Resumo - Variaveis Aleatorias Bidimensionais

Instituto Superior de Engenharia de Lisboa Instituto Superior de Engenharia de Lisboa
Área Departamental de Matemática Área Departamental de Matemática

Resumos sobre Probabilidades e Estatística Resumos sobre Probabilidades e Estatística
Variáveis aleatórias bidimensionais

2 Variáveis aleatórias bidimensionais discretas
1 Noção de variável aleatória bidimensional Uma variável aleatória pX, Y q diz-se discreta se toma pares de valores per-
Os espaços amostrais estudados até agora correspondem a experiências em tencentes a um conjunto finito ou infinito numerável de pares, A, com pro-
que estamos interessados em apenas uma característica de uma população babilidade 1, isto é, se dado um conjunto numerável
e, por isso, são designadas por espaços amostrais unidimensionais, sendo
A “ tpxi , yj q : P rX “ xi , Y “ yj s ą 0u
registadas as observações relativas a uma variável aleatória. Noutras situ-
ações, queremos observar simultaneamente diversas características de uma se tem P rpX, Y q P As “ 1.
população, por exemplo, o peso X1 e a altura X2 dos alunos de uma escola.
Neste caso, registam-se as observações de diversas variáveis aleatórias, como
se ilustra na figura seguinte: 2.1 Função de probabilidade conjunta
Consideremos a variável aleatória discreta pX, Y q, tomando pares de valores
X 1 (s) Variável pxi , yj q, com i “ 1, 2, . . . e j “ 1, 2, . . .. A função de probabilidade conjunta
X1 Aleatória da variável aleatória pX, Y q, é a função que associa a cada par pxi , yj q P R2
S X1
Espaço a probabilidade f pxi , yj q “ pij da variável assumir esse valor, tendo-se:
s
Amostral
X2 f px, yq “ f pxi , yj q “ P rX, Y s “ P rX “ xi ^ Y “ yj s “ P rX “ xi , Y “ yj s .
Variável
X 2 (s) Aleatória
X2 Esta função verifica as seguintes propriedades:
• f pxi , yj q ě 0, @ pxi , yj q P R2 ;
O par pX1 , X2 q do exemplo é uma variável aleatória bidimensional. Como ř ř
• i j f pxi , yj q “ 1.
exemplo, apresentam-se as seguintes situações:
• A dureza H e a tensão de ruptura T de uma peça manufacturada de aço, 2.2 Função de distribuição de probabilidade conjunta
em que consideraríamos ph, tq como um único resultado experimental; ou função cumulativa de probabilidade conjunta
• A estatura H e o peso W de uma pessoa escolhida ao acaso, o que Consideremos a variável aleatória discreta pX, Y q com função de probabi-
forneceria o resultado ph, wq. lidade conjunta f pxi , yj q, com i “ 1, 2, . . . e j “ 1, 2, . . .. Então a função
distribuição conjunta da variável aleatória pX, Y q é definida por:
Definição 1.1. pX1 , X2 , . . . , Xn q é um vector aleatório ou variável aleatória
n-dimensional se X1 “ X1 psq, X2 “ X2 psq, . . . , Xn “ Xn psq, forem n
ÿ ÿ
F px, yq “ P rX ď x, Y ď ys “ f pxi , yj q .
funções, cada uma associando um número real a cada resultado s do espaço xi ďx yj ďy
amostral S.
A função de distribuição conjunta verifica as seguintes propriedades:
As componentes de um vector aleatório são variáveis aleatórias que estão
definidas sobre um espaço amostral comum. Tal como no caso unidimensio- • limxÑ´8 F px, yq “ 0, para todo o y fixo;
nal, os vectores aleatórios podem ser discretos (se todas as componentes do
• limyÑ´8 F px, yq “ 0, para todo o x fixo;
vector aleatório forem discretas) ou contínuos (se todas as componentes do
vector aleatório forem contínuas). Quando se considera o caso bidimensional, • limxÑ´8 F px, yq “ 0;
as duas variáveis aleatórias são designadas frequentemente por X e Y . yÑ´8
• limxÑ`8 F px, yq “ 1;
yÑ`8
Variáveis aleatórias bidimensionais 1/33
C. Fernandes & P. Ramos Variáveis aleatórias bidimensionais 2/33
C. Fernandes & P. Ramos
• 0 ď F px, yq ď 1; 2.3 Funções marginais

• @x1 ă x2 , @y1 ă y2 ñ F px1 , y1q ď F px2 , y2q. A cada variável aleatória bidimensional pX, Y q associamos duas variáveis
aleatórias unidimensionais, X e Y , individualmente. Poderemos então estar
Exemplo 2.1. Considere-se a função de probabilidade conjunta: interessados na distribuição de probabilidade de X ou na distribuição de
probabilidade de Y .
❍
❍❍ As distribuições marginais, traduzidas pelas funções de probabilidade
❍❍ Y
❍❍
1 2 3 4 marginais ou de densidade marginais e pelas funções de distribuição mar-
X ❍❍ ginais, não são mais do que as respectivas funções associadas a uma única
1 1 1 1 1 variável aleatória, com a particularidade de derivarem de distribuições con-
16 16 16 16
2 1 1
juntas.
2 0 16 16 16
3 1 2.3.1 Funções de probabilidade marginais
3 0 0 16 16
4 0 0 0 4
16
Considere-se a variável aleatória pX, Y q com função de probabilidade:
f pxi , yj q “ P rX “ xi , Y “ yj s .
Pode-se calcular a função distribuição conjunta, F px, yq, para cada ponto Assim,
px, yq. Por exemplo, px, yq “ p2, 3q: ÿ
ÿ ÿ fX pxi q “ P rX “ xi s “ P rXs “ P rX, Y s “ (1)
F p2, 3q “ P rX ď 2, Y ď 3s “ f pxi , yj q “ Y
xi ď2 yj ď3 `8
ÿ `8
ÿ
“ f p1, 1q ` f p1, 2q ` f p1, 3q ` f p2, 1q ` f p2, 2q ` f p2, 3q “ “ f pxi , yj q “ P rX “ xi , Y “ yj s
1 1 1 2 1 6 3 j“1 j“1
“ ` ` `0` ` “ “ .
16 16 16 16 16 16 8 e
Procedendo de forma análoga para cada resultado possível pxi , yj q, ter-se-á fY pyj q “ P rY “ yj s “ P rY s “
ÿ
P rX, Y s “ (2)
F px, yq: X
`8 `8
❍
ÿ ÿ
❍❍ “ f pxi , yj q “ P rX “ xi , Y “ yj s .
❍❍ Y
❍❍
Y ă1 1ďY ă2 2ďY ă3 3ďY ă4 Y ě4 i“1 i“1
X ❍❍
Dado que fX pxi q ě 0, fY pyj q ě 0 e `8
ř ř`8
i“1 fX pxi q “ j“1 fY pyj q “ 1
Xă1 0 0 0 0 0 podemos concluir que fř X pxi q e fY pyj q representam funções de probabilidade.
1ďXă2 0 1 2 3 4 À função fX pxi q “ j f pxř i , yj q chama-se função de probabilidade margi-
16 16 16 16
nal de X e à função fY pyj q “ i f pxi , yj q chama-se função de probabilidade
1 4 6 8
2ďXă3 0 16 16 16 16 marginal de Y .
3ďXă4 0 1 4 9 12 Para obter a função de probabilidade marginal de X, diz-se que a variá-
16 16 16 16
vel Y é marginalizada em P rX, Y s e para obter a função de probabilidade
1 4 9
Xě4 0 16 16 16
1 marginal de Y , diz-se que a variável X é marginalizada em P rX, Y s.
Variáveis aleatórias bidimensionais 3/33 Variáveis aleatórias bidimensionais 4/33

