You are on page 1of 55

i

UNIVERSIDADE FEDERAL FLUMINENSE
CENTRO DE ESTUDOS GERAIS
INSTITUTO DE MATEMÁTICA

DEPARTAMENTO DE ESTATÍSTICA

VARIÁVEIS ALEATÓRIAS BIDIMENSIONAIS

Ana Maria Lima de Farias

Abril 2009

Conteúdo
1 Variáveis Aleatórias Bidimensionais Discretas
1.1 Exemplo (Bussab,Morettin) . . . . . . . . . . . . . . . . .
1.1.1 Distribuições conjuntas . . . . . . . . . . . . . . . .
1.1.2 Distribuições marginais . . . . . . . . . . . . . . . .
1.1.3 Distribuições condicionais . . . . . . . . . . . . . .
1.2 Definições . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2.1 Vetor aleatório bidimensional discreto . . . . . . . .
1.2.2 Função de distribuição de probabilidade . . . . . .
1.2.3 Distribuições marginais . . . . . . . . . . . . . . . .
1.2.4 Distribuições condicionais . . . . . . . . . . . . . .
1.2.5 Esperança condicional . . . . . . . . . . . . . . . .
1.3 Independência de variáveis aleatórias . . . . . . . . . . . .
1.3.1 Exemplo (continuação) . . . . . . . . . . . . . . . .
1.4 Funções de variáveis aleatórias . . . . . . . . . . . . . . . .
1.4.1 Exemplo (continuação) . . . . . . . . . . . . . . . .
1.5 Covariância . . . . . . . . . . . . . . . . . . . . . . . . . .
1.5.1 Propriedades da covariância . . . . . . . . . . . . .
1.5.2 Interpretação da covariância . . . . . . . . . . . . .
1.5.3 Independência e covariância de variáveis aleatórias .
1.6 Coeficiente de correlação . . . . . . . . . . . . . . . . . . .
1.7 Exercícios propostos . . . . . . . . . . . . . . . . . . . . .

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

2 Variáveis Aleatórias Bidimensionais Contínuas
2.1 Função de densidade conjunta . . . . . . . . . . . . . . . . .
2.1.1 Exemplo . . . . . . . . . . . . . . . . . . . . . . . . .
2.1.2 Exemplo (Exercício 18, p. 220 - Bussab & Morettin)
2.2 Densidades marginais . . . . . . . . . . . . . . . . . . . . . .
2.2.1 Exemplo 2.1.1 (continuação) . . . . . . . . . . . . . .
2.2.2 Exemplo 2.1.2 (continuação) . . . . . . . . . . . . . .
2.3 Distribuições e esperanças condicionais . . . . . . . . . . . .
2.3.1 Exemplo 2.1.1 (continuação) . . . . . . . . . . . . . .
2.3.2 Exemplo 2.1.2 (continuação) . . . . . . . . . . . . . .
2.4 Independência de variáveis aleatórias contínuas . . . . . . .
2.5 Funções de variáveis aleatórias contínuas . . . . . . . . . . .
2.5.1 Exemplo . . . . . . . . . . . . . . . . . . . . . . . . .

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

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

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

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

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

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

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

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

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

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

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

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

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

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

ii

CONTEÚDO
2.6 Covariância e correlação . . . . . . .
2.7 A distribuição t de Student . . . . .
2.7.1 Tabela da t-Student . . . . .
2.7.2 Exemplos . . . . . . . . . . .
2.7.3 Exercícios . . . . . . . . . . .
2.8 Exemplo . . . . . . . . . . . . . . . .
2.9 A distribuição normal bidimensional
2.9.1 Função de densidade . . . . .
2.9.2 Densidades Marginais . . . . .
2.9.3 Covariância e Correlação . . .
2.9.4 Distribuições Condicionais . .
2.9.5 Resumo dos resultados . . . .
2.10 Exercícios propostos . . . . . . . . .

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Capítulo 1
Variáveis Aleatórias Bidimensionais
Discretas
1.1

Exemplo (Bussab,Morettin)

Em muitas situações, é comum que um experimento aleatório gere mais de uma variável de interesse.
Consideremos, por exemplo, um estudo da composição de famílias com 3 filhos quanto ao sexo das
crianças.
Podemos definir as seguintes variáveis:
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
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 distribuições de probabilidades para as variáveis
aleatórias X, Y , Z:

1

CAPÍTULO 1. VARIÁVEIS ALEATÓRIAS BIDIMENSIONAIS DISCRETAS

X :

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

Y

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) =

2

3
4

1
4
1
Var(Z) =
2

Var(Y ) =

Distribuições conjuntas

Vamos analisar agora a distribuição conjunta de 2 dessas variáveis, 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 apresentá-las em forma de tabela de dupla entrada, como fizemos no caso de
tabelas de freqüência 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 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

obviamente. 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 ) pode-se obter a distribuição condicional de X. o evento {X = 0} pode ser escrito como: {X = 0} = {X = 0 ∩ Y = 0} ∪ {X = 0 ∩ Y = 1} e como estes são eventos mutuamente exclusivos.3 Distribuições condicionais A partir da distribuição conjunta de (X.2 3 Distribuições marginais A partir da distribuição conjunta de (X.1. Y = 1) = 0 + = 8 8 Para a distribuição de Y temos: Pr(X = 2) = Pr(X = 2. 1. Y = 0) 4 1 1 2 1 + Pr(X = 3. condicionada a um determinado valor de Y . podemos obter a distribuição de Y a partir da distribuição conjunta de (Y. Y = 1) 4 1 1 2 1 + Pr(X = 3. como podemos obter a distribuição de X? E de Y ? Note que.CAPÍTULO 1. Y = 1) = Pr(Y = 0) = Pr(X = 0. Y = 0) = + + + 0 = = 8 8 8 8 2 Pr(Y = 1) = Pr(X = 0. Z) . 1 2 3 + = 8 8 8 1 1 Pr(X = 3) = Pr(X = 3. Y ). resulta Pr(X = 0) = Pr(X = 0. VARIÁVEIS ALEATÓRIAS BIDIMENSIONAIS DISCRETAS 1. Y = 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) ⎪ ⎪ = =0 ⎩ Pr(X = 3 | Y = 0) = Pr(Y = 0) 1/2 . obteremos o mesmo resultado. Y = 1) + Pr(X = 2. Y = 0) + Pr(X = 3. Y = 1) = 0 + + + = = 8 8 8 8 2 De maneira análoga.1. ou seja. as probabilidades condicionais de cada valor de X. Y = 1) = 1 1 +0= 8 8 Pr(X = 1) = Pr(X = 1. 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 = 0. por exemplo e. Y = 0) + Pr(X = 1. em termos dessa distribuição conjunta. Y = 1) = 3 2 1 + = 8 8 8 Analogamente. temos que: ⎧ Pr(X = 0. Y = 0) + Pr(X = 2. Y = 0) + Pr(X = 1. Aplicando a definição de probabilidade condicional.

então o vetor é dito um vetor discreto. a cada ponto de um espaço amostral Ω.2. podemos calcular sua esperança e sua variância: E(X | Y E(X 2 | Y Var(X | Y P 1 1 1 +1× +2× +3×0=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. 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 então: Y |X = 1 : ⎧ Pr(X = 1.1 Definições Vetor aleatório bidimensional discreto Um vetor aleatório bidimensional é uma função bivariada que associa.2 1. E(Y | X = 1) = 1. Se a imagem de tal função é um conjunto enumerável de pontos em R2 . por exemplo: ⎧ Pr(X = 0. . 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 através do exemplo acima. um par de números reais (x. y). Y = 0) 2/8 2 ⎪ ⎪ = = ⎨ Pr(Y = 0 | X = 1) = Pr(X = 1) 3/8 3 1/8 1 Pr(X = 1.1. VARIÁVEIS ALEATÓRIAS BIDIMENSIONAIS DISCRETAS 4 Logo.CAPÍTULO 1. a distribuição condicional de X dado que Y = 0 é: X|Y = 0 : x 0 1 2 3 p 1/4 1/2 1/4 0 Sendo uma distribuição de probabilidades. obtém-se a distribuição de X dado que Y = 1 ou a distribuição de Y dado que X = 0. Veja a Figura 1.

2). yj ) = Pr(X = xi . 2. resulta que PP Pr(X = xi . Y ) um vetor aleatório discreto com distribuição conjunta p(xi .2. . vamos denotar essa distribuição conjuntoa por p(x.CAPÍTULO 1. devendo ficar claro que (x. y) = Pr(X = x. VARIÁVEIS ALEATÓRIAS BIDIMENSIONAIS DISCRETAS 5 Figura 1.3. yj ).3 Distribuições marginais Seja (X.2 Função de distribuição de probabilidade Seja (X. i. do axioma Pr(Ω) = 1. ∀n. yj ). . Y ). (Veja a Figura 1. A função de distribuição de probabilidade conjunta é a função que associa a cada ponto (xi . y) representa um par qualquer de valores do vetr (X. Para não sobrecarregar a notação. y). Y ) um vetor aleatório discreto assumindo os valores (xi .1: Definição de vetor aleatório discreto 1. Y = y) ∀x y y . A distribuição marginal de X é definida como: P P Pr(X = x) = p(x. Y = yj ) = 1 i j Figura 1. . j = 1.2.) 1. yj ) a sua respectiva probabilidade: p(xi . Y = yj ) (Veja a Figura 1. Note que.2: Definição de função de distribuição de probabilidade conjunta Observação: podemos ter vetores aleatórios n-dimensionais. .

.2. VARIÁVEIS ALEATÓRIAS BIDIMENSIONAIS DISCRETAS 6 Figura 1. Xn = xn ) x1 1. Y = y) x ∀y x Em geral.1) x P EY (Y |X = x) = y Pr( Y = y|X = x) (1. se X assumir n valores diferentes e Y m valores distintos. . .CAPÍTULO 1. . . . . . Xn ) é um vetor aleatório n−dimensional P P P P Pr(Xi = xi ) = · · · · · · Pr (X1 = x1 . . podemos calcular a respectiva esperança condicional: P EX (X | Y = y) = x Pr(X = x | Y = y) (1. y) = Pr(X = x. Y = y) Pr(X = x) ∀y Note que existe uma distribuição condicional de X para cada valor y e uma distribuição condicional de Y para cada valor x. X2 . y). 1. a distribuição marginal de Y é definida como P P Pr(Y = yj ) = p(x. Xi−1 = xi−1 . teremos ao todo n + m distribuições condicionais.2) y . .4 xi−1 xi+1 xn Distribuições condicionais Seja (X. A distribuição condicional de X dado que Y = y é definida como: Pr(X = x | Y = y) = Pr(X = x.5 Esperança condicional Para cada uma das distribuições condicionais. Assim. Xi+1 = xi+1. Y ) um vetor aleatório discreto com distribuição conjunta p(x. se (X1 . . . Y = y) Pr(Y = y) ∀x Analogamente define-se a distribuição condicional de Y dado que X = x como Pr(Y = y|X = x ) = Pr(X = x.3: Distribuição de probabilidade tridimensional Analogamente.2.

para cada valor y de Y temos um valor diferente de E(X|Y = y) e para cada valor x de 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. Analogamente.2). Vamos estabelecer a seguinte notação: g(Y ) = EX (X|Y ) h(X) = EY (Y |X) Podemos. podemos definir uma função g que associa.CAPÍTULO 1. VARIÁVEIS ALEATÓRIAS BIDIMENSIONAIS DISCRETAS 7 Os subscritos X e Y nas definições acima servem para lembrar a dependência em X e Y de cada uma das esperanças acima. Y = y) = y x x y P x Pr(X = x) = E(X) = = x Na última linha usamos a definição da distribuição marginal de Y. a cada valor y de Y. 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 ) . ou seja. Y = y) = y Pr(X = x. g : y 7−→ g(y) = EX (X|Y = y) h : x 7−→ h(x) = EY (Y |X = x) Como X e Y são variáveis aleatórias. por (1.1). temos um valor diferente de E(Y |X = x). resulta que P P EX [h(X)] = EX [EY (Y |X)] = h(x) Pr(X = x) = E(Y |X = x) Pr(X = x) x x P P Pr(X = x. o valor E(Y |X = x). 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) Pr(Y = y) y x y x P P PP x Pr(X = x. vamos denotar essas esperanças por EY [g(Y )] e EX [h(X)]. o valor E(X|Y = y) e outra função h que associa a cada valor x de X. calcular as esperanças de g(Y ) e h(X) e para lembrar a dependência em cada uma das variáveis. então. Note que. resulta que g(Y ) e h(X) são também variáveis aleatórias. Y = y) = x Pr(X = x. Usando a definição (1.Sendo assim.

