at 1. Logo,
Z
Z 1
fX (x) = f(x, y)dy =
2dy = 2y|1x = 2(1 x)
x

0x1

que tambm uma funo linear de x. Podemos ver que

1
Z 1
x3
1
2
x [2(1 x)] dx = x 2
=
E(X) =
3 0 3
0

CAPTULO 2. VARIVEIS ALEATRIAS BIDIMENSIONAIS CONTNUAS

2.2.2

22

Exemplo 2.1.2 (continuao)

Vamos calcular as densidades marginais para o Exemplo 2.1.2. Analisando a Figura 2.3, podemos
ver que, para x (0, 2), y varia de x a +x. Logo, para x (0, 2)

+x
Z
1
1
y 2
1 +x 2
2
fX (x) =
(x xy)dy =
x(x y)dy =
x yx
8 x
8
2 x
x 8

x3
2x3
1
x3
x3
3
3
x
x
=
=
=
8
2
2
8
4
Z

+x

e da podemos ver que


E(X) =

2
x3
32
1 x5
8
x dx =
=
=

4
4 5 0 20
5
0
2

Para calcularmos fY (y), teremos que considerar as duas partes do domnio de definio de y :
(2, 0) e [0, 2). Para y (2, 0), x varia de y a 2 (veja a Figura 2.3). Logo,

2
Z
1 2
x2
1 x3
1
2
x(x y)dx =
y
fY (y) =
(x xy)dx =
8 y
8 3
2 y
y 8

8
y
y3
1
2y
=
8
3
3
2

8
1 3
1 5 3
2<y <0
y 2y +
=
5y 12y + 16
=
8 6
3
48
Z

Para y [0, 2), x varia de y a 2 (veja a Figura 2.3). Logo,

2
Z
1
1 x3
1 2 2
x2
(x xy)dx =
fY (y) =
x(x y)dx =
y
8 y
8 3
2 y
y 8

8
y
y3
1
2y

=
8
3
3
2

1 1 3
8
1 3
=
0y<2
y 2y +
=
y 12y + 16
8 6
3
48
Z

Desses dois resultados podemos calcular


Z
Z 0
Z 2

1 3
1 3
E(Y ) =
yfY (y)dy =
5y 12y + 16 dy +
y 12y + 16 dy
y
y
2 48
0 48
2
5

0
1 5
1 y
=
y 4y 3 + 8y 2 2 +
4y 3 + 8y 2
48
48 5
0

32
1
1
5
3
2
32 + 32
0 (2) 4(2) + 8(2)
=
+
48
48 5

32
1
128
8
1
32 32 32 +
=
=
=
48
5
48
5
15

CAPTULO 2. VARIVEIS ALEATRIAS BIDIMENSIONAIS CONTNUAS

2.3

23

Distribuies e esperanas condicionais

Por definio, temos que


f(x, y)
fY (y)
Note que, para cada y temos uma densidade condicional diferente. Analogamente,
fX|Y (x|y) =

fY |X (y|x) =

f(x, y)
fX (x)

(2.2)

(2.3)

e para cada x temos uma densidade condicional diferente. Como no caso discreto, definem-se as
seguintes esperanas condicionais:
Z

f (x, y)
dx
fY (y)
Z
Z
f(x, y)
EY (Y |X = x) = yfY |X (y|x)dy = y
dy
fX (x)

EX (X | Y

= y) =

xX|Y f(x|y)dx =

(2.4)
(2.5)

Note que, para cada valor y de Y temos um valor diferente de EX (X|Y = y) e para cada valor x
de X, temos um valor diferente de EY (Y |X = x).Assim, aqui tambm podemos definir uma funo
g que associa, a cada valor y de Y, o valor EX (X|Y = y) e outra funo h que associa a cada valor
x de X, o valor EY (Y |X = x), ou seja,
g : y 7 g(y) = EX (X|Y = y)
h : x 7 h(x) = EY (Y |X = x)
Como X e Y so variveis aleatrias, resulta que g(Y ) e h(X) so tambm variveis aleatrias:
g(Y ) = EX (X|Y )
h(X) = EY (Y |X)
Usando a definio (2.4), temos que

EY [g(Y )] = EY [EX (X|Y )] = g(y)fY (y)dy = EX (X|Y = y)fY (y)dy

Z Z
Z Z
f(x, y)
xf (x, y)dxdy
=
x
dx fY (y)dy =
fY (y)

Z Z
Z
=
x
f (x, y)dy dx = xfX (x)dx = E(X)

Na ltima linha usamos a definio da distribuio marginal de Y.


Analogamente, por (2.5), resulta que
Z
Z
EX [h(X)] = EX [EY (Y |X)] = h(x)fX (x)dx = EY (Y |X = x)fX (x)dx

Z Z
Z Z
f(x, y)
dy fX (x)dx =
yf(x, y)dx
=
y
fX (x)

Z Z
Z
=
y
f (x, y)dx dy = yfY (y)dy = E(Y 0

CAPTULO 2. VARIVEIS ALEATRIAS BIDIMENSIONAIS CONTNUAS

24

Como no caso discreto:


g(Y ) = EX (X|Y )
h(X) = EY (Y |X)

2.3.1

e
e

EY [EX (X|Y )] = E (X)


EX [EY (Y | X)] = E (Y )

Exemplo 2.1.1 (continuao)

Vamos calcular as distribuies condicionais para o Exemplo 2.1.1. Vimos que, dado y, x pode
variar no intervalo [0, y]. Temos que
fX|Y (x|y) =

f (x, y)
2
1
=
=
fY (y)
2y
y

0xy

Note que essa uma funo de x, isto , dado y, estamos calculando a distribuio condicional
de X; podemos ver que essa uma funo constante (no depende de x), o que caracteriza uma
densidade uniforme no intervalo [0, y].
A esperana condicional de X dado Y
E(X|Y = y) =

xfX|Y (x|y)dx =

Zy

1 x2
y
1
1 y2
0 =
x dx =
=

y
y 2 0 y 2
2

Ento, como funo de y, E(X|Y = y) uma funo linear.


Como E(X|Y = y) uma funo de y, segue que E(X|Y = y) = h(y) uma varivel aleatria
e, portanto, podemos calcular sua esperana:
Z
EY (EX (X|Y = y)) = EY (h(Y )) = h(y)fY (y)dy
Z 1
Z 1
y
1
y 2 dy = = E(X)
=
2ydy =
3
0 2
0
Dado x, vimos que y pode variar de x at 1.
fY |X (y|x) =

2
1
f(x, y)
=
=
fX (x)
2(1 x)
1x

xy1

que tambm uma densidade uniforme no intervalo [x, 1].


1
Z 1
Z

1 y 2
1
1
2
dy =
1

x
y
=
E(Y |x) =
yfY |X (y|x)dy =
1 x 2 x 2(1 x)
x 1x
x+1
1
(1 x)(1 + x) =
=
2(1 x)
2
Como funo de x, E(Y |x) uma funo linear e sua esperana
Z 1
Z 1
Z 1
x+1
x+1
E(E(Y |X)) =
(1 x2 )dx
fX (x)dx =
2(1 x)dx =
2
2
0
0
0
1

2
x3
= = E(Y )
=
x
3 0 3

CAPTULO 2. VARIVEIS ALEATRIAS BIDIMENSIONAIS CONTNUAS

2.3.2

25

Exemplo 2.1.2 (continuao)

Vamos calcular as distribuies condicionais para o Exemplo 2.1.2. Vimos que, dado x, y pode
variar no intervalo [x, x]. Temos que
1

x(x y)
1
f(x, y)
1 1
8
=
y
fY |X (y|X = x) =
=
x3
fX (x)
2 x x2
4

x<y <x

e, portanto,

Z
1
1 1
1 x
1
1 2
E(Y |X = x) =
y
y dy =
y 2 y dy
x x2
2 x x
x
x 2
2

3 x
3
1 1y
1 y
1 x
1 (x)3
1x
1 (x)2
1
=
2
2

2
=
2 x 2
x 3 x 2
x 2
x 3
x 2
x
3
h

i
x x
x
1 x x

+
=
=
2 2 3
2 3
3
Z

Como E(Y |X = x) uma funo de x, que varia no intervalo (0, 2), podemos calcular sua esperana
em relao a fx :
2
Z 2
1 x5
x x3
8
dx =
= E(Y )

E(E(Y |X)) =
3 4
12 5 0
15
0

2.4

Independncia de variveis aleatrias contnuas

Seja (X, Y ) um vetor aleatrio bidimensional com funo de densidade conjunta f(x, y). Sejam
fX (x) e fY (y) as densidades marginais de X e Y, respectivamente. Ento, diz-se que X e Y so
variveis aleatrias independentes se
f(x, y) = fX (x)fY (y)
ou seja, a densidade conjunta tem que ser o produto das densidades marginais para todo par (x, y)
no domnio de definio.

