7. Variáveis Aleatórias Bidimensionais Em muitos experimentos, as observações são expressas, não como uma única quantidade, mas como um conjunto de quantidades. Por exemplo, observar o peso e a altura de pessoas em uma comunidade ou a chegada de pessoas em uma fila de banco e o tempo de permanência. Para se descrever tais eventos há necessidade de se considerar v.a.’s bidimensionais. Sejam X e Y duas v.a.’s associadas a um dado modelo probabilístico (, F, P). Então Px1 X x2 FX ( x2 ) FX ( x1 ) P y1 Y y2 FY ( y2 ) FY ( y1 ) x2 y2 x1 y1 f X ( x)dx, fY ( y)dy. 1 O que dizer a respeito da probabilidade do par de v.a.‘s (X,Y) em uma dada região D? Em outras palavras, como estimar a probabilidade, P( x1 X x2 ) ( y1 Y y 2 )? Define-se então a função distribuição de probabilidade conjunta de X e Y como: FXY ( x, y) P( X x) (Y y) P( X x, Y y) 0, onde x e y são números reais arbitrários. Propriedades (i) FXY (, y) FXY ( x,) 0, FXY (,) 1. X , Y y X , X Como, FXY (, y) P X 0. , Y , FXY (, ) P() 1. 2 (ii) Px1 X x2 , Y y FXY ( x2 , y ) FXY ( x1 , y ). P X x, y1 Y y 2 FXY ( x, y 2 ) FXY ( x, y1 ). Prova: Se x2 > x1, X x2 , Y y X x1 , Y y x1 X x2 , Y y Como os eventos são mutuamente exclusivos: P X x2 , Y y P X x1 , Y y Px1 X x2 , Y y iii) Px1 X x2 , y1 Y y 2 FXY ( x2 , y 2 ) FXY ( x2 , y1 ) FXY ( x1 , y 2 ) FXY ( x1 , y1 ). x1 X x2 , Y y2 x1 X x2 , Y y1 x1 X x2 , y1 Y y2 . Px1 X x2 , Y y2 Px1 X x2 , Y y1 Px1 X x2 , y1 Y y2 Y y2 R0 y1 X x1 x2 3 Função Densidade de Probabilidade Conjunta Por definição a função densidade de probabilidade conjunta de X e Y é dada por: 2 F ( x, y ) f XY ( x, y ) Então FXY ( x, y ) x y XY x y . f XY (u, v ) dudv. f XY ( x, y ) dxdy 1. Para encontrar a probabilidade de (X,Y) ser encontrada em uma região arbitrária D, é dada por: Px 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 x y y y f XY (u, v)dudv f XY ( x, y )xy. 4 Assim a probabilidade de que (X,Y) seja encontrado em um retângulo diferencial x y é igual a f XY ( x, y ) xy, e repetindo este procedimento sobre a união de todos os retângulos diferenciais que não se sobrepõem em D, resulta em P( X , Y ) D ( x , y )D f XY ( x, y )dxdy. Y D y x X iv) Distribuições marginais No contexto de v.a.’s n-dimensionais a distribuição individual de cada uma é chamada de distribuição marginal. Assim f X (x) é a FDP marginal de X, e FX (x) é a f.d.p, marginal de X. É interessante notar que as distribuições marginais podem ser obtidas da distribuição conjunta 5 FX ( x) FXY ( x,), FY ( y ) FXY (, y ). f X ( x) f XY ( x, y )dy, fY ( y ) f XY ( x, y )dx. Para provar usa-se a identidade ( X x) ( X x) (Y ) FX ( x) P X x P X x, Y FXY ( x,). FX ( x) FXY ( x,) x f XY (u, y ) dudy Derivando ambos os lados em relação a x, tem-se: f X ( x) f XY ( x, y )dy. Lembrando