Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
a1 b1 k1
a2 b2 k2
... ... ... ...
V. A. Multidimensionais Discretas
• Exemplo 3.2: Uma região foi sub-dividida em 10
sub-regiões. Em cada uma delas, foram
observadas duas variáveis: número de poços
artesianos e número de riachos ou rios presentes.
Os resultados são apresentados na tabela:
V. A. Multidimensionais Discretas
n m
P X x ,Y y 1
i 1 j 1
i j
V. A. Multidimensionais Discretas
• Para o caso de V.A. bidimensional:
– X FX(x) = P(Xx)
– Y FY(y) = P(Y y)
– FX,Y(x,y) = P(Xx, Y y) Função distribuição de
probabilidade conjunta de X e Y.
– P(x1 Xx2; y1 Y y2) = ? Y
Volume cuja base
é dada pelos limites FX,Y(x,y) y2
Y
em X e Y.
y2
y1
y1
x1 x2 X x1
X
x2
V. A. Multidimensionais Discretas
• Exemplo
2
P X 0 P X 0,Y y
j
j 0
P X 0, Y 0 P X 0, Y 1 P X 0, Y 2
1 2 2 5
10 10 10 10
V. A. Multidimensionais Discretas
• Distribuições Marginais:
– Caso n-dimensional
P X 1 x1
x2
P X
xn
1 x1 , X 2 x2 , , X n xn
P X 1 x1 , X 2 x2
x3
P X
xn
1 x1 , X 2 x2 , , X n xn
V. A. Multidimensionais Discretas
• Distribuições Marginais:
– Exemplo 3.4: Determine as distribuições
marginais de X e Y.
X\Y 1 2 3 4 P(X)
1 0,10 0,05 0,02 0,07
2 0,08 0,05 0,10 0,19
3 0,10 0,20 0,04 0,00
P(Y) 1
V. A. Multidimensionais Discretas
• V.A. Independentes
– Definição 3.3: As V.A. X1, ..., Xn são ditas
independentes se, para todos os seus valores tivermos:
P X 1 x1 , X 2 x2 , , X n xn P X 1 x1 P X 2 x2 P X n xn
• V.A. Independentes
– Exemplo 3.5: Uma urna contém 3 bolas vermelhas e 5 bolas brancas.
Retiram-se 3 bolas da urna com reposição. Seja Xi, i=1,2,3 a V.A. que assume
o valor 1 se a i-ésima bola for vermelha e 0 se a for branca. Determine a
distribuição conjunta de X1, X2 e X3. A distribuição conjunta pode ser
expressa pelo produto das marginais, já que as V.A. são independentes.
P X 1 1, X 2 1, X 3 1 P X 1 1 P X 2 1 P X 3 1
V. A. Multidimensionais Discretas
• V.A. Independentes
– Exemplo 3.6: Para o mesmo experimento do exemplo
anterior, defina X4=X1+X2+X3. Quais os valores que X4
pode assumir? Encontre P[X4=2].
• V.A. Independentes:
– Lema 3.1: As V.A. X e Y com função de
distribuição FX,Y(x,y) são independentes se e
somente se:
FX ,Y x, y FX x FY y
– Demo: FX ,Y x, y
i:xi x j: y j y
P X xi , Y y j
P X x P Y y
i:xi x j: y j y
i j
P X x
i:xi x
i
j: y j y
P Y y j FX x FY y
V. A. Multidimensionais Discretas
• V.A. Independentes:
– Lema 3.2: Se as V.A. X e Y são independentes
tem-se:
E XY E X E Y
– Demo: E XY x y P X x ,Y y
i 1 j 1
i i i i
x y P X x P Y y
i 1 j 1
i i i j
x P X x y P Y y E X E Y
i 1
i i
j 1
i j
V. A. Multidimensionais Discretas
• V.A. Independentes:
– Lema 3.3: Sejam X1, X2, ..., Xn V.A.
independentes cujas funções geradoras de
momentos são denotadas por Xi, para i=1,2,...,n.
