Estatística para Metrologia 2024-1: Aula 7

Estatística para Metrologia
2024-1
Aula 7
Reinaldo Castro Souza, PhD

reinaldo@puc-rio.br
José Aguinaldo M.Pinho, MSc (Assistente)

jjampinho@gmail.com
1
Aula 7
 Vetores Aleatórios
 Densidades Conjuntas
 Densidades Marginais
 Densidades Condicionais
 Independência
 Covariância e Correlação
 Momentos Condicionais
 Curva de Regressão
reinaldo@puc-rio.br 2
Objetivos
 Na prática, frequentemente encontramos

variáveis aleatórias em conjunto, por
exemplo:
 Preço e venda de um produto
 Número de passageiros num voo da Ponte Aérea e
horário de embarque
 IBOVESPA e Risco Brasil
 Juros, Taxa de Câmbio, Inflação, Nível de Atividade
da Indústria e Risco Brasil
 Como estudar o comportamento destas
variáveis em conjunto? Este é o nosso
objetivo da aula 7.
Objetivos
 Encontrar distribuições de probabilidade conjuntas

para expressar a relação entre duas ou mais variáveis
aleatórias.
 Encontrar distribuições de probabilidade condicionais

que expressam o efeito de um subconjunto de
variáveis sobre outro subconjunto de variáveis.
 Encontrar distribuições de probabilidade marginais

que indicam o comportamento de uma única variável
sem o efeito das outras.
Objetivos
 Definir e verificar as implicações da

independência entre variáveis aleatórias.
 Definir medidas da associação entre duas

variáveis, como a covariância e o
coeficiente de correlação.
 Definir os momentos condicionais,

estudar algumas de suas propriedades e
apresentar a curva de regressão.
Vetor Aleatório
 Seja E uma experiência aleatória com

espaço amostral S. Sejam X1, X2, ...., Xk
funções que associam números reais a
cada resultado da experiência E.
 Então (X1, X2, ...., Xk) é um vetor aleatório

de dimensão k. O caso particular k = 2
será de interesse especial aqui, e
estaremos apresentando as definições
para vetores aleatórios bidimensionais.
Função de Prob. Conjunta
 Sejam X1 e X2 variáveis aleatórias discretas. A

função de probabilidade conjunta de X1 e X2 é uma
função não negativa f (x1,x2 ) tal que:
 Pr (X1 = x1, X2 = x2) = f(x1,x2)
 Esta definição pode ser estendida de maneira trivial

para uma n-upla de variáveis aleatórias X1 ,X2 ,...,Xn.
Analogamente ao caso unidimensional, o somatório
da função de probabilidade conjunta para todos os
valores de X1 e X2 deve ser 1, isto é:
  f ( x1, x2 )  1
todo x1 todo x 2
Densidade Conjunta
 Sejam X1 e X2 variáveis aleatórias contínuas. A

densidade conjunta de X1 e X2 é uma função não
negativa f (x1,x2) tal que, para qualquer
subconjunto A de 2:
Pr X 1 , X 2   A   f  x1 , x2 dx1dx2
A
 Em particular, para calcularmos a probabilidade

de X1 e X2 estarem num retângulo só precisamos
calcular a integral dupla a seguir:
b d
Pr(a  X 1  b, c  X 2  d )    f ( x1 , x2 )dx2 dx1
a c
Condição de Normalização
 A condição de normalização no caso

bivariado é análoga ao caso univariado. A
integral (ou somatório duplo) da densidade
(ou função de probabilidade) conjunta deve
ser 1. Ou seja:
 Para v.a. discretas
  f x , x   1
todo x 1 todo x 2
1 2
 Para v.a. contínuas

 
  f x , x dx dx
 
1 2 1 2 1
Densidade Conjunta/Função de
Probabilidade Conjunta
 Interpretação
 Pode-se fazer uma analogia com a
probabilidade da interseção de dois eventos.
A densidade (ou a função de probabilidade

