Académique Documents
Professionnel Documents
Culture Documents
1.7 Outliers
• Outlier Severo : é um outlier severo quando < [ − 3([^ − [ )
ou > [^ + 3([^ − [ )
• Outlier Moderado : é um outlier moderado quando
[ − 3([^ − [ ) < < [ − 1,5([^ − [ )
ou [^ + 1,5([^ − [ ) < < [^ + 3([^ − [ )
• Barreira externa inferior : [ − 3([^ − [ )
• Barreira externa superior : [^ + 3([^ − [ )
• Barreira interna inferior : [ − 1,5([^ − [ )
• Barreira interna exterior : [^ + 1,5([^ − [ )
• Caixa-de-bigodes (modificada) :
→ bigodes : barreiras internas superior e inferior
→ outliers moderados/severos representados por símbolos gráficos diferentes (∘, ∎)
1.8 Correlação
• Covariância : 4x = ∑*( − 3 )(y − yz) ou 4x = ∑*( y ) − 3 yz
E ∑8
}~1(4} -43 )(x} -x
z)
• Coeficiente de correlação de Pearson : Q = E {|
E
=
{ | =∑8 6 8
}~1(4} -43 ) =∑}~1(x} -x
z)6
→ −1 ≤ Q ≤ −1
→ CC mede o grau de associação linear
→ sinal → correlação positiva ou negativa
→ valor absoluto → intensidade da associação linear
→ CC próximo de 1 dados dispostos essencialmente nos 1º e 3º quadrantes (linear)
→ CC próximo de −1 dados dispostos essencialmente nos 2º e 4º quadrantes (linear)
• Coeficiente de correlação de Spearman : Substitui-se cada par ( , y ) é substituído pelo
par Q@( ), Q@(y ), onde Q@( ) representa a ordem de na colecção. Calcula-se o
coeficiente de correlação com a fórmula habitual.
− mesmos valores → média das ordens
− outliers podem influenciar CC → retirar outliers
2.1 Introdução
• Experiência aleatória : Diz-se que uma experiência é aleatória se apresentar as seguintes
características:
a) O conjunto dos resultado possíveis é fixado antecipadamente;
b) O resultado da experiência nunca pode ser previsto de forma exacta, mesmo que se
desenvolvam todos os esforços para manter sob controlo as circunstâncias relevantes
para o resultado.
' ∩ =
' ×
,
' ∩ C =
' ×
C,
resultados dizem-se completamente independentes ou mutuamente independentes se e
∩ C =
×
C,
' ∩ ∩ C =
' ×
×
C
só se:
→ Se a função densidade
, y for contínua no ponto
, y, então
, y =
Ö6
4,x
Ö4Öx
• Funções Densidade Marginais : A função densidade marginal de ¶, ¹ , é dada por
Ô
4
¹
= = Â- ¹,Í
, y@y
5
4
De forma análoga,
Ó
x
Í
y = = Â- ¹,Í
, y@
5
x
é a função densidade marginal de Ë, Í .
• Teorema : As variáveis aleatórias ¶ e Ë dizem-se independentes se e só se
¹,Í
, y = ¹
Í
y
isto é, se e só se a função densidade conjunta for igual ao produto das funções densidade
Ø
ÂÙ 0Ô,Ó
4,4
→
F < ¶ < ¼|Ë = × = Â ¹|Í*
@ =
Ê
0Ó
¹
, … , " = ¹1
… ¹L
"
• Variável Aleatória Ý-dimensional Discreta : ¶ =
¶ , … , ¶" é variável aleatória &-
independentes se e só se
• Valor Esperado de uma Variável Aleatória Discreta : Se ¶ é uma variável aleatória discreta
4.2 Valor Esperado
∑4∈Á||¹
< +∞ (4.2)
quando
4.3 Momentos
• Momento de Ordem Ý em Relação à Origem : O valor esperado,
ß"9 = à>¶ " ? = ∑4∈Á " ¹ ()
se existir, é o momento de ordem & em relação à origem, ou momento ordinário de ordem
& da variável aleatória ¶.
→ Nota : ß9 = à(¶) = ∑4∈Á ¹ () valor esperado
• Teorema : Se existe o momento ordinário de ordem & de uma variável aleatória, então
também existe o momento ordinário de ordem , com < &, da mesma variável aleatória.
• Momento de Ordem Ý em Relação à Média : O valor esperado,
ß" = à(¶ − ß)" = ∑4∈Á(¶ − ß)" ¹ ()
se existir, é o momento de ordem & em relação à média, ou momento central de ordem &
da variável aleatória ¶.