2.5

Funes de variveis aleatrias contnuas

Assim como no caso discreto, conhecida a densidade conjunta de (X, Y ), estaremos interessados
em estudar a densidade de uma varivel aleatria definida como uma funo h(X, Y ), .onde h
uma funo real, isto , h : R2 R e novamente uma ateno especial ser dada s combinaes
lineares, ou seja, funes do tipo h(X, Y ) = aX + bY, com a e b nmeros reais quaisquer.
Teorema 2.1 Sejam X, Y variveis aleatrias contnuas com densidade conjunta f(x, y) e seja
h : R2 R uma funo qualquer. Ento
RR
E [h(X, Y )] =
h(x, y)f (x, y)dxdy

CAPTULO 2. VARIVEIS ALEATRIAS BIDIMENSIONAIS CONTNUAS

26

Teorema 2.2 Sejam X, Y variveis aleatrias contnuas com densidade conjunta f(x, y) e seja
h : R2 R uma funo definida por h(X, Y ) = aX + bY ento
E [h(X, Y )] = aE(X) + b(E(Y )
Vamos ver, agora, uma extenso para o caso bidimensional de um teorema visto para o caso
univariado que tratava de funes inversveis.
Teorema 2.3 Sejam X, Y variveis aleatrias contnuas com densidade conjunta fX,Y (x, y) > 0
numa regio A R2 . Suponha que (i) u = h1 (x, y) e v = h2 (x, y) definam uma transformao
1
biunvoca de A R2 em B R2 ; (ii) as derivadas parciais de x = h1
1 (u, v) e y = h2 (u, v) sejam
contnuas em B R2 ; (iii) o Jacobiano da transformao seja diferente de zero para (u, v) B.
Ento, a densidade conjunta de U = h1 (X, Y ) e V = h2 (X, Y ) dada por

1
fU,V (u, v) = |J| fX,Y h1
1 (u, v), h2 (u, v)
onde |J| o mdulo do Jacobiano da transformao definido pelo seguinte determinante:
x x

v
J = u
y
y
u

2.5.1

Exemplo

Sejam X, Y variveis aleatrias 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 funo; vamos definir V = X. Logo,
nossa transformao definida por
u = h1 (x, y) = xy
v = h2 (x, y) = x
e a transformao inversa dada por
x = v
u
y =
v
Como 0 < x < 1 e 0 < y < 1, temos que ter 0 < v < 1 e 0 <

u
v

< 1. Assim, a regio

A = {(x, y) : 0 < x < 1; 0 < y < 1}


transformada na regio
B = {(u, v) : 0 < v < 1; 0 < u < v}
Veja a Figura 2.4.
O Jacobiano

x
u
y
u

x
v
y
v


0
= 1

v

1
1
u =
v
2
v

CAPTULO 2. VARIVEIS ALEATRIAS BIDIMENSIONAIS CONTNUAS

27

Figura 2.4: Domnio de definio da varivel (Z, W ) do Exemplo 2.5.1


e a densidade conjunta de Z e W

1
u
4u
fZ,W (z, w) = 4v =
v
v
v

0 < v < 1; 0 < u < v

Como nosso interesse est na densidade de U, temos que calcular a densidade marginal fU (u).
Analisando a regio no lado direito da Figura 2.4, vemos que, fixado u, v varia de u at 1. Logo,
Z 1
4u
fU (u) =
dv = 4u (ln v)1u = 4u ln u
0<u<1
u v

2.6

Covarincia e correlao

As definies de covarincia e correlao so as mesmas vistas para o caso discreto


Cov(X, Y ) = E [X E(X)] [Y E(Y )] = E(XY ) E(X)E(Y )
Cov(X, Y )
Corr(X, Y ) =
X Y
valendo todas as propriedades.

2.7

A distribuio t de Student

Como uma aplicao do Teorema 2.3, vamos obter a distribuio de uma varivel aleatria que
ser extremamente til no estudo da Inferncia Estatstica. Essa distribuio a distribuio t
de Student, obtida por William Gosset (1876-1937), que trabalhava na Cervejaria Guinness na
Irlanda. Como a cervejaria no permitia a publicao de resultados de pesquisa obtidos por seus
funcionrios, Gosset publicou, sob o pseudnimo de Student, o artigo The Probable Error of a
Mean na revista Biometrika (vol. 6, no. 1).

CAPTULO 2. VARIVEIS ALEATRIAS BIDIMENSIONAIS CONTNUAS

28

Sejam Z N(0; 1) e Y 2 (n) variveis aleatrias independentes. Vamos obter a densidade


da varivel aleatria
Z
U=p
Y /n
Da hiptese de independncia segue que

1
1
2
fZ,Y (z, y) = fZ (z)fY (y) = ez /2 n n/2 y n/21 ey/2
2 2
2

Como no exemplo anterior, vamos completar a transformao definindo


z
u = p
y/n
v = y
Ento a regio
A = {(z, y) : < z < ; 0 < y < }
transformada na regio
B = {(u, v) : < u < ; 0 < v < }
e temos que
p
z = u v/n
y = v
Logo, o jacobiano da transformao
z z

v
J = u
y
y
u

Assim, a densidade conjunta de (U, V )

p
v/n
=
0

1
u
n2 v

p
= v/n

p
2
1
1
v/n e(u v/n)/2 n n/2 v n/21 ev/2
2 2
2


1 u2
1
v 1/2
n/21 2 n +1 v

=
v
e
2n n2 2n/2

 2
n+1
1
1
12 un +1 v
1

=
v 2 e
2n n2 2n/2

fU,V (u, v) =

e a densidade marginal de U

fU (u) =

fU,V (u, v)dv


R n+1 1 1  u2 +1v
1
1
n
v 2 e 2 n
dv
=
0
n/2
2n 2 2

CAPTULO 2. VARIVEIS ALEATRIAS BIDIMENSIONAIS CONTNUAS

29

Faamos a seguinte mudana de varivel


1
w=
2

u2
+1 v
n

Ento
fU (u) =
=
=

# n+1
1
Z "
2
1
dw
1
w
n

u2
ew 1 u2
1
n/2
2n 2 2
+1
+1
0
2 n
2 n
Z
n+1
1
1
1
n

w 2 1 ew dw
n+1

n/2
1 u2
2n 2 2
0
+1 2
2 n

1
1
n+1
1

n+1
u2
2
n n 21/2 2n/2 1 n+1
2
2
+
1
2
2
n

n+1
2
u2
1 n+1
2
n 1 +

n
n 2

Essa a densidade t de Student.