conjunta) permite o cálculo de probabilidades
relativas às duas variáveis simultaneamente,
onde os efeitos das duas variáveis são levados
em consideração ao mesmo tempo.
Densidade Conjunta/Função de
Probabilidade Conjunta
 Mas, o que acontece se desejamos “olhar”
para cada uma das variáveis separadamente,
ignorando por completo o efeito da(s)
outra(s)?
 Issonos leva ao conceito de densidade (ou

função de probabilidade) marginal.
reinaldo@ele.puc-rio.br 11
Densidade Marginal
 Seja f (x1,x2) a densidade (ou função de

probabilidade conjunta de X1 e X2.
 A densidade marginal de X1 é dada por:

  f ( x1 , x2 )dx2 no caso contínuo
f1 ( x1 )   
  f ( x1 , x2 ) no caso discreto
todo x 2
 Analogamente, a densidade marginal de X2 é
dada por:  
  f ( x1 , x2 )dx1 no caso contínuo
f 2 ( x2 )   
  f ( x1 , x2 ) no caso discreto
todo x 1
Densidade Marginal
 Nota
 A rigor, no caso discreto, deveríamos chamar f1(x1)
e f2(x2) de funções de probabilidade marginais.
 É importante perceber que as densidades

marginais definidas na página anterior nos
permitem calcular probabilidades para uma variável
IGNORANDO COMPLETAMENTE o efeito da outra
variável. Por exemplo:
b
Pr(a  X 1  b)   f1 ( x1 )dx1
a
 que seria a expressão usada se X2 “não existisse”.

Densidade Condicional
 Densidade Condicional de X2 dado X1
f ( x1 , x2 )
f ( x2 | x1 )  desde que f1 ( x1 )  0
f1 ( x1 )
 Densidade Condicional de X1 dado X2
f ( x1 , x2 )
f ( x1 | x2 )  desde que f 2 ( x2 )  0
f 2 ( x2 )
 Note a semelhança entre a definição de densidades

condicionais e a de probabilidade condicional. A
densidade condicional expressa a distribuição de
uma das variáveis sujeita a uma informação
adicional, que é a ocorrência da outra variável.
 Estas densidades nos permitem calcular
probabilidade condicionais. Se as variáveis
aleatórias são contínuas:
Pr a  X 2  b X 1  x1    f x2 x1 dx2
b
 E usamos a densidade condicional de X2 dado

X1=x1.
 Analogamente podemos usar a densidade
condicional de X1 dado X2=x2 para calcular:
Pr c  X 1  d X 2  x2    f x1 x2 dx1
d
 As definições no caso discreto são análogas.
 No caso contínuo não faz diferença se o

intervalo (a, b) é fechado ou aberto, isto é, não
faz diferença se substituirmos um ou mais dos
sinais de " < " por "  ".
 No caso discreto existe diferença se o intervalo

é aberto ou fechado, por exemplo, se
desejarmos calcular Pr(a  X2  b) (ou a
probabilidade condicional de X2 estar neste
intervalo dado X1 = x1) devemos incluir os
pontos a e b no cálculo.
 No caso contínuo surge uma dificuldade.

Como interpretar a probabilidade condicional
de que (a < X2 < b) dado que X1 = x1 já que o
evento {X1 = x1} tem probabilidade zero?
 A resposta é: pense em x1 como um

parâmetro desta distribuição condicional – à
medida que este parâmetro varia, a
distribuição condicional assume novas
formas.
Exemplo 1
 Sejam X e Y variáveis aleatórias discretas com a

seguinte função de probabilidade conjunta:
Pr( X = x)  X=0 X=1 X=2 X=3
Pr(Y = y) 
Y=0 0.2 0.1 0.1 0
Y=1 0.1 0.1 0.1 0.1
Y =2 0 0.1 0.1 0
 Encontre as densidades marginais de X e Y.

