30

Variveis aleatrias bidimensionais

Seja uma experincia aleatria e S um espao amostral

associado a essa experincia. Sejam X = X(s) e Y = Y(s)
duas funes cada uma associando um nmero real a cada
resultado s S. Designa-se (X,Y) por v.a. bidimensional.

RX
X X(s)
S
s

Y RY
Y(s)

Se X1 = X1(s), X2 = X2(s), , Xn = Xn(s) forem n

funes, cada uma associando um nmero real a cada
resultado s S, ento (X1, X2, , Xn) uma v.a. n-
dimensional.

RXY : contradomnio de (X,Y) , conjunto de todos os

valores possveis de (X,Y).
De um modo anlogo ao caso unidimensional poderemos
ter uma v.a. bidimensional discreta ou contnua.

Variveis aleatrias discretas bidimensionais

Se o nmero de valores possveis de (X,Y) for finito ou

infinito numervel, isto , se os valores de (X,Y) puderem
 31

ser representados por (xi, yj), i = 1,2, , n, ; j = 1, 2, ,

m, , ento (X,Y) designa-se como v.a. discreta
bidimensional.

Funo de probabilidade conjunta

pXY (x,y) = P ( X = x, Y = y)

p XY x i , y j
( ) se ( x, y) = ( xi , y j )
p XY ( x , y) =
0 se ( x, y) ( xi , y j )

Propriedades
pXY (xi, yj) 0 , i,j
j=1 i =1 (
m n p XY x i , y j = 1 )
Funo de distribuio conjunta (ou de probabilidade
acumulada de (X, Y) )

FXY (x,y) = P(X x, Y y) = p XY ( x k , y k )

xk x yk y

Propriedades
FXY ( x, y ) montona crescente
FXY ( - , y ) = 0, y
FXY ( x,- ) = 0, x
FXY ( + ,+ ) = 1
P(x1<X x2, y1<Y y2) = FXY (x2, y2) - FXY (x1,y2)-
- FXY (x2,y1) + FXY (x1,y1)
 32

Funes de probabilidade marginais

Seja (X,Y) uma v. a. discreta bidimensional. Conhecida

pXY (x, y), a funo de probabilidade conjunta, podemos
obter informao relativamente apenas a X ou a Y atravs
das funes de probabilidade marginais.

Funo de probabilidade marginal da v. a. X

pX ( xi ) = P ( X = xi ) = m (
j = 1 P X = xi , Y = y j )
= m
j = 1 p XY ( x i , y j )
Nota:
pX (xi) 0 , i
ni = 1 p X ( x i ) = 1
Funo de probabilidade marginal da v. a. Y

(
pY ( yj ) = P ( Y = yj ) = in= 1 P X = xi , Y = y j )
= in= 1 p XY ( xi , y j )
Nota:
pY (yj) 0 , j
m ( )
j=1 p Y y j = 1

Funes de probabilidade condicionadas

Seja (X,Y) uma v. a. discreta bidimensional. O conceito de

probabilidade condicionada aplica-se do seguinte modo:
 33

Funo de probabilidade da v. a. X condicionada a um

dado Y = yj

P(X = xi Y = yj) =
(
P X = xi , Y = y j ) se P (Y=yj) > 0
(
P Y = yj )
ento temos que:

(
p XY x i , y j )
p X Y= y
j
( )
xi y j =
pY y j ( )
se pY ( yj ) > 0

Funo de probabilidade da v. a. Y condicionada a um

dado X = xi

P(Y = yj X = xi) =
(
P X = xi , Y = y j ) se P (X=xi) > 0
P ( X = xi )

e portanto:

(
p Y X = x y j xi ) (
p XY x i , y j ) se pX ( xi ) > 0
=
i p X ( xi )
 34

Nota: p X Y = y xi y j
j
e ( )
p Y X = x y j xi
i
( )
satisfazem as duas condies de uma funo de
probabilidade, isto :

(
p X Y = y xi y j 0
j
)
( )
p XY x i ,y j
j
( )
in=1 p X Y=y x i y j = in=1
p Y (y j )
=1

Variveis aleatrias contnuas bidimensionais

Seja (X,Y) uma v.a. contnua bidimensional, ento (X, Y)

toma todos os valores em alguma regio R do plano
euclideano.

