João Maurı́cio A.

Mota e Gualberto Agamez 1

1 Distribuição Normal Bivariada

Definição. Um vetor aleatório (X, Y ) é dito possuir distribuição Normal de parâmetros
µ1 , µ2 , ρ, σ12 , σ22 se sua f.d.p.c. é da forma

 
1 Q(x, y)
f (x, y) = exp − I (x) I (y) ,
c 2(1 − ρ2 ) (−∞,∞) (−∞,∞)

onde
p
c = 2π σ1 σ2 1 − ρ2 ,
e
 2     2
x − µ1 x − µ1 y − µ2 y − µ2
Q(x, y) = − 2ρ + .
σ1 σ1 σ2 σ2
Notação: (X, Y ) ∼ N2 (µ1 , µ2 , ρ, σ12 , σ22 ).
Os parâmetros µ1 e µ2 são reais, os parâmetros σ12 e σ22 são reais positivos e ρ é real
no intervalo (−1, 1).

1.1 Função Densidade de Probabilidade Conjunta

Devemos verificar se as condições abaixo são satisfeitas:

1. f (x, y) ≥ 0
R∞ R∞
2. −∞ −∞ f (x, y) dx dy = 1

Prova.
Notamos que a primeira condição é satisfeita, já que c > 0 e a função exponencial é
sempre positiva. Para a segunda condição, seja

Z ∞ Z ∞
1 − 2(1−ρ
Q(x,y)
2)
I = e dydx
−∞ −∞ c

Vamos fazer a seguinte mudança de variáveis:

x − µ1
s = h1 (x, y) =
σ1
e
y − µ2
v = h2 (x, y) = .
σ2
As funções inversas de h1 e h2 são dadas por:

w1 (s, v) = µ1 + σ1 s e w2 (s, v) = µ2 + σ2 v.
O Jacobiano da transformação é dado por:

DEMA - UFC
 João Maurı́cio A. Mota e Gualberto Agamez 2

 ∂w1 ∂w1
  
   σ1 0 
J =  ∂s ∂v =  = σ1 σ2 ,
∂w2 ∂w2   0 σ2 
∂s ∂v

que é sempre positivo.

logo,
Z ∞Z ∞ Z ∞ Z ∞
f (x, y) dx dy = f (w1 (s, v), w2 (s, v)) |J| dv ds.
−∞ −∞ −∞ −∞

Assim,

Q(w1 (s, v), w2 (s, v)) = Q(µ1 + σ1 s, µ2 + σ2 v) = s2 − 2ρsv + v 2

Seja
N = s2 − 2ρsv + v 2
vamos completar os quadrados:

N = s2 − 2ρsv + v 2 = s2 − 2sρv + v 2 = s2 − 2ρsv + ρ2 v 2 − ρ2 v 2 + v 2

Logo,

N = (s − ρv)2 + (1 − ρ2 )v 2 .
Daı́

N (s − ρv)2 v 2
= + .
2(1 − ρ2 ) 2(1 − ρ2 ) 2
Voltando ao cálculo da integral dupla I temos

DEMA - UFC
 João Maurı́cio A. Mota e Gualberto Agamez 3

Z ∞ Z ∞
1 − Q(w1 (s,v),) (s,v)
I = e w 2 2(1 − ρ2 ) |J|dvds
−∞ −∞ c
Z ∞ Z ∞
1 − N
= e 2(1−ρ2 ) σ1 σ2 dvds
c −∞ −∞
Z ∞Z ∞
σ1 σ2 − N
= e 2(1−ρ2 ) dvds
c
Z−∞ −∞
∞ Z ∞
σ1 σ2 − N
= e 2(1−ρ2 ) dvds
c
Z−∞ −∞
∞ Z ∞
σ1 σ2 − N
= e 2(1−ρ2 ) dvds
c
Z−∞ −∞
∞ Z ∞ (s−ρv)2 2
σ1 σ2 − −v
= e 2(1−ρ2 ) 2 dsdv
c −∞ −∞
Z ∞ Z ∞ (s−ρv)2 
σ1 σ2 2
− v2 − 2)
= p e dv e 2(1−ρ ds
2π σ1 σ2 1 − ρ2 −∞ −∞
Z ∞ Z ∞ (s−ρv)2 
1 2
− v2 − 2
= p e dv e 2(1−ρ ) ds
2π 1 − ρ2 −∞ −∞
Z ∞ "Z #
∞ (s−ρv)2
1 − v2 1 −
= √ e 2 dv √ p e 2(1−ρ2 ) ds
2π 2π 1 − ρ 2
−∞ −∞
Z ∞
1 v 2
= √ e− 2 dv × 1
−∞ 2π
= 1,

pois a primeira integral é de uma normal V ∼ N (0, 1) e segunda integral

é de uma normal S ∼ N (ρv, (1 − ρ2 )).

1.2 Marginais
As marginais de X e Y são dadas por:

a. X ∼ N (µ1 , σ12 ).

b. Y ∼ N (µ2 , σ22 ).

