1

Análise Bidimensional

Vetores aleatórios bidimensionais

Definição 1 ( Função massa de probabilidade conjunta) :


f ( x, y )  P X  x Y  y ,  x   X e y  Y

Nota: f ( x, y ) é a probabilidade conjunta (simultânea) do evento [ X  x Y  y ] .

Propriedades:

(1ª) 0  f ( x, y)  1 , x, y

(2ª)  x y
f ( x, y )   y  x f ( x, y )  1

Exemplo 1: suponha que se esteja interessado em estudar a composição de famílias

com 3 crianças. Defina:

X  “número de meninos”

Y = 1, se a primeira criança é menino

= 0, se a primeira criança é menina

1
P( H )  P (M ) 
2

1 1 1 1
  
f (0,0)  P X  0 Y  0  P M  M  M  P ( M )  P ( M )  P ( M )    
2 2 2 8


f (0,1)  P X  0Y  1  PØ  0 
2
 
f (1,0)  P X  1 Y  0  P M  H  M  P M  M  H     8

1
 
f (1,1)  P X  1 Y  1  P H  M  M    8
1

f ( 2,0)  P X  2 Y  0  P M  H  H     8
2

2
  
f ( 2,1)  P X  2 Y  1  P H  H  M  P H  M  H     8


f (3,0)  P X  3 Y  0  PØ  0 
1

f (3,1)  P X  3 Y  1  P H  H  H    8

X 0 1 2 3 
Y
0 1/8 2/8 1/8 0 1/2
1 0 1/8 2/8 1/8 1/2
 1/8 3/8 3/8 1/8 1

Definição 2 (Função massa de probabilidade marginal):

f X ( x )  P  X  x    f ( x, y ) , x   X
y

f Y ( y )  PY  y    f ( x, y) , y   Y
x

Exemplo 2: no Exemplo 1,

x 0 1 2 3 
f X (x) 1/8 3/8 3/8 1/8 1

X tem distribuição binomial(n=3,p=0,5)

y 0 1 
fY ( y) 1/2 1/2 1

Y é binomial(n=1,p=0,5)

Definição 3 (Função massa de probabilidade condicional):


P X  x Y  y  f ( x, y )
f ( x | y )  P X  x | Y  y    , fY ( y)  0
P(Y  y ) f Y ( y)


P X  x Y  y  f ( x, y )
f ( y | x)  P Y  y | X  x    , f X ( x)  0
P( X  x) f X ( x)
3

Exemplo 3:

X  “número de acidentes”

Y = 1, se for motocicleta
2, se for automóvel
3, se for caminhão ou ônibus

X 1 2 3 4 5 
Y
1 2/48 4/48 2/48 2/48 6/48 16/48
2 1/48 2/48 1/48 1/48 6/48 11/48
3 3/48 6/48 3/48 3/48 6/48 21/48
 6/48 12/48 6/48 6/48 18/48 1

distribuições marginais
y 1 2 3 
fY ( y) 16/48 11/48 21/48 1

x 1 2 3 4 5 
f X (x) 6/48 12/48 6/48 6/48 18/48 1

distribuição condicional de ( X | Y  1)

x 1 2 3 4 5 
f ( x | y  1) 2/16 4/16
2/16 2/16 6/16 1
4 / 48
Por exemplo, f ( 2 | y  1)   4 / 16
16 / 48

Definição 4 : as variáveis aleatórias X e Y são ditas independentes se e somente se

 
f ( x, y )  P X  xY  y  P X  x  PY  y   f X ( x)  f Y ( y ) , para quaisquer
x, y

Exemplo 4: para o Exemplo 3 temos

2
f (1,1) 
48  f (1,1)  f X (1)  f Y (1)
6 16 2
f X (1)  f Y (1)   
48 48 48
4

4
f ( 2,1) 
48  f ( 2,1)  f X ( 2)  f Y (1)
12 16 4
f X ( 2)  f Y (1)   
48 48 48

1
f (1,2) 
48
 f (1,2)  f X (1)  f Y ( 2) ,
6 11
f X (1)  f Y ( 2)  
48 48

logo X e Y não são independentes.

Funções de vetores aleatórios discretos

Uma função de um vetor aleatório ( X , Y ) é uma transformação Z  T ( X , Y ) .

Por exemplo, T  X  Y , W  X  Y .

Exemplo 5 : para a distribuição conjunta abaixo, obtenha a fmp de T  X  Y e de

W  X Y

X 1 2 3 4 5 
Y
1 2/46 3/46 2/46 4/46 5/46 16/46
2 1/46 4/46 3/46 2/46 4/46 14/46
3 2/46 3/46 2/46 4/46 5/46 16/46
 5/46 10/46 7/46 10/46 14/46 1
5

