1.

2 Conceito de Variável Aleatória

Se considerarmos uma dada experiência aleatória e o espaço de resultados Ω

que lhe está associado, uma variável aleatória relacionada com a experiência
pode ser concebida como uma regra que associa a cada resultado possível da
experiência, ou seja, a cada elemento ω ∈ Ω , um nº real.

Uma variável aleatória (v.a.) X é uma função real de elementos de Ω. O

conjunto de valores que X pode assumir representa-se por R X .

1.3 Variáveis Aleatórias Discretas

Definição

Uma v.a. X diz-se discreta se o conjunto de valores que pode assumir, R X , é

um conjunto discreto, ou seja, um conjunto de pontos isolados da recta real.

Função de Probabilidade, Função de Distribuição e Suas Propriedades

A função de probabilidade de uma v.a. discreta X é definida da seguinte

forma:
f ( x ) = P[X = x ], x ∈ RX

3
A função de probabilidade, f(x), verifica as seguintes propriedades:

1) f ( x ) ≥ 0 , ∀x ∈ ℜ
2) ¦ f ( x) = 1 com R X = { x : f ( x ) > 0}
x∈ R x

3) P[X ∈ E ] = ¦ f ( x) , E ⊂ ℜ
x ∈E ∩ R X

A função de distribuição de uma v.a. X, designada por F(x), dá-nos o valor

da probabilidade de X assumir valores inferiores ou iguais a x, para ∀x ∈ ℜ ,
ou seja,
F ( x ) = P[X ≤ x ], x ∈ℜ

Esta função também pode ser designada por função de probabilidade acumulada
pois acumula probabilidade até x. A definição de função de distribuição é válida
tanto para v.a. discretas como para v.a. contínuas. A sua forma de cálculo é que é
diferente quer se trate de um caso ou de outro. No caso de X ser uma v.a. discreta
tem-se:
F ( x) = ¦ f (t )
t ≤ x ; t ∈R X

Tarefa: ver as propriedades das funções de distribuição (em Murteira et al [2002];

pág. 101).

4
Funções de uma Variável Aleatória

Seja X uma v.a. discreta com função de probabilidade (f.p.), f x (x ) , e conjunto de

valores que pode assumir, R X . Seja também Y = g ( X ) , uma outra v.a. função

de X. Verifica-se que Y também é uma v.a. discreta com

RY = {y : y = g ( x ) , x ∈ Rx } e a sua f.p., fY ( y ) , pode ser obtida da seguinte
forma:
fY ( y ) = ¦ f X ( x) , y ∈ RY com B y = {x : x ∈ R X ; g ( x ) = y}
x∈B y

Valor Esperado e Variância

O valor esperado ou média de uma v.a. X (discreta ou contínua) é um parâmetro de

localização da distribuição. Representa o ponto em torno do qual mais se
concentram as probabilidades ou densidades de probabilidade. Representa-se por
E [X ] ou µ X .

No caso de X ser uma v.a. discreta com f.p. f(x), o valor esperado ou média
de X é dada por
E [X ] = ¦ x f ( x)
x∈ R X

quando
¦ | x | f ( x) < ∞
x∈ R X

ou seja, quando a série indicada acima for absolutamente convergente.

5
Seja G ( X ) uma função da v.a. X discreta referida acima. O valor esperado
de G ( X ) é dado por
E [G ( X )] = ¦ G( x) f ( x)
x ∈R X

desde que a série seja absolutamente convergente.

Teorema (válido para v.a. discretas e contínuas) – Se X é uma v.a. então

a) E [c ] = c , com c uma constante qualquer

b) E [c H ( X )] = c E [H ( X )] , com c uma constante qualquer
c) E [H ( X ) + J ( X )] = E [H ( X )] + E [J ( X )]
desde que os valores esperados existam.

Em particular, verifica-se (com Y uma outra v.a.):

a) E [c X ] = cE [X ]
b) E [X + Y ] = E [X ] + E [Y ]

A variância de uma v.a. X (discreta ou contínua) é definida da seguinte

forma:
[
V [X ] = E ( X − µ X ) 2 ]

6
Também pode ser designada por σ X2 . A variância de X é uma medida de
dispersão dos valores observados de X em torno do seu valor esperado. Ao
valor positivo da raíz quadrada de σ X2 dá-se o nome de desvio padrão da v.a.