Prova.

A marginal de X é dada por:

Z ∞
fX (x) = f (x, y) dy
Z−∞
∞
1 − 2(1−ρ
1
2 ) Q(x,y)
= e dy
−∞ c

y−µ2
Fazendo a mudança z = σ2
, temos

DEMA - UFC
 João Maurı́cio A. Mota e Gualberto Agamez 4

dy
dz =
σ2
assim y = µ2 + σ2 z.
Vamos trabalhar um pouco com Q(x, mu2 + σ2 z):
Logo,
 2  
x − µ1 x − µ1
Q(x, µ2 + σ2 z) = − 2ρ z + z2.
σ1 σ1
Completando os quadrados na variável z temos:

 2  2  2 !
x − µ1 x − µ1 x − µ1 x − µ1
Q(x, µ2 + σ2 z) = z 2 − 2ρ z + ρ2 − ρ2 + .
σ1 σ1 σ1 σ1

Finalmente
 2  2
x − µ1 2 x − µ1
Q(x, µ2 + σ2 z) = z − ρ + (1 − ρ ) .
σ1 σ1
Logo,
  2 

Q(x, µ2 + σ2 z)

 z− ρ x−µ
σ1
1 
(x − µ1 )2

exp = exp −  exp − .

2(1 − ρ2 ) 2(1 − ρ2 ) 2σ12

Voltando para o cálculo da marginal de X temos:

DEMA - UFC
 João Maurı́cio A. Mota e Gualberto Agamez 5

Z ∞  
1 Q(x, y)
fX (x) = exp − dy
−∞ c 2(1 − ρ2 )
1 ∞
Z  
Q(x, µ2 + σ2 z)
= exp − σ2 dz
c −∞ 2(1 − ρ2 )
  2 
x−µ1
σ2
Z ∞ z − ρ σ1

(x − µ1 )2

= exp −  exp − dz
 
2σ12
p
2πσ1 σ2 1 − ρ2 −∞ 2(1 − ρ2 )

  2 
x−µ1
1

(x − µ1 )2
 Z ∞ z − ρ σ1
= exp − exp −  dz
 
2
p 2
2σ1 2(1 − ρ )

2πσ1 1 − ρ2 −∞

  2 
x−µ1
 z − ρ σ1
∞
(x − µ1 )2
  Z
1 1
= √ exp − √ exp −  dz

2
p 2
2σ1 2(1 − ρ )

2πσ1 −∞ 2π 1 − ρ2

(x − µ1 )2
 
1
= √ exp − × I1
2πσ1 2σ12
(x − µ1 )2
 
1
= √ exp − ×1
2πσ1 2σ12
(x − µ1 )2
 
1
= √ exp − ,
2πσ1 2σ12
 
x−µ1
que é a densidade da N (µ1 , σ12 ) pois I1 é a integral da N ρ σ1
, 1 − ρ2 .

1.3 Condicionais
As condicionais de Y |X = x e X|Y = y são dadas por:

a.  
x − µ1 2 2
Y |X = x ∼ N µ2 + ρ σ2 , (1 − ρ )σ2 .
σ1

b.  
y − µ2 2 2
X|Y = y ∼ N µ1 + ρ σ1 , (1 − ρ )σ1 .
σ2

Prova.

A condicional de Y |X = x é dada por:

DEMA - UFC
 João Maurı́cio A. Mota e Gualberto Agamez 6

f (x, y)
f (y|x) =
f (x)
1
1 − Q(x,y)
e 2(1−ρ2 )
c
= (x−µ1 )2
− 2
√ 1 e 2σ1
2πσ1
√
(x − µ1 )2
 
2πσ1 1
= exp − Q(x, y) +
c 2(1 − ρ2 ) 2σ12
√
(1 − ρ2 )(x − µ1 )2
  
2πσ1 1
= exp − Q(x, y) −
2πσ1 σ2 2(1 − ρ2 ) σ12
(1 − ρ2 )(x − µ1 )2
  
1 1
= √ exp − Q(x, y) −
2πσ2 2(1 − ρ2 ) σ12

Mas
 2     2
x − µ1 x − µ1 y − µ2 y − µ2
Q(x, y) = − 2ρ + .
σ1 σ1 σ2 σ2
Logo,

(1 − ρ2 )(x − µ1 )2
M = Q(x, y) − ,
σ12
e

2 2
(1 − ρ2 )(x − µ1 )2
    
x − µ1 x − µ1 y − µ2 y − µ2
M= − 2ρ + − ,
σ1 σ1 σ2 σ2 σ12
vamos simplificar M
 2      2
y − µ2 y − µ2 x − µ1 2 x − µ1
M= −2 ρ +ρ .
σ2 σ2 σ1 σ1
Assim,
2
 
