Baixe o app para aproveitar ainda mais
Prévia do material em texto
1 ECO 1721 - Introdução à Estatística Econômica 7-Distribuições Bidimensionais Resumo Teórico Professores: Thadeu Keller Filho e Juarez Figueiredo 7.1 Variáveis Aleatórias Bidimensionais Considere-se uma experiência aleatória de espaço amostral S. Sejam X=X(s) e Y=Y(s) funções que associam, cada uma, um número real a cada elemento s .S O par ordenado ,X Y denomina-se variável aleatória bidimensional associada a S. Nota: eX Y são variáveis aleatórias unidimensionais, denominadas componentes marginais de , .X Y 7.2 Variáveis Aleatórias Bidimensionais do Tipo Discreto 7.2.1 Definição Uma variável aleatória bidimensional ,X Y é do tipo discreto (ou é discreta) se eX Y são do tipo discreto. 7.2.2 Função de Probabilidade Conjunta Seja ,X Y uma variável aleatória bidimensional do tipo discreto. Denomina-se Função de Probabilidade Conjunta associada a ,X Y a função definida por , ;XYp x y P X x Y y O conjunto 2, / , 0XY XYS x y R p x y denomina-se suporte da distribuição conjunta de , .X Y 7.2.3 Propriedades da Função de Probabilidade Conjunta Toda função de probabilidade conjunta possui as seguintes propriedades: a) , 0XYp x y b) , , 1 XY XY x y S p x y c) Para todo ,XYA S P X Y A = ( , ) ,XY x y A p x y Nota: Uma função real definida no 2R é função de probabilidade de alguma variável aleatória bidimensional se e somente se satisfaz as duas primeiras propriedades anteriores, ditas Propriedades Características. 2 7.2.4 Determinação das Distribuições Marginais Conhecida a função de probabilidade conjunta de ,X Y , as funções de probabilidade das variáveis aleatórias marginais eX Y podem ser determinadas como segue: ,X XY X y p x p x y x S ,Y XY Y x p y p x y y S 7.2.5 Distribuições condicionadas Para cada variável aleatória bidimensional do tipo discreto definem-se duas famílias de variáveis aleatórias condicionadas: / onde YX Y y y S e /Y X x onde ,Xx S cujas funções de probabilidade são denotadas, respectivamente, por /X yp x e / .Y xp y Os conjuntos / 1 // 0X y X yS x R p x / 1 // 0Y x Y xS y R p y são denominados suportes de /X Y y e / ,Y X x respectivamente. As funções de probabilidades condicionadas são obtidas da seguinte maneira: / / ; , / XY X y X y Y P X x Y y p x y p x P X x Y y x S P Y y p y para todo Yy S . / / ; , / XY Y x Y x X P Y y X x p x y p y P Y y X x y S P X x p x para todo Xx S . Dessas expressões resulta: / /,XY Y X y X Y xp x y p y p x p x p y 7.2.6 Independência de Variáveis Aleatórias Discretas As variáveis aleatórias discretas eX Y são ditas independentes se e somente se ,XY Y Xp x y p y p x ou, equivalentemente, se e somente se /Y Y xp y p y ou, ainda, se e somente se 3 /X X yp x p x 7. 3 Variáveis Aleatórias Bidimensionais do Tipo Contínuo 7.3.1 Definição Uma variável aleatória bidimensional ,X Y é do tipo contínuo (ou é contínua) se eX Y são do tipo contínuo. 7.3.2 Função de Densidade de Probabilidade Conjunta A toda variável aleatória bidimensional do tipo contínuo corresponde uma função, ,XYf x y , dita Função de Densidade de Probabilidade Conjunta, com as seguintes propriedades: a) , 0XYf x y b) ( , ) , , 1 XY XY XYx y S f x y dy dx f x y dy dx onde o conjunto 2, / , 0XY XYS x y R f x y é o suporte de , .X Y c) para todo 2 ,A R , , ,XY x y A P X Y A f x y dydx Notas: Uma função real definida no 2R é função de densidade de probabilidade de alguma variável aleatória bidimensional ,X Y se e somente se satisfaz as duas primeiras propriedades, ditas