C. Fernandes & P. Ramos C. Fernandes & P. Ramos
Exemplo 2.2. Considere-se a função de probabilidade do exemplo 2.1. Neste

xi 1 2 3 4
caso ter-se-ia, por exemplo, no ponto x “ 2:
4 4 4 4
ÿ fX pxi q
fX p2q “ f p2, jq “ f p2, 1q ` f p2, 2q ` f p2, 3q ` f p2, 4q “ 16 16 16 16
j
2 1 1 4 1
“ 0` ` ` “ “ .
16 16 16 16 4 e
De forma análoga, para y “ 4, ter-se-ia:
ÿ yj 1 2 3 4
fY p4q “ f pi, 4q “ f p1, 4q ` f p2, 4q ` f p3, 4q ` f p4, 4q “
1 3 5 7
i fY pyj q 16 16 16 16
1 1 1 4 7
“ ` ` ` “ .
16 16 16 16 16
A tabela seguinte apresenta as três funções de probabilidade: a função
de probabilidade conjunta da variável aleatória pX, Y q na parte central (in-
terior), e as funções de probabilidade marginal de X e de Y nas margens, 2.3.2 Funções de distribuição marginais
vindo daí a denominação de marginais. Seja F px, yq a função de distribuição conjunta da variável aleatória pX, Y q.
❍ Então definem-se as funções distribuição marginais das variáveis X e Y ,
❍❍
❍❍ Y respectivamente, por:
❍
1 2 3 4 fX pxi q
X ❍❍
❍ FX pxq “ P rX ď x, Y ă `8s “ lim F px, yq “ F px, `8q , @x
yÑ`8
1 1 1 1 4
1 16 16 16 16 16
e
2 1 1 4
2 0 16 16 16 16 FY pyq “ P rX ă `8, Y ď ys “ lim F px, yq “ F p`8, yq , @y.
xÑ`8
3 1 4
3 0 0 16 16 16
Exemplo 2.3. Considere-se o exemplo 2.1 e a função distribuição conjunta
4 4
4 0 0 0 16 16 associada à variável aleatória pX, Y q:
1 3 5 7
fY pyj q 16 16 16 16
1 ❍❍
❍❍ Y
❍❍ Y ă1 1ďY ă2 2ďY ă3 3ďY ă4 Y ě4
X ❍❍
A função de probabilidade marginal da variável aleatória X aparece como ❍
sendo os totais das linhas na última coluna da direita e a função de proba- Xă1 0 0 0 0 0
bilidade marginal da variável aleatória Y aparece como sendo os totais das 1 2 3 4
1ďXă2 0 16 16 16 16
colunas na última linha. As funções podem também ser representadas sepa-
1 4 6 8
radamente numa das seguintes formas: 2ďXă3 0 16 16 16 16
ˆ ˙
4 4 4 4 3ďXă4 0 1 4 9 12
P rXs “ , , , 16 16 16 16
16 16 16 16 1 4 9
Xě4 0 16 16 16
1
e ˆ ˙
1 3 5 7
P rY s “ , , ,
16 16 16 16
ou

Atendendo a que FX pxq “ F px, `8q, caracterizada por tomar para in- ou
tervalos correspondentes de x, os valores correspondentes a Y ě 4, ou seja, f pxi , yj q
fX|Y “yj pxi | yj q “ ,
quando y Ñ `8, tem-se: fY pyj q
com j fixo, chama-se função probabilidade de X condicionada por Y “ yj .
Identicamente se definiria a função probabilidade de Y condicionada por
X FX pxq
X “ xi , ou seja,
X ă1 0 P rY “ yj , X “ xi s
4
P rY “ yj | X “ xi s “
1ďX ă2 16
P rX “ xi s
8 ou
2ďX ă3 16 f pxi , yj q
fY |X“xi pyj | xi q “ ,
3ďX ă4 12 fX pxi q
16
com P rX “ xi s ą 0 ou fX pxi q ą 0 para i fixo.
X ě4 1
Exemplo 2.4. Regressando ao exemplo 2.1 e seguintes, vamos determinar
P rX “ xi | Y “ 2s ou fX|Y “2 pxi | 2q e P rY “ yj | X “ 4s ou fY |X“4 pyj | 4q.
Atendendo à tabela da função de probabilidade conjunta do par aleatório
De forma análoga, atendendo a que FY pyq “ F p`8, yq, tomando em pX, Y q e atendendo a que fY p2q “ 163
, ter-se-á:
relação aos intervalos da variável aleatória Y , os valores correspondentes a $ 1
X ě 4, ou seja, quando x Ñ `8, tem-se: 1
’ 163 “ 3 , se xi “ 1
’ 16
’
’
’
’
’
’ 2
Y FY pyq
’
& 163 “ 2 , se xi “ 2
’
3
fX|Y “2 pxi | 2q “ 16
Y ă1 0 ’
’
0 , se xi “ 3
’
’
1
1ďY ă2
’
’
16
’
’
’
’
2ďY ă3 4 0 , se xi “ 4
%
16
9 ou
3ďY ă4 16
Y ě4 1 X|Y “2 1 2 3 4
1 2
fX|Y “2 pxi | 2q 3 3
0 0
2.4 Funções condicionais Identicamente, atendendo a que fX p4q “ 4