X e designa-se por σ X . Enquanto σ X2 é medida nas unidades de X ao

quadrado, σ X é medido nas mesmas unidades de X.

Uma fórmula alternativa para o cálculo de V [X ] é a seguinte:

[ ] 2
V [X ] = E X 2 − {E [X ] }

Tarefa: provar que V [X ] também se pode calcular usando a fórmula

alternativa.

Pode provar-se que:

a) V [c ] = 0 , com c uma constante qualquer

b) V [c X ] = c 2 V [X ], com c uma constante qualquer

c) V [X + c] = V [X ], com c uma constante qualquer

Tarefa: provar as 3 propriedades anteriores de V [X ] .

7
1.4 Variáveis Aleatórias Contínuas

Definição

Se X é uma v.a. cuja função de distribuição, F(x), é uma função contínua

para − ∞ < x < +∞ , então X diz-se uma v.a. contínua.

Função Densidade de Probabilidade, Função de Distribuição e Suas

Propriedades

Seja X uma v.a. contínua com função de distribuição F(x). A função

densidade de probabilidade da v.a. X é definida da seguinte forma:

dF ( x )
f ( x) = = F ′( x )
dx
O conjunto de valores que a v.a. contínua X pode assumir é:
R X = {x : f ( x ) > 0}.

A função de distribuição de uma v.a. contínua verifica:

x
F ( x ) = P[ X ≤ x ] = ³ f (t ) dt , − ∞ < x < +∞
−∞

Note-se que, tendo f(x) é possível obter F(x), como se acabou de ver. Por
outro lado, tendo F(x) é possível obter f(x): f ( x ) = F ′( x ) . Note-se também
que neste caso P[X = x ] = 0 , ∀x ∈ ℜ .

8
A função densidade de probabilidade (f.d.p.) , f(x), verifica as seguintes
propriedades:

1) f ( x ) ≥ 0 , ∀x ∈ ℜ
+∞
2) ³ f ( x ) dx = 1
−∞

x2
3) ³ f ( x ) dx = F ( x2 ) − F ( x1 ) = P[x1 < X ≤ x2 ], com x2 > x1
x1

Atendendo a que P[X = x1 ] = P[X = x2 ] = 0 , a propriedade 3 também se

pode escrever com qualquer das probabilidades:
P[x1 ≤ X < x2 ], P[x1 ≤ X ≤ x2 ] , P[x1 < X < x2 ].

Funções de uma Variável Aleatória

Seja uma função real de variável real, y = g (x ) , definida em todos os pontos

d g ( x)
x de um conjunto D. Suponha-se que existe para todos os x ∈ D . Se
dx
para todos os x1 , x2 ∈ D , com x1 < x2 , se tiver g ( x1 ) < g ( x2 ) , a função g(x)
diz-se monótona crescente; no caso de se ter g ( x1 ) > g ( x2 ) para todos os
x1 e x2 a verificarem as mesmas condições, g(x) diz-se monótona
decrescente.

Uma importante propriedade de uma função monótona crescente ou

decrescente é que a função inversa, x = g −1 ( y ) , existe.

9
Teorema – Seja X uma v.a. contínua e seja g(x) uma função contínua,
diferenciável e monótona crescente ou decrescente. Então se Y = g ( X ) , a
função de distribuição da v.a. Y vem

(
FY ( y ) = FX g −1 ( y ) ) se g ( x ) é monótona crescente

(
= 1 − FX g −1 ( y ) ) se g ( x ) é monótona decrescente

e a f.d.p. de Y vem
d g −1 ( y )
fY ( y ) = f X ( −1
g ( y) )
dy

Valor Esperado e Variância

No caso de X ser uma v.a. contínua com f.d.p. f(x), o valor esperado ou
média de X é dada por
+∞
E [X ] = ³ x f ( x ) dx
−∞

quando o integral é absolutamente convergente.