• Variância : Designa-se por variância de ¶ o valor esperado, se existir, de (¶ − ß)" ,
DFQ(¶) = â¹ = à(¶ − ß) = ∑4∈Á(¶ − ß) ¹ ()
→ DFQ(¶) ≥ 0 ; DFQ(¶) = 0 < = > (¶ = ×) = 1
→ parâmetro de dispersão da distribuição de ¶ em torno da média
• Propriedades da Variância :
1) Se × é uma constante, DFQ(×) = 0
2) Se × é uma constante, DFQ(׶) = × DFQ(¶)
3) Se × e @ são constantes, DFQ(׶ + @) = × DFQ(¶)
• Fórmula mais operacional para o cálculo da variância : DFQ(¶) = à(¶ ) − ß
• Desvio Padrão : Ao valor positivo da raíz quadrada da variância, â¹ = +ãDFQ(¶), chama-
se desvio padrão da variável aleatória ¶.
→ medida de dispersão absoluta
• Coeficiente de Variação : Considere-se uma variável aleatória ¶ com suporte contido no
cpnjunto dos números reais positivos. O coeficiente de variação de ¶ é igual, se existir, ao
ä
quociente entre o desvio padrão e a média, CD = å
→ medida de dispersão relativa
ç(¹-å)k å
• Coeficiente de Assimetria : O quociente æ = äk = äkk , se exisir, é
designado por coeficiente de assimetria da variável aleatória ¶.
− æ = 0 sse a distribuição é simetrica
− æ > 0 sse os desvios positivos dominam
− æ < 0 sse os desvios negativos dominam
• Variância de Variáveis Aleatórias Independentes : Se ¶ e Ë são duas variáveis aleatórias
discretas independentes, então DFQ(¶ + Ë) + DFQ(¶) + DFQ(Ë)
ê({) (¾)
→ ¯4 = (¶ = ) =
4!
→ à(¶) = Π 9 (1) = ∑5 4* ¯4
→ DFQ(¶) = Π 99 (1)
+ Π 9 (1) − Π 9 (1)
• Função Geradora dos Momentos : Seja ¶ uma variável aleatória discreta com função
probabilidade ¹ . Se existir um número real ¾ > 0, tal que
à(K E¹ ) = ∑4∈Á K E4 ¹ ()
existe para −¾ < < ¾ , então
I¹ () = à(K E¹ )
define a função geradora dos momentos de ¶, I¹ .
→ I9 (0) = ∑4∈Á ¹ () = à(¶)
• Teorema : A função geradora dos momentos, se existir numa vizinhança de 0, determina
univocamente a função de distribuição ; inversamente, se existir, a função geradora dos
momentos é única.
Formalizando: Se para cada uma das variáveis aleatórias ¶ e Ë, existe função geradora dos
momentos, e se I¹ () = IÍ () para algum intervalo −¾ < < ¾ , então ¶ e Ë possuem
a mesma função de distribuição (e a mesma probabilidade, no caso de as variáveis
aleatórias serem discretas).