1 σ2
2 2 σ2 2
M= 2 (y − µ2 ) − 2ρ (y − µ2 )(x − µ1 ) + ρ 2 (x − µ1 ) .
σ2 σ1 σ1
Logo,
 2
σ2
y−µ−ρ σ1
(x − µ1 )
M=
σ22

2
y − µy|x
M= ,
σ22
em que
σ2 σ2 σ2
µy|x = µ + ρ (x − µ1 ) = µ2 − ρ µ1 + ρ x = a + bx.
σ1 σ1 σ1

DEMA - UFC
 João Maurı́cio A. Mota e Gualberto Agamez 7

Assim, a condicional de
de Y |X = x é dada por:

(1 − ρ2 )(x − µ1 )2
  
1 1
f (y|x) = √ exp − Q(x, y) −
σ12
p
2πσ2 1 − ρ2 2(1 − ρ2 )
"
2 #!
1 1 y − µy|x
= √ exp − ,
σ22
p
2πσ2 1 − ρ2 2(1 − ρ2 )

2
Fazendo σy|x = (1 − ρ2 )σ 2 temos que

2
Y |X = x ∼ N (µy|x , σy|x ).
Exemplo 1: Suponha que X seja a altura e Y o peso de uma pessoa selecionada
aleatoriamente de uma população. Suponha que (X, Y ) tenha uma distribuição normal
bivariada de parâmetros (µ1 , µ2 , ρ, σ12 , σ22 ).
Queremos predizer o peso Y de uma dada pessoa quando sua altura X é conhecida ou
não usando o menor erro quadrático médio.
Quando o peso não é conhecido a melhor previsão é a média E(Y ) = µ2 e o erro
quadrático médio da previsão é a V (Y ) = σ22 .
Se o peso X = x é conhecido a melhor previsão é a média condicional
σ2
E(Y |X =) = µ2 + ρ (x − µ1 )
σ1

e o erro quadrático médio da previsão é a V (Y |X = x) = (1 − ρ2 )σ22 .

1.4 Função Geradora de Momentos da Normal Bivariada

A função geradora de momentos da Normal bivariada é dada por:
 
1 2 2 2 2

M (t1 , t2 ) = exp µ1 t1 + µ2 t2 + σ1 t1 + 2ρσ1 σ2 t1 t2 + σ2 t2 ,
2
t1 e t2 reais.
Prova.

Vamos inicialmente mostrar que a f.g.m. de (Z1 , Z2 ) ∼ N2 (0, 0, 1, 1, ρ) é dada por:

 
1 2 2

M(Z1 ,Z2 ) (t1 , t2 ) = exp t + 2ρt1 t2 + t2 .
2 1

Além disso sabemos que X = µ1 + σ1 Z1 e Y = µ2 + σ2 Z2 tem distribuição normal

bivariada de parâmetros (µ1 , µ2 , ρ, σ12 , σ22 ).
Assim a função geradora de momentos de X, Y em função da geradora de momentos
de (Z1 , Z2 ) é dada por:

DEMA - UFC
 João Maurı́cio A. Mota e Gualberto Agamez 8

M (t1 , t2 ) = exp (t1 X + t2 Y )

= exp (t1 (µ1 + σ1 Z1 ) + t2 (µ2 + σ2 Z2 )
= exp (t1 µ1 + t2 µ2 + σ1 t1 Z1 + σ2 t2 Z2 )
= exp (t1 µ1 + t2 µ2 ) exp (σ1 t1 Z1 + σ2 t2 Z2 )
= exp (t1 µ1 + t2 µ2 ) M(Z1 ,Z2 ) (σ1 t1 , σ2 t2 )
 
1 2 2 2

= exp (t1 µ1 + t2 µ2 ) exp σ t + 2ρσ1 σ2 t1 t2 + σ2 t2
2 1 1

Logo para terminar a provar basta calcular a função geradora de momentos de (Z1 , Z2 ).
Assim,

M(Z1 ,Z2 ) (t1 , t2 ) = E[exp(t1 Z1 + t2 Z2 )]

Z ∞Z ∞
1 1  2
= [exp(t1 z1 + t2 z2 ) exp(− z
2(1 − ρ2 ) 1
p
−∞ −∞ 2π 1 − ρ2
− 2ρt1 t2 + z22 ) dz1 dz2

 
1 2 2

= exp µ1 t1 + µ2 t2 + t1 + 2ρt1 t2 + t2 .
2

Vamos trabalhar com a expressão:

1  2 2

K1 = t1 z1 + t2 z2 − z − 2ρt 1 t2 + z2 ,
2(1 − ρ2 ) 1
que pode ser posta na forma:
1  2 2 2

K1 = − −2(1 − ρ )(t1 z1 + t2 z2 ) + z1 − 2ρz 1 z2 + z2 .
2(1 − ρ2 )
Considere

K2 = −2(1 − ρ2 )t1 z1 − 2(1 − ρ2 )t2 z2 + z12 − 2ρz1 z2 + z22 ,

e

K2 = z12 − 2z1 ρz2 + (1 − ρ2 )t1 + z22 − 2(1 − ρ2 )t2 z2 ,

 

