2.

Convoluo

sempre importante saber calcular a distribuio de X + Y a partir das distribuies de X e de Y , quando tais v.a.s so independentes. Suponha que X e Y sejam v.a.s independentes, contnuas, tendo funes de densidades marginais fX (x) e fY (y), respectivamente. A funo de dsitribuio acumulada de X + Y obtida da seguinte forma: Z Z FX+Y (z) = P (X + Y z) = fX (x)fY (y)dxdy =
x+yz Z Z Z zy Z zy Z fX (x)fY (y)dxdy = fX (x)dxfY (y)dy = FX (z y)fY (y)dy, =

ou seja, FX+Y (z) =

Z

FX (z y)fY (y)dy.

(8)

A expresso em (8) chamada de convoluo das funes de distribuio acumuladas FX (x) e FY (y). Diferenciando (8), obtemos a funo densidade de probabilidade de X + Y (fX+Y (z), a convoluo das densidades marginais de X e Y , fX (x) e fY (y) respectivamente) que dada por: d fX+Y (z) = dz
Z

FX (z y)fY (y)dy =

d FX (z y)fY (y)dy = dz

fX (z y)fY (y)dy.

(9)

As expresses apresentadas a seguir, obtidas de forma anloga quela usada para encontrar (8) e (9), tambm representam convoluo de FX (x) e FY (y) e de fX (x) e fY (y), respectivamente: FX+Y (z) =
Z

FY (z x)fX (x)dx

fX+Y (z) =

fY (z x)fX (x)dx.

Exemplo 12 Suponha que X e Y sejam v.a.s iid com funo densidade de probabilidade dada por x e para x 0 fX (x) = 0, caso contrrio. Determinemos a densidade de Z = X + Y.

2.9

Esperana de uma funo de duas Variveis

Considere as v.a.s X e Y , com funo de densidade conjunta fXY (ou funo de probabilidade conjunta pXY ). Seja Z = g(X, Y ). Pode ser mostrado que o valor esperado de Z pode ser determinado diretamente da relao: Z Z g(x, y)fXY (x, y)dxdy. (Caso contnuo) E(Z) = ou,
XX g(xi , yj )pXY (xi , yj ). i=1 j=1

E(Z) =

(Caso discreto)

Neste caso desnecessrio determinar a distribuio de Z, a m de se calcular o valor de E(Z). Exemplo 13 Suponha que um ponto de coordenadas X e Y seja escolhido aleatoriamente no quadrado Q contendo todos os pontos (x,y) do plano, tais que 0 x 1 e 0 y 1. Determinemos o valor esperado de X 2 + Y 2 . Exemplo 14 Determinemos E(XY) no exemplo 1. Teorema 1 Se X e Y so v.a.s independentes, ento E(XY ) = E(X)E(Y ). Prova 1 Deixada como exercicio.

2.10
2.10.1

Esperana Condicional
Caso discreto

Seja (X, Y ) o vetor bivariado de variveis aleatrias discretas. De posse da distribuio condicional da varivel aleatria Y , dado um valor especco da varivel aleatria X, como observado por exemplo na expresso (5) da Seo (2.5.1), possvel calcular a esperana condicional de Y dado que X = x0 . No exemplo 1, temos que: 1, se y = 0 p(y|0) = , 0, c.c. e portanto: E(Y |X = 0) = 0 ,
1 2, 1 2,

p(y|1) =

se y = 0 se y = 1 0, c.c.

p(y|2) =

1, se y = 0 , 0, c.c.

E(Y |X = 1) =

Note que

Assim, Z = E(Y |X) uma v.a. que assume os valores 0, 1 2 Ou seja, Z = E(Y |X) uma v.a. tal que: 3 14 , se z = 0 8 , se z = 1 . P (Z = z) = 2 14 3 14 se z = 2
3 8 14 , 14

1 e E(Y |X = 2) = 0. 2 3 8 ou 2 com as probabilidades 14 , 14 e

3 14 ,

respectivamente.

3 14

so, respectivamente, as probabilidades de X = 0, 1, 2.

Temos, portanto, que E(Y |X) uma v.a. que assume o valor E(Y |X = x) com probabilidade P (X = x). Analogamente, E(X|Y ) uma v.a. que assume o valor E(X|Y = y) com probabilidade P (Y = y). Alm disso, E(Y ) = E(E(Y |X)) Prova: X X X X X yP (Y = y) = y P (Y = y, X = x) = y P (Y = y|X = x)P (X = x) = E(Y ) =
y y x y x

# " X X X = yP (Y = y|X = x) P (X = x) = [E(Y |X = x)]P (X = x) = E(E(Y |X)). | {z } x y x f uno de x a | {z }

f uno de x=E(Y |X=x) a

2.10.2

Caso continuo

Suponha que X e Y sejam v.a.s com distribuio contnua conjunta. Seja fXY (x, y) a funo de densidade do vetor (X, Y ), seja fX (x) a funo de densidade marginal de X e, para qualquer valor de X tal que fX (x) > 0, seja fY |X=x (y) a funo de densidade condicional de Y dado que X = x. A esperana condicional de Y dado X denotada por E(Y |X) e denida como uma funo da v.a. X que assume o valor E(Y |x) quando X = x e especicada por: E(Y |x) =
Z

yfY |X=x (y)dy.

