Statistics for Economics JJU, Departamento de Economia

Capítulo Quatro
4. Distribuições Conjuntas e Marginais
Introdução
Até agora, estivemos preocupados com as propriedades de uma única variável aleatória definida em um
dado espaço amostral. Às vezes encontramos problemas que lidam com duas ou mais variáveis aleatórias

variáveis definidas no espaço amostral. Neste capítulo, consideramos essa probabilidade conjunta
distribuição ou variável aleatória multivariada.
As ideias de variáveis aleatórias discutidas anteriormente podem ser facilmente generalizadas para duas ou mais aleatórias.

variáveis. Consideramos o caso típico de duas variáveis aleatórias que são ambas
discreto ou ambos contínuos. Também discutiu o conceito de covariância e correlação
coeficiente de duas variáveis aleatórias. Em casos onde uma variável é discreta e a outra
modificações contínuas e apropriadas são facilmente feitas, generalizações para mais de dois
variáveis também podem ser criadas

Objetivos;
Após este capítulo, os alunos serão capazes de:
identify univariate and bi-variate random variable
encontrar a probabilidade de distribuições de probabilidade conjunta

encontre a distribuição de probabilidade marginal da distribuição conjunta

calcule a covariância e o coeficiente de correlação de duas variáveis aleatórias

1
Estatísticas para Economia JJU, Departamento de Economia

No capítulo II, vimos uma variável aleatória que significa uma única variável aleatória.
(exemplo X). A variável aleatória pode representar características de um item ou de um indivíduo.
Por exemplo, X poderia representar a idade de um indivíduo. No entanto, às vezes, podemos estar
interessado em conhecer duas características de um item ou indivíduo, por exemplo, nível de
educação de um indivíduo que pode ser representada por X e renda que pode ser
representada por Y. Neste caso, nossa variável aleatória é duas e a distribuição é dita a
distribuição conjunta. Como vimos no capítulo II, a variável aleatória pode ser discreta.
ou contínuo:

4.1. Caso Discreto

Definição: Se X e Y são variáveis aleatórias discretas, a função dada por fxy (x,y) =
P(X=x, Y=y) para cada par de (x,y) com o intervalo de X e Y é chamado de conjunto
probability distribution of X and Y .

Propriedades

1. 0 P(xi,yi) 1

∑x ∑y f( x , y )=1
2.
ou seja, a soma das probabilidades de x e y é igual a um

Suponha que X possa assumir qualquer um de m valores x1, x2, . . . ,xme Y pode assumir qualquer um de n
valores y1, y2, . . . enEntão a probabilidade do evento que X=xj, e Y=yké dado por
P(X=xj, Y=yk) = f(xj, yk)
Uma função de probabilidade conjunta para X e Y pode ser representada por uma tabela de probabilidade conjunta como em

Tabela 4.1.
Definição: Se X e Y são variáveis aleatórias discretas e f(x,y) é o valor delas
distribuição de probabilidade conjunta em (X,Y). A função dada por g(x) = Σy f(x,y) para cada
x dentro do intervalo de X é chamado de distribuição marginal de X, correspondentemente
h(y) = Σx f(x,y) para cada y dentro do intervalo de Y é a distribuição marginal de Y

2
Estatísticas para Economia JJU, Departamento de Economia

Tabela 4.1 Distribuição de probabilidade conjunta

Y Totais

X y1 y2 … yn
x1 f(x1,y1) f(x1,y2) … f(x1,yn) fx(x1)
x2 f(x2,y1) f(x2,y2) … f(x2,yn) fx(x2)
.. .. .. .. .. ..
xm f(xm,y1) f(xm,y2) … f(xm, yn) fx(xm)
Totais fy(y1) fy(y2) … fy(yn) 1 Grand Total

n
P(Y y)k f(y)
y k f(x,y)
j k
Porque as probabilidades P(X=xj, Y=yk) = f(xj, yk) e j 1

são obtidos a partir das margens da tabela a que frequentemente nos referimos a fx(xj) and fy(yk) (ou simplesmente fx(x)
e fy(y)) como as funções de probabilidade marginal de X e Y, respectivamente.