Definio 2.1 Diz-se que uma varivel aleatria contnua T tem distribuio t de Student se sua
funo de densidade dada por

n+1
2
t2
1 n+1
2
n 1 +
fT (t) =
<t<
n
n 2

Essa expresso, certamente, assustadora! Mas eis uma boa notcia: no precisaremos dela
para calcular probabilidades! No entanto, interessante notar duas caractersticas bsicas dessa
expresso: o argumento t da funo aparece elevado ao quadrado e fT depende apenas do nmero
de graus de liberdade da qui-quadrado e, portanto, o parmetro desta distribuio , tambm, o
nmero de graus de liberdade.
Da primeira observao resulta o fato de que fT simtrica em torno de zero, ou seja fT (t) =
fT (t).
Da segunda observao resulta que cada nmero de graus de liberdade d origem a uma distribuio t diferente. No entanto, pela simetria da curva, todas as distribuies t tm mdia 0.
Alm disso, o grfico da funo de densidade da t tambm tem forma de sino, como a distribuio
normal.
Na Figura 2.5 ilustram-se diferentes distribuies t (n = 1, 2, 10, 30) e, a ttulo de comparao,
em cada grfico acrescenta-se tambm a densidade normal padro. Nos dois grficos superiores
(n = 1, 2) fica mais ntido o fato de a distribuio t ter maior disperso. Nos dois grficos inferiores
(n = 10, 30) o que chama a ateno a quase coincidncia da densidade t com a densidade N(0; 1).
Esse um resultado importante: medida que aumenta o nmero de graus de liberdade, a
distribuio t de Student aproxima-se da N(0; 1). A varincia da distribuio t com n graus de
n
liberdade igual a n2
(n > 2) e podemos ver que essa varincia converge a 1, que a varincia
da N(0; 1), quando n .
Vamos representar por t(n) a distribuio t de Student com n graus de liberdade.

CAPTULO 2. VARIVEIS ALEATRIAS BIDIMENSIONAIS CONTNUAS

0,5
0,4

N(0;1)

0,3

t(1)
0,2
0,1
0
-6

-4

-2

0,5
0,4

N(0;1)

0,3

t(2)
0,2
0,1
0
-6

-4

-2

0,5

N(0;1)

0,4

t(10)

0,3
0,2
0,1
0
-6

-4

-2

0,5

N(0;1) x t(30)

0,4
0,3
0,2
0,1
0
-6

-4

-2

Figura 2.5: Comprao da distribuio t com a N(0; 1)

30

CAPTULO 2. VARIVEIS ALEATRIAS BIDIMENSIONAIS CONTNUAS

2.7.1

31

Tabela da t-Student

Assim como no caso da qui-quadrado, seria necessria uma tabela para cada valor de n. Os programas computacionais de estatstica calculam probabilidades associadas a qualquer distribuio t.
Mas nos livros didticos comum apresentar uma tabela da distribuio t que envolve os valores
crticos, ou seja, valores que deixam determinada probabilidade acima deles. Mais precisamente, o
valor crtico da t(n) associado probabilidade o valor tn; tal que
Pr(t(n) > tn; ) =
Veja a Figura 2.6.

Figura 2.6: Ilustrao do valor crtico tn; da distribuio t(n)


Ao final desta apostila apresentamos a Tabela 4, que uma apresentao usual dos valores
crticos da distribuio t. Nesta tabela, cada linha corresponde a um nmero diferente de graus de
liberdade e cada coluna corresponde a uma rea na cauda superior. No corpo da tabela temos o
valor crtico tn; .

2.7.2

Exemplos

Vamos ver, agora, alguns exemplos de utilizao da Tabela 4.


1. Na distribuio t(15) encontre a abscissa t15;0,05 .
2. Na distribuio t(23) encontre a abscissa t tal que Pr(|t(23)| > t) = 0, 05.
3. Na distribuio t(12) encontre a abscissa t tal que Pr(|t(12)| t) = 0, 90.
Soluo
1. Como o nmero de graus de liberdade 15, temos que nos concentrar na linha correspondente
a gl = 15. A abscissa t0,05 deixa rea 0,05 acima dela; assim, temos que olhar a coluna referente
a = 0, 05; Logo, t15;0,05 = 1, 753.

CAPTULO 2. VARIVEIS ALEATRIAS BIDIMENSIONAIS CONTNUAS

32

2. Usando as propriedades da funo mdulo, temos a seguinte equivalncia:


Pr(|t(23)| > t) = 0, 05
Pr(t(23) < t) + Pr(t(23) > t) = 0, 05
Pela simetria da densidade t, Pr(t(23) < t) = Pr(t(23) > t). Substituindo:
Pr(t(23) > t) + Pr(t(23) > t) = 0, 05
Pr(t(23) > t) = 0, 025
t = 2, 069
Esse ltimo valor foi encontrado na Tabela 2, consultando-se a linha correspondente a 23
graus de liberdade e coluna correspondente rea superior de 0,025. Veja a Figura 2.7(a).
3. Das propriedades da funo mdulo e da simetria da densidade t resultam as seguintes equivalncias (veja a Figura 2.7(b):
Pr(|t(12)| t) = 0, 90
Pr(t t(12) t) = 0, 90
Pr(t t(12) < 0) + Pr(0 t(12) t) = 0, 90
2 Pr(0 t(12) t) = 0, 90
Pr(0 t(12) t) = 0, 45
Pr(t(12) > t) = 0, 05
t = 1, 782

2.7.3

Exerccios

Utilize a Tabela 4 e as propriedades da funo de densidade tStudent para encontrar a abscissa


t que satisfaz as condies 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 variveis aleatrias contnuas com as seguinte funo de densidade conjunta:

cx se 0 < y < x e y < 1 x


f (x, y) =
0
c.c.

CAPTULO 2. VARIVEIS ALEATRIAS BIDIMENSIONAIS CONTNUAS

33

Figura 2.7: Soluo dos Exemplos 2 e 3


1. Faa um grfico ilustrando o domnio de definio de X e Y.
2. Calcule o valor da constante c.
3. Calcule as marginais de X e Y, mostrando que realmente definem uma funo de densidade.
4. Calcule E(X), E(Y ), V ar(X), V ar(Y ).
5. Calcule a distribuio condicional fX|Y (x|y).
6. Calcule a esperana condicional E(X|Y = y) - essa esperana uma funo de y!
7. Use os resultados anteriores para mostrar que E[E(X|Y )] = E(X).
8. Calcule a distribuio condicional fY |X (y|x)
9. Calcule a esperana condicional E(Y |X = x) - essa esperana uma funo de x!
10. Use os resultados anteriores para mostrar que E[E(Y |X)] = E(Y ).
11. Calcule Cov(X, Y ).
Soluo

CAPTULO 2. VARIVEIS ALEATRIAS BIDIMENSIONAIS CONTNUAS

Figura 2.8: Construo da regio de integrao para o Exemplo 2.8

34

CAPTULO 2. VARIVEIS ALEATRIAS BIDIMENSIONAIS CONTNUAS

35

1. Na Figura 2.8 ilustram-se as regies 0 < y < x (linha superior esquerda) e y < 1 x
(linha superior direita). A regio de integrao a interseo dessas duas regies, que est
ilustrada na linha inferior.
Para achar o ponto de interseo das duas retas, basta explicitar as condies e resolver o
sistema:

y=x
y =1x
Substitutindo a primeira equao na segunda, obtemos que y = 1y = 2y = 1 = y = 1/2.
Como neste ponto de interseo y = x, concluimos que o ponto de interseo o ponto
(1/2; 1/2). Na Figura 2.9 temos o domnio de vario de X e Y .