16
, ter-se-á:
$
2.4.1 Funções de probabilidade condicionais ’
’ 0 , se yj “ 1
’
’
Tal como temos as probabilidades condicionadas para acontecimentos, tam-
’
’
0 , se yj “ 2
’
’
bém temos as probabilidades condicionadas para variáveis.
’
&
Seja pX, Y q um par aleatório discreto. Sendo P rY “ yj s ą 0 ou fY pyj q ą fY |X“4 pyj | 4q “
’ 0 , se yj “ 3
0, a função
’
’
’
’
P rX “ xi , Y “ yj s ’
’ 4
P rX “ xi | Y “ yj s “
’
% 164 “ 1
’
, se yj “ 4
P rY “ yj s 16

ou De forma análoga podemos obter todas as probabilidades condicionadas

de Y por X, considerando P rY | Xs “ fY |X pyj | xi q, para qualquer combi-
Y |X“4 1 2 3 4 nação de valores de i e j:
fY |X“4 pyj | 4q 0 0 0 1 ❍❍
❍ Y
❍❍ y1 ... ym
❍❍
X ❍❍
x1 P rY “ y1 | X “ x1 s ... P rY “ ym | X “ x1 s
Para obter todas as probabilidades condicionadas de X por Y considera-
mos a função P rX | Y s “ fX|Y pxi | yj q, para qualquer combinação de valores ... ... ..
. ...
de i e j (estas probabilidades são apresentadas sob a forma de tabela de dupla
xn P rY “ y1 | X “ xn s ... P rY “ ym | X “ xn s
entrada):
❍❍
❍❍ Y řm
❍❍ y1 ... ym Teremos sempre que j“1 P rY “ yj | X “ xi s “ 1 para cada i fixo.
X ❍❍
❍ Exemplo 2.6. Considerando novamente a função de probabilidade conjunta
x1 P rX “ x1 | Y “ y1 s ... P rX “ x1 | Y “ ym s do exemplo 2.1 obtemos P rY | Xs “ fY |X pyj | xi q:
.. .. .. ..
. . . . ❍❍
❍❍ Y
xn P rX “ xn | Y “ y1 s ... P rX “ xn | Y “ ym s ❍❍ 1 2 3 4 Total
X ❍❍
❍
řn 1 1
4
1
4
1
4
1
4
1
Teremos sempre que i“1 P rX “ xi | Y “ yj s “ 1 para cada j fixo.
2 0 2
4
1
4
1
4
1
Exemplo 2.5. Considerando a função de probabilidade conjunta do exem-
plo 2.1 obtemos P rX | Y s “ fX|Y pxi | yj q: 3 0 0 3
4
1
4
1
4 0 0 0 1 1
❍❍
❍❍ Y
❍❍ 1 2 3 4
X ❍❍
❍
1 1 1
1 1 3 5 7 2.4.2 Funções de distribuição condicionais
2 1 1
2 0 3 5 7 A função de distribuição de X condicionada por Y “ yj é dada por:
3 1
3 0 0 ÿ
5 7 FX|Y “yj px | yj q “ P rX ď x | Y “ yj s “ fX|Y “yj pxi | yj q .
4
4 0 0 0 7
xi ďx
Total 1 1 1 1 A função de distribuição de Y condicionada por X “ xi é dada por:

ÿ
FY |X“xi py | xi q “ P rY ď y | X “ xi s “ fY |X“xi pyj | xi q .
yj ďy

2.4.3 Regra fundamental para variáveis Exemplo 2.7. Consideremos a função P rX | Y s “ P rX “ xi | Y “ yj s,

com i “ 1, 2 e j “ 1, 2, 3, dada pela seguinte tabela:
Tal como temos a regra fundamental e a regra fundamental condicionada
para o cálculo de probabilidades de acontecimentos, também temos estas ❍❍
regras para as variáveis. ❍❍ Y
❍❍ y1 y2 y3
X ❍❍
P rX, Y s “ P rY s P rX | Y s ❍
x1 0, 4 0, 3 0, 6
“ P rXs P rY | Xs , x2 0, 6 0, 7 0, 4
P rX “ xi ^ Y “ yj s “ P rY “ yj s P rX “ xi | Y “ yj s
e a função P rY s “ p0, 4; 0, 4; 0, 2q. Vamos obter a função de probabilidade
conjunta, P rX, Y s “ P rX “ xi ^ Y “ yj s, da variável aleatória pX, Y q:
“ P rX “ xi s P rY “ yj | X “ xi s
• P rX “ x1 ^ Y “ y1 s “ P rY “ y1 s P rX “ x1 | Y “ y1 s “ 0, 4 ˆ 0, 4 “
ou
0, 16;
f pxi , yj q “ fY pyj q fX|Y pxi , yj q
0, 24;
“ fX pxi q fY |X pyj , xi q .
Podemos ainda definir a regra fundamental condicionada pela variável Z: 0, 12;
P rX, Y | Zs “ P rY | Zs P rX | Y, Zs (3) • P rX “ x2 ^ Y “ y2 s “ P rY “ y2 s P rX “ x2 | Y “ y2 s “ 0, 4 ˆ 0, 7 “
0, 28;
ou
P rX “ xi ^ Y “ yj | Z “ zk s “ P rY “ yj | Z “ zk s ˆ 0, 12;
ˆP rX “ xi | Y “ yj ^ Z “ zk s . • P rX “ x2 ^ Y “ y3 s “ P rY “ y3 s P rX “ x2 | Y “ y3 s “ 0, 2 ˆ 0, 4 “
0, 08;
De facto, temos:
P rX, Y, Zs logo obtemos
P rX, Y | Zs “ “
P rZs ❍
❍❍
❍❍ Y
P rY, Zs ˆ P rX | Y, Zs y1 y2 y3
“ “ ❍❍
P rZs X ❍❍
P rZs ˆ P rY | Zs ˆ P rX | Y, Zs x1 0, 16 0, 12 0, 12
“ “
P rZs x2 0, 24 0, 28 0, 08
“ P rY | Zs ˆ P rX | Y, Zs .

A função de probabilidade marginal para a variável Y já é conhecida. Exemplo 2.8. Considerando as funções do exemplo 2.7 e usando a regra de
Podemos agora obter a função de probabilidade marginal para X: Bayes para variáveis, podemos obter a função P rY | Xs considerando que
P rXs “ p0, 16 ` 0, 12 ` 0, 12; 0, 24 ` 0, 28 ` 0, 08q “ p0, 4; 0, 6q . P rX, Y s P rY s P rX | Y s

P rY | Xs “ “ ,
P rXs P rXs
2.4.4 Regra de Bayes para variáveis
logo:
A regra de Bayes para acontecimentos também pode ser usada para variá-
veis. No entanto, a regra não é mais do que a aplicação da definição de ❍
❍❍
❍❍ Y
probabilidade condicionada para variáveis. ❍❍
y1 y2 y3
X ❍❍
P rX, Y s P rY s P rX | Y s
P rY | Xs “ “ ř x1 0, 4 0, 3 0, 3
P rXs Y P rX, Y s
e x2 0, 4 0, 47 0, 13
P rX, Y s P rXs P rY | Xs
P rX | Y s “ “ ř .
P rY s X P rX, Y s
Podemos ainda definir a regra de Bayes condicionada pela variável Z:
P rY | Zs P rX | Y, Zs P rX, Y | Zs 2.5 Variáveis aleatórias independentes