Propriedades Características. Para todo 2, ,a b R ; ;P X a Y b P a X a b Y b , 0 XY a b a b f x y dy dx Convenciona-se representar analiticamente as funções de densidade conjunta apenas nos pontos pertencentes ao suporte de , .X Y 7.3.3 Determinação das Densidades Marginais Conhecida a função de densidade conjunta de ,X Y , as funções de densidade das componentes marginais eX Y podem ser determinadas como segue: ,X XY Xf x f x y dy x S ,Y XY Yf y f x y dx y S 4 7.3.4 Distribuições Condicionadas (ou Condicionais) Para cada variável aleatória bidimensional do tipo contínuo definem-se duas famílias de variáveis aleatórias condicionadas: / onde YX Y y y S e /Y X x onde ,Xx S cujas funções de densidade de probabilidade são denotadas respectivamente por /X yf x e / .Y xf y Os conjuntos / 1 // 0X y X yS x R f x / 1 // 0Y x Y xS y R f y são denominados suportes de /X Y y e / ,Y X x respectivamente. As funções de densidade de probabilidades condicionadas são obtidas da seguinte maneira: / / ,XY X y X y Y f x y f x x S f y para todo Yy S / / ,XY Y x Y x X f x y f y y S f x para todo Xx S Dessas expressões resulta: / /,XY Y X y X Y xf x y f y f x f x f y 7.3.5 Independência de Variáveis Aleatórias Contínuas As variáveis aleatórias contínuas eX Y são ditas independentes se e somente se ,XY Y Xf x y f y f x ou, equivalentemente, se e somente se /Y Y xf y f y ou, ainda, se e somente se /X X yf x f x 7.4 Função de Distribuição de uma Variável Aleatória Bidimensional A toda variável aleatória bidimensional (X,Y) corresponde uma função real de duas variáveis XYF (x,y) , denominada função de distribuição, definida por 2XYF (x,y) = P X x,Y y para todo (x,y) R A função de distribuição é também denominada: Função de Distribuição Acumulada ou Função de Repartição. 5 7.4.1 Propriedades de Função de Distribuição (I) Propriedades Características: (i) XY0 F (x,y) 1 (ii) XY XY XYF ( ,y) F (x, ) 0 e F ( , ) 1 (iii) XYF (x,y) é monótona não decrescente em cada variável x e y (iv) XYF (x,y) é contínua à direita em relação a cada variável: + + 0 0 XY 0 XY XY 0 XY x x y y lim F (x ,y) F (x,y) e lim F (x,y ) F (x,y) (v) Seja I o intervalo (de forma retangular) em 2R definido por 2 1 2 1 2 1 2 1 2(x,y) R |x x x e y y y com x x e y yI então 1 2 1 2 XY 2 2 XY 1 2 XY 2 1 XY 1 1P P x <X x , y <Y y F (x ,y ) F (x ,y ) F (x ,y ) F (x ,y ) I (II) Utilização no Cálculo de Probabilidades: A quinta das propriedades características acima é aquela que é utilizada no cálculo de probabilidades envolvendo a função de distribuição. Além disso, tem-se também que:(i) X XY XY y F (x) lim F (x,y) F (x, ) (ii) Y XY XY x F (y) lim F (x,y) F ( ,y) (iii) para uma variável aleatória bidimensional (X,Y) discreta: 0 0 0 0 XY 0 0 XY 0 0 XY x x ,y y P X x ,Y y p (x ,y ) F (x ,y ) lim F (x,y) (iv) para uma variável aleatória bidimensional (X,Y) contínua: 2 XY XYf (x,y) F (x,y) x y (III) Independência de Variáveis Aleatórias Se as duas componentes, X e Y, de uma variável aleatória bidimensional (X,Y) são independentes, tem-se: XY X YF (x,y) = F (x) F (y) 6 7.5 Expectância e Momentos de Variáveis Aleatórias Bidimensionais Analogamente ao caso unidimensional, para as variáveis aleatórias bidimensionais, tem- se: 7.5.1 Definição de Expectância (I) para (X, Y) discreta: XY XY (x,y) R E XY xy p (x,y) (II) para (X, Y) contínua: XY XY R E XY xyf (x,y) dx dy Notas: . A expectância pode não existir, caso a expressão que a define seja uma série ou uma integral divergente; nesse caso diz-se que a expectância é infinita. . Se existe, a expectância é um número real; diz-se então que a expectância é finita. 