- 114 Capítulo 2: Variáveis Aleatórias

a. Discuta o comportamento probabilístico do número de acertos do morador. Capítulo 3

b. Supondo a conhecido, qual deve ser (3 de modo que a probabilidade de três
acertos seja máxima.
c. Um novato na região diz que, para maximizar o acerto, é melhor dizer que Vetores Aleatórios
chove todo dia. O que você acha?
38. Se X"" Gama( a, 1) e Y,...., Poisson(>.), mostre que P(X > >.) = P(Y <a).
39. Seja X uma variável com função de distribuição dada a seguir:
s 3.1 Introdução
a. Calcule P(X < 3IX ~O) e P(X 3IX > 1).
b. Expresse F como a soma ponderada de duas funções de distribuição, uma Em geral, um mesmo fenômeno aleatório pode envolver várias variáveis
discreta e outra absolutamente contínua. de interesse. O estudo conjunto dessas variáveis é o objeto deste capítulo. As
idéias desenvolvidas no capítulo anterior são, agora, estendidas para o que
o, se x < -2;
chamaremos de vetor aleatório. De fato, muitos dos conceitos serão apresentados
f2(x+ 2), se -2 ~ x <O; para duas variáveis, mas serão, na sua maioria, válidos para um número finito de
F(x) = f2(x + x + 4),
2
se O ~ x < 1; variáveis. Na Seção 3.2 a generalização da idéia de variável aleatória é
apresentada com a correspondente descrição de sua estrutura probabilística. No
i4(-x2 + 8x + 9), se 1 ~ x < 3; estudo do comportamento conjunto das variáveis, definimos o conceito de
1, se x ~ 3. independência. A independência tem um papel importante em probabilidade,
amostragem e em muitos métodos estatísticos. Na Seção 3.3, funções de variáveis
40. Escreva a função de distribuição abaixo na forma aFac(x) + (1- a)Fd(x), aleatórias são discutidas. Ainda, nessa seção, descrevemos o método do Jacobiano
em que a E (0, 1) e pac(x) e Fd(x) são funções de distribuição aplicado para transformação de vetores aleatórios.
absolutamente contínua e discreta, respectivamente.
o, se x <O; 3.2 Vetores Aleatórios
~ + lx(x + 2), se O ~ x < 1; A realização de um fenômeno aleatório pode ensejar muitas perguntas de
F(x) = interesse. Em termos gerais, quando uma coleta de dados é realizada, quase
{ ~· se 1 ~ x < 4/3; sempre, ela envolve várias variáveis. Trabalhar conjuntamente com duas ou mais
1, se x ~ 4/3. variáveis é, assim, um caminho natural para responder muitas perguntas práticas.
Mesmo em fenômenos aleatórios relativamente simples podemos definir mais de
41. Sendo X"" B(n, p) , qual é o valor k, k inteiro entre O e n, que tem
probabilidade máxima? uma variável de interesse. Nesta seção, formalizamos o tratamento probabilístico
de conjuntos de variáveis aleatórias. Para distinguir do caso unidimensional,
42. Para X"" Poisson(>.), qual é o valor k, k ~ O inteiro, que tem probabilidade usaremos negrito quando tivermos mais de uma variável.
máxima?
Definição 3.1: Vetor Aleatório
2
43. Sendo X"" N(J-l, u ), qual é o valor x que tem probabilidade máxima?
Seja (0, F, P) um espaço de probabilidade. Definimos como vetor
44. Sendo X"" Exp(>.) , qual é o valor x que tem probabilidade máxima? aleatório, variável aleatória multidimensional ou variável aleatória multivariada
a uma função X de O em JRm que seja F-mensurável. Em outras palavras, a
função representada por X(w) = (X1(w), X2(w), ... , Xm(w)) é tal que para todo
i = 1, 2, ... me todo l i c JR, temos X;- 1 (/i) E F. O

115
116 Capítulo 3: Vetores Aleatórios 3.2 Vetores Aleatórios 117

Na definição de vetor aleatório, está implícito que X1, X2, ... , Xm são atendimento. A segunda variável de interesse é o tempo de atendimento em
variáveis aleatórias no mesmo espaço de probabilidade (O, :F, P). Isto segue do minutos, representado por X 2 • Vamos supor que o comportamento conjunto
requisito de que a imagem inversa de cada um dos X; 's esteja em :F, ou seja, para dessas variáveis se dá segundo a função de distribuição conjunta apresentada a
todo I; c lR o conjunto X; 1 (J;) é um evento. Assim, seguir:
m
{w: Xl(w)::::; X}, •.• ,Xm(w)::::; Xm} = n {w: X;(w)::::; x;},
i=l
X} < oou X2 < O;
x1 ~ O,x2 ~O.
também é um evento, pois é a intersecção de elementos da a-álgebra :F.
Da mesma forma que no caso univariado, definimos uma função que A qualidade do serviço de reservas dessa companhia poderia, então, ser avaliado
caracteriza, de modo único, o comportamento probabilístico do vetor aleatório. levando em conta as probabilidades dos tempos de demora e atendimento. O
Definição 3.2: Função de Distribuição Conjunta Na próxima proposição, apresentamos algumas propriedades da função de
A função de distribuição conjunta de X é definida por distribuição conjunta.
F(x) = F(xl,X2,·· ··xm) = P(X1::::; x1,X2::::; x2, ... ,Xm::::; Xm), Proposição 3.1: Propriedades da Função de distribuição Conjunta

D Seja X um vetor aleatório em (0, :F, P) então, para qualquer x E lRm,

para qualquer x = (x1, x2, ... , Xm) E lRm.
F(x) satisfaz as seguintes propriedades:
Exemplo 3.1: Uma máquina automática faz furos em uma chapa de aço e trabalha
diariamente até quebrar. Existem dois tipos de chapas com diferentes durezas. (FCl) F(x) é não decrescente em cada uma de suas coordenadas;
Essas chapas alimentam o funcionamento da máquina de uma forma aleatória. (FC2) F(x) é contínua à direita em cada uma de suas coordenadas;
Assim, ao quebrar, a máquina poderia estar furando qualquer uma das chapas. No (FC3) Se para algum j, xi-+ -oo, então F(x)-+ Oe, ainda,
momento de quebra da máquina, duas variáveis são de interesse: X 1 com os se para todo j, x;--+oo, então F(x)-+ 1;
valores oe 1, indicando o tipo da chapa em operação e x2 o número de dias desde (FC4) F(x) é tal que, para Va;, b; E JR, a; < b;, 1 ::::; i ::::; m, temos
a última quebra. Admitimos a seguinte função de distribuição conjunta para as P(a 1 < X 1 ::::; b1. a2 < X2 ::::; ~ .... , am < Xm ::::; bm) ~ O.
variáveis:
Demonstração:
o, X} < oou X2 < O;
[x2] As propriedades são verificadas, observando-se o comportamento dos
~ l:(!)i+ 1, O::::; x 1 < 1,x2 ~O; respectivos eventos.
j=O Para (FCI), considere um j qualquer fixado e ai ::::; bi. Observe que o
[x2] m
E(!)i+l, x1 ~ 1,x2 ~O; conjunto n {w: X;(w)::::; x;} n {w: Xi(w)::::; ai}
i=l
está contido na seguinte
j=O
i#i
em que [x 2] indica o maior inteiro menor ou igual a x 2 •
A partir dessa estrutura de probabilidade, poderíamos avaliar o efeito do
intersecção de conjuntos: n{w: X;(w)::::; x;} n {w: Xi (w)::::; bi}· Logo, a
m

tipo de chapa no funcionamento da máquina, bem como estabelecer programas de
manutenção preventiva.
Exemplo 3.2: Considere uma central de reservas de uma companhia aérea e, para
uma chamada ao acaso, estamos interessados em duas quantidades aleatórias. A
variável xl é o tempo de espera, em minutos, para o cliente iniciar seu
i=l
ih
aplicação de probabilidade nesses conjuntos, verifica a propriedade.
O
A demonstração de (FC2) é análoga ao caso uni variado.
Para (FC3), seja Xj tal que Xj-+-oo então {w: Xj(w)::::; xj}! 0 e,
portanto, F(x)-+0. Se todos os Xfs vão para oo, então cada um dos eventos
(