K2 = (A + z22 − 2(1 − ρ2 ) t2 z2 )

em que

A = z12 − 2z1 (ρz2 + (1 − ρ2 )t1

completando os quadrados na variável z1 temos:

A = z12 − 2z1 (ρz2 + (1 − ρ2 )t1 + [ρz2 + (1 − ρ2 )t1 ]2 − [ρz2 + (1 − ρ2 )t1 ]2

DEMA - UFC
 João Maurı́cio A. Mota e Gualberto Agamez 9

2
A = z1 − ρz2 − (1 − ρ2 )t1 − ρ2 z22 − 2ρ(1 − ρ2 )t1 z2 − (1 − ρ2 )2 t21 .
Substituindo em

2
K2 = z1 − ρz2 − (1 − ρ2 )t1 − ρ2 z22 − 2ρ(1 − ρ2 )t1 z2 − (1 − ρ2 )2 t21 + z22
− 2(1 − ρ2 )t2 z2 + z22 − 2(1 − ρ2 )t2 z2

2
= z1 − ρz2 − (1 − ρ2 )t1 + (1 − ρ2 )[z22 − 2z2 (t2 + ρt1 ) − (1 − ρ2 )t21 ]

2
= z1 − ρz2 − (1 − ρ2 )t1 − (1 − ρ2 )B
em que

B = z22 − 2z2 [t2 + ρt1 ] − (1 − ρ2 )t21

completando os quadrados na variável z2 temos:

B = z22 − 2z2 [t2 + ρt1 ] − (1 − ρ2 )t21

= z22 − 2z2 [t2 + ρt1 ] + [t2 + ρt1 ]2 − [t2 + ρt1 ]2 − (1 − ρ2 )t21
= (z2 − t2 − ρt1 )2 − t22 − 2ρt1 t2 − ρ2 t21 − (1 − ρ2 )t21
(z2 − t2 − ρt1 )2 − t21 + 2ρt1 t2 + t22


=

Assim K2 fica:

2
K2 = z1 − ρz2 − (1 − ρ2 )t1 − ρ2 z22 − 2ρ(1 − ρ2 )t1 z2 + (1 − ρ2 )2 t21 + z22 − 2(1 − ρ2 ) t2 z2

2
= z1 − ρz2 − (1 − ρ2 )t1 − ρ2 z22 − (1 − ρ2 )(B)

2
= z1 − ρz2 − (1 − ρ2 )t1 − ρ2 z22 − (1 − ρ2 ) (B)
finalmente K1 pode ser expresso como:
1 h
2

2 2
i
K1 = − ( z1 − ρz2 − (1 − ρ )t1 + (1 − ρ )(B) .
2(1 − ρ2 )
Logo,
!
2
(z1 − ρz2 − (1 − ρ2 )t1 ) (z2 − t2 − ρt1 )2
 
exp(K1 ) = exp − exp − .
2(1 − ρ2 ) 2
Depois desta maratona algébrica e fazendo c1 = exp (t21 + 2ρt1 t2 + t22 ) temos:

∞
(z1 − t2 − ρt1 )2
Z  
1
M(Z1 ,Z2 ) (t1 , t2 ) = c1 √ exp − ×
−∞ 2π 2
Z ∞
(z1 − ρz2 − (1 − ρ2 )t1 )2
 
1
× p exp − dz2 dz1
−∞ 2π(1 − ρ2 ) 2(1 − ρ2 )
Z ∞
(z1 − t2 − ρt1 )2
 
1
= c1 √ exp − ×1
−∞ 2π 2
= c1
exp t21 + 2ρt1 t2 + t22 .


=

DEMA - UFC
 João Maurı́cio A. Mota e Gualberto Agamez 10

Vamos calcular a função geradora de Y a partir da geradora bivariada de (X, Y ).

Exemplo:
Identifique a marginal de Y usando a função geradora de momentos da Normal biva-
riada.

MY (t) = M(X,Y ) (0, t)

 
1 2 2 2 2

= exp µ1 × 0 + µ2 t + σ1 × 0 + 2ρσ1 σ2 × 0t + σ2 t
2
 
1
= exp µ2 t + σ22 t2 ,
2

que é a função geradora de momentos da N (µ2 , σ22 ).

1.5 Função Geradora de Cumulantes da Normal Bivariada

A função geradora de cumulantes da Normal bivariada é dada por:
 
1 2 2 2 2

K(t1 , t2 ) = µ1 t1 + µ2 t2 + σ1 t1 + 2ρσ1 σ2 t1 t2 + σ2 t2 ,
2
t1 e t2 reais.
Prova.

Como K(t1 , t2 ) = ln[M (t1 , t2 )] a prova é imediata.

1.6 Momentos
Na Normal bivariada temos:

a. E(X) = µ1 .

b. E(Y ) = µ2 .

c. V (X) = σ12 .

d. V (Y ) = σ22

e. Cov(X, Y ) = ρσ1 σ2

f. Corr(X, Y ) = ρ

g. E(XY ) = ρσ1 σ2 + µ1 µ2 .