7.5.2 Definição de Expectância de uma Função Sejam (X,Y) uma variável aleatória bidimensional e h(X, Y) uma função dessa variável. Define-se a expectância de h(X, Y) por (i) XY XY (x,y) R E h X, Y h(x, y) p (x,y) (ii) XY XY R E h X, Y h(xy) f (x,y) dx dy Nota. . A expectância pode não existir, caso a expressão que a define seja uma série ou uma integral divergente; nesse caso diz-se que a expectância é infinita. 7.5.3 Propriedades P1) Se c é uma constante E(c ) = c P2) Se c é uma constante e h(x,y) uma função E ch X, Y cE h X, Y P3) Se g(x) e h(y) são duas funções E g X h Y E g X E h Y P4) Se X e Y são independentes E XY E X E Y 7 7.5.4 Momentos Conjuntos de uma Variável Aleatória Bidimensional a) Momento conjunto ordinário Definição Seja (X, Y) uma variável aleatória bidimensional. Define-se o momento conjunto (ou misto) ordinário de ordens i e j dessa variável por i ji, jμ E X Y para i, j 0,1,2,3,... Notas: . i 0 ii,0μ E X Y E X para i 0,1,2,3,... . 0 j j0, jμ E X Y E Y para j 0,1,2,3,... . 1 11,1μ E X Y E X Y . i ji, jμ E X Y para i, j 0,1,2,3,... . i ji, jμ E X Y para i, j 0,1,2,3,... Cálculo i) Se (X, Y) é discreta XY i j i j i, j XY (x,y) R μ E X Y x y p (x,y) para i, j 0,1,2,3,... ii) Se (X, Y) é contínua XY i j i j i, j XY R μ E X Y x y f (x,y) dx dy para i, j 0,1,2,3,... b) Momento conjunto central Definição Seja (X, Y) uma variável aleatória bidimensional. Define-se o momento conjunto (ou misto) central de ordens i e j dessa variável por i ji, jν E X E(X) Y E(Y) para i, j 0,1,2,3,... Nota . 1,1ν E X E X Y E Y E X Y E X E Y 8 Cálculo i) Se (X, Y) é discreta XY i j i j i, j XY (x,y) R ν E X-E X Y-E Y x-E X y-E Y p (x,y) para i, j 0,1,2,3, ... ii) Se (X, Y) é contínua XY i j i j i, j XY R ν E X-E X Y-E Y x-E(X) y E(Y) f (x,y) dx dy para i, j 0,1,2,3,... 7.6 Função Geratriz de Momentos 7.6.1 Definição e Cálculo Definição Seja (X, Y) uma variável aleatória bidimensional, define-se a função geratriz de momentos de (X, Y) por 1 2t X t YXY 1 2(t , t ) EM e Cálculo: (i) se (X,Y) for discreta 1 2 1 2t X t Y t x t y 2XY 1 2 XY XY x y (t , t ) E p (x,y) para (x,y) RM e e (ii) se (X,Y) for contínua 1 2t X t YXY 1 2(t , t ) EM e 1 2 1 2 2 XY t X t Y t x t y XY 1 2 XY R (t , t ) E f (x,y)dx dyM e e 7.6.2 Propriedades P1) 1 2 1 2t X t Y t X t YXY 1 2 1 1 (t , t ) E E X t t M e e 1 2 1 2t X t Y t X t YXY 1 2 2 2 (t , t ) E E Y t t M e e 1 2 1 2 i+j i j t X t Y t X t Yi j XY 1 2i j i j 1 2 1 2 (t , t ) E E X Y t t t t M e e 9 Deve-se observar que essas derivadas avaliadas no ponto 1 2(t , t ) (0,0) fornecem os momentos conjuntos ordinários de (X, Y). P2) Se X e Y são independentes, então 1 2 1 2 1 2t X t Y t X t Y t X t YXY 1 2 X 1 Y 2(t , t ) E E E E (t ) (t )M e e e e e M M Cálculo i) Se (X, Y) é discreta XY i j i j i, j XY (x,y) R μ E X Y x y p (x,y) para i, j 0,1,2,3,... ii) Se (X, Y) é contínua XY i j i j i, j XY R μ E X Y x y f (x,y) dx dy para i, j 0,1,2,3,... 7.7 Funções de Variáveis Aleatórias Teorema Seja (X, Y) uma variável aleatória bidimensional do tipo contínuo, com função de densidade de probabilidade conjunta XYf (x,y) . Sejam 1Z h (X,Y) e 2W h (X,Y) duas funções de (X, Y). Admita-se que essas duas funções, 1h (.,.) e 2h (.,.) satisfaçam as seguintes condições: (i) As equações 1z h (x,y) e 2w h (x,y) podem ser resolvidas univocamente para x e y, em termos de z e w, isto é, 1x g (z,w) e 2y g (z,w) . (ii) As derivadas parciais x z , x w , y z e y w existem e são contínuas. Nessas condições, a função de densidade de probabilidade conjunta de (Z, W), isto é, ZWf (z,w) , pode ser determinada, sendo expressa por ZW XY 1 2f (z,w) f g (z,w),g (z,w) (z,w)J , onde (z,w)J é o seguinte determinante 2x2 1 1 2 2 g (z,w) g (z,w)x x z w z w (z,w) y y g (z,w) g (z,w) z w z w J Este determinante é denominado Jacobiano da transformação (x,y) (z,w) . 