temos a seguinte distribuição: e 0 1/3 2/3 1 p 1/8 3/8 3/8 1/8 h(X) = EY (Y |X) : A esperança dessa distribuição é 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 distribuição condicional de X dado Y . 3 3 X = 1. Logo.p. isto é. as probabilidades de ocorrência de cada um deles são exatamente as probabilidades de X assumir os seus valores. . 1 2 1 2 1 2 e E[g(Y )] = EY [EX (X|Y )] = 1 × 1 3 1 + 2 × = = E (X) 2 2 2 . 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 |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 possíveis de h(X) = EY (Y |X) são 0. e 1 e esses valores ocorrem quando X = 0. temos os seguintes resultados: X|Y = 0 : X|Y = 1 : 0 1 2 2 8 4 8 2 8 3 0 0 1 0 28 2 3 4 8 2 8 EX (X|Y = 0) = 1 EX (X|Y = 1) = 2 e para a variável aleatória g(Y ) = EX (X|Y ) temos a seguinte f.d. VARIÁVEIS ALEATÓRIAS BIDIMENSIONAIS DISCRETAS 8 Exemplo (continuação) Vamos continuar com o exemplo inicial.CAPÍTULO 1. X = 2 ou X = 3 respectivamente.

mas ela levava a uma definição mais geral: os eventos A e B são independentes se Pr(A ∩ B) = Pr(A) Pr(B). Z = 1) = 1 1 1 = Pr(Y = 1) Pr(Z = 1) = × 4 2 2 Pr(Y = 1. Y = y). a distribuição conjunta é o produto das distribuições marginais.1 Exemplo (continuação) X e Y não são independentes porque: Pr(X = 0. obtivemos o seguinte resultado: a partir da distribuição conjunta de (Y.CAPÍTULO 1. Z = 2) = 1 1 1 = Pr(Y = 1) Pr(Z = 2) = × 8 2 4 Note a equivalência das definições! . y). esse fato nos leva à definição de variáveis aleatórias independentes. Z = 1) = 1 1 1 = Pr(Y = 0) Pr(Z = 1) = × 4 2 2 Pr(Y = 0.3. z Em analogia com a definição de eventos aleatórios. concluímos que: Pr(Y = y | Z = z) = Pr(Y = y) ∀y. Z = 0) = 1 1 2 = Pr(Y = 1) Pr(Z = 0) = × 8 2 8 Pr(Y = 1. y ou seja. VARIÁVEIS ALEATÓRIAS BIDIMENSIONAIS DISCRETAS 1.3 9 Independência de variáveis aleatórias No exemplo anterior. Z = 2) = 1 1 1 = Pr(Y = 0) Pr(Z = 2) = × 8 2 4 Pr(Y = 1. Analogamente. Dizemos que X e Y são independentes se e somente se Pr(X = x. Z = 0) = 1 2 1 = Pr(Y = 0) Pr(Z = 0) = × 8 2 8 Pr(Y = 0. Definição 1. Z). Y ) um vetor aleatório discreto com distribuição conjunta p(x.1 Seja (X. Z = 0) = 1 1 2 6= Pr(X = 0) Pr(Z = 0) = × 8 8 8 Y e Z são independentes porque: Pr(Y = 0. Note que a condição acima tem que valer para todo par possível de valores (x. vamos definir variáveis aleatórias independentes da seguinte forma. a definição de independência Pr(A | B) = Pr(A) tinha que considerar eventos B tais que Pr(B) 6= 0. Y = y) = Pr(X = x) Pr(Y = y) ∀x. 1. Y = 0) = 1 1 1 6= Pr(X = 0) Pr(Y = 0) = × 8 8 2 X e Z não são independentes porque: Pr(X = 0. No caso de eventos. y) = Pr(X = x.

com a e b números reais quaisquer. 1) × Pr (X = 3. Y = y). Y ) = aX + bY. Y ). 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 Então. Y = y) f1 (X. temos o seguinte Teorema 1. Então PP h (xi . Y = y).1 Seja (X.1 Exemplo (continuação) Consideremos a seguinte função: f1 (X. Y ) um vetor aleatório discreto com fdp conjunta Pr(X = x. Y = 0) + f1 (1. Y ) = X 2 + Y cujos valores e probabilidades estão a seguir: X 0 1 2 3 0 1 2 3 Y 0 0 0 0 1 1 1 1 Pr(X = x. Então E (X + Y ) = E(X) + E(Y ) (Esperança da soma é a soma das esperanças) . ou seja. f : R2 → R e uma atenção especial será dada às combinações lineares. Seja h : R2 → R uma função real tal que cada par (x. Seja h : R2 → R uma função real tal que h (x. 0) × Pr (X = 1. a esperança de X 2 + Y é ¡ ¢ 2 1 1 E X 2 + Y = 0 × + 1 × + · · · + 10 × 8 8 8 = f1 (0. Y = yj ) E [h (X.4. isto é. 1. 0) × Pr (X = 0. Y ) um vetor aleatório discreto com fdp conjunta Pr(X = x.CAPÍTULO 1. VARIÁVEIS ALEATÓRIAS BIDIMENSIONAIS DISCRETAS 1. y) é levado a h (x. Y = 0) + · · · +f1 (3. y) = x + y. Y = 1) Em geral. funções do tipo f (X. yj ) Pr (X = xi . Y ). Lidaremos aqui com funções reais. estaremos interessados em estudar a distribuição de uma variável aleatória definida como uma função f(X. conhecida a distribuição conjunta de (X. Y )] = i j Teorema 1.2 Seja (X.4 10 Funções de variáveis aleatórias Muitas vezes. y) .

1. aparece um termo envolvendo a diferença entre a esperança do produto e o produto das esperanças. . na variância da soma. Y = yj ) = i j PP PP xi Pr (X = xi . x2 .2 A covariância entre duas variáveis aleatórias X e Y é definida por Cov(X. xn ). é dada por Var(X + Y ) = Var(X) + Var(Y ) + 2 Cov(X.a. Y = yj ) = = i j j i P P = xi Pr (X = xi ) + yj Pr (Y = yj ) = E(X) + E(Y ) i j Dos resultados já vistos. X2 . Y = yj ) + yj Pr (X = xi . Y = yj ) = i j i j P P P P xi Pr (X = xi .2 A variância da soma de duas v. VARIÁVEIS ALEATÓRIAS BIDIMENSIONAIS DISCRETAS 11 Demonstração: Usando o teorema anterior.CAPÍTULO 1. .5 Covariância Definição 1. Xn variáveis aleatórias discretas com distribuição conjunta p(x1 . segue o resultado mais geral: Resultado 1. . . .1 Sejam X1 .3) Usando a definição de variância. Y = yj ) + yj Pr (X = xi . Esse termo define a covariância de duas variáveis aleatórias. Então: E (a1 X1 + a2 X2 + · · · + an Xn ) = a1 E(X1 ) + a2 E(X2 ) + · · · + an E(Xn ) (1. Y ) = E [X − E(X)] [Y − E(Y )] = E(XY ) − E(X)E(Y ) Substituindo essa definição na expressão da variância da soma de variáveis aleatórias obtém-se o Resultado 1. Y ) . vamos estudar a variância da soma de variáveis aleatórias. . . temos que PP E (X + Y ) = (xi + yj ) Pr (X = xi . . £ ¤ 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 ) = ª ª © © 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 )] Então.

Y ) De fato: Cov(aX + b. (−1 × Y )] = = Var(X) + Var(Y ) + 2 × (−1) Cov(X. Y ) De fato: Var(X − Y ) = Var[X + (−Y )] = Var(X) + Var(Y ) + 2 Cov[X. Z) + Cov(X. Dos resultados anteriores. W ) De fato: Cov(X + Y. Z + W ) = Cov(X. Z) + Cov(X.5. 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. W ) + Cov(Y.CAPÍTULO 1. Cov(aX + b. cY + d) = ac Cov(X. segue que Var(X − Y ) = Var(X) + Var(Y ) − 2 Cov(X. 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. VARIÁVEIS ALEATÓRIAS BIDIMENSIONAIS DISCRETAS 1. Y ) 2.1 12 Propriedades da covariância Vamos usar as seguintes propriedades já vistas para a esperança para demonstrar propriedades análogas da covariância: E(X + b) = E(X) + b E(aX) = aE(X) E(aX + b) = aE(X) + b 1. W ) + Cov(Y. W ) 3. Cov(X + Y. Z) + Cov(Y. Y ) = = Var(X) + Var(Y ) − 2 Cov(X. Z) + Cov(Y.

. Demonstração: Se X e Y são independentes. Y ) = E(XY ) − E(X)E(Y ) = 0. mais a interpretação do conceito de covariância. assim. então Pr(X = x. XX XX E(XY ) = xy Pr(X = x. o que caracterizaria a falta de independência entre elas. . covariância nula não significa independência entre as variáveis. Y ) = No contexto de variáveis aleatórias. Nada impede que exista outro tipo de associação entre as variáveis. Foi visto também que a covariância é uma medida de associação linear entre as variáveis. Como antes. é de se esperar que a covariância entre variáveis independentes seja nula (se elas são independentes. Y = y) = Pr(X = x) Pr(Y = y). os pontos se concentrarão no segundo e quarto quadrantes. definimos a covariância entre X e Y como 1X (xi − x)(yi − y) n i=1 n Cov(X. Y ) = 0. resulta o seguinte fato: se X e Y são variáveis aleatórias independentes. . Se existir uma associação linear decrescente. e não E(XY ). . . temos uma total analogia entre as definições de covariância nos dois contextos.2 13 Interpretação da covariância No estudo da estatística descritiva. Construindo um diagrama de dispersão para as variáveis. dados dois conjuntos de dados x1 . yn referentes a duas variáveis de interesse X e Y . y) tenderão a se concentrar nos primeiro e terceiro quadrantes. resulta da necessidade de “centrar” a nuvem de pontos na origem (0. .CAPÍTULO 1. . Usando essa interpretação. .3 Independência e covariância de variáveis aleatórias Da definição de independência de variáveis aleatórias. xn e y1 . onde o produto das coordenadas é positivo. os pontos (x. o fato de se tomar E[X − E(X)][Y − E(Y )]. se existir uma associação linear crescente. qualquer conhecimento sobre Y não nos dá informação sobre X. Y = y) = xy Pr(X = x) Pr(Y = y) = x = X x y x Pr(X = x) X x y y Pr(Y = y) = E(X)E(Y ) y Logo. Vamos ver um resultado geral que trata dessa relação. 0) e não em (E(X). 1. Esse resultado pode ser visto intuitivamente a partir da interpretação de covariância: covariância nula significa ausência de associação linear. a média é calculada como uma média ponderada pelas probabilidades. onde o produto é negativo. VARIÁVEIS ALEATÓRIAS BIDIMENSIONAIS DISCRETAS 1. Mas nesse caso. E(Y )). Resultado 1. isto é. .5. muito menos uma associação linear). Note que a recíproca desse resultado não é verdadeira. não deverá existir qualquer associação entre elas.5. então Cov(X. Cov(X.3 Se X e Y são variáveis aleatórias independentes.

A propriedade fundamental do coeficiente de correlação é dada no seguinte teorema: Teorema 1. variâncias e covariâncvia finitas.3 Dadas duas variáveis aleatórias X e Y com esperançca. Y ) ≤ 1 .CAPÍTULO 1. variância e covariância finitas. Y ) = E(XY ) − E(X)E(Y ) = 0 mas X e Y não são independentes porque. então −1 ≤ Corr(X. Cov(X. Y ) = Cov(X. Y ) σX σY onde σ X e σ Y são os desvios padrões de X e Y respectivamente. consideremos a seguinte de distrbuição de probabilidade.6 Coeficiente de correlação Como já definido anteriormente.4 Dadas duas variáveis aleatórias X e Y com esperanças. Y = 1) = 20 20 20 1. por exemplo: 8 8 3 6= Pr(X = 0) × Pr(Y = 1) = × Pr(X = 0. então −1 ≤ Corr(X. Y ) ≤ 1 Teorema 1. VARIÁVEIS ALEATÓRIAS BIDIMENSIONAIS DISCRETAS 14 Como exemplo. o coeficiente de correlação entre duas variáveis X e Y é Corr(X.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 distribuição 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.

