Professional Documents
Culture Documents
DEPARTAMENTO DE ESTATSTICA
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
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
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
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
1.1.2
Distribuies marginais
1
1
+0=
8
8
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) =
1.1.3
Distribuies condicionais
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
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
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.
1.2.2
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
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)
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
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)
=
=
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
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
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
1
2
1
2
e
E[g(Y )] = EY [EX (X|Y )] = 1
1
3
1
+ 2 = = E (X)
2
2
2
1.3
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
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
1.4
10
1.4.1
Exemplo (continuao)
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)
11
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)
1.5
Covarincia
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) =
=
=
=
=
=
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 )
1.5.2
13
Interpretao da covarincia
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
X
x
x Pr(X = x)
y Pr(Y = y) = E(X)E(Y )
14
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
Pr(X = 0, Y = 1) =
20
20 20
1.6
Coeficiente de correlao
Cov(X, Y )
X Y
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 =
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
16
X EX
Y EY
=
+k
X
Y
X
X
X E(X) = Y +
EY + X k
Y
Y
X
X = Y + k
Y
1.7
= k
Exerccios propostos
X
1
2
3
0,1 0,1 0,1
0,2 0,0 0,3
0,0 0,1 0,1
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
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
Captulo 2
Variveis Aleatrias Bidimensionais
Contnuas
2.1
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
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
19
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
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.
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
2.2
Densidades marginais
2.2.1
(2.1)
f (x, y)dy
f (x, y)dx
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
1
Z 1
x3
1
2
x [2(1 x)] dx = x 2
=
E(X) =
3 0 3
0
2.2.2
22
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
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
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
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
2.3
23
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
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)
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
24
2.3.1
e
e
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
2
1
f(x, y)
=
=
fX (x)
2(1 x)
1x
xy1
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
2.3.2
25
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
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
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
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
x
u
y
u
x
v
y
v
0
= 1
v
1
1
u =
v
2
v
27
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
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).
28
1
1
2
fZ,Y (z, y) = fZ (z)fY (y) = ez /2 n n/2 y n/21 ey/2
2 2
2
v
J = u
y
y
u
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) =
29
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
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.
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
30
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.
2.7.2
Exemplos
32
2.7.3
Exerccios
2.8
Exemplo
33
34
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 .
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
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) =
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:
(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
Logo,
fx (x) =
8x2
0 < x 1/2
8x(1 x) 1/2 < x < 1
(2.7)
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
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
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
x
Rx 1
1 y 2
x
E(Y |X = x) = 0 y dy =
=
x
x 2 0
2
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
40
Z Z
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
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)
2.9.1
41
Funo de densidade
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)
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
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
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 )
x
(y) = x +
y y
y
2
2
= 1 2x
(2.11)
42
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)
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
+
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
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
44
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
2.9.4
Distribuies Condicionais
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
45
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 )
1
2
fY |X (y|x) = p
exp 2 (y (x))
2
2 2
1
y
(x x )
x
2 = 1 2 2y
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
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
X N X , 2X
Y N Y , 2Y
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
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).
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
=
=
=
=
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?
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
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
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
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
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
0,554
0,752
0,831
1,145
1,610
2,343
7,289
0,872
1,134
1,237
1,635
2,204
3,070
1,239
1,564
1,690
2,167
2,833
3,822
1,646
2,032
2,180
2,733
3,490
2,088
2,532
2,700
3,325
4,168
10
2,558
3,059
3,247
3,940
4,865
11
3,053
3,609
3,816
4,575
5,578
12
3,571
4,178
4,404
5,226
6,304
13
4,107
4,765
5,009
5,892
7,042
14
4,660
5,368
5,629
6,571
7,790
15
5,229
5,985
6,262
7,261
16
5,812
6,614
6,908
7,962
17
6,408
7,255
7,564
18
7,015
7,906
8,231
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 ]
52
Tabela 4
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