( 118 Capítulo 3: Vetores Aleatórios 3.2 Vetores Aleatórios 119

(
(
( { w : X i( w) :::; x i} cresce para O. Assim, a intersecção de todos eles cresce pontos (x, y) f/: S, a continuidade à direita é verificada, uma vez que G tem
também para O. Dessa forma, a propriedade (FC3) está demonstrada. sempre o valor Onessa região.
( A propriedade (FC4) é válida pela definição de probabilidade, desde que
( estejamos calculando a probabilidade de um conjunto de F. Mas esse é o caso,

/
pois para cada i, i = 1, 2, · · ·, m temos
(
( {w: a; < Xi(w) :5 bi} E F e, portanto, nm
{w : a; < X;( w ) :5 bi} E F ; s
(
(
i=l

e, assim, a demonstração da proposição está completa. D /

(
r
Essas propriedades também podem servir como definição. Isto é, qualquer
função de :!Rm em [0, 1] , satisfazendo (FC1)-(FC4), é função de distribuição
conjunta de algum vetor aleatório. A demonstração não será feita e o leitor (0,0)
i
( interessado pode consultar Tucker [67].
A propriedade (FC4) parece tão óbvia que poderíamos questionar a
(
necessidade de mencioná-la. Cabe notar que, no caso unidimensional, não foi Figura 3.1: Região S para a função G(x, y).
( necessário incluirmos (FC4) para caracterizar a função de distribuição, mas no
( caso multidimensional ela é essencial. Como veremos no exemplo abaixo, existem
A função G não satisfaz (FC4) e, portanto, não pode ser função de
funções multivariadas que satisfazem todas as propriedades exceto (FC4), não
( distribuição conjunta. Observe que
sendo, portanto, função de distribuição de nenhum vetor aleatório.
( Uma forma conveniente de apresentar a propriedade (FC4) é através da P(O <X:::; 1, O< Y:::; 1) = G(1, 1)- G(1 , O)- G(O, 1) + G(O, O) = - 1,
sucessiva aplicação de operadores-diferença. Sendo I; o intervalo (a;, b;], o
( operador resulta na diferença entre os valores da função quando somente a que contradiz (FC4). D
coordenada i é alterada de a; para b;. Denotando por 6.;,1; temos, por exemplo, No cálculo de probabilidades com vetores aleatórios, levamos em conta a
classificação de cada uma das variáveis envolvidas. As definições, apresentadas a
6.2,12 F(x) = F(x1, b2, ... , Xm) - F(x1, a2, ... , Xm).
seguir, auxiliam os cálculos nos vários casos de interesse. Inicialmente, obtemos a
Assim, a propriedade (FC4) pode ser escrita como 6.1,11 ••• 6.m,I, F(x) ~ O. distribuição de cada variável isoladamente, dada a função de distribuição conjunta
do vetor aleatório. Note que, exceto em situações especiais, não se pode obter a
Exemplo 3.3: (]ames [81]) conjunta do vetor partindo das funções de distribuição de cada componente.
Considere a seguinte função (ver região Sem figura a seguir): Definição 3.3: Função de Distribuição Marginal
emS = {( x, y): x ~ O,y ~ Oex+y ~ 1}; Seja F(x) a função de distribuição de (X1, X2, ... , Xm). Para cada k,
.
G(x, y) =
{ 1
o: caso contrário. k = 1, 2, .. ·, m, definimos a função de distribuição marginal de xk por:

A região S é apresentada em figura a seguir Fxk(xk) = lim F(x),

xr-+oo
As propriedades (FC1)-(FC3) são verificadas sem dificuldade. Por exemplo, para V; -1 k
(FC3), tomando um ponto (x, y) E S ,observamos que a continuidade à direita se
verifica nas duas coordenadas, pois a fronteira faz parte de S. Também, para em que o limite é aplicado em todas as coordenadas, exceto k. D
120 Capftulo 3: Vetores Aleatórios 3.2 Vetores Aleatórios 121

Definição 3.4: Vetor Discreto, Probabilidade Conjunta e Marginal
Se as variáveis do vetor aleatório são discretas, temos um vetor aleatório
discreto. Sua função de probabilidade conjunta é definida da seguinte forma:
p(x) = p(xi. X2, .. ·, Xm) = P(Xl =X!, x2 = X2, ... 'Xm = Xm)·
Nessa tabela, o corpo representa a distribuição conjunta e as últimas linha e
coluna fornecem as distribuições marginais. Na tabela apresentada X 1 assume os
valores ai> a2, ···,ar e X2 os valores b1, b2, · · ·, b•. Observe que as distribuições
marginais das duas variáveis são obtidas através da soma de linhas e colunas
correspondentes.

A função de probabilidade marginal de Xk, k = 1, 2, · · ·, m é dada por: Exemplo 3.4: Duas moedas equilibradas são lançadas de forma independente e
definimos as variáveis aleatórias X e Y da seguinte forma:
X : número de caras nos dois lançamentos;
Xi X; Y : função indicadora de faces iguais nos dois lançamentos.
Vi# V;"'t
O espaço de probabilidade (0, F, P) pode ser construído como usual.
ou seja, a marginal vem da soma em todas as coordenadas, exceto k. o Consideramos O todos os 4 pares de resultados possíves e F a u-álgebra das
Note que a idéia da marginal se aplica para mais de uma variável. Se partes de O. A função de probabilidade P atribui igual probabilidade aos
desejamos a função de probabilidade conjunta (marginal) de algumas das m elementos de n.
variáveis, somamos em todas as coordenadas, exceto as das variáveis de interesse. Para calcular as probabilidades conjuntas sempre nos reportamos aos
pontos de O, pois as variáveis aleatórias são funções das ocorrências do espaço
Proposição 3.2: Propriedades da Função de Probabilidade Conjunta amostrai. Representando por C e K, os eventos cara e coroa, respectivamente,
Seja X um vetor aleatório discreto em (0, F, P). Então sua função de temos:
probabilidade conjunta (fpc) satisfaz as propriedades: y
Eventos prob. X
(fpcl) p(x) ~ O, Vx E lRm; (C , C) 1/4 2 1
(fpc2) LP(x) = 1. (C,K) 1/4 1 o
X (K,C) 1/4 1 o
Demonstração:
(K,K) 1/4 o 1