VARIÁVEIS ALEATÓRIAS BIDIMENSIONAIS DISCRETAS 15 Demonstração: Sejam X − E(X) Y − E(Y ) Y∗ = σX σY as variáveis padronizadas. Y ) = 1. Y ∗ ) ≥ 0 ⇒ 1 + 1 + 2 Cov (X ∗ . Y ∗ ) = 1 e. X − EX Y − EY − = k⇒ σX σY X − EX Y − EY = +k ⇒ σX σY σX σX X − E(X) = Y − EY + σ X k ⇒ σY σY σX X = Y +k σY . Y ∗ ) ≤ 1 Mas. que −1 ≤ ρ (X. Var (X ∗ − Y ∗ ) ≥ 0 ⇒ Var (X ∗ ) + Var (Y ∗ ) − 2 Cov (X ∗ . X∗ = Var (X ∗ + Y ∗ ) ≥ 0 ⇒ Var (X ∗ ) + Var (Y ∗ ) + 2 Cov (X ∗ . Y ) ≤ 1 Todas as propriedades vistas anteriormente. então. Y ) = Cov . portanto Var (X ∗ − Y ∗ ) = V ar(X ∗ ) + V ar(Y ∗ ) − 2Cov(X ∗ . no contexto da estatística descritiva. Y − E(Y )] = σX σY 1 Cov(X. Y ∗ ) ≥ 0 ⇒ Cov (X ∗ . sabemos que E (X ∗ ) = E (Y ∗ ) = 0 e Var (X ∗ ) = Var (Y ∗ ) = 1. Y ∗ ) ≥ 0 ⇒ 1 + 1 − 2 Cov (X ∗ . Y ) = σX σY = ρ (X. Em particular. Cov (X ∗ . σX σY 1 Cov[X − E(X). Então. Consideremos o caso em que ρ (X. Y ∗ ) = 1 + 1 − 2 × 1 = 0 Mas V ar(X ∗ − Y ∗ ) = 0 significa que X ∗ − Y ∗ é uma constante.CAPÍTULO 1. temos que ¶ µ X − EX Y − EY ∗ ∗ Cov (X . usando as propriedades da covariância. isto é. Sabemos também que a variância de qualquer variável aleatória é não-negativa. Das propriedades de esperança e variância. Y ) Conclui-se. Y ∗ ) ≥ 0 ⇒ Cov (X ∗ . Y ∗ ) ≥ −1 Analogamente. continuam válidas no contexto de variáveis aleatórias.

5. 9.7 = k⇒ Exercícios propostos 1. 12. Y ∗ ) = −1 e Var (X ∗ + Y ∗ ) = V ar(X ∗ ) + V ar(Y ∗ ) + 2Cov(X ∗ . 2. (Resp. A tabela abaixo dá a distribuição conjunta de X e Y : Y 0 1 2 X 1 2 3 0. 0. Analogamente. existe uma associação linear crescente σσXY > 0 perfeita entre X e Y . Y ) = −1.então Cov (X ∗ . (Resp. Sejam X e Y variáveis aleatórias com E(X) = E(Y ) = 0 e Var(X) = Var(Y ) = 1. Prove que ρ (U. Suponha que o aluno esteja “chutando” todas as questões. uma vez que ele não estudou a matéria da prova. (b) Calcule a esperança e a variância de cada uma das variáveis X e Y. V ) = 0. 0.: 0. existe uma associação linear decrescente − σσXY < 0 perfeita entre X e Y . justificando sua resposta. 0. 76. 1966) 2. 0.1 0.: Não) (d) Calcule P (X = 1|Y = 0) e P (Y = 2|X = 3).: 2. (Resp. Defina as seguintes variáveis aleatórias: X1 Y1 X2 Y2 = = = = número número número número de de de de acertos acertos acertos acertos entre entre entre entre as as as as duas primeiras questões da prova duas últimas questões da prova três primeiras questões da prova três últimas questões da prova . 1) (f) Calcule a covariância e a correlação entre X e Y. isto é.: 1/3. 1/5) (e) Calcule P (X ≤ 2) e P (X = 2. Um aluno faz um teste de múltipla escolha com 4 questões do tipo Verdadeiro-Falso.CAPÍTULO 1. onde U = X + Y e V = X − Y.1 0.0 0. X − EX Y − EY + σX σY X − EX Y − EY =− +k ⇒ σX σY σX σX X − E(X) = − Y + EY + σ X k ⇒ σY σY σX X = − Y + k∗ σY ³ ´ ou seja. (Resp.1 0.3 0.0 0. 3.1 0.: 0. 49) (c) Verifique se X e Y são independentes. VARIÁVEIS ALEATÓRIAS BIDIMENSIONAIS DISCRETAS 16 ´ ³ ou seja. Y ∗ ) = 1 + 1 + 2 × (−1) = 0 o que significa que X ∗ + Y ∗ é uma constante. se ρ (X.2 0. 1. (Resp. Y ≤ 1). 0.1 (a) Determine as distribuições marginais de X e Y.

(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 . Y1 ) com as respectivas marginais. . (d) Verfique se X1 e Y1 são independentes. V ar(Y ) (d) Calcule Cov(X. Y1 . V ar(X). Y ) e Corr(X. 4. (Resp. (c) Construa a função de distribuição conjunta de (X2 . (a) Liste todos os elementos do espaço amostral deste experimento.CAPÍTULO 1. calcule E(Z) e V ar(Z) (f) Se W = X − Y. (c) Calcule E(X). epsecificando os valores de X e Y . (b) Construa a função de distribuição conjunta de (X1 . E(Y ). Y ). (b) Construa a função de distribuição conjunta de X e Y. X2 . VARIÁVEIS ALEATÓRIAS BIDIMENSIONAIS DISCRETAS 17 (a) Construa uma tabela com o espaço amostral associado a este experimento.: 0) (h) Calcule a covariância entre X2 e Y2 . (Resp. calcule E(W ) e V ar(W ). listando todas as possibilidades de acerto e os valores de X1 . Uma moeda honesta é lançada 4 vezes.: 5/16) (i) Calcule as seguintes distribuições condicionais com suas esperanças condicionais: X2 | Y2 = 0 X2 | Y2 = 1 X2 | Y2 = 2 X2 | Y2 = 3 (j) Calcule E [E (X2 | Y2 )] . Y2 e suas probabilidades. Y2 ) com as respectivas marginais. (Resp.: Sim) (e) Verfique se X2 e Y2 são independentes. Seja X o número de caras nos 2 primeiros lançamentos e seja Y o número de caras nos 3 últimos lançamentos. (e) Se Z = X + Y.

2. Note que. para cada y no intervalo [0. em seguida. o valor de x varia de 0 até y.1. Dessa forma. Na Figura 2. Y duas variáveis aleatórias contínuas. ¸ Z 1 Z 1 Z Z Z 1 ∙Z y ¯1 y 2dx dy = [2x]0 dy = 2ydy = y 2 ¯0 = 1 f(x. f(x. y) realmente define uma função de densidade. y)dxdy a Exemplo Considere a seguinte função: f (x. 18 . y) realmente define uma função de densidade para. o domínio de variação de X e Y. y) = ½ 2 0≤x≤y≤1 0 caso contrário Vamos mostrar que f (x. y) ≥ 0 Z +∞ Z +∞ 2. calcular Pr(X ≤ 1/2.1 a parte sombreada representa a região de integração.1 Função de densidade conjunta Sejam X. Y ≤ 1/2). A densidade conjunta f (x.Capítulo 2 Variáveis Aleatórias Bidimensionais Contínuas 2. y) ≥ 0. temos que considerar a região de integração sombreada na Figura 2. nessa região.1 Z d c Z b f (x. c ≤ Y ≤ d) = 2. ou seja. O ponto principal no cálculo de integrais duplas é definir corretamente os limites de integração. 1]. Pr(a ≤ X ≤ b. y)dxdy = 0 0 0 0 Obviamente. f (x. y) é uma função que satisfaz as seguintes propriedades: 1. f (x. Para o cálculo de Pr(X ≤ 1/2. estão satisfeitas as condições e f (x. Y ≤ 1/2). y)dxdy = 1 −∞ −∞ 3.

Y ≤ 2) − Exemplo 1 19 .1: Função de densidade para o Exemplo 1 Figura 2.CAPÍTULO 2.2: Região de integração para o cáclulo de Pr(X ≤ 2. VARIÁVEIS ALEATÓRIAS BIDIMENSIONAIS CONTÍNUAS Figura 2.

220 .3: Domínio de definição de f(x.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 (Exercício 18. ou equivalentemente y ≤ x e essa condição é satisfeita no domínio de definição de f.1. que está ilustrado na Figura 2. y)dxdy = 1 vamos analisar o domínio de definição de f. y) = 0 caso contrário Vamos mostrar que f (x. y) ≥ 0. Para mostrar que Z Z f(x.1. temos que ter x − y ≥ 0.2 .3. Figura 2. Y ) um vetor aleatório com função de densidade conjunta dada por ½ 1 x(x − y) 0 < x < 2. −x < y < x 8 f(x. y) é determinado pelo termo x − y. Y ≤ 1/2) = 2. Para que f (x. VARIÁVEIS ALEATÓRIAS BIDIMENSIONAIS CONTÍNUAS Pr(X ≤ 1/2. Como x > 0. o sinal de f (x. y) para o Exemplo 2. y) realmente define uma função de densidade conjunta.Bussab & Morettin) Seja (X.CAPÍTULO 2. p.

Podemos ver que µ ¶¯1 Z 1 x3 ¯¯ 1 2 x [2(1 − x)] dx = x − 2 = E(X) = 3 ¯0 3 0 . VARIÁVEIS ALEATÓRIAS BIDIMENSIONAIS CONTÍNUAS 21 Note que.1. Deste resultado podemos ver que ¯1 Z 1 y 3 ¯¯ 2 E(Y ) = y2ydy = 2 ¯ = 3 0 3 0 Para cada x ∈ [0. fY (y) é uma função linear. para y ∈ [0. y) é uma função de densidade. Analisando a Figura 2. y)dx Exemplo 2. 1]. y)dy f (x. 2. y varia de x até 1. podemos ver que.1.1.1.1 (continuação) Vamos calcular as densidades marginais para o Exempo 2.2. Z Z 1 fX (x) = f(x. y)dy = 2dy = 2y|1x = 2(1 − x) x 0≤x≤1 que é também uma função linear de x. y)dx = 0 Note que.2 Densidades marginais As densidades marginais de X e Y são: fX (x) = fY (y) = 2. Logo. para cada valor de x. y)dxdy = 0 −x 8 Z Z 1 2 +x 2 (x − xy)dydx = 8 0 −x ¶¯+x Z µ 1 2 y 2 ¯¯ 2 = x y−x dx 8 0 2 ¯−x ¶ µ ¶¸ Z ∙µ 1 2 x3 x3 3 3 = x − − −x − dx 8 0 2 2 µ ¶¯2 Z 1 2 3 1 x4 ¯¯ 16 = =1 2x dx = = ¯ 8 0 8 2 0 16 Logo. Logo.1) f (x. y varia de −x a +x. nesse domínio.1 Z Z (2. 1]. f (x. como função de y. Logo. Z Z Z 2 Z +x 1 x(x − y)dydx = f(x.CAPÍTULO 2. Z Z y 2dx = 2y 0≤y≤1 fY (y) = f (x. x varia de 0 a y.

Logo. Analisando a Figura 2. y varia de −x a +x. VARIÁVEIS ALEATÓRIAS BIDIMENSIONAIS CONTÍNUAS 2. podemos ver que.3.1.1.2 22 Exemplo 2.2.3).2 (continuação) Vamos calcular as densidades marginais para o Exemplo 2. para x ∈ (0. x varia de y a 2 (veja a Figura 2. Para y ∈ (−2.2. 2) µ ¶¯+x Z 1 1 y 2 ¯¯ 1 +x 2 2 fX (x) = (x − xy)dy = x(x − y)dy = x y−x 8 −x 8 2 ¯−x −x 8 ∙µ ¶ µ ¶¸ x3 2x3 1 x3 x3 3 3 x − − −x − = = = 8 2 2 8 4 Z +x e daí podemos ver que E(X) = Z ¯2 x3 32 1 x5 ¯¯ 8 x dx = = = ¯ 4 4 5 0 20 5 0 2 Para calcularmos fY (y). 2). 2). 2). teremos que considerar as duas partes do domínio de definição de y : (−2. 0). 0) e [0.3). x varia de −y a 2 (veja a Figura 2. µ ¶¯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 ∙µ ¶ µ 3 ¶¸ 8 y y3 1 − 2y − − − = 8 3 3 2 µ ¶ ¢ 8 1 ¡ 3 1 5 3 −2<y <0 y − 2y + = 5y − 12y + 16 = 8 6 3 48 Z 2 Para y ∈ [0. Logo. Logo.CAPÍTULO 2. µ ¶¯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 ∙µ ¶ µ 3 ¶¸ 8 y y3 1 − 2y − − = 8 3 3 2 µ ¶ ¢ 1 1 3 8 1 ¡ 3 = 0≤y<2 y − 2y + = y − 12y + 16 8 6 3 48 Z 2 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 µ 5 ¯ ¢¯0 1 ¡ 5 1 y = y − 4y 3 + 8y 2 ¯−2 + − 4y 3 + 8y 2 ¯¯ 48 48 5 0 µ ¶ £ ¤ª 32 1 © 1 5 3 2 − 32 + 32 0 − (−2) − 4(−2) + 8(−2) = + 48 48 5 µ ¶ 32 1 128 8 1 32 − 32 − 32 + =− × =− = 48 5 48 5 15 . para x ∈ (0.

y)dxdy = x dx fY (y)dy = fY (y) ¶ Z µZ Z = x f (x. VARIÁVEIS ALEATÓRIAS BIDIMENSIONAIS CONTÍNUAS 2. fX|Y (x|y) = fY |X (y|x) = f(x. para cada valor y de Y temos um valor diferente de EX (X|Y = y) e para cada valor x de X.3 23 Distribuições e esperanças condicionais Por definição. y) EY (Y |X = x) = yfY |X (y|x)dy = y dy fX (x) EX (X | Y = y) = xX|Y f(x|y)dx = x (2. y)dx = y fX (x) ¶ Z µZ Z = y f (x. y) fY (y) Note que. ou seja. temos um valor diferente de EY (Y |X = x). g : y 7−→ g(y) = EX (X|Y = y) h : x 7−→ h(x) = EY (Y |X = x) Como X e Y são variáveis aleatórias.CAPÍTULO 2. temos que Z Z EY [g(Y )] = EY [EX (X|Y )] = g(y)fY (y)dy = EX (X|Y = y)fY (y)dy ¶ Z Z Z µZ f(x.5) Note que. resulta que g(Y ) e h(X) são também variáveis aleatórias: g(Y ) = EX (X|Y ) h(X) = EY (Y |X) Usando a definição (2. Analogamente. Analogamente. o valor EX (X|Y = y) e outra função h que associa a cada valor x de X. a cada valor y de Y. y) dy fX (x)dx = yf(x. Como no caso discreto. por (2. definem-se as seguintes esperanças condicionais: Z Z f (x.2) (2.5). y) dx fY (y) Z Z f(x. 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 µZ f(x. y) xf (x. y) fX (x) (2. y)dy dx = xfX (x)dx = E(X) Na última linha usamos a definição da distribuição marginal de Y. temos que f(x.4).4) (2.3) e para cada x temos uma densidade condicional diferente. o valor EY (Y |X = x). y)dx dy = yfY (y)dy = E(Y 0 .Assim. aqui também podemos definir uma função g que associa. para cada y temos uma densidade condicional diferente.

