Responda aos itens:
i) Explique o que é um vetor aleatório discreto. Quais propriedades ele deve satisfazer? Dê um exemplo de vetor aleatório discreto e descreva como calcular sua função de probabilidade conjunta;
ii) Explique a diferença entre vetor aleatório discreto e vetor aleatório contínuo. O que é uma densidade conjunta?
iii) O que significa realizar uma transformação de variáveis aleatórias? Explique o papel do Jacobiano no caso contínuo e dê um exemplo de transformação;
iv) Explique como a transformação de variáveis contínuas pode gerar novas distribuições (como Beta, Gamma ou Normal).
Passo 1
O enunciado pede quatro coisas claras:
(i) Definir o que é um vetor aleatório discreto, listar as propriedades que ele deve satisfazer e dar um exemplo com cálculo da função de probabilidade conjunta.
(ii) Explicar a diferença entre vetor aleatório discreto e vetor aleatório contínuo e definir o que é densidade conjunta.
(iii) Explicar o que significa realizar uma transformação de variáveis aleatórias, explicar o papel do Jacobiano no caso contínuo e dar um exemplo de transformação.
(iv) Explicar como transformações de variáveis contínuas podem gerar novas distribuições (ex.: Beta, Gamma, Normal), com exemplos.
Informações relevantes que temos para responder: nenhuma outra dada no enunciado — devo construir definições, propriedades e exemplos didáticos e passo a passo.
Passo 2
(i) O que é um vetor aleatório discreto e suas propriedades — definição e significado passo a passo.
Definição: um vetor aleatório discreto é um vetor \mathbf{X}=(X_1,X_2,\dots,X_n) cujas componentes só assumem valores em um conjunto contável (finito ou enumerável) de pontos.
Formalmente, a função de probabilidade conjunta (PMF conjunta) é
definida para cada tupla (x_1,\dots,x_n) no suporte (conjunto de valores possíveis).
Propriedades que a PMF conjunta deve satisfazer:
Não-negatividade:p_{\mathbf{X}}(x_1,\dots,x_n)\ge 0\quad\text{para todo }(x_1,\dots,x_n).
Soma das probabilidades igual a 1:\sum_{(x_1,\dots,x_n)} p_{\mathbf{X}}(x_1,\dots,x_n)=1,onde a soma percorre todo o suporte (toda astuplas possíveis).
Probabilidades de eventos são obtidas somando a PMF sobre as tuplas que satisfazem o evento. Por exemplo, a probabilidade de um evento A é\mathbb{P}(\mathbf{X}\in A)=\sum_{(x_1,\dots,x_n)\in A} p_{\mathbf{X}}(x_1,\dots,x_n).
Marginais e condicionais (ferramentas úteis):
Marginal de X_1:p_{X_1}(x_1)=\sum_{x_2}\cdots\sum_{x_n} p_{\mathbf{X}}(x_1,x_2,\dots,x_n).
Condicional X_1 dado X_2=x_2,\dots,X_n=x_n:p_{X_1\mid X_2,\dots,X_n}(x_1\mid x_2,\dots,x_n)= \frac{p_{\mathbf{X}}(x_1,x_2,\dots,x_n)}{p_{X_2,\dots,X_n}(x_2,\dots,x_n)},quando o denominador for >0.
Exemplo concreto e cálculo passo a passo:
Exemplo clássico: lançar dois dados justos (cada dado com faces 1,2,3,4,5,6). Defina \mathbf{X}=(X_1,X_2) onde X_1 e X_2 são os resultados do primeiro e do segundo dado.
Suporte: todas as tuplas (i,j) com i,j\in\{1,\dots,6\}; há 36 casos igualmente prováveis.
Exemplo de uso: probabilidade do evento “a soma é 7”:
Identificar as tuplas que somam 7: (1,6),(2,5),(3,4),(4,3),(5,2),(6,1) — são 6 casos.
Somar as probabilidades:\mathbb{P}(X_1+X_2=7)=\sum_{(i,j):i+j=7} p_{X_1,X_2}(i,j)=6\cdot\frac{1}{36}=\frac{1}{6}.
Observação pedagógica: aqui a PMF é uniforme; em exemplos não-uniformes cada tupla teria probabilidade possivelmente diferente, mas as regras de soma para obter eventos continuam as mesmas.
Passo 3
(ii) Diferença entre vetor aleatório discreto e contínuo; definição de densidade conjunta — explicado com calma e exemplos.
Ideia intuitiva:
Discreto: conjunto de valores contável (ex.: faces de um dado, contagens). Probabilidades aparecem como números associados a pontos (PMF).