As provas são análogas ao caso univariado e serão omitidas. o Coletando os valores comuns dos pares (X, Y), obtemos a probabilidade conjunta
apresentada, a seguir, na forma de uma tabela de dupla entrada.
A função de probabilidade e a função de distribuição podem ser obtidas,
uma a partir da outra, de forma similar ao que é feito no caso unidimensional. X\Y o1 P(X = x)
No caso especial de duas variáveis discretas, é conveniente a o o
1/4 1/4
representação da função de probabilidade através da tabela de dupla entrada: 1 1/2 o 1/2
2 o 1/4 1/4
X1 \ X 2 b! ... b. P(X 1 = xi) P(Y = y) 1/2 1/2 1
a1 p(a 1 ,bi) ... p(ah b,) Px,(ai) Para calcular a função de distribuição conjunta de X e Y é necessário separar em
vários casos, percorrendo intervalos de valores em cada variável. O gráfico a
seguir apresenta as várias regiões, correspondentes aos diversos casos. As
ar p(a, b1) ... p(a, b.,) Px,(ar) fronteiras de cada região não foram assinaladas, para evitar congestionar o
... gráfico.
P(X2 = x1) Px,(bJ) Px,(b.,) 1
122 Capítulo 3: Vetores Aleatórios 3.2 Vetores Aleatórios 123

y
condições para seus valores, de modo que as propriedades da função de
probabilidade conjunta estejam satisfeitas.

SJ ss s7 X\Y o 1 2 3

1
o a a+b-~ b 5
s2 s4 só
i (0,0)
1 1
5 2(a+b-~) ~-a ~-b

SI -~····*·~'"-····~·~
·----> A primeira condição requer que as probabilidades conjuntas sejam não negativas.

/ Assim, temos que atender simultaneamente às desigualdades:

a
1
> O· a + b - -5>-
1
O· b > O· - - a >
1
O· - - b > O.
-' ' - '5 - '5 -
Figura 3.2: Partição dos valores de (X, Y).
Logo ficamos restritos à Rt = { (a, b) : q~ a ~ L o ~ b ~ ~ 'a + b :::: n.
Dessa forma, a função de distribuição conjunta pode ser expressa da Impondo que a soma de todas as probabilidades conjuntas seja igual a 1, vem
seguinte forma: 1 1
a + (a +b- -)
5
+ b .+ ··· + (-5 - b) = 1.
o, em sl = {(x, y ): X< o ou y <O};
o, em 8 2 = {(x, y): O ~ x < 1, O~ y < 1} ; Daí, resulta em R2 = {(a, b) :a+ b = fs }· Os valores de a e b precisam estar
1/4, emS3 = {(x,y): O~ x < 1,y;::: 1};
na intersecção dos conjuntos R 1e R 2 . Assim,
Fx,y(x,y) = 1/2, emS4 = {(x,y): 1 ~ x < 2,0 ~ y < 1};
3/4, emS5 = {(x,y): 1 ~ x < 2,y;::: 1};
1/2, emS6 = {(x,y): x;::: 2,0 ~ y < 1};
1, emS1 = {(x,y): x;::: 2,y;::: 1}. Tomando as constantes no conjunto R, garantimos que a tabela acima representa
uma função de probabilidade conjunta de duas variáveis. O
Observe que podemos resumir a apresentação da função se agregarmos os valores
comuns. Entretanto, optamos por essa forma inicial de apresentação para Definição 3.5: Vetor Contínuo, Densidade Conjunta e Marginal
evidenciar o cuidado que é preciso ter no estabelecimento das regiões Denominamos vetor aleatório contínuo o vetor aleatório cujas
convenientes para o cálculo de Fx,Y· Fica a cargo do leitor reescrever a função componentes são variáveis aleatórias contínuas. Em outras palavras, um vetor
numa forma mais resumida e também verificar que estão satisfeitas as aleatório é contínuo se, dada a função de distribuição F, existe uma função
propriedades de função de distribuição. O f : IRm --+ IR+, denominada/unção densidade conjunta (fdc), tal que
Exemplo 3.5: A tabela abaixo apresenta valores de probabilidade conjunta de
duas variáveis X e Y em função de constantes reais a e b. Vamos determinar
124 Capítulo 3: Vetores Aleatórios 3.2 Vetores Aleatórios 125

A função densidade marginal é dada pela expressão: uma vez que e-Y• 2': e- 112 . Logo, Fx,Y é não decrescente em cada uma das
coordenadas e (FCI) está satisfeita nessa região (complete para as outras!).
f xk(xk) = r... r f(x) dxl dx2(i .. ·dxm.
Jxl lxm i- k)
As propriedades (FC2) e (FC3) são verificadas sem dificuldade.
Para (FC4) devemos provar que Fx,y(x, y) é tal que, para V a;, b; E JR,
(i i- k)
a; < b; e intervalo/; = (a;, b;], 1 ~ i ~ 2, temos
D
P(a1 <X~ bt,a2 < Y ~ b2) = 6.1,11 6.2,12 Fx,Y(x,y) 2': O.
Note que a função densidade f(x) é obtida a partir de F por sucessivas
derivadas parciais, generalizando, assim, o caso univariado. Se desejamos a Podemos escrever essa condição (ver exercício), da seguinte forma:
marginal conjunta de l variáveis, procedemos de modo similar ao caso discreto, Fx,y(bl, ~) + Fx,y(al, a2)- Fx,y(al, b2)- Fx,Y (bl, a2) 2': O.
integrando todas as variáveis exceto as de interesse.
Considere que I;, i= 1, 2 estão na região O ~ x < 5 e y 2': O. Temos
Proposição 3.3: Propriedades da Função Densidade Conjunta
Seja X um vetor aleatório contínuo em (0, F , P). Então sua função bl (1 -e-~)+ al (1- e-a2) - al (1- e-~) - bl (1 - e-a2)
5 5 5 5 '
densidade conjunta (fdc) satisfaz as propriedades:
(fdcl) f(x) 2': O, 'Vx E JRm; que, após simplificação, torna-se (b•;a.) (e-a 2 - e-~). Essa é uma quantidade não
negativa, pois a2 < b2. Para as outras éscolhas de região para os intervalos/; 's, a
(fdc2) I:· ··l:f(x) dx1 dx2 · · ·dxm = 1. verificação de (FC4) é análoga.
Assim, valem as propriedades de função de distribuição conjunta.
Demonstração: Para obter as funções de distribuição marginais, passamos ao limite,
lembrando que Fx,y(x, y) é nula se x <O ou y < 0:
As provas serão omitidas, mas são similares ao caso univariado. D
lim ~ (1 - e-Y) = x/5, se O ~ x < 5;
Exemplo 3.6: A função de distribuição conjunta de X e Y é dada por: . y-.oo 5
Fx(x) = hm Fx,y(x, y) = . (
11m 1 - e
-y) -_ ,
1
5
se x 2': .
y-.oo { y-<oo
se x < Oou y < O;
se O ~ x < 5, y 2': O; Fy(y) = lim Fx,y(x, y) =x-oo
lim (1 - e-Y) =1- e-Y, y 2': O.
x~oo
se x 2': 5, y 2': O.
As funções densidades podem ser obtidas, a partir da derivação das
Vamos verificar as propriedades da função de distribuição na região respectivas funções de distribuição.
O~ x < 5 e y 2': O. Nas demais regiões, as provas são similares. ô2 { ! e-Y se O ~ x ~ 5, y 2': O;
Para provar (FCI) escolha x 1 ~ x2 em [0, 5) e fixe y 2': O. Então, fx,y(x, y) = ôx ôy Fx,y(x, y) = 8, '
caso contrário.
X1 X2 (1- e-Y) = Fx,y(x2, y ) . ô {!' se O ~ x ~ 5;
Fx,Y(Xt, y) =
5 (1 - e~Y) ~
5 fx(x) = ôx Fx(x) = 8, caso contrário.
Considere, agora, y 1 ~ y2 em [O, oo) mantendo x fixo (x E [0, 5)). Temos, ô { se y 2': O;
~'
-y
fy(y) = ôy Fy(y) = ' caso contrário.
Fx,y(x, Yl) =
X
5 (1- e-Y•) ~ 5X {1- e-112 ) = Fx,y(x, Y2),
Note que as densidades de X e Y correspondem aos modelos Uc(O, 5) e Exp(1) ,
respectivamente. Elas poderiam, também, ser obtidas através das marginais da
densidade conjunta. D
 3.2 Vetores Aleatórios 127
126 Capítulo 3: Vetores Aleatórios