A função geradora de momentos de X1+X2+...+Xn
designada por X1+ X2 +...+ Xn satisfaz, para todo t:
X1 X 2 Xn t X t X t
1 2
X n t
V. A. Multidimensionais Discretas
• Covariância
– Sejam as V.A. X e Y. As suas esperanças
fornecem uma medida da posição de suas
distribuições e as suas variâncias fornecem uma
medida de dispersão em relação às suas médias.
– A covariância fornece uma medida de dispersão
de uma v.a. bidimensional em relação ao ponto
(E[X], E[Y]).
V. A. Multidimensionais Discretas
• Covariância
– Definição 3.3: Seja (X,Y) uma V. A.
bidimensional. A covariância de X e Y, denotada
por Cov(X,Y) é definida por:
Cov X , Y E X E X Y E Y
x E X y
i 1 j 1
i j E Y P X xi , Y y j
V. A. Multidimensionais Discretas
• Covariância
– A covariância é a esperança dos desvios dos valores das
V. A. em relação às suas médias. Se as V.A. tendem a
variar no mesmo sentido, a covariância é positiva, caso
contrário é negativa. Outra forma de expressar a
covariância é através da expressão:
Cov X , Y E XY E X E Y
– Observação:
Cov X , X Var X
V. A. Multidimensionais Discretas
• Covariância
– Exemplo 3.7: Considere uma urna com 3 bolas brancas e 2 vermelhas.
Retiram-se 2 bolas da urna, uma após a outra sem reposição. Defina X
como sendo a V.A. que assume o valor 1 se a primeira bola é branca e
0 se é vermelha. Y é outra V.A. análoga a X relacionada com a
segunda bola. Calcule a covariância entre X e Y.
– Seja B1={escolha da primeira bola} e B2={escolha da segunda bola}.
Então,
P B1B2 P B1 P B2 | B1
V. A. Multidimensionais Discretas
• Covariância
P X 0 8 P Y 0 8 P X 1 12 P Y 1 12
20 20 20 20
2
E ( X ) xi P X xi 12
i 1
20
E Y E X 12
20
E XY xi y j P X xi , Y y j 6
2 2
i 1 j 1
20
Cov X , Y E XY E X E Y 24
400
V. A. Multidimensionais Discretas
• Covariância
– Lema 3.4: Se X e Y são V.A. independentes
Cov(X,Y)=0. O inverso não é necessariamente
verdadeiro.
– Exemplo 3.10: Sejam X e Y V.A. que assumem os
valores -1,0,1 e cuja distribuição conjunta é dada
por
1
P X 1, Y 0 P X 1, Y 0 P X 0, Y 1 P X 0, Y 1
4
• Covariância
– Exemplo 3.10: X e Y são identicamente
distribuídas (mesmas distribuições marginais).
Além disso, E(X)=E(Y)=0 e E(XY)=0, pois em
todo ponto ou X=0 ou Y=0. Assim, Cov(X,Y)=0
1
FX ,Y 1,0 P X xi , Y y
j P X 1, Y 0
i:xi 1 j: y j 0 4
1
FX 1 P X 1
i:xi 1 4
1
FY 0 P Y 1 P Y 0
i: y j 0 2
FX ,Y 1,0 FX 1 FY 0
V. A. Multidimensionais Discretas
• Covariância
– Var(X+Y) = Var(X) + Var(Y) + 2Cov(X,Y)
– Sejam duas V.A. X e Y. Se X’= aX e Y’= bY,
então Cov(X’,Y’) = ab Cov(X,Y), uma vez que
Cov(X,Y) = E[XY] – E[x] E[Y]
– Então, a covariância depende das escalas das V.A.
– Seria interessante se trabalhar com uma medida
de dispersão independente de escala!
