UFPE - Universidade Federal de Pernambuco

Departamento de Estatística
Disciplina: ET-101 Estatística 1
Professor: Waldemar A. de Santa Cruz Oliveira Júnior

VARIÁVEIS ALEATÓRIAS BIDIMENSIONAIS

1 Distribuição Conjunta
1.1 Caso Discreto

Exemplo 1 Considere as seguintes V.A.'s: X que representa o número de

lhos de um grupo de dez funcionários e Y que representa o tempo de serviço
em anos destes funcionários. Os valores de X e Y estão apresentados na
tabela abaixo.
Funcionário A B C D E F G H I J
X 0 0 1 2 0 2 2 1 1 1
Y 10 12 12 11 12 11 10 12 11 11

Qual a probabilidade de um funcionário escolhido ao acaso ter 1 lho e ter

10 anos de trabalho na empresa? De ter 2 lhos e 11 anos na empresa?

Enumerando todas as probabilidades construimos a seguinte tabela:

Y 10 11 12 Total
X
0 0,1 0,0 0,2 0,3
1 0,0 0,2 0,2 0,4
2 0,1 0,2 0,0 0,3
Total 0,2 0,4 0,4 1,0

Portanto, P (X = 1, Y = 10) = 0 e P (X = 2, Y = 11) = 0, 2.

Denição 1 Sejam X e Y duas variáveis aleatórias, então, o par ordenado
(X, Y ) é dito ser uma variável aleatória discreta bidimensional, se o con-
junto formado pelos possíveis valores de (X, Y ) é enumerável. Ou seja, o par

1
(X, Y ) só assume valores em um conjunto da forma D = {(xi , yj )/xi ∈ X×
yj ∈ Y }.

Denição 2 Dada uma V.A. discrtea bidimensional (X, Y ), em que X as-

sume os valores x1 , x2 , · · · e Y assume y1 , y2 , · · · , então, a função de pro-
babilidade P (X, Y ) da V.A. (X, Y ) é denida como um valor real P (X =
xi , Y = yj ) = p(xi , yj ), tal que, para cada possível par ordenado (xi , yj ) as
condições abaixo são satisfeitas
1. p(xi , yj ) ≥ 0.
∑∞ ∑∞
2. j=1 i=1 p(xi , yj ) = 1.

Denição 3 O conjunto de todos os possíveis valores (xi , yj , p(xi , yj )) é cha-

mado de Distribuição de Probabilidade de (X, Y ).
O gráco abaixo representa um ponto da função de probabilidade da V.A.
do exemplo anterior.

Função de Probabilidade

De forma análoga ao caso unidimensional, se um conjunto discreto A está

contido no contradomínio da V.A. discreta (X, Y ), então,
∑∑
P (A) = p(xi , yj ),

2
para todos (xi , yj ) ∈ A.

Exemplo 2 Qual a probabilidade de um funcionário do exemplo 1 ter menos

de dois lho e de ter onze anos ou mais na empresa?

∑ ∑
P (X < 2, Y ≥ 11) = P (X = xi , Y = yj )
{i/xi <2} {j/yj ≥11}

= P (X = 0, Y = 11) + P (X = 0, Y = 12) +
+ P (X = 1, Y = 11) + P (X = 1, Y = 12)
= 0, 0 + 0, 2 + 0, 2 + 0, 2 = 0, 6.

1.2 Caso Contínuo

Denição 4 Sejam X e Y duas variáveis aleatórias, então o par ordenado

(X, Y ) é dito ser uma variável aleatória contínua bidimensional se os possí-
veis valores de (x, y) são todos os pontos de algum conjunto não enumerável.

Denição 5 Dada uma V.A. contínua bidimensional (X, Y ), em que assume

valores em alguma região R do plano euclidiano, então, a função densidade
de porbabilidade conjunta f (x, y) da V.A. (X, Y ) é denida como uma função
real, tal que, as condições abaixo são satisfeitas
1. f (x, y) ≥ 0 para todo (x, y) ∈ R.
∫∫
2. R
f (x, y)dxdy = 1.