P rY | X, Zs “ “ř .
P rX | Zs Y P rX, Y | Zs Da mesma forma como definimos o conceito de independência de dois acon-
De facto, temos: tecimentos A e B, podemos agora definir o que são variáveis aleatórias in-
dependentes. As variáveis aleatórias X e Y são independentes quando, por
P rX, Y, Zs exemplo, o resultado de X de modo algum influencia o resultado de Y .
P rY | X, Zs “ “ Seja f pxi , yj q a função de probabilidade conjunta da variável aleatória
P rZs ˆ P rX | Zs
pX, Y q, fX pxi q e fY pyj q as respectivas funções de probabilidade marginais.
P rY s ˆ P rX, Z | Y s Assim, diz-se que as variáveis X e Y são independentes se e só se:
“ “
P rZs ˆ P rX | Zs
f pxi , yj q “ fX pxi q ˆ fY pyj q , @ pxi , yj q P R2 .
P rY s ˆ P rZ | Y s ˆ P rX | Z, Y s
pusando (3)q “ “
P rZs ˆ P rX | Zs Bastará, em consequência, que a igualdade anterior não seja verificada
P rY,Zs para um qualquer ponto px, yq para que as variáveis aleatórias X e Y sejam
P rY s ˆ ˆ P rX | Y, Zs
“
P rY s
“ dependentes.
P rZs ˆ P rX | Zs
Exemplo 2.9. Em relação à variável aleatória pX, Y q definida no exem-
P rZs ˆ P rY | Zs ˆ P rX | Y, Zs plo 2.1, as variáveis X e Y são dependentes pois tem-se, por exemplo, f p3, 2q “
“ “
P rZs ˆ P rX | Zs 0, fX p3q “ 164 3
e fY p2q “ 16 , pelo que f p3, 2q ‰ fX p3q ˆ fY p2q.
P rY | Zs ˆ P rX | Y, Zs Dois modelos teóricos de variáveis aleatórias n-dimensionais muito uti-
“ “
P rX | Zs lizados nos contextos reais são a distribuição multinomial e a distribuição
P rX, Y | Zs hipergeométrica generalizada.
pusando (1), (2), (3)q “ ř .
Y P rX, Y | Zs

2.5.1 Independência condicional para variáveis ❅

❅ Z z1 z2 z3
O conceito de independência condicional também pode ser definida para ❅
Y ❅
variáveis. Duas variáveis X e Y são condicionalmente independentes dada ❅
uma variável Z se y1 0, 2 0, 9 0, 3
P rX “ xi | Y “ yj ^ Z “ zk s “ P rX “ xi | Z “ zk s , y2 0, 05 0, 05 0, 2
y3 0, 75 0, 05 0, 5
para cada xi P DX , yj P DY e zk P DZ . A definição anterior pode ser escrita
de forma mais abreviada:
P rX | Y, Zs “ P rX | Zs . Se as variáveis X e Y são condicionalmente independentes dada uma va-

riável Z, podemos obter P rX, Y | Zs fazendo P rX | ZsˆP rY | Zs: Obtém-
Quando duas variáveis X e Y são condicionalmente independentes dada uma
variável Z, a regra fundamental condicionada pode ser escrita da seguinte ❍❍
forma: ❍❍ Z
❍❍ z1 z2 z3
Y ❍
❍
P rX “ xi ^ Y “ yj | Z “ zk s “ P rX “ xi | Y “ yj ^ Z “ zk s ˆ y1 p0, 4 ˆ 0, 2; 0, 6 ˆ 0, 2q p0, 3 ˆ 0, 9; 0, 7 ˆ 0, 9q p0, 6 ˆ 0, 3; 0, 4 ˆ 0, 3q
ˆP rY “ yj | Z “ zk s “
y2 p0, 4 ˆ 0, 05; 0, 6 ˆ 0, 05q p0, 3 ˆ 0, 05; 0, 7 ˆ 0, 05q p0, 6 ˆ 0, 2; 0, 4 ˆ 0, 2q
y3 p0, 4 ˆ 0, 75; 0, 6 ˆ 0, 75q p0, 3 ˆ 0, 05; 0, 7 ˆ 0, 05q p0, 6 ˆ 0, 5; 0, 4 ˆ 0, 5q
“ P rX “ xi | Z “ zk s P rY “ yj | Z “ zk s
ou de forma abreviada
se assim:
P rX, Y | Zs “ P rX | Y, Zs P rY | Zs “ P rX | Zs P rY | Zs .
❅
❅ Z z1 z2 z3
Exemplo 2.10. Consideremos as funções P rX | Zs e P rY | Zs dadas pelas ❅
seguintes tabelas: Y ❅
❅
❍
y1 p0, 08; 0, 12q p0, 27; 0, 63q p0, 18; 0, 12q
❍❍
❍❍ Z
z1 z2 z3 y2 p0, 02; 0, 03q p0, 015; 0, 035q p0, 12; 0, 08q
❍❍
X ❍❍ y3 p0, 3; 0, 45q p0, 015; 0, 035q p0, 3; 0, 2q
x1 0, 4 0, 3 0, 6
x2 0, 6 0, 7 0, 4
Os dois números em cada célula correspondem aos dois estados da variável
X, ou seja, x1 e x2 .
e

Exemplo 2.11. Consideremos a tabela de probabilidade conjunta das variá- Consideremos agora a parte da tabela de probabilidade conjunta corres-
veis X, Y e Z: pondente a X “ x2 , P rX “ x2 , Y, Zs:
❍❍
❍❍ Y ❅
❍❍ y1 y2 y3 ❅ Y y1 y2 y3
❍❍ ❅
X Z ❅
❍ ❅
x1 p0; 0, 05; 0, 05q p0, 05; 0, 05; 0q p0, 05; 0, 05; 0, 05q z1 0, 1 0, 1 0, 2
x2 p0, 1; 0, 1; 0q p0, 1; 0; 0, 1q p0, 2; 0; 0, 05q z2 0, 1 0 0
z3 0 0, 1 0, 05
Os três números em cada célula correspondem aos três estados da variável

Z, ou seja, z1 , z2 e z3 .
e calculemos
Consideremos que X “ x2 e Z “ z1 . Pretendemos obter a probabilidade
condicionada P rY | X “ x2 , Z “ z1 s.
ÿ
P rX “ x2 , Zs “ P rX “ x2 , Y, Zs “
Primeiro consideremos a parte da tabela anterior correspondente a X “ Y
x2 e Z “ z1 :
P rX “ x2 , Y, Z “ z1 s “ p0, 1; 0, 1; 0, 2q “ p0, 1 ` 0, 1 ` 0, 2; 0, 1 ` 0 ` 0; 0 ` 0, 1 ` 0, 05q “
e calculemos
ÿ “ p0, 4; 0, 1; 0, 15q .
P rX “ x2 , Z “ z1 s “ P rX “ x2 , Y, Z “ z1 s “
Y Para calcular P pY | X “ x2 , Zq vamos usar novamente a regra de Bayes:
“ 0, 1 ` 0, 1 ` 0, 2 “ 0, 4. P rX “ x2 , Y, Zs
P rY | X “ x2 , Zs “ .
P rX “ x2 , Zs
Agora calculemos P rY | X “ x2 , Z “ z1 s usando a regra de Bayes:
Tem-se:
P rX “ x2 , Y, Z “ z1 s
P rY | X “ x2 , Z “ z1 s “ “
P rX “ x2 , Z “ z1 s ❅
❅ Y y1 y2 y3
❅
ˆ ˙
0, 1 0, 1 0, 2 Z ❅
“ ; ; “ ❅
0, 4 0, 4 0, 4 0,1 0,1 0,2
z1 0,4 0,4 0,4
“ p0, 25; 0, 25; 0, 5q . z2 0,1 0 0
0,1 0,1 0,1
Consideremos agora apenas que X “ x2 . Pretendemos obter a probabilidade 0 0,1 0,05

z3 0,15 0,15 0,15
condicionada P rY | X “ x2 , Zs.