Contínuo: as variáveis podem assumir qualquer valor em um conjunto não contável (intervalos de \mathbb{R}). A probabilidade de um ponto exato geralmente é 0; em vez disso usamos densidades e integrais.
Definição formal (contínuo):
Um vetor aleatório contínuo \mathbf{X}=(X_1,\dots,X_n) possui uma função densidade conjunta f_{\mathbf{X}}(x_1,\dots,x_n) tal que, para qualquer conjunto mensurável A,
Aqui a probabilidade de acontecer um ponto exato (x_1,x_2) é 0; probabilidades são áreas (integral da densidade).
Observação importantíssima (didática): densidade não é probabilidade. Dizer “f_X(0)=2” não significa que a probabilidade em 0 é 2 — isso só faz sentido dentro de uma integral sobre um pequeno intervalo.
Passo 4
(iii) O que é realizar uma transformação de variáveis aleatórias e o papel do Jacobiano — 1D e multidimensional, derivação e intuição.
Ideia: transformar variáveis é aplicar uma função às r.v.s. Por exemplo, se \mathbf{X} tem distribuição conhecida e define-se \mathbf{Y}=g(\mathbf{X}), queremos encontrar a distribuição de \mathbf{Y}. Isso aparece sempre que mudamos coordenadas (ex.: retangular para polar) ou definimos funções de interesse (soma, razão, máximo, etc.).
Caso unidimensional monotônico (fórmula e explicação):
Seja X contínua com densidade f_X e defina Y=g(X) com g estritamente monotônica e invertível. Então para y tal que há x=g^{-1}(y),f_Y(y)=f_X(g^{-1}(y))\left|\frac{d}{dy}\big(g^{-1}(y)\big)\right|.
Intuição: o fator \left|\frac{d}{dy}g^{-1}(y)\right| mede como pequenos intervalos em y correspondem a intervalos em x — ou seja, como as “larguras” se esticam ou comprimem, ajustando a densidade.
Derivação rápida em 1D (rápida intuição matemática):
Para pequeno \Delta y,\mathbb{P}(y\le Y\le y+\Delta y)\approx f_Y(y)\,\Delta y.Mas isso é \mathbb{P}(g^{-1}(y)\le X\le g^{-1}(y+\Delta y))\approx f_X(g^{-1}(y))\big(g^{-1}(y+\Delta y)-g^{-1}(y)\big).
Dividindo por \Delta y e fazendo \Delta y\to0 obtém-se a fórmula acima.
Caso multivariado (papel do Jacobiano):
Seja \mathbf{X}\in\mathbb{R}^n com densidade f_{\mathbf{X}}(\mathbf{x}) e \mathbf{Y}=g(\mathbf{X}) uma transformação invertível e diferenciável. A relação entre densidades éf_{\mathbf{Y}}(\mathbf{y})=f_{\mathbf{X}}\big(g^{-1}(\mathbf{y})\big)\cdot \left|\det\!\left( J_{g^{-1}}(\mathbf{y})\right)\right|,onde J_{g^{-1}}(\mathbf{y}) é a matriz Jacobiana da transformação inversa, com entradas \dfrac{\partial x_i}{\partial y_j}.
Intuição geométrica: o determinante do Jacobiano mede a razão entre volumes elementares em \mathbf{x} e em \mathbf{y}. Se \det J_{g^{-1}}(\mathbf{y})=2 naquele ponto, um pequeno cubo de volume \Delta V_y em \mathbf{y} corresponde a um paralelograma de volume 2\Delta V_y em \mathbf{x}; então a densidade deve ser ajustada por esse fator para manter probabilidades iguais.
Exemplo clássico e detalhado (normais → polar → Rayleigh / chi-square) — passo a passo:
Comece com \mathbf{X}=(X_1,X_2) independentes N(0,1). Densidade conjunta:f_{X_1,X_2}(x_1,x_2)=\frac{1}{2\pi} e^{-\frac{x_1^2+x_2^2}{2}}.
Defina a transformação para coordenadas polares:R=\sqrt{X_1^2+X_2^2},\qquad \Theta=\arctan2(X_2,X_1).O inverso éX_1=R\cos\Theta,\qquad X_2=R\sin\Theta.
Usando a fórmula do Jacobiano:f_{R,\Theta}(r,\theta)=f_{X_1,X_2}(r\cos\theta,r\sin\theta)\cdot r =\frac{1}{2\pi} e^{-r^2/2}\cdot r, \qquad r\ge 0,\\ \theta\in[0,2\pi).