• Relação entre a Função Geradora dos Momentos com a Função Geradora das
Probabilidades : I() = à(K E¹ ) = Π(K E ) < = > Π(é) = Iln(é)
• Teorema : Se ¶ e Ë são variáveis aleatórias discretas independentes, com funções
geradoras dos momentos I¹ () e IÍ (), então a função geradora dos momentos ¶ + Ë
existe, e é dada pela expressão:
I¹5Í () = I¹ ()IÍ ()
1 − ë4- ë K = 1,2, … N
por
¹
= Å
0 ¯FQF ÃQ
DFQ
¶ ± Ë = DFQ
¶ + DFQ
Ë
Em particular, se as variáveis são independentes,
à
|¶ = = àÌ
¶, Ë|¶ = = ∑x∈ÁÓ Ì
, yÍ|¹*4
y
definido por
à
|Ë = y = àÌ
¶, Ë|Ë = y = ∑4∈ÁÔ Ì
, y¹|Í*x
De modo análogo se define
→ Se Ì
, y = Ë , à
Ë|¶ = = ∑x∈ÁÓ yÍ|¹*4
y
→ Se Ì
, y = ¶ , à
¶|Ë = y = ∑4∈ÁÔ ¹|Í*x
• Teorema : O valor esperado de = Ì
¶, Ë, se existir, é igual ao valor esperado do seu
valor esperado condicionado por ¶,
à
= àà
|¶
→ Se = Ë, à
Ë = àà
Ë|¶ regra do valor esperado iterado (→ v.e. marginal)
• Variância Condicionada : A variância de Ë condicionada por ¶ = é definida por
DFQ
Ë|¶ = = àË − à
Ë|¶ = |¶ = = ∑x∈ÁÓ y − à
Ë|¶ = Í|¹*4
y
Do mesmo modo se define a variância de ¶ condicionada por Ë = y,
DFQ
¶|Ë = y = ච− à
¶|Ë = y |Ë = y = ∑4∈ÁÔ − à
¶|Ë = y ¹|Í*x
→ DFQ
Ë|¶ = = à
Ë |¶ = − à
Ë|¶ =
→ DFQ
¶|Ë = y = à
¶ |Ë = y − à
¶|Ë = y
• Teorema : Se existe à
Ë , então
DFQ
Ë = DFQà
Ë|¶ + àDFQ
Ë|¶ (Variância Marginal)
• Teorema : A covariância entre ¶ e Ë é igual à covariância entre ¶ e o valor esperado de Ë
condicionado por ¶,
CÕ
¶, Ë = CÕ¶, à
Ë|¶
• Independência em Média : A variável aleatória Ë é independente em média da variável
aleatória ¶ se e só se
à
Ë|¶ = = à
Ë, qualquer que seja
A variável aleatória ¶ é independente em média da variável aleatória Ë se e só se
à
¶|Ë = y = à
¶, qualquer que seja y
DFQ
Ë = DFQ
Ð =
CÕ
Ð
• Relação entre a Variância e a Matriz das Covariâncias :
¹
, , … , " = 4 !,4 !,…,4 !
-4 -4 -⋯-4 !
!
probabilidade dada por
1
× ë 1 ë 6 … ë" L
1 − ë − ë − ⋯ − ë" -41 -46 -⋯-4L ,
6 L 1 6 L
4 4 4
Valor Esperado : à
¶ = ë
• Principais características da Distribuição Multinomial :
Variância : DFQ
¶ = ë
1 − ë
Desvio Padrão : â = ãë
1 − ë
Covariância : CÕ>¶ , ¶ ? = â = −ë ë
Coeficiente Correlação : = −=
-ï >-ï
ïï
}
≠ $
} ?
Â- ||¹
@ < +∞ (5.2)
quando
5
• Valor Esperado de uma Função de uma Variável Aleatória Discreta : Se ¶ é uma variável
aleatória contínua com função densidade ¹ , e Ì é uma função real de variável real. A
expressão
à>Ì
¶? = Â- Ì
¹
@
5
é o valor esperado de Ì
, impondo-lhe uma condição semelhante a (5.2)
• Propriedades do Valor Esperado : As propriedades do valor esperado para variáveis
aleatórias contínuas são as mesmas do que as propriedades para variáveis aleatórias
discretas. Apenas é necessário substituir as somas por integrais.
• Teorema : Se existe o momento ordinário de ordem & de uma variável aleatória, então
também existe o momento ordinário de ordem , com < &, da mesma variável aleatória.
• Momento de Ordem Ý em Relação à Média : O valor esperado,
ß" = à
¶ − ß" = Â-
¶ − ß" ¹
@
5
se existir, é o momento de ordem & em relação à média, ou momento central de ordem &
da variável aleatória ¶.
• Variância : A variância de uma variável aleatória contínua ¶ é dada por
DFQ
¶ = â¹ = à
¶ − ß = Â-
¶ − ß ¹
@
5
→ DFQ
׶ = × DFQ
¶
• Propriedades da Variância :
→ DFQ
¶ = à
¶ − ß fórmula mais operacional para o cálculo da variância
→ DFQ
¶ + Ë = DFQ
¶ + DFQ
Ë , se ¶ e Ë são independentes
• Desvio Padrão : â¹ = +ãDFQ
¶ medida de dispersão absoluta
ä
• Coeficiente de Variação : CD = å medida de dispersão relativa
ç
¹-åk å
• Coeficiente de Assimetria : æ = äk
= äkk
• Coeficiente de Kurtosis : O coeficiente de kurtosis de uma variável aleatória ¶, se existir, é
å
æ = → excesso de kurtosis : æ − 3
ä
definido por
medida de localização
→ Mediana : P = 0,5 → ℰ¾, = ß = /K@
¶ Â- ¹
@ = 0,5
ℰ,
• Moda : Seja ¶ uma variável aleatória contínua. Moda, ß∗ , é um valor de ¶ que verifica a
¹
≤ ¹
ß∗ , ∀ ∈ ℝ
condição
Nota: A moda não é um parâmetro da ordem, contudo trata-se de uma importante medida
× × ×
Medidas
× ×
Localização
× ×
Dispersão absoluta
Dispersão relativa
b) I¹5Í
= I¹
IÍ
existe) e função densidade
• Distribuição Uniforme : Diz-se que uma variável aleatória contínua, ¶, tem distribuição
5.6 Distribuição Uniforme
uniforme no intervaalo
P, , com P < , quando a função densidade é dada por
K P < < N
¹
|P, = J -U
0 ¯FQF ÃQ
Simbolicamente, ¶~Ò
P, .