10 7.8 Expectâncias e Variâncias Condicionadas 7.8.1 Definições Seja (X,Y) uma variável aleatória bidimensional, do tipo discreto com função de probabilidade conjunta XYp (x,y) , ou do tipo contínuo com função de densidade de probabilidade conjunta XYf (x,y) . Conforme vimos anteriormente, as distribuições de probabilidade das variáveis aleatórias condicionadas (Y|X = x) e (X|Y = y) são obtidas a partir da distribuição conjunta de (X,Y), como segue: Tipo discreto: XY XY X|Y Y|X Y X p (x,y) p (x,y) p (x|y) e p (y|x) p (y) p (x) Tipo contínuo: XY XY X|Y Y|X Y X f (x,y) f (x,y) f (x|y) e f (y|x) f (y) f (x) Admitindo-se que (Y|X = x) e (X|Y = y) possuam variância finita, podemos calcular as expectâncias e variâncias dessas variáveis aleatórias, denominadas expectâncias e variâncias condicionadas: Tipo discreto: X|Y x E(X|Y y) E(X|y) x p (x|y) Y|X y E(Y|X x) E(Y|x) yp (y|x) 2 2 2 2 X|Y X|Y x x V(X|Y y) V(X|y) E(X |y) - E (X|y) x p (x|y) x p (x|y) 2 2 2 2 Y|X Y|X y y V(Y|X x) V(Y|x) E(Y |x) - E (Y|x) y p (y|x) y p (y|x) Tipo contínuo: X|YE(X|Y y) E(X|y) x f (x|y) dx Y|XE(Y|X x) E(Y|x) yf (y|x) dy 11 2 2 2 2 X|Y X|Y V(X|Y y) V(X|y) E(X |y) - E (X|y) x f (x|y) x f (x|y) 2 2 2 2 Y|X Y|X V(Y|X x) V(Y|x) E(Y |x) - E (Y|x) y f (y|x) yf (y|x) 7.8.2 Variáveis Aleatórias Associadas às Expectâncias e Variâncias Condicionadas a) Expectâncias condicionadas aleatórias i) Represente-se por E(X|Y) uma variável aleatória que assume o valor E(X|y) quando a variável aleatória Y assume o valor y. Essa variável aleatória denomina-se expectância condicionada aleatória de X dado Y. ii) Analogamente, represente-se por E(Y|X) uma variável aleatória que assume o valor E(Y|x) quando a variável aleatória X assume o valor x. Essa variável aleatória denomina-se expectância condicionada aleatória de Y dado X. b) Variâncias condicionadas aleatórias i) Represente-se por V(X|Y) uma variável aleatória que assume o valor V(X|y) quando a variável aleatória Y assume o valor y. Essa variável aleatória denomina-se variância condicionada aleatória de X dado Y. ii) Analogamente, represente-se por V(Y|X) uma variável aleatória que assume o valor V(Y|x) quando a variável aleatória X assume o valor x. Essa variável aleatória denomina-se variância condicionada aleatória de Y dado X. 7.8.3 Teoremas Básicos sobre Expectâncias e Variâncias Condicionadas Aleatórias Teorema 1. Lei das Expectâncias Iteradas i) E E X|Y E(X) ii) E E Y|X E(Y) Teorema 2. Decomposição da Variância i) V(X) E V X|Y V E X|Y ii) V(Y) E V Y|X V E Y|X 12 7.9 Covariância entre X e Y 7.9.1 Definição ( , ) ( )XY Cov X Y E X E X Y E Y 7.9.2 Propriedades da Covariância a) ( , )Cov X Y está expressa no produto das unidades de medida de X e de Y b) ( , ) ( , )Cov X Y Cov Y X c) ( , ) ( )Cov X X Var X d) ( , )Cov X Y E XY E X E Y e) Se eX Y são independentes, então ( , ) 0Cov X Y Nota: A recíproca não é verdadeira: existem variáveis aleatórias cuja covariância é zero e que não são independentes. f) U a bX V c dY g) ( , )Cov X Y Z W , ( , ) ( , ) ( , )Cov X Z Cov X W Cov Y Z Cov Y W 7.9.3 Variância de uma Soma e de