E se um conjunto A está contido no contradomínio da V.A. contínua

(X, Y ), então,
∫∫
P (A) = f (x, y)dxdy.
A

Exemplo 3 Seja a V.A. (X, Y ) com densidade de probabilidade

{
x2 + xy
3
, 0 ≤ x ≤ 1, 0 ≤ y ≤ 2
f (x, y) =
0, para quaisquer outros valores.
a) Verique que f (x, y) é de fato uma densidade de probabilidade.
b) Qual a probabilidade (X, Y ) pertencer ao retângulo {0 ≤ x ≤ 1/2} × {1 ≤
y ≤ 2}?
c) Qual a probabilidade (X, Y ) pertencer ao triângulo {0 ≤ x ≤ 1/2} × {y =
2x}?

3
 É fácil ver que f (x, y) ≥ 0. Então, para ser uma função de densidade
conjunta temos que ter
∫ ∫ ∫ [ ]2 ∫ 1
1 2
2 xy 1
2 xy 2  2x
x + dxdy = x y+  dx = 2x2 + dx = 1.
0 0 3 0 6 0 0 3

Já a probabilidade de (X, Y ) pertencer ao quadrado denido no item b),

temos que calcular o seguinte volume:

∫ 1 ∫ 2
2 xy 5
x2 + dxdy = .
0 1 3 48

1.3 Função de Distribuição Acumulada F (x, y)

Dado uma VA bidimensional (X, Y ), temos que a Acumulada é dada por

F (x, y) = P (X ≤ x, Y ≤ y).

No caso Discreto
∑ ∑
F (x, y) = p(xi , yj ).
{i/x≤ xi } {j/y≤yj }

Assim, no exemplo 1 temos que

F (1, 11) = P (X ≤ 1, Y ≤ 11) = p(0, 10) + p(1, 10) + p(0, 11) + p(1, 11) = 0, 3.

No caso Contínuo
∫ x ∫ y
F (x, y) = f (s, t)dsdt.
−∞ −∞

Portanto, no exemplo 3 a Distribuição Acumulada é dada por

∫ x ∫ y
st x3 y x2 y 2
F (x, y) = s2 + dsdt = + .
0 0 3 3 12
Se F for derivável, temos que
∂ 2 F (x, y)
= f (x, y).
∂x∂y

4
2 Distribuição Marginal
Denição 6 (Caso Discreto) Seja (X, Y ) uma V.A. discreta, então, o
conjunto dos pontos pX (x1 ), pX (x2 ), · · · , denidos da seguinte forma
∑
∞
pX (xi ) = PX (X = xi ) = p(xi , yj ), i = 1, 2, · · · ,
j=1

é chamado distribuição marginal de X. De maneira análoga, o conjunto for-

mado pelos pontos pY (y1 ), pY (y2 ), · · ·
∑
∞
pY (yj ) = PY (Y = yj ) = p(xi , yj ), j = 1, 2, · · · ,
i=1

é a distribuição marginal de Y.
Exemplo 4 Encontre as distribuições marginais de X e de Y do exemplo 1.

∑
3
PX (X = 0) = P (X = 0, Y = yj )
j=1
= P (X = 0, Y = 10) + P (X = 0, Y = 11) + P (X = 0, Y = 12)
= 0, 1 + 0, 0 + 0, 2 = 0, 3.
Da mesma forma temos que
PX (X = 1) = 0, 0 + 0, 2 + 0, 2 = 0, 4
PX (X = 2) = 0, 1 + 0, 2 + 0, 0 = 0, 3.

Assim, a distribuição marginal de X é

X 0 1 2
PX (X) 0,3 0,4 0,3

Observe que somando as colunas da distribuição de probabilidade conjunta

de (X, Y ) temos a marginal de X e somando as linhas temos a marginal de
Y.
Denição 7 Caso Contínuo: Seja (X, Y ) uma V.A. contínua, então, as
funções densidades de probabilidades marginais de X e de Y são denidas,
respectivamente, como
∫ ∞ ∫ ∞
g(x) = f (x, y)dy e h(x) = f (x, y)dx
−∞ −∞

5
Exemplo 5 Encontre as distribuições marginais de X e de Y do exemplo 3.
∫ 2
xy 2 2x
f (x) = x2 + dy = 2x2 + , 0 ≤ x ≤ 1.
0 3 3