Figura 2.9: Regio de integrao para o Exemplo 2.8


2. Como f(x, y) 0, temos que ter c > 0. A segunda condio
RR
f (x, y)dxdy = 1
R

onde R o domnio de variao 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 (so as 2 retas que definem R).Note
que comeamos fixando y e depois olhamos a variao de x; isso implica na seguinte ordem
de integrao:

R 1/2 R 1y
R 1/2 R 1y
1
cxdx
dy
=
1

xdx
dy =
0
y
0
y
c

R 1/2 x2 1y
R
dy = 1 1/2 (1 y)2 y 2 dy = 2
0
0
2 y
c
c

1/2 2
R 1/2
1 1
2
2
2
2
(1 2y)dy = y y 2 0 = = = c = 8
0
c
c
2 4
c
8
c
O mesmo resultado obtido invertendo-se a ordem de integrao. A diferena que temos
que quebrar o domnio de variao de x em 2 partes: 0 < x 1/2 e 1/2 < x < 1. Para

CAPTULO 2. VARIVEIS ALEATRIAS BIDIMENSIONAIS CONTNUAS

36

x (0; 1/2], vemos na Figura 2.9 que 0 < y < x e para x (1/2; 1), 0 < y < 1 x. Ento,
temos

RR
R 1/2 R x
R 1 R 1x
f(x, y)dxdy = 1 0
cxdy dx + 1/2 0 cxdy dx = 1
R
0

R 1/2 R x
R1
R 1x
R 1/2
R1
cx
dy
dx
+
cx
dy dx = 1 0 cx2 dx + 1/2 cx(1 x)dx = 1
0
0
1/2
0
1/2 2
1
c c c
x3
c
x
c
x3
+

= 1
=
1

c + c c
3 0
2
3 1/2
24
2 3
8 24
3c
c + 12c 8c 3c + c
= 1
= 1 c = 8
24
24
Resulta, ento, que
f (x, y) =

8x se 0 < y < x e y < 1 x


0
c.c.

3. As marginais de X e Y so dadas, respectivamente, por


R
R
fX (x) = R f(x, y)dy
fY (y) = R f(x, y)dx

Para cada uma dessas integrais temos que definir o domnio de variao da varivel de integrao no domnio de definio 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 1y
1y
8xdx = 4x2 y = 4(1 y)2 4y 2 = 4 8y + 4y 2 4y 2
fY (y) =
y

ou seja:

fY (y) = 4(1 2y)

0 < y < 1/2

(2.6)

Note que fundamental explicitar o domnio de variao de y, de acordo com a regio conjunta!
Para a marginal de X, novamente temos que quebrar o domnio de variao 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

Para x (1/2; 1), 0 < y < 1 x, e neste caso


R 1x
R 1x
fX (x) = 0 8xdy = 8x 0 dy = 8x(1 x)8x(1 x)

Logo,

fx (x) =

8x2
0 < x 1/2
8x(1 x) 1/2 < x < 1

(2.7)

CAPTULO 2. VARIVEIS ALEATRIAS BIDIMENSIONAIS CONTNUAS


4. Temos que usar as marginais de X e Y e as definies de esperana e varincia.
R1
R 1/2
R1
E(X) = 0 xfX (x)dx = 0 x8x2 dx + 1/2 x8x(1 x)dx
1/2
1
1
x3
x4
x4
= 8 +8 8
4 0
3 1/2
4 1/2

1
8
1/2
1
= 2 x4 0 + x3 1/2 2 x4 1/2
3

1
8
1
1
= 2
+
1
2 1
16 3
8
16
15
1 8 7
+ 2
=
8 3 8
16
7 14
56 42
14
7
1 7 15
+
=
=
=
=
=
8 3
8
3
8
24
24
12

R 1/2
R 1/2
2
yf
(y)dy
=
y4(1

2y)dy
=
4y

8y
dy
Y
0
0
0

1/2
1/2
1 1
1
y3
1 8 1
y2
= 4 8 = 2 = =
2 0
3 0
4 3 8
2 3
6

E(Y ) =

R 1/2

E(X 2 ) =
=
=
=
=

R1

R 1/2 2 2
R1 2
2
x
f
(x)dx
=
x
8x
dx
+
x 8x(1 x)dx
X
0
0
1/2

1/2
1
1
x4
x5
x5
8 + 8 8
5 0
4 1/2
5 1/2
1
8 5 1/2
8 1
x 0 + 2 x4 1/2 x5 1/2
5

8 1
1
8
1

+2 1

1
5 32
16
5
32
15 31
15 30
15 3
15 12
3
1
+

=
=
=
20
8
20
8
20
8
2
8
8

Logo,
3
V ar(X) =
8

7
12

3
49
54 49
5

=
=
8 144
144
144

R 1/2 2
R 1/2 2
2
3
4y
dy
y
f
(y)dy
=
y
4(1

2y)dy
=

8y
Y
0
0
0

1/2
1/2
1
1 1
43
1
y4
4 1
y3
= =
=
= 4 8 = 2
3 0
4 0
3 8
16
6 8
24
24

E(Y 2 ) =

Logo,

R 1/2

1
V ar(Y ) =

24

2
1
1
32
1
1

=
=
=
6
24 36
72
72

37

CAPTULO 2. VARIVEIS ALEATRIAS BIDIMENSIONAIS CONTNUAS

38

5. Note que fX|Y (x|y) uma funo de x; para cada y (0; 1/2), temos uma distribuio
condicional diferente
fX|Y (x|y) =

8x
2x
f (x, y)
=
=
fY (y)
4(1 2y)
1 2y

0<x<1

6. Note que E(X|Y = y) uma funo de y! Para cada y, vimos que x varia de y a 1 y; logo
E(X|Y

3 1y
2x
1
2x
= y) = xfX|Y (x|y) = y x
dx =

1 2y
1 2y
3 y

2 (1 3y + 3y 2 2y 3 )
2
(1 y)3 y 3 =
= h(y)
=
3(1 2y)
3(1 2y)
R 1y

7. O problema pede para calcular E[E(X|Y )] = E[h(Y )] :


E[E(X|Y )] =
=
=
=
=

R 1/2 2 (1 3y + 3y 2 2y 3 )
h(y)fY (y)dy = 0
4(1 2y)dy
3(1 2y)

8 R 1/2
1 3y + 3y 2 2y 3 dy =
0
3

1/2
y2
y 4
8
3
y3 +y 2
3
2
4 0

8 1 3 1 1 1 1
+
3 2 2 4 8 2 16

1
8 16 8 1
8 7
7
8 1 2

=
=
=
= E(X)
3 2 8 32
3
32
3 32
12

8. Note que fY |X (y|x) uma funo de x; para cada x (0; 1), temos uma distribuio condicional diferente. Mas aqui fX (x) definida por duas expresses diferentes, uma para cada
um dos intervalos (0; 1/2] e (1/2; 1). Logo, a condicional fY |X (y|x) tambm ser definida por
duas expresses.
Para x (0; 1/2]
fY |X (y|x) =
Para x (1/2; 1)
fY |X (y|x) =
Logo,
fY |X (y|x) =

8x
f(x, y)
1
= 2 =
fX (x)
8x
x

8x
1
f (x, y)
=
=
fX (x)
8x(1 x)
1x
1
x
1
1x

0 < y < 1/2; 0 < x 1/2


0 < y < 1/2; 1/2 < x < 1

9. Note que E(Y |X = x) uma funo de x! Por definio,


R
E(Y |X = x) = yfY |X (y|x)dy

CAPTULO 2. VARIVEIS ALEATRIAS BIDIMENSIONAIS CONTNUAS


Como a densidade definida por duas expresses, o mesmo ocorrer com E(Y |X = x).
Para x (0; 1/2], vimos que y varia de 0 at x; logo

x
Rx 1
1 y 2
x
E(Y |X = x) = 0 y dy =
=

x
x 2 0
2

Para x (1/2; 1), vimos que y varia de 0 at 1 x; logo


E(Y |X = x) =
Logo

R 1x
0

1x
1
1x
1 y 2
y
=
dy =

1x
1x 2 0
2

E(Y |X = x) = h(x) =
10. Como E(Y |X = x) = h(x), segue que

x
2
1x
2

0 < x 1/2
1/2 < x < 1

R
E[E(Y |X] = E[h(X)] = h(x)fX (x)dx) =
R1 1x
R 1/2 x 2
.8x dx + 1/2
8x(1 x)dx
= 0
2
2
R1
R 1/2
= 0 4x3 dx + 4 1/2 x(1 x)2 dx
1/2
R1
= x4 0 + 4 1/2 (x 2x2 + x3 )dx
2
1
1
x
2x3 x4
=
+4