que, se H ( x) b( x ) a( x) h( x, y )dy. b ( x ) dh ( x , y ) dH ( x ) db ( x ) da ( x ) h ( x , b) h ( x, a ) dy . a ( x ) dx dx dx dx 6 Se X e Y são v.a.'s discretas, então pij P( X xi ,Y y j ) representa a f.d.p. conjunta de X e Y e as suas respectivas f.d.p.’s marginais são dadas por: P( X xi ) P( X xi , Y y j ) pij j j P(Y y j ) P( X xi , Y y j ) pij i i Supondo que P( X xi ,Y y j ) é escrito como um arranjo retangular, como mostrado abaixo, p ij i p ij j p11 p12 p1 j p1n p21 p22 p2 j p2 n pi1 pi 2 pij pin pmj pmn pm1 pm 2 7 Exemplo 7.1: Dado que c, 0 x y 1, f XY ( x, y ) 0, outrosvalores. Obtenha as f.d.p.’s marginais f X (x) e fY ( y ). Solução: A f.d.p. conjunta de X e Y f XY ( x, y) é uma constante na região cheia. Em primeiro lugar determina-se o valor da Y constante c, usando f XY ( x, y )dxdy y 0 1 2 1 cy cydy y 0 2 f X ( x) fY ( y ) 1 0 c dxdy x 0 c 1 2 f XY ( x, y )dy y c2 1 yx f XY ( x, y )dx 1 y 0 X 1 2dy 2(1 x), 0 x 1, y x 0 2dx 2 y, 0 y 1. 8 Exemplo 7.2: X e Y são denominadas de v.a’s conjuntamente Gaussianas se a f.d.p conjunta, tem a seguinte forma: f XY ( x, y ) 1 2 X Y 1 2 e 1 ( x X )2 2 ( x X )( y Y ) ( y Y ) 2 2 XY Y2 2 (1 ) X2 , x , y , | | 1. Determine f X (x) e fY ( y) . Solução: Tomando-se o expoente e completando-se o quadrado 2 ρ(x μ X )(y μY ) (y μY )2 ρ 2(y μY )2 ρ 2(y μY )2 1 (x μ X )2 2 2 2 2 σ σ 2( 1 ρ ) σ X σY σY σY2 X Y 2 (y μY )2 ρ 2(y μY )2 ρ(y μY ) 1 (x μ X ) 1 2 2 2 σY 2( 1 ρ ) σ X σY σY2 2( 1 ρ ) 1 2( 1 ρ 2 )σ 2 X ρ X x μ X σY 2 2 (y μ ) ( 1 ρ 2 ) Y y μY 2 2 2( 1 ρ ) σY 9 2 1 (y μY )2 ρσ X 1 x [ μ (y μ ) ] X Y 2 2 σY 2 σ 2( 1 ρ 2 )σ X Y 1 f XY ( x, y) 2 ( 1 ρ 2 )σ X σY e 1 2( 1 ρ2 ) 2 X 2 1 (y μY )2 σ X (y μY ) ) x( μ X σ Y 2 σY2 Integrando-se fXY(x,y), em relação a x obtem-se fY(y) f XY ( x, y)dx fY ( y ) 1 2 σY e (y μY )2 2 σY2 1 f XY ( x, y )dx 2( 1 ρ )σ X 2 1 2 Y2 e e 1 σX ρ(y μY ) x( μ X 2 2 σY 2( 1 ρ ) X ( y Y )2 / 2 Y2 2 dx N ( Y , Y2 ), Seguindo o mesmo procedimento obtém-se fX(x). f X ( x) f XY ( x, y )dy 1 2 X2 e 2 ( x X )2 / 2 X N ( X , X2 ), 10 A notação, N ( X , Y , X2 , Y2 , ) será usada para representar duas variáveis aleatórias conjuntamente gaussianas ou normais. Conclusão: Pode-se concluir, que o conhecimento isolado das funções densidade de probabilidade marginais não diz nada a respeito da função densidade de probabilidade conjunta. A única situação em que o conhecimento das funções densidade de probabilidade marginais, pode ser usada para determinar a função densidade de probabilidade conjunta é quando as variáveis aleatórias são independentes, como será mostrado em seguida. 