Distribuições Multivariadas PDF

DISTRIBUIES MULTIVARIADAS
Rafael Carneiro da Costa

UNIVERSIDADE FEDERAL DO CEAR - UFC
FACULDADE DE ECONOMIA, ADMINISTRAO, ATURIA E CONTABILIDADE
DEPARTAMENTO DE ECONOMIA APLICADA - DEA
Novembro 2013
Rafael Costa (CAEN) DISTRIBUIES MULTIVARIADAS 11/13 1 / 22
INTRODUO
Em muitos casos, o resultado de um experimento pode ser
caracterizado por mais de uma v.a.
Example
Considere as seguintes variveis:
X : renda;
Y : gastos totais da famlia; e
Z : tamanho da famlia.
Se o experimento em anlise for a compra de um novo carro, fcil
perceber que o possvel resultado depender destas 3 variveis: (X, Y, Z).
Suas distribuies devem ser analisadas portanto conjuntamente.
INTRODUO
Em muitos casos, o resultado de um experimento pode ser
caracterizado por mais de uma v.a.
Example
Considere as seguintes variveis:
X : renda;
Y : gastos totais da famlia; e
Z : tamanho da famlia.
Se o experimento em anlise for a compra de um novo carro, fcil
perceber que o possvel resultado depender destas 3 variveis: (X, Y, Z).
Suas distribuies devem ser analisadas portanto conjuntamente.
DISTRIBUIES BIVARIADAS
Denition (1 [Funo de distribuio conjunta])
Sejam X e Y duas variavis aleatrias. Ento a funo
F
XY
(x, y) = P(X _ x e Y _ y) chamada a funo de distribuio
conjunta.
observao: Como a funo de distribuio geralmente
representada por F(.) e a funo densidade por f (.), o subscrito
XY

usado para identicar o fato que as v.a.s em questo so X e Y
conjuntamente.
A funo distribuio conjunta tem as seguintes propriedades:
1
F
XY
(x, ) e F
XY
(, y) so funes de distribuio univariada, como
funes de x e y, respectivamente.
2
F
XY
(, y) = F
XY
(x, ) = 0.
F
XY
conjunta.
XY

conjuntamente.
1
F
XY
(x, ) e F
XY
2
F
XY
(, y) = F
XY
(x, ) = 0.
F
XY
conjunta.
XY

conjuntamente.
1
F
XY
(x, ) e F
XY
2
F
XY
(, y) = F
XY
(x, ) = 0.
F
XY
conjunta.
XY

conjuntamente.
1
F
XY
(x, ) e F
XY
2
F
XY
(, y) = F
XY
(x, ) = 0.
Denition (2 [Funo de probabilidade ou densidade conjunta])
Funo de Probabilidade Discreta: f
XY
(x, y) = P(X = x, Y = y)
Funo Densidade Contnua: f
XY
(x, y) =

2
F (x,y )
xy
e, por isso,
F
XY
(x, y) =
R
x
R
y
f
XY
(u, v)dudv
observao: Note que para a funo densidade conjunta existir no
caso contnuo, F
XY
(x, y) deve ter derivadas parciais cruzadas
contnuas.
A funo densidade bivariada satisfaz as condies:
f
XY
(x, y) _ 0 e
R
x
R
y
dF(x, y) = 1
onde dF(x, y) a anloga bivariada de dF(x).
Denition (2 [Funo de probabilidade ou densidade conjunta])
Funo de Probabilidade Discreta: f
XY
(x, y) = P(X = x, Y = y)
Funo Densidade Contnua: f
XY
(x, y) =