( X ,Y ) T  X Y W  X Y

(1,1) 2 1

(1,2) 3 2

(1,3) 4 3

(2,1) 3 2

(2,2) 4 4

(2,3) 5 6

(3,1) 4 3

(3,2) 5 6

(3,3) 6 9

(4,1) 5 4

(4,2) 6 8

(4,3) 7 12

(5,1) 6 5

(5,2) 7 10

(5,3) 8 15

t 2 3 4 5 6 7 8

f T (t ) 2/46 4/46 8/46 10/46 9/46 8/46 5/46 1

Por exemplo,

 
P (T  4)  f T ( 4)  P ( X  1  Y  3) ( X  3  Y  1) ( X  2  Y  2) 
2 2 4 8
f (1,3)  f (3,1)  f ( 2,2)    
46 46 46 46
6

1 2 3 4 5 6 8 9 10 12 15
w 
f W (w) 2/46 4/46 4/46 8/46 5/46 6/46 2/46 2/46 4/46 4/46 5/46 1

Por exemplo,

1 3 4
 
P (W  2)  f W ( 2)  P ( X  1  Y  2) ( X  2  Y  1)  f (1,2)  f ( 2,1)   
46 46 46

Resultados:

(a) A soma de duas v.a’s independentes com X ~ Binomial ( n, p ) e

Y ~ Binomial ( m, p ) é tal que T  X  Y ~ Binomial ( n  m, p ) .

(b) A soma de duas v.a’s independentes com X ~ Poisson( X ) e Y ~ Poisson(Y )

é tal que T  X  Y ~ Poisson ( X  Y ) .

(c) A soma de duas v.a’s independentes com X ~ N  X ,  X2   

e Y ~ N  Y ,  Y2  é

tal que T é N  X  Y ,    2
X
2
Y .
Exemplo 6: suponha que um jogador lança uma moeda honesta quatro vezes e o
outro jogador lança outra moeda honesta cinco vezes. Qual a probabilidade de que no
total dos lançamentos dos jogadores ocorram:

(a) no máximo 3 caras?

(b) No mínimo 7 caras?
(c) Entre 4 (incluso) e 6 (incluso) caras?

Solução:

Seja X denotando o numero de caras obtidas pelo primeiro jogador e Y pelo

segundo. Então X é binomial de parâmetros n  4 ; p  0,5 e Y é binomial de
parâmetros m  5 ; p  0,5 . Uma que X e Y são v.a´s independentes, T=X+Y é
binomial de parâmetros n  m  9 e p  0,5 .

(a) P (T  3)  P (T  0)  P (T  1)  P (T  2)  P (T  3)  0,2539
(b) P (T  7)  P (T  7)  P (T  8)  P (T  9)  0,08984
(c) P ( 4  T  6)  P (T  4)  P (T  5)  P (T  6)  0,65625
7

Exemplo 7: Em uma central telefônica, o número de chamadas que chegam no

intervalo (t 0 ; t1 ] é Poisson de parâmetro 1 , e o de chamadas no intervalo (t1 ; t 2 ] é
Poisson de parâmetro  2 . Sabendo-se ter havido n chamadas em (t 0 ; t 2 ] , qual a
probabilidade de que o número de chamadas em (t 0 ; t1 ] tenha sido x , 0  x  n ?

Solução:

X ~ Poisson (1 ) e Y ~ Poisson (  2 ) . Como os dois intervalos são disjuntos, então

X e Y são v.a´s independentes, e portanto T  X  Y ~ Poisson (1   2 ) . Segue que

P X  x | T  n 

P [ X  x][T  n]   P[ X  x][Y  n  x] 
PT  n  PT  n 
n x
x
exp{1}  1  exp{2 }  2 
 
1  2  x
P X  x   PY  n  x  x! (n  x)! 1  2  x
  
PT  n  exp{1  2 }  1  2 
n

n!
x nx
x  1   2 
 C  
n
   
 1  2   1  2 

ou seja, a variável aleatória condicionada  X | T  n  é uma binomial de parâmetros

1
n e p . Agora suponha que (t 0 ; t1 ]  (0;6] horas, 1  40 e
1  2
(t1 ; t 2 ]  ( 6;12] horas,  2  500 . Além disso, n  580 e x  60 . Então,

60 520
 40   500 
P  X  60 | T  580  C 580
60
     0,00205
 540   540 
8

Exemplo 8: a distribuição dos pesos das pessoas que moram em um edifício segue
uma normal de esperança   70 kg e variância  2  16 kg para homens, e
  55 kg e variância  2  9 kg para mulheres. Se um homem e uma mulher
desse edifício entrarem no elevador vazio, qual a probabilidade de que o peso total
dessas duas pessoas:

(a) exceda 130 kg

(b) esteja abaixo de 115 kg
(c) esteja entre 120 e 135

Solução: denotemos X o peso dos homens e Y o peso das mulheres. Então


T  X  Y ~ N  T  125; T2  25 . 
(a) P (T  130)  P ( Z  1)  1 - 0,8413 = 0,1587
(b) P (T  115)  P ( Z  2)  0.0228
(c) P (120  T  135)  P ( 1  Z  2)  0.9772 - 0.1587 = 0,8185

Definição 5: a Covariância de duas variáveis aleatórias é definida como:

Cov( X , Y )  E  X  EX   (Y  EY )   E ( XY )  E ( X )  E (Y ) ,

onde , E  XY     xy  f ( x, y ) , E  X    x  f X ( x) , E Y    y  f Y ( y )
x y x y

Teorema 1: para duas variáveis aleatórias independentes E ( XY )  E ( X ) E (Y ) , e

portanto Cov ( X , Y )  0 .