obtendo-se finalmente: Temos que verificar se:
❅ • f px, yq ě 0, @ px, yq P R2 , o que se verifica facilmente pois as variáveis

❅ Y y1 y2 y3 X e Y só tomam valores positivos e a função é definida por somas e
❅ produtos de funções polinomiais;
Z ❅
❅
ş `8 ş `8
z1 0, 25 0, 25 0, 5 • ´8 ´8 f px, yq dxdy “ 1, o que se obtém facilmente resolvendo o in-
tegral:
z2 1 0 0
ż `8 ż `8 ż2ż1´
2 1 xy ¯
z3 0 3 3 f px, yq dxdy “ x2 ` dxdy “
´8 ´8 0 0 3
ż2„ 3 x“1
x2 y
ȷ
x
“ ` dy “
0 3 6
ż2ˆ ˙ x“0
1 y
3 Variáveis aleatórias bidimensionais contínuas “
3 6
` dy “
0
y“2
y y2
„ ȷ
3.1 Função densidade de probabilidade conjunta “ ` “
3 12 y“0
Uma variável aleatória pX, Y q diz-se do tipo contínuo se existir uma função
2 4
não negativa, f px, yq, tal que @ px, yq P R2 , “ ` “
3 12
“ 1.
żx ży
F px, yq “ f pu, vq dvdu,
´8 ´8
3.2 Função de distribuição de probabilidade conjunta
sendo F px, yq a função distribuição conjunta da variável aleatória pX, Y q.
À função não negativa f px, yq chamaremos função densidade de proba- ou função cumulativa de probabilidade conjunta
bilidade conjunta da variável aleatória pX, Y q, a qual verifica as seguintes A função de distribuição conjunta de pX, Y q é dada por:
propriedades: żx ży
• f px, yq ě 0, @ px, yq P R2 ; F px, yq “ P rX ď x, Y ď ys “ f pu, vq dvdu.
´8 ´8
ş `8 ş `8
• ´8 ´8 f px, yq dxdy “ 1. O conjunto dos valores sobre os quais estamos a calcular probabilidades
ş`8 ş`8 pode ser representado, no plano px, yq, da seguinte forma:
O integral duplo ´8 ´8 f px, yq dxdy representa o volume de um sólido
limitado inferiormente pelo plano xOy e superiormente pela função densidade
y
de probabilidade conjunta f px, yq. Os possíveis volumes definidos neste só-
lido correspondem a probabilidades. y (x,y)
Exemplo 3.1. Considere a variável aleatória pX, Y q com função densidade

de probabilidade conjunta dada por:
" 2 xy
x ` 3 , se 0 ď x ď 1; 0 ď y ď 2
f px, yq “ . 0 x x
0 , para outros valores
Verifique se se trata de uma função densidade de probabilidade conjunta.

3.3 Cálculo de probabilidades (b) Determine F p0, 3; 0, 5q;

O cálculo da probabilidade P rx1 ď X ď x2 , y1 ď Y ď y2 s corresponde ao cál- ż 0,3 ż 0,5
culo do volume dado por: F p0, 3; 0, 5q “ f px, yq dydx “
´8 ´8
ż x 2 ż y2 ż 0,3 ż 0,5
f pu, vq dvdu “ F px2 , y2q ´ F px2 , y1 q ´ F px1 , y2 q ` F px1 , y1 q , “ 1 dydx “
x1 y1 0 0
ż 0,3
sendo o domínio de integração representado graficamente no plano px, yq por: “ rysy“0,5
y“0 dx “
ż00,3
“ 0, 5 dx “
y 0
“ r0, 5xsx“0,3
x“0 “ 0, 15.
y2
(x 1,y2 ) (x 2,y2 )
(c) Determine P r0, 1 ď X ď 0, 5; 0, 2 ď Y ď 0, 7s.

y1 ż 0,5 ż 0,7
(x 1,y1) (x 2,y1)
P r0, 1 ď X ď 0, 5; 0, 2 ď Y ď 0, 7s “ 1 dydx “
0 x1 x2 x 0,1 0,2
ż 0,5
“ rysy“0,7
y“0,2 dx “
0,1
ż 0,5
Exemplo 3.2. Suponha que uma partícula radioactiva está aleatoriamente “ 0, 5 dx “
localizada num quadrado com lados unitários. Isto significa que sendo con- 0,1
ż 0,3
sideradas duas regiões com áreas iguais, a partícula está em cada uma com
“ 0, 5 dx “
igual probabilidade. Um modelo razoável para a variável aleatória pX, Y q é 0
dado por: “ r0, 5xsx“0,5
x“0,1 “ 0, 02.
"
1 , se 0 ď x ď 1; 0 ď y ď 1
f px, yq “ .
Exemplo 3.3. Considere-se a função densidade de probabilidade conjunta
(a) Faça um esboço da superfície da função densidade; da variável aleatória pX, Y q:
" x2 y
f (x,y) , se 0 ă x ă 2; 1 ă y ă 2
f px, yq “ 4 .
0 , para outros valores de px, yq
A função distribuição conjunta obtém-se fazendo:

1
y y
C E
1
2
x B D
1
A
x
0 2

• Região A: x ď 0 _ y ď 1 • Região D: x ě 2 ^ 1 ă y ă 2)
y y
C C E
E
2 2
B D B D
1 1
A A
x x
0 2 0 2
żyż2
x2 v 1` 2 ˘
F px, yq “ dxdv “ y ´1 ;
żx ży
F px, yq “ 0 dvdu “ 0; 1 0 4 3
´8 ´8
• Região E: x ě 2 ^ y ě 2)
• Região B: 0 ă x ă 2 ^ 1 ă y ă 2) y
C E
y
2
C B D
E 1
2
A
B D x
1 0 2
A
x
0 2
ż2ż2
x2 y
F px, yq “ dydx “ 1;
żxży 0 1 4
u2 v 1 x3 ` 2 ˘
F px, yq “ dvdu “ y ´1 ; logo
0 1 4 8 3
, se x ď 0 _ y ď 1
$
’ 0
’
’
’
• Região C: 0 ă x ă 2 ^ y ě 2) ’
’ 1 x3
py 2 ´ 1q , 0 ă x ă 2 ^ 1 ă y ă 2
’
’
’
’
’ 8 3
y
’
&
F px, yq “ x3 .
C E 8
, 0ăxă2^y ě2
2
’
’
B D
’
’
1
py 2 ´ 1q , xě2^1ăy ă2
1
’
’
3
’
A ’
’
x
’
’
0 2 ’
, xě2^y ě2
%
1
żxż2 3.4 Funções marginais

u2 y x3
F px, yq “ dydu “ ; 3.4.1 Funções densidade de probabilidade marginais
0 1 4 8
Sendo f px, yq a função densidade de probabilidade conjunta da variável ale-
atória pX, Y q, então: ż `8
fX pxq “ f px, yq dy
´8

e ż `8 Exemplo 3.5. Considere-se a função densidade de probabilidade conjunta

fY pyq “ f px, yq dx, do exemplo 3.3. A função de distribuição marginal da variável aleatória X é
´8 dada por: $
definem as funções de densidade marginais das variáveis aleatórias X e Y , & 0 , xď0
1 3
respectivamente. FX pxq “ x , 0ăxă2 .
% 8
1 , xě2
Exemplo 3.4. Consideremos a variável aleatória pX, Y q, tal que:
A função de distribuição marginal da variável aleatória Y é dada por:
"
2 , se 0 ă x ă y ă 1 $
0 , yď1
f px, yq “ .
&
1
FY pyq “ 3
py 2 ´ 1q , 1 ă y ă 2 .
1 , yě2
%
A função densidade marginal da variável aleatória X, será:
ż1
fX pxq “ 2 dy “ r2ys1x “ 2 p1 ´ xq ,
3.5 Funções condicionais
x
3.5.1 Funções densidade de probabilidade condicionais
logo " Sendo pX, Y q um par aleatório contínuo com função densidade conjunta
2 p1 ´ xq , se 0 ă x ă 1
fX pxq “ . f px, yq, a função densidade de X condicionada por Y “ y, é definida por:
0 , caso contrário
A função densidade marginal da variável aleatória Y , será: f px, yq
fX|Y “y px | yq “ ,
ży fY pyq
fY pyq “ 2 dx “ r2xsy0 “ 2y,
0
com fY pyq ą 0.
A função densidade de Y condicionada por X “ x, é definida por:
logo "
2y , se 0 ă y ă 1 f px, yq
fY pyq “ . fY |X“x py | xq “ ,
0 , caso contrário fX pxq
3.4.2 Funções de distribuição marginais com fX pxq ą 0.
Sendo f px, yq a função densidade de probabilidade conjunta da variável ale- 3.5.2 Funções de distribuição condicionais
atória pX, Y q, então:
ż x ż `8 A função de distribuição de X condicionada por Y “ y, é dada por:
FX pxq “ lim F px, yq “ P rX ď x ^ Y ă `8s “ f pu, yq dydu żx żx
f pu, yq
yÑ`8 ´8 ´8 FX|Y “y px | yq “ P rX ď x | Y “ ys “ fX|Y “y pu | yq du “ du.
´8 ´8 fY pyq
e
ż y ż `8 A função de distribuição de Y condicionada por X “ x, é definida por:
FY pyq “ lim F px, yq “ P rX ă `8 ^ Y ď ys “ f px, vq dxdv, ży ży
xÑ`8 ´8 ´8 f px, vq
FY |X“x py | xq “ P rY ď y | X “ xs “ fY |X“x pv | xq dv “ dv.
´8 ´8 fX pxq
definem as funções de distribuição marginais das variáveis aleatórias X e Y ,
respectivamente.

Exemplo 3.6. Em relação ao exemplo 3.4, podemos determinar a função 3.7 Parâmetros das variáveis aleatórias bidimensionais
densidade condicional de X dado Y “ y, bem como a função densidade
3.7.1 Valor esperado, valor médio ou esperança matemática
condicional de Y dado X “ x.
Vimos, no exemplo anterior, que: Seja X uma variável aleatória discreta, com valores x1 , . . . , xn , . . .. Seja
" fX pxi q “ P rX “ xi s, com i “ 1, . . . , n, . . .. Então o valor esperado de X,
2 , se 0 ă x ă y ă 1
f px, yq “ , denotado por E rXs é definido como:
" `8
2 p1 ´ xq , se 0 ă x ă 1
ÿ
fX pxq “ E rXs “ xi fX pxi q .
0 , caso contrário i“1
e
Se X é uma variável aleatória contínua, com função densidade de proba-
"
2y , se 0 ă y ă 1
fY pyq “ . bilidade fX pxq, teremos o valor esperado de X dado por:
0 , caso contrário
Ter-se-á então: ż `8
E rXs “ xfX pxq dx.
f px, yq 2 1 ´8
fX|Y “y px | yq “ “ “ ,
fY pyq 2y y
Sendo pX, Y q uma variável aleatória bidimensional:
com 0 ă x ă y e
• se pX, Y q for uma variável aleatória discreta com função de probabili-
f px, yq 2 1
fY |X“x py | xq “ “ “ , dade conjunta f pxi , yj q, teremos:
fX pxq 2 p1 ´ xq 1´x
ÿÿ
com x ă y ă 1. Note-se que em função destes dois resultados, poder-se-iam E rXY s “ xi yj f pxi , yj q ;
i j
calcular probabilidades condicionais, tais como:
„ ȷ ż1
1 1 1 5 1 5 • se pX, Y q for uma variável aleatória contínua com função densidade de
P Y ě |X“ “ 1 dy “ rys 1 “
2 5 1 1 ´
5
4 2 8 probabilidade conjunta f px, yq, teremos:
2
e ȷ ż2
ż `8 ż `8
E rXY s “ xyf px, yq dxdy.
„
1 2 3 1 3 2 1
P X ě |Y “ “ 2 dx “ rxs 31 “ . ´8 ´8
3 3 1
3 3
2 3 2
3.7.2 Covariância
3.6 Independência
A covariância entre duas variáveis X e Y descreve a relação linear ou a ligação
O conceito de independência entre duas variáveis aleatórias contínuas é aná- entre as duas variáveis e a sua mútua dependência. A covariância entre duas
logo ao dado para as variáveis aleatórias discretas. Sendo f px, yq a função variáveis é uma medida de associação linear entre essas variáveis.
densidade conjunta da variável aleatória contínua pX, Y q, diz-se que as va- Define-se covariância entre X e Y , e representa-se por Cov rX, Y s, como
riáveis X e Y são independentes se e só se sendo:
Cov rX, Y s “ E rXY s ´ E rXs ˆ E rY s .
f px, yq “ fX pxq ˆ fY pyq , @ px, yq P R2 .
O sinal da covariância indica se a relação é positiva ou negativa. No
Exemplo 3.7. Considerando a variável aleatória pX, Y q dada no exemplo 3.4 primeiro caso, ambas as variáveis aleatórias tendem a variar na mesma di-
verifica-se que as variáveis aleatórias X e Y são dependentes, pois f px, yq “ recção, isto é, aumentar ou diminuir conjuntamente. No segundo caso, as
2 ‰ 4y p1 ´ xq “ fX pxq ˆ fY pyq.

