Escolar Documentos
Profissional Documentos
Cultura Documentos
• 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
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
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.
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
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
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
• P rX “ x2 ^ Y “ y1 s “ P rY “ y1 s P rX “ x2 | Y “ y1 s “ 0, 4 ˆ 0, 6 “
0, 24;
“ fX pxi q fY |X pyj , xi q .
• P rX “ x1 ^ Y “ y2 s “ P rY “ y2 s P rX “ x1 | Y “ y2 s “ 0, 4 ˆ 0, 3 “
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 “ x1 ^ Y “ y3 s “ P rY “ y3 s P rX “ x1 | Y “ y3 s “ 0, 2 ˆ 0, 6 “
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 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:
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
“ 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
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
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:
0 , para outros valores
" `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 ;
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
0.05
2
!3 !2 !1 1 2 3
x
0.00
2 !3
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
2
7
3