Funo densidade de probabilidade conjunta

fXY (x,y) : P (a Xb, c Yd) = ab cd fXY ( x , y) dy dx

= cd ab f XY ( x, y) dx dy

Propriedades
2
fXY ( x, y ) 0 , (x, y)
+ + f
XY ( x, y) dy dx = 1

Funo de distribuio conjunta

u v
FXY (x,y) = P(X x ,Y y) = fXY ( u, v ) dv du
 35

Propriedades
FXY ( x, y ) montona crescente
FXY ( - , y ) = 0, y
FXY ( x,- ) = 0, x
FXY ( + ,+ ) = 1
P(x1<X x2, y1<Y y2) = FXY (x2, y2) - FXY (x1,y2)-
- FXY (x2,y1) + FXY (x1,y1)

FXY (x, y) = FXY (a , b) + ax bx fXY ( x, y) dy dx

a ] - , x ] e b ] - , y ]
FXY (x, y) 0 , (x, y)
2 FXY ( x , y)
= fXY ( x, y)
x y
Funes de probabilidade marginais

Seja (X,Y) uma v. a. contnua bidimensional. Conhecida

fXY (x, y), a funo densidade de probabilidade conjunta,
podemos obter informao relativamente apenas a X ou a
Y atravs das funes densidade de probabilidade
marginais.

Funo densidade de probabilidade marginal da v. a. X

fX ( x ) = +
fXY ( x , y ) dy

Nota:
 36

Dever atender-se eventual necessidade de ajuste dos

limites de integrao e considerao de um ou mais
ramos na obteno de fX ( x ).
fX (x) 0 , x
+
fX ( x ) dx = 1

Funo de probabilidade marginal da v. a. Y

fY ( y ) = +
f XY ( x, y ) dx

Nota:
Ajuste dos limites de integrao e considerao de um
ou mais ramos na obteno de fY ( y ) se necessrio.
fY (y) 0 , y
+
f Y ( y ) dy = 1

Funes de probabilidade condicionadas

Seja (X,Y) uma v. a. contnua bidimensional. O conceito

de probabilidade condicionada aplica-se do seguinte
modo:

Funo densidade de probabilidade da v. a. X

condicionada a um dado Y = y

fXY ( x, y )
f X Y= y ( x y ) = se fY ( y ) > 0
fY ( y )
 37

Funo densidade de probabilidade da v. a. Y

condicionada a um dado X = x

fXY ( x, y )
f Y X= x ( y x ) = se fX ( x ) > 0
fX ( x )

Nota: f X Y = y ( x y ) e f Y X = x ( y x ) satisfazem as
condies impostas a uma funo densidade de
probabilidade, isto :

X Y= y ( x y )
f 0

+
f + f XY ( x, y ) = 1
X Y= y ( x y ) dx =
fY ( y )

Variveis aleatrias independentes

v.a. discreta

Seja (X,Y) uma v.a. discreta bidimensional. Diz-se que X

e Y so v.a. independentes sse:

pXY ( xi, yj ) = pX ( xi ) . pY ( yj ) i,j

Usando a noo de probabilidade condicionada podemos

afirmar que X e Y so v.a. independentes sse:
 38

p
X Y=yj ( xi y j ) = p X ( xi ) i,j

ou, de um modo equivalente

( )
p Y X = x y j xi = pY y j
i
( ) i,j

v.a. contnua

Seja (X,Y) uma v.a. contnua bidimensional. Diz-se que X

e Y so v.a. independentes sse:

fXY ( x, y ) = fX ( x ) . fY ( y ) ( x, y )