3 Distribuição Condicional de Y dada X

Denição 8 (Caso Discreto) Seja (X, Y ) uma V.A. discreta tal que X
assume os valores x1 , x2 , · · · , Y assume y1 , y2 , · · · e seja pX (xi ) > 0 para
algum i = 1, 2, · · · , então, o conjunto dos pontos pY |X (y1 |xi ), pY |X (y2 |xi ), · · · ,
denidos da seguinte forma
p(xi , yj )
pY |X (yj |xi ) = PY |X (Y = yj |X = xi ) = ,
pX (xi )

é chamado distribuição de probabilidade condicional de Y dado que X = xi .

De maneira análoga, o conjunto dos pontos pX|Y (x1 |yj ), pX|Y (x2 |yj ), · · · , é
chamado distribuição de probabilidade condicional de X dado que Y = yj ,
em que
p(xi , yj )
pX|Y (xi |yj ) = PX|Y (X = xi |Y = yj ) = ,
pY (yj )
com i = 1, 2, · · · , e pY (yj ) > 0.

Exemplo 6 No exemplo 1 encontre a distribuição condiconal de X dado que

Y = 11 e a distribuição condiconal de Y dado que X = 0.

PY (Y = 11) = P (X = 0, Y = 11) + P (X = 1, Y = 11) +

+ P (X = 2, Y = 11)
PY (Y = 11) = 0, 0 + 0, 2 + 0, 2 = 0, 4
P (X = 0, Y = 11) 0, 0
PX|Y (X = 0|Y = 11) = = = 0, 0
PY (Y = 11) 0, 4
P (X = 1, Y = 11) 0, 2
PX|Y (X = 1|Y = 11) = = = 0, 5
PY (Y = 11) 0, 4
P (X = 2, Y = 11) 0, 2
PX|Y (X = 2|Y = 11) = = = 0, 5
PY (Y = 11) 0, 4

Portanto, a distribuição de probabilidade de X dado que Y = 11 pode

ser vista na tabela abaixo:

6
 X|Y = 11 0 1 2
PY |X (X|Y = 11) 0,0 0,5 0,5

Notação: é comum usarmos apenas p(xi ), P (X = xi ), p(yj ), P (Y = yj ),

p(xi |yj ), P (X = xi |Y = yj ), · · · , em vez de pX (xi ), PX (X = xi ), pY (yj ),
PY (Y = yj ), pX|Y (xi |yj ), PX|Y (X = xi |Y = yj ), · · · . Ou seja, o próprio
argumento da função dene se estamos nos referindo a marginal de X, ou de
Y, ou a condicional X|Y, etc.

Denição 9 (Caso Contíno:) Seja (X, Y ) uma V.A. contínua, então, a

densidade condiconal de X dado que Y = y é denida por
f (x, y)
fX|Y (x|y) = ,
f (y)
em que f (y) > 0. De manera análoga a densidade condiconal de Y dado que
X = x é denida por
f (x, y)
fY |X (y|x) = ,
f (x)
em que f (x) > 0.
Exemplo 7 (Exemplo 8.20 página 221 do livro do Bussab) Suponha que a
densidade da V.A. (X, Y ) seja dada por
f (x, y) = 6(1 − x − y),
em que 0 < x < 1 e 0 < y < 1 − x. Encontre as densidades condiconais
X|Y = y e Y |X = x. Calcule a P (0 < Y < 1/2|X = 0, 5).

4 Variáveis Aleatórias Independentes

Denição 10 (Caso Discreto) Seja (X, Y ) uma V.A. discreta bidimensi-
onal com distriuição de probabilidade p(xi , yj ), então, dizemos que X e Y
são independentes se p(xi , yj ) = p(xi )p(yj ), para quaisquer i e j.
Exemplo 8 De acordo com a distribuição de probabilidade abaixo X e Y
são independentes.