0 K < P
• Principais características da Distribuição Uniforme :
K P < < N
4-U
Função de Distribuição : ¹
|P, = õ-U
1 K ≥
K ≠ 0N
ó - ó
Função Geradora dos Momentos : I
= à
K E¹ ó{
= ÂU -U @ = J E
-U
1 K = 0
Expressão Geral dos Momentos em Relação à Origem :
¹L 4 LM1 LM1 -ULM1
à>¶ " ? = ÂU @ = -U g "5 h =
"5
-U
-U U
U5
Média : à
¶ =
Variância : DFQ
¶ =
-U6
crescente no intervalo aberto F, ¼ onde ¶ tem densidade positiva (este intervalo
pode ser ilimitado, isto é, pode acontecer F = −∞ ou ¼ = +∞ ; tem-se ¹
F = 0 e
¹
¼ = 1). Então a variável aleatória Ë = ¹
¶ tem distribuição Ò
0,1.
b) Seja Ë uma variável aleatória contínua com distribuição Ò
0,1, e ¹ a função de
distribuição de uma variável aleatória contínua. Supõe-se que ¹ é estritamente
crescente no intervalo aberto F, ¼ onde esta variável aleatória tem densidade
positiva (o intervalo pode ser ilimitado, isto é, pode acontecer F = −∞ ou ¼ = +∞ ;
tem-se ¹
F = 0 e ¹
¼ = 1). Então a variável aleatória ¶ = ¹-
Ë é contínua
com função de distribuição ¹ .
√
 K @
ò -þ 6 ⁄
Função de Distribuição : Φ
é = -
√
• Distribuição Normal Estardadizada : A distribuição ô
0,1 é uma distribuição normal
estandardizada se ¶~ô
ß, â e = ä .
¹-å
→ ô
ß, â é simetrica em relação à recta = ß
• Simetria :
→ ô
0,1 !
= !
− ; Φ
= 1 − Φ
−
Função Geradora dos Momentos de #~
$, : I%
= K -E ⁄
6
•
Função Geradora dos Momentos de Ð~ >, ? : I%
= K¯ ¢ß + £
ä 6 E6
•
• Valor Esperado e Variância : à
¶ = ß ; DFQ
¶ = â
Expressão Geral dos Momentos Centrais de Ordem Par : ßV =
V!ä 6¥
¥ V!
•
Coeficiente de Kurtosis : æ = ä = 3
å
•
ß±â
Intervalos Probabilidades
ß ± 2â
0,6826
ß ± 3â
0,9544
ß ± 0,6745â
0,9973
ß ± 1,6450â
0,5000
ß ± 1,9600â
0,9000
ß ± 2,5758â
0,9500
¶ ~ô
ß, â ⟹ Ë = ∑"* ¶ ~ô
&ß, &â
distribuídas, então
¶ ~ô
ß, â ⟹ ¶z = ∑"* ¶ ~ô ¢ß, £
distribuídas, então
ä6
" "
Ë = ∑"* P ¶ ~ô
ßÍ , âÍ
então
ßÍ = ∑"* P ß
onde
âÍ = P â + 2P P â + 2P P^ â^ + ⋯ + 2P P" â"
e
0 K ≤ 0N
|Ä = ) -û4
ÄK K > 0
diz-se que tem distribuição exponencial (ou exp. negativa). Simbolicamente, ¶~à
Ä.