+
16
2
3
4 1/2

1 2 1
1 1 2 1 1 1
1
+4
+

+
=
16
2 3 4
2 4 3 8 4 16

68+3
1
1
1
1
+4

+
=
16
12
8 12 64

1
1
1
1
1
+4
+

=
16
12 8 12 64

1 1
1
1
32 24 3
1
+4

=
+4
=
16
6 8 64
16
192
5
8
1
1
+
=
= = E(Y )
=
16 48
48
6

39

CAPTULO 2. VARIVEIS ALEATRIAS BIDIMENSIONAIS CONTNUAS

40

11. Temos que


E(XY ) =

Z Z

xyfX,Y (x, y)dxdy

1/2
Z 1y
Z
xy8xdx dy
=
y

= 8

1/2
Z

= 8

1/2
Z

1y

Z
y x2 dx dy
y

8
=
3

1/2
Z

8
3

1/2
Z

=
=
=
=

1y
x3
dy
3 y

y (1 y)3 y 3 dy

y 1 3y + 3y 2 2y 3 dy

1/2
8 y2
3 4 2 5
3
y + y y
3 2
4
5
0

8 1 1 3 1
2 1
+

3 8 8 4 16 5 32
1
1

8 30
15 4
11
=
120
120

Logo,
Cov(X, Y ) =

2.9

11
33 35
7 1
11
7
2
1

= 3
3 2 = 3 2 = 3 2 =
120 12 6
2 53 2 3
2 3 .5
2 3 .5
180

A distribuio normal bidimensional

Se X N(; 2 ) sua densidade dada por


"

2 #
1
1 x
f(x) =
exp
2

2 2

<x<

e vimos que E(X) = e V ar(X) = 2 . Vamos ver agora o caso da normal bidimensional.

(2.8)

CAPTULO 2. VARIVEIS ALEATRIAS BIDIMENSIONAIS CONTNUAS

2.9.1

41

Funo de densidade

A funo de densidade normal bidimensional dada pela funo

1
1
p
exp A
f (x, y) =
2
2 x y 1 2
onde

1
A=
1 2

"

x x
x

x x
2
x

y y
y

(2.9)

y y
y

2 #

(2.10)

Os parmetros dessa distribuio so x , y , x , y , .


Para facilitar os clculos subsequentes, vamos reescrever A da seguinte forma:
"
2

2 #

y y
y y 2
y

x x
x x
1
y
y
+
2
+ 2
2
A=
1 2
x
x
y
y
y
y

Note que somamos e subtraimos o mesmo termo. Reorganizando os termos:


("
2

2 # "
2

2 #)

y y
y

x x
x x
1
y
y
y
+
+ 2
2
2
A=
1 2
x
x
y
y
y
y
O termo entre o primeiro par de colchetes da forma a2 2ab + b2 ; logo, podemos escrever
(
"

2 #)

y y 2
y

x x
1
y
=

+ 1 2
A =
1 2
x
y
y

y y 2
y y 2
1
x x
=

+
=
1 2
x
y
y
"

#2

(x x ) y x y y
y y 2
1
+
=
=
1 2
x y
y

2
y y 2
x
1
x x
+
y y
=
(1 2 ) 2x
y
y

Ento, podemos escrever a densidade conjunta como


(

2 1 y y 2
1
1
x
1
p
x x
exp

y y
f(x, y) =
2 (1 2 ) 2x
y
2
y
2 x y 1 2
)
"
(

2 #

2
1
1 y y
1
x
1
p
exp
x x
= p
exp
y y
2 (1 2 ) 2x
y
2
y
2 2y 2 2x (1 2 )

[lembre-se que exp(a + b) = exp(a) exp(b)].


Se definimos

x
(y) = x +
y y
y

2
2
= 1 2x

(2.11)

CAPTULO 2. VARIVEIS ALEATRIAS BIDIMENSIONAIS CONTNUAS

42

ento podemos escrever:


"
2 #

1
1
1 y y
1
2
p
f (x, y) = p
exp
exp 2 (x (y))
2
y
2 2y
2
2 2

(2.12)

interessante notar que y depende apenas de y e uma constante.

2
x
Se somarmos e subtrairmos x
em (2.10), obteremos de forma anloga a seguinte expresso
x
para f(x, y) :
"
2 #

1
1
1 x x
1
2
p
f (x, y) = p
(2.13)
exp
exp 2 (x (x))
2
x
2
2 2x
2 2
onde

2.9.2

y
(x) = y + (x x )
y

2
2
= 1 2y

(2.14)

Densidades Marginais

As densidades marginais so calculadas como


R
f (x, y)dy
fX (x) =
R
f (x, y)dx
fY (y) =

Vamos calcular fY (y) usando a expresso (2.12):


R
f(x, y)dx
fY (y) =
(
"
2 #
)

+
R
1
1
1 y y
1
2
p
p
dx
exp
exp 2 (x (y))
=
2
y
2 2y
2

2 2
"
2 # Z+

1
1
1
1
y
2
p
= p
exp
exp 2 (x (y)) dx
2
y
2 2y
2
2 2

Mas o integrando a funo de densidade de uma varivel aleatria normal com mdia (y) (que
no depende de x) e varincia 2 (uma constante): compare o integrando com a funo de densidade
N(; 2 ) dada em (2.8). Logo, essa integral igual a 1,pelas propriedades da funo de densidade
e isso nos d
"
2 #

1
1 y y
fY (y) = p
exp
2
y
2 2y

que a expresso da densidade normal com mdia y e varincia 2y .


Por simetria (note a simetria de x e y na funo de densidade conjunta), ou usando a expresso
(2.13), conclumos que fX (x) normal com mdia x e varincia 2x .

CAPTULO 2. VARIVEIS ALEATRIAS BIDIMENSIONAIS CONTNUAS

2.9.3

43

Covarincia e Correlao

Seja (X, Y ) um vetor normal bidimensional. Vamos calcular a covarincia entre X e Y. Por
definio, temos que Cov(X, Y ) = E(XY ) E(X)E(Y ); no caso da normal bidimensional, isso
significa que Cov(X, Y ) = E(XY ) x y . Precisamos, ento, calcular E(XY ). Por definio,
Z Z
E(XY ) =
xyf (x, y)dxdy
=

+
Z +
Z

"
2 #

1
1
1 y y
1
2
p
xy p
exp
exp 2 (x (y)) dxdy
2
y
2 2y
2
2 2

Analisando a expresso que define (y) e , podemos ver que constante e (y) depende apenas
de y. Assim,

"
+
2 # +

Z
Z
1
1 y y
1
1
2
p
yp
dx dy
E(XY ) =
exp

x
exp

2 (x (y))
2
2

2 y
2
y
2

Note a integral com relao a x : por definio, ela a esperana de uma densidade normal com

x
mdia (y), ou seja, a integral com relao a x (y) = x +
y y . Logo,
y
E(XY ) =

+
Z (

+
Z

+
Z

"
2 #

1
1 y y
x
yp
x +
exp
y y
dy
2
y
y
2 2y

x
y x +
y y fY (y)dy
y
x yfY (y)dy +

+
Z

= x

+
Z

x
yfY (y)dy +
y

x
y y y fY (y)dy
y
+
Z

y yy fY (y)dy

A primeira integral a mdia de fY (y), ou seja, y. J a segunda integral


+
Z

y yy fY (y)dy = E(Y 2 y Y ) = E(Y 2 ) y E(Y )

Como Y N(y , 2y ), resulta que


2y = E(Y 2 ) [E(Y )]2 = E(Y 2 ) 2y = E(Y 2 ) = 2y + 2y

CAPTULO 2. VARIVEIS ALEATRIAS BIDIMENSIONAIS CONTNUAS

44

Substituindo, resulta que a segunda integral


E(Y 2 ) y E(Y ) = 2y + 2y 2y = 2y
Substituindo obtemos que
E(XY ) = x y +

x 2
= x y + x y
y y

e, portanto,
Cov(X, Y ) = E(XY ) E(X)E(Y ) = x y + x y x y = x y
Finalmente, como a correlao igual a

Cov(X, Y )
, resulta que, se (X, Y ) tem distribuio
xy

normal bidimensional, ento


= Corr(X, Y )
Dessa forma, os parmetros da distribuio normal bidimensional so x , y (mdias das marginais),
2x , 2y (varincias das marginais) e (correlao entre X e Y ).