Definição 6: o coeficiente de correlação linear de Pearson para duas variáveis

aleatórias é definida como:

Cov( X , Y ) E ( XY )  E ( X )  E (Y )
( X ,Y )   ,
Var ( X )  Var (Y ) Var ( X )  Var (Y )
9

Observações: Covariância tem como unidade de medida o produto das unidades de

X e Y, e por isso é de difícil interpretação. Por outro lado, a correlação é uma medida
relativa (sem unidade), sendo mais fácil a interpretação.

Resultados:

(1º)  1   ( X , Y )  1 e  ( X , Y )  cos( ) ;
sendo  o ângulo entre os vetores X e Y

(2ª)  ( X , Y )   (Y , X )

(3º) se Y e X tiverem uma relação linear perfeita diretamente proporcional

Y  a  bX então  ( X , Y )  1

(4º) se Y e X tiverem uma relação linear perfeita inversamente proporcional

Y  a  bX então  ( X , Y )  1
10

(5º) se Y e X forem independentes então  ( X , Y )  0 . Contudo, a recíproca não vale,

 ( X , Y )  0 não implica Y e X independentes.

Exemplo 9:

X 0 1 2 3 
Y
0 0 0 0 1/8 1/8
1 0 0 3/8 0 3/8
2 0 3/8 0 0 3/8
3 1/8 0 0 0 1/8
 1/8 3/8 3/8 1/8 1

E ( X )  E (Y )  1,5 ;

Var ( X )  Var (Y )  0,75 ; E ( XY )  1,5 , Cov ( X , Y )  0,75

 ( X , Y )  1 . Note que  ( X , Y )  1 era de se esperar, pois X  3  Y .

Exemplo 10: lançamento de 2 dados honestos.

X representa o número da face do 1º dado

Y representa o número da face do 2º dado

11

x 1 2 3 4 5 6

f X (x ) 1/6 1/6 1/6 1/6 1/6 1/6 1

y 1 2 3 4 5 6

fY ( y) 1/6 1/6 1/6 1/6 1/6 1/6 1

X 1 2 3 4 5 6 
Y
1 1/36 1/36 1/36 1/36 1/36 1/36 1/6
2 1/36 1/36 1/36 1/36 1/36 1/36 1/6
3 1/36 1/36 1/36 1/36 1/36 1/36 1/6
4 1/36 1/36 1/36 1/36 1/36 1/36 1/6
5 1/36 1/36 1/36 1/36 1/36 1/36 1/6
6 1/36 1/36 1/36 1/36 1/36 1/36 1/6
 1/6 1/6 1/6 1/6 1/6 1/6 1

35
E ( X )  E (Y )  3,5 ; Var ( X )  Var (Y ) 
12

441
E ( XY )   12, 25  E ( X )  E (Y )  Cov ( X , Y )  0
36

Note que f ( x , y )  f X ( x )  f Y ( x ) para qualquer par ( x, y ) , portanto, Cov ( X , Y )  0 .

Definição 7 ( Função densidade de probabilidade conjunta)

Propriedades:

(1ª) f ( x, y )  0 ; x, y

(2ª)   f ( x, y )dxdy    f ( x, y )dydx 1

R R R R
12

Definição 8( Função densidade marginal) :

f X ( x )   f ( x, y ) dy é a densidade marginal da v.a. X

R

fY ( y )   f ( x, y ) dx é a densidade marginal da v.a. Y

R

Exemplo 11:

C;0  x; y  2
f ( x, y )  
0; c.c

(a) obtenha a constante C

(b) Obtenha as densidades marginais

Solução:

(a)
2 2 2

 f ( x , y ) dxdy C   1  dxdy  C  2dy  C  2  2  C  4

RR 0 0 0

1
C  4 1 C 
4

C é igual a 1 dividido pela área do quadrado de lado igual a 2

2 2
1 1 1 1
(b) f X ( x )   dy  ;0  x  2 fY ( y )   dx  ;0  y  2
0
4 2 0
4 2

Como f ( x, y )  f X ( x )  fY ( y ) logo X,Y são independentes

Exemplo 12 (Leitura opcional)

C;0  x 2  y 2  1
f ( x, y )  
0; c.c

(a) obtenha a constante C

(b) Obtenha as densidades marginais

13

Solução:

(a)
1 1 x 2 1
2
 f ( x , y ) dxdy C  1 dydx  C  2 1  x dx 
RR 1  1 x 2 1

1
2

 2C  x 1  x 2  arcsen ( x )  1
1
     
  C  2    2    C  
   
1
C  1 C 

A constante C é o inverso da área do círculo de raio 1.

1 x 2
1 2
(b) f X ( x)   dy  1  x 2 ; 1  x  1
 1 x 2
 

1 y 2
1 2
fY ( y)   dx  1  y 2 ; 1  y  1
 1 y 2
 

Como f ( x, y )  f X ( x)  f Y ( y ) logo X,Y não são independentes