variáveis aleatórias tendem a variar em direcções opostas, isto é, uma tende Exemplo 3.8. Consideremos a variável aleatória pX, Y q definida no exem-
a aumentar quando a outra diminui. plo 3.4: "
Se X e Y forem variáveis aleatórias independentes então Cov rX, Y s “ 0. 2 , se 0 ă x ă y ă 1
f px, yq “ ,
Note-se que, em geral, a implicação contrária não é verdadeira. 0 , para outros valores
A magnitude da covariância depende das unidades em que as variáveis X com fX pxq “ 2 p1 ´ xq, 0 ă x ă 1 e fY pyq “ 2y, 0 ă y ă 1. Logo:
e Y forem medidas. Se essas unidades mudam, então o valor da covariância
também muda. Assim, a informação contida na covariância é principalmente ż1
1
sobre o sinal da relação entre X e Y e não sobre a sua intensidade. Isto reduz E rXs “ x2 p1 ´ xq dx “ ,
0 3
o interesse da sua aplicação e leva a que se considere uma outra medida que
não depende das unidades: o coeficiente de correlação.
ż1
2
E rY s “ y2y dy “ ,
0 3
3.7.3 Coeficiente de correlação ż1
“ 2‰ 1
E X “ x2 2 p1 ´ xq dx “ ,
O coeficiente de correlação é uma “espécie” de covariância que não depende 0 6
das unidades de medida. Este coeficiente mede o “grau de associação” entre as ż1
1
variáveis X e Y . Seja pX, Y q uma variável aleatória bidimensional. Define-se E Y2 “ y 2 2y dy “ ,
“ ‰
2
por ρXY , o coeficiente de correlação entre X e Y , e é dado por: 0
1
V ar rXs “ E X 2 ´ pE rXsq2 “ ,
“ ‰
E rXY s ´ E rXs ˆ E rY s Cov rX, Y s 18
ρXY “ ρ “ “ ,
σX σY σX σY 1
V ar rY s “ E Y 2 ´ pE rY sq2 “
“ ‰
onde σX e σY representam o desvio padrão das variáveis X e Y , respectiva- 18
mente. e ż1ży
1
O coeficiente de correlação toma valores entre ´1 e 1, inclusive: E rXY s “ xy2 dxdy “ .
0 0 4
´1 ď ρ ď 1. Portanto
E rXY s ´ E rXs ˆ E rY s 1
ρ“ “ .
Quando: σX σY 2
• ρ “ ´1, há correlação linear negativa perfeita entre X e Y ; De seguida apresenta-se um modelo teórico para uma variável aleatória
bidimensional contínua muito utilizada nos contextos reais.
• ρ “ 1, há correlação linear positiva perfeita entre X e Y ;
• ρ “ 0, não há correlação linear entre X e Y . 4 Modelo teórico bidimensional contínuo

Quando ´1 ă ρ ă 0 diz-se que existe correlação linear negativa menos
4.1 Distribuição normal bidimensional
forte do que quando ρ “ ´1. De igual forma, quando 0 ă ρ ă 1 diz-se que a
correlação linear positiva é menos forte do que quando ρ “ 1. À semelhança da distribuição normal unidimensional, a distribuição nor-
Se X e Y forem independentes então ρ “ 0. A afirmação recíproca em mal bidimensional tem uma grande importância. A distribuição de pro-
geral não é verdadeira, isto é, podemos ter ρ “ 0 e no entanto X e Y não babilidade para duas variáveis aleatórias normais que não são independen-
serem independentes. Se ρ “ 0 diremos que X e Y são não correlaciona- tes, é muito importante em muitas aplicações reais, pelo que apresentamos
das. Portanto, ser não correlacionado e ser independente, em geral, não são de seguida a sua definição. Consideremos uma variável aleatória bidimen-
equivalentes. sional pX, Y q que segue uma distribuição normal conjunta, escrevendo-se

pX, Y q „ Normal pµX , σX ; µY , σY ; ρq ou pX, Y q „ N pµX , σX ; µY , σY ; ρq. A A função densidade de probabilidade conjunta
sua função densidade de probabilidade conjunta é dada por: 1 ´ 1 px2 `y2 q
f px, yq “ e 2
„´
x´µX
¯2 ´
x´µ
¯´
y´µY
¯ ´
y´µ
¯2 ȷ 2π
1 ´ 1
2 ´2ρ σ X ` σ Y
é um caso particular da distribuição normal bidimensional com σX “ 1,
f px, yq “ a e 2p1´ρ q σX X σ Y Y
,
2πσX σY 1 ´ ρ2
σY “ 1, µX “ 0, µY “ 0 e ρ “ 0. Esta função densidade de probabilidade é
ilustrada nas figuras seguintes:
para ´8 ă x ă `8, ´8 ă y ă `8, com parâmetros σX ą 0, σY ą 0,
´8 ă µX ă `8, ´8 ă µY ă `8 e ´1 ă ρ ă 1, sendo ρ o coeficiente de
y
correlação entre as duas variáveis. 2
Se as variáveis aleatórias X e Y têm distribuição conjunta normal então: 1

0.15
ş `8 ş `8
• ´8 ´8 f px, yq dxdy “ 1; z
0.10
0.05
2
!3 !2 !1 1 2 3
x
0.00
• As distribuições de X e Y são, respectivamente, N pµX , σX q e N pµY , σY q;

!1
0
y
!2
!2
0
• O coeficiente de correlação entre X e Y é ρ;

x !2
2 !3
• Em geral, correlação nula não implica independência entre as variáveis.

Mas no caso de X e Y terem distribuição normal bidimensional, se Note-se que podemos considerar a circunferência como um caso particular
ρ “ 0 então X e Y são independentes. Se X e Y são independentes da elipse.
então ρ “ 0. Exemplo 4.1. Suponha que as variáveis aleatórias X e Y representam o
comprimento e a largura de uma peça obtida por injecção de uma mistura de
Nas figuras seguintes é ilustrado um exemplo da distribuição normal bi-
vários componentes num molde metálico. Supondo que as variáveis aleató-
dimensional:
rias X e Y seguem uma distribuição normal, o vector aleatório pX, Y q tem
distribuição normal bidimensional com parâmetros σX “ 0, 04, σY “ 0, 08,
y
µX “ 3, µY “ 7, 7 e ρ “ 0, 8. O departamento de controlo de qualidade con-

5
4
sidera que uma peça cumpre os requisitos mínimos de qualidade quando o seu
0.4
6
3 comprimento varia de 2, 95 a 3, 05 e a sua largura de 7, 6 a 7, 8 milímetros.
z
0.2
4
2
Suponha que f px, yq é representada na figura:
0.0
y
0 y 1
2
2
x x 8
1 2 3 4
0
4
0.3
z 0.2
9 4
0.1
Cada curva na segunda figura (gráfico de contorno) é um conjunto de 0.0

1
8
y
pontos para os quais a função densidade de probabilidade é constante. Como

2
2
7
3
se pode ver na segunda figura, a função densidade de probabilidade da normal x

4
6
!1 1 2 3 4 5
x
bidimensional é constante em elipses no plano xOy. O centro de cada elipse

5
é o ponto de coordenadas pµX , µY q.