2.9.4

Distribuies Condicionais

Por definio, temos que


fY |X (y|x) =

f(x, y)
fX (x)

1
p
exp 12 A
2 x y 1 2

=
1
1
2
p
exp 2 (x x )
2 x
2 2x

1
1
1
2
p
exp A + 2 (x x )
=
2
2 x
2 y 1 2

1
1
1
2
p
A 2 (x x )
=
exp
2
x
y 2(1 2 )

Vamos trabalhar o termo que aparece entre parnteses na exponencial, somando e subtraindo

CAPTULO 2. VARIVEIS ALEATRIAS BIDIMENSIONAIS CONTNUAS

45

um termo apropriado para completar o quadrado:


"
2


2 #

1
1
1
x

y
y
x
x

A 2 (x x )2 =
+

2
(x x )2
2
2
x
1
x
x
y
y
x
"
#


2 # "

2
y y
y y
x x
1
x x
1
1
2
+
+
=
2 (x x )2
1 2
x
y
y
1 2
x
x
"

2 #

y y 2
y y
x

1
x x
x
x
+ 2
=
2
2
1 2
y
x
y
x
x
#
"

2
x x
1
1
+
2 (x x )2
1 2
x
x
"

2 #

y y 2
y y
2
x

x x
x x
1
x
2

+
=
2
1 2
y
x
y
x
1 2
x
#
"

2
x x
1
1
+
2 (x x )2
2
1
x
x

2
2

y y
2
x x
x x
1
1

+
+
1
=
1 2
y
x
x
1 2 1 2

2
2 2

y y
+ 1 1 + 2
x x
x x
1

+
=
1 2
y
x
x
1 2

2
y y
x x
1

=
2
1
y
x

2
1
y
y y (x x )
=
2y (1 2 )
x
Logo,
(
2 )

1
1
y
1
fY |X (y|x) = p
y y (x x )
exp 2
2 y (1 2 )
x
y 2(1 2 )

Usando (2.14), conclui-se que

1
2
fY |X (y|x) = p
exp 2 (y (x))
2
2 2
1

Assim, a distribuio condicional de Y |X = x uma normal com mdia


(x) = y +
e varincia

y
(x x )
x

2 = 1 2 2y

CAPTULO 2. VARIVEIS ALEATRIAS BIDIMENSIONAIS CONTNUAS


Por simetria, a distribuio condicional de X|Y = y uma normal com mdia

x
(y) = x +
y y
y
e varincia

2 = 1 2 2x
Note que as esperanas condicionais so funes lineares, isto :
y
E(Y |X = x) = y + (x x )
x
e

x
E(X|Y = y) = y = x +
y y
y

2.9.5

Resumo dos resultados

Se (X, Y ) tem distribuio normal bidimensional, ento a densidade conjunta

1
1
p
exp A
f (x, y) =
2
2 x y 1 2
onde

1
A=
1 2

"

x x
x

As densidades marginais so normais:

x x
2
x

y y
y

X N X , 2X

Y N Y , 2Y

As distribuies condicionais so normais:


onde

Y |X = x N x , 2

y
x = y + (x x )
x

2
2
= 1 2y

e
onde

Note que

X|Y = y N y ; 2

x
y = x +
y y
y

2
= 1 2 2x

y
(x x )
x

x
g(y) = E(X|Y = y) = x +
y y
y
e ambas so funes lineares.
h(x) = E(Y |X = x) = y +

y y
y

2 #

46

CAPTULO 2. VARIVEIS ALEATRIAS BIDIMENSIONAIS CONTNUAS

2.10

47

Exerccios propostos

1. Seja (X, Y ) um vetor aleatrio cuja funo de densidade constante na regio A R2 definida
por A = {(x, y); 0 < y < x; x + y < 1}. Determine
(a) a funo de densidade conjunta de X e Y.
(b) as marginais fX e fY
(c) E(X), E(Y ), V ar(X), V ar(Y )
(d) P (X < 0, 5; Y > 0, 25)
(e) P (X + Y > 1/2)
(f) a covarincia e a correlao entre X e Y.
2. Seja (X, Y ) um vetor aleatrio cuja funo de densidade constante na regio A R2 definida
por A = {(x, y) | 0 < x < 1; x + y < 1}. Determine
(a) a funo de densidade conjunta de X e Y.
(b) as marginais fX e fY
(c) E(X), E(Y ), V ar(X), V ar(Y )
(d) P (X < 0, 5; Y > 0, 5)
(e) a covarincia e a correlao entre X e Y.
3. Considere a seguinte funo de densidade conjunta das variveis aleatrias X e Y :
y
se 0 < x < y
e
f (x, y) =
0 caso contrrio
(a) Obtenha as densidades marginais de X e Y , identificando as suas respectivas distribuies de probabilidade.
(b) Verifique se X e Y so independentes, justificando a sua resposta.
4. Sejam X e Y variveis aleatrias contnuas com a seguinte funo de densidade conjunta:
2
cy se 0 < x < 2 e 0 < y < 1
f(x, y) =
0
c.c.
(a) Faa um grfico ilustrando o domnio de variao de X e Y.
(b) Calcule o valor da constante c.
(c) Calcule as marginais de X e Y, mostrando que realmente definem uma funo de densidade.
(d) Calcule E(X), E(Y ), V ar(X), V ar(Y ).
(e) X e Y so independentes? Justifique sua resposta.
(f) Calcule P (Y > 2 X).

CAPTULO 2. VARIVEIS ALEATRIAS BIDIMENSIONAIS CONTNUAS

48

(g) Calcule P (X 1)
5. Seja X o tempo (em segundos) necessrio para um corredor completar os primeiros 500 metros
de uma corrida e seja Y o tempo (em segundos) necessrio para ele completar os prximos
500 metros na mesma corrida. Suponha que (X, Y ) tenha distribuio normal bivariada com
os seguintes parmetros:
X
Y
X

(a) Calcule Pr(X 60) e Pr(Y 59).

=
=
=
=

59
60
Y = 1
0, 5.

(b) Se ele correu os primeiros 500 metros em 60 segundos, qual a probabilidade de que ele
leve menos de 59 segundos para completar os 500 metros seguintes?