uma diferença de duas Variáveis Aleatórias 2 ,Var X Y Var X Var Y Cov X Y 2 ,Var X Y Var X Var Y Cov X Y 7.10 Coeficiente de Correlação Linear (ou Coeficiente de Correlação de Pearson) 7.10.1 Definição , XY XY X Y Cov X Y Var X Var Y 7.10.2 Propriedades do Coeficiente de Correlação Linear a) XY é adimensional b) 1 1XY c) Se eX Y são independentes 0XY Notas: A recíproca não é verdadeira: existem variáveis aleatórias cujo coeficientede correlação linear é igual a zero e que não são independentes. Se 0, as variáveis aleatórias eXY X Y são ditas “não correlacionadas” ( , ) ( , )Cov U V bd Cov X Y 13 d) U a bX V c dY 0 0 XY UV XY se bd se bd e) 1XY se e somente se existem números reais e 0a b tais que 1P Y a bX f) 1XY se e somente se existem números reais e 0a b tais que 1P Y a bX 7.10.3 Coeficiente de Determinação 2XY denomina-se Coeficiente de Determinação e mede o grau de dispersão das determinações de ,X Y em torno de uma linha reta. 7.11 Algumas Distribuições Multidimensionais Importantes 7.11.1 Distribuição Multinomial A distribuição multinomial consiste em uma generalização da distribuição binomial e está associada à situação geral em que são feitas n realizações independentes de um experimento aleatório ε com mais de dois resultados possíveis. Seja k (k>2) o número de resultados possíveis em cada realização. Sejam iA e i iP A p com i=1,2,...,k respectivamente os eventos que representam os possíveis resultados e suas correspondentes probabilidades de ocorrência. Sejam as k variáveis aleatórias definidas a seguir: i iX número de vezes que ocorre o resultado A na série de n realizações de ε ,com i=1,2,..,k Então, a função de probabilidade da variável aleatória k-dimensional 1 2 kX ,X ,...,X é expressa por 1 2 k 1 2 k k x x x X X ...X 1 2 k 1 2 k ik i=1 i i 1 n! p (x , x ,..., x ) p p ...p com x n x ! Note-se que k 1 k i i=1 x n x e isso permite eliminar uma variável na expressão acima; é usual eliminar-se a variável kX , substituindo seu valor kx por k 1 i i=1 n x É interessante destacar que a distribuição marginal de qualquer uma das variáveis componentes iX (i=1,2,3,...,k) é binomial. 14 A função geratriz de momentos da variável aleatória multinomial 1 2 kX ,X ,...,X é expressa por 1 1 2 2 k 1 k 1 1 1 2 2 k 1 k 1 1 2 k 1 2 k 1 t x t x ... t x t x t x ... t x x x x 1 2 k 1 1 2 kk x x x i i 1 n! t , t ,..., t E ... p p ...p x ! M e e donde 1 2 k 11 2 k 1 k 1 2 k 1 x x x t t t x 1 2 k 1 1 2 k kk x x x i i 1 n! t , t ,..., t ... p p ... p p x ! M e e e 1 2 k 1 n t t t 1 2 k 1 1 2 k 1 kt , t ,..., t p p ... p pM e e e 7.11.2 Distribuição Hipergeométrica Multidimensional Essa distribuição é a generalização da hipergeométrica para mais de dois resultados possíveis. Considere-se um conjunto de N elementos, cada um dos quais pertence a uma única dentre as k classes possíveis. Representem-se por iA com i=1,2,...,k as referidas classes. Admita-se que a classe i tem iN elementos (i=1,2,...,k) e que são selecionados do conjunto considerado, com igual probabilidade e sem reposição, n elementos. Sejam as k variáveis aleatórias definidas a seguir: i iX número de elementos da classe A eventualmente selecionados com i=1,2,..,k Então, a função de probabilidade da variável aleatória k-dimensional 1 2 kX ,X ,...,X é expressa por 1 2 k 1 2 k 1 2 k x x x k N N N X X ...X 1 2 k in i=1N C C ...C p (x , x ,...,x ) com x n C Note-se que k 1 k i i=1 x n x e isso permite eliminar uma variável na expressão acima; é usual eliminar-se a variável kX , substituindo seu valor kx por k 1 i i=1 n x É interessante destacar que a distribuição marginal de qualquer uma das variáveis componentes iX (i=1,2,3,...,k) é hipergeométrica (simples). 