1. y) = = fX (x) 2(1 − x) 1−x x≤y≤1 que também é uma densidade uniforme no intervalo [x. dado y. Vimos que.CAPÍTULO 2. estamos calculando a distribuição condicional de X.1. podemos calcular sua esperança: 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.1 e e EY [EX (X|Y )] = E (X) EX [EY (Y | X)] = E (Y ) Exemplo 2. E(Y |x) é uma função linear e sua esperança é 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 µ 2 x3 ¯¯ = = E(Y ) = x− 3 ¯0 3 . Temos que fX|Y (x|y) = f (x. portanto. dado y. vimos que y pode variar de x até 1. isto é. ¯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 1−x x+1 1 (1 − x)(1 + x) = = 2(1 − x) 2 Como função de x. 1]. o que caracteriza uma densidade uniforme no intervalo [0. x pode variar no intervalo [0. y) 2 1 = = fY (y) 2y y 0≤x≤y Note que essa é uma função de x. fY |X (y|x) = 2 1 f(x.1 (continuação) Vamos calcular as distribuições condicionais para o Exemplo 2. Como E(X|Y = y) é uma função de y.3. y]. como função de y. A esperança condicional de X dado Y é E(X|Y = y) = Z xfX|Y (x|y)dx = Zy 0 ¯y µ ¶ 1 x2 ¯¯ y 1 1 y2 −0 = x dx = = ¯ y y 2 0 y 2 2 Então. VARIÁVEIS ALEATÓRIAS BIDIMENSIONAIS CONTÍNUAS 24 Como no caso discreto: g(Y ) = EX (X|Y ) h(X) = EY (Y |X) 2. podemos ver que essa é uma função constante (não depende de x). E(X|Y = y) é uma função linear.1. y]. segue que E(X|Y = y) = h(y) é uma variável aleatória e.

Vimos que. isto é. Y )] = h(x. Sejam fX (x) e fY (y) as densidades marginais de X e Y. estaremos interessados em estudar a densidade de uma variável aleatória definida como uma função h(X. 2. Y ) um vetor aleatório bidimensional com função de densidade conjunta f(x. portanto. Então. y) no domínio de definição.5 Funções de variáveis aleatórias contínuas Assim como no caso discreto. podemos calcular sua esperança em relação a fx : ¯2 Z 2 1 x5 ¯¯ x x3 8 dx = − = E(Y ) − = − E(E(Y |X)) = 3 4 12 5 ¯0 15 0 2.1. y)dxdy . ou seja. y) 1 1 8 = − y fY |X (y|X = x) = = x3 fX (x) 2 x x2 4 −x<y <x e. x]. y). a densidade conjunta tem que ser o produto das densidades marginais para todo par (x.2. Y ). Y ) = aX + bY. y)f (x. Então RR E [h(X. Teorema 2.3. VARIÁVEIS ALEATÓRIAS BIDIMENSIONAIS CONTÍNUAS 2. Y variáveis aleatórias contínuas com densidade conjunta f(x. Temos que 1 µ ¶ x(x − y) 1 f(x. que varia no intervalo (0. y) = fX (x)fY (y) ou seja. Y ). µ ¶ ¶ µ 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 µ 2 ¶¯ ∙µ 2 ¶ µ ¶¸ 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 h³ ´ ³ ´i x x x 1 x x − − + =− = 2 2 3 2 3 3 Z x Como E(Y |X = x) é uma função de x. com a e b números reais quaisquer.4 Independência de variáveis aleatórias contínuas Seja (X. h : R2 → R e novamente uma atenção especial será dada às combinações lineares. funções do tipo h(X. 2).CAPÍTULO 2. . dado x. y) e seja h : R2 → R uma função qualquer.1 Sejam X.2 (continuação) Vamos calcular as distribuições condicionais para o Exemplo 2.2 25 Exemplo 2. y pode variar no intervalo [−x. respectivamente. conhecida a densidade conjunta de (X. diz-se que X e Y são variáveis aleatórias independentes se f(x.onde h é uma função real.1.

a região A = {(x. uma extensão para o caso bidimensional de um teorema visto para o caso univariado que tratava de funções inversíveis.2 Sejam X. Y variáveis aleatórias contínuas com densidade conjunta f(x. temos que ter 0 < v < 1 e 0 < u v < 1. y) = 4xy. (ii) as derivadas parciais de x = h−1 1 (u. nossa transformação é definida por u = h1 (x. (iii) o Jacobiano da transformação seja diferente de zero para (u. y) : 0 < x < 1. Y )] = aE(X) + b(E(Y ) Vamos ver. v) sejam contínuas em B ⊂ R2 . y) definam uma transformação −1 biunívoca de A ⊂ R2 em B ⊂ R2 . Teorema 2. 0 < y < 1} é transformada na região B = {(u. y) = x e a transformação inversa é dada por x = v u y = v Como 0 < x < 1 e 0 < y < 1. 0 < x < 1. Y ) = aX + bY então E [h(X. a densidade conjunta de U = h1 (X. y) e seja h : R2 → R uma função definida por h(X. v) = |J| fX.Y h−1 1 (u. h2 (u.CAPÍTULO 2. y) = xy v = h2 (x.3 Sejam X.Y (x. v) e y = h2 (u. Assim. vamos definir V = X.1 ∂v Exemplo Sejam X.V (u. Y ) é dada por ¢ ¡ −1 fU. y) > 0 numa região A ⊂ R2 . Suponha que (i) u = h1 (x.5. v) : 0 < v < 1. 0 < y < 1. temos que definir uma segunda função. Para aplicar o Teorema 2. Vamos determinar a densidade de U = XY. y) e v = h2 (x. 0 < u < v} Veja a Figura 2. Y variáveis aleatórias contínuas com densidade conjunta fX. Y variáveis aleatórias com densidade conjunta dada por f (x. agora. Logo. v) ∈ B. v).3. O Jacobiano é ¯ ¯ ¯ ¯ ∂x ∂u ∂y ∂u ∂x ∂v ∂y ∂v ¯ ¯ ¯ ¯ 0 ¯=¯ 1 ¯ ¯ v ¯ 1 1 ¯¯ −u ¯ = − v 2 v . Y ) e V = h2 (X.4. VARIÁVEIS ALEATÓRIAS BIDIMENSIONAIS CONTÍNUAS 26 Teorema 2. v) onde |J| é o módulo do Jacobiano da transformação definido pelo seguinte determinante: ¯ ∂x ∂x ¯ ¯ ¯ ∂v ¯ J = ¯¯ ∂u ∂y ∂y ¯ ∂u 2. Então.

W ) do Exemplo 2. sob o pseudônimo de Student.CAPÍTULO 2. Como a cervejaria não permitia a publicação de resultados de pesquisa obtidos por seus funcionários.5. v varia de u até 1. Y ) = σX σY valendo todas as propriedades. . 1).6 Covariância e correlação As definições de covariância e correlação são as mesmas vistas para o caso discreto Cov(X.7 A distribuição t de Student Como uma aplicação do Teorema 2.W (z. fixado u. vemos que. VARIÁVEIS ALEATÓRIAS BIDIMENSIONAIS CONTÍNUAS 27 Figura 2.3. no. Logo. 6. Analisando a região no lado direito da Figura 2. w) = ¯¯− ¯¯ · 4v = v v v 0 < v < 1. 0 < u < v Como nosso interesse está na densidade de U. vamos obter a distribuição de uma variável aleatória que será extremamente útil no estudo da Inferência Estatística. Gosset publicou. o artigo “The Probable Error of a Mean” na revista Biometrika (vol. Y ) = E [X − E(X)] [Y − E(Y )] = E(XY ) − E(X)E(Y ) Cov(X. obtida por William Gosset (1876-1937). Y ) Corr(X.1 e a densidade conjunta de Z e W é ¯ ¯ ¯ 1¯ u 4u fZ. temos que calcular a densidade marginal fU (u).4: Domínio de definição da variável (Z. Essa distribuição é a distribuição t de Student. que trabalhava na Cervejaria Guinness na Irlanda.4. 2. Z 1 4u fU (u) = dv = 4u (ln v)1u = −4u ln u 0<u<1 u v 2.

V (u.V (u. y) : −∞ < z < ∞.Y (z. y) = fZ (z)fY (y) = √ e−z /2 ¡ n ¢ n/2 y n/2−1 e−y/2 Γ 2 2 2π Como no exemplo anterior. VARIÁVEIS ALEATÓRIAS BIDIMENSIONAIS CONTÍNUAS 28 Sejam Z ∼ N(0. V ) é ¯ ¯ p ¯ ¯ v/n ¯=¯ ¯ ¯ 0 1 √u √ n2 v 1 ¯ ¯ p ¯ = v/n ¯ p 2 1 1 v/n √ e−(u v/n)/2 ¡ n ¢ n/2 v n/2−1 e−v/2 Γ 2 2 2π   1 u2 1 v 1/2 n/2−1 − 2 n +1 v ¡ ¢ = √ v e 2nπ Γ n2 2n/2   2 n+1 1 1 − 12 un +1 v −1 ¡ ¢ = √ v 2 e 2nπ Γ n2 2n/2 fU. 1) e Y ∼ χ2 (n) variáveis aleatórias independentes. v) = e a densidade marginal de U é fU (u) = R fU.CAPÍTULO 2. 0 < y < ∞} é transformada na região B = {(u. a densidade conjunta de (U. v)dv R ∞ n+1 −1 − 1  u2 +1v 1 1 ¡n¢ v 2 e 2 n dv = √ 0 n/2 2nπ Γ 2 2 . 0 < v < ∞} e temos que p z = u v/n y = v Logo. o jacobiano da transformação é ¯ ∂z ∂z ¯ ∂v J = ¯¯ ∂u ∂y ∂y ∂u ∂v Assim. v) : −∞ < u < ∞. Vamos obter a densidade da variável aleatória Z U=p Y /n Da hipótese de independência segue que 1 1 2 fZ. vamos completar a transformação definindo z u = p y/n v = y Então a região A = {(z.