2
F (x,y )
xy
e, por isso,
F
XY
(x, y) =
R
x
R
y
f
XY
(u, v)dudv
observao: Note que para a funo densidade conjunta existir no
caso contnuo, F
XY
(x, y) deve ter derivadas parciais cruzadas
contnuas.
A funo densidade bivariada satisfaz as condies:
f
XY
(x, y) _ 0 e
R
x
R
y
dF(x, y) = 1
onde dF(x, y) a anloga bivariada de dF(x).
Example
Um par de dados lanado. Seja X o nmero de vezes em que o resultado
que sai "3" e Y o nmero de vezes que o resultado que sai "5".
Deseja-se aqui derivar a probabilidade conjunta de X e Y. Note que S
consiste de 36 pontos (6
2
), cada um com probabilidade 1/36; e tambm
que X e Y podem tomar apenas os valores 0,1 ou 2. O evento conjunto
ocorre quando os resultados inidividuais so ou (3,5) ou (5,3). Portanto
P(X=1,Y=1)=2/36. Ao similarmente enumerar as possibilidades em cada
caso, pode-se derivar as outras probabilidades conjuntas, conforme a
tabela a seguir:
x 0 1 2 f
Y
(y)
y
0 16/36 8/36 1/36 25/36
1 8/36 2/36 0 10/36
2 1/36 0 0 1/36
f
X
(x) 25/36 10/36 1/36 1
Note que P(X = 0) = P(X = 0, Y = 0) + P(X = 0, Y =
1) + P(X = 0, Y = 2) = 25/36.
Perceba que isto pode ser generalizado para a obteno da funo
densidade individual de X.
x 0 1 2 f
Y
(y)
y
0 16/36 8/36 1/36 25/36
1 8/36 2/36 0 10/36
2 1/36 0 0 1/36
f
X
(x) 25/36 10/36 1/36 1
1) + P(X = 0, Y = 2) = 25/36.
x 0 1 2 f
Y
(y)
y
0 16/36 8/36 1/36 25/36
1 8/36 2/36 0 10/36
2 1/36 0 0 1/36
f
X
(x) 25/36 10/36 1/36 1
1) + P(X = 0, Y = 2) = 25/36.
Ento:
f
X
(x) = P(X = x) = P(X = x, Y = 0) + P(X = x, Y = 1)
+P(X = x, Y = 2)
do fato que o evento X = x pode ser particionado em 3 eventos
disjuntos.
Desta forma, pode-se obter f
X
(x) e f
Y
(y), que so chamadas
distribuies marginais.
Ento:
f
X
(x) = P(X = x) = P(X = x, Y = 0) + P(X = x, Y = 1)
+P(X = x, Y = 2)
do fato que o evento X = x pode ser particionado em 3 eventos
disjuntos.
Desta forma, pode-se obter f
X
(x) e f
Y
(y), que so chamadas
distribuies marginais.
Denition (3 [densidade marginal])
Se X e Y so v.a.s discretas, ento f
X
(x) =
y
f
XY
(x, y) a
distribuio marginal de X e f
Y
(y) =
x
f
XY
(x, y) a distribuio
marginal de Y. No caso contnuo, f
X
(x) =
R
Y
f
XY
(x, y)dy a densida
de marginal de X e f
Y
(y) =
R
X
f
XY
(x, y)dx a densidade marginal de
Y.
Example (Continuao)
Suponha que X = 1 j ocorreu. Pode-se ento perguntar: "Qual a
probabilidade que Y = 0 dado que X = 1?". Tem-se ento
P(Y = 0[X = 1) =
P(Y = 0, X = 1)
P(X = 1)
=
8
36