Distribuição de (X, Y )
Y 1 2
X
1 0,32 0,48
2 0,08 0,12

7
 É fácil ver que para todos os pares (xi , yj ), temos que p(xi , yj ) = p(xi )p(yj ).
Ou seja,

p(1, 1) = 0, 32 = pX (1) ∗ pX (1) = 0, 80 ∗ 0, 40

p(1, 2) = 0, 48 = P (X = 1) ∗ P (Y = 2) = 0, 80 ∗ 0, 60
P (X = 2, Y = 1) = 0, 08 = P (X = 2) ∗ P (Y = 1) = 0, 20 ∗ 0, 40
P (X = 2, Y = 2) = 0, 12 = pX (2) ∗ pY (1) = 0, 20 ∗ 0, 60

Exemplo 9 De acordo com a distribuição de probabilidade abaixo X e Y

não são independentes.

Distribuição de (X, Y )
Y 1 2
X
1 0,2 0,4
2 0,3 0,1

Neste caso basta encontrar um ponto que não satisfaça a igualdade p(xi , yj ) =
p(xi )p(yj ), por exemplo, p(1, 1) = 0, 2 ̸= pX (1)pY (1) = 0, 6 ∗ 0, 5 = 0, 3.

Denição 11 (Caso Contínuo) Seja (X, Y ) uma V.A. contínua bidimen-

sional com densidade de probabilidade f (x, y), então, dizemos que X e Y são
independentes se f (x, y) = g(x)h(y), em que g(x) e h(y) são as densidades
marginais de X e Y, respectivamente.
Exemplo 10 A V.A. (X, Y ) tem densidade de probabildade dada por f (x, y) =
e−(x+y) , em que x ≥ 0 e y ≥ . Verique se X e Y são independentes.

Exemplo 11 A V.A. (X, Y ) tem densidade de probabildade dada por f (x, y) =

8xy, em que 0 ≤ x ≤ y ≤ 1. Verique se X e Y são independentes.

Exemplo 12 Prove que se (X, Y ) são independentes, então, no caso dis-

creto, p(xi |yj ) = p(xi ), para quaisquer i e j. E no caso contínuo, fX|Y (x|y) =
g(x), em que g(x) é a marginal de X.

5 Funções de Variáveis Aleatórias

Sejam as V.A.'s X e Y denidas no espaço amostral Ω, então, para cada sub-
conjunto S ⊆ Ω ca denido o subconjuto do plano euclidiano (X(S), Y (S)).

8
Nesta seção estamos interessados em estudar funções das V.A.'s X e Y, por
exemplo, Z = X + Y, Z = X − Y, Z = XY etc. Estas funções geram
para cada S um subconjunto Z(S) na reta real e encontrar a distrbição de
probabilidade destas funções é uma tarefa relativamnte fácil no caso discreto.

Exemplo 13 A tabela abaixo fornece a distribuição de probabildade da V.A.

(X, Y ). Encontre a distribuição de probabilidade das funções Z = X + Y e
W = XY, das marginais de X e de Y.

Distribuição de (X, Y )
Y 0 1
X
0 1/8 0
1 2/8 1/8
2 1/8 2/8
3 0 1/8

Observe que Z = 0 se e somente se X = 0 e Y = 0, portanto, P (Z =

0) = p(0, 0) = 1/8. Da mesma forma Z = 1 se X = 0 e Y = 1 ou se
X = 1 e Y = 0, assim, P (Z = 1) = p(0, 1) + p(1, 0) = 0 + 2/8 = 2/8. Então,
P (Z = 2) = p(2, 0)+p(1, 1) = 1/8+1/8 = 2/8, P (Z = 3) = p(2, 1)+p(3, 0) =
2/8 + 0 = 1/8 e P (Z = 4) = p(3, 1) = 1/8.
Assim, temos que a distribuição de probabilidade da V.A. Z é dada na
tabela abaixo
Z 0 1 2 3 4
P (Z) 1/8 2/8 2/8 2/8 1/8

Referência Bibliográca:
Bussab, W. O. & Morettin, P. A. (2002), Estatística Básica, 5a Edição,
Editora: Saraiva.
Meyer, P. (1969), Probabilidade: Aplicações à Estatística. Ao Livro Téc-
nico.
Morettin, L. G. (2009), Estatística Básica: Probabilidade e Inferência,
Volume Único, Pearson Education.