Variáveis Aleatórias

Bidimensionais
Alberto Barros

Cursos: CST em Sistemas de Telecomunicações

Bacharelado em Engenharia Elétrica
1
 Roteiro

Variáveis aleatórias bidimensionais

Distribuições de probabilidade marginal e

condicional

Variáveis aleatórias independentes

Funções de variáveis aleatórias bidimensionais

 Casos Particulares:
Distribuição da soma, do produto e do quociente
de variáveis aleatórias independentes.
2
 Introdução
Em muitas situações estaremos interessados
em observar 2 ou mais características
simultaneamente, por exemplo:

A dureza e a tensão de ruptura de uma peça

manufaturada

A estatura e o peso de alguma pessoa

escolhida

Volume total de chuva e a temperatura em uma

determinada localidade, durante um certo mês
3
 Variáveis Aleatórias
Bidimensionais

Definição 1: Sejam ε um experimento e Ω um

espaço amostral associado a ε. Sejam X = X(ω)
e Y = Y(ω), duas funções, cada uma associando
um número a cada resultado ω ∈ Ω. Sob essas
condições, denominaremos (X,Y) uma variável
aleatória bidimensional.

4
 Variáveis Aleatórias
Bidimensionais
Definição 2:

(X,Y) será uma variável aleatória discreta
bidimensional se os possíveis valores de (X,Y)
forem finitos ou infinitos enumeráveis.

(X,Y) será uma variável aleatória contínua
bidimensional se (X,Y) puder tomar todos os
valores em algum conjunto não numerável do
plano euclidiano.
(Por exemplo, se (X,Y) tomar todos os valores no
retângulo {(x,y) | a ≤ x ≤ b, c ≤ y ≤ d} ou todos os valores
no círculo {(x,y) | x2+y2 ≤ 1}, poderemos dizer que (X,Y)
5
é uma variável aleatória bidimensional contínua).
Variáveis Aleatórias Bidimensionais

Definição 3 (a):
Seja (X,Y) uma variável aleatória discreta
bidimensional. A cada resultado possível (xi,
yj), associaremos um número p(xi,yj)
representando P(X=xi, Y=yj) e satisfazendo às
seguintes condições:
(1) p(x i , y j ) ≥ 0 para todo (x, y)
∞ ∞
(2) ∑∑ p(x , y ) = 1
j=1 i =1
i j

6
Variáveis Aleatórias Bidimensionais

Definição 3 (b):
Seja (X,Y) uma variável aleatória contínua
tomando todos os valores em alguma região R
do plano euclidiano. A função densidade de
probabilidade conjunta f é uma função que
satisfaz às seguintes condições:

(3) f(x, y) ≥ 0 para todo (x, y) ∈ ℜ

(4) ∫∫ f(x, y)dxdy = 1
R
O volume total sob a superfície dada pela equação z = f(x,y) é
igual a 1 7
Variáveis Aleatórias Bidimensionais
Definição 4 :
Se B é um evento que estiver no contradomínio
de (X,Y), então,
P(B) = ∑∑ p(x i , y j )
B

se (X,Y) for discreta, na qual a soma é feita para

todos os índices (i, j) para os quais (xi,yj) ∈ B. E

P(B) = ∫∫ f(x, y)dxdy

B

se (X,Y) for contínua. 8

Função de Distribuição Acumulada
Definição 5:
(a) Seja (X,Y) uma variável aleatória
bidimensional. A função de distribuição
acumulada F da variável aleatória bidimensional
(X,Y) é definida por:
F(x, y) = P(X ≤ x, Y ≤ y)

(b) Se F for a função de distribuição acumulada

de uma variável aleatória contínua
bidimensional com função densidade f, então:
∂ 2 F(x, y)
= f(x, y)
∂x∂y 9
 Exemplo
Exemplo 1: Duas linhas de produção fabricam
um certo tipo de peça. Suponha que a
capacidade (em qualquer dia) seja 5 peças na
linha I e 3 peças na linha II. Admita que o
número de peças realmente produzidas em
qualquer linha seja uma variável aleatória, e que
(X,Y) represente a variável aleatória
bidimensional que fornece o número de peças
produzidas pela linha I e linha II
respectivamente. A tabela a seguir dá a
distribuição de probabilidade conjunta de (X,Y):
10
 Exemplo 1
X
0 1 2 3 4 5
Y

0 0 0,01 0,03 0,05 0,07 0,09

1 0,01 0,02 0,04 0,05 0,06 0,08

2 0,01 0,03 0,05 0,05 0,05 0,06

3 0,01 0,02 0,04 0,06 0,06 0,05

Se B é o evento mais peças são produzidas

pela linha I que pela linha II, obter P(B)
11
Solução do exemplo 1
P(B) = p(1,0) + p(2,0) + p(2,1) + p(3,0)
+ p(3,1) + p(3,2) + p(4,0) + p(4,1)
+ p(4,2) + p(4,3) + p(5,0) + p(5,1)
+ p(5,2) + p(5,3)