10
36
= 0, 8
Ao proceder de maneira similar para todos os casos, obtm-se a
distribuio condicional de Y dado X.
Denition (4 [densidade condicional])
A densidade condicional de Y dado X = x denida como
f
Y [X
(x, y) =
f
XY
(x,y )
f
X
(x)
, onde f
X
(x) ,= 0. A densidade condicional de X
dado Y = y denida como f
X[Y
(x, y) =
f
XY
(x,y )
f
Y
(y )
, onde f
Y
(y) ,= 0. Esta
denio vale para v.a.s contnuas e discretas.
Denition (5 [independncia estatstica])
As v.a.s X e Y so estatisticamente independentes se e somente se
f
X[Y
(x, y) = f
X
(x)\ valores de X e Y onde f
XY
(x, y) denido.
Equivalentemente, f
Y [X
(x, y) = f
Y
(y) e f
XY
(x, y) = f
X
(x).f
Y
(y).
Observao: Note que indepedncia signica que f
XY
(x, y)
separvel em x e y.
Theorem (1)
As v.a.s X e Y com funo densidade conjunta f
XY
(x, y) sero
estatisticamente independentes se e somente se f
XY
(x, y) pode ser escrito
como um produto de duas funes no-negativas, uma em X somente e
outra em Y somente.
Proof.
[prova da ida] Independncia implica que f
XY
(x, y) = f
X
(x).f
Y
(y)
[denio 5] e por isso a condio requerida satisfeita.
Proof.
[prova da volta] Suponha que f
XY
(x, y) = g(x).h(y). Ento, para v.a.s
contnuas, pela denio 3 [densidade marginal],
f
X
(x) =
Z

g(x)h(y)dy = k
1
g(x)
f
Y
(y) =
Z

g(x)h(y)dx = k
2
h(y)
onde k
1
e k
2
so constantes independentes de x e y. Por isso,
f
XY
(x, y) =
f
X
(x)
k
1
.
f
Y
(y)
k
2
=
1
k
1
.k
2
.f
X
(x).f
Y
(y)
Proof.
[prova da volta (continuao)] fcil mostrar que k
1
.k
2
= 1, que
estabelecer o inverso:
1 =
R
f
XY
(x, y)dxdy =
R
g(x)h(y)dxdy
=
h
R
g(x)dx
i h
R
h(y)dy
i
= k
1
.k
2
Theorem (2)
Se X e Y so estatsticamente independentes e a, b, c, d so constantes
reais com a < b e c < d, ento
P(a < X < b, c < Y < d) = P(a < x < b).P(c < Y < d)
Proof.
[prova] Exerccio da Lista n
o
3.
EXPECTATIVA MATEMTICA
O conceito de expectativa matemtica facilmente estendido para
v.a.s bivariadas.
Logo,
E
XY
[g(X, Y)] =
R
g(x, y)dF
XY
(xy)
onde o subscrito indica que a integral sobre o espao (X, Y).
Momentos: O r -simo momento de X
E
XY
(X
r
) =
R
x
r
dF
XY
(xy) =
R
x
r
dF
X
(x) = E
X
(X
r
)
Momentos Conjuntos:
E
XY
(X
r
Y
s
) =
R
x
r
y
s
dF
XY
(xy)
v.a.s bivariadas.
Logo,
E
XY
[g(X, Y)] =
R
g(x, y)dF
XY
(xy)
E
XY
(X
r
) =
R
x
r
dF
XY
(xy) =
R
x
r
dF
X
(x) = E
X
(X
r
)
Momentos Conjuntos:
E
XY
(X
r
Y
s
) =
R
x
r
y
s
dF
XY
(xy)
v.a.s bivariadas.
Logo,
E
XY
[g(X, Y)] =
R
g(x, y)dF
XY
(xy)
E
XY
(X
r
) =
R
x
r
dF
XY
(xy) =
R
x
r
dF
X
(x) = E
X
(X
r
)
Momentos Conjuntos:
E
XY
(X
r
Y
s
) =
R
x
r
y
s
dF
XY
(xy)
v.a.s bivariadas.
Logo,
E
XY
[g(X, Y)] =
R
g(x, y)dF
XY
(xy)
E
XY
(X
r
) =
R
x
r
dF
XY
(xy) =
R
x
r
dF
X
(x) = E
X
(X
r
)
Momentos Conjuntos:
E
XY
(X
r
Y
s
) =
R
x
r
y
s
dF
XY
(xy)
Theorem (3)
Sejam X e Y v.a. s independentes e seja u(X) uma funo de X somente
e v(Y) uma funo de Y somente. Ento,
E
XY
[u(X)v(Y)] = E
X
[u(X)]E
Y
[v(Y)]
Proof.
Lista de Exerccios n
o
3.
COVARINCIA
O mais importante momento conjunto a covarincia entre X e Y.
Ela denida como
XY
= Cov(X, Y) = E
XY
[(X
X
)(Y
Y
)] = E
XY
(XY)
X
Y
onde
X
= E(X) e
Y
= E(Y).
No caso contnuo, esta toma a forma
XY
=
R
(x
X
)(y
Y
)f
XY
(x, y)dxdy
E no caso discreto ela
XY
=
x