0 K ≤ 0 N
• Principais Características da Distribuição Exponencial :
Função de Distribuição :
|Ä = )
1−K -û4
K > 0
E -
Função Geradora dos Momentos : I
= ¢1 − û£ = û-E ,
< Ä
û
Valor Esperado : à
¶ =
û
Variância : DFQ
¶ = û6
Coeficiente de Variação : CD = 1
Coeficiente de Assimetria : æ = 2
Coeficiente de Kurtosis : æ = 9
¶~à
Ä ⟹
¶ > + ℎ|¶ > =
¶ >
• Propriedade da “Falta de Memória” :
Distribuição Gama : Uma variável aleatória ¶ com função densidade dada por
0 K ≤ 0
•
|P, Ä = ìû ;ú{ 4 ;1 N , com P > 0 e Ä > 0
K > 0
diz-se ter distribuição gama de parâmetros P e Ä. Simbolicamente, ¶~.
P, Ä.
-
U
0 K ≤ 0
a respectiva função densidade é dada por
| = õ 6 4 6 N
K > 0 , para = 1,2, …
{ 8
; ;1
8
8
6 -¢ £
6
Nota : A distribuição do qui-quadrado é uma distribuição gama com P = e Ä = ,
¶~0
< = > ¶~. ¢ ; £
F
• Métodos de Cálculo :
→ ¶~0
⟹ √2¶ − √2 − 1~ô
0,1
→ ¶~.
; Ä ⟺ 2Ķ − 0
2
Valor Esperado : à
¶ =
• Principais Características da Distribuição do Qui-Quadrado :
Variância : DFQ
¶ = 2
Coeficiente de Variação : CD = =
Coeficiente de Assimetria : æ = =
2
Coeficiente de Kurtosis : æ = 3 +
Função Geradora dos Momentos : I
=
1 − 2- 6 com <
8
ou
¹} -å}
¶ ~ô>ß , â ? ⟹ ∑* ¢ ä}
£ ~0
P, = ¾ ÃU-
1 − Ã- @Ã com P > 0 e > 0
a)
P, =
, P
• Propriedades da Função Beta
b)
1,1 = 1
c) As funções gama e beta estão relacionadas do seguinte modo :
P, = -
U5
-
U-
d) ¢ , £ = ¿
Coeficiente de Variação : CD = =U
U55
-UãU55
Coeficiente de Assimetria : æ =
U55ãU
Coeficiente de Kurtosis : æ =
^
U55á
U56 5U
U5-/+
U
U55
U55^
•
→ P = distribuição simétrica
Forma/Simetria :
→ lim→
≤ = lim→ ¢ ≤ £ = Φ
Outras formulações :
}~1
¹} -å
∑8
Ê
→
≤ = ¢ }~1
¹} -å
≤ £ ≈ Φ
( grande)
∑8
Ê
Corolário : Dada uma sucessão de variáveis aleatórias iid, ¶ , ¶ , … , ¶ , …, com
distribuição de Bernoulli de média à
¶ = ë e DFQ
¶ = ë
1 − ë, vem
•
F
}~1
¹} -ï
~ô
0,1
∑8
ãï
-ï
→
F ≤ ¶ ≤ ¼ = Φ 4
Ê-ï -ï
5−Φ4 5
ãï
-ï ãï
-ï
• Correcção de Continuidade : para > 20,
F ≤ ¶ ≤ ¼ ≈ Φ 6
1 1
Ê5 -ï - -ï
6
7− Φ6 6
7
ãï
-ï ãï
-ï
Caso particular
× = F = ¼ :
¶ = × = ¢× − ≤ ¶ ≤ × + £
1 1
5 -ï - -ï
= Φ6 6
7− Φ6 6
7
ãï
-ï ãï
-ï
• Regras práticas orientadoras do cálculo de probabilidades que envolvem a distribuição
binomial :
→ Sempre que possível, deve utilizar-se directamente a distribuição binomial, o que
→ Quando necessário (sempre para > 20), o cálculo aproximado das probabilidades
permite o cálculo exacto das probabilidades recorrendo a meios computacionais.
~ô
0,1 quando Ä → +∞
¹-û
√û
Outra formulação : …
7−Φ6
Ê5 -û
F ≤ ¶ ≤ ¼ ≈ Φ 6 6 6
7
√û √û
variável aleatória bidimensional contínua, com função densidade ¹,Í , e se Ì é uma função
de
¶, Ë, a expressão
5 5
àÌ
¶, Ë = Â- Â- Ì
, y¹,Í
, y@@y
define o valor esperado de Ì
, y, desde que se verifique a já referida condição de
• Teorema : … à
¶ + Ë = à
¶ + à
Ë
existência do valor esperado.