Marginalizando \Theta (integrando \theta de 0 a 2\pi) obtemos a densidade de R:f_R(r)=\int_0^{2\pi} f_{R,\Theta}(r,\theta)\,d\theta =\frac{1}{2\pi} e^{-r^2/2}\cdot r \cdot 2\pi = r e^{-r^2/2},\qquad r\ge0.Essa é a densidade conhecida como distribuição Rayleigh com parâmetro 1.
Se definirmos Y=R^2, fazemos a transformação unidimensional y=r^2. Inverso r=\sqrt{y} e \dfrac{dr}{dy}=\dfrac{1}{2\sqrt{y}}. Aplicando a fórmula unidimensional:f_Y(y)=f_R(\sqrt{y})\left|\frac{d}{dy}\sqrt{y}\right| =\big(\sqrt{y} e^{-y/2}\big)\cdot\frac{1}{2\sqrt{y}}=\frac{1}{2}e^{-y/2},\qquad y\ge0.Essa é a distribuição \chi^2 com 2 graus de liberdade, que também é uma \mathrm{Gamma} com parâmetros (k=1,\\ \theta=2). Aqui se vê como a transformação de variáveis (polares, depois y=r^2) gerou Rayleigh e \chi^2/Gamma a partir de dois normais.]
Passo 5
(iii) Continuação com intuição e um exemplo prático simples (1D): inversa do uniforme → exponencial (método do transformador inverso).
Exemplo simples passo a passo:
Seja U\sim \mathrm{Uniform}(0,1). Queremos gerar X com distribuição exponencial de taxa \lambda>0, cuja CDF é F_X(x)=1-e^{-\lambda x} para x\ge0.
Inverso da CDF: F_X^{-1}(u)=-\frac{1}{\lambda}\ln(1-u). Como 1-U tem mesma lei de U, uma forma prática éX=-\frac{1}{\lambda}\ln U.
Verificação rápida com a fórmula de transformação (ou dedução pela CDF):\mathbb{P}(X\le x)=\mathbb{P}\!\Big(-\frac{1}{\lambda}\ln U\le x\Big)=\mathbb{P}\!\Big(U\ge e^{-\lambda x}\Big)=1-e^{-\lambda x},recuperando a CDF exponencial. Aqui usamos uma transformação monotônica do uniforme para obter uma exponencial.
Observação prática: esse é exatamente o método usado em simulação (aleatorização) para gerar amostras de uma distribuição desejada a partir de uniformes — demonstração de como transformação cria uma nova distribuição.
Passo 6
(iv) Como transformações contínuas geram familias como Beta, Gamma, Normal — exemplos e derivação curta.
Beta a partir de duas Gammas (exemplo clássico e útil):
Seja U\sim \mathrm{Gamma}(\alpha,1) e V\sim \mathrm{Gamma}(\beta,1) independentes. DefinaX=\frac{U}{U+V},\qquad T=U+V.O par (X,T) transforma (U,V) por função invertível com inversoU=TX,\qquad V=T(1-X),com domínio x\in(0,1),\\ t>0. O Jacobiano absoluto do inverso é |\det J|=t (cálculo direto das derivadas; isso pode ser verificado diferenciando U,V em relação a x,t). A densidade conjunta de (U,V) éf_{U,V}(u,v)=\frac{1}{\Gamma(\alpha)}u^{\alpha-1}e^{-u}\cdot\frac{1}{\Gamma(\beta)}v^{\beta-1}e^{-v}.Substituindo u=tx,\\ v=t(1-x) e multiplicando pelo Jacobiano t, e então integrando em t para obter a marginal de X, obtém-sef_X(x)=\frac{\Gamma(\alpha+\beta)}{\Gamma(\alpha)\Gamma(\beta)}x^{\alpha-1}(1-x)^{\beta-1},\qquad 0<x<1,que é a densidade \mathrm{Beta}(\alpha,\beta). Assim, a razão U/(U+V) de duas gammas independentes dá a Beta — transformação + Jacobiano + integração produzem a forma Beta.
Gamma a partir de somas de exponenciais:
Se X_1,\dots,X_k são i.i.d. \mathrm{Exp}(\lambda), então S=\sum_{i=1}^k X_i tem distribuição \mathrm{Gamma}(k,\lambda^{-1}) (parâmetro forma k inteiro). Esse é um caso em que uma operação (soma) sobre variáveis contínuas gera outra família conhecida.
Outra rota: transformações escalares e poderes de distribuições (por exemplo, se Y\sim\chi^2_\nu então Y é uma Gamma com certos parâmetros).