y
(x
X
)(y
Y
)f
XY
(x, y)
COVARINCIA
Ela denida como
XY
= Cov(X, Y) = E
XY
[(X
X
)(Y
Y
)] = E
XY
(XY)
X
Y
onde
X
= E(X) e
Y
= E(Y).
XY
=
R
(x
X
)(y
Y
)f
XY
(x, y)dxdy
XY
=
x

y
(x
X
)(y
Y
)f
XY
(x, y)
COVARINCIA
Ela denida como
XY
= Cov(X, Y) = E
XY
[(X
X
)(Y
Y
)] = E
XY
(XY)
X
Y
onde
X
= E(X) e
Y
= E(Y).
XY
=
R
(x
X
)(y
Y
)f
XY
(x, y)dxdy
XY
=
x

y
(x
X
)(y
Y
)f
XY
(x, y)
COVARINCIA
Ela denida como
XY
= Cov(X, Y) = E
XY
[(X
X
)(Y
Y
)] = E
XY
(XY)
X
Y
onde
X
= E(X) e
Y
= E(Y).
XY
=
R
(x
X
)(y
Y
)f
XY
(x, y)dxdy
XY
=
x

y
(x
X
)(y
Y
)f
XY
(x, y)
COVARINCIA
Como antes, as varincias podem ser denidas como
2
X
= E[(X
X
)
2
] = E(X
2
)
2
X
e
2
X
= E[(Y
Y
)
2
] = E(Y
2
)
2
Y
.
Para melhor entendimentyo da covarincia, suponha que X e Y so
v.a.s que so positivamente relacionadas, de modo que Y aumenta
quando X cresce, como ilustrado na gura a seguir:
COVARINCIA
2
X
= E[(X
X
)
2
] = E(X
2
)
2
X
e
2
X
= E[(Y
Y
)
2
] = E(Y
2
)
2
Y
.
COVARINCIA
2
X
= E[(X
X
)
2
] = E(X
2
)
2
X
e
2
X
= E[(Y
Y
)
2
] = E(Y
2
)
2
Y
.
COVARINCIA
Os crculos representam pares de valores X e Y que so possveis
resultados. As linhas pontilhadas indicam as mdias
X
e
Y
.
Ao mover os eixos para as linhas pontilhadas com origem em
(
X
,
Y
), pode-se ver que X
i

X
e Y
i

Y
so as distncias da
nova origem, para os pontos (X
i
,Y
i
).
Note que os pontos no 1
o
e 3
o
quadrantes faro o produto
(X
X
)(Y
Y
) positivo, porque os termos individuais ou so
ambos positivos ou ambos negativos.
Em contraste, os pontos no 2
o
e 4
o
negativo, porque um dos termos positivo e o outro negativo.
COVARINCIA
X
e
Y
.
(
X
,
Y
i

X
e Y
i

Y
so as distncias da
i
,Y
i
).
o
e 3
o
(X
X
)(Y
Y
o
e 4
o
COVARINCIA
X
e
Y
.
(
X
,
Y
i