V. A. Multidimensionais Discretas
• Coeficiente de Correlação
– Definição 3.4: O coeficiente de correlação das
variáveis aleatórias X e Y, denotado por (X,Y), é
definido por:
Cov X , Y
X ,Y
X Y
• Coeficiente de Correlação
– Se X’= aX e Y’= bY, então:
Cov( X ', Y ') E X ' E X ' Y ' E Y ' abCov X , Y
abCov X , Y
X ', Y ' X ,Y
a X b Y
V. A. Multidimensionais Discretas
• Se Y = aX + b (X,Y) = signal(a) . 1
– Correlação forte!
• E[XY] = E[X] E[Y] Descorrelação!
– Cov(X,Y)=0
– Independência descorrelação
• E[XY] = 0 X e Y são ortogonais.
• Se X e Y são descorrelacionadas, então tem-
se que [X-E(X)] e [Y-E(Y)] são ortogonais
V. A. Multidimensionais Discretas
• Exemplo 3.9: Em uma população de 20 indivíduos do sexo
masculino, foram aplicados questionários sobre a auto-
estima de cada um e coletados dados sobre as alturas dos
mesmos. Deseja-se estudar o influência da altura na auto-
estima da população escolhida.
V. A. Multidimensionais Discretas
V. A. Multidimensionais Discretas
E X xi P X xi 1.658
i
E Y y j P Y y j 3.755
j
2 X E X 2 E X 0.011746
2
2 Y E Y 2 E Y 0.172475
2
E XY xi y j P X xi , Y y j 6.25875
i j
Cov X , Y E XY E X E Y 0.03296
Cov X , Y
X ,Y 0.7322
2
X Y
2
V. A. Multidimensionais Discretas
V. A. Multidimensionais Discretas
• Matriz de Covariância
f x, y dxdy 1
P X , Y B f x, y dxdy
B
V. A. Multidimensionais Contínuas
• Densidade de probabilidade conjunta
P x X x x, y Y y y FXY ( x x, y y )
FXY ( x, y y ) FXY ( x x, y ) FXY ( x, y )
x x y y
f XY (u, v)dudv f XY ( x, y )xy.
x y
D y
x
X
V. A. Multidimensionais Contínuas
• Densidade marginais
fX x f x, y dy
fY y f x, y dx
V. A. Multidimensionais Contínuas
• Densidade marginais
– Exemplo 3.10: Seja (X,Y) uma V.A. bidimensional cuja
densidade de probabilidade é dada por:
xe x y 1 , se x 0
f XY x, y
0, caso contrário
– Determinar as densidades marginais de X e Y e calcular a
probabilidade P[X+Y≤3].
V. A. Multidimensionais Contínuas
• Densidade marginais
e
xy
f X x xe
x y 1
dy xe x e xy dy xe x e
x
0 0 x 0
x 1 1
fY y xe
x y 1 x y 1
dx e
0
y 1 y 1
2
0 y 1
2
3 x x y 1 xy 3 x
x e
3 3
P X Y 3 xe dy dx xe dx
0 0 0 x 0
V. A. Multidimensionais Contínuas
• Funções distribuição e densidade de probabilidade
2 FXY x, y
f XY x, y
xy
x y
FXY x, y f XY u , v dudv
n FX1 X 2 x1 , x2 , , xn
f X1 X 2 x1 , x2 , , xn
Xn
x1x2 xn
Xn
x1 x2 xn
3 2
x xy , 0 x 2 e 0 y 4
f XY x, y 80
0, caso contrário
V. A. Multidimensionais Contínuas
• Exemplo 3.11:
– Região 1: x<0 e y qualquer ou y<0 e x qualquer
FXY x, y 0
– Região 2: x>2 e y>4
FXY x, y 1
V. A. Multidimensionais Contínuas
• Exemplo 3.11:
– Região 3: 0<x<2 e 0<y<4
x
v2
y x
x
y 3 2 3 2 3 u3 2
FXY x, y u uv dv du u v u du y y 2
u 1 2
x y 4x 3 y
0 0
0
0 0
80 80 2 80 3 4 320
– Região 5: x 2 e 0<y<4
y
2 3 2
FXY x, y u uv du dv y 2
y 3
0 0
80 10 80
V. A. Multidimensionais Contínuas
• Exemplo 3.11:
V. A. Multidimensionais Contínuas
• Independência
– Definição 3.6: As V.A. cuja densidade conjunta é f(x,y),
para -<x< e -<x< e cujas densidades marginais
são fX(x) e fY(y), são ditas independentes se, para todo par
(x,y)
f x, y f X x f Y y
ou
FXY x, y FX x FY y
V. A. Multidimensionais Contínuas
• Independência
– Lema 3.6: Sejam X e Y V.A. contínuas. Se elas são
independentes, então
E XY E X E Y
V. A. Multidimensionais Contínuas
• Distribuições de Funções de V. A.