 Encontre a densidade condicional de X dado Y = 0.
 Encontre a densidade condicional de Y dado X = 0.
Exemplo 1
 A função de probabilidade marginal de X é
dada por:
2
f x ( x)  Pr( X  x)   f ( x, y)   Pr( X  x,Y  y)  Pr( X  x,Y  y)
 Logo: todo y todo y y 0
fx(0) = Pr(X=0) = 0.2 + 0.1 + 0 = 0.3

fx(1) = Pr(X=1) = 0.1 + 0.1 + 0.1 = 0.3
fx(2) = Pr(X=2) = 0.1 + 0.1 + 0.1 = 0.3
fx(3) = Pr(X=3) = 0 + 0.1 + 0 = 0.1
 A função de probabilidade marginal de Y é

encontrada de maneira análoga. Verifique que:
Pr(Y = 0) = Pr(Y = 1) = 0.4 e Pr(Y=2) = 0.2.
Exemplo 1
 A função de probabilidade condicional de X dado

Y = 0 é obtida pela divisão da conjunta pela
probabilidade de Y ser igual a zero (0.4). Então:
f(x| Y = 0) = f(x,0)/Pr(Y=0) = f(x,0)/0.4

para os diversos valores de X.
f(0|0) = Pr( X = 0 | Y = 0 ) = f(0,0)/0.4 = 0.2/0.4 = 0.5

f(1|0) = Pr( X = 1 | Y = 0 ) = f(1,0)/0.4 = 0.1/0.4 = 0.25
f(2|0) = Pr( X = 2 | Y = 0 ) = f(2,0)/0.4 = 0.1/0.4 = 0.25
f(3|0) = Pr( X = 3 | Y = 0 ) = f(3,0)/0.4 = 0/0.4 = 0
Exemplo 1
 A função de probabilidade condicional de Y dado
X = 0 é a conjunta divida pela probabilidade de X
ser igual a zero, que é 0.3.
f(y | X = 0 ) = f(0, y)/ Pr (X = 0) = f(0, y) / 0.3
f(0|0) = Pr( Y = 0 | X = 0 ) = f(0,0)/0.3 = 0.2/0.3 = 2/3

f(1|0) = Pr( Y = 1 | X = 0 ) = f(0,1)/0.3 = 0.1/0.3 = 1/3
f(2|0) = Pr( Y = 2 | X = 0 ) = f(0,2)/0.3 = 0/0.3 = 0
 Note que a soma destas probabilidades para todos os

valores de Y é 1 (ou seja, a função de probabilidade
condicional satisfaz a condição de normalização). O
mesmo acontece para a condicional de X dado Y = 0 da
página anterior.
Notas
 Deve-se ressaltar que as funções de probabilidade

(e densidades) marginais e condicionais são
funções de probabilidade (ou densidades)
propriamente ditas, ou seja, devem obedecer a
condição de normalização, como observado neste
exemplo.
 A densidade (ou função de probabilidade conjunta)

deve satisfazer uma condição de normalização que
envolve uma integral ou somatório duplo (no caso
de um vetor aleatório de dimensão 2, como o que
estamos tratando aqui).
Exemplo 2
 Sejam X e Y variáveis aleatórias contínuas

com densidade conjunta:
f ( x, y )  c.e  x / 2 .e  y / 3 se x > 0 e y > 0
 Encontre a constante c tal que f(x, y) seja

uma densidade.
 Calcule as densidades marginais de X e Y.
 Calcule Pr (X > 2).
 Calcule Pr (1 < Y < 3)
Exemplo 2
 A constante é encontrada a partir da

condição de normalização, isto é, fazendo
a integral dupla sobre todos os valores de
X e Y igual a um.
   