CAPTULO 2. VARIVEIS ALEATRIAS BIDIMENSIONAIS CONTNUAS

49

Tabela 1
Tabela da Distribuio Acumulada da Normal Padro

Valores de p
p = ( z ) = Pr( Z z )
Casa inteira
a
e 1 . Decimal
0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1,0
1,1
1,2
1,3
1,4
1,5
1,6
1,7
1,8
1,9
2,0
2,1
2,2
2,3
2,4
2,5
2,6
2,7
2,8
2,9
3,0
3,1
3,2
3,3
3,4
3,5
3,6
3,7
3,8
3,9
4,0

0
0,50000
0,53983
0,57926
0,61791
0,65542
0,69146
0,72575
0,75804
0,78814
0,81594
0,84134
0,86433
0,88493
0,90320
0,91924
0,93319
0,94520
0,95543
0,96407
0,97128
0,97725
0,98214
0,98610
0,98928
0,99180
0,99379
0,99534
0,99653
0,99744
0,99813
0,99865
0,99903
0,99931
0,99952
0,99966
0,99977
0,99984
0,99989
0,99993
0,99995
0,99997

1
0,50399
0,54380
0,58317
0,62172
0,65910
0,69497
0,72907
0,76115
0,79103
0,81859
0,84375
0,86650
0,88686
0,90490
0,92073
0,93448
0,94630
0,95637
0,96485
0,97193
0,97778
0,98257
0,98645
0,98956
0,99202
0,99396
0,99547
0,99664
0,99752
0,99819
0,99869
0,99906
0,99934
0,99953
0,99968
0,99978
0,99985
0,99990
0,99993
0,99995
0,99997

2
0,50798
0,54776
0,58706
0,62552
0,66276
0,69847
0,73237
0,76424
0,79389
0,82121
0,84614
0,86864
0,88877
0,90658
0,92220
0,93574
0,94738
0,95728
0,96562
0,97257
0,97831
0,98300
0,98679
0,98983
0,99224
0,99413
0,99560
0,99674
0,99760
0,99825
0,99874
0,99910
0,99936
0,99955
0,99969
0,99978
0,99985
0,99990
0,99993
0,99996
0,99997

3
0,51197
0,55172
0,59095
0,62930
0,66640
0,70194
0,73565
0,76730
0,79673
0,82381
0,84849
0,87076
0,89065
0,90824
0,92364
0,93699
0,94845
0,95818
0,96638
0,97320
0,97882
0,98341
0,98713
0,99010
0,99245
0,99430
0,99573
0,99683
0,99767
0,99831
0,99878
0,99913
0,99938
0,99957
0,99970
0,99979
0,99986
0,99990
0,99994
0,99996
0,99997

2 decimal
4
5
0,51595 0,51994
0,55567 0,55962
0,59483 0,59871
0,63307 0,63683
0,67003 0,67364
0,70540 0,70884
0,73891 0,74215
0,77035 0,77337
0,79955 0,80234
0,82639 0,82894
0,85083 0,85314
0,87286 0,87493
0,89251 0,89435
0,90988 0,91149
0,92507 0,92647
0,93822 0,93943
0,94950 0,95053
0,95907 0,95994
0,96712 0,96784
0,97381 0,97441
0,97932 0,97982
0,98382 0,98422
0,98745 0,98778
0,99036 0,99061
0,99266 0,99286
0,99446 0,99461
0,99585 0,99598
0,99693 0,99702
0,99774 0,99781
0,99836 0,99841
0,99882 0,99886
0,99916 0,99918
0,99940 0,99942
0,99958 0,99960
0,99971 0,99972
0,99980 0,99981
0,99986 0,99987
0,99991 0,99991
0,99994 0,99994
0,99996 0,99996
0,99997 0,99997

Para abscissas maiores que 4,09, use a probabilidade 1,00000

6
0,52392
0,56356
0,60257
0,64058
0,67724
0,71226
0,74537
0,77637
0,80511
0,83147
0,85543
0,87698
0,89617
0,91309
0,92785
0,94062
0,95154
0,96080
0,96856
0,97500
0,98030
0,98461
0,98809
0,99086
0,99305
0,99477
0,99609
0,99711
0,99788
0,99846
0,99889
0,99921
0,99944
0,99961
0,99973
0,99981
0,99987
0,99992
0,99994
0,99996
0,99998

7
0,52790
0,56749
0,60642
0,64431
0,68082
0,71566
0,74857
0,77935
0,80785
0,83398
0,85769
0,87900
0,89796
0,91466
0,92922
0,94179
0,95254
0,96164
0,96926
0,97558
0,98077
0,98500
0,98840
0,99111
0,99324
0,99492
0,99621
0,99720
0,99795
0,99851
0,99893
0,99924
0,99946
0,99962
0,99974
0,99982
0,99988
0,99992
0,99995
0,99996
0,99998

8
0,53188
0,57142
0,61026
0,64803
0,68439
0,71904
0,75175
0,78230
0,81057
0,83646
0,85993
0,88100
0,89973
0,91621
0,93056
0,94295
0,95352
0,96246
0,96995
0,97615
0,98124
0,98537
0,98870
0,99134
0,99343
0,99506
0,99632
0,99728
0,99801
0,99856
0,99896
0,99926
0,99948
0,99964
0,99975
0,99983
0,99988
0,99992
0,99995
0,99997
0,99998

9
0,53586
0,57535
0,61409
0,65173
0,68793
0,72240
0,75490
0,78524
0,81327
0,83891
0,86214
0,88298
0,90147
0,91774
0,93189
0,94408
0,95449
0,96327
0,97062
0,97670
0,98169
0,98574
0,98899
0,99158
0,99361
0,99520
0,99643
0,99736
0,99807
0,99861
0,99900
0,99929
0,99950
0,99965
0,99976
0,99983
0,99989
0,99992
0,99995
0,99997
0,99998

CAPTULO 2. VARIVEIS ALEATRIAS BIDIMENSIONAIS CONTNUAS

50

Tabela 2
Distribuio normal padro
Valores de p
p = Pr(0 Z z )
Casa inteira
a
e 1 . Decimal
0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1,0
1,1
1,2
1,3
1,4
1,5
1,6
1,7
1,8
1,9
2,0
2,1
2,2
2,3
2,4
2,5
2,6
2,7
2,8
2,9
3,0
3,1
3,2
3,3
3,4
3,5
3,6
3,7
3,8
3,9
4,0

0
0,00000
0,03983
0,07926
0,11791
0,15542
0,19146
0,22575
0,25804
0,28814
0,31594
0,34134
0,36433
0,38493
0,40320
0,41924
0,43319
0,44520
0,45543
0,46407
0,47128
0,47725
0,48214
0,48610
0,48928
0,49180
0,49379
0,49534
0,49653
0,49744
0,49813
0,49865
0,49903
0,49931
0,49952
0,49966
0,49977
0,49984
0,49989
0,49993
0,49995
0,49997

1
0,00399
0,04380
0,08317
0,12172
0,15910
0,19497
0,22907
0,26115
0,29103
0,31859
0,34375
0,36650
0,38686
0,40490
0,42073
0,43448
0,44630
0,45637
0,46485
0,47193
0,47778
0,48257
0,48645
0,48956
0,49202
0,49396
0,49547
0,49664
0,49752
0,49819
0,49869
0,49906
0,49934
0,49953
0,49968
0,49978
0,49985
0,49990
0,49993
0,49995
0,49997

2
0,00798
0,04776
0,08706
0,12552
0,16276
0,19847
0,23237
0,26424
0,29389
0,32121
0,34614
0,36864
0,38877
0,40658
0,42220
0,43574
0,44738
0,45728
0,46562
0,47257
0,47831
0,48300
0,48679
0,48983
0,49224
0,49413
0,49560
0,49674
0,49760
0,49825
0,49874
0,49910
0,49936
0,49955
0,49969
0,49978
0,49985
0,49990
0,49993
0,49996
0,49997

3
0,01197
0,05172
0,09095
0,12930
0,16640
0,20194
0,23565
0,26730
0,29673
0,32381
0,34849
0,37076
0,39065
0,40824
0,42364
0,43699
0,44845
0,45818
0,46638
0,47320
0,47882
0,48341
0,48713
0,49010
0,49245
0,49430
0,49573
0,49683
0,49767
0,49831
0,49878
0,49913
0,49938
0,49957
0,49970
0,49979
0,49986
0,49990
0,49994
0,49996
0,49997