= 0,01 + 0,03 + 0,04 + 0,05

+ 0,05 + 0,05 + 0,07 + 0,06
+ 0,05 + 0,06 + 0,09 + 0,08
+ 0,06 + 0,05 = 0,75
12
 Exemplo
Exemplo 2: Suponha que a variável aleatória
contínua bidimensional tenha uma função
densidade conjunta dada por:

 2 xy
 x + , se 0 ≤ x ≤ 1, 0 ≤ y ≤ 2
f(x, y) =  3
0, para quaisquer outros valores

a) Mostre que f(x,y) é, de fato, uma função

densidade
b) Seja B um evento contido no contradomínio
de (X,Y), tal que B = {X+Y≥1}. Calcule P(B) 13
 Solução do Exemplo 2a
∞ ∞
Devemos mostrar que ∫ ∫ f(x, y)dxdy = 1
− ∞− ∞
∞ ∞ 0 0 2 1 ∞ ∞

∫ ∫ f(x, y)dxdy
-∞ -∞
= ∫ ∫ f(x, y)dxdy + ∫ ∫ f(x, y)dxdy + ∫ ∫ f(x, y)dxdy
− ∞− ∞ 0 0 2 1

21
 2 xy  ( já que f(x, y) = 0 para
= ∫∫x +  dxdy
00
 3  x ∉ [0,1] ou y ∉ [0 , 2] )
1
 2 xy 
Precisamos primeiramente resolver a integral ∫  x + dx
0
3 
1 1 1 3 1 1
 2 xy  xy x y
∫0  x + 3 dx = ∫0 x dx + ∫0 3 dx = 3 + ∫ xdx
2

0
30
2 1
1  y x 1 y  1 y
=  − 0 + ⋅ = +  − 0 = +
3  3 2 0
3 6  3 6 14
Solução do Exemplo 2a
2
1 y
Agora, precisamos resolver a integral ∫  + dy
0
3 6

2 2 2 2 2 2
1 y 1 y y 1 y
∫0  3 6  ∫0 3 ∫0 6
+ dy = dy + dy = + ⋅
30 6 2 0

2   4  2 1
=  − 0 +  − 0 = + = 1
3   12  3 3

15
 Solução do Exemplo 2b
1 1− y
 2 xy 
y P(B) = 1 − P( B) = 1 − ∫ ∫  x + dxdy
0 0  3 
1− y
 xy 
(0,2) Resolvendo ∫  x 2 + dx
0 
3 
B
1− y
1− y 3 1− y
 2 xy 
2
x yx
(0,1) ∫
0
 x + dx =
 3  3
+
3 2
0 0

 (1 − y)3   y(1 − y)2 

B =  
− 0 +  − 0 
x
 3   6 
(1,0)
(1 − y)3 y(1 - y)2
= +
x+y=1 3 6 16
 Solução do Exemplo 2b
1
 (1 - y) 3 y(1 - y) 2  1
(1 - y) 3
1
y(1 - y) 2
∫0  3 + 6  dy = ∫0 3 dy + ∫0 6 dy
fazendo 1 - y = u ⇒ du = -dy
1
 (1 - y) 3 y(1 - y) 2  0
u3
0
(1 - u)u 2

∫0  3 + 6  dy =

∫1 3
− du + ∫1 −
6
du

4 0 0
1 u 1
=− − ∫ ( u 2 − u 3 )du
3 4 1
6 1

 
1  1 u 3
u  
4
0
1 1  1 1 
= 0 − −  −  
 − 
  = −  0 −  − 
 12  6   3 4  1  12 6   3 4 
 
1 1  4 − 3 1 1 6 +1 7
= − − = + = =
12 6  12  12 72 72 72
Portanto,
7 72 − 7 65
P(B) = 1 − P( B) = 1 − = =
72 72 72 17
Distribuição de Probabilidade Marginal
Caso Discreto: Seja p(xi,yj) a função de
probabilidade conjunta de uma variável discreta
bidimensional (X,Y). Então, a probabilidade
marginal de X, denotada por p(xi), é dada por:
p(x i ) = P(X = x i ) = P[(X = x i , Y = y1 ) ou (X = x i , Y = y 2 ) ou ...]
= P(X = x i , Y = y1 ) + P(X = x i , Y = y 2 ) + ...
= p(x i , y1 ) + p(x i , y 2 ) + ...
∞
= ∑ p(x i , y j )
j=1
Analogamente, a probabilidade marginal de Y,
denotada por q(yj), é dada por:
∞
q(y j ) = ∑ p(x i , y j )
18
i =1
Distribuição de Probabilidade Marginal
Caso Contínuo: Seja f(x,y) a função densidade
conjunta de uma variável contínua bidimensional
(X,Y). Então, a função densidade de
probabilidade marginal de X, denotada por
g(x), é dada por:
∞