Usando a noo de probabilidade condicionada podemos

afirmar que X e Y so v.a. independentes sse:

f X Y = y ( x y ) = fX ( x ) ( x, y )

ou, de um modo equivalente

f Y X = x ( y x ) = fy ( y ) ( x, y )

Variveis aleatrias n-dimensionais

As noes expostas podem ser generalizadas a v.a. n-

dimensionais. Assim se (X1,X2,,Xn) puder tomar todos
os valores numa dada regio do espao n-dimensional, a
respectiva fdp conjunta satisfar:
 39

a) fX1 ,X 2 ,...,X n ( x1 , x 2 ,..., x n ) 0 ( x ,x ,...,x ) n

1 2 n
+ ... + f
b) X1 , X 2 ,..., X n ( x1, x2 ,..., x n ) dx1... dx n = 1

a partir desta fdp podemos definir:

P[(X1,X2,,Xn)C] = ... fX1 ,...,X n (x1 ,..., x n ) dx1... dx n

C
em que C um subconjunto do contradomnio de
(X1,X2,,Xn).

A cada uma das v.a. n-dimensionais podemos associar v.a.

de dimenso inferior. Assim, por exemplo, se n = 3 ento:

+ +
fX1X 2 X 3 (x1 , x 2 , x 3 ) dx1 dx 2 = fX 3 (x 3 )

em que fX 3 (x 3 ) a fdp marginal da v.a. unidimensional

X3. Por outro lado:

+
fX1X 2 X 3 (x1 , x 2 , x 3 ) dx 3 = fX1X 2 (x1 , x 2 )

em que fX1X 2 (x1 , x 2 ) representa a fdp conjunta da v.a.

bidimensional (X1,X2).
O conceito de v.a. independentes tambm facilmente
generalizvel . Assim, dada (X1,X2,..,Xn) diremos que
X1,X2 e Xn so v.a. independentes sse :

fX1 ,...,X n (x1 ,..., x n ) = fX1 (x1 ) fX 2 (x 2 ) ... fX n (x n )

 40

VALOR ESPERADO E V. A . BIDIMENSIONAIS

Seja (X,Y) uma varivel aleatria bidimensional e h(X,Y)

uma funo real de (X,Y), ento temos que:

a) Se (X,Y) for uma varivel aleatria discreta com funo de

( ) (
probabilidade conjunta p XY x i , y j = P X = x i , Y = y j )
( i,j = 1,2,... ) :

( )
E [h ( X, Y )] = h x i , y j p XY x i , y j ( )
j i

b) Se (X,Y) for uma varivel aleatria contnua com funo

densidade de probabilidade conjunta f XY ( x, y ):

E [h ( X, Y )] = + + h ( x, y ) f XY ( x, y ) dy dx

Nota: Analogamente ao que foi referido no caso

unidimensional, tambm aqui a varivel Z = h(X,Y) uma
varivel aleatria com uma determinada distribuio de
probabilidades e poderemos calcular E(Z) do seguinte modo:

Se Z for uma varivel aleatria discreta, ento:

E (Z ) = zi p Z (zi )
i =1
Se Z for uma varivel aleatria contnua, ento:

E ( Z ) = + z f Z ( z ) dz
 41

sendo tambm neste caso necessrio obter previamente a

funo de probabilidade (caso discreto) ou a funo
densidade de probabilidade (caso contnuo) da v.a. Z.

PROPRIEDADES

Sejam X e Y duas v.a. conjuntamente distribudas e sejam

Z= H1(X,Y) e W=H2(X,Y) duas funes reais de X e Y.
Ento:

i) E (X + Y) = E(X) + E(Y)
2
( ) ( )
2 2
ii) E ( X + Y ) = E X + E Y + 2 E ( XY )
iii) Var ( X Y ) = Var ( X ) + Var ( Y ) 2 cov ( X, Y )
iv) E (Z + W) = E(Z) + E(W)

Se X e Y forem v. a. independentes, temos que:

v) E (XY) = E(X) . E(Y)

vi) Var ( X + Y) = Var (X) + Var (Y)