Exemplo 3.7: (Dudewicz e Mishra [88]) caracterizar o comportamento probabilístico conjunto dessas variáveis. Para
calcular a probabilidade de (X , Y) pertencer a uma certa região do plano xy,
Vamos obter o valor de k, de modo que a função abaixo seja a densidade somamos os valores para a variável X e integramos para os de Y.
conjunta de três variáveis aleatórias contínuas X, Y e Z. Vamos supor que a função mista de probabilidade conjunta de X e Y é
dada por:
f(x,y,z) = {kxy 2 z seO ~ x ~ ~,0 ~ y ~ 1,0 ~ z ~ J2;
~'
{ O,
O caso contrário.
f(x,y) = 3 sex = 1,2,3e0 ~ y ~ 1;
A função será positiva, se k for positivo. Para valer a segunda propriedade da caso contrário.
função densidade conjunta, impomos que a integral tripla de menos a mais
infinito seja 1. Isto é Para verificar se essa função poderá gerar probabilidades, observamos que é
positiva e vamos mostrar que ao percorrer todos os valores possíveis para X e Y,
via soma ou integral conforme o caso, obtemos o valor 1. Existindo o resultado
1:1:1:/(x,y ,z)dxdydz = 1. dessa dupla operação, podemos fazê-la em qualquer ordem. Entretanto, é mais
fácil fazer a integral primeiro. Temos
Temos
3 t 3 {1 xyx-1 3 1
rv'2 { t
1
kxy 2 zdxdydz = rv'2f\y 2 z! dydz = rv'2 kz!6 dz = ~-6
lo
~lo f(x,y)dy = ~1o -3-dy =~3= 1;
lo lo lo lo lo 2
logo f(x, y) pode ser considerada uma probabilidade. Por exemplo,
Segue então que k = 6.
A marginal de X pode ser obtida, integrando-se em y e z para todos os
valores possíveis. Temos, para O ~ x < 1, P(X 2: 2, Y 2: 1/2) = t{
x=211/2
1
xy;- dy
1
= t(
x=2
1
- ~/ 2 Y) = 13/24.
fx(x) =
100100 f(x,y,z)dydz =
1../2116xy zdydz = 2x.
O
2
Para obter a função mista de distribuição conjunta, teremos que separar
-oo -oo O
várias regiões de valores do par (x, y). Após algum trabalho, obtemos:
Pela conjunta, sabemos que X tem valores apenas em [O, 1] e, portanto, o, se x < 1 ou y < O;
fx(x) = 2x I[o,1j(x). ll,
3
se 1 ~ x < 2,0 ~ y < 1;
ll±i se 2 ~ x < 3,0 ~ y < 1;
Logo, X ""' Beta(2, 1). As outras marginais são calculadas de modo similar. O 3 '
F(x,y) = liliC±Jl se x 2: 3, O~ y < 1;
'
Se as variáveis não são do mesmo tipo, ainda é possível a obtenção da 3
!, se 1 ~ x < 2, y 2: 1;
função de distribuição conjunta. Nesses casos não existe nomenclatura padrão. 3
Para a situação em que temos mistura da densidade com a função de
a,3 se 2 ~ x < 3, y 2: 1;
probabilidade, usaremos a notação das variáveis contínuas, indicando por f essas 1, se x 2: 3, y 2: 1.
funções. As propriedades são equivalentes aos casos sem mistura.
o
Exemplo 3.8: Função Mista (DeGroot e Schervich [02])
Ao tratar com vanas variáveis é comum haver interesse em obter o
Considere duas variáveis aleatórias X e Y, sendo X discreta e Y comportamento condicional de uma delas em função de outras. Os valores das
contínua. Nós podemos usar a função mista de probabilidade conjunta para variáveis induzem eventos e, portanto, ao condicionar na ocorrência de certos
(
( 128 Capítulo 3: Vetores Aleatórios 3.2 Vetores Aleatórios 129
(
(
( valores de uma variável, estamos, de fato, condicionando em eventos. Dessa Tomando B = ( -oo, x], x E JR, podemos obter a função de distribuição
forma, a definição de probabilidade condicional pode também ser aplicada para o condicional de X, dado Y = y:
( condicionamento entre variáveis aleatórias.
Observe que, na definição de uma variável aleatória X em (n, .r, P),
y _ ) _ P([X S x] n [Y = y]).
( FxiY (x I - Y - P(Y = y)
(
requeremos que o conjunto {w : X ( w) S x} estivesse em .r,
para todo x real.
Assim, a ocorrência de valores de uma variável pode ser descrita de duas formas:
Como conseqüência, temos:
( pelo próprio conjunto de valores assumidos, isto é, por um elemento de B(JR) (a-
(
álgebra de Borel em JR) ou por um evento da a-álgebra .r
que foi induzido por Fx(x) = LP(Y = y)FxiY(xl Y = y).
esse boreliano através da variável aleatória. Num estudo mais formal do y
( condicionamento em variáveis aleatórias, essas duas formas podem ser usadas
alternativamente conforme a conveniência da situação. Em algumas situações, é útil escrever a função de distribuição conjunta a partir da
(
Vamos restringir nossa apresentação ao caso bivariado, mas as idéias condicional:
( podem ser estendidas para o caso multivariado.
( Definição 3.6: Distribuição Condicional
Fx,y(x, y) =L P(Y = k)FxiY(xl Y = k).
k:kSy
( Sejam X e Y duas variáveis em (n, .r, P) e B 1 , B 2 E B(JR) com
Essa expressão é similar à regra do produto de probabilidades, aplicada aqui para
( P(Y E B2) >O. Definimos a distribuição condicional de X dado Y E B2, pela
variáveis aleatórias e função de distribuição.
expressão
( Se X também for discreta, a probabilidade condicional pode ser reescrita
P(X B Iy B ) = P([X E B1] n (Y E B2]). na notação de função de probabilidade da seguinte forma:
( 1 2
E E P(Y E B2)
_ Px,y(x,y).
( PXIY (X IY) - py(y)
(
Se P(Y E B2) = O, definimos P(X E B 1 1Y E B 2) = P(X E Bl). o
Apresentamos, a seguir, algumas fórmulas úteis para o cálculo com As outras fórmulas se adaptam convenientemente.
( probabilidades condicionais. Iniciamos com o condicionamento em uma variável Vamos considerar, agora, o condicionamento em variáveis contínuas.
( 1 discreta. Sendo Y contínua, é freqüente um abuso de notação indicando um
Seja Y uma variável discreta e y E lR tal que P(Y = y) > O. Sendo X condicionamento em eventos do tipo [Y = y] que tem probabilidade zero. Nesse
(
uma variável qualquer e B E B(JR), temos caso, a probabilidade condicional deve ser entendida como o limite de
( probabilidades condicionadas em [y- e S Y S y + t:] quando t:-+0. Isto é, para
P(X E Bl y = y) = P([X E B] n [Y = y]), X uma variável qualquer e B E B(JR),
(
P(Y = y)
P(X E Bl Y = y) = limP(X E Bl y- E S Y S Y + t:).
que, com alguma manipulação, resulta na expressão: f-->Ü