é assustadora! Mas eis uma boa notícia: não precisaremos dela para calcular probabilidades! No entanto. também. a título de comparação. é interessante notar duas características básicas dessa expressão: o argumento t da função aparece elevado ao quadrado e fT depende apenas do número de graus de liberdade da qui-quadrado e. ou seja fT (t) = fT (−t). o gráfico da função de densidade da t também tem forma de sino. 2. a distribuição t de Student aproxima-se da N(0. Na Figura 2. A variância da distribuição t com n graus de n liberdade é igual a n−2 (n > 2) e podemos ver que essa variância converge a 1. Esse é um resultado importante: à medida que aumenta o número de graus de liberdade. Nos dois gráficos inferiores (n = 10. 30) e. 1). Da segunda observação resulta que cada número de graus de liberdade dá origem a uma distribuição t diferente. que é a variância da N(0. No entanto. 1). Além disso. em cada gráfico acrescenta-se também a densidade normal padrão. Da primeira observação resulta o fato de que fT é simétrica em torno de zero. . todas as distribuições t têm média 0. 30) o que chama a atenção é a quase coincidência da densidade t com a densidade N(0. 2) fica mais nítido o fato de a distribuição t ter maior dispersão.5 ilustram-se diferentes distribuições t (n = 1. certamente. 1). quando n → ∞.CAPÍTULO 2. VARIÁVEIS ALEATÓRIAS BIDIMENSIONAIS CONTÍNUAS 29 Façamos a seguinte mudança de variável 1 w= 2 µ ¶ u2 +1 v n Então fU (u) = = = = # n+1 −1 Z ∞" 2 1 dw 1 w ¡n¢ √ ¢ ¢ ¡ u2 e−w 1 ¡ u2 1 n/2 2nπ Γ 2 2 +1 +1 0 2 n 2 n Z ∞ n+1 1 1 1 ¡n¢ √ w 2 −1 e−w dw n+1 ¢¤ £ ¡ n/2 1 u2 2nπ Γ 2 2 0 +1 2 2 n µ ¶ 1 1 n+1 1 √ Γ ¢ n+1 ¡ u2 2 nπ Γ ¡ n ¢ 21/2 2n/2 · ¡ 1 ¢ n+1 2 2 + 1 2 2 n ¢µ ¡ ¶− n+1 2 u2 1 Γ n+1 2 ¡n¢ 1 + √ n nπ Γ 2 Essa é a densidade t de Student. Definição 2. como a distribuição normal. pela simetria da curva. portanto. o número de graus de liberdade. Vamos representar por t(n) a distribuição t de Student com n graus de liberdade. o parâmetro desta distribuição é.1 Diz-se que uma variável aleatória contínua T tem distribuição t de Student se sua função de densidade é dada por ¢µ ¡ ¶− n+1 2 t2 1 Γ n+1 2 ¡n¢ 1 + fT (t) = √ −∞<t<∞ n nπ Γ 2 Essa expressão. 10. Nos dois gráficos superiores (n = 1.

2 0.2 0.3 0.5 N(0.2 0.5 N(0.1 0 -6 -4 -2 0 2 0.3 t(1) 0.2 0.1 0 -6 -4 -2 0 2 0.1) 0.CAPÍTULO 2.3 t(2) 0. 1) 30 .4 N(0.4 t(10) 0.4 0.1 0 -6 -4 -2 0 2 4 6 4 6 4 6 4 6 0.1) 0.5: Compração da distribuição t com a N(0.3 0.5 0.1) 0.1) x t(30) 0.4 N(0. VARIÁVEIS ALEATÓRIAS BIDIMENSIONAIS CONTÍNUAS 0.1 0 -6 -4 -2 0 2 Figura 2.5 0.

05 .0.α . ou seja. 90.α da distribuição t(n) Ao final desta apostila apresentamos a Tabela 4. valores que deixam determinada probabilidade acima deles. VARIÁVEIS ALEATÓRIAS BIDIMENSIONAIS CONTÍNUAS 2. 1. .7. 753. alguns exemplos de utilização da Tabela 4. cada linha corresponde a um número diferente de graus de liberdade e cada coluna corresponde a uma área α na cauda superior.05 acima dela.1 31 Tabela da t-Student Assim como no caso da qui-quadrado. assim. 05. 3. Mas nos livros didáticos é comum apresentar uma tabela da distribuição t que envolve os valores críticos.0. Logo.05 = 1. A abscissa t0. 05.α tal que Pr(t(n) > tn. temos que olhar a coluna referente a α = 0. Na distribuição t(12) encontre a abscissa t tal que Pr(|t(12)| ≤ t) = 0. Como o número de graus de liberdade é 15. o valor crítico da t(n) associado à probabilidade α é o valor tn. que é uma apresentação usual dos valores críticos da distribuição t. 2. t15. temos que nos concentrar na linha correspondente a gl = 15. Nesta tabela. Os programas computacionais de estatística calculam probabilidades associadas a qualquer distribuição t. Mais precisamente. agora. 2. seria necessária uma tabela para cada valor de n.05 deixa área 0.7. Na distribuição t(15) encontre a abscissa t15.6: Ilustração do valor crítico tn.CAPÍTULO 2.6. Na distribuição t(23) encontre a abscissa t tal que Pr(|t(23)| > t) = 0.α ) = α Veja a Figura 2. Solução 1.2 Exemplos Vamos ver. Figura 2. No corpo da tabela temos o valor crítico tn.

7(a). 90 ⇐⇒ Pr(0 ≤ t(12) ≤ t) = 0. y) = 0 c. 90 ⇐⇒ Pr(−t ≤ t(12) < 0) + Pr(0 ≤ t(12) ≤ t) = 0.8 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. 005 4. 45 ⇐⇒ Pr(t(12) > t) = 0. 782 2. Pr(t(8) < t) = 0. 90 ⇐⇒ Pr(−t ≤ t(12) ≤ t) = 0. Veja a Figura 2. 90 3. Pr(t(18) > t) = 0. Pr(|t(24)| ≤ t) = 0. consultando-se a linha correspondente a 23 graus de liberdade e coluna correspondente à área superior de 0. 10 2. Substituindo: Pr(t(23) > t) + Pr(t(23) > t) = 0. Pr(|t(30)| > t) = 0.3 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.CAPÍTULO 2. Usando as propriedades da função módulo. 069 Esse último valor foi encontrado na Tabela 2. 05 ⇐⇒ Pr(t(23) > t) = 0. VARIÁVEIS ALEATÓRIAS BIDIMENSIONAIS CONTÍNUAS 32 2. 025 ⇐⇒ t = 2.7(b): Pr(|t(12)| ≤ t) = 0. 3.c. Das propriedades da função módulo e da simetria da densidade t resultam as seguintes equivalências (veja a Figura 2. .7. 05 Pela simetria da densidade t. 05 ⇐⇒ Pr(t(23) < −t) + Pr(t(23) > t) = 0. temos a seguinte equivalência: Pr(|t(23)| > t) = 0. Pr(t(27) < t) = 0. 05 ⇐⇒ t = 1. 90 ⇐⇒ 2 × Pr(0 ≤ t(12) ≤ t) = 0. Pr(t(23) < −t) = Pr(t(23) > t).025. 80 2. 02 5.

Calcule a esperança condicional E(X|Y = y) . 6. Calcule a distribuição condicional fY |X (y|x) 9.CAPÍTULO 2. Calcule a distribuição condicional fX|Y (x|y). Calcule E(X).7: Solução dos Exemplos 2 e 3 1. Solução . Calcule Cov(X. Calcule o valor da constante c. Use os resultados anteriores para mostrar que E[E(X|Y )] = E(X). 4. V ar(Y ). 5. 8. Calcule a esperança condicional E(Y |X = x) . 2. VARIÁVEIS ALEATÓRIAS BIDIMENSIONAIS CONTÍNUAS 33 Figura 2. V ar(X). mostrando que realmente definem uma função de densidade.essa esperança é uma função de x! 10. Y ). E(Y ).essa esperança é uma função de y! 7. Use os resultados anteriores para mostrar que E[E(Y |X)] = E(Y ). 11. 3. Calcule as marginais de X e Y. Faça um gráfico ilustrando o domínio de definição de X e Y.

VARIÁVEIS ALEATÓRIAS BIDIMENSIONAIS CONTÍNUAS Figura 2.8: Construção da região de integração para o Exemplo 2.8 34 .CAPÍTULO 2.

Para . vemos que. que está ilustrada na linha inferior. concluimos que o ponto de interseção é o ponto (1/2. Como f(x. obtemos que y = 1−y =⇒ 2y = 1 =⇒ y = 1/2. Na Figura 2. Como neste ponto de interseção y = x.9 temos o domínio de varição de X e Y .8 2. Analisando a Figura 2. 1/2).Note que começamos fixando y e depois olhamos a variação de x. temos que ter c > 0. isso implica na seguinte ordem de integração: ´ ´ R 1/2 ³R 1−y R 1/2 ³R 1−y 1 cxdx dy = 1 ⇐⇒ xdx dy = ⇐⇒ 0 y 0 y c µ ¶¯ £ ¤ R 1/2 x2 ¯1−y 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 é obtido invertendo-se a ordem de integração.CAPÍTULO 2. Figura 2. y)dxdy = 1 R onde R é o domínio de variação de X e Y. A segunda condição é RR f (x. 1/2). Para achar o ponto de interseção das duas retas. A diferença é que temos que “quebrar” o domínio de variação de x em 2 partes: 0 < x ≤ 1/2 e 1/2 < x < 1.8 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. para cada y no intervalo (0. Na Figura 2. y) ≥ 0.9: Região de integração para o Exemplo 2. a abscissa x varia de y a 1 − y (são as 2 retas que definem R).9. VARIÁVEIS ALEATÓRIAS BIDIMENSIONAIS CONTÍNUAS 35 1. basta explicitar as condições e resolver o sistema: ½ y=x y =1−x Substitutindo a primeira equação na segunda.

novamente temos que “quebrar” o domínio de variação nos intervalos (0. que f (x. Y ). 0 < y < 1 − x. 1/2].CAPÍTULO 2.9 que 0 < y < x e para x ∈ (1/2. Para x ∈ (0. para cada y fixo no intervalo (0. VARIÁVEIS ALEATÓRIAS BIDIMENSIONAIS CONTÍNUAS 36 x ∈ (0. por R R fX (x) = R f(x. 1). então. As marginais de X e Y são dadas. y)dy fY (y) = R f(x. x varia de y a 1 − y. 1/2] e (1/2. 0 < y < 1 − x. 1/2].9 que 0 < y < x e. e neste caso R 1−x R 1−x fX (x) = 0 8xdy = 8x 0 dy = 8x(1 − x)8x(1 − x) Logo. de acordo com a região conjunta! Para a marginal de X. vemos na Figura 2. 1/2). 1). y)dxdy = 1 ⇐⇒ 0 cxdy dx + 1/2 0 cxdy dx = 1 ⇐⇒ R 0 ³ R 1/2 ¡R x ¢ R1 R 1−x ´ 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 µ 2 ¶¯1 ³c c´ ³c 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.c. 1). 3. Z 1−y ¯1−y 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. neste caso. vemos na Figura 2. Rx Rx fX (x) = 0 8xdy = 8x 0 dy = 8x2 Para x ∈ (1/2.7) . y) = ½ 8x se 0 < y < x e y < 1 − x 0 c. Então. temos ´ ¢ RR R 1/2 ¡R x R 1 ³R 1−x f(x. respectivamente. fx (x) = ½ 8x2 0 < x ≤ 1/2 8x(1 − x) 1/2 < x < 1 (2. Como visto no item 2. y)dx Para cada uma dessas integrais temos que definir o domínio de variação da variável de integração no domínio de definição de (X. Logo.6) Note que é fundamental explicitar o domínio de variação de y.

VARIÁVEIS ALEATÓRIAS BIDIMENSIONAIS CONTÍNUAS 4.CAPÍTULO 2. 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 3µ ¶ µ ¶ 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 µ ¶5 µ ¶ 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. Temos que usar as marginais de X e Y e as definições de esperança e variância. 3 V ar(X) = − 8 7 12 ¶2 = 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 4−3 1 y4 ¯ 4 1 y3 ¯ = − = = = 4 ¯¯ − 8 ¯¯ = · − 2 · 3 0 4 0 3 8 16 6 8 24 24 E(Y 2 ) = Logo. µ R 1/2 1 V ar(Y ) = − 24 µ ¶2 1 1 3−2 1 1 − = = = 6 24 36 72 72 37 .

fY |X (y|x) = ½ 8x f(x. Note que E(X|Y = y) é uma função de y! Para cada y. a condicional fY |X (y|x) também será definida por duas expressões. Note que E(Y |X = x) é uma função de x! Por definição. 1/2] e (1/2. VARIÁVEIS ALEATÓRIAS BIDIMENSIONAIS CONTÍNUAS 38 5. temos uma distribuição condicional diferente fX|Y (x|y) = 8x 2x f (x. logo E(X|Y µ 3 ¶¯1−y 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 1−y R 7. 1/2). 1) fY |X (y|x) = Logo. O problema pede para calcular E[E(X|Y )] = E[h(Y )] : E[E(X|Y )] = = = = = R 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 µ ¶¯1/2 y2 y 4 ¯¯ 8 3 y−3 +y −2 3 2 4 ¯0 µ ¶ 8 1 3 1 1 1 1 − · + − · 3 2 2 4 8 2 16 µ ¶ 1 8 16 − 8 − 1 8 7 7 8 1 2 − − = · = · = = E(X) 3 2 8 32 3 32 3 32 12 8. 1/2] fY |X (y|x) = Para x ∈ (1/2. y) = = fX (x) 8x(1 − x) 1−x 1 x 1 1−x 0 < y < 1/2. 0 < x ≤ 1/2 0 < y < 1/2. Mas aqui fX (x) é definida por duas expressões diferentes. vimos que x varia de y a 1 − y. temos uma distribuição condicional diferente.CAPÍTULO 2. uma para cada um dos intervalos (0. Para x ∈ (0. y) 1 = 2 = fX (x) 8x x 8x 1 f (x. Note que fX|Y (x|y) é uma função de x. R E(Y |X = x) = yfY |X (y|x)dy . para cada x ∈ (0. 1/2 < x < 1 9. 1). Note que fY |X (y|x) é uma função de x. para cada y ∈ (0. 1). y) = = fY (y) 4(1 − 2y) 1 − 2y 0<x<1 6. Logo.

logo ¯x Rx 1 1 y 2 ¯¯ x E(Y |X = x) = 0 y dy = = ¯ x x 2 0 2 Para x ∈ (1/2. VARIÁVEIS ALEATÓRIAS BIDIMENSIONAIS CONTÍNUAS Como a densidade é definida por duas expressões. o mesmo ocorrerá com E(Y |X = x). Para x ∈ (0. vimos que y varia de 0 até 1 − x. Como E(Y |X = x) = h(x). logo E(Y |X = x) = Logo R 1−x 0 ¯1−x 1 1−x 1 y 2 ¯¯ y = dy = ¯ 1−x 1−x 2 0 2 E(Y |X = x) = h(x) = 10. vimos que y varia de 0 até x.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 µ 2 ¶¯1 1 x 2x3 x4 ¯¯ = +4 − + 16 2 3 4 ¯1/2 ∙µ ¶ µ ¶¸ 1 2 1 1 1 2 1 1 1 1 +4 − + − · − · + · = 16 2 3 4 2 4 3 8 4 16 ∙ µ ¶¸ 6−8+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 . segue que ½ x 2 1−x 2 0 < x ≤ 1/2 1/2 < x < 1 R E[E(Y |X] = E[h(X)] = h(x)fX (x)dx) = R1 1−x R 1/2 x 2 .CAPÍTULO 2. 1). 1/2].