2 decimal
4
5
0,01595 0,01994
0,05567 0,05962
0,09483 0,09871
0,13307 0,13683
0,17003 0,17364
0,20540 0,20884
0,23891 0,24215
0,27035 0,27337
0,29955 0,30234
0,32639 0,32894
0,35083 0,35314
0,37286 0,37493
0,39251 0,39435
0,40988 0,41149
0,42507 0,42647
0,43822 0,43943
0,44950 0,45053
0,45907 0,45994
0,46712 0,46784
0,47381 0,47441
0,47932 0,47982
0,48382 0,48422
0,48745 0,48778
0,49036 0,49061
0,49266 0,49286
0,49446 0,49461
0,49585 0,49598
0,49693 0,49702
0,49774 0,49781
0,49836 0,49841
0,49882 0,49886
0,49916 0,49918
0,49940 0,49942
0,49958 0,49960
0,49971 0,49972
0,49980 0,49981
0,49986 0,49987
0,49991 0,49991
0,49994 0,49994
0,49996 0,49996
0,49997 0,49997

Para abscissas maiores que 4,09, use a probabilidade 0,50000

6
0,02392
0,06356
0,10257
0,14058
0,17724
0,21226
0,24537
0,27637
0,30511
0,33147
0,35543
0,37698
0,39617
0,41309
0,42785
0,44062
0,45154
0,46080
0,46856
0,47500
0,48030
0,48461
0,48809
0,49086
0,49305
0,49477
0,49609
0,49711
0,49788
0,49846
0,49889
0,49921
0,49944
0,49961
0,49973
0,49981
0,49987
0,49992
0,49994
0,49996
0,49998

7
0,02790
0,06749
0,10642
0,14431
0,18082
0,21566
0,24857
0,27935
0,30785
0,33398
0,35769
0,37900
0,39796
0,41466
0,42922
0,44179
0,45254
0,46164
0,46926
0,47558
0,48077
0,48500
0,48840
0,49111
0,49324
0,49492
0,49621
0,49720
0,49795
0,49851
0,49893
0,49924
0,49946
0,49962
0,49974
0,49982
0,49988
0,49992
0,49995
0,49996
0,49998

8
0,03188
0,07142
0,11026
0,14803
0,18439
0,21904
0,25175
0,28230
0,31057
0,33646
0,35993
0,38100
0,39973
0,41621
0,43056
0,44295
0,45352
0,46246
0,46995
0,47615
0,48124
0,48537
0,48870
0,49134
0,49343
0,49506
0,49632
0,49728
0,49801
0,49856
0,49896
0,49926
0,49948
0,49964
0,49975
0,49983
0,49988
0,49992
0,49995
0,49997
0,49998

9
0,03586
0,07535
0,11409
0,15173
0,18793
0,22240
0,25490
0,28524
0,31327
0,33891
0,36214
0,38298
0,40147
0,41774
0,43189
0,44408
0,45449
0,46327
0,47062
0,47670
0,48169
0,48574
0,48899
0,49158
0,49361
0,49520
0,49643
0,49736
0,49807
0,49861
0,49900
0,49929
0,49950
0,49965
0,49976
0,49983
0,49989
0,49992
0,49995
0,49997
0,49998

CAPTULO 2. VARIVEIS ALEATRIAS BIDIMENSIONAIS CONTNUAS

51

Tabela 3
Tabela da Qui-Quadrado
Valores crticos tais que

Pr n2 n2; =

g.l.
n

n2;

=
0,990

0,980

0,975

0,950

0,900

0,800

0,200

0,100

0,050

0,025

0,020

0,010

0,000

0,001

0,001

0,004

0,016

0,064

1,642

2,706

3,841

5,024

5,412

6,635

0,020

0,040

0,051

0,103

0,211

0,446

3,219

4,605

5,991

7,378

7,824

9,210

0,115

0,185

0,216

0,352

0,584

1,005

4,642

6,251

7,815

9,348

9,837 11,345

0,297

0,429

0,484

0,711

1,064

1,649

5,989

7,779

9,488 11,143 11,668 13,277

0,554

0,752

0,831

1,145

1,610

2,343

7,289

9,236 11,070 12,833 13,388 15,086

0,872

1,134

1,237

1,635

2,204

3,070

8,558 10,645 12,592 14,449 15,033 16,812

1,239

1,564

1,690

2,167

2,833

3,822

9,803 12,017 14,067 16,013 16,622 18,475

1,646

2,032

2,180

2,733

3,490

4,594 11,030 13,362 15,507 17,535 18,168 20,090

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 ]

CAPTULO 2. VARIVEIS ALEATRIAS BIDIMENSIONAIS CONTNUAS

52

Tabela 4

Distribuio t-Student: X ~ t(n )


Valores crticos de X tais que
Pr(X > t ) = p

g.l.
n
1
2
3
4
5

30,0%
0,727
0,617
0,584
0,569
0,559

20,0%
1,376
1,061
0,978
0,941
0,920

10,0%
3,078
1,886
1,638
1,533
1,476

5,0%
6,314
2,920
2,353
2,132
2,015

4,0%
7,916
3,320
2,605
2,333
2,191

2,5%
12,706
4,303
3,182
2,776
2,571

2,0%
15,895
4,849
3,482
2,999
2,757

1,0%
31,821
6,965
4,541
3,747
3,365

0,5%
63,657
9,925
5,841
4,604
4,032

0,1%
318,309
22,327
10,215
7,173
5,893

0,05%
636,619
31,599
12,924
8,610
6,869

6
7
8
9
10

0,553
0,549
0,546
0,543
0,542

0,906
0,896
0,889
0,883
0,879

1,440
1,415
1,397
1,383
1,372

1,943
1,895
1,860
1,833
1,812

2,104
2,046
2,004
1,973
1,948

2,447
2,365
2,306
2,262
2,228

2,612
2,517
2,449
2,398
2,359

3,143
2,998
2,896
2,821
2,764

3,707
3,499
3,355
3,250
3,169

5,208
4,785
4,501
4,297
4,144

5,959
5,408
5,041
4,781
4,587

11
12
13
14
15

0,540
0,539
0,538
0,537
0,536

0,876
0,873
0,870
0,868
0,866

1,363
1,356
1,350
1,345
1,341

1,796
1,782
1,771
1,761
1,753

1,928
1,912
1,899
1,887
1,878

2,201
2,179
2,160
2,145
2,131

2,328
2,303
2,282
2,264
2,249

2,718
2,681
2,650
2,624
2,602

3,106
3,055
3,012
2,977
2,947

4,025
3,930
3,852
3,787
3,733

4,437
4,318
4,221
4,140
4,073

16
17
18
19
20

0,535
0,534
0,534
0,533
0,533

0,865
0,863
0,862
0,861
0,860

1,337
1,333
1,330
1,328
1,325

1,746
1,740
1,734
1,729
1,725

1,869
1,862
1,855
1,850
1,844

2,120
2,110
2,101
2,093
2,086

2,235
2,224
2,214
2,205
2,197

2,583
2,567
2,552
2,539
2,528

2,921
2,898
2,878
2,861
2,845

3,686
3,646
3,610
3,579
3,552

4,015
3,965
3,922
3,883
3,850

21
22
23
24
25

0,532
0,532
0,532
0,531
0,531

0,859
0,858
0,858
0,857
0,856

1,323
1,321
1,319
1,318
1,316

1,721
1,717
1,714
1,711
1,708

1,840
1,835
1,832
1,828
1,825

2,080
2,074
2,069
2,064
2,060

2,189
2,183
2,177
2,172
2,167

2,518
2,508
2,500
2,492
2,485

2,831
2,819
2,807
2,797
2,787

3,527
3,505
3,485
3,467
3,450

3,819
3,792
3,768
3,745
3,725

26
27
28
29
30

0,531
0,531
0,530
0,530
0,530

0,856
0,855
0,855
0,854
0,854

1,315
1,314
1,313
1,311
1,310

1,706
1,703
1,701
1,699
1,697

1,822
1,819
1,817
1,814
1,812

2,056
2,052
2,048
2,045
2,042

2,162
2,158
2,154
2,150
2,147

2,479
2,473
2,467
2,462
2,457

2,779
2,771
2,763
2,756
2,750

3,435
3,421
3,408
3,396
3,385

3,707
3,690
3,674
3,659
3,646

You might also like