• Teorema : … à
¶Ë = à
¶à
Ë
• Momentos de Ordem + m em Relação à Origem : Seja
¶, Ë uma variável aleatória
= à
¶ V Ë E = Â- Â- V y E ¹,Í
, y@@y
5 5
bidimensional contínua. O valor esperado,
ßVE
9
− Q = 1, = 0 ⟹ ß¾
→ Momentos de primeira ordem :
9
= à
¶ = ß¹
− Q = 0, = 1 ⟹ ß¾ = à
Ë = ßÍ
9
− Q = 0, = 2 ⟹ ß¾ 9
= à
Ë
• Momentos de Ordem + m em Relação à Média : Seja
¶, Ë uma variável aleatória
ßVE = à
¶ − ßV
Ë − ßE = Â- Â-
− ß¹ V
y − ßÍ E ¹,Í
, y@@y
5 5
bidimensional contínua. O valor esperado,
− Q = 1, = 0 ⟹ ß¾ = 0
→ Momentos de primeira ordem (são nulos) :
− Q = 0, = 1 ⟹ ß¾ = 0
→ Momentos de segunda ordem :
− Q = 2, = 0 ⟹ ß¾ = à
¶ − ß = DFQ
¶ = â¹
− Q = 1, = 1 ⟹ ß = à
¶ − ß
Ë − ß
− Q = 0, = 2 ⟹ ß¾ = à
Ë − ß = DFQ
Ë = âÍ
• Covariância : A covariância das variáveis aleatórias ¶ e Ë é
CÕ
¶, Ë = â¹,Í = à
¶ − ß¹
Ë − ßÍ ,
→ CÕ
¶, Ë = à
¶Ë − à
¶à
Ë
se este valor esperado existir.
→ CÕ
×, ¶ = à
׶ − ×à
¶ = 0
• Coeficiente de Correlação : O coeficiente de correlação entre as variáveis aleatórias ¶ e Ë
¹,Í =
é dado por
¹,Í ä
= ä Ô,Ó
ãÜV
¹ÜV
Í ä
Ô Ó
• Teorema : Se duas variáveis aleatórias, ¶ e Ë, são independentes, então a respectiva
covariância é igual a zero.
→ A independência implica não correlação, mas a recíproca não é verdadeira.
• Teorema : Se existem segundos momentos para as variáveis aleatórias ¶ e Ë, então
DFQ
¶ ± Ë = DFQ
¶ ± CÕ
¶, Ë + DFQ
Ë
DFQ
¶ ± Ë = DFQ
¶ + DFQ
Ë
Em particular, se as variáveis são independentes,
à
|¶ = = àÌ
¶, Ë|¶ = = Â- Ì
, yÍ|¹*4
y@y
definido por
5
5
De modo análogo se define
à
|Ë = y = àÌ
¶, Ë|Ë = y = Â- Ì
, y¹|Í*x
@
→ Se Ì
, y = Ë , à
Ë|¶ = = Â- yÍ|¹*4
y@y
5
→ Se Ì
, y = ¶ , à
¶|Ë = y = Â- ¹|Í*x
@
5
→ DFQ
Ë|¶ = = à
Ë |¶ = − à
Ë|¶ =
→ DFQ
¶|Ë = y = à
¶ |Ë = y − à
¶|Ë = y
Os resultados da secção 4.11 ainda são válidos para variáveis aleatórias Ý-dimensionais
contínuas (matrizes das covariâncias e das correlações, etc).
função densidade é da forma
¹,Í >, y|ß¹ , ßÍ , â¹ , âÍ , ¹,Í ? =
äÔ äÓ =-8Ô,Ó
6
4-åÔ x-åÓ
× K¯ Å− >-86 2
4-åÔ x-åÓ
¢ £ − ¹,Í ¢ £ ¢ £ + ¢ £ 9
Ô,Ó ? äÔ äÔ äÓ äÓ
com
, y ∈ ℝ, ß¹ ∈ ℝ, ßÍ ∈ ℝ, â¹ > 0, âÍ > 0 e −1 ≤ ¹,Í ≤ 1, diz-se
que tem
distribuição normal bidimensional.
•
Â- Â- ¹,Í
, y@ @y = 1
5 5
Principais Características da Distribuição Normal Bidimensional :
• Teorema : Se
¶, Ë é uma variável aleatória normal bidimensional, então ¶ e Ë são
independentes se e so se ¶ e Ë forem não correlacionados
= 0.