– Dado f(x,y) e Z= g(X,Y)
– fZ(z)=?
– FZ(z) = P[Z z] = P[(X,Y) Dz];
• Dz = {(x,y):g(x,y) z}
V. A. Multidimensionais Contínuas
• Distribuições de Funções de V. A.
– Caso 1: Z=X+Y
• Dz = {(x,y): x+y z}
• FZ(z) = Dzf(x,y)dxdy
= -, {- ,z-x f(x,y)dy}dx
• FZ (z) = -, {- ,z f(x,u-x)du}dx
– u=x+y y = u - x
• FZ (z) = - ,z {-, f(x,u-x)dx}du integrando não negativo
• fZ (z) = {-, f(x,z-x)dx}
• Se X e Y forem independentes: fZ (z) = fX(x) . fY(y)
– fZ (z) = -, fX(x) fY(z-x)dx Integral de Convolução
V. A. Multidimensionais Contínuas
• Distribuições de Funções de V. A.
– Exemplo 3.12: fz(z) = fx(x) fy(y)
f(x)
f(z)
a X 1/a
f(y)
a 2a Z
a Y
V. A. Multidimensionais Contínuas
• Distribuições Condicionais
– Sejam X e Y duas V.A. contínuas cuja densidade conjunta
fXY(x,y) é contínua. Suponha que para todo x e x>0
arbitrário, o evento [x<X≤x+ x] tenha probabilidade
positiva. A probabilidade condicional é definida por:
P Y y, x X x x
P[Y y | x X x x]
P x X x x
x
y
x f u, v dv du
x
x f u, v dv du
V. A. Multidimensionais Contínuas
• Distribuições Condicionais
– A densidade condicional de Y, dado X=x e denotada por
f(y|x) é dada para cada x fixo por:
f x, y
f y | x
fX x
– Exemplo 3.13: Seja f(x,y)=21x2y3 para 0<x<y<1 e
f(x,y)=0 no complementar. Determinar as densidades
marginais e a densidade condicional.
V. A. Multidimensionais Contínuas
• Distribuições Condicionais
1
21x 2 1 x 4
f X x 21x 2 y 3dy
x
4
y
fY y 21x 2 y 3dx 7 y 6
0
f x, y 21x 2 y 3 4 y3
f y | x
f X x 21x 1 x 1 x 4
2 4
4
V. A. Multidimensionais Contínuas
• Esperança condicional
– A esperança condicional de Y dado X=x é definida por
E Y | X x yf y | x dy
– Exemplo 3.13:
4 y3
f y | x
1 x4
4 1 x
1 3 5
4y
E Y | X x y dy
x 1 x4 5 1 x 4
V. A. Multidimensionais Contínuas
• Convergência e teoremas limites
– Certos procedimentos só são válidos se o tamanho da
amostra é grande. Neste caso é importante o estudo das
distribuições de V.A. definidas para amostras grandes. Se
estar interessado no comportamento estatístico da
amostra.
– A questão que se coloca é: o que esperar se podemos
coletar os dados de infinitas amostras?
– Conceito determinístico de convergência: Diz-se que a
seqüência {an} converge para a se, dado >0, existe n0 tal
que |an-a|≤ para todo n> n0.