(2. VARIÁVEIS ALEATÓRIAS BIDIMENSIONAIS CONTÍNUAS 40 11. Cov(X.5 180 A distribuição normal bidimensional Se X ∼ N(μ.5 2 · 3 . Y ) = 2.9 11 33 − 35 7 1 11 7 2 1 − · = 3 − 3 2 = 3 2 =− 3 2 =− 120 12 6 2 ·5·3 2 ·3 2 · 3 . y)dxdy ⎛ ⎞ 1/2 Z 1−y Z ⎝ xy8xdx⎠ dy = y 0 = 8 1/2 Z = 8 1/2 Z 0 ⎛1−y ⎞ Z y ⎝ x2 dx⎠ dy y y 0 8 = 3 1/2 Z 8 3 1/2 Z 0 = 0 = = = = µ ¶¯1−y 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 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. Temos que E(XY ) = Z Z xyfX.CAPÍTULO 2. Vamos ver agora o caso da normal bidimensional. σ 2 ) sua densidade é dada por " µ ¶2 # 1 1 x−μ f(x) = √ exp − 2 σ 2πσ 2 −∞<x<∞ e vimos que E(X) = μ e V ar(X) = σ 2 .Y (x.8) .

1 41 Função de densidade A função de densidade normal bidimensional é dada pela função ¶ µ 1 1 p exp − A f (x. y) = 2 (1 − ρ2 ) σ 2x σy 2 σy 2πσ x σ y 1 − ρ2 ) " ( ∙ ¶2 # µ ¸ ¢ 2 1 1 y − μy 1 σx ¡ 1 p exp − x − μx − ρ = p exp − y − μy 2 (1 − ρ2 ) σ 2x σy 2 σy 2πσ 2y 2πσ 2x (1 − ρ2 ) [lembre-se que exp(a + b) = exp(a) exp(b)]. σ y . vamos reescrever A da seguinte forma: "µ ¶2 ¶µ ¶ µ ¶ µ ¶2 µ ¶2 # µ y − μy y − μy 2 y − μ y − μ x − μx x − μx 1 y y + − 2ρ + ρ2 − ρ2 A= 1 − ρ2 σx σx σy σy σy σy Note que somamos e subtraimos o mesmo termo. y) = 2 2πσ x σ y 1 − ρ2 onde 1 A= 1 − ρ2 "µ x − μx σx ¶2 µ x − μx − 2ρ σx ¶µ y − μy σy ¶ + (2. σ x . μy . ρ. Reorganizando os termos: ("µ ¶2 ¶µ ¶ µ ¶2 # "µ ¶2 µ ¶2 #) µ y − μ y − μy y − μ y − μ x − μx x − μx 1 y y y + + ρ2 − 2ρ − ρ2 A= 1 − ρ2 σx σx σy σy σy σy O termo entre o primeiro par de colchetes é da forma a2 − 2ab + b2 . podemos escrever (∙µ " ¶ µ ¶¸ ¶2 #) µ ¡ ¢ y − μy 2 y − μ x − μx 1 y = −ρ + 1 − ρ2 A = 1 − ρ2 σx σy σy ∙µ ¶ µ ¶¸ ¶ µ y − μy 2 y − μy 2 1 x − μx = −ρ + = 1 − ρ2 σx σy σy " ¡ ¢ #2 µ ¶ (x − μx ) σ y − ρσ x y − μy y − μy 2 1 + = = 1 − ρ2 σx σy σy ∙ ¶ µ ¸ ¢ 2 y − μy 2 σx ¡ 1 x − μx − ρ + y − μy = (1 − ρ2 ) σ 2x σy σy Então. logo.11) .9) µ y − μy σy ¶2 # (2.CAPÍTULO 2. Para facilitar os cálculos subsequentes.10) Os parâmetros dessa distribuição são μx . VARIÁVEIS ALEATÓRIAS BIDIMENSIONAIS CONTÍNUAS 2. podemos escrever a densidade conjunta como ( ∙ ¶) µ ¸ ¢ 2 1 y − μy 2 1 1 σx ¡ 1 p x − μx − ρ exp − − y − μy f(x. Se definimos ¢ σx ¡ η(y) = μx + ρ y − μy σy ¡ ¢ 2 2 ξ = 1 − ρ σ 2x (2.9.

12): R f(x.pelas propriedades da função de densidade e isso nos dá " ¶2 # µ 1 1 y − μy fY (y) = p exp − 2 σy 2πσ 2y que é a expressão da densidade normal com média μy e variância σ 2y . essa integral é igual a 1.2 σy η(x) = μy + ρ (x − μx ) σy ¡ ¢ 2 2 ζ = 1 − ρ σ 2y (2. obteremos de forma análoga a seguinte expressão σx para f(x. ³ ´2 x Se somarmos e subtrairmos x−μ em (2.12) É interessante notar que η y depende apenas de y e ξ é uma constante.10). concluímos que fX (x) é normal com média μx e variância σ 2x . y)dy fX (x) = R f (x. y) = p (2. ou usando a expressão (2.13). σ 2 ) dada em (2.9. y) = p exp − exp − 2 (x − η(y)) 2 σy 2πσ 2y 2ξ 2πξ 2 (2. Logo. y)dx fY (y) = ( " ¶2 # ¸) µ ∙ +∞ R 1 1 1 y − μy 1 2 p p dx exp − exp − 2 (x − η(y)) = 2 σy 2πσ 2y 2ξ −∞ 2πξ 2 " ¶2 # Z+∞ ¸ ∙ µ y − μ 1 1 1 1 y 2 p = p exp − exp − 2 (x − η(y)) dx 2 σy 2πσ 2y 2ξ 2πξ 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.CAPÍTULO 2. . Por simetria (note a simetria de x e y na função de densidade conjunta). y)dx fY (y) = Vamos calcular fY (y) usando a expressão (2. VARIÁVEIS ALEATÓRIAS BIDIMENSIONAIS CONTÍNUAS 42 então podemos escrever: " ¶2 # ¸ ∙ µ 1 1 1 y − μy 1 2 p f (x. y) : " ¶2 # ¸ µ ∙ 1 1 1 x − μx 1 2 p f (x.8).14) Densidades Marginais As densidades marginais são calculadas como R f (x.13) exp − exp − 2 (x − η(x)) 2 σx 2ζ 2πσ 2x 2πζ 2 onde 2.

σy E(XY ) = = = +∞ Z ( −∞ +∞ Z −∞ +∞ Z " ¶2 # ∙ µ ¸) ¢ 1 1 y − μy σx ¡ yp μx + ρ exp − y − μy dy 2 σy σy 2πσ 2y ∙ ¸ ¢ σx ¡ y μx + ρ y − μy fY (y)dy σy μx yfY (y)dy + −∞ +∞ Z = μx +∞ Z ρ −∞ σx yfY (y)dy + ρ σy −∞ ¢ σx ¡ y y − μy fY (y)dy σy +∞ Z −∞ ¡ 2 ¢ y − yμy fY (y)dy A primeira integral é a média de fY (y). calcular E(XY ). a integral com relação a x é η(y) = μx + ρ y − μy . σ 2y ).3 43 Covariância e Correlação Seja (X. ou seja. Y ) um vetor normal bidimensional. Z Z E(XY ) = xyf (x. Por definição. Por definição. temos que Cov(X. no caso da normal bidimensional. então. resulta que σ 2y = E(Y 2 ) − [E(Y )]2 = E(Y 2 ) − μ2y =⇒ E(Y 2 ) = σ 2y + μ2y . ⎧ ⎫ " +∞ ¶2 # +∞ ¸ ⎬ µ ∙ Z ⎨ Z 1 1 y − μy 1 1 2 p yp dx dy E(XY ) = exp − x exp − 2 (x − η(y)) 2 2 ⎩ ⎭ 2 σ 2πσ y 2ξ y 2πξ −∞ −∞ Note a integral com relação a x : por definição. Já a segunda integral é +∞ Z −∞ ¡ 2 ¢ y − yμy fY (y)dy = E(Y 2 − μy Y ) = E(Y 2 ) − μy E(Y ) Como Y ∼ N(μy . VARIÁVEIS ALEATÓRIAS BIDIMENSIONAIS CONTÍNUAS 2. ou seja. isso significa que Cov(X.CAPÍTULO 2. Y ) = E(XY ) − μx μy . ela é a esperança de uma densidade normal com ¢ σx ¡ média η(y). y)dxdy = +∞ Z +∞ Z −∞ −∞ " ¶2 # ¸ ∙ µ 1 1 1 y − μy 1 2 p xy p exp − exp − 2 (x − η(y)) dxdy 2 σy 2πσ 2y 2ξ 2πξ 2 Analisando a expressão que define η(y) e ξ. Precisamos. Assim. podemos ver que ξ é constante e η(y) depende apenas de y. Vamos calcular a covariância entre X e Y.9. Logo. é μy. Y ) = E(XY ) − E(X)E(Y ).

temos que fY |X (y|x) = f(x. 2. portanto. Cov(X.4 Distribuições Condicionais Por definição. μy (médias das marginais).CAPÍTULO 2. Y ) = E(XY ) − E(X)E(Y ) = μx μy + ρσx σ y − μx μy = ρσx σ y Finalmente. somando e subtraindo .9. Y ) Dessa forma. y) fX (x) ¡ ¢ 1 p exp − 12 A 2πσ x σ y 1 − ρ2 ¸ ∙ = 1 1 2 p exp − 2 (x − μx ) 2σ x 2πσ 2x ¸ ∙ 1 1 1 2 p exp − A + 2 (x − μx ) = √ 2 2σ x 2πσ y 1 − ρ2 ¶¸ µ ∙ 1 1 1 2 p A − 2 (x − μx ) = exp − 2 σx σ y 2π(1 − ρ2 ) Vamos trabalhar o termo que aparece entre parênteses na exponencial. os parâmetros da distribuição normal bidimensional são μx . se (X. como a correlação é igual a Cov(X. então ρ = Corr(X. σ 2x . VARIÁVEIS ALEATÓRIAS BIDIMENSIONAIS CONTÍNUAS 44 Substituindo. Y ) . σ 2y (variâncias das marginais) e ρ (correlação entre X e Y ). Y ) tem distribuição σxσy normal bidimensional. resulta que a segunda integral é E(Y 2 ) − μy E(Y ) = σ 2y + μ2y − μ2y = σ 2y Substituindo obtemos que E(XY ) = μx μy + ρ σx 2 σ = μx μy + ρσx σ y σy y e. resulta que.