0 0
f ( x, y )dxdy  1    c.e  x / 2 .e  y / 3dxdy   c.e  y / 3dy  e  x / 2 dx 
0 0 0 0
 
 1   1 
  c.e  y / 3 . 0  dy   2.c.e  y / 3dy  2.c. 0    6.c
0  (1 / 2)  0  (1 / 3) 
 Então 6c = 1  c = 1/6
Exemplo 2
 A densidade marginal de X é:
  
1 x / 2  y /3 1 x / 2  y /3 e x / 2  1 
f x ( x)   f ( x, y )dy   .e .e dy  .e  e dy  .
 0   
0 0
6 6 0
6  (1 / 3) 
1 x / 2
 e se x >0
2
 Ou seja, X tem densidade Exponencial com média

2.
Exemplo 2
 A densidade marginal de Y é:
  
1 1
f y ( y )   f ( x, y )dx   .e  x / 2 .e  y / 3dx  .e  y / 3  e  x / 2 dx 
0 0
6 6 0
e y / 3  1  1 y/3
 . 0    e se y > 0
6  (1 / 2)  3
 Isto é, Y é Exponencial com média 3.
Exemplo 2
 A probabilidade de X > 2 é calculada a

partir da densidade marginal de X.
 e x / 2 1 e 1 
Pr( X  2)   dx  .0   1
(1 / 2) 
e
2 2 2
 De maneira semelhante, Pr(1< Y< 3) é

computada a partir da marginal de Y.
e y / 3 1   1   3 / 3 1 / 3
Pr(1  Y  3)  
1
3
3
dy  . . e
3  (1 / 3) 
e  
 e 1 / 3  e 1  0.7165  0.3679  0.3486
Exemplo 2
 Nota:
 A probabilidade de X > 2 poderia ter sido
calculada também através da densidade
conjunta, notando-se que os seguintes
eventos são equivalentes:
X  2  X  2  Y qualquer   X  2  Y  0
   
PrX  2  
1 x / 2  y /3
2 6 e e dxdy 
1 y/3
6 0
e dy 2e 
2 / 2

1 1  y / 3
3 0
e e dy 
1 1
3
e  3  e 1
Exemplo 2
 Analogamente, a probabilidade de 1 < Y < 3

poderia ter sido calculada também através
da densidade conjunta usando um
argumento semelhante ao do slide anterior.
Exemplo 3
 Suponha que X e Y têm densidade conjunta:

x. y
f ( x, y )   x 2 onde 0 < x  1 e 0  y  2
3
1) Calcule as densidades marginais de X e Y.

2) Encontre a densidade condicional de Y dado
X = x.
3) Encontre a densidade condicional de X dado
Y = y.
Exemplo 3
 A densidade marginal de X é:
 xy 
2 2
2.x
f x ( x)   f ( x, y )dy     x 2 dy 2.x 2  , onde 0 < x  1
0 
0
3 3
 A densidade marginal de Y é:
 xy 
1 1
1 y
f y ( y )   f ( x, y )dx     x 2 dx   , onde 0  y  2
0 
0
3 3 6
 A densidade condicional de Y dado X = x é

dada por:
xy
 x2
f ( x, y ) 1  x  y / 3
f ( y | x)   3  .  , onde x  (0,1] e y  [0,2]
 2 x2 2  x  1/ 3 
f x ( x) 2 x
3
Exemplo 3
 Note que existe um número infinito de densidades

condicionais de Y dado X =x, cada uma para um
valor de x diferente no intervalo (0,1].
 Por exemplo, se x = 1, a densidade condicional de

Y dado X = 1 é:
1 1 y / 3 1  3   y 3  y
f ( y | x  1)  .   . . 1    . 1   , onde y  (0,2]
2  1  1/ 3  2  4   3 8  3
Exemplo 3
 Abaixo exibimos um gráfico com 3 densidades
condicionais. Note que, à medida que o
“parâmetro” x se altera, a forma da densidade
condicional muda.
Densidades Condicionais de Y dado X
0.75

fy 
1

 3
0.6

fy 
2

 3
f ( y  1) 0.4
0.25
0.2
0 0.5 1 1.5 2
0 y 2
Exemplo 3
 A densidade condicional de X dado Y = y é:
xy
x2 
f ( x, y ) 3 3.x 2  x. y
f ( x | Y  y)    , onde x  (0,1] e y  [0,2]
f y ( y) 1 y 1 y / 2
.1  
3 2
 Substituindo-se Y = 1 acima encontramos a
densidade condicional de X dado Y = 1:
3.x 2  x 2
f ( x | Y  1)   
 . 3.x 2  x , onde x  (0,1]
1  1/ 2 3
 Se agora fazemos Y = 2 encontramos outra
densidade condicional:
f ( x | Y  2) 
3.x 2  2.x 3.x 2  2.x