Prova.

Vamos precisar das seguintes derivadas parciais:

∂K(t1 , t2 )
= µ1 + σ12 t1 + ρσ1 σ2 t2 . (1)
∂t1

DEMA - UFC
 João Maurı́cio A. Mota e Gualberto Agamez 11

∂K(t1 , t2 )
= µ2 + σ12 t2 + ρσ1 σ2 t1 . (2)
∂t2

∂ 2 K(t1 , t2 )
= σ12 . (3)
∂t21

∂ 2 K(t1 , t2 )
= σ22 . (4)
∂t22

∂ 2 K(t1 , t2 )
= ρσ1 σ2 . (5)
∂t1 ∂t2
Utilizando 1 temos:

∂K(t1 , t2 )
E(X) = (0, 0)
∂t1
= µ1 + σ12 0 + ρσ1 σ2 0
= µ1 .

Utilizando 2 temos:

∂K(t1 , t2 )
E(Y ) = (0, 0)
∂t2
= µ2 + σ12 0 + ρσ1 σ2 0
= µ2 .

Utilizando 3 temos:

∂ 2 K(t1 , t2 )
V (X) = (0, 0)
∂t21
= σ12

Utilizando 4 temos:

∂ 2 K(t1 , t2 )
V (Y ) = (0, 0)
∂t22
= σ22 .

Utilizando 5 temos:

DEMA - UFC
 João Maurı́cio A. Mota e Gualberto Agamez 12

∂ 2 K(t1 , t2 )
Cov(Y ) = (0, 0)
∂t1 ∂t2
= ρσ1 σ2 .

Como
Cov(X, Y )
Corr(X, Y ) =
σX σY
ρσ1 σ2
=
σ1 σ2
= ρ.

Fato: Se (X, Y ) ∼ N( µ1 , µ2 , σ12 , σ22 , ρ) então X e Y são independentes se e só se ρ = 0.

Prova.

Vamos supor inicialmente que ρ = 0

(x − µ1 )2 (x − µ1 )2
 
1
f (x, y) = exp − + exp(−
2πσ1 σ2 2σ11 2σ11
(x − µ1 )2 (y − µ2 )2
   
1 1
= √ exp − ×√ exp −
2πσ1 2σ11 2πσ2 2σ21
= fX (x) × fY (y),

logo X e Y são independentes.

A volta é bastante conhecida se X e Y são independentes então a correlação é nula.
Exemplo: Suponha que X ∼ N (µ, σ 2 ) e Y |X = x ∼ N (x, τ 2 ). Identifique a distri-
buição de Y .
Solução: vamos calcular inicialmente a média , a variância de Y e a covariância entre
X eY .
Sabemos que
E(Y ) = E[E(Y |X)] = E(X) = µ,
e

V (Y ) = V [E(Y |X)] + E(V ar(Y |X)) = V (X) + E(σ 2 ) = σ 2 + τ 2 .

A covariância entre X e Y é dada por:

Cov(X, Y ) = Cov(X, E(Y |X)) = Cov(X, X) = V (X) = σ 2 .

O coeficiente de correlação é dado por:

Cov(X, Y ) σ2 σ
ρ= p =√ = .
V (X)V (Y ) 2
σ τ 2 τ
A função geradora de momentos de X é dada por

σ 2 t2
 
MX (t) = exp µt +
2

DEMA - UFC
 João Maurı́cio A. Mota e Gualberto Agamez 13

e a função geradora de momentos de Y |X é dada por

τ 2 t2
 
M (t) = exp µX + .
2

A função geradora de momentos de Y é dada por

τ 2 t2
  
tY tY
   
MY (t) = E(e ) = E E(e |X) = E MY |X (t) = E exp µX + ,
2

Assim,

τ 2 t2 τ 2 t2
   
MY (t) = exp E [exp (µX)] = exp MX (t),
2 2
Finalmente,

τ 2 t2 σ 2 t2 (σ 2 + τ 2 )t2
     
MY (t) = exp exp µt + = exp µt + ,
2 2 2
que é a geradora de momentos da N (µ, σ 2 + τ 2 ).
Outra solução:
Vamos calcular a conjunta de (X, Y ). Sabemos que:

(x − µ)2
 
1
fX (x) = √ exp −
2πσ 2σ 2
e a condicional de Y |X = x é dada por:

(y − x)2
 
1
fY |X=x (y) = √ exp − .
2πτ 2τ 2
logo f (x, y) = fX (a) × fY |X=x (y) é dada por:

1 (x − µ)2 (y − x)2
  
1
f (x, y) = exp − + .
2πστ 2 σ2 τ2
Temos que simplificar a expressão:

(x − µ)2 (y − x)2 (x − µ)2 (x − yx)2

+ = + (6)
σ2 τ2 σ2 τ2
Vamos utilizar o seguinte resultado:

ab
K = a(x − m)2 + b(x − n)2 = (a + b)(x − c)2 + (n − m)2 , (7)
a+b
onde
am + bn
c= .
a+b
Comparando 6 com 7 temos:
1 1
a= 2
, b = 2 , m = µ, n = y.
σ τ

DEMA - UFC
 João Maurı́cio A. Mota e Gualberto Agamez 14

Além disso

1 1 σ2 + τ 2
a+b= + = ,
σ2 τ 2 σ2 τ 2
√
√ σ2 + τ 2
a+b= ,
στ
√ 1
ab = .
στ
Além disso

a+b σ2 + τ 2
= 2 2 σ2 τ 2 = σ2 + τ 2.
ab σ τ
E finalmente K fica:
ab
K = (a + b)(x − c)2 + (y − µ1 )2
a+b
A conjunta de (X, Y ) pode ser posta na forma:
 
1 K
f (x, y) = exp −
2πστ 2
e
   
1 1 ab 2 1 2
f (x, y) = exp − (y − µ1 ) exp − (a + b)(x − c)
2πστ 2 a+b 2
A marginal de Y é dada por:
  Z ∞  
1 1 ab 2 1 2
fY (y) = exp − (y − µ1 ) exp − (a + b)(x − c) dx
2πστ 2 a+b −∞ 2
Analisando a integral
Z ∞  
1 2
I= exp − (a + b)(x − c) dx
−∞ 2
1
vemos que seu núcleo é de uma normal com média c e variância a+b
.
Assim,
√ 1 √ στ
I= 2π √ = 2π √ .
a+b σ2 + τ 2
finalmente,
√
 
1 1 ab 2 στ
fY (y) = exp − (y − µ1 ) 2π √ ,
2πστ 2 a+b σ2 + τ 2
assim,
 
1 1 ab 2
fY (y) = √ exp − (y − µ1 ) ,
2π σ 2 + τ 2 2 a+b
assim Y tem distribuição normal de média µ1 e variância dada por:
a+b
V (Y ) = = σ2 + τ 2.
ab

DEMA - UFC
 João Maurı́cio A. Mota e Gualberto Agamez 15

1.7 Transformações
Se (X, Y ) ∼ N( µ1 , µ2 , σ12 , σ22 , ρ) então:
a. S = X + Y ∼ N (µ1 + µ2 , σ12 + σ22 + 2ρσ1 σ2 )
Prova.

Seja MS (t) a função geradora de momentos de S. Assim:

MS (t) = E(etS )
= E(et(X+Y ) )
= E(etX+tY )
= M(X,Y ) (t, t)
 
1 2 2 2 2 2

= exp µ1 t + µ2 t + σ1 t + 2ρσ1 σ2 t + σ2 t
2
t2  2
 
2

= exp (µ1 + µ2 ) t + σ + 2ρσ1 σ2 + σ2 ,
2 1

assim S = X + Y ∼ N (µ1 + µ2 , σ12 , σ22 + 2ρσ1 σ2 )

b. D = X − Y ∼ N (µ1 − µ2 , σ12 + σ22 − 2ρσ1 σ2 )
Prova.

Seja MD (t) a função geradora de momentos de D. Assim:

MD (t) = E(etS )
= E(et(X−Y ) )
= E(etX−tY )
= M(X,Y ) (t, −t)
 
1 2 2 2 2 2

= exp µ1 t − µ2 t + σ1 t − 2ρσ1 σ2 t + σ2 t
2
t2  2
 
2

= exp (µ1 − µ2 ) t + σ − 2ρσ1 σ2 + σ2 ,
2 1

assim D = X − Y ∼ N (µ1 − µ2 , σ12 + σ22 − 2ρσ1 σ2 )

c. A distribuição conjunta de (S, D) = (X + Y, X − Y ) é dada por:

(S, D) ∼ N2 (µ1 + µ2 , µ1 − µ2 , σ12 + σ22 + 2ρσ1 σ2 , σ12 + σ22 − 2ρσ1 σ2 , σ12 − σ22 ).

Prova.

DEMA - UFC
 João Maurı́cio A. Mota e Gualberto Agamez 16

Seja MS,D (t1 , t2 ) a função geradora de momentos bivariada de (S, D). Assim:

MS,D (t1 , t2 ) =E(et1 S+t2 D )

=E(et1 (X+Y )+t2 (X−Y ) )
=E(e(t1 +t2 )X+(t1 )−t2 Y )
=M(X,Y ) (t1 + t2 , t1 − t2 )

1
= exp µ1 (t1 + t2 ) + µ2 (t1 − t2 )) + σ12 (t1 + t2 )2 +
2
+ 2ρσ1 σ2 (t1 + t2 )(t1 − t2 ) + σ2 (t1 − t2 )2
2