g(x) = ∫ f(x, y)dy

-∞

Analogamente, a probabilidade marginal de Y,

denotada por h(y), é dada por:
∞

h(y) = ∫ f(x, y)dx

-∞
19
 Exemplo
Exemplo 3: Seja (X,Y) a mesma variável aleatória discreta
bidimensional do exemplo 1. Obtenha todas as
probabilidades marginais de X e Y.
Solução:
p(0) = P(X = 0) = p(0,0)+p(0,1)+p(0,2)+p(0,3)
= 0 + 0,01 + 0,01 + 0,01 = 0,03
p(1) = P(X = 1) = p(1,0)+p(1,1)+p(1,2)+p(1,3)
= 0,01+0,02+0,03+0,02 = 0,08
p(2) = P(X = 2) = p(2,0)+p(2,1)+p(2,2)+p(2,3)
= 0,03+0,04+0,05+0,04 = 0,16

20
 Solução do Exemplo 3

p(3) = P(X = 3) = p(3,0)+p(3,1)+p(3,2)+p(3,3)

= 0,05+0,05+0,05+0,06 = 0,21

p(4) = P(X = 4) = p(4,0)+p(4,1)+p(4,2)+p(4,3)

= 0,07 + 0,06 + 0,05 + 0,06 = 0,24
p(5) = P(X = 5) = p(5,0)+p(5,1)+p(5,2)+p(5,3)
= 0,09+0,08+0,06+0,05 = 0,28

Note que ∑ p(x) = 1

x

21
 Solução do Exemplo 3
q(0)=P(Y=0)=p(0,0)+p(1,0)+p(2,0)
+p(3,0)+p(4,0)+p(5,0)
= 0+0,01+0,03+0,05+0,07+0,09 = 0,25
q(1)=P(Y=1)=p(0,1)+p(1,1)+p(2,1)
+p(3,1)+p(4,1)+p(5,1)
=0,01+0,02+0,04+0,05+0,06+0,08 = 0,26
q(2)=P(Y=2)=p(0,2)+p(1,2)+p(2,2)
+p(3,2)+p(4,2)+p(5,2)
=0,01+0,03+0,05+0,05+0,05+0,06 = 0,25
q(3)=P(Y=3)=p(0,3)+p(1,3)+p(2,3)
+p(3,3)+p(4,3)+p(5,3)
=0,01+0,02+0,04+0,06+0,06+0,05 = 0,24
Note que ∑ q(y) = 1
22
y
 Exemplo
Exemplo 4: Duas características do desempenho do motor
de um foguete são o empuxo X e a taxa de mistura Y.
Suponha que (X,Y) seja uma variável aleatória contínua
bidimensional com função densidade conjunta dada por:

2(x + y - 2xy), se 0 ≤ x ≤ 1, 0 ≤ y ≤ 1
f(x, y) = 
 0, para quaisquer outros valores

Ache a função densidade de probabilidade marginal das

variáveis X e Y

23
 Solução do Exemplo 4
∞ 1
g(x) = ∫ f(x, y)dy = ∫ 2(x + y - 2xy)dy ( já que f(x, y) = 0 para y ∉[0,1] )
-∞ 0
1 1 1 1 
= ∫ 2(x + y - 2xy)dy = 2  ∫ xdy + ∫ ydy − 2 ∫ xydy
0
 0 0 0

 21 2 1
1 y y 
= 2  xy 0 + − 2x
 2 2 
 0 0 

 1 
= 2  x(1 − 0) + (12 − 0 2 ) − x(12 − 0 2 )
 2 
 1  1
= 2x + − x  = 2 = 1
 2  2
24
 Solução do Exemplo 4
∞ 1
h(y) = ∫ f(x, y)dx = ∫ 2(x + y - 2xy)dx (já que f(x, y) = 0 para x ∉[0,1])
-∞ 0
1 1 1 1 
= ∫ 2(x + y - 2xy)dx = 2  ∫ xdx + ∫ ydx − 2 ∫ xydx
0
 0 0 0

 21 2 1
x x 
= 2
1
+ yx 0 − 2 y
 2 2 
 0 0 

1 2 
= 2  (1 − 0 2 ) + y(1 − 0) − y(12 − 0 2 )
2 
1  1
= 2 + y − y = 2 = 1
2  2
25
 Solução do Exemplo 4

Portanto, as densidades marginais de X e Y são,

respectivamente:

 1, se 0 ≤ x ≤ 1
g(x) = 
0, caso contrário
 1, se 0 ≤ y ≤ 1
h(y) = 
0, caso contrário
∞ ∞
Note que ∫ g(x)dx = 1
−∞
e ∫ h(y)dy = 1
−∞ 26
Distribuição de Probabilidade Condicional
Caso Discreto: Seja p(xi,yj) a função de
probabilidade conjunta de uma variável discreta
bidimensional (X,Y). Então, a probabilidade
condicional de X dado Y, denotada por p(xi|yj),
é dada por:
p(x i | y j ) = P(X = x i | Y = y j )
P(X = x i , Y = y j )
=
P(Y = y j )
p(x i , y j )
= com q(y j ) > 0
q(y j )

Analogamente, a probabilidade condicional de Y dado

X, denotada por q(yj|xi), é dada por:
p(x i , y j )
q(y j | x i ) = com p(x i ) > 0
p(x i ) 27
Distribuição de Probabilidade Condicional
Caso Contínuo: Seja f(x,y) a função densidade
conjunta de uma variável contínua bidimensional
(X,Y). Seja g(x) e h(y) as densidades marginais
de X e Y respectivamente. Então, a função
densidade de probabilidade condicional de X
dado Y, denotada por g(x|y), é dada por:

f(x, y)
g(x | y) = , com h(y) > 0
h(y)

Analogamente, a probabilidade condicional de

Y dado X, denotada por h(y|x), é dada por:
f(x, y)
h(y | x) = , com g(x) > 0
g(x) 28
 Exemplo
Exemplo 5: Considere novamente os dados do
exemplo 1. Determine P(X=3|Y=1) e P(Y=2|X=1)

P(X = 3, Y = 1)
P(X = 3 | Y = 1) =
P(Y = 1)
p(3,1) 0,05
= = ≅ 0,192
q(1) 0,26

P(X = 1, Y = 2)
P(Y = 2 | X = 1) =
P(X = 1)
p(1,2) 0,03
= = = 0,375
p(1) 0,08 29
 Exemplo
Exemplo 6: Considere novamente os dados do
exemplo 2. Obtenha a distribuição de
probabilidade condicional de X dado Y e de Y
dado X
Obtendo a marginal de X:
∞ 2
 2 xy 
g(x) = ∫ f(x, y)dy = ∫  x + dy (já que f(x, y) = 0 para y ∉[0,2])
−∞ 0
 3 
2 2 2 xy 2 2
x
= ∫ x dy + ∫ ydy = x y +
2 2
3 0 6
0 0 0
2
x
( )
= x 2 (2 − 0) + 2 2 − 0 2 = 2x 2 +
6
4x
6
=
12x
6
+ 4x

30
 Solução do Exemplo 6
Obtendo a marginal de Y:

∞ 1
 2 xy
h(y) = ∫ f(x,y)dx= ∫  x + dx (já que f(x,y) = 0 para x ∉ [0,1])
−∞ 0
 3
1 1 31 2 1
y x xy
= ∫ x dx+ ∫ xdx=
2
+
3 3 6
0 0 0 0
 1   y  1 y 2+ y
=  − 0 +  − 0 = + =
3   6  3 6 6
31
 Solução do Exemplo 6
Calculando a condicional de X dado Y:
3x 2 + xy
f(x, y) x 2 + (xy/3) 3
g(x | y) = = =
h(y) 2+ y 2+ y
6 6

3x 2 + xy 6
= ⋅
3 2+ y

2(3x 2 + xy) 6x 2 + 2 xy
= =
2+ y 2+ y 32
 Solução do Exemplo 6
Calculando a condicional de Y dado X:
2
3x + xy
2
f(x, y) x + (xy/3) 3
h(y | x) = = =
g(x) 12x 2 + 4x 12x 2 + 4x
6 6

2
3x + xy 6
= ⋅
3 12x 2 + 4x

2(3x 2 + xy) x(3x + y) 3x + y

= 2
= =
2(6x + 2x) x(6x + 2) 6x + 2 33
 Solução do Exemplo 6
Resposta final:

 6x 2 + 2xy
 , se 0 ≤ x ≤ 1, 0 ≤ y ≤ 2
g(x | y) =  2+ y
0, para quaisquer outros valores de x e y

 3x + y
, se 0 ≤ x ≤ 1, 0 ≤ y ≤ 2
h(y | x) =  6x + 2
0, para quaisquer outros valores de x e y
Sugestão Importante: verifique que
∞ ∞

∫ g(x | y)dx = 1
−∞
e ∫ h(y | x)dy = 1
−∞ 34
 Variáveis Aleatórias Independentes
Caso Discreto: Seja (X,Y) uma variável aleatória discreta
bidimensional. Diremos que X e Y serão variáveis aleatórias
independentes se, e somente se,

p(xi,yj) = p(xi)q(yj) para quaisquer i e j.

Isto é, P(X=xi,Y=yj)=P(X = xi)P(Y = yj) para todo i e j.

Caso Contínuo: Seja (X,Y) uma variável aleatória

contínua bidimensional. Diremos que X e Y serão
variáveis aleatórias independentes se, e somente se,

f(x,y) = g(x)h(y) para todo (x,y),

onde f(x,y) é a função densidade conjunta de (X,Y) e g(x) e

h(y) são as funções densidade marginais de X e Y
35
respectivamente.
 Exemplo 7
Exemplo 7: Suponha que uma máquina seja utilizada para
determinada tarefa durante a manhã e para uma tarefa
diferente durante a tarde. Representemos por X e Y,
respectivamente, o número de vezes que a máquina para
por desarranjo de manhã e à tarde. A tabela abaixo fornece
a distribuição de probabilidade conjunta de (X,Y).
X
0 1 2 q(yj)
Y

0 0,1 0,2 0,2 0,5

1 0,04 0,08 0,08 0,2

2 0,06 0,12 0,12 0,3

p(xi) 0,2 0,4 0,4 1,0

Mostre que X e Y são variáveis aleatórias independentes 36

 Solução do Exemplo 7
Devemos mostrar que p(xi, yj) = p(xi)q(yj) para todo xi e yj

p(0,0) = 0,1; p(0)q(0) = 0,2⋅0,5 = 0,1 (condição satisfeita)

p(0,1) = 0,04; p(0)q(1) = 0,2⋅0,2 = 0,04 (condição satisfeita)
p(0,2) = 0,06; p(0)q(2) = 0,2⋅0,3 = 0,06 (condição satisfeita)

p(1,0) = 0,2; p(1)q(0) = 0,4⋅0,5 = 0,2 (condição satisfeita)

p(1,1) = 0,08; p(1)q(1) = 0,4⋅0,2 = 0,08 (condição satisfeita)
p(1,2) = 0,12; p(1)q(2) = 0,4⋅0,3 = 0,12 (condição satisfeita)
p(2,0) = 0,2; p(2)q(0) = 0,4⋅0,5 = 0,2 (condição satisfeita)
p(2,1) = 0,08; p(2)q(1) = 0,4⋅0,2 = 0,08 (condição satisfeita)
p(2,2) = 0,12; p(2)q(2) = 0,4⋅0,3 = 0,12 (condição satisfeita)

Conclusão: X e Y são independentes 37

 Exemplo

Exemplo 8: Sejam X e Y a duração de vida de dois

dispositivos eletrônicos. Suponha que a função densidade
conjunta de (X,Y) seja dada por:

e -(x + y) , se x ≥ 0, y ≥ 0
f(x, y) = 
 0, se x < 0, y < 0

Verifique se X e Y são variáveis aleatórias independentes

38
 Solução do Exemplo 8
Obtendo a marginal de X:
∞ a b
g(x) = ∫ f(x, y)dy = lim− ∫ 0dy + lim ∫ e −(x + y)dy
a →0 b → +∞
−∞ -∞ 0
b b
= lim ∫ e e dy = e−x − y −x
lim ∫ e dy −y
b → +∞ b → +∞
0 0
b
-x
= e lim - e
b → +∞
( )-y

0
-x
= e lim - e - (-1)
b → +∞
( -b
)
= e - x (0 + 1) = e - x
39
 Solução do Exemplo 8
Obtendo a marginal de Y:
∞ a b
h(y) = ∫ f(x, y)dx = lim− ∫ 0dx + lim ∫ e − (x + y)
dx
a →0 b → +∞
−∞ -∞ 0
b b
= lim ∫ e − x e − y dx = e − y lim ∫ e − x dx
b → +∞ b → +∞
0 0
b

b → +∞
( )
= e - y lim - e - x
0
(
= e - y lim - e -b - (-1)
b → +∞
)
= e - y (0 + 1) = e - y
40
 Solução do Exemplo 8
Resposta final:

g(x) = e − x , x ≥ 0

−y
h(y) = e , y ≥ 0

Note que g(x)h(y) = e-x⋅e-y = e-(x+y) , para x ≥ 0, y ≥ 0

como g(x)h(y) = f(x,y), então, X e Y são independentes.

41
 Funções de Variável
Aleatória Bidimensional
Seja Z = H1(X,Y) uma função de duas variáveis
aleatórias X e Y.

Se (X,Y) é uma variável aleatória bidimensional,

então Z = H1(X,Y) também é uma variável
aleatória.

O Problema já discutido no caso unidimensional será

levado para o caso bidimensional, ou seja, dado a
distribuição de probabilidade conjunta de (X,Y), qual é a
distribuição de probabilidade de Z = H1(X,Y)?
42
 Funções de Variável
Aleatória Bidimensional
Caso 1: (X,Y) é uma variável aleatória discreta
Exemplo 9: Considere novamente a tabela do exemplo
1. Seja a variável U = min(X,Y) = menor número de
peças produzidas pelas duas linhas. Ache a distribuição
de probabilidade de U.
X
0 1 2 3 4 5
Y

0 0 0,01 0,03 0,05 0,07 0,09

1 0,01 0,02 0,04 0,05 0,06 0,08

2 0,01 0,03 0,05 0,05 0,05 0,06

3 0,01 0,02 0,04 0,06 0,06 0,05 43

 Solução do Exemplo 9
U assumirá o valor 0 somente se acontecer (X=0,Y=0)
ou (X=0,Y=1) ou (X=0, Y=2) ou (X=0,Y=3) ou (X=1,Y=0)
ou (X=2,Y=0) ou (X=3,Y=0) ou (X=4,Y=0) ou (X=5,Y=0).

U assumirá o valor 1 somente se acontecer (X=1,Y=1)

ou (X=1,Y=2) ou (X=1, Y=3) ou (X=2,Y=1) ou (X=3,Y=1)
ou (X=4,Y=1) ou (X=5,Y=1).

U assumirá o valor 2 somente se acontecer (X=2,Y=2)

ou (X=2,Y=3) ou (X=3, Y=2) ou (X=4,Y=2) ou (X=5,Y=2).

U assumirá o valor 3 somente se acontecer (X=3,Y=3)

ou (X=4,Y=3) ou (X=5, Y=3).

Portanto, os possíveis valores da variável U são

{0,1,2,3}. 44
 Solução do Exemplo 9
Seja p(x,y) = P(X=x,Y=y)

P(U = 0) = p(0,0)+p(0,1)+p(0,2)+p(0,3)+p(1,0)
+p(2,0)+p(3,0)+p(4,0)+p(5,0) = 0,28

P(U = 1) = p(1,1)+p(1,2)+p(1,3)+p(2,1)+p(3,1)
+p(4,1)+p(5,1) = 0,30

P(U = 2) = p(2,2)+p(2,3)+p(3,2)+p(4,2)+p(5,2) = 0,25

P(U = 3) = p(3,3)+p(4,3)+p(5,3) = 0,17

u 0 1 2 3 3

P(U = u) 0,28 0,30 0,25 0,17

Note que ∑ P(U = u) = 1
u =0
45
 Funções de Variável
Aleatória Bidimensional
Caso 2: (X,Y) é uma variável aleatória contínua

Se (X,Y) é uma variável aleatória bidimensional

contínua, então Z = H1(X,Y) é uma variável aleatória
contínua. Como achar a função densidade de Z?

1. Introduzir uma segunda variável aleatória W =

H2(X,Y)
2. Obter a função densidade conjunta de Z e W,
denotada por k(z,w)
3. Obter a densidade marginal de Z, integrando k(z,w)
em relação a w
46
 Funções de Variável
Aleatória Bidimensional
Problema 1: Como escolher adequadamente a variável
aleatória W?

Fazer a escolha mais simples possível para W. Afinal

W possui apenas um papel intermediário. Ela é apenas
o caminho para achar a densidade de Z. Não estamos
interessados na variável W em si mesma.

Problema 2: Como achar a densidade conjunta de Z e

W?
A solução para esse problema será visto no teorema a
seguir 47
 Funções de Variável
Aleatória Bidimensional
Teorema: Suponha que (X,Y) seja uma variável aleatória contínua
bidimensional com função densidade conjunta = f(x,y). Sejam Z =
H1(X,Y) e W = H2(X,Y), e admita-se que as funções H1 e H2
satisfaçam às seguintes condições:

 As equações z= h1(x,y) e w = h2(x,y) podem ser resolvidas para

x e y, em termos de z e w, isto é, x = g1(z,w) e y = g2(z,w).
 As derivadas parciais ∂x/∂z, ∂x/∂w, ∂y/∂z, ∂y/∂w existem e são
contínuas.
Nessas circunstâncias, a função densidade conjunta de (Z,W),
denotada por k(z,w), é dada por:

K(z,w) = f[g1(z,w),g2(z,w)]|J(z,w)|,
48
 Funções de Variável
Aleatória Bidimensional
onde J(z,w) é o determinante da seguinte matriz 2 x 2:

∂x ∂x
J(z, w) = ∂z ∂w
∂y ∂y
∂z ∂w

J(z,w) é denominado de jacobiano da transformação de

(x,y) em (z,w).

49
Casos Particulares Importantes
Utilizando Funções de Variáveis
Aleatórias Independentes
Um caso particular importante é achar a distribuição de
probabilidade da soma, do produto e do quociente de
variáveis aleatórias independentes, ou seja, a partir de
uma variável aleatória contínua bidimensional (X,Y),
onde X é independente de Y, como achar as funções
densidades das seguintes variáveis:

 Z=X+Y
 Z = XY
 Z = X/Y
50
 A Distribuição da Soma de
Variáveis Aleatórias Independentes
Seja (X,Y) uma variável aleatória contínua bidimensional,
onde X é independente de Y. Como achar a função
densidade de probabilidade de Z = X + Y?

Passo 1: Tomar W = X como variável auxiliar

Passo 2: Calcular o Jacobiano da transformação de (x,y)
em (z,w).
Considerando que x = w e y = z – w, temos
∂x ∂x
J(z, w) = ∂z ∂w = 0 1 = 0 ⋅ (−1) − (1 ⋅ 1) = −1
∂y ∂y 1 − 1
∂z ∂w 51
 A Distribuição da Soma de
Variáveis Aleatórias Independentes

Passo 3: Achar a densidade conjunta de Z e W

Como X e Y são independentes, podemos reescrever

k(z,w), descrito no teorema do slide 49, da seguinte forma:

k(z,w) = g(w)h(z-w)|J| = g(w)h(z-w)

onde w e z-w estão definidos dentro dos domínios de x e y

respectivamente.

Passo 4: Achar a densidade marginal de Z integrando

k(z,w) em relação à w ∞

k(z) = ∫ g(w)h(z - w)dw 52

-∞
 Exemplo
Exemplo 10: Seja (X,Y) a variável aleatória
bidimensional descrita no exemplo 8. Seja Z = X
+ Y. Achar a função densidade de Z.
Solução:
No exemplo 8, vimos que as densidades
marginais de X e Y são dadas, respectivamente,
por:

g(x) = e-x , se x ≥ 0 e h(y) = e-y , se y ≥ 0

Além disso, vimos que X e Y são variáveis
aleatórias independentes.
53
 Solução do Exemplo 10

A densidade marginal da função Z é dada por

∞

k(z) = ∫ g(w)h(z - w)dw

-∞

onde w ≥ 0 e z-w ≥ 0, o que implica em z ≥ w,

que, por sua vez, implica em 0 ≤ w ≤ z

54
 Solução do Exemplo 10

Então,
z z
z
k(z) = ∫ e e
-w -(z - w)
dw = e −z
∫ dw = e
−z −z
w 0 = e (z − 0) = ze -z

0 0

Assim, a função densidade de Z é dada por

-z
k(z) = ze , z ≥ 0

Sugestão Importante: Verifique que ∫ k(z)dz = 1

−∞
55
 A Distribuição do Produto de
Variáveis Aleatórias Independentes
Seja (X,Y) uma variável aleatória contínua bidimensional,
onde X é independente de Y. Como achar a função
densidade de probabilidade de Z = XY?

Passo 1: Tomar W = X como variável auxiliar

Passo 2: Calcular o Jacobiano da transformação de (x,y)
em (z,w).
Considerando que x = w e y = z/w, temos
∂x ∂x
J(z, w) = ∂z ∂w = 0 1 z 1
= 0 ⋅ (− 2 ) − ( ⋅ 1) = −
1
∂y ∂y 1/w − z/w 2
w w w
∂z ∂w 56
 A Distribuição do Produto de
Variáveis Aleatórias Independentes

Passo 3: Achar a densidade conjunta de Z e W

Como X e Y são independentes, podemos reescrever

k(z,w), descrito no teorema do slide 48, da seguinte forma:

k(z,w) = g(w)h(z/w)|J| = g(w)h(z/w)(1/w)

onde w e z/w estão definidos dentro dos domínios de x e y

respectivamente.

Passo 4: Achar a densidade marginal de Z integrando

k(z,w) em relação à w ∞

k(z) = ∫ g(w)h(z/w)(1/w)dw 57
-∞
 Exemplo

Exemplo 11: Seja (X,Y) uma variável aleatória

contínua bidimensional cuja função densidade
conjunta é dada por:

f(x, y) = 4xy, se 0 < x < 1, 0 < y < 1

Suponha que X e Y sejam variáveis aleatórias

independentes. Seja Z = XY. Achar a função
densidade de Z.
58
 Solução do Exemplo 11
Achando a marginal de X:
∞ 0 1/ 2 b ∞
g(x) = ∫ f(x, y)dy = ∫ 0dy + lim+ ∫ 4xydy + lim− ∫ 4xydy + ∫ 0dy
a →0 b →1
-∞ -∞ a 1/ 2 1

 1/2 b

= 4x  lim+ ∫ ydy + lim− ∫ ydy 

 a →0 a b →1
1/ 2 
 y 2 1/ 2
y 2 b 

= 4x lim+ + lim− 
 a →0 2 b →1 2 
 a 1 / 2 
  1 a2   b 2 1 
= 4x  lim+  −  + lim−  − 
 a →0  8 2  b→1  2 8 
 1 1 1  4x
= 4x + −  = = 2x , 0 < x < 1
8 2 8 2 59
 Solução do Exemplo 11
Achando a marginal de Y:
∞ 0 1/ 2 b ∞
h(y) = ∫ f(x, y)dx = ∫ 0dx + lim+ ∫ 4xydx + lim− ∫ 4xydx + ∫ 0dx
a →0 b →1
-∞ -∞ a 1/2 1

 1/2 b

= 4y  lim+ ∫ xdx + lim− ∫ xdx 
 a →0 a b →1
1/2 
 x2
1/ 2 2 b
x 
= 4y  lim+ + lim− 
 a →0 2 a
b →1 2
1/ 2 

  1 a2   b 2 1 
= 4y  lim+  −  + lim−  − 
 a →0  8 2  b→1  2 8 
 1 1 1  4y
= 4y + −  = = 2y , 0 < y < 1
8 2 8 2 60
 Solução do Exemplo 11

A densidade marginal da função Z é dada por

∞

k(z) = ∫ g(w)h(z/w)(1/w)dw
-∞

onde 0 < w < 1 e 0 < z/w < 1, o que implica em

0 < w < 1 e 0 < z < w, que, por sua vez, implica

em 0 < z < w < 1

61
 Solução do Exemplo 11
∞ 1 1
z 1 dw
k(z) = ∫ g(w)h(z/w)(1/w)dw = ∫ 2w2 dw = 4z ∫
-∞ z
ww z
w
1
= 4zln(w) z = 4z(ln(1) − ln(z))
= 4z(0 - ln(z)) = -4zln(z)

Assim, a densidade de Z=XY é dada por

k(z) = -4zln(z), 0 < z < 1

∞

Sugestão Importante: Verifique que ∫ k(z)dz = 1

−∞
62
 A Distribuição do Quociente de
Variáveis Aleatórias Independentes
Seja (X,Y) uma variável aleatória contínua bidimensional,
onde X é independente de Y. Como achar a função
densidade de probabilidade de Z = X/Y?

Passo 1: Tomar W = Y como variável auxiliar

Passo 2: Calcular o Jacobiano da transformação de (x,y)
em (z,w).
Considerando que x = zw e y = w, temos
∂x ∂x
J(z, w) = ∂z ∂w = w z = w(1) − 0 ⋅ (z) = w
∂y ∂y 0 1
∂z ∂w 63
 A Distribuição do Quociente de
Variáveis Aleatórias Independentes

Passo 3: Achar a densidade conjunta de Z e W

Como X e Y são independentes, podemos reescrever

k(z,w), descrito no teorema do slide 49, da seguinte forma:

k(z,w) = g(zw)h(w)|J| = g(zw)h(w)(w)

onde zw e w estão definidos dentro dos domínios de x e y

respectivamente.

Passo 4: Achar a densidade marginal de Z integrando

k(z,w) em relação à w ∞

k(z) = ∫ g(zw)h(w)(w)dw 64
-∞
 Exemplo
Exemplo 12: Encontre a função densidade de Z
= X/Y, se X e Y são independentes com
densidades marginais iguais a g(x) = e-x, se x > 0
e h(y) = 2e-2y, se y > 0
Solução:

A densidade de Z é dada por:

∞

k(z) = ∫ g(zw)h(w)wdw
-∞

onde zw > 0 e w > 0, o que implica em w > 0

65
 Solução do Exemplo 12

∞ ∞

k(z) = ∫ e 2e wdw = 2 ∫ e
- zw - 2w − w(z + 2)
wdw
0 0

dr
fazendo r = w(z + 2) ⇒ dr = (z + 2)dw ⇒ dw =
z+2

∞ ∞ ∞
r dr 2
k(z) = 2∫ e − w(z+ 2) wdw = 2 ∫ e −r = 2 ∫
re −r
dr
0 0 z + 2 z + 2 ( z + 2) 0

66
 Solução do Exemplo 12
∞

∫ re
−r
Para resolver dr utilizaremos a técnica
0

de integração por partes (∫ udv = uv − ∫ vdu)

fazendo u = r e dv = e-r dr, teremos du = dr e v = -e-r

então,

∞ ∞ ∞
−r ∞
∫ dr = − re − ∫ − e −r dr = (0 − 0) + ∫ e −r dr
−r
re 0
0 0 0

−r ∞
=−e 0
= (0 − (−1)) = 1 67
 Solução do Exemplo 12

Então,
∞
2 2 2
2 ∫
−r
k(z) = re dr = 2
⋅1 = 2
( z + 2) 0 ( z + 2) ( z + 2)

Assim, a densidade de Z = X/Y é dada por :

2
k(z) = 2
, z>0
(z + 2)
∞

Sugestão Importante: Verifique que ∫ k(z)dz = 1

−∞ 68
 Referências Bibliográficas

Meyer, Paul L.; Probabilidade: Aplicações à
Estatística, LTC Editora, 2a edição;

Bussab, Wilton de O. e Morettin, Pedro A.;

Estatística Básica, Editora Saraiva, 5a edição;

Ross, Sheldon; Probabilidade – Um Curso

Moderno com Aplicações, Bookman, 8a edição;

69
 Próxima Aula...

O Valor Esperado e a
Variância de uma
Variável Aleatória

70