 
, onde x  (0,1]
11 2
Exemplo 3
Densidades Condicionais de X dado Y = y
3,200
2,800
2,400
2,000
1,600
1,200
0,800
0,400
0,000
0,00 0,05 0,10 0,15 0,20 0,25 0,30 0,35 0,40 0,45 0,50 0,55 0,60 0,65 0,70 0,75 0,80 0,85 0,90 0,95 1,00
f(x|y = 0) f(x|y = 0.5) f(x|y = 1) f(x|y = 2)
Exercício 1- para casa
 Sejam X e Y v.a. contínuas com densidade
conjunta: f ( x, y )  cy  2 xy onde 0  x  1 e 0  y  1
2
 Encontre a constante c que faz desta expressão uma

densidade.
3 2
Resposta: c 
3 f ( x, y )  y  2.x. y
2 2
 Encontre a densidade marginal de X.
1
Resposta: f ( x)   x
2
 Encontre a densidade marginal de Y.
3
Resposta: f ( y)  . y 2  y
2
 Encontre a densidade condicional de X dado Y = y.
3 y  4x
Resposta: f ( X Y  y)  3 y  2
 X e Y são independentes? Por que? Justifique?
Resposta: f ( x, y)  f ( x). f ( y) ,então, X e Y não são independentes.
Independência
 Sejam X1 e X2 variáveis aleatórias contínuas ou

discretas. Dizemos que X1 e X2 são independentes
se sua densidade conjunta pode ser fatorada como
o produto das respectivas densidades marginais.
Isto é:
f  x1 , x2   f1  x1  f 2  x2 
 Em particular, no caso de duas variáveis discretas,

esta igualdade deve valer para todos os valores
possíveis de ambas as variáveis, e portanto, para
demonstrar a dependência entre duas variáveis,
basta mostrar que a igualdade não se verifica para
algum par de valores de x1 e x2.
Independência
 Conseqüências
 Se X1 e X2 são independentes então:
1) As densidades condicionais são iguais às
densidades marginais correspondentes.
2) Os momentos (média, variância, etc ...)

condicionais são iguais aos momentos
correspondentes calculados a partir das
densidades marginais.
3) Se X1 e X2 são independentes com densidades

marginais f1(x1) e f2(x2) então:
Independência
 Conseqüências
Pr(a <X1< b, c <X2< d) = Pr(a <X1<b). Pr(c <X2< d)
para quaisquer a < b, c < d.
4) Sejam X1 e X2 variáveis aleatórias

independentes com densidades marginais f1(x1)
e f2(x2). Então, se todos os valores esperados
abaixo existirem:
E [ u ( X1 ) v ( X2 ) ] = E [ u ( X1 ) ]. E [ v ( X2 ) ]
Independência
 Conseqüências
O valor esperado de um produto de
funções de variáveis aleatórias onde cada
função depende apenas de uma das
variáveis aleatórias é igual ao produto
dos valores esperados das funções
individuais sempre que as variáveis
aleatórias X1 e X2 forem independentes.
Exemplo 1 - continuação
 Sejam X e Y variáveis discretas com função de
probabilidade conjunta do Exemplo 1:
Pr( X = x)  X=0 X=1 X=2 X=3
Pr(Y = y) 
Y=0 0.2 0.1 0.1 0
Y=1 0.1 0.1 0.1 0.1
Y =2 0 0.1 0.1 0
 X e Y são independentes? Por que?