Normal gerado por transformações (Box–Muller — exemplo construtivo):
Partindo de dois independentes U_1,U_2\sim\mathrm{Uniform}(0,1), definirR=\sqrt{-2\ln U_1},\qquad \Theta = 2\pi U_2,e entãoZ_1=R\cos\Theta,\qquad Z_2=R\sin\Theta.Usando a transformação polar junto com o Jacobiano e a densidade apropriada, obtém-se que Z_1,Z_2 são independentes N(0,1). Esse é um método direto para “criar” Normais a partir de Uniformes usando transformação e o papel crítico do fator de ajuste (a raiz e o 2\pi).
Observação conceitual:
Muitas distribuições clássicas aparecem porque são imagens (transformações) de vetores simples (uniformes, exponenciais, normais, gammas) através de funções naturais (somar, dividir, elevar ao quadrado, mudar coordenadas). O Jacobiano garante que a densidade resultante conserve probabilidades quando mudamos a maneira de medir “volume” no espaço das variáveis.
Passo 7
Resumo prático e dicas para a prova (passo a passo curto, motivador):
Para um vetor discreto: escreva a PMF conjunta, verifique não-negatividade e soma 1; calcule probabilidades somando sobre as tuplas do evento. Sempre que pedirem marginais, some; condicionais, divida pela marginal.
Para contínuas: escreva a densidade conjunta; probabilidades = integrais; marginais = integrais parciais; condicionais = razão de densidades.
Para transformações:
Em 1D use f_Y(y)=f_X(g^{-1}(y))\left|\dfrac{d}{dy}g^{-1}(y)\right| quando g é monotônica.
Em multivariado use f_{\mathbf{Y}}(\mathbf{y})=f_{\mathbf{X}}(g^{-1}(\mathbf{y}))\left|\det J_{g^{-1}}(\mathbf{y})\right|.
Sempre: encontre o inverso da transformação, calcule o Jacobiano (determinante), substitua na densidade original e integre se precisar de marginais.
Exemplos mains: dois normais → polares → Rayleigh/chi-square; duas gammas → razão U/(U+V) → Beta; Uniform → exponencial por inverso; Box–Muller para Normais.
Força aí — com esse passo a passo dá pra resolver as questões de prova que envolvam definições, transformações e encontrar distribuições resultantes.
Resposta
(i) Um vetor aleatório discreto \mathbf{X}=(X_1,\dots,X_n) é aquele cujas componentes assumem valores em um conjunto contável; sua função de probabilidade conjunta é p_{\mathbf{X}}(x_1,\dots,x_n)=\mathbb{P}(X_1=x_1,\dots,X_n=x_n), com p_{\mathbf{X}}\ge0 e \sum_{(x_1,\dots,x_n)} p_{\mathbf{X}}(x_1,\dots,x_n)=1. Ex.: dois dados — p_{X_1,X_2}(i,j)=1/36 para i,j\in\{1,\dots,6\}; probabilidades de eventos obtêm-se somando a PMF sobre as tuplas do evento.
(ii) Diferença: discreto → suporte contável e PMF; contínuo → suporte não contável e densidade conjunta f_{\mathbf{X}}(x_1,\dots,x_n) tal que \mathbb{P}(\mathbf{X}\in A)=\int_A f_{\mathbf{X}}. Propriedades: f_{\mathbf{X}}\ge0 e \int f_{\mathbf{X}}=1. Densidade não é probabilidade pontual; probabilidades vêm por integração; marginais obtêm-se por integração parcial.
(iii) Transformação é aplicar \mathbf{Y}=g(\mathbf{X}) e achar a distribuição de \mathbf{Y}. Em 1D monotônico: f_Y(y)=f_X(g^{-1}(y))\left|\dfrac{d}{dy}g^{-1}(y)\right|. Em multivariado invertível e diferenciável:
onde o Jacobiano ajusta o fator de escala entre volumes em \mathbf{x} e \mathbf{y}. Ex.: normais independentes \to polares dá f_{R,\Theta}(r,\theta)=\dfrac{1}{2\pi}e^{-r^2/2}\,r.
(iv) Transformações geram novas distribuições porque mudar variável altera como a massa de probabilidade é redistribuída (com ajuste do Jacobiano). Exemplos: razão U/(U+V) com U\sim\mathrm{Gamma}(\alpha,1), V\sim\mathrm{Gamma}(\beta,1) independentes produz \mathrm{Beta}(\alpha,\beta); soma de exponenciais produz \mathrm{Gamma}; Box–Muller transforma dois \mathrm{Uniform}(0,1) em dois N(0,1).