Se X e Y são ambas variáveis contínuas, podemos usar a interpretação

P(X E B) = LP(Y = y)P(X E Bl y = y) . acima para definir a densidade condicional de X dado Y:
y
_ !x,y(x,y),
Essa é uma versão, para variáveis aleatórias, da Lei da Probabilidade Total. f XIY (X IY) - jy(y)
-
-
~

Capítulo 3: Vetores Aleatórios 3.2 Vetores Aleatórios 131

130

cuja expressão nada mais é do que a conjunta dividida pela marginal. A função de
f(2,y) =2y/3=2y O<y<1·
f( y lx =2)= P(X
distribuição condicional é definida de modo similar. Observe que o = 2) 1/3 ' - - '
relacionamento entre função densidade e função de distribuição também se
preserva com o condicionamento. Isto é, f( X IY -- 1/2) = f(x, 1/2) = l[x(1/2}"'-1 J = _! [x(1/2)"'-1] x =1
1
2 3·
jy(1/2) 11/12 11 ' ' '

FxiY(xiy) = ~~fx!Y(ziy) dz . os cálculos das marginais foram omitidos, mas podem ser feitos sem dificuldade.
Para as funções de distribuição condicionais teríamos:
Como conseqüência, as seguintes fórmulas são também válidas:
y ly 2

Fx ,y(x, y) = ~~Jy(z)FxiY(xiz)dz;
Para O:::; y :::; 1: Fy 1x(Yi X = 2) =
l _
00
/ (zi X= 2) dz = -oo 2z dz = Y,

e, portanto,
Fx(x) = J:Jy (y ) Fx!Y(xiy) dy.
se y < O;
se O:::; y :::; 1;
Ressaltamos que, de um modo mais geral, a função de distribuição se y > 1.
condicional pode ser caracterizada como a solução das seguintes equações (já
apresentadas): Por outro lado, para FxiY(xi Y = 1/2), x E lR. temos

Fx,y(x, y) =L P (Y = k)FxiY(xi Y = k ), se Y é discreta; F,\'[Y(xi Y = 1/2) =L

nún(3,[x])
fx!Y(ki Y = 1/2);
k:k~y
k=l

Fx,y(x, y) = ~~ fy(z) FxiY(xiz) dz, se Y é contínua.

que resulta em
o, se x < 1;
Assim, conhecendo-se a conjunta e a marginal, a função de distribuição 4
se 1 :::; x < 2;
TI'
condicional será aquela que satisfaz a conveniente equação, dentre as duas acima. FxiY(xi Y = 1/2) = -ª- se 2 S x < 3;
{ n'
Exemplo 3.9: (Continuação do Exemplo 3.8) 1, se x ~ 3.
No Exemplo 3.8, a variável X é discreta, Y é contínua e sua função mista
Outras quantidades podem ser obtidas de modo similar. o
de probabilidade conjunta é a seguinte:
Exemplo 3.10: As variáveis X e Y têm densidade dada por
f (x, y) = ~'
{ o,
3
se x = 1,2, 3e0 :::;
caso contrário.
y :::; 1;
f(x, y) = (x + y), O S x :::; 1, O S Y S 1.
Vamos obter a densidade condicional fx[Y· Inicialmente, calculamos a marginal
Vamos obter algumas probabilidades condicionais calculando suas expressões,
de Y. Temos
apenas, nos intervalos em que não se anulam. Temos
fl 1
Jy(y) =lo (x + y) dx = y+ 2' OS y S 1.
 132 Capitulo 3: Vetores Aleatórios 3.2 Vetores Aleatórios 133

Então, para qualquer y fixado, com O~ y ~ 1: Definição 3.7: Independência entre Variáveis
f(x,y) Duas variáveis aleatórias, X e Y em (n, F, 'P), são independentes se a
x+y 2(x+y) .
fxiY(xjy) = Jy(y) = y +
112
= 2y + 1 , para O ~ x ~ 1. informação sobre uma delas não altera a probabilidade de ocorrência da outra.
Isto é, para qualquer B1. B2 E B(R),
Fora desse intervalo, fxiY( xjy) é zero.
P(X E B1i Y E B2) = P(X E B1).
A função de distribuição condicional pode ser obtida a partir da
integração da densidade condicional. Assim, para qualquer y fixado com Uma definição alternativa e equivalente é:
O ~ y ~ 1 e O ~ x ~ 1, vem: X, Y independentes se, e somente se,
F (
XIY X
I )=
Y
r 2(z+y) d
}_co 2y + 1 Z
= x(2y+x),
2y + 1
VB1.B2 E B(R),P(XE B1,YE B2) = P(XE BI)P(YE B2).
o
e, portanto,
Note que não basta valer a igualdade para algumas escolhas dos
o, se x <O; borelianos B 1 e B 2 nau-álgebra B(R). É necessário valer para todas.
A definição alternativa é muito útil e freqüentemente mais prática de ser
FxiY(xjy) = x~::;>, se O ~ x < 1;
{ 1, se x 2: 1.
usada. Em tefl!I:OS da função de distribuição, a definição alternativa pode ser
escrita como:
A função de distribuição conjunta pode ser obtida a partir da condicional, X, Y independentes {::} Fx,v(x, y) = Fx(x) Fy(y), V(x, y) E R 2 •
da seguinte forma:
Para as discretas, podemos escrever uma definição equivalente com o uso de
o, se x < Oou y < O;
funções de probabilidade:
Hx2y+xy2), se O ~ x < 1,0 ~ y < 1;
Fx,v(x, y) = [~!v(z)FxiY(xiz) dz = Hx+x2), se O ~ x < 1,y ~ 1; X, Y independentes {::} Px,v(x, y) = px(x) py(y), V(x, y) E R 2 •
Hy+y2), se x ~ 1, O ~ y < 1;
Para as contínuas, a condição de independência usa as densidades:
1, se x ~ 1, y ~ 1.
X, Y independentes {::} !x,v(x, y) = fx(x) fy(y), V(x, y) E R 2 ,
Deixamos ao leitor a tarefa de verificar se essa expressão está correta, o que pode
ser feito calculando seu valor diretamente pela densidade conjunta. O em que ressaltamos que esta última igualdade deve valer exceto, eventualmente,
Um dos conceitos mais importantes em Probabilidade e Estatística é o da em conjuntos com probabilidade zero.
independência entre variáveis. Muitas das técnicas estatísticas só podem ser Em geral, dizemos que as variáveis X1. X2, .. ·, Xn definidas em um
aplicadas em amostras cujos elementos foram supostamente coletados de forma mesmo espaço de probabilidade (n, :F, 'P) são independentes, se
independente. Nesses casos, as variáveis observadas em uma unidade amostrai VB; E B(IR), i= 1, 2, .. ·, n, tivermos:
são independentes daquelas de uma outra unidade. De fato, a independência é um
n
requisito importante que permite resolver, com rigor matemático e sem
aproximações, muitos problemas de interesse prático. Como em muitas situações,
P(X1 E B1. .. ·, Xn E Bn) = 11P(X; E B;).
i=l
a independência não pode ser assumida, sua imposição serve como uma
aproximação da realidade e origina, nesses casos, uma solução também
aproximada.
134 Capítulo 3: Vetores Aleatórios 3.2 Vetores Aleatórios 135