Por exemplo,
Pr(X=0) = 0.2 + 0.1 + 0 = 0.3 e
Pr(Y = 0) = 0.2 + 0.1 + 0.1 + 0 = 0.4
Mas, Pr( X = 0, Y = 0) = 0.2  (0.3)(0.4).
Logo, X e Y não são independentes (são dependentes) !
Covariância
 A covariância entre as variáveis X1 e X2 é
definida como:
COV ( X 1 , X 2 )  E  X 1  1 
. X 2   2   E X 1. X 2  1. X 2   2 . X 1  1. 2  
 E ( X 1. X 2 )  1.E ( X 2 )   2 .E ( X 1 )  1. 2  
 E ( X 1. X 2 )  1. 2
 Onde 1 = E(X1) , 2 = E(X2) são as médias de X1 e
X2, computadas a partir das densidades
marginais.
 Note que a covariância é um valor esperado que
envolve simultaneamente as duas variáveis, por
isso ela deve ser calculada a partir da densidade
conjunta de X1 e X2.
Covariância
 Da expressão anterior pode-se notar que a

variância é apenas um caso particular da
covariância. Por exemplo, fazendo X2 = X1
na última expressão leva a:
COV ( X 1 , X 1 )  E  X 1  1   
. X 1  1   E  X 1  1   VAR X 1 
2
 Obviamente poderíamos ter derivado a

variância de X2 pelo mesmo procedimento.
Coeficiente de Correlação
 O coeficiente de correlação entre X1 e X2,

denotado por , é definido como:
COV ( X 1 , X 2 )

VAR( X 1 ). VAR( X 2 )
 O coeficiente de correlação é a
covariância dividida pelo produto dos
desvios padrões das duas variáveis, ou
seja, é uma medida padronizada (e
adimensional) da covariância.
 Se X1 e X2 são independentes, a correlação é
necessariamente igual a zero. Porém se a correlação for
nula, isso não implica que X1 e X2 sejam necessariamente
independentes.
 Se X1 e X2 têm  = 0, dizemos que X1 e X2 são
descorrelatados mas não podemos garantir que sejam
independentes.
 A CORRELAÇÃO ZERO NÃO IMPLICA INDEPENDÊNCIA.
 Contudo A CORRELAÇÃO DIFERENTE DE ZERO IMPLICA
NA DEPENDÊNCIA (pois se X1 e X2 fossem independentes a
correlação seria necessariamente igual a zero).
 A única instância em que as duas condições (correlação
zero e independência) são equivalentes é no caso de
variáveis aleatórias Normais.
 O coeficiente de correlação entre X1 e X2 é um

valor entre -1 e +1. Além disso ,  = +1 ou  = -1
se e somente se X2 é uma função linear de X1.
  1  X 2  aX 1  b onde a  0
  1  X 2  aX 1  b onde a  0
 Mas, é importante notar que o coeficiente de
correlação é uma medida de associação LINEAR
entre as variáveis, ou seja, não diz nada sobre a
relação entre X1j e X2k onde j e k são diferentes
de 1.
Momentos Condicionais
 Sejam X1 e X2 variáveis aleatórias contínuas ou

discretas.
 Podemos definir o valor esperado condicional
de X2 dado X1 = x1 como o valor esperado de
X2 usando-se a densidade condicional de X2
dado X1 = x1 (ao invés de usarmos da
densidade marginal de X2).
 No caso contínuo:

E ( X 2 | X 1  x1 )   x2 . f ( x2 | x1 )dx2

 O caso discreto é análogo, apenas substituindo

a integral pelo somatório para todo valor de X2.
 Note que E(X2 | X1 = x1 ) é uma função de x1, e x1

é um valor da variável aleatória X1.
 O gráfico da função E(X2|x1) versus os valores

possíveis de x1 é chamado de regressão de X2
em x1 ou Curva de Regressão de X2 em X1.
 Pode-se mostrar que, se X1 e X2 têm

densidade Normal bivariada (uma densidade
importante que estudaremos posteriormente),
a curva de regressão de X2 em X1 é, na
verdade, uma reta, ou seja, E(X2 | X1 = x1) tem
a forma: a.x1 + b.
 É claro que uma “curva” de regressão linear

não é a regra, é a exceção, mas uma exceção
tão importante que dá origem aos métodos
de regressão linear usados na prática!
 Analogamente à definição de média

condicional, podemos também definir a
variância condicional de X2 dado X1 = x1.
Esta é a variância calculada usando-se a
densidade condicional ao invés da
marginal. Por exemplo, no caso contínuo:
 x 

