4302401 – Mecânica Estatística

Noções de Probabilidade – III

 Duas Variáveis Aleatórias
– Algumas propriedades das probabilidades conjuntas são extensões
imediatas do caso de uma variável:
0 0
– Densidade de probabilidade: x,y , y )
p (x
Z 1 Z 1
px,y (x0 , y 0 ) dx0 dy 0 = 1
1 1

– Probabilidade cumulativa (x ≤ x’ e y ≤ y’):

Z x0 Z y0
Px,y (x0 , y 0 ) = px,y (x00 , y 00 ) dx00 dy 00
1 1

0 0 @2 0 0
px,y (x , y ) = 0 0
P x,y (x ,y )
@x @y
 Z 1
– Valor Médio: hf (x, y)i = px,y (x0 , y 0 ) f (x0 , y 0 ) dx0 dy 0
1

– prob (x’ ≤ x < x’ + dx’) e (y’ ≤ y < y’ + dy’): px,y (x0 , y 0 ) dx0 dy 0

– Redução a Uma Variável: Podemos indagar sobre a densidade de

probabilidade da variável x, sem qualquer restrição sobre y (por exemplo,
quando não conhecemos ou não estamos interessados em conhecer y).
Naturalmente, o mesmo vale para y em relação a x.

Variáveis Discretas (exemplo): No lançamento de dois dados não

viciados, denominados 1 e 2, há 36 resultados possíveis, pois (1 ≤ x1 ≤ 6)
e (1 ≤ x2 ≤ 6). A probabilidade de obter x1 = x1’, deve contabilizar todas as
possibilidades para x2:
6
X X 6
1 1
px1 (x01 ) = 0 0
px1 ,x2 (x1 , x2 ) = =
36 6
x02 =1 0 x2 =1
– Variáveis Contínuas: nesse caso, devemos integrar sobre a “outra”
variável para contabilizar todas as possibilidades. Obtemos assim a
densidade de probabilidade reduzida ou marginal:
Z 1
px (x0 ) = px,y (x0 , y 0 ) dy 0
1
Z 1
py (y 0 ) = px,y (x0 , y 0 ) dx0
1

– Exemplo: suponha que a probabilidade conjunta de duas variáveis

aleatórias seja uniforme sobre um disco de raio unitário, como definido
abaixo (em notação simplificada). Obtenha px(x).
 Z Z p
1 1 x2
1
p(x) = p(x, y) dy = p dy =
1 ⇡ 1 x2
( 2p 2 , |x|  1
⇡ 1 x
=
0, |x| > 1

Embora não se trate de uma propriedade geral (válida para qualquer

densidade conjunta), no presente exemplo a expressão para p(y) é
análoga:
( 2
p
⇡ 1 y2 , |y|  1
p(y) =
0, |y| > 1
– Probabilidade Condicional: podemos indagar sobre a
probabilidade de x para um dado valor de y. A probabilidade
condicional da variável x para um dado valor de y é definida como:

px (x0 |y)dx0 = prob( x0 < x  x0 + dx0 dado y 0 = y)

px,y (x0 , y) = c px (x0 |y)

px,y (x0 , y 0 )

y0 = y
x0
y0
– O corte px,y(x’,y) não representa uma densidade de probabilidade usual,
pois em geral sua integral sobre dx’ é diferente de 1. Para que a densidade
condicional seja devidamente normalizada:

px,y (x0 , y) = c px (x0 |y) =)

Z 1 Z 1
=) px,y (x0 , y) dx0 = c px (x0 |y) dx0
1 1
| {z } | {z }
= py (y 0 = y) =1

– Teorema de Bayes (Lei Fundamental da Probabilidade Condicional):

0 0
0 0 p x,y (x ,y ) 0 0 0 0 0
px (x |y ) = 0
ou p x,y (x , y ) = p x (x |y ) p y (y )
py (y )
– Independência Estatística: duas variáveis aleatórias são ditas
estatisticamente independentes caso sua probabilidade conjunta
possa ser decomposta no produto das densidades reduzidas:

px,y (x0 , y 0 ) = px (x0 ) py (y 0 ) , x e y estat. indep.

0 0 0
– Nesse caso (x e y independentes): px (x |y ) = px (x )

– Exemplo: No exemplo da densidade

uniforme sobre o disco de raio unitário, as
variáveis x e y são estatisticamente
independentes?
– Tendo obtido as densidades reduzidas, poderemos calcular a
densidade condicional:
p(x, y) 1⇡ 1 1
p(x|y) = = p = p ,
p(y) ⇡2 1 y 2 2 1 y 2
p
para |x|  1 y 2

– Uma vez que p(x|y) ≠ p(x), as variáveis são estatisticamente

dependentes.
– Exemplo: distribuição normal (Gaussiana) bivariada.


1 v12 2⇢v1 v2 + v22
p(v1 , v2 ) = p exp
2⇡ 2 1 ⇢2 2 2 (1 ⇢2 )

Nesse exemplo, σ1 = σ2 = σ. O parâmetro ρ é denominado

coeficiente de correlação. Caso ρ = 0, as variáveis aleatórias v1 e v2
(voltagens nos instantes indicados) são independentes. Em geral,
definindo τ = (τ2 – τ1), teremos ρ → 0 quando τ → ∞, enquanto ρ →
1 quando τ → 0. Obtenha as densidades p(v1), p(v2) e p(v1|v2),
admitindo ρ constante.
– Densidades reduzidas:

– De forma semelhante:
– Densidade condicional:

(independentes caso
ρ = 0)

p(v1 |v2 ) (v2 v1 ) , para ⇢ = 1

v2