•
Segue dessa expressão que qualquer sub-fanu1ia dessas variáveis também é Assim, a probabilidade de não haver casos de crianças alérgicas (X= 0), não
formada por variáveis independentes. A verificação é simples, bastando tomar os sofre influência da ocorrência ou não de casos de pneumonia. Entretanto, para
convenientes B; 's = JR. outros valores de X a situação é diferente, conforme apresentamos na tabela
abaixo:
Exemplo 3.11: Com base em resultados do Posto de Saúde do bairro, estabeleceu-
se a função de probabilidade conjunta entre os números diários de crianças X P(X = x jY > O) P (X = x jY = O)
atendidas com alergia (X) e com pneumonia (Y). Na tabela abaixo, apresentamos o 1/4 1/4
a conjunta e as marginais para essas variáveis. 1 1/6 1/2
X\Y o 1 2 P(X = x) 2 1/3 1/4
o 1/16 1/ 16 1/ 8 1/4 3 1/4 o
1 1/8 1/8 o 1/ 4 Observe que as probabilidades condicionais somente são iguais para [X= 0] .
2 1/ 16 1/ 8 1/8 5/16 Para os outros valores, a probabilidade condicional de X é crescente ou
3 o 1/ 8 1/ 16 3/16 decrescente, se condicionada ao evento [Y > O] ou [Y = 0], respectivamente.
P(Y = y) 1/4 7/ 16 5/16 1 Dessa forma, enfatizamos que as variáveis são dependentes. O
Se as variáveis fossem independentes, o produto das marginais daria a função de
probabilidade conjunta. Entretanto, isso não ocorre pois
.
Exemplo 3.12: A função densidade conjunta de X e Y é dada por:
1
!x,v(x, y) = x I(o,2j(x )I(o,xj( y).
P(X = 1, Y = 2) = O =f:. P(X = 1) x P(Y = 2) = 5/64. 2

Pela _definição de independência, basta haver um par em que isto não aconteça As marginais são calculadas através de integração:
para quebrar a propriedade de independência. Portanto, os números diários de 1 1
1
x
crianças atendidas com alergia e com pneumonia são variáveis dependentes. f x(x) = -dy
2x
= -2 , O < x:::; 2;
0

=1
Condicionado à ocorrência ou não de casos de pneumonia, como se
..!.._ dx = ~ ( log 2 - log y ) , O < y :::; 2.
2
comporta o número de crianças alérgicas? Pela dependência, esperamos fy (y)
comportamentos diferentes. Vamos calcular a função de probabilidade Y 2x 2
condicional de X dado o evento [Y > O] e comparar seu resultado com o É imediato verificar que f x (x) satisfaz as propriedades de uma densidade.
condicionamento em [Y = 0] . Temos Observe que para calcular a densidade de Y, os limites de integração obedeceram
à condição de que os valores da variável X precisam ser sempre superiores ao de
P(X = OjY O) = P(X = O, y > O) Y. A expressão obtida é efetivamente uma densidade, pois é não negativa (a
> P(Y >O)
função logarítmica é crescente) e também
P(X =O, Y = 1) + P(X =O, Y = 2)
= ---'---=P-:-:(Y~=--=-1:----)+--=P-7=(Y-=-=---=-2):-------'- 121-(log2-logy)dy= [1
-(ylog2-y(logy-1 )) ]2 =1.
= 1/4; 1 o
2
fy(y )dy=
o2 2 o
enquanto As densidades condicionais são calculadas pelo quociente entre a conjunta e a
marginal. Vamos indicar apenas os valores não nulos, temos:
P(X = OjY =O) = P(X =O, y =O) = 1/16 = 1/4.
P(Y =O) 1/4
 136 Capítulo 3: Vetores Aleatórios 3.2 Vetores Aleatórios 137

!x,v(x, y) 1 enquanto que

fxiY(xiy) = Jy(y) = x{log 2 _ log Y) , y ~ x ~ 2, y fixado, y E {0, 2);
1
!x,v(x, y) 1 fx(x)fv(y) = x {log 2 -log y )J(o,2j{x)J(o,2j(y);
fYIX(yix) = fx(x) = ~ , 0 < y ~X, X fixado, X E {0, 2). 4

É importante ressaltar que, no cálculo de densidades condicionais, a expresssão e elas não são iguais para quase todo (x, y) E JR.2. Em outras palavras, existe um
resultante é sempre função do valor usado no condicionamento. Dessa forma, conjunto, com probabilidade positiva, em que a condição de independência não se
fxjY(xiy) depende de y. Se estamos integrando essa função em x, o valor y pode verifica. O
ser considerado constante. Por exemplo, para y E {0, 2) vem Encerramos essa seção com a apresentação de dois modelos
multivariados. O modelo apresentado a seguir generaliza a distribuição Binomial
se 1y < 2;
~
P(X < 1IY = y) = t fxiY(xiy) dx = { OJ,,'
}11
1 d
11 x(log2-log11) X, seO<y<l.
ao tratar com experimentos que têm mais de duas alternativas de resultado.
Definição 3.8: Modelo Multinomial
Então, Considere um experimento com m possíveis resultados, cada um com
m
o, se 1 ~ y < 2; probabilidade p; ;::: O, i = 1, 2, · · ·, m e L.':P; = 1. Esse experimento é repetido n
P(X < 1IY = y) ={ logy
seO<y<l.
i=l
log11-log2 ' vezes de forma independente e observamos as variáveis X 1 ,X2, ···,Xm. que
correspondem ao número de ocorrências de cada um dos possíveis resultados
Temos também que, para x E {0, 2), temos dessas repetições. O vetor aleatório X = {X1 , X2, ... , Xm) segue o modelo
{ rmax(l/2,x) Multinomial com função de probabilidade conjunta dada por:
P(Y < 1/2IX = x) =Jo fvlx(yix) dy
( n'
Px( k 1 ' k 2' ... ' km) -- k, ! k2!. ·.. km! Plk1 P2k2 ... Pmkm '
_ { J;~dy, se O< x ~ 1/2;
m m
\ r' 12 ! dy se !2 <x< com L.':Pi = 1 e L.':k; = n, k; E N, O ~ k; ~ n. D
Jo x , - 2·,
( i=l i=l
1, se O< x ~ 1/2; Exemplo 3.13: Para 10 lançamentos independentes de um dado equilibrado seja
-
{
2~, se~ < x ~ 2. X; o número de ocorrências da face i, i= 1, 2, ... , 6. O vetor aleatório
X = (X,, X2, ... , X6) segue o modelo Multinomial com parâmetros p; = 1/6,
Outras probabilidades podem ser calculadas de modo similar. Deixamos ao leitor i = 1, 2, · · ·, 6. Assim,
a tarefa de verificar que fxiY(xiy) e fvlx(Yix) satisfazem as propriedades de uma
densidade.
Finalmente, observamos que as variáveis não são independentes, pois a
densidade conjunta não é o produto das marginais. Ou seja, temos D
1 Um dos modelos multivariados contínuos mais importante é aquele que
!x,v(x, y) = x I(o,2j(x)J(o,x]{Y),
2 generaliza a distribuição Normal. Vamos apresentar o caso bi-variado e
recomendamos a consulta às referências para o modelo geral.
138 Capítulo 3: Vetores Aleatórios 3.2 Vetores Aleatórios 139