VAR X 2 X 1  x1   2  2 1 f x2 x1 dx2 onde
2

 2 1  E X 2 X 1  x1  é a média condicional
Exemplo 3
 Considere novamente o Exemplo 3, isto é, X e Y têm

densidade conjunta:
x. y
f ( x, y )   x 2 onde 0 < x  1 e 0  y  2
3
 Já vimos que a densidade condicional de Y dado X =x
é: xy 2
x
f ( x, y) 3 1  x  y / 3
f ( y| x )    . , onde x  (0,1] e y [0,2]
fx ( x ) 2x
 2x 2 2  x  1 / 3 
3
 Note que nesta densidade, Y é a variável aleatória, e X
deve ser pensado como um parâmetro que caracteriza
a densidade (um “número”).
Exemplo 3
 A média e variância condicionais de Y dado X = x são
calculadas a partir desta densidade.
 x  y /3   y
2 2 2
1
E (Y | X  x)   y. f ( y | x)dy   y. dy   y. x  dy 
0 0  2 x  1 / 3  2 x  1 / 3 0  3 
1  xy 2 y 3  2 1  8  9x  4
 .     2x   
2 x  1 / 3  2 9  y  0 2 x  1 / 3  9  9x  3
 Note que isso é uma função de X.
 Calcule a variância condicional (exercício 2 – para
casa).
Resposta:
VAR Y X  x   E (Y 2 X  x)  E (Y X  x)
2
9x  4 4x  2
E Y X  x  
9x  3

E Y2 X  x   3x  1
27 x 2  18 x  2
VAR Y X  x  
81x 2  54 x  9
Exemplo 3
 A curva de regressão de Y em X é o gráfico da

média condicional calculado na página anterior para
todo valor de X (isto é, X no intervalo (0,1)).
Curva de Regressã o de Y em X
1.350
1.300
1.250
1.200
1.150
1.100
1.050
0.00 0.20 0.40 0.60 0.80 1.00
Exercício 3 para casa
 Considere a seguinte densidade conjunta:
f  x, y   .e
1 y/2
, x  0, y  x
4
a) Ache a densidade marginal de X.
1 x2
Resposta: f ( x )  e
2
b) Ache a densidade y marginal de Y.
1
Resposta: f ( y )  . y.e 2
4
c) Calcule Pr( X > 1  Y < 4)
Resposta: Pr ob( x  1 y  4)  26,82%
e au  1
Dica:     
au
u.e du . u
a  a
Exercício 4 – para casa
 Considere as seguintes distribuições conjuntas:
 a) f(x, y) = 4.x.y.exp{ -x2 - y2} para x  0, y  0
 b) f(x, y) = 3.x2/y3 para 0  x  y  1
 Em cada caso, determine se X e Y são
independentes.
f ( x)  2.x.e  x
2
Resposta a)
f ( y)  2. y.e  y
2
 x2  y2
f ( x). f ( y)  4.x. y.e .e ,então, X e Y são independentes.
Resposta b) f ( x) 
3
2

1  x2 
f ( y)  1
f ( x). f ( y ) 
3
2
1 x2  ,então, X e Y não são independentes.
Exercício 5 - para casa
 Sejam X e Y v.a. contínuas com densidade conjunta:
f ( x, y )  cx 2  xy onde 0  x  1 e 0  y  1
 Encontre a constante c que faz desta expressão uma
densidade. 9