Deve-se também notar que

m n
f(x)
x j
1 f(y)
y k
1
j 1 k 1

Isto pode ser escrito como:

m n

∑ ∑
j=1k=1
f(x j, y)=1
k

Esta é simplesmente a afirmação de que a probabilidade total de todas as entradas é 1. O total geral de 1 é
indicado no canto inferior direito da tabela.
A função de distribuição conjunta de X e Y é definida por
F( x ,y)=P( X≤x ,Y≤ y)= ∑ ∑ f(u , v )
u ¿ x v¿ y

Na Tabela 4.1, F(x, y) é a soma de todas as entradas para as quais xj< x e yk< y.
Exemplo 4.1. Suponha que f(x,y) =(x+y)/30, onde x = 0, 1, 2, 3; e y = 0, 1, 2. Isso é
função de distribuição uma distribuição de probabilidade conjunta?

Exemplo 4.2 A função de probabilidade conjunta de duas variáveis aleatórias discretas X e Y é

dado por f(x,y) = c(2x + y), onde x e y podem assumir todos os inteiros tais que 0 < x < 2, 0 < y <
3 e f(x,y) = 0 caso contrário.
a) Encontre o valor da constante c,
b) Encontre P(X = 2, Y = 1).
c) Find P(X > 1, Y < 2)

3
Estatística para Economia JJU, Departamento de Economia

Solution:
a) Os pontos de amostra (x,y) para os quais as probabilidades são diferentes de zero estão indicados em

fig 5.1. As probabilidades associadas a esses pontos, dadas por c(2x + y), são mostradas
na Tabela 5.2. Como o total geral, 42c, deve ser igual a 1, temos c = 1/42.

y
Table 5.2
Y Totals 3
X 0 1 2 3
0 0 C 2c 3c 6c 2
1 2c 3c 4c 5c 14c
2 4c 5c 6c 7c 22c 1
Totais 6c 9c 12c 15c 42c
x
012

Figura 5.1
b) da tabela 5.2 vemos que
5
P( X=2, Y=1)=5 c =
42
c) da tabela 5.2 vemos que
P( X¿ 1, Y¿ 2 )= ∑ ∑
x ¿ 1y ¿ 2
f( x ,y)

=(2 c +3 c + 4 c )+(4 c +5 c +6 c )
24 4
=24c= =
42 7
P[ X≥1,Y≥2]
Tarefa do Estudante: Encontrar

Exemplo 4.3 Encontre as funções de probabilidade marginal (a) de X e (b) de Y para o aleatório
variáveis do exemplo 5.1
Solution:
a) A função de probabilidade marginal para X é dada por g(x) = P(X = x) = fx(x) e pode ser
obtido a partir dos totais da margem na coluna da direita da tabela 5.2. A partir destes, vemos que
6c 1 7 x 0
g(x) P(x x) fx(x) 14c 1 3 x 1
22c 11 21 x 2

1 1 11
Verificar:+ + =1
7 3 21

4
Estatísticas para Economia JJU, Departamento de Economia

b) The marginal probability function for Y is given by h(y)=P(Y = y) = fy(y) e pode ser
obtidos a partir dos totais das margens na última linha da Tabela 5.2. A partir disso, vemos que

6c 1 7 x 0
h(y) P(X y) Fy(y) 9c 3 14 x 1
12C 27 x 2
15c 5 14 y 3

1 3 2 5
Verifique:+ + + =1
7 7 7 14
4.2. Caso Contínuo
O caso em que ambas as variáveis são contínuas é obtido facilmente por analogia com o discreto.
caso sobre substituir somas por integrais.
Se X e Y são variáveis aleatórias contínuas em conjunto com uma função de densidade conjunta dada por
f(x; y) = f(X = x; Y = y), então
1.f(x,y) 0
2.  
f(x,y)dx dy 1

A função de distribuição conjunta de X e Y neste caso é definida por

x y
F(x,y) P(X x,Y y) 
f(x,y)dx

dy

The probability that X lies between a1e um2enquanto Y está entre b1e b2é:
a2b2
(a¿1 ≤ X ≤ a 2, b 1≤ Y ≤ b2)=¿ ¿ f(x,y)dx dy
P ¿ a1 b1