CAPÍTULO 2. VARIÁVEIS ALEATÓRIAS BIDIMENSIONAIS CONTÍNUAS 45 um termo apropriado para completar o quadrado: "µ ¶2 ¶µ ¶ µ ¶2 # µ y − μ y − μ x − μ 1 1 1 x − μ y y x x − A − 2 (x − μx )2 = + − 2ρ (x − μx )2 2 2 σx 1−ρ σx σx σy σy σx " # µ ¶µ ¶ µ ¶2 # " µ ¶2 y − μy y − μy x − μx 1 x − μx 1 1 −2ρ + + = − 2 (x − μx )2 1 − ρ2 σx σy σy 1 − ρ2 σx σx "µ ¶ ¶µ ¶ µ ¶2 µ ¶2 # µ y − μy 2 y − μy x − μ x − μ 1 x − μx x x + ρ2 = − 2ρ − ρ2 1 − ρ2 σy σx σy σx σx # " µ ¶2 x − μx 1 1 + − 2 (x − μx )2 1 − ρ2 σx σx "µ ¶ ¶µ ¶ µ ¶2 # µ ¶2 µ y − μy 2 y − μy ρ2 x − μ x − μx x − μx 1 x 2 − +ρ = − 2ρ 1 − ρ2 σy σx σy σx 1 − ρ2 σx # " µ ¶2 x − μx 1 1 + − 2 (x − μx )2 2 1−ρ σx σx ∙ ¸2 µ ¶2 ∙ ¸ y − μy ρ2 x − μx x − μx 1 1 − −ρ + + −1 = 1 − ρ2 σy σx σx 1 − ρ2 1 − ρ2 ∙ ¸2 µ ¶2 µ 2 ¶ y − μy −ρ + 1 − 1 + ρ2 x − μx x − μx 1 −ρ + = 1 − ρ2 σy σx σx 1 − ρ2 ∙ ¸2 y − μy x − μx 1 −ρ = 2 1−ρ σy σx ∙ ¸2 1 σy y − μy − ρ (x − μx ) = σ 2y (1 − ρ2 ) σx Logo. a distribuição condicional de Y |X = x é uma normal com média η(x) = μy + ρ e variância σy (x − μx ) σx ¡ ¢ ζ 2 = 1 − ρ2 σ 2y . ( ¸2 ) ∙ 1 1 σy 1 fY |X (y|x) = p y − μy − ρ (x − μx ) exp − 2 2 σ y (1 − ρ2 ) σx σ y 2π(1 − ρ2 ) Usando (2.14). conclui-se que ¸ ∙ 1 2 fY |X (y|x) = p exp − 2 (y − η(x)) 2ζ 2πζ 2 1 Assim.

a distribuição condicional de X|Y = y é uma normal com média ¢ σx ¡ η(y) = μx + ρ y − μy σy e variância ¡ ¢ ξ 2 = 1 − ρ2 σ 2x Note que as esperanças condicionais são funções lineares.CAPÍTULO 2. ξ 2 ¢ σx ¡ ηy = μx + ρ y − μy σy ¡ ¢ 2 ξ = 1 − ρ2 σ 2x σy (x − μx ) σx ¢ σx ¡ g(y) = E(X|Y = y) = μx + ρ y − μy σy e ambas são funções lineares.5 Resumo dos resultados Se (X. então a densidade conjunta é ¶ µ 1 1 p exp − A f (x. VARIÁVEIS ALEATÓRIAS BIDIMENSIONAIS CONTÍNUAS Por simetria. σ 2X ¢ ¡ Y ∼ N μY . Y ) tem distribuição normal bidimensional. h(x) = E(Y |X = x) = μy + ρ y − μy σy ¶2 # 46 . ζ 2 σy ηx = μy + ρ (x − μx ) σx ¡ ¢ 2 2 ζ = 1 − ρ σ 2y e onde Note que ¡ ¢ X|Y = y ∼ N ηy .9. σ 2Y As distribuições condicionais são normais: onde ¡ ¢ Y |X = x ∼ N ηx . y) = 2 2πσ x σ y 1 − ρ2 onde 1 A= 1 − ρ2 "µ x − μx σx ¶2 As densidades marginais são normais: µ x − μx − 2ρ σx ¶µ y − μy σy ¶ + µ ¡ ¢ X ∼ N μX . isto é: σy E(Y |X = x) = μy + ρ (x − μx ) σx e ¢ σx ¡ E(X|Y = y) = ηy = μx + ρ y − μy σy 2.

E(Y ). V ar(X). (b) as marginais fX e fY (c) E(X). V ar(X). 5. (a) Faça um gráfico ilustrando o domínio de variação de X e Y. E(Y ). mostrando que realmente definem uma função de densidade. V ar(Y ) (d) P (X < 0. justificando a sua resposta. (b) Verifique se X e Y são independentes. x + y < 1}. (b) as marginais fX e fY (c) E(X). (d) Calcule E(X). (e) X e Y são independentes? Justifique sua resposta. (c) Calcule as marginais de X e Y. Determine (a) a função de densidade conjunta de X e Y. V ar(Y ). Seja (X. 5) (e) a covariância e a correlação entre X e Y. Determine (a) a função de densidade conjunta de X e Y. (b) Calcule o valor da constante c. Y > 0. Seja (X.CAPÍTULO 2. VARIÁVEIS ALEATÓRIAS BIDIMENSIONAIS CONTÍNUAS 2. Sejam X e Y variáveis aleatórias contínuas com a seguinte função de densidade conjunta: ½ 2 cy se 0 < x < 2 e 0 < y < 1 f(x. Y > 0. Y ) um vetor aleatório cuja função de densidade é constante na região A ⊂ R2 definida por A = {(x. y) = 0 caso contrário (a) Obtenha as densidades marginais de X e Y . x + y < 1}. 25) (e) P (X + Y > 1/2) (f) a covariância e a correlação entre X e Y.10 47 Exercícios propostos 1. 3. 2. y) | 0 < x < 1.c. y) = 0 c. 4. Considere a seguinte função de densidade conjunta das variáveis aleatórias X e Y : ½ −y se 0 < x < y e f (x. 0 < y < x. V ar(Y ) (d) P (X < 0. V ar(X). (f) Calcule P (Y > 2 − X). E(Y ). . 5. identificando as suas respectivas distribuições de probabilidade. y). Y ) um vetor aleatório cuja função de densidade é constante na região A ⊂ R2 definida por A = {(x.

= = = = 59 60 σY = 1 0. VARIÁVEIS ALEATÓRIAS BIDIMENSIONAIS CONTÍNUAS 48 (g) Calcule P (X ≤ 1) 5. qual é a probabilidade de que ele leve menos de 59 segundos para completar os 500 metros seguintes? . 5. (b) Se ele correu os primeiros 500 metros em 60 segundos. Suponha que (X. 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. Y ) tenha distribuição normal bivariada com os seguintes parâmetros: μX μY σX ρ (a) Calcule Pr(X ≤ 60) e Pr(Y ≤ 59).CAPÍTULO 2.

99744 0.99534 0.99305 0.99134 0.95449 0.98300 0.99986 0.98745 0.69847 0.51595 0.9 2.99926 0.3 2.87286 0.66276 0.5 3.99492 0.99882 0.99916 0.97882 0.87900 0.99929 0.99036 0.95352 0.99906 0.99585 0.99245 0.99979 0.90988 0.2 1.99736 0.99430 0.81057 0.56356 0.95637 0.99970 0.99621 0.64058 0.99760 0.99889 0.98537 0.99995 0.98030 0.76730 0.86214 0.58317 0.99846 0.99958 0.77637 0.99086 0.98214 0.91149 0.99997 3 0.88100 0.99952 0.93189 0.99560 0.91774 0.99965 0.98077 0.92507 0.99819 0.97257 0.99903 0.99997 2 0.93699 0.99913 0.98169 0.99990 0.99996 0.99886 0.99968 0.83398 0.99997 0.92785 0.90490 0.1 2.96164 0.99989 0.62172 0. VARIÁVEIS ALEATÓRIAS BIDIMENSIONAIS CONTÍNUAS 49 Tabela 1 Tabela da Distribuição Acumulada da Normal Padrão Valores de p p = Φ ( z ) = Pr( Z ≤ z ) Casa inteira a e 1 .99996 0.9 4.77935 0.93056 0.91309 0.8 0.89617 0.82894 0.90658 0.99934 0.67003 0.98574 0.97441 0.99994 0.99856 0.99653 0.83646 0.99900 0.99506 0.8 3.99995 0.96562 0.98461 0.90320 0.99987 0.88298 0.82639 0.99974 0.99948 0.99997 0.5 1.95994 0.96784 0.99361 0.99788 0.99111 0.50399 0.97558 0.78524 0.76115 0.0 2.7 0.69497 0.89065 0.98840 0.95728 0.99992 0.99343 0.98610 0.94630 0.6 0.99795 0.96080 0.97193 0.99994 0.89796 0.09.99998 8 0.81594 0.3 1.99995 0.97932 0.5 2.96995 0.99978 0.0 a 0 0.93448 0.97615 0.99993 0.96327 0.98341 0.59871 0.1 3.99991 0.84375 0.97670 0.99547 0.99266 0.99982 0.99396 0.99813 0.99609 0.99994 0.99061 0.99573 0.80511 0.65173 0.89435 0.97725 0.99520 0.99324 0.99966 0.66640 0.5 0.99996 0.99693 0. use a probabilidade 1.99987 0.99972 0.99989 0.99825 0.97831 0.73237 0.72907 0.98983 0.96926 0.99720 0.71566 0.95053 0.98645 0.97062 0.98124 0.88493 0.99874 0.99841 0.99711 0.99998 7 0.2 2.99728 0.6 3.99955 0.1 0.53983 0.93574 0.98870 0.85314 0.99994 0.97381 0.95818 0.99995 0.99413 0.80234 0.99986 0.85993 0.81859 0.00000 6 0.63683 0.99938 0.94845 0.93822 0.99286 0.99893 0.99878 0.61026 0.99995 0.4 2.63307 0.70540 0.3 0.50798 0.99961 0.99985 0.3 3.59095 0.89251 0.99807 0.99997 2 decimal 4 5 0.91924 0.74537 0.99971 0.67724 0.99598 0.98899 0.92364 0.57535 0.52392 0.9 3.69146 0.6 1.2 0.99752 0.92220 0.85083 0.97982 0.99869 0.65910 0.91621 0.99664 0.96638 0.60257 0.92922 0.77035 0.99851 0.99158 0.84134 0.92073 0.86433 0.78814 0.0 0.99993 0.99969 0.99976 0.87076 0.99940 0.94950 0.71226 0.8 1.CAPÍTULO 2.59483 0.51994 0.70884 0.68439 0.99992 0.98679 0.7 1.99992 0.99202 0.96712 0.99643 0.4 1.99960 0.99831 0.99988 0.97320 0.1 1.96856 0.65542 0.82121 0.67364 0.75490 0.68793 0.96246 0.99683 0.0 1.94179 0.4 0.99996 0.96485 0.61409 0.99997 0.99861 0.99674 0.99936 0.52790 0.99180 0.51197 0.99973 0.64431 0.99446 0.98778 0.99983 0.98382 0.73565 0.79389 0.99953 0.80785 0.61791 0.88686 0.54380 0.99010 0.54776 0.9 1.99942 0.99910 0.98257 0.90824 0.99988 0.96407 0.99632 0.0 3. Decimal 0.98500 0.93319 0.73891 0.97128 0.70194 0.94738 0.75804 0.99983 0.94295 0.99946 0.99997 1 0.99477 0.60642 0.8 2.62552 0.99801 0.99997 Para abscissas maiores que 4.56749 0.99964 0.74215 0.98956 0.99980 0.57142 0.90147 0.99993 0.57926 0.74857 0.99984 0.98928 0.99996 0.50000 0.99896 0.99975 0.92647 0.87698 0.99962 0.93943 0.53586 0.99977 0.76424 0.99924 0.99379 0.99767 0.99950 0.99990 0.84614 0.99836 0.77337 0.99990 0.79673 0.95543 0.99998 9 0.4 3.62930 0.79955 0.95154 0.88877 0.94062 0.99224 0.99774 0.55567 0.86864 0.6 2.68082 0.99944 0.99865 0.99702 0.89973 0.99931 0.72575 0.83891 0.97500 0.99996 0.79103 0.87493 0.95254 0.99781 0.83147 0.97778 0.55172 0.91466 0.99985 0.53188 0.98809 0.64803 0.99918 0.99992 0.86650 0.55962 0.82381 0.7 3.99991 0.95907 0.99957 0.94408 0.84849 0.99981 0.7 2.85769 0.58706 0.85543 0.99921 0.94520 0.99461 0.98713 0.75175 0.71904 0.99978 0.2 3.98422 0.78230 0.99998 .81327 0.99981 0.72240 0.