9 f ( x, y )  x 2  x. y
Resposta: c
4 4
 Encontre a densidade marginal de X.
9 2 x
Resposta: f ( x)  4 x  2
 Encontre a densidade marginal de Y.
Resposta: f ( y)  3  y
4 2
 Encontre a densidade condicional de Y dado X = x.
9x  4 y
Resposta: f (Y X  x)  9 x  2
 Ache a média condicional de Y dado X = x.
27 x  8
Resposta: E Y X  x  
54 x  12
 X e Y são independentes? Por que? Justifique.
Resposta: f ( x). f ( y)  18x y  27 x  4 xy  6 x , não são independentes.
2 2
16

Estatística para Metrologia 2024-1: Aula 7

Enviado por

Direitos autorais:

Formatos disponíveis

Estatística para Metrologia 2024-1: Aula 7

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Estatística para Metrologia 2024-1: Aula 7

Enviado por

Direitos autorais:

Formatos disponíveis

Estatística para Metrologia

Reinaldo Castro Souza, PhD

José Aguinaldo M.Pinho, MSc (Assistente)

 Na prática, frequentemente encontramos

 Encontrar distribuições de probabilidade conjuntas

 Encontrar distribuições de probabilidade condicionais

 Encontrar distribuições de probabilidade marginais

 Definir e verificar as implicações da

 Definir medidas da associação entre duas

 Definir os momentos condicionais,

 Seja E uma experiência aleatória com

 Então (X1, X2, ...., Xk) é um vetor aleatório

 Sejam X1 e X2 variáveis aleatórias discretas. A

 Pr (X1 = x1, X2 = x2) = f(x1,x2)

 Esta definição pode ser estendida de maneira trivial

 Sejam X1 e X2 variáveis aleatórias contínuas. A

 Em particular, para calcularmos a probabilidade

 A condição de normalização no caso

 Para v.a. contínuas

A densidade (ou a função de probabilidade

 Issonos leva ao conceito de densidade (ou

 Seja f (x1,x2) a densidade (ou função de

 É importante perceber que as densidades

 que seria a expressão usada se X2 “não existisse”.

 Note a semelhança entre a definição de densidades

 E usamos a densidade condicional de X2 dado

 No caso contínuo não faz diferença se o

 No caso discreto existe diferença se o intervalo

 No caso contínuo surge uma dificuldade.

 A resposta é: pense em x1 como um

 Sejam X e Y variáveis aleatórias discretas com a

 Encontre as densidades marginais de X e Y.

fx(0) = Pr(X=0) = 0.2 + 0.1 + 0 = 0.3

 A função de probabilidade marginal de Y é

 A função de probabilidade condicional de X dado

f(x| Y = 0) = f(x,0)/Pr(Y=0) = f(x,0)/0.4

f(0|0) = Pr( X = 0 | Y = 0 ) = f(0,0)/0.4 = 0.2/0.4 = 0.5

f(y | X = 0 ) = f(0, y)/ Pr (X = 0) = f(0, y) / 0.3

f(0|0) = Pr( Y = 0 | X = 0 ) = f(0,0)/0.3 = 0.2/0.3 = 2/3

 Note que a soma destas probabilidades para todos os

 Deve-se ressaltar que as funções de probabilidade

 A densidade (ou função de probabilidade conjunta)

 Sejam X e Y variáveis aleatórias contínuas

 Encontre a constante c tal que f(x, y) seja

 A constante é encontrada a partir da

 Ou seja, X tem densidade Exponencial com média

 Isto é, Y é Exponencial com média 3.

 A probabilidade de X > 2 é calculada a

 De maneira semelhante, Pr(1< Y< 3) é

 Analogamente, a probabilidade de 1 < Y < 3

 Suponha que X e Y têm densidade conjunta:

1) Calcule as densidades marginais de X e Y.

 A densidade condicional de Y dado X = x é

 Note que existe um número infinito de densidades

 Por exemplo, se x = 1, a densidade condicional de

f(x|y = 0) f(x|y = 0.5) f(x|y = 1) f(x|y = 2)

 Encontre a constante c que faz desta expressão uma

 Sejam X1 e X2 variáveis aleatórias contínuas ou

 Em particular, no caso de duas variáveis discretas,