Momentos de uma variável aleatória

MAT028 – Estatı́stica III-C

Prof. Rodrigo S. Bulhões

IME - UFBA, Salvador/BA, Brasil

Semestre: 2021.1
 Tópicos

1 Esperança da função de uma v.a.

2 Momentos de r-ésima ordem

 Esperança da função de uma v.a.
Exemplo 1
• Seja X uma v.a. com suporte X = {−1, 0, 1} e f.p. dada por:


 1/3, x = −1

 1/3, x = 0
Pr[X = x] =

 1/3, x = 1


0, c.c.
1
= ·1 (x)
#{−1, 0, 1} {−1,0,1}

• Caso exista, obtenha o valor esperado da v.a. Y = X 2 .

Com o que foi já visto, executaremos os passos a seguir:

1 Obter a f.p. da v.a. Y = X 2 com suporte Y.
2 Verificar se E[Y ] existe e, em caso afirmativo, calcular E[Y ].
Solução do Exemplo 1 (Parte 1/3)
Como y = x2 e X = {−1, 0, 1}, tem-se Y = {0, 1}. Note que:

Pr[Y = 0] = Pr[X = 0] = 1/3

Pr[Y = 1] = Pr[{X = −1} ∪· {X = 1}]

= Pr[X = −1] + Pr[X = 1]
= 2/3

Assim, temos que a f.p. da v.a. Y é dada por:


 1/3, y = 0

Pr[Y = y] = 2/3, y = 1
0, y ∈ R\{0, 1}


1 2
= · 1{0} (y) + · 1{1} (y)
3 3
Solução do Exemplo 1 (Parte 2/3)
Se E[|Y |] < ∞, então E[Y ] existe. De fato,
X
E[|Y |] = |y| Pr[Y = y]
y∈Y
= |0| · Pr[Y = 0] + |1| · Pr[Y = 1]
1 2
= 0· +1·
3 3
< ∞

Assim, o valor esperado da v.a. Y = X 2 é dado por:

X
E[Y ] = y Pr[Y = y]
y∈Y
= 0 · Pr[Y = 0] + 1 · Pr[Y = 1]
1 2
= 0· +1·
3 3
= 2/3
 Esperança da função de uma v.a.
Achamos a f.p. de Y = X 2 , Pr[Y = y], para depois obtermos
E[Y ] = E[X 2 ], mas há como fazer o cálculo sem saber a f.p. de Y .
Definição 1 (valor esperado de uma função de uma v.a.)
Seja X uma v.a. qualquer e seja ψ : R → R uma função.
• Se X é uma v.a. discreta com f.p. Pr[X = x] e suporte
X = {x1 , . . . , xn }, a esperança da v.a. ψ(X), caso exista, é:
X n
X
E[ψ(X)] = ψ(x) Pr[X = x] = ψ(xi ) Pr[X = xi ]
x∈X i=1

• Se X é uma v.a. contı́nua com densidade fX (x), a esperança

da v.a. ψ(X), caso exista, é:
Z ∞
E[ψ(X)] = ψ(x)fX (x)dx
−∞
Solução do Exemplo 1 (Parte 3/3)
Recorde-se que a v.a. X tem f.p. dada por:
1
Pr[X = x] = ·1 (x)
3 {−1,0,1}
Seja ψ(X) = X 2 . Como E[ψ(X)] existe (verifique!), podemos
aplicar a Definição 1 para rapidamente obter esse valor esperado:
X
E[ψ(X)] = ψ(x) Pr[X = x]
x∈X
1 1 1
= (−1)2 · + 02 · + 1 2 ·
3 3 3
2
=
3
 Esperança da função de uma v.a.
Exemplo 2
Obtenha o valor esperado da v.a. dada por
(
1, X ≥ 2
Y = ψ(X) = ,
0, X < 2

em que X é uma v.a. contı́nua que possui a seguinte densidade:

fX (x) = 3x−4 1(1,∞) (x)

Comentários
• Enquanto X é uma v.a. contı́nua com suporte X = (1, ∞), a
v.a. Y = ψ(X) é discreta com suporte Y = {0, 1}.
• Note-se ainda que Y = 1{X≥2} ∼ Ber(Pr[X ≥ 2]).
Solução do Exemplo 2 (Parte 1/4)
• Primeiramente vamos calcular E[Y ] = E[ψ(X)] usando a f.p.
da v.a. Y = ψ(X).
• Como E[Y ] existe (verifique!), a esperança da v.a. Y é:
X
E[Y ] = y Pr[Y = y]
y∈Y
= 0 · Pr[Y = 0] + 1 · Pr[Y = 1]
= 0 · Pr[X < 2] + 1 · Pr[X ≥ 2]
Z ∞
= 3x−4 dx
2
∞
1 
= 3· · x−4+1 