Deduza que
2
F
f(x,y)
x y

ou seja, a função de densidade é obtida ao diferenciar a função de distribuição em relação a

x e y, portanto, obtemos
x y
P(X x) Fx(x) 
f(x,y)dx

dy
x y
P(Y y) Fy( y ) 
f(x,y)dx

dy

5
Estatísticas para Economia JJU, Departamento de Economia

Chamamos, a equação acima, de funções de distribuição marginal, ou simplesmente de distribuição.

funções, de X e Y, respectivamente. As derivadas em relação a x e y são então chamadas de
as funções de densidade marginal, ou simplesmente as funções de densidade, de X e Y são dadas por

g(x) f(x)
x f(x,y)dy

e h(y) f(y) y 
f(x,y)dx

Exemplo 5.3: Verifique se a seguinte função pode ser uma densidade conjunta válida
função

Exemplo 5.4: Dada a seguinte função

{
xy
x2 + , 0 ≤ x ≤ 1 , 0 ≤ y ≤ 2
f(x , y
) = 3
0,caso contrário
Encontre a densidade marginal de X e Y?
2
xy 4x
h(x ¿ )dy=2x2 +
)= ∫0 ( x¿2+ ¿
3 6
1
xy 2+ y
g ( y )= ∫ ( x¿¿2+ ) dx= ¿
0 3 6

6
Estatísticas para Economia JJU, Departamento de Economia

Find the marginal density of x and y, h(x) & g(y)

4.3. Variáveis Aleatórias Independentes

Duas variáveis X e Y são ditas variáveis independentes se e somente se a probabilidade de uma
a variável não é influenciada pela ocorrência da outra variável.
Suponha que X e Y são variáveis aleatórias discretas. Se os eventos X = x e Y = y são
eventos independentes para todos x e y, então dizemos que X e Y são variáveis aleatórias independentes

variáveis. Nesse caso

P(X=x, Y=y) = P(X=x)* P(Y=y)
Ou, equivalentemente

f(x,y) = fx(x) fy(y)=h(x)*g(y)

Inversamente, se para todos x e y a função de probabilidade conjunta f(x,y) pode ser expressa como o
produto de uma função de x sozinho e uma função de y sozinho (que são então os marginais
as funções de probabilidade de X e Y), X e Y são independentes. Se, no entanto, f(x, y) não puder ser assim

expressou então que X e Y são dependentes.

Se X e Y são variáveis aleatórias contínuas, dizemos que são variáveis aleatórias independentes

variáveis se os eventos X<x e Y<y são eventos independentes para todo x e y. Nesse caso, nós
pode escrever

P(X<x, Y< y) = P(X<x)* P (Y <y)

Ou, de forma equivalente

F(x,y) = Fx(x) Fy(y)

Onde Fx(x) e Fy(y) são as funções de distribuição (marginal) de X e Y, respectivamente.

Exemplo 5.5. Mostre que as variáveis aleatórias X e Y do exemplo 4.1 são dependentes.
Solução:
Se as variáveis aleatórias X e Y são independentes, então devemos ter, para todo x e y.
P(X = x, Y = y) = P(X = x) * P(Y = y)
Mas, como visto no exemplo 4.1(b)

7
Estatísticas para Economia JJU, Departamento de Economia

5 11 3
P( X=2, Y=1)= P( X =2)= P(Y=1)=
42 21 14
P( X =2 , Y =1) ≠ P ( X=2 ) P (Y=1)
O resultado também decorre do fato de que a função de probabilidade conjunta, (2x + y)/42, não pode
pode ser expresso como uma função de x sozinha multiplicada por uma função de y sozinha.

Exemplo 5.6: Dada a tabela a seguir

X e Y são variáveis aleatórias independentes?