1
= exp (µ1 + µ2 )t1 + (µ1 − µ2 )t2 + (σ12 + σ22 + 2ρσ1 σ2 )t21 +
2
+ 2(σ1 − σ2 )t1 t2 + (σ1 + σ2 − 2ρσ1 σ2 ) t22 ,
2 2 2 2



que é a função geradora de momentos de uma normal bivariada com parâmetros

(µ1 + µ2 , µ1 − µ2 , σ12 + σ22 + 2ρσ1 σ2 , σ12 + σ22 − 2ρσ1 σ2 , cov(S, D) = σ12 − σ22 ). A
correlação entre S e D é dada por

σ12 − σ22
ρS,D = p 2
(σ1 + σ22 + 2ρσ1 σ2 ) × (σ12 + σ22 − 2ρσ1 σ2 )
σ12 − σ22
= p 4
σ1 + σ24 + 2σ12 σ22 (1 − ρ2 )

Assim S = X + Y e D = X − Y serão independentes quando a correlação for nula,

isto é, σ12 = σ22 .

1.8 Notação matricial

É comum usar a representação matricial para apresentar os parâmetros da Normal Biva-
riada.
Assim,
Seja
      
X E(X) V (X) Cov(X, Y )
∼ N2 µ = ,Σ = .
Y E(Y ) Cov(X, Y ) V (Y )

Assim vetor aleatório  

X
Y
tem distribuição normal bivariada com vetor de médias
 
E(X) = µ1
µ=
E(Y ) = µ2

DEMA - UFC
 João Maurı́cio A. Mota e Gualberto Agamez 17

e matriz de variâncias e covariâncias

 
V (X) = σ12 Cov(X, Y ) = ρσ1 σ2
Σ= .
Cov(X, Y ) = ρσ1 σ2 V (Y ) = σ12

Duas medidas são avaliadas a partir matriz de variâncias e covariâncias Σ que são:
a Variância Total que é definida por:

V T = tra(Σ) = σ12 + σ22 ,

em que tra(Σ) é o traço da matriz Σ.
A Variância Generalizada que é definida por:

V G = det(Σ) = |Σ| = σ12 × σ22 × (1 − ρ2 ).

A função densidade de probabilidade da Normal Bidimensional é dada por;
  
1   −1 x − µ1
f (x, y) = p exp x − µ1 , y − µ2 Σ
2π |Σ| y − µ2
A função geradora de momentos na normal bivariada é dada por:
 
0 1 0
M( X, Y )(t1 , t2 ) = exp t µ + t Σ t ,
2
em que t0 = (t1 , t2 ) e µ0 = (µ1 , µ2 ).

1.9 Uso do Pacote R

1.10 Exercı́cios
1. Seja (X, Y ) tendo uma distribuição normal bivariada com médias µX = µY = 0
2
e variâncias σX = 1 e σY2 = 2 e ρ = 12 . Qual a variância condicional de Y dado
X = x?

1
A. 2
B. 34 C.1 D. 3
2
E. 2.

2. Seja (X, Y ) tendo uma distribuição normal bivariada com média comum µ e variância
comum σ 2 e correlação ρ com −1 < ρ < 1. Quais das seguintes afirmações são ver-
dadeiras?

I. X e Y são independentes se e somente se ρ = 0.

II. Y − X tem distribuição normal se e somente se ρ > 0
II. V ar(Y − X) < 2σ 2 se e somente se ρ < 0.

A. I e II somente.
B. I e III somente.
C. II e III somente.
D. I, II e III.
E. A resposta correta não é dada por A, B, C ou D.

DEMA - UFC
 João Maurı́cio A. Mota e Gualberto Agamez 18

3. A distribuição conjunta das variáveis aleatórias: X é o logaritmo natural das ex-

portações do ano de 2017 medido em bilhões de dólares e Y é o logaritmo natural
das importações do ano de 2017 medido em bilhões de dólares de um determinado
paı́s pode ser modelada como uma distribuição normal bivariada com:
 
2, 17
µ=
2, 38
e
 
6, 29 5, 18
Σ= .
5, 18 4, 65

a. Dado que um paı́s exportou 150 bilhões de dólares em 2017, quanto em média
ele deve ter importado nesse ano? Qual o desvio padrão?
b. Dado que um paı́s importou 100 bilhões de dólares em 2017, quanto em média
ele deve ter exportado nesse ano? Qual o desvio padrão?
c. Determine a variância total e a variância generalizada.

4. Para quais valores de c as funções são legı́timas densidades bivariadas normais. Para
cada caso apresente os 5 parâmetros envolvidos.

a. f (x, y) = c exp[− 12 (x2 − xy + y 2 )], (x, y) ∈ R2 .

b. f (x, y) = c exp[−(2x2 − xy + 4y 2 )], (x, y) ∈ R2 .
2 xy
c. f (x, y) = c exp[− 21 ( x4 − 2
+ y 2 + 25 y + 25
4
)], (x, y) ∈ R2 .