Seja G ( X ) uma função da v.a. X contínua referida acima. O valor esperado

de G ( X ) é dado por
+∞
E [G ( X )] = ³ G ( x ) f ( x ) dx
−∞

desde que o integral seja absolutamente convergente.

10
Note-se que a variância de uma v.a. contínua é dada pelas mesmas fórmulas
que a variância de uma v.a. discreta. No entanto, as respectivas formas de
cálculo são diferentes.

1.5 Momentos de uma Variável Aleatória. Pârametros de Ordem.

Momentos em Relação à Origem e em Relação à Média

O momento de ordem k em relação à origem de uma v.a. X é definido da

seguinte forma:
[ ]
mk = µ k′ = E X k , k = 1, 2, ...

desde que o valor esperado exista.

O primeiro momento ou momento de ordem 1 em relação à origem de uma

v.a. X é dado por:
m1 = µ1′ = E [X ] = µ X

O segundo momento ou momento de ordem 2 em relação à origem de uma

v.a. X é dado por:
[ ]
m2 = µ 2′ = E X 2

11
Se conhecermos os dois primeiros momentos em relação à origem de uma
v.a. X, sabemos qual a sua média e a sua variância pois

V [X ] = m2 − m12

ou seja, estes dois momentos dão-nos informação acerca da localização da

distribuição e da sua dispersão em torno da média. Os momentos de ordem
superior dão-nos informação acerca de outros aspectos da distribuição, tais
como a sua assimetria e o seu achatamento.

O desvio padrão de X pode ser usado como medida da dispersão absoluta da

distribuição de X. No entanto para medir a sua dispersão relativa (ou seja,
comparativamente à dispersão de outras distribuições) emprega-se o
coeficiente de variação de X, ou seja
σX
CV X =
µX

O momento de ordem k em relação à média, ou momento central de ordem

k, de uma v.a. X é definido da seguinte forma:

[ ]
µ k = E ( X − µ x ) k , k = 1, 2, ...

desde que o valor esperado exista.

12
É fácil verificar que o primeiro momento em relação à média é sempre nulo.

O segundo momento ou momento de ordem 2 em relação à média de uma

v.a. X é dado por:
[ ]
µ 2 = E ( X − µ x ) 2 = V [X ] = σ X2

O coeficiente de assimetria ou de enviesamento de X mede a assimetria da

distribuição de X, sendo dado por
µ3 µ3
γX = =
σ X3 (µ 2 )3 2

Mostra-se que, quando a distribuição de X é simétrica, todos os momentos

centrais de ordem ímpar de X são nulos. Sendo assim, quando X tem uma
distribuição simétrica, tem-se que γ X = 0 .

Parâmetros de Ordem

Seja X uma v.a. contínua com função de distribuição F(x). O (100k)-ésimo

quantil de uma v.a. X é o número xk que verifica:

F ( xk ) = k , 0 < k < 1

13
O quinquagésimo quantil, x0.5 , também é designado por mediana da v.a. X.
A mediana corta a área abaixo da f.d.p. da v.a. X (e acima do eixo dos x) em
duas partes com áreas iguais: 0.5 para a esquerda e 0.5 para a direita. A
mediana é uma medida alternativa da localização da distribuição de X.

O 25º, 50º e 75º quantis de uma v.a. X também são designados por quartis da
v.a. X. Têm esta designação pelo facto de dividirem a área abaixo da f.d.p.
da v.a. X em 4 partes, cada uma das quais com área igual a 0.25.

A amplitude inter-quartis é dada pela diferença: x0.75 − x0.25 . Dá-nos a

amplitude de um intervalo “centrado” na mediana e que contém 50% da
massa de probabilidade. Por vezes, é utilizada como uma medida alternativa
da dispersão absoluta da distribuição de X.

Quando k=0.1, 0.2, ..., 0.9 obtêm-se os decis. Quando k=0.01, 0.02, ..., 0.99
têm-se os percentis.

Note-se que os parâmetros de ordem também podem definir-se para as

distribuições discretas, mas, nesse caso, têm muito menor importância.

14