Ou seja, E(Y |x) a mdia da distribuio condicional de Y dado que X = x. Sendo E(Y |X) uma funo da v.a. X, ela prpria e uma varivel aleatria com sua prpria funo distribuio de probabilidade, que pode ser deduzida a partir de X. Vejamos ento como encontrar E[E(Y |X)]. Teorema 2 Para quaisquer variveis aleatrias X e Y, E[E(Y |X)] = E(Y ). Prova 2 Assuma, por convenincia, que X e Y tenham uma distribuio conjunta contnua, ento: E[E(Y |X)] = como fY |X=x (y) =
fY X (x,y) fX (x) , Z Z Z

E(Y |x)fX (x)dx =

yfY |X=x (y)fX (x)dydx.

temos que
Z Z

E[E(Y |X)] =

yfY X (x, y)dydx = E(Y ).

A prova para o caso discreto sai de forma similar.

2.11

Varincia Condicional

Seja (X, Y ) um vetor bivariado de variveis aleatrias. Dado um valor especco da varivel aleatria X, a varincia condicional de Y dado que X = x, denida por: V ar(Y |X = x) = E{[Y E(Y |X = x)]2 |X = x}, ou, mais geralmente: V ar(Y |X) = E{[Y E(Y |X)]2 |X}. Note que a denio de V ar(Y |X) e anloga denio de varincia usual j conhecida, mas agora todas as esperanas esto condicionadas no fato de X ser conhecida. Exemplo 15 Calcule V ar(Y |X = 0) para o exemplo 1.

Exemplo 16 Encontre V ar(Y |X) no exemplo 2.

2.12

O Coeciente de Correlao

At aqui estivemos tratando de parmetros que tinham princpios semelhantes aos relacionados com a distribuio de variveis aleatrias unidimensionais, tais como esperana e varincia. Estes parmetros medem certas caractersticas da distribuio. No caso de uma v.a. bidimensional (X, Y ) surge a questo de como medir o grau de associao entre as variaveis X e Y. O coeciente de correlao xy um parmetro que mede a associao entre X e Y e denido por: xy = E{[X E(X)][Y E(Y )]} p V ar(X)V ar(Y ) (10)

desde que as varincias de X e de Y, respectivamente, sejam no nulas. Obs.:

1. O coeciente de correlao um nmero adimensional entre -1 e 1. 2. O numerador de xy chamado de covarincia entre X e Y e ser denotado por Cov(X, Y ) = xy 3. Cov(X, Y ) = E(XY ) E(X)E(Y ) Prova: E{[X E(X)][Y E(Y )]} = E{XY XE(Y ) Y E(X) + E(X)E(Y )} = = E(XY ) E(X)E(Y ) E(Y )E(X) + E(X)E(Y ) = = E(XY ) E(X)E(Y ). IMPORTANTE! Se X e Y forem independentes, ento = 0, mas a recproca no verdadeira. Veja o exemplo a seguir. Exemplo 17 Considere o lanamento independente de dois dados. Sejam X e Y, respectivamente, os nmeros que aparecem no primeiro e no segundo dados. Obviamente X e Y so independentes e tm a mesma distribuio, com E(X) = E(Y ) e E(X 2 ) = E(Y 2 ). Dena as v.a.s U = X Y e V = X + Y Assim, Cov(U, V ) = E[(X Y )(X + Y )] = E[X 2 Y 2 ] = 0, ou seja, U e V so no correlacionadas. Por outro lado, U e V no so independentes, pois, por exemplo, P (V = 4|U = 3) 6= P (V = 4)

2.12.1

Propriedades de Covarincia, Correlao e Varincia

Considere as variveis aleatrias X e Y e as constantes a e b. 1. Cov(X, X) = V ar(X) = 2 x 2. Se X e Y so tais que Y = aX + b, com a 6= 0. Se a > 0, ento xy = 1. Se a < 0 ento xy = 1. 3. V ar(X Y ) = V ar(X) + V ar(Y ) 2Cov(X, Y ) 4. Cov(aX, bY ) = abCov(X, Y )

10