5. Sejam X a altura e Y o peso ao nascer de crianças de uma determinada cidade.

Suponha que (X, Y ) tenha distribuição normal bivariada com µ1 = 50, 8 cm , µ2 =
3, 4 kg, e σ1 = 3, 8 cm, σ2 = 0, 91 kg e ρ = 0.8.

a. Qual a altura esperada, ao nascer, de uma criança com 5,44 kg?

b. Qual o peso esperado, ao nascer, de uma criança com 55,9 cm de altura?

6. Suponha que a distribuição conjunta do escore médio obtidos pelos estudantes de

graduação em um determinado curso em seu primeiro ano (X) e o no último ano (Y )
tenha uma distribuição normal bivariada com µ1 = 65 , µ2 = 80, σ1 = 4, σ2 = 2 kg
e ρ = 0.8. Calcule a P (Y > X), isto é , a probabilidade de que o estudante melhore
com a maturidade.

7. Considere a distribuição normal bivariada com parâmetros µ1 , µ2 , σ12 , σ22 , ρ. Sejam

X1 − µ1 X2 − µ2 X1 − µ1 X2 − µ2
Y1 = + , Y2 = − .
σ1 σ2 σ1 σ2
Mostre que Y1 e Y2 são independentes.

8. Considere a distribuição normal bivariada com parâmetros µ1 , µ2 , σ12 , σ22 , ρ. Suponha

que µ1 = µ2 = µ e σ1 = σ2 = σ. Sejam Y1 = X1 + X2 e Y2 = X1 − X2 . Mostre que
Y1 e Y2 são independentes.

DEMA - UFC
 João Maurı́cio A. Mota e Gualberto Agamez 19

9. Considere a distribuição normal bivariada com parâmetros µ1 = 0, µ2 = 0, σ12 =

1, σ22 = 1, ρ = 0, 1. Qual a f.d.p de R2 = X12 + X22 ? Determine c tal que P (R ≤ c) =
0, 90.

10. Sejam X1 e X2 independentes com a mesma distribuição normal padrão.

a. Ache a f.d.p.c de Y1 = X1 + X2 e Y2 = X1 − X2
b. Calcule a probabilidade P (X1 − X2 < 0, X1 + X2 > 0).
c. Sejam Y1 = X1 cos X2 e Y2 = X1 sin X2 . Ache a f.d.p.c. de (Y1 , Y2 ) bem como
suas marginais.

11. Suponha que (X1 , X2 ) tenha distribuição normal bivariada satisfazendo

E(X1 |X2 ) = 3, 7 − 0, 15X2 , e E(X2 |X1 ) = 0, 4 − 0, 6X1 e V ar(X2 |X1 ) = 3, 64. Ache
a média e a variância de Xi , i = 1, 2 e a correlação entre X1 e X2 .

12. Considere a distribuição normal bivariada com parâmetros µ1 , µ2 , σ12 , σ22 , ρ. Deter-
mine o valor da constante b para que V ar(X1 + bX2 ) seja mı́nimo.

13. Suponha que X ∼ N (µ, σ 2 ) e que para cada x, a distribuição condicional de Y |X =

x ∼ N (ax + b, τ 2 ), em que a, b e τ 2 são contantes. Prove que a distribuição conjunta
de (X, Y ) é normal bivariada.

14. Considere que X ∼ N (a, b2 ) e que para cada x, a distribuição condicional de Y |X =

x ∼ N (x, σ02 ). Qual a distribuição condicional de X|Y = y?

15. Seja     
0 9/50 2/50
Y ∼ N2 µ = ,Σ = .
0 2/50 6/50
Calcular:

a. E(Y1 + Y2 );
b. V ar(3Y1 − 2Y2 );
c. A correlação entre Y1 e 3Y2 ;
 
0 0 Z1
d. Ache C tal que Z = C Y , onde Z = , Z1 e Z2 sejam estocasticamente
Z2
independentes.

1.11 Bibliografia
1. Introduction To The Theory Of Statistics- Alexander M. Mood,Franklin A. Graybill
& Duane c. Boes. Third Edition
Foi usado o material contido nas páginas 162 a 169.

2. Probability and Statistics- Morris H. deGroot & Mark J. Schervish. Third Edition
Foi usado o material contido nas páginas 313 a 318.

3. Estatı́stica Básica- Wilton de O. Bussab % Pedro A. Morettin. Sexta edição.

Foi usado o material contido nas páginas 229 a 231.

DEMA - UFC
 João Maurı́cio A. Mota e Gualberto Agamez 20

4. Introduction To Mathematical Statistics-Robert V.Hogg & Allen T. Craig.Third

Edition
Foi usado o material contido nas páginas 111 a 115.

5. Probabilidade: Um Curso Moderno com aplicações-Sheldom Ross Oitava edição.

Foi usado o material contido nas páginas 323 a 325.

6. Probabilidade:Aplicações à Estatı́stica- Paul L. Meyer- Segunda Edição

Foi usado o material contido nas páginas 234 a 235.

DEMA - UFC