15 7.11.3 Distribuição Uniforme Bidimensional Uma variável aleatória bidimensional (X,Y) tem distribuição uniforme na região (retangular) do plano determinada por 2(x,y) R | a x b e c y dI se a sua função de densidade de probabilidade conjunta for expressa por XY 1 f (x,y) para a < x < b e c< y<d (b a)(d c) Pode-se ter uma variável aleatória bidimensional com distribuição uniforme em uma região de outros formatos (circular, poligonal, etc) no plano cartesiano; em qualquer dos casos o valor da função de densidade é constante e igual ao inverso da área da figura correspondente à região. Obs: a distribuição uniforme bidimensional possui propriedades idênticas às da uniforme unidimensional. 7.11.4 Distribuição Normal Bidimensional Uma variável aleatória bidimensional (X,Y) tem distribuição normal bidimensional se a sua função de densidade de probabilidade for 2 2 X X Y Y XY 22 X X Y YX Y x μ x μ x μ y μ1 1 f (x,y) exp 2 2(1 ρ ) σ σ σ σ2πσ σ 1 ρ com X Yμ ,μ R , * X Y +σ ,σ R e ρ 1 ou, em termos da forma quadrática 2 2 X X Y Y 2 X X Y Y x μ x μ x μ y μ1 Q(x,y) 2 (1 ρ ) σ σ σ σ XY 2 X Y 1 1 f (x,y) exp Q(x,y) 22πσ σ 1 ρ No tratamento matemático da função de densidade da distribuição normal bidimensional é conveniente efetuar as seguintes mudanças de variáveis: X Y X Y x μ x μ u e v σ σ O que permite reescrever a expressão da função de densidade em termos das variáveis transformadas U e V da seguinte forma: 16 2 222 1 1 f(u,v) = exp u 2ρ u v+ v 2(1 ρ )2π 1 ρ Função Geratriz de Momentos A função geratriz de momentos da normal bidimensional tem por expressão 2 2 2 2XY 1 2 X 1 Y 2 X 1 X Y 1 2 Y 2 1 (t , t ) exp μ t μ t σ t 2ρσ σ t t σ t 2 M Momentos (i) XE X μ (ii) YE Y μ (iii) 2XV X σ (iv) 2YV Y σ (v) X Y X YE XY μ μ ρσ σ (vi) X YCov X,Y ρσ σ Distribuições Marginais As componentes X e Y de uma variável aleatória bidimensional normal possuem distribuição normal, isto é: (i) X XX N μ ,σ (ii) Y YY N μ ,σ Distribuições Condicionadas As distribuições condicionadas associadas à distribuição conjunta da normal bidimensional são: (i) a função de densidade da variável aleatória condicionada (X|Y=y) é 2 X X|Y X Y2 22 YXX σ1 1 f (x | y) exp x μ ρ y μ σ2 σ 1 ρ2π σ 1 ρ que é a expressão da função de densidade de uma normal com: XX Y Y σ E X|Y y μ ρ y μ σ e 2 2XV X|Y y σ 1 ρ (ii) a função de densidade da variável aleatória condicionada (Y|X=x) é 17 2 Y Y|X Y X2 22 XYY σ1 1 f (y | x) exp y μ ρ x μ σ2 σ 1 ρ2π σ 1 ρ que é a expressão da função de densidade de uma normal com: YY X X σ E Y|X x μ ρ x μ σ e 2 2YV Y|X x σ 1 ρ Independência das Componentes X e Y A condição necessária e suficiente para a independência entre X e Y é que o coeficiente de correlação seja nulo, isto é ρ 0 . Obs. Convém ressaltar que, em geral, quando o coeficiente de correlação é nulo isso não acarreta que as variáveis sejam independentes – são apenas linearmente não correlacionadas. Entretanto, no caso particular da distribuição normal, sendo nulo o coeficiente de correlação decorre também a independência das variáveis. Distribuição de uma Combinação Linear de Variáveis Normais Demonstra-se que qualquer combinação linear de variáveis aleatórias normais, independentes ou não, tem distribuição normal. ----------------------------------------------------------------------------------------------------------
Compartilhar