47441 0.16640 0.09095 0.49788 0.49869 0.35543 0.11791 0.46485 0.49965 0.2 1.43574 0.49981 0.47725 0.15542 0.24537 0.48679 0.49998 .49010 0.37076 0.46712 0.49991 0.17364 0.18439 0.39251 0.0 0.2 3.12172 0.49913 0.42647 0.49882 0.49086 0.49985 0.43822 0.49865 0.34614 0.21226 0.48214 0.49978 0.42785 0.49936 0.29389 0.49379 0.8 1.49752 0.01595 0.49964 0.49767 0.48645 0.49998 9 0.49926 0.49992 0.36214 0.28814 0.49995 0.50000 6 0.49977 0.41774 0.46327 0.2 0.49918 0.49446 0.03188 0.7 2.49924 0.49997 1 0.49910 0.49998 7 0.35314 0.49893 0.44408 0.35769 0.47062 0.49976 0.49952 0.47320 0.46995 0.49997 0.4 3.49134 0.43699 0.06356 0.15910 0.05172 0.3 3.49856 0.43189 0.46407 0.49664 0.7 0.05962 0.0 2.49361 0.40824 0.49997 2 decimal 4 5 0.49944 0.27337 0.40658 0.49202 0.49903 0.49492 0.49906 0.16276 0.49286 0.28230 0.01197 0.44520 0.49598 0.49846 0.42364 0.4 0.09.49975 0.48030 0.49711 0.0 a 0 0.11026 0.49983 0.49974 0.49960 0.47882 0.CAPÍTULO 2.13307 0.30234 0.21566 0.47670 0.47257 0.47778 0.49736 0.49961 0.08317 0.49966 0.02790 0.28524 0.49547 0.49990 0.49609 0.45543 0.22240 0.48537 0.35993 0.9 1.49962 0.36650 0.49958 0.49560 0.49878 0.49980 0.20194 0.38686 0.6 3.49534 0.0 3.48422 0.49986 0.03586 0.49774 0.49997 2 0.9 2.49807 0.12552 0.25175 0.49997 Para abscissas maiores que 4.49702 0.49224 0.5 3.27935 0.47558 0.45254 0.24215 0.49986 0.08706 0.49180 0.44845 0.49245 0.49995 0.49413 0.49984 0.49996 0.48983 0.48257 0.49988 0.45637 0.23237 0.49921 0.12930 0.07535 0.48077 0.49985 0.48840 0.26730 0.46784 0.48713 0.49324 0.44630 0.45728 0.43448 0.34134 0.19146 0.43056 0.49430 0.46856 0.49585 0.49989 0.38493 0.9 4.31859 0.49993 0.04776 0.36433 0.49996 0.06749 0.00798 0.49836 0.49886 0.49995 0.49994 0.49997 0.42507 0.25804 0.00000 0.24857 0.32381 0.48124 0.48956 0.49744 0.05567 0.36864 0.10257 0.40320 0.09871 0.49728 0.49987 0.5 1.9 3.7 1.47128 0.10642 0.09483 0.34849 0.49813 0.49990 0.5 0.8 2.49477 0.17003 0.41621 0.48745 0.49979 0.43319 0.49971 0.3 2.1 0.07142 0.45818 0.23565 0.45352 0.49994 0.49968 0.49982 0.46080 0.49643 0.49953 0.49957 0.29673 0.6 2.49950 0.49994 0.49931 0.49996 0.49781 0.49061 0.49158 0.49653 0.19497 0.48300 0.31057 0.44062 0.48341 0.49972 0. use a probabilidade 0.49973 0.49992 0.48382 0.34375 0.32894 0.17724 0.49825 0.41309 0.49795 0.49994 0.49992 0.49987 0.0 1.47982 0.49760 0.1 1. VARIÁVEIS ALEATÓRIAS BIDIMENSIONAIS CONTÍNUAS 50 Tabela 2 Distribuição normal padrão Valores de p p = Pr(0 ≤ Z ≤ z ) Casa inteira a e 1 .46926 0.49916 0.48574 0.48169 0.39617 0.13683 0.48778 0.26115 0.49993 0.49996 0.49801 0.49396 0.37286 0.18082 0.37900 0.40988 0.5 2.49948 0.49343 0.44179 0.49889 0.2 2.33147 0.49896 0.49997 3 0.49841 0.41924 0.42073 0.3 1.31594 0.19847 0.1 2.44738 0.45994 0.44295 0.49693 0.22575 0.40147 0.48899 0.49990 0.49955 0.49938 0.49996 0.48870 0.49683 0.49520 0.49573 0.49978 0.48500 0.43943 0.47831 0.49036 0.49266 0.33891 0.38877 0.20540 0.8 3.46246 0.42220 0.48809 0.42922 0.45154 0.44950 0.49940 0.49506 0.22907 0.49851 0.49819 0.49993 0.21904 0.23891 0.49970 0.39435 0.48928 0.14058 0.49111 0.6 1.49969 0.46638 0.49995 0.33398 0.49720 0.29103 0.4 2.01994 0.49991 0.32639 0.02392 0.11409 0.49989 0.48610 0.07926 0.46562 0.29955 0.47193 0.26424 0.04380 0.15173 0.49934 0.49988 0.00399 0.27035 0.49992 0.47500 0.37493 0.3 0.47932 0.49929 0.49996 0.49995 0.30785 0.49305 0.49981 0.20884 0.49983 0.4 1.31327 0.33646 0.47381 0.46164 0.45907 0.39065 0.35083 0.03983 0.39796 0.49831 0.49998 8 0.49674 0.49461 0.6 0. Decimal 0.38298 0.49946 0.41466 0.38100 0.30511 0.27637 0.14431 0.49874 0.49942 0.49900 0.47615 0.39973 0.41149 0.18793 0.7 3.48461 0.49632 0.49861 0.8 0.40490 0.32121 0.49997 0.49621 0.45449 0.14803 0.25490 0.45053 0.37698 0.1 3.

549 21.013 16.660 5.638 24 10.086 6 0.151 18.429 32.488 11.856 45.283 11.615 32.979 47.592 14.100 0.007 35.553 33.565 14.833 13.020 37.558 3.873 29.067 16.803 12.410 34.445 26.219 4.542 10.490 4.114 20.950 0.852 33.484 0.679 21.892 7.920 22.932 22 9.446 3.017 14.564 8.856 11.687 36.443 14.064 23.769 27.307 24.571 7.216 0.412 6.239 1.144 32.134 1.987 18.404 5.345 4 0.250 40.187 28.364 36.170 35.270 42.733 3.928 18.493 20.865 12.314 26 12.566 44.004 0.346 34.610 2.591 13.001 0.916 41.α = α α g.633 8.015 7.204 30.906 8.368 5.820 31.940 4.255 7.289 23 10.659 18.191 30.982 12.615 24.CAPÍTULO 2.563 38.196 36.833 3.429 0.703 32.684 16.337 24.020 0.038 28.708 19.980 25 11.087 42.816 4.217 13 4.070 8.642 2.465 23.475 8 1.996 27.507 17.611 16.382 37.975 0.992 12.985 6.296 28.741 40.872 1.145 1.115 0.594 11.047 17.542 26.765 5.805 19 7.584 1.524 12.090 9 2.140 46.343 38.526 32.262 7.989 14.605 5.915 10.907 10.051 0.125 14.229 5.325 4.939 21.171 29.845 29.588 34.091 14.807 15.408 7.l.795 35.635 2 0. VARIÁVEIS ALEATÓRIAS BIDIMENSIONAIS CONTÍNUAS 51 Tabela 3 Tabela da Qui-Quadrado Valores críticos tais que ( ) Pr χ n2 ≥ χ n2.364 40.001 0.292 19.779 9.940 30.812 18.076 38.210 3 0.642 6.088 2.812 7 1. n χ n2.191 20 8.475 35.847 15.666 10 2.009 5.278 29 14.851 12.554 0.379 17.588 30 14.033 16.646 2.962 50.879 14.558 10.231 9.547 10.557 45.236 11.062 29.226 6.053 3.857 22.980 0.168 5.311 22.587 30.256 43.629 6.010 1 0.473 18.567 8.578 16 5.442 15.968 41.023 19.848 17.α = 0.362 15.040 0.800 0.117 11.308 16.671 35.141 15 5.064 1.415 39.635 2.152 20.649 5.573 16.472 27.532 2.338 14.912 36.711 1.645 12.822 9.989 28.064 1.304 7.240 15.609 3.791 18.622 18.571 4.578 6.924 36.390 10.841 5.812 6.716 23.985 19.790 9.168 20.378 7.002 21.005 4.337 44.027 37.242 14.675 34.412 31.675 21.409 18 7.672 10.812 22.143 11.042 8.256 15.869 31.831 1.693 49.815 9.773 46.139 39.642 27 12.566 21 8.195 44.760 25.865 6.259 30.837 11.198 13.314 27.706 3.301 30.467 18.614 6.200 0.025 0.659 40.293 11.059 3.030 13.892 ] .900 27.362 24.685 26.813 33.781 37.211 0.631 17.307 20.277 5 0.026 23.578 25.768 22.923 42.479 36.483 21.085 12.897 9.237 9.103 0.574 16.688 14 4.752 0.690 2.312 11.185 0.204 3.461 45.113 43.919 19.167 2.995 33.161 23.844 15.668 13.251 7.237 1.989 7.352 0.652 40.824 9.343 7.348 9.000 17 6.963 28 13.600 10.575 5.651 13.388 15.196 11.247 3.908 7.646 41.700 3.119 26.535 18.736 25.016 0.633 32.953 16.054 26.275 19.401 13.178 4.050 0.260 9.209 11 3.000 0.990 0.180 2.307 19.618 24.070 12.689 13.306 16.261 8.409 13.151 21.179 13.120 14.848 15.107 4.449 15.564 1.634 16.962 9.722 46.172 38.289 9.885 41.599 23.024 5.900 0.041 16.032 2.488 28.380 12.591 10.419 48.697 13.991 7.297 0.020 0.725 12 3.

862 1.074 2.977 2.740 1.208 4.747 3.879 1.397 1.316 1.899 1.154 2.337 1.532 0.681 2.264 2.376 1.819 3.311 1.479 2.437 4.821 6.828 1.321 1.883 3.048 2.610 3.530 0.943 1.814 1.282 2.147 2.538 0.356 1.528 2.787 3.860 1.537 0.706 1.858 0.120 2.467 3.552 4.315 1.895 4.779 2.531 0.763 2.0% 1.l.069 2.319 1.543 0.690 3.878 2.552 2.320 2.617 0.878 2.310 1.530 0.249 2.925 5.314 2.173 5.408 5.365 0.542 0.421 3.0% 31.941 0.757 1.318 1.855 1.177 2.061 0.250 3.106 3.093 2.508 2.235 2.131 2.228 2. n 1 2 3 4 5 30.725 1.859 0.363 1.861 0.415 1.262 2.650 2.183 2.086 2.045 2.646 3.447 2.539 0.325 1.143 2.303 3.408 3.768 3.078 1.540 0.855 0.333 2.435 3.707 3.169 5.499 3.327 10.753 1.440 1.012 2.534 0.947 4.697 1.587 11 12 13 14 15 0.110 2.303 2.895 1.965 3.657 9.841 4.893 0.518 2.822 1.858 0.624 2.922 3.887 1.323 1.734 1.341 1.517 2.505 3.896 0.462 2.825 2.862 0.0% 15.707 3.314 1.860 1.869 1.0% 3.819 1.182 2.476 5.706 4.856 1.073 16 17 18 19 20 0.140 4.015 4.533 0.398 2.492 2.05% 636.583 2.978 0.604 4.132 2.883 0.599 12.539 2.819 2.473 2.042 2.832 1.886 1.831 2.353 2.906 0.868 0.372 1.781 4.189 2.531 0.191 2.807 2.101 2.046 2.015 3.055 3.328 2.CAPÍTULO 2.896 2.659 3.638 1.144 5.535 0.787 3.328 1.718 2.309 22.965 4.855 0.306 2.727 0. VARIÁVEIS ALEATÓRIAS BIDIMENSIONAIS CONTÍNUAS 52 Tabela 4 Distribuição t-Student: X ~ t(n ) Valores críticos de X tais que Pr(X > t ) = p g.500 2.080 2.812 2.714 1.912 1.004 1.215 7.873 0.870 0.5% 63.856 0.025 3.032 0.533 0.457 2.532 0.041 4.852 3.835 1.646 .318 4.546 0.0% 6.796 1.385 3.998 2.889 0.396 3.0% 7.569 0.821 2.531 0.365 2.959 5.605 2.619 31.725 26 27 28 29 30 0.733 4.920 2.104 2.612 2.1% 318.708 1.330 1.797 2.745 3.916 3.771 1.482 2.359 3.721 1.541 3.785 4.717 1.056 2.764 3.863 0.849 3.060 2.534 0.160 2.771 2.485 2.699 1.750 3.531 0.844 2.172 2.179 2.559 20.224 2.145 2.350 1.812 2.999 2.866 1.876 0.313 1.052 2.449 2.948 2.532 0.930 3.571 2.450 3.467 2.205 2.761 1.921 2.865 0.898 2.167 2.756 2.214 2.584 0.533 1.162 2.197 2.201 2.553 0.928 1.817 1.527 3.861 2.530 0.686 3.333 1.973 1.602 3.5% 12.501 4.221 4.064 2.549 0.833 1.703 1.729 1.782 1.850 21 22 23 24 25 0.711 1.792 3.674 3.869 6 7 8 9 10 0.383 1.355 3.857 0.536 0.845 3.150 2.924 8.0% 0.854 0.158 2.297 4.746 1.840 1.345 1.850 1.485 3.701 1.776 2.567 2.854 1.920 10.579 3.610 6.