X
e Y
i

Y
so as distncias da
i
,Y
i
).
o
e 3
o
(X
X
)(Y
Y
o
e 4
o
COVARINCIA
X
e
Y
.
(
X
,
Y
i

X
e Y
i

Y
so as distncias da
i
,Y
i
).
o
e 3
o
(X
X
)(Y
Y
o
e 4
o
CORRELAO
A quantidade
XY
=

XY
Y
=
Cov(X, Y)
[Var (X)Var (Y)]
1/2
chamada coeciente de correlao entre X e Y.
Se X e Y so positivamente relacionados (quando X aumenta, Y
tambm aumenta), ento a covarincia ser positiva e por isso
XY
ser positivo.
Se Cov(X) = 0, ento
XY
= 0, caso em que X e Y so no
correlacionados.
Se X e Y so independentes, ento f
XY
(x, y) = f
X
(x).f
Y
(y), logo
E
XY
(XY) = E
X
(X)E
Y
(Y). Por isso,
XY
= 0 e
XY
= 0 se duas
v.a.s so independentes.
Note que o inverso no necessariamente ocorrre.
CORRELAO
A quantidade
XY
=

XY
Y
=
Cov(X, Y)
[Var (X)Var (Y)]
1/2
XY
ser positivo.
Se Cov(X) = 0, ento
XY
correlacionados.
XY
(x, y) = f
X
(x).f
Y
(y), logo
E
XY
(XY) = E
X
(X)E
Y
(Y). Por isso,
XY
= 0 e
XY
= 0 se duas
CORRELAO
A quantidade
XY
=

XY
Y
=
Cov(X, Y)
[Var (X)Var (Y)]
1/2
XY
ser positivo.
Se Cov(X) = 0, ento
XY
correlacionados.
XY
(x, y) = f
X
(x).f
Y
(y), logo
E
XY
(XY) = E
X
(X)E
Y
(Y). Por isso,
XY
= 0 e
XY
= 0 se duas
CORRELAO
A quantidade
XY
=

XY
Y
=
Cov(X, Y)
[Var (X)Var (Y)]
1/2
XY
ser positivo.
Se Cov(X) = 0, ento
XY
correlacionados.
XY
(x, y) = f
X
(x).f
Y
(y), logo
E
XY
(XY) = E
X
(X)E
Y
(Y). Por isso,
XY
= 0 e
XY
= 0 se duas
CORRELAO
A quantidade
XY
=