−4 + 1 
2
1 1

= − lim 3 − 3
x→∞ x 2
= 1/8
Solução do Exemplo 2 (Parte 2/4)
• Agora vamos fazer o cálculo de E[ψ(X)] aplicando a
Definição 1 usando diretamente a densidade da v.a. X.
• Recorde-se que
(
1, x ≥ 2
ψ(x) = 1[2,∞) (x) =
0, x < 2

e (
−4 3x−4 , x > 1
fX (x) = 3x 1(1,∞) (x) = ,
0, x ≤ 1
em que (
1, x > 1
1(1,∞) (x) =
0, x ≤ 1
• Como E[ψ(X)] existe (verifique!), a esperança da v.a. ψ(X)
é dada como vem a seguir.
Solução do Exemplo 2 (Parte 3/4)

Z ∞
E[ψ(X)] = ψ(x)fX (x)dx
−∞
Z ∞ h i
= 1[2,∞) (x)3x−4 1(1,∞) (x)dx
−∞
Z1 Z∞
3 3
= 1[2,∞) (x) 4 · 0 · dx + 1[2,∞) (x) · 1 · dx
x x4
−∞ 1
Z ∞
= 1[2,∞) (x)3x−4 dx
1
Z 2h i Z ∞h i
= 0 · 3x−4 dx + 1 · 3x−4 dx
Z1∞ 2

= 3x−4 dx
2
= 1/8
Solução do Exemplo 2 (Parte 4/4)
Podemos usar que 1A (ω)1B (ω) = 1A∩B (ω) para simplificar os
cálculos, como segue:
Z ∞
E[ψ(X)] = ψ(x)fX (x)dx
−∞
Z ∞ h i
= 1[2,∞) (x)3x−4 1(1,∞) (x)dx
−∞
Z ∞
= 3x−4 1[2,∞) (x)dx
−∞
Z ∞
= 3x−4 dx
2
= 1/8
 Esperança da função de uma v.a.
Atenção
• A existência de E[X] não implica a existência de E[ψ(X)].
• Da mesma forma, a existência de E[ψ(X)] não implica a
existência de E[X].

Exemplo 3
Se X ∼ Geo(1/2), sua f.p. é dada por:
1
Pr[X = x] = ·1 (x)
2x {1,2,...}

Seja ψ(X) = 2X−1 . Verifique que E[ψ(X)] não existe, apesar de

E[X] existir.
Solução do Exemplo 3
O valor esperado de ψ(X) = 2X−1 não existe, pois:
X
E[|ψ(X)|] = |ψ(x)| Pr[X = x]
x∈X
∞
X 1
= |2x−1 | ·
x=1
2x
∞
X 1
=
x=1
2
= ∞
∞ ∞  x−1
X 1 X 1 1
Como E[|X|] = |x| · x = ·x· é uma série da
x=1
2 x=1
2 2
∞
X
forma axrx−1 (neste caso, com a = r = 1/2), E[X] existe
x=1
a
porque essa série converge para se, e somente se, |r| < 1.
(1 − r)2
 Esperança da função de uma v.a.
Propriedade 1
Seja X uma v.a. qualquer. As afirmações a seguir vão válidas:
1 Se ψ(x) = c (função constante), então E[ψ(X)] = c.
2 Se c é uma constante e E[ψ(X)] existir, então
E[cψ(X)] = c E[ψ(X)].
3 Se E[ψ1 (X)], . . . , E[ψm (X)] existem e se c1 , . . . , cm são m
constantes, então:
 
m
X m
X
E cj ψj (X) = cj E[ψj (X)]
j=1 j=1

Faremos a demonstração supondo que X é uma v.a. discreta com

f.p. Pr[X = x] e suporte X = {x1 , . . . , xn }, ficando o análogo
caso contı́nuo como exercı́cio de fixação.
Demonstração da Propriedade 1 - Item 1

Tabela: Variável aleatória com f.p. Pr[X = x], x ∈ X = {x1 , . . . , xn }

Valor x1 ··· xn Soma

Probabilidade Pr[X = x1 ] ··· Pr[X = xn ] 1

Se ψ(x) = c (função constante), então, pela Definição 1, tem-se:

n
X
E[ψ(X)] = ψ(xi ) Pr[X = xi ]
i=1
Xn
= c Pr[X = xi ]
i=1
n
X
= c Pr[X = xi ]
i=1
= c·1
= c
Demonstração da Propriedade 1 - Item 2
Se c é uma constante qualquer e E[ψ(X)] existir, então, