Probabilidade

Variáveis Aleatórias, Função Distribuição, Função de Probabilidade, Função Densidade

de Probabilidade, Momentos e Função Geratriz de Momentos

Prof. Jorge Festa

Laboratório de Estatística e Geoinformação

Departamento de Estatística
Universidade Federal do Paraná

Última atualização em 2020-11-26 20:50

Prof. Jorge Festa Probabilidade 1

Nossa rota
Nos vídeos anteriores Neste vídeo
I Probabilidade (Introdução). I Variável Aleatória e Função
I Experimento, Espaço Amostral e Distribuição.
Eventos. I Variável Aleatória Discreta. Função de
I Álgebra, Sigma Álgebra e Partição do Probabilidade.
Espaço Amostral. I Variável Aleatória Contínua. Função
I Definição Clássica, Definição Densidade de Probabilidade.
Frequentista, Definição Geométrica. I Esperança e Momentos.
I Definição Axiomática e suas I Valor Esperado de uma Função de uma
propriedades. Variável Aleatória.
I Espaço de Probabilidade. I Desigualdade de Chebychev e de
I Probabilidade Condicional e Jensen.
Independência. I Momentos e Função Geratriz de
Momentos
Prof. Jorge Festa Probabilidade 2
Variável Aleatória
Para um dado espaço de probabilidade (Ω,A, P[.]), uma variável aleatória indicada por X
é uma função com domínio o espaço amostral Ω e contradomínio os números reais R ,
tal que o evento X −1 (−∞, x] = {ω : X (ω) ≤ x} ∈ A, ∀x ∈ R . (ROHATGI, 1976)
Exemplo: Considere o experimento de lançar uma moeda duas vezes, e observar as duas
façes voltadas para cima, onde h = cara e t = coroa. Seja X a variável aleatória que indica
o número de coroas que ocorrem. Sejam os eventos: A0 = {(h, h)}, A1 = {(h, t); (t, h)} e
A2 = {(t, t)}.

a) Qual o espaço amostral do experimento?

Solução Ω = {(h, h); (h, t); (t, h); (t, t)}.

b) Mostre que os eventos { A0 ; A1 ; A2 } formam uma Partição P do espaço amostral Ω.

Solução A0 ∪ A1 ∪ A2 = Ω e A0 ∩ A1 ∩ A2 = ∅.

Prof. Jorge Festa Probabilidade 3

Variável Aleatória (cont.)
c) Quais os valores que a variável aleatória X assume?

Solução: Os valores que a variável aleatória X assumem são x = 0, 1 e 2.

d) X , que indica o número de coroas que ocorrem no lançamento de uma moeda duas
vezes é uma variável aleatória?

Solução:
Se x < 0, {ω : X (ω) ≤ x} = [X ≤ x] = ∅ ∈ A
Se 0 ≤ x < 1, {ω : X (ω) ≤ x} = [X ≤ x] = A0 ∈ A
Se 1 ≤ x < 2, {ω : X (ω) ≤ x} = [X ≤ x] = A0 ∪ A1 ∈ A
Se x ≥ 2, {ω : X (ω) ≤ x} = [X ≤ x] = A0 ∪ A1 ∪ A2 = Ω ∈ A
Logo, X é uma variável aleatória.

Prof. Jorge Festa Probabilidade 4

Função Distribuição (Acumulada)

A função distribuição da variável aleatória X indicada por FX (x), é uma função com
domínio os números reais R e contradomínio o intervalo [0, 1], que satisfaz:

FX (x) = P[X ≤ x] = P[{ω : X (ω) ≤ x}], ∀x ∈ R .

Propriedades:
F1. FX (x) é não decrescente, isto é, x ≤ y, FX (x) ≤ FX (y);
F2. FX (x) é contínua à direita, isto é, se xn ↓ x, FX (xn ) ↓ FX (x);
F3. FX (−∞) = 0 e FX (∞) = 1, isto é, xn ↓ −∞; FX (xn ) ↓ 0, e se xn ↑ ∞; FX (xn ) ↑ 1.

Prof. Jorge Festa Probabilidade 5

Exemplo (Função Distribuição)

e) Para o enunciado do exemplo anterior, apresente a Função Distribuição FX (x) da

variável aleatória X .

Solução:
Para x < 0, FX (x) = P[{ω : X (ω) ≤ x}] = P[X ≤ x] = P[∅] = 0;
Para 0 ≤ x < 1, FX (x) = P[{ω : X (ω) ≤ x}] = P[X ≤ x] = P[ A0 ] = P[{(h, h)}] = 0,25;
Para 1 ≤ x < 2, FX (x) = P[{ω : X (ω) ≤ x}] = P[X ≤ x] = P[ A0 ∪ A1 ] = P[ A0 + A1 ] = 0,75;
Para x ≥ 2, FX (x) = P[{ω : X (ω) ≤ x}] = P[X ≤ x] = P[ A0 ∪ A1 ∪ A2 ] = P[Ω] = 1.
I Portanto, a FX (−∞) = 0; FX (0) = 0,25; FX (1) = 0,75; FX (2) = 1 = FX (∞).

Prof. Jorge Festa Probabilidade 6

Variável Aleatória Discreta

A variável aleatória X é dita discreta se o seu domínio é um conjunto finito ou infinito

enumerável, ou melhor, se existe um conjunto finito ou infinito enumerável de valores
{x1 , x2 , ..., xn , ...} ⊂ R , tal que X (ω) ∈ {x1 , x2 , ..., xn , ...},∀ω ∈ Ω.
A função P[X = xi ], i = 0,1, 2, ..., n, ... é chamada função de probabilidade da variável
aleatória X .

Prof. Jorge Festa Probabilidade 7

Variável Aleatória Contínua

A variável aleatóriaRX é dita contínua se existe uma função fX (x) ≥ 0, tal que
x
FX (x) = P[X ≤ x] = −∞ fX (t)dt, ∀x ∈ R, e então f (x) é a função densidade de
probabilidade da variável aleatória X. (MOOD et al., 1974)

Prof. Jorge Festa Probabilidade 8

Função de Probabilidade
A função de probabilidade da variável aleatória X discreta, representada por P[X = xi ] é
qualquer função tal que para X (ω) ∈ {x1 , x2 , ..., xn , ...}, ∀ω ∈ Ω, tem-se:

i) P[X = xi ] ≥ 0
Xn
ii) P[X = xi ] = 1.
i=1

Exemplo: Seja X uma variável aleatória com a seguinte função de probabilidade,

P[X = x] = px q(1−x) , para x que assume os valores 0 e 1, onde 0 ≤ q = (1 − p) ≤ 1. Mostre
que é P[X = x] é uma função de probabilidade.

i) P[X = xi ] ≥ 0, P[X = 0] = p0 q1−0 = q e P[X = 1] = p1 q1−1 = p.

n
X 2
X
ii) P[X = xi ] = P[X = xi ] = P[X = 0] + P[X = 1] = p0 q1−0 + p1 q1−1 = p + q = 1
i=1 x=1

Prof. Jorge Festa Probabilidade 9

Função Densidade de Probabilidade

A função densidade de probabilidade da variável aleatória X contínua, representada

por fX (x) é qualquer função tal que:

i) fX (x) ≥ 0
R∞
ii) −∞ fX (x)dx = 1.

Se X é uma variável aleatória contínua, então FX (x) pode ser obtida da fX (x) e vice versa.
Rx
FX (x) = −∞ fX (u)du ou fX (x) = dx
d
FX (x), onde x é diferenciável.

Prof. Jorge Festa Probabilidade 10

Determinação da distribuição da variável aleatória X

A distribuição de uma variável aleatória X fica determinada por qualquer das seguintes
funções:

a) Função Distribuição, FX (x);

b) Função de Probabilidade, P[X = x];
c) Função Densidade de Probabilidade, fX (x);
√
d) Função Característica, ΨX (t) = E[eitx ], onde i = −1 (JAMES, 2004)

Prof. Jorge Festa Probabilidade 11

Exemplo

Caso discreto: Considere o experimento de lançar dois dados. Seja X a variável aleatória
que indica a soma total das faces dos dois dados e Y a diferença absoluta das faces
voltadas para cima. (HOEL et al., 1973)

 
(1, 1) (1, 2) (1, 3) (1, 4) (1, 5) (1, 6)
(2, 1) (2, 2) (2, 3) (2, 4) (2, 5) (2, 6)
 
(3, 1) (3, 2) (3, 3) (3, 4) (3, 5) (3, 6)
Ω(1º dado, 2º dado) =
(4, 1)

 (4, 2) (4, 3) (4, 4) (4, 5) (4, 6)

(5, 1) (5, 2) (5, 3) (5, 4) (5, 5) (5, 6)
Figura 1. Experimento de lançar
dois dados.
(6, 1) (6, 2) (6, 3) (6, 4) (6, 5) (6, 6)

Prof. Jorge Festa Probabilidade 12

Exemplo (cont.)

a) Quais os valores que a variável aleatória X , a soma total das faces dos dois dados,
assume?

Solução: A variável aleatória X assume os valores, x = 2,3,4,5,6,7,8,9,10,11,12.

b) Quais os valores que a função de probabilidade fX (x) assume, para cada valor de
X = x?

Solução: fX (2) = 36 1
= fX (12); fX (3) = 2
36 = fX (11); fX (4) = 3
36 = fX (10); fX (5) = 4
36 =
fX (9); fX (6) = 36
5
= fX (8); fX (7) = 36
6

c) Quais os valores que a função distribuição FX (x) assume, para cada valor de X = x?

Solução: FX (−∞) = 0; FX (2) = 36 1

; FX (3) = 36
3
; FX (4) = 36
6
; FX (5) = 10
36 ; FX (6) = 36 ; FX (7)
15
=
36 ; FX (8) = 36 ; FX (9) = 36 ; FX (10) = 36 ; FX (11) = 36 ; FX (12) = 36 = 1 = FX (∞)
21 26 30 33 35 36

Prof. Jorge Festa Probabilidade 13

Tabela da Função de Probabilidade

X=x P[X=x] F(x)

2 0.0277778 0.0277778
3 0.0555556 0.0833333
4 0.0833333 0.1666667
5 0.1111111 0.2777778
6 0.1388889 0.4166667
7 0.1666667 0.5833333
8 0.1388889 0.7222222
9 0.1111111 0.8333333
10 0.0833333 0.9166667
11 0.0555556 0.9722222
12 0.0277778 1.0000000

Prof. Jorge Festa Probabilidade 14

Gráfico da Função de Probabilidade
gráfico da função de probabilidade

0.20
0.15
função de probabilidade f(x)

0.10
0.05
0.00

2 4 6 8 10 12

valores da variável aleatória X = soma das faces voltadas para cima

Experimento: lançamento de 2 dados honestos.

Figura 2. Gráfico da função de probabilidade.

Prof. Jorge Festa Probabilidade 15

Gráfico da Função Distribuição
gráfico da função distribuição

1.0
0.8
função distribuição F(x)

0.6
0.4
0.2
0.0

2 4 6 8 10 12

valores da variável aleatória X = soma das faces voltadas para cima

Experimento: lançamento de 2 dados honestos.

Figura 3. Gráfico da função distribuição.

Prof. Jorge Festa Probabilidade 16

Exemplo (cont.)

d) Quais os valores que a variável aleatória Y , a diferença absoluta das faces voltadas
para cima, assume?

Solução: A variável aleatória Y assume os valores, Y = 0, 1, 2, 3, 4, 5.

e) Quais os valores que a função de probabilidade fY (y) assume, para cada valor de
Y = y?

Solução: fY (0) = 36 ; fY (1)

6
= 36 ; fY (2)
10
= 36 ; fY (3)
8
= 36 ; fY (4)
6
= 36 ; fY (5)
4
= 2
36

f) Quais os valores que a função distribuição FY (y) assume, para cada valor de Y = y?

Solução: FY (−∞) = 0; FY (0) = 36 ; FY (1)

6
= 36 ; FY (2)
16
= 36 ; FY (3)
24
= 36 ; FY (4)
30
= 36 ; FY (5)
34
=
36 = 1 = FY (∞)
36

Prof. Jorge Festa Probabilidade 17

Tabela da distribuição da variável aleatória Y

X=x P[X=x] F(x)

0 0.1666667 0.1666667
1 0.2777778 0.4444444
2 0.2222222 0.6666667
3 0.1666667 0.8333333
4 0.1111111 0.9444444
5 0.0555556 1.0000000

Prof. Jorge Festa Probabilidade 18

Gráfico da Função de Probabilidade
gráfico da função de probabilidade

0.30
0.25
função de probabilidade f(y)

0.20
0.15
0.10
0.05
0.00

0 1 2 3 4 5

valores da variável aleatória Y = diferença absoluta das faces voltadas para cima
Experimento: lançamento de 2 dados honestos.

Figura 4. Gráfico da função de probabilidade.

Prof. Jorge Festa Probabilidade 19

Gráfico da Função Distribuição
gráfico da função distribuição

1.0
0.8
função distribuição F(y)

0.6
0.4
0.2
0.0

−1 0 1 2 3 4 5 6

valores da variável aleatória Y = diferença absoluta das faces voltadas para cima
Experimento: lançamento de 2 dados honestos.

Figura 5. Gráfico da função distribuição.

Prof. Jorge Festa Probabilidade 20

Exemplo
Caso contínuo: Considere o experimento de observar o tempo de espera que um
consumidor aguarda para ser atendido. Suponha X a variável aleatória que indica, a
média do tempo de espera, seja de 2 minutos. (MAGALHAES, 2011)

gráfico da função densidade de probabiliddade

2.0
1.5
função densidade f(x)

1.0
0.5
0.0

0 1 2 3 4 5

valores da variável aleatória X = tempo de espera

Experimento: observar o tempo de espera para o atendimento

Figura 6. Gráfico da função densidade de probabilidade.

Prof. Jorge Festa Probabilidade 21

Gráfico da Função Distribuição

gráfico da função distribuição

1.0
0.8
função distribuição F(x)

0.6
0.4
0.2
0.0

0 1 2 3 4 5

valores da variável aleatória X = tempo de espera

Experimento: observar o tempo de espera para o atendimento

Figura 7. Gráfico da função distribuição.

Prof. Jorge Festa Probabilidade 22

Esperança e Momentos

Um conceito extremamente usual envolvendo variável aleatória ou distribuição é a

esperança.
Média: Seja X uma variável aleatória.
A média de X indicada por µx ou E[X ], é definida por:
X
i) E[X ] = xP[X = x], se X é uma variável aleatória discreta;
∀x
R∞
ii) E[X ] = −∞ xfX (x)dx, se X é uma variável aleatória contínua;
R∞
iii) E[X ] = 0 [1 − FX (x)]dx − −∞ FX (x)dx, se X é uma variável aleatória arbitrária.
R0

Obs.: E[X ] é o centro de gravidade (ou centróide) da unidade de massa que é

determinada pela densidade. Ela é uma Medida de Locação.

Prof. Jorge Festa Probabilidade 23

Esperança e Momentos (cont.)
Variância: Seja X uma variável aleatória, e seja µx a E[X ].
A variância de X indicada por σx2 ou V [X ], é definida por:
X
i) V [X ] = (x − µx )2 P[X = xi ], se X é uma variável aleatória discreta;
∀x
R∞
ii) V [X ] = (x − µx )2 fX (x)dx, se X é uma variável aleatória contínua;
R−∞
∞
iii) V [X ] = 0 2x[1 − FX (x) − FX (−x)]dx − µx2 , se X é uma variável aleatória arbitrária.

Obs.: A variância V [X ] de uma variável aleatória é uma medida de espalhamento ou

disperção da densidade de X. Ela é uma Medida de Escala.
Desvio Padrão:
Se X é uma variável aleatória, o desvio padrão de X indicada por σx , é definida por:
σx = + V [X ] (PAPOULIS, 2002)
p

Prof. Jorge Festa Probabilidade 24

Valor esperado de uma funçao de uma variável aleatória

Expectância: Seja X uma variável aleatória e g(.) uma função com domínio e
contradomínio os reais. A expectância ou valor esperado da função g(.) da variável
aleatória X indicada por E[g(X )], é definida por:
X
i) E[g(X )] = g(x)P[X = x], se X é uma variável aleatória discreta;
∀x
R∞
ii) E[g(X )] = −∞ g(x)fX (x)dx, se X é uma variável aleatória contínua;

Obs.:
Se g(X ) = x, então E[g(X )] = E[X ] a média de X .
Se g(X ) = [X − E[X ]]2 , então E[g(X )] = V ar[X ].

Prof. Jorge Festa Probabilidade 25

Valor esperado de uma funçao de uma variável aleatória (cont.)

Propriedades:

i) E[c] = c, onde c é uma constante

ii) E[cg(X )] = cE[g(X )], para uma constante c
iii) E[c1 g1 (X ) + c2 g2 (X )] = c1 E[g1 (X )] + c2 E[g2 (X )]
iv) E[g1 (X )] ≤ E[g2 (X )] se g1 (x) ≤ g2 (x), para todo x

Obs. Se X é uma variável aleatória, V ar[X ] = E[X − E(X )]2 = E[X 2 ] − E[X ]2 se E[X 2 ] existe.
(ROUSSAS, 1973)

Prof. Jorge Festa Probabilidade 26

Valor esperado de uma funçao de uma variável aleatória (cont.)
Desigualdade de Chebyshev: Seja X uma variável aleatória e g(.) uma função não
negativa com domínio os reais; então:
E[g(X )]
P[g(X ) ≥ k] ≤, ∀k > 0
k
Prova: Assumindo que X é uma variável aleatória contínua com função densidade de
probabilidade fX (.); então
R∞ R R R
E[g(X )] = −∞ g(x)fX (x)dx = x:g(x)≥k g(x)fX (x)dx + x:g(x)<k g(x)fX (x)dx ≥ x:g(x)≥k kfX (x)dx =
kP[g(X ) ≥ k] dividindo por k em ambos os lados temos o resultado. A prova é similar no
caso discreto.
Obs.: Se X é uma variável aleatória com variância finita,

P[|X − µx | ≥ rσx ] = P[(X − µx )2 ≥ r 2 σx2 ] ≤ , ∀r > 0

1
r2
Prova: Assumindo que g(x) = (x − µx )2 e k = r 2 σx2 ] na equação acima, também podemos
escrever P[|X − µx | ≤ rσx ] ≥ 1 − r12 .
Prof. Jorge Festa Probabilidade 27
Valor esperado de uma funçao de uma variável aleatória (cont.)

Momento: Se X é uma variável aleatória, o r-ésimo momento de X , indicado por µx 0 , é

definido por: µx 0 = E[X r ], se a esperança existe.
Momento central: Se X é uma variável aleatória, o r-ésimo momento de X em torno de
a é definido como E[(X − a)r ]. Se a = µx , nós temos o r-ésimo momento de X em torno
de µx , indicado por µr , o qual é: µr = E[(X − µx )r ].
Obs.: µ1 = E[(X − µx )] = 0 e µ2 = E[(X − µx )2 ] = σ 2 , a variância de X.
Quantil: O q-ésimo quantil de uma variável aleatória X ou de sua correspondente
distribuição é indicado por ξq e é definido como o menor número ξ satisfazendo
FX (ξ) ≥ q.
Se X é uma variável aleatória continua, então o q-ésimo quantil de X é dado pelo menor
número ξ satisfazendo FX (ξ) ≥ q.

Prof. Jorge Festa Probabilidade 28

Valor esperado de uma funçao de uma variável aleatória (cont.)
Mediana: A mediana de uma variável aleatória X , indicado por medx , med(X ), ou ξ0,50 , é o
0,5-ésimo quantil.
Obs: Em alguns textos a mediana de X é alternativamente definida como qualquer
número, digamos med(X ), satisfazendo P[X ≤ med(X )] ≥ 21 e P[X ≥ med(X )] ≥ 12 .
Se X é uma variável aleatória continua, então a mediana de X satisfaz a seguinte
expressão abaixo:
Z med(x) Z ∞
fX (x)dx = = fX (x)dx
1
−∞ 2 med(x)

então a mediana de X é um número que tem a metade da massa de X a sua direita e a

outra metade para o lado esquerdo, que claramente justifica a palavra “mediana”.
Momento fatorial: Se X é uma variável aleatória, o r-ésimo momento fatorial de X é
definido com (r um número positivo) E[X (X − 1)...(X − r + 1)].

Prof. Jorge Festa Probabilidade 29

Valor esperado de uma funçao de uma variável aleatória (cont.)

Função Geratriz de Momentos: Seja X uma variável aleatória com densidade fX (x). O
valor esperado de etx é definido como a função geratriz de momento de X se o valor
esperado existe para todos os valores de t no intervalo −h < t < h; h > 0. A função
geratriz de momento, indicada por mx (t) ou m(t), é:
X
i) mX (t) = E[etX ] = etX P[X = x], se X é uma variável aleatória discreta;
∀x
R∞
ii) mX (t) = E[etX ] = tX
−∞ e fX (x)dx, se X é uma variável aleatória contínua.

Obs: Se diferenciarmos a função geratriz de momentos r vezes com respeitoR ∞ r atXt, nós
dr
temos o r-ésimo momento da variável aleatória X . Portanto, dt r m(t) = −∞ x e fX (x)dx, e
r R∞
colocando t → ∞, fica: dtd r m(0) = −∞ x r e0X fX (x)dx = E[X r ] = µr 0

Prof. Jorge Festa Probabilidade 30

Valor esperado de uma funçao de uma variável aleatória (cont.)

Função Geratriz de Momentos Fatorial: Seja X uma variável aleatória. A função geratriz
de momentos fatorial é definida como E[t x ] se a esperança existe.
Obs.: Sejam X e Y variáveis aleatórias com densidade fX (x) e fY (y), respectivamente.
Suponha que mX (t) e mY (t) existam e sejam iguais para to o intervalo de t, −h < t < h
para h > 0. Então as duas funções distribuições FX (x) e FY (y) são equivalentes.
(ROHATGI, 1976)

Prof. Jorge Festa Probabilidade 31

Referências bibliográficas
HOEL, P. G.; PORT, S. C.; STONE, C. J. Introduction to Probability Theory. Houghton Mifflin,
1973.
JAMES, B. R. Probabilidade: um curso em nível intermediário. Instituto de Matemática
Pura e Aplicada, 2004.
MAGALHAES, M. N. Probabilidade e Variaveis Aleatórias. 3º ed. Sao Paulo, SP: EdUsp, 2011.
MOOD, A. M. F.; GRAYBILL, F. A.; BOES, D. C. Introduction to the Theory of Statistics.
McGraw-Hill, 1974.
PAPOULIS, A. Probability, Random Variables and Stochastic Processes with Errata Sheet.
McGraw-Hill, 2002.
ROHATGI, V. K. An Introduction to Probability Theory and Mathematical Statistics. Wiley,
1976.
ROUSSAS, G. G. A First Course in Mathematical Statistics. Addison-Wesley Publishing
Company, 1973.
Prof. Jorge Festa Probabilidade 32