Definição 3.9: Modelo Normal Bivariado em que, na última passagem, ajeitamos o integrando para obter a densidade
Dizemos que o vetor aleatório X= ( X~, X2) segue o modelo Normal correspondente a uma Normal com J.L = x/2 e a= [f. Logo, concluímos que
Bivariado se sua função densidade é dada por
e-f
1 fx(x) = rn=' -oo < x < oo;
y27l"

que corresponde à densidade da N(O, 1). De modo análogo, teríamos Y "'N(O, 1).
As variáveis não são independentes pois verificamos, facilmente, que o
com (x1,x 2 ) E JR2 e os parâmetros J.LI,J.L2,crhcr2 e p satisfazem às seguintes produto das marginais não resulta na densidade conjunta. D
condições: J.Ll e J.L2 estão em JR., cr1 > O, cr2 > Oe - 1 :S: p :S: 1. D Exercícios da Seção 3.2:
A interpretação dos parâmetros do modelo Normal Bivariado depende de 1. Sejam X e Y variáveis aleatórias em (O, :F, P) com função de distribuição
conceitos apresentados no Capítulo 5. Entretanto, adiantamos que J.L1 e J.L2 são as conjunta dada por Fx,Y· Mostre que P(a 1 <X :S: b1 ,a2 < Y :S: b2), com
médias e cr1 e CF2 são OS desvios-padrão de X 1 e X2, respectivamente. 0 a1, b1, a2 e b2 E JR., pode ser escrita como:
parâmetro p é o coeficiente de correlação entre as variáveis. Usualmente, os
parâmetros J.Ll e J.L 2 são denominados parâmetros de localização, enquanto que cr1 Fx,y(bl, b2) + Fx,y(a~, a~)- Fx,y(al, b2)- Fx,Y(bl, a2).
e cr2 são parâmetros de escala.
2. Mostre que H não é função de distribuição conjunta.
Exemplo 3.14: O vetor (X, Y) segue o modelo Normal Bivariado com
se max(x, y) 2:: O ou x 2 + y 2
parâmetros J.Lx = J.LY = 1, crx = cry = 1 e p = 1/2. Então sua densidade H (x,y) = { ~: caso contrário.
:::; 1;
conjunta é dada por:
3. A densidade conjunta de X e Y é dada por:
Jx ,y(x, y) = 1l"~ e-i(x2+fl-xyl,(x, y) E JR.2.
1
!x,Y(x, y) = 2 IA(x, y) com A= {(x, y) E JR. 2; -1 :S: x :S: 1, O :S: y :S: 1}.
Para a marginal de X temos

fx (x) = 1 00

-oo
fx,Y(x, y)dy = 100
1 2 2
;;;- e-i(x +Y - xy) dy
-oc 7ry 3
a. Calcule as marginais e verifique se X e Y são independentes.
b. Obtenha a densidade condicional de Y dado que X > O.
c. Determine a função de distribuição conjunta entre X e Y.
=e a 1oo - -
-~x2 1 ea -~( y2- xy) d y
4. Sejam X e Y com densidade conjunta:
-oc 7l"y'3
1
2 2 2x21oo
= e-ax eãT --e
1 _lu-t2
dy !x,y(x, y) = ;:fA(x, y) com A= {(x, y) E R; x 2 + y2 :S: 1}.
-oo 7l"y'3
a. Calcule as marginais e verifique se X e Y são independentes.
-- .J2ir
e-21
r2 00

-oo
1
.J2ir [f
e-;zm
(y- ~)2
dy
'
b. Determine a densidade condicional de X dado que Y = 1/2.
140 Capítulo 3: Vetores Aleatórios 3.3 Funções de Variáveis Aleatórias 141

5. A densidade conjunta de X e Y é dada por: c. Nas condições de (b), obtenha a marginal de X.

l, se -2 ~ x < 0,0 ~ y ~ 1; 10. Seja F(x, y) a função mista de distribuição conjunta de (X, Y). Suponha que
i• se O ~ x ~ 1,-2 ~ y <O;
F corresponde à densidade Uniforme Contínua sobre o intervalo (0, 1) do
!x,Y(x, y) =
{ eixo y de JR2 •
O, caso contrário.
a. Obtenha F.
a. Calcule as marginais e verifique se X e Y são independentes. b. Mostre que Fx(x) é contínua exceto se x =O.
b. Determine a função de distribuição conjunta entre X e Y. c. Prove que Fy(y) é contínua.
c. Obtenha a função de distribuição condicional de Y dado X= x. d. Você diria que (X, Y) é contínua se, e só se, sua função de distribuição
conjunta induz probabilidade zero a cada ponto (x, y) E JR2 ?
6. Seja Y"' Poisson(>..) e XI(Y = n) "' B(n, p).
a. Calcule a função de probabilidade de X. 3.3 Funções de Variáveis Aleatórias
b. Determine a função de probabilidade condicional de Y dado X= x.
Sendo X uma variável aleatória em (O, F, P), a função ou transformação
7. Um milionário excêntrico, uma vez por semana, deixa seu escritório com X h : X -+R também será uma variável aleatória no mesmo espaço de
milhares de reais no bolso. Ao caminhar para sua casa vai distribuindo esse probabilidade. Dado o conhecimento de X através de, por exemplo, sua função de
dinheiro aos eventuais pedintes que encontra. Admita que X tem densidade de distribuição, desejamos obter o comportamento de h(X). De modo geral,
probabilidade fx(x) = ~ I(o, 4 )(x) e, também que o dinheiro que lhe resta ao podemos ter uma fam1lia de funções atuando sobre um vetor aleatório
chegar em casa, denotado por Y, tem probabilidade uniforme entre zero e o X= (X1, X2, ... , Xm) para produzir um novo vetor aleatório
dinheiro com que deixou o escritório. Isto é, YI(X = x)"' Uc[O, x]. Y = (Yi , Y2, ... , Y;.) de dimensão r, eventualmente igual a m. Nesse caso, X é
a. Calcule a densidade conjunta entre X e Y. um vetor com função de distribuição conjunta conhecida e desejamos o
b. Determine a densidade marginal de Y. comportamento de Y. As dificuldades envolvidas nessa tarefa dependem das
variáveis iniciais e da função de interesse. Em termos matemáticos gerais,
8. A função de distribuição conjunta de (X, Y) é dada por:
dizemos que Y é uma transformação de X.
o, se x < Oou y < O ou x ~ y; Para obter o comportamento probabilístico de transformações uma técnica
2x2y2-x4'
se O ~ x < y, O ~ y < 2; muito conveniente, principalmente no caso discreto, é o chamado método direto.
F. X -
,\,Y( 'y) -
16
8x2-x4' Ele consiste em realizar operações algébricas simples, aplicando a definição da
{ 16 se O ~ x < 2, y ~ 2; transformação diretamente na expressão da função de distribuição (ou função
1, se x ~ 2, y ~ 2, x < y. densidade ou de probabilidade conforme o caso).
Sejam X 1 e X2 duas variáveis discretas com função de probabilidade
a. Obtenha as funções de distribuição marginais de X e Y.
conjunta p(x1,x2) e defina Y = h(X1 ,X2). A variável Y também será discreta
b. Calcule a densidade conjunta entre X e Y.
com valores no contra-domínio da função h. Sua função de probabilidade é dada
c. Calcule as densidades marginais de X e Y de duas maneiras diferentes. por:
9. Considere a função:
lt!:!. se x = O, 1, · · · e y > O;
py(y) = P(Y = y) = P(h(X1, X2) = y) = L p(x1, x2),
fxJY(xiy) = { x! '
(Xi>X2)EAu
o, caso contrário.
em que Ay = {(x 1 , x2) : h(x 1 , x2) = y}. Isto é, para cada y fixado, a soma se dá
a. Mostre que, para cada y fixado, f(.iy) é uma função de probabilidade. em todos os pares (xb x2) cuja aplicação da função h resulta no valor y. A função
b. Determine a conjunta de X e Y se Y "'Exp(1). de distribuição de Y pode ser obtida de maneira análoga.
142 Capítulo 3: Vetores Aleatórios 3.3 Funções de Variáveis Aleatórias 143