XY
Y
=
Cov(X, Y)
[Var (X)Var (Y)]
1/2
XY
ser positivo.
Se Cov(X) = 0, ento
XY
correlacionados.
XY
(x, y) = f
X
(x).f
Y
(y), logo
E
XY
(XY) = E
X
(X)E
Y
(Y). Por isso,
XY
= 0 e
XY
= 0 se duas
CORRELAO
Example
Considere a seguinte tabela de probabilidades conjuntas e marginais:
x 6 8 10 f
Y
(y)
y
1 0, 2 0, 0 0, 2 0, 4
2 0, 0 0, 2 0, 0 0, 2
3 0, 2 0, 0 0, 2 0, 4
f
X
(x) 0, 4 0, 2 0, 4 1
Cov(X, Y) = E(XY) E(X)E(Y); E(X) = 8; E(Y) = 2.
E(XY) = 6x0, 2 + 10x0, 2 + 16x0, 2 + 18x0, 2 + 30x0, 2 = 16.
Portanto, Cov(X, Y) = 0.
CORRELAO
Example
x 6 8 10 f
Y
(y)
y
1 0, 2 0, 0 0, 2 0, 4
2 0, 0 0, 2 0, 0 0, 2
3 0, 2 0, 0 0, 2 0, 4
f
X
(x) 0, 4 0, 2 0, 4 1
E(XY) = 6x0, 2 + 10x0, 2 + 16x0, 2 + 18x0, 2 + 30x0, 2 = 16.
CORRELAO
Example
x 6 8 10 f
Y
(y)
y
1 0, 2 0, 0 0, 2 0, 4
2 0, 0 0, 2 0, 0 0, 2
3 0, 2 0, 0 0, 2 0, 4
f
X
(x) 0, 4 0, 2 0, 4 1
E(XY) = 6x0, 2 + 10x0, 2 + 16x0, 2 + 18x0, 2 + 30x0, 2 = 16.
CORRELAO
Mas X e Y no so independentes, porque P(X = 6, Y = 2) = 0,
mas P(X = 6) = 0, 4 e P(Y = 2) = 0, 2. Por isso, X e Y no so
independentes.
Theorem (4)
[
XY
[ _ 1 ou 1 _
XY
_ 1.
Observao 1:
XY
mensura apenas uma relao linear entre X e Y.
Observao 2: Se
XY
= 1, ento h uma relao linear exata entre
X e Y.
CORRELAO
independentes.
Theorem (4)
[
XY
[ _ 1 ou 1 _
XY
_ 1.
Observao 1:
XY
Observao 2: Se
XY
X e Y.
CORRELAO
independentes.
Theorem (4)
[
XY
[ _ 1 ou 1 _
XY
_ 1.
Observao 1:
XY
Observao 2: Se
XY
X e Y.
CORRELAO
Theorem (5)
Var (aX + bY) = a
2
Var (X) + 2abCov(X, Y) + b
2
Var (Y).
Proof.
E(aX + bY) = a
X
+ b
Y
Var (aX + bY) = E[(aX + bY) E(aX + bY)]
2
Var (aX + bY) = E[(aX + bY a

X
b
Y
)
2
]
Var (aX + bY) = E[a(X
X
) + b(Y
Y
)]
2
A simples expanso acima gera os resultados.

Prove que Var (X + Y) = Var (X) + Var (Y) + 2Cov(X, Y).
Mostre que, se X e Y so independentes, ento
Var (X + Y) = Var (X Y) = Var (X) + Var (Y).
CORRELAO
Theorem (5)
Var (aX + bY) = a
2
Var (X) + 2abCov(X, Y) + b
2
Var (Y).
Proof.
E(aX + bY) = a
X
+ b
Y
Var (aX + bY) = E[(aX + bY) E(aX + bY)]
2
Var (aX + bY) = E[(aX + bY a

X
b
Y
)
2
]
Var (aX + bY) = E[a(X
X
) + b(Y
Y
)]
2
A simples expanso acima gera os resultados.

Prove que Var (X + Y) = Var (X) + Var (Y) + 2Cov(X, Y).
Mostre que, se X e Y so independentes, ento
Var (X + Y) = Var (X Y) = Var (X) + Var (Y).
EXPECTATIVA CONDICIONAL
Denition (6)
Sejam X e Y v.a.s contnuas e g(Y) uma funo contnua. Ento a
expectativa condicional de g(Y) dado X = x, denotada por
E
Y [X
[g(Y)[X], dada por
R
g(y)f
Y [X
(x, y)dy, onde f
Y [X
(x, y) a
densidade condicional de Y dado X. A denio para o caso discreto
anloga.
Observao: o caso especial de E(Y[X) chamado a regresso de
Y sobre X e amplamente usado em econometria.
Theorem (Lei das Expectativas Iteradas)
E
XY
[g(, Y)] = E
X
E
Y [X
[g(Y)[X]
Isto , a expectativa incondicional a expectativa da expectativa
condicional.

Distribuições Multivariadas PDF

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Distribuições Multivariadas PDF

Enviado por

Direitos autorais:

Formatos disponíveis

DISTRIBUIES MULTIVARIADAS

Rafael Carneiro da Costa

Var (aX + bY) = E[(aX + bY a

A simples expanso acima gera os resultados.

Var (aX + bY) = E[(aX + bY a

A simples expanso acima gera os resultados.

Você também pode gostar