Distribuição Normal Bivariada

Aula 09

Bussab e Morettin, seção 8.8

Meyer, seção 9.11

 Distribuição Normal Bivariada

A distribuição normal bivariada é uma

generalização da distribuição normal

univariada para uma v.a. X.

 Distribuição Normal Bivariada
Sejam X ~ (x, 2x) e Y ~ (y, 2y) duas v.as.
Ainda, considere

 xy
Corr ( X , Y )   ( X , Y )  ,
 x y

o coeficiente de correlação linear entre X e Y.

 Distribuição Normal Bivariada
Definição – O vetor aleatório (X, Y) possui
distribuição normal bivariada quando tem
densidade dada por
1
f ( x, y )  e
2 x y 1   2

  x    2  y    2      
 1    x   x 
y
  
    
y

 2   y

 
x
  2   
  x    y   
 x   y   
 2 1
  

para - < x, y < +.

 Distribuição Normal Bivariada

Vemos que a densidade em questão depende

de cinco parâmetros: x , y , x , y e .
Sendo


      x   ;     y   ;
2 2 
 x  0 ;  y  0 ;  1    1.

 Distribuição Normal Bivariada
Em notação matricial

X  
  ~ N 2 μ , Σ
 ~ ~ 
 
Y
em que

 x    x2  xy 
μ    e Σ   
2 
 y     y 
~ ~
xy
Distribuição Normal Bivariada
Simulação de uma f.d.p. normal bivariada
 x = y=0, 2x = 2y=1 e  = 0
 Distribuição Normal Bivariada
As seguintes propriedades podem ser
demonstradas:
(a) A distribuição marginal de X,

g ( x )   f ( x , y )dy

é N(x, 2x).
Ainda, a distribuição marginal de Y,

h( y )   f ( x , y )dx

é N(y, 2y).
 Distribuição Normal Bivariada
(b) As distribuições condicionais são normais, com
  
 y

f X |Y ( x | y ) ~ N   x   x  y   y  ;  x2 1   2 
,

 

em que,

f ( x, y )
f X |Y ( x | y )  , f Y ( y )  0.
fY ( y )
 Distribuição Normal Bivariada
(b) (cont)
 y 

fY | X ( y | x) ~ N   y  
x
2

x   x  ; y 1   2

,
 

em que,

f ( x, y )
fY | X ( y | x)  , f X ( x)  0.
f X ( x)
 Distribuição Normal Bivariada
(c) Observando, por exemplo, a função de
regressão, E(Y | X = x), notamos que a mesma é
linear em x com intercepto e coeficiente angular,
dado por
y y
Cov( X ,Y )
  y   x e   ,
x x x2

respectivamente. Ainda, Var(Y | X = x) é constante e

igual a
1   
2 2
y .
Curva de regressão de Y sobre x para o caso da normal bivariada.

y
f(Y|X)(y|x)

. E(Y|X=x)
.

x1 x2
 Distribuição Normal Bivariada
(d) As v.as. X e Y, normais bivariadas, são
independentes se, e somente se,  = 0. Assim,
  2  y 2 
1  1  x   x  y  
f ( x, y )  exp      
2 x y   y  
 2   x    
  
Isto é, a densidade conjunta é produto das
marginais, que sabemos serem normais. Portanto,
no caso em que X e Y tiverem densidade conjunta
normal bivariada,  = 0 é equivalente à
independência entre X e Y.
 Distribuição Normal Bivariada
(e)
 Se chamarmos z = f(x,y), então z = c, constante,
determina sobre a superfície uma curva de nível, que
nesse caso é uma elipse.
 Variando c, teremos as diversas curvas de nível
(que são curvas onde a densidade de probabilidade é
constante), semelhantes às curvas de nível de um
mapa de relevo.
 Em particular, quando  = 0 e 2x = 2y, essas
curvas serão círculos.
 Distribuição Normal Bivariada
Curvas de nível para a normal bidimensional

0 =0
 2x =  2y
y y

y  y 

x x x x
 Distribuição Normal Bivariada

Site para Simulações

http://www.kuleuven.ac.be/ucs/java/version2.0/Applet030.html