Estas propriedades podem ser generalizadas para o caso de n

variveis aleatrias X1,X2,...,Xn conjuntamente distribudas
obtendo-se:

vii) E (X1 + X2 + ... + Xn) = E (X1) + E(X2) + ... + E(Xn)

( )
viii) E ( X1 + X 2 + ... + X n )2 = E X i2 + 2 E X i X j( )
i i j
i<j
 42

ix) Var ( X1 ... X n ) = Var ( X i ) 2 cov X i ,X j ( )

i i j
i<j

Se X1,X2,...,Xn forem v.a. independentes, ento:

x) E ( X1X2 ...Xn ) = E(X1) E(X2) ... E(Xn)

xi) Var (X1 + X 2 + ... + X n ) = Var ( X i )
i

COVARINCIA E COEFICIENTE DE CORRELAO

LINEAR

Para estudar as relaes entre duas variveis aleatrias X e Y

pode-se analisar a covarincia e o coeficiente de correlao
linear cujas definies se apresentam a seguir:

Cov ( X,Y ) = E [ ( X X ) ( Y Y )] = XY

e portanto:

Variveis aleatrias discretas:

( ) (
Cov ( X,Y ) = ( x i X ) y j Y p XY x i , y j )
i j

Variveis aleatrias contnuas:

Cov ( X,Y ) = + + ( x X ) ( y Y ) f XY ( x , y ) dy dx
 43

A covarincia portanto uma medida da distribuio

conjunta dos valores de X e Y, em termos dos desvios em
relao s respectivas mdias.
A cov(X,Y) descreve, a relao linear entre duas variveis e
a sua mtua dependncia. Uma covarincia positiva implica
que, quando uma das variveis se desvia significativamente
do seu valor esperado, a outra tender a desviar-se no mesmo
sentido. Isso implicar um aumento da disperso da soma das
variveis X e Y.

Se a covarincia for negativa, os desvios das duas variveis

tendero a ser de sentido contrrio, implicando uma
diminuio da varincia da soma.

TEOREMA: Se X e Y forem v.a. independentes, ento

Cov(X,Y)=0

A covarincia expressa nas unidades de X e nas de Y,

simultaneamente, o que introduz algumas dificuldades
quando se pretende fazer comparaes. Para ultrapassar este
inconveniente, pode calcular-se o coeficiente de correlao
linear ( XY ) :

Cov ( X, Y ) E [ (X X ) ( Y Y )] XY
XY = = =
Var ( X ) Var ( Y ) Var ( X ) Var ( Y ) X Y

O coeficiente de correlao linear toma valores no seguinte

intervalo :
 44

1 XY 1

Demonstrao: .....

O valor do coeficiente de correlao depender do grau de

relacionamento linear entre X e Y , verificando-se que:

XY = 1 quando h correlao linear negativa perfeita

entre X e Y ( Y = a X + b , com a e b constantes
ea<0)

XY = 1 quando h correlao linear negativa perfeita entre

X e Y ( Y = a X + b , com a e b constantes e a > 0 )

XY = 0 quando o grau de relacionamento linear entre X e

Y nulo ( poder contudo existir uma relao no
linear entre as duas variveis )

Quando 0 < XY < 1, diz-se que existe correlao linear

positiva entre X e Y menos forte do que quando XY = 1 e
de modo anlogo quando 1 < XY < 0 .

Nota: Define-se momento de ordem (r, s) da v.a. bidimensional

(X,Y) como:
(
'r s = E X r Y s )
e momento central de ordem (r, s) do par (X,Y) como:

[
r s = E ( X X )r ( Y Y )s ]
 45

'
com 10 = 1 = X , '01 = 2 = Y , 2 0 = 12 = 2X e
02 = 22 = 2Y .

Atendendo definio de Cov(X,Y) vemos que corresponde ao

momento central de ordem (1, 1) do par (X,Y).