11 Variáveis Aleatórias Independentes Definição: As variáveis aleatórias X e Y são denominadas de estatisticamente independentes, se os eventos X ( ) A e {Y ( ) B} são eventos independentes para quaisquer subconjuntos mapeados no eixo x e y, respectivamente. Portanto, se os eventos X ( ) x e Y ( ) y, são independentes, então pode-se escrever P( X x) (Y y) P( X x) P(Y y) isto é: FXY ( x, y ) FX ( x) FY ( y ) ou equivalentemente, se X e Y são variáveis aleatórias independentes, então f XY ( x, y ) f X ( x) fY ( y ). 12 Se X e Y são v.a. do tipo discreta, então a Independencia implica em P( X xi , Y y j ) P( X xi ) P(Y y j ) para todo i, j. Dado f XY ( x, y), obtém-se as f.d.p.‘s marginais f X (x) e fY ( y) verifica-se a relação de Independencia, isto é: Se f XY ( x, y) f X ( x) fY ( y) as v.a. X e Y são independentes Se f XY ( x, y) f X ( x) fY ( y) as v.a. X e Y não são independentes No caso de duas variáveis aleatórias conjuntamente normais, N ( X , Y , X2 , Y2 , ) como visto no exemplo 7.2, elas serão independentes, se somente se 0. f XY ( x, y ) 1 2 X Y e 1 ( x X ) 2 ( y Y ) 2 2 X2 Y2 13 Variáveis aleatórias conjuntamente gaussianas f XY ( x, y) Se 0. 1 2 X Y 1 f XY ( x, y ) 2 e 1 ( x X ) 2 2 ( x X )( y Y ) ( y Y ) 2 2 2 2(1 ) X Y2 X Y 1 2 X Y e 1 ( x X ) 2 ( y Y ) 2 2 X2 Y2 , Determinação das f.d.p.’s marginais f X ( x) f XY ( x, y )dy f X ( x) f XY ( x, y )dy 1 2 X 1 2 Y e ( x X )2 2 X2 e ( x Y ) 2 2 Y2 1 2 Y 1 2 X ( y Y ) 2 e e 2 Y2 dy ( y X )2 2 X2 dx 1 2 X 1 2 Y ( x X )2 ( x Y ) 2 e e 2 X2 2 Y2 Como f XY ( x, y) f X ( x) fY ( y) conclui-se que X e Y são independentes obs. fXY(x,y) apresenta simetria circular quando 0. 14 Exemplo 7.3: Dado xy 2 e y , 0 y , 0 x 1, f XY ( x, y) outrosvalores. 0, Determine se X e Y são independentes. Solução: f X ( x ) f XY ( x, y )dy x y 2e y dy 0 0 y x 2 ye 2 ye y dy 2 x, 0 0 0 x 1. Similarmente: fY ( y ) Neste caso 1 0 y2 y f XY ( x, y )dx e , 2 0 y . f XY ( x, y ) f X ( x) fY ( y ), e então X e Y são variáveis aleatórias independentes. 15 Exemplo 7.4 : Soma de v.a.'s de Bernoulli e de Poisson Seja X i , i 1, 2, 3, variáveis aleatórias independentes, identicamente distribuídas com distribuição de Bernoulli, com P ( X i 1) p, P ( X i 0) 1 p q Seja N uma variável aleatórias de Poisson com parâmetro , independente de todo Xi . Considere a variável aleatória N Y Xi, Z N Y. i 1 Mostre que Y e Z são variáveis aleatórias de Poisson. Solução: Para determinar a função densidade de probabilidade conjunta das variáveis aleatórias Y e Z, considere a relação de probabilidade condicional, a seguir: 16 P (Y m, Z n) P (Y m, N Y n) P (Y m, N m n) P (Y m N m n) P ( N m n) N P ( X i m N m n) P ( N m n) i 1 m n P ( X i m) P ( N m n) i 1 m n Note que X i ~ B(m n, p) e X i s são independentes de N. i 1 (m n)! m n P(Y m, Z n) p q m!n! p ( p )m e m! Portanto Y e Z m n e ( m n )! q (q )n e P(Y m) P( Z n) n! são v.a.’ de Poisson e são independentes 17