A probabilidade de uma satisfazer os requisitos de qualidade da empresa
é dada por P r2, 95 ă X ă 3, 05; 7, 6 ă Y ă 7, 8s e pode ser obtida pela inte-
gração de f px, yq na região 2, 95 ă X ă 3, 05 e 7, 6 ă Y ă 7, 8, como se

Instituto Superior de Engenharia de Lisboa
Área Departamental de Matemática
Resumos sobre Probabilidades e Estatística
vê na figura anterior. A probabilidade tem de ser determinada a partir de

integração numérica.
4.2 Distribuição normal bidimensional estandardizada

Para as variáveis normalizadas
x ´ µX
zX “
σX
e
y ´ µY
zY “
,
σY
a função densidade de probabilidade conjunta será dada por:
1 ´ 1
pz 2 ´2ρzX zY `zY2 q
f pzX , zY q “ a e 2p1´ρ2 q X ,
2π 1 ´ ρ2
com ´1 ă ρ ă 1. Neste caso tem-se σX “ σY “ 1 e µX “ µY “ 0.
Variáveis aleatórias bidimensionais 33/33

C. Fernandes & P. Ramos

Resumo - Variaveis Aleatorias Bidimensionais

Enviado por

Dados do documento

Descrição original:

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Resumo - Variaveis Aleatorias Bidimensionais

Enviado por

Direitos autorais:

Formatos disponíveis

Instituto Superior de Engenharia de Lisboa Instituto Superior de Engenharia de Lisboa

Área Departamental de Matemática Área Departamental de Matemática

Variáveis aleatórias bidimensionais

• 0 ď F px, yq ď 1; 2.3 Funções marginais

Variáveis aleatórias bidimensionais 3/33 Variáveis aleatórias bidimensionais 4/33

Exemplo 2.2. Considere-se a função de probabilidade do exemplo 2.1. Neste

Variáveis aleatórias bidimensionais 5/33 Variáveis aleatórias bidimensionais 6/33

2.4 Funções condicionais Identicamente, atendendo a que fX p4q “ 4

Variáveis aleatórias bidimensionais 7/33 Variáveis aleatórias bidimensionais 8/33

ou De forma análoga podemos obter todas as probabilidades condicionadas

Total 1 1 1 1 A função de distribuição de Y condicionada por X “ xi é dada por:

Variáveis aleatórias bidimensionais 9/33 Variáveis aleatórias bidimensionais 10/33

2.4.3 Regra fundamental para variáveis Exemplo 2.7. Consideremos a função P rX | Y s “ P rX “ xi | Y “ yj s,

Variáveis aleatórias bidimensionais 11/33 Variáveis aleatórias bidimensionais 12/33

P rXs “ p0, 16 ` 0, 12 ` 0, 12; 0, 24 ` 0, 28 ` 0, 08q “ p0, 4; 0, 6q . P rX, Y s P rY s P rX | Y s

P rY | Zs P rX | Y, Zs P rX, Y | Zs 2.5 Variáveis aleatórias independentes

Variáveis aleatórias bidimensionais 13/33 Variáveis aleatórias bidimensionais 14/33

2.5.1 Independência condicional para variáveis ❅

P rX | Y, Zs “ P rX | Zs . Se as variáveis X e Y são condicionalmente independentes dada uma va-

Variáveis aleatórias bidimensionais 15/33 Variáveis aleatórias bidimensionais 16/33

Os três números em cada célula correspondem aos três estados da variável

Consideremos agora apenas que X “ x2 . Pretendemos obter a probabilidade 0 0,1 0,05

Variáveis aleatórias bidimensionais 17/33 Variáveis aleatórias bidimensionais 18/33

obtendo-se finalmente: Temos que verificar se:

❅ • f px, yq ě 0, @ px, yq P R2 , o que se verifica facilmente pois as variáveis

Exemplo 3.1. Considere a variável aleatória pX, Y q com função densidade

Variáveis aleatórias bidimensionais 19/33 Variáveis aleatórias bidimensionais 20/33

3.3 Cálculo de probabilidades (b) Determine F p0, 3; 0, 5q;

(c) Determine P r0, 1 ď X ď 0, 5; 0, 2 ď Y ď 0, 7s.

A função distribuição conjunta obtém-se fazendo:

Variáveis aleatórias bidimensionais 21/33 Variáveis aleatórias bidimensionais 22/33

żxż2 3.4 Funções marginais

Variáveis aleatórias bidimensionais 23/33 Variáveis aleatórias bidimensionais 24/33

e ż `8 Exemplo 3.5. Considere-se a função densidade de probabilidade conjunta

3.4.2 Funções de distribuição marginais com fX pxq ą 0.

Variáveis aleatórias bidimensionais 25/33 Variáveis aleatórias bidimensionais 26/33

Variáveis aleatórias bidimensionais 27/33 Variáveis aleatórias bidimensionais 28/33

• ρ “ 0, não há correlação linear entre X e Y . 4 Modelo teórico bidimensional contínuo

Variáveis aleatórias bidimensionais 29/33 Variáveis aleatórias bidimensionais 30/33

correlação entre as duas variáveis. 2

Se as variáveis aleatórias X e Y têm distribuição conjunta normal então: 1

• As distribuições de X e Y são, respectivamente, N pµX , σX q e N pµY , σY q;

• O coeficiente de correlação entre X e Y é ρ;

• Em geral, correlação nula não implica independência entre as variáveis.

µX “ 3, µY “ 7, 7 e ρ “ 0, 8. O departamento de controlo de qualidade con-

Cada curva na segunda figura (gráfico de contorno) é um conjunto de 0.0

pontos para os quais a função densidade de probabilidade é constante. Como

se pode ver na segunda figura, a função densidade de probabilidade da normal x

bidimensional é constante em elipses no plano xOy. O centro de cada elipse

é o ponto de coordenadas pµX , µY q.

Variáveis aleatórias bidimensionais 31/33 Variáveis aleatórias bidimensionais 32/33

vê na figura anterior. A probabilidade tem de ser determinada a partir de

4.2 Distribuição normal bidimensional estandardizada

com ´1 ă ρ ă 1. Neste caso tem-se σX “ σY “ 1 e µX “ µY “ 0.

Variáveis aleatórias bidimensionais 33/33

Você também pode gostar