No caso de funções de variáveis contínuas, é mais conveniente obter Para a conjunta entre X + Y e X - Y, utilizamos novamente a tabela acima
primeiro a função de distribuição. Por exemplo, considere duas variáveis coletando os eventuais pares comuns (que nesse caso não existem):
contínuas xl e x2 com função densidade conjunta f(xl, X2). Seja -2 -1 o 1
X+Y\X-Y
Y = h(X1,X2), temos o
o o o 1/4
Fy(y) = P(Y ~ y) = P(h(X1, X2) ~ y) = 1 o 1/8 o 1/4
o o o
= P((X1, X2) E By) =f f f(x1. x2) dx1 dx2, 2
3
1/8
o 1/4 o o
By
A partir dessa conjunta, outros cálculos de probabilidade podem ser feitos. O
sendo By = {(xb x2) : h(x1, x2) ~ y}. A densidade de Y pode ser calculada por
Exemplo 3.16: Seja X uma variável aleatória contínua com densidade
derivação de Fy(y). Entretanto, às vezes, a densidade pode ser obtida diretamente
f(x) = 4Ir1,3J(x). Vamos obter a função de distribuição e a função densidade de
se for possível reescrever a integral dupla acima na forma:
Y=ex.
Observe que Y será contínua e com valores no intervalo [e, e3]. Sendo
Fy(y) = ~-~g(w)dw. Fy sua função de distribuição, temos de imediato que Fy(y) =O se y < e e
Fy(y) = 1 se y;::: e3 . Para e~ y <é,
Nesse caso, g é a densidade da variável Y.
Fy(y) = P(Y ~ y) = P(ex ~ y) =
Exemplo 3.15: A função de probabilidade conjunta de X e Y é dada na tabela
logy 1 logy- 1
abaixo: = P(X ~ logy) = j
-oo 2l[l,a]dx = 2
. ·
X\Y o 1 2
o 1/4 1/8 1/8 Dessa forma,
1 1/4 o 1/4 o, se y <e;
_ logy-1
Vamos obter o comportamento de X+ Y e X- Y. Uma forma prática de obter Fy (y ) - , se e~ y < e3 ;
as funções de probabilidade dessas variáveis é construir, inicialmente, uma tabela
{ 1, 2 sey;::: é.
com seus valores a partir da conjunta de X e Y.
(X,Y) p(x,y) X+Y X-Y O leitor pode verificar que a densidade de Y é dada por Jy(y) = ty I[e,e3J· O
(0,0) 1/4 o o Exemplo 3.17: Considere a variável aleatória contínua X com valores entre O e 3
(0, 1) 1/8 1 -1 e densidade fx(x) = ~ Iro,aJ(x). A partir dessa variável, uma nova variável é
(0,2) 1/8 2 -2 definida da seguinte forma:
(1, O) 1/4 1 1
(1,2) 1/4 3 -1 se 2 <X~ 3;
caso contrário.
Segue, então, que as funções de probabilidade de interesse são
e X- Y -2 -1 O 1 A variável Y será do tipo misto. Sempre que X estiver em (2, 3], o valor de Y
X+Y O 1 2 3
será 3. A função de diStribuiçã~e Y será dada por:
prob. 1/4 3/8 1/8 1/4 prob. 1/8 3/8 1/4 1/4
144 Capítulo 3: Vetores Aleatórios 3.3 Funções de Variáveis Aleatórias 145

Exemplo 3.18: A função densidade conjunta de X e Y é dada por:

o, se y <O;
- y/3, se O$ y < 2; fx ,Y(x, y) = e-(x+y) I(o,oo)(x)I(o,oo)(Y).
Fy(y)- 2/3, se 2$ y < 3;
{ Vamos determinar a função de distribuição de Z = 2X + Y. Observe que a
1, se y ~ 3.
variável Z é sempre positiva. Dessa forma, para z <O, temos Fz(z ) =O. Para
O gráfico de Fy (y) é representado a seguir e pode-se observar que no ponto z ~o,
y = 3 a função é descontínua.
Fz(z) = P(2X + Y $ z) = P((X, Y) E Bz) =f f fx,y(x,y)dxdy,
F,(.v) Bz
com Bz = {(x,y): 2x+y $ z}. Note que, no cálculo da integral, os limites
precisam levar em conta, além de Bz, a definição de Jx ,y(x , y). Assim,

113 Fz(z) =f f e-(x+y) I(o,oo) (x)I(o,oo)(Y) dx dy = 11z-T

e-(x+y) dx dy,
Bz
então,

F (z ) = o, . se z <O;
z { 1 + e-z - 2e- ~ , se z ~O .

Pode-se verificar que Fz satisfaz as propriedades de função de distribuição e, por

derivação, podemos obter a densidade de Z. D

Figura 3.3: Função de Distribuição Mista.
Suponha, agora, que queremos determinar P(Y
P(Y < 21 y > 1) = P([Y < 2] n [Y > 1])
- P(Y ~ 1)
_ P(1 $ Y < 2)
- P(Y ~ 1)
= Fy(2 - )- Fy(l - )
1-Fy(1-)
O próximo exemplo apresenta uma situação que pode surpreender vários
leitores. Partindo de variáveis discretas relativamente simples, tomamos uma
< 21 Y ~ 1). Temos: função dessas variáveis, também relativamente simples, para produzir uma nova
variável bem mais complicada e que não tem nada de simples! O exemplo retoma
o conceito de função singular apresentado no capítulo anterior.
Exemplo 3.19: Função Singular-tipo Cantor (Dudewicz e Mishra [88])
Considere sucessivos lançamentos independentes de uma moeda
equilibrada. Definindo como sucesso a ocorrência de cara, temos que
X1, X 2 , ···,formam um sequência de variáveis de Bernoulli independentes.
= _ Assim,
112
P(Xi = 1) = 1/2, i= 1, 2, .. · .
o Sendo a ocorrência de sucesso no lançamento i recompensada por 3/4i
(em alguma unidade monetária), estamos interessados na função de distribuição