V. A. Multidimensionais Contínuas
• Convergência e teoremas limites
– Definição 3.7: Seja {Xn} uma seqüência de V.A. e X uma
V.A.
• {Xn} converge quase certamente para X se
P lim X n X 1
n
lim P X n x P X x
n
V. A. Multidimensionais Contínuas
• Convergência e teoremas limites
– Lema 3.7 (Desigualdade de Tchebycheff): Seja X uma
V.A. com variância finita. Para todo >0, tem-se:
2
P X 2 ; E X
X
X
2
V. A. Multidimensionais Contínuas
• Convergência e teoremas limites
– Demo 3.7 (Desigualdade de Tchebycheff):
E ( X ) ( x ) 2 f X ( x )dx
2 2
x:| x |
( x ) 2 f X ( x) dx x:| x |
( x ) 2 f X ( x) dx
| x |
2 f X ( x)dx 2
| x |
f X ( x )dx
2 P | X |
V. A. Multidimensionais Contínuas
• Convergência e teoremas limites
– Lei (fraca) dos grandes números: Seja X1,X2,... uma
seqüência de V.A. independentes e identicamente
distribuídas – i.i.d., com média e variância σ2. Seja
n
Yn X i
i 1
Tem-se
Yn p
n
V. A. Multidimensionais Contínuas
• Convergência e teoremas limites
– Teorema do Limite Central: Seja X1,X2,... uma seqüência
de V.A. independentes e identicamente distribuídas – i.i.d.,
com média e variância σ2. O teorema estabelece que a
soma Yn=X1+X2+..+Xn, converge em distribuição normal
ou gaussiana.
– Além disso,
E[Yn ] E[ X 1 ] E[ X 2 ] E[ X n ] n
Var Yn Var[ X 1 ] Var[ X 2 ] Var[ X n ] n 2
Yn n
Z Z ~ N 0,1
n
V. A. Multidimensionais Contínuas
• Convergência e teoremas limites
– O teorema do limite central estabelece que a soma de um
grande número de V.A. independentes, com variância
finita, tende a se comportar como uma V.A. gaussiana.
Assim, as funções densidade de probabilidade de cada
V.A. Não tem importância para a análise do conjunto de
variáveis.
– Se um fenômeno ruidoso é modelado pela soma de um
grande número de V.A. independentes, então o teorema
nos permite concluir que o ruído se comporta como uma
V.A. gaussiana.
V. A. Multidimensionais Contínuas
• Convergência e teoremas limites
– Exemplo 3.14: Um dado é lançado 2.500 vezes. Calcular a
probabilidade de que a soma dos pontos obtidos seja
menor que 8.850.
• Como n = 2.500 é muito grande aproximação normal.
• X = X1+X2+ ...+ X2500
• P(Xj=i) = 1/6 ; i é a número da face no j-ésimo lançamento.
• E[Xj] = 1/6=3,5 ; Var[Xj] = 2,92 (Xj) = 1,71
• E[X] = 2.500 * 3,5 = 8.750; Var[X] = 2.500 * 2,92 =7.310
(X) = 85,5
• P[X<8.850] = P[Z< (8.850-8.750)/85,5] = P[Z<1,17] = 0,879
V. A. Multidimensionais Contínuas
• Convergência e teoremas limites
– Exemplo 3.15: Em uma certa cidade, a duração de
conversas telefônicas em minutos, originárias de telefones
públicos, segue um modelo exponencial com parâmetro
α=1/3. Observando-se uma amostra aleatória de 50 dessas
chamadas, qual a probabilidade delas, em média, não
ultrapassarem 4 minutos?
• Xi ~ Exp(1/3) E(Xi) = 1/α = 3; Var(Xi) = 1/α2 = 9
• Média amostral Y = (X1+X2+ ...+ X50)/50 E(Y) = E(Xi) = 3;
Var(Y) Var(Xi) = 1/50α2 = 9/50
• P[Y≤4] = P[Z< (4-3)/√(9/50)] = P[Z<2.36] = 0,9909