Solution:
Para responder a esta pergunta, precisamos primeiro derivar a distribuição marginal de X e Y, h(x) &
g(y), que estão dados na última coluna e na última linha da tabela.
P(x=0, y=0) = h(x) g(y) P(x=1, y=1) = (0.4) (0.2) = 0.08
0.1 = (0.2) (0.5) = 0.1 P(x=2, y=1) = (0.4) (0.2) = 0.08
P(x=2, y=2) = (0,4) (0,3) = 0,12, etc.
Therefore, the distribution is independent {since P(x,y)=h(x)g(y)}

Esta função de distribuição é independente?

Solution:

1 1
h ( x )= ∫4xy dy=2x,g ( y )= ∫4xy dx=2y
0 0

Assim, {P(x,y) =4xy}={ g(x)*h(x) = (2x)(2y) = 4xy}.

4.4. Distribuições Condicionais

8
Estatísticas para Economia JJU, Departamento de Economia

P( A∩B )
P(B ¿ )=
Já sabemos que se P(A) > 0, P( A )
Se X e Y são variáveis aleatórias discretas e temos os eventos (A:X=x), (B:Y=y), então o
a distribuição condicional acima se torna
f(x,y)f(x,y)
P(Y y/X x)
fx(x) g(x)
Onde f(x,y) = P(X=x, Y=y) é a função de probabilidade conjunta e fx(x) é o marginal
função de probabilidade para X. Definimos
f(x,y)f(x,y)
f(y/x)
fx(x) g(x)

E chamá-lo de função de probabilidade condicional de Y dado X. Da mesma forma, a condicional

função de probabilidade de X dado Y é
f(x,y)f(x,y)
f(x/y)
fy(y) h(y)

Às vezes, denotaremos f(x/y) e f(y/x) por fx(x/y) e fy(y/x) respectivamente.

Essas ideias são facilmente extensíveis para o caso em que X e Y são variáveis aleatórias contínuas.

As funções de densidade condicionais de Y dado X

f(x,y)
f(y/x)
g(x)

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

função de X. Podemos, por exemplo, encontrar que a probabilidade de Y estar entre c e d dado
que x<X<x+dx é

d
P(c Y d/ x X x dx) c
f( y/ x)dy

Generalizações desses resultados também estão disponíveis.

Exemplo 5.5. a função de probabilidade conjunta de duas variáveis aleatórias discretas X e Y é dada

por f(x,y) C(2x y), onde x e y podem assumir todos os inteiros tais que

9
Estatísticas para Economia JJU, Departamento de Economia

0≤x≤2,0≤ y≤3 , e f(x ,y)=0 caso contrário. Encontre, a) f( y/2) b)

P( y=1/ x=2 )
Solução
Com o valor de C=1/42 obtido acima;
f(x,y) (2x y) 42
f(y/x)
a. g(x) g(x) , de modo que com X = 2

(4 + y)/42 4+ y
f( y /2 )= =
11/21 22
5
P( y=1/ x=2 )=f(1/2 )=
b. 22

5.6. Esperança Condicional, Variância e Momentos

Se X e Y têm uma função de densidade conjunta f(x,y), então a função de densidade condicional de Y
dado X é f(y/x) = f(x,y)/fx(x) onde fx(x) é a função de densidade marginal de X. Podemos
defina a expectativa condicional ou média condicional de Y dado X por

E Y X x  
yf(y/x)dy

Onde "X = x" deve ser interpretado como x < X < x + dx no caso contínuo.
Observamos as seguintes propriedades:
1. E (Y / X = x) = E (Y) quando X e Y são independentes

E(Y/X x)fx(x)dx
2. E (Y) 

É frequentemente conveniente calcular expectativas por meio da propriedade 2, em vez de diretamente.

Exemplo 5.5. O tempo médio de viagem para uma cidade distante é de c horas de carro ou b horas de ônibus.
o homem não consegue decidir se dirige ou pega o ônibus, então ele joga uma moeda. Qual é a sua expectativa
tempo de viagem?

Solução:
Aqui estamos lidando com a distribuição conjunta do resultado da jogada, X e a viagem
tempo, Y, onde Y = Y secarro
X = 1. Presumivelmente, ambos Y e Y são independentes
carro ônibus de X, então
que pela Propriedade 1 acima
E (Y / X = 0 ) = E (Y carro/ X = 0) = E (Ycarro) = c
e E (Y / X = 1) = E (Yônibus/ X = 1) = E (Yônibus) = b

10
Estatísticas para Economia JJU, Departamento de Economia

Então, a propriedade 2 (com a integral substituída por uma soma) dá, para uma moeda justa,

c+b
E(Y )=E(Y/ X=0 ) P( X=0 )+E(Y/ X =1) PX=1 )=
2
De maneira semelhante, podemos definir a variância condicional de Y dado X como
∞

[
2
E (Y− μ /2 )X = x= ] ∫ ¿ ( y− μ2)2f( y ¿ ) dy¿
−∞

Onde 2=E(Y / X = x) Também podemos definir o rthmomento condicional de Y dado X sobre

qualquer valor "a" como
∞

E [ ( Y − um ]
) /r X = x=
∫ ¿ ( y− a)rf( y¿ ) dy¿
−∞

Os teoremas usuais para variância e momentos se estendem à variância condicionada e momentos.

5.7. Variância para Distribuições Conjuntas: Covariância

Os resultados dados acima para uma variável podem ser estendidos para duas ou mais variáveis. Assim, para
exemplo, se X e Y são duas variáveis aleatórias contínuas com função de densidade conjunta
f(x,y), as médias ou expectativas de X e Y são
∞ ∞ ∞ ∞

μ x=E ( X )=
∫ ∫ ¿
−∞
¿
−∞
xf( x ,y) dx dy , μY=E( Y)=
∫ ∫ ¿
−∞
¿
−∞
yf( x ,y)dx dy¿ ¿ ¿ ¿

e as variâncias são

σ =E ( X−μ ) =] ∫ ¿ ∫
∞ ∞ ∞ ∞

∫∫
2 2

X [ X
2

−∞
¿
−∞
2
σ
( x−μ X) f(x ,y) dx dy¿ =E(Y−μ
[
) =Y ]
Y
2
¿
−∞
¿ ( y−μ )y f(2 x ,y) dx dy¿ ¿
−∞
¿
Outra quantidade que surge no caso de duas variáveis X e Y é a covariância definida
por

σ XY = [( μ
Cov( X,Y)= EX− Y−
X) ( μ Y )]
Em termos da função de densidade conjunta f(x,y), temos
∞ ∞

σ ∫ ∫
XY = ¿ ¿ ( x−μ X) ( y−μ Y) f( x , y )dx dy¿ ¿
−∞ −∞

Observações semelhantes podem ser feitas para duas variáveis aleatórias discretas. Nesse caso,

μX= x∑f(∑
x , y ) μ = y f( x , Yy )∑ ∑y
x y x

σ XY= ∑x ∑y ( x−μ X)( y−μ )Yf( x ,y)

onde as somas são feitas sobre todos os valores discretos de X e Y
Os seguintes são alguns teoremas importantes sobre covariância.

11
Estatísticas para Economia JJU, Departamento de Economia

σ XY= E ( XY)− E ( X) E( Y)=E( XY )−μ X μY

Se X e Y são variáveis aleatórias independentes

XY = Cov (X , Y) = 0
Var (X + Y) = Var (X) + Var (Y) + 2 Cov (X, Y)

σ σ σ + 2σ
2 2 2
X + Y= X+ Y XY

ou |σ XY|≤ σ Xσ Y

coeficiente de correlação
Se X e Y são independentes, então Cor (X, Y) = XY= 0. Por outro lado, se x e Y são
completamente dependente, por exemplo, quando X = Y, então Cor (X, Y) - XY= X YA partir disso nós

são levados a uma medida da dependência das variáveis X e Y dada por

σ XY
P=
σ Xσ Y
que é uma quantidade adimensional. Chamamos p de coeficiente de correlação ou coeficiente de
correlação. Pode-se mostrar que -1 < p < 1. No caso em que p = 0 (ou seja, a covariância é
zero) chamamos as variáveis X e Y de não correlacionadas. Nesse caso, no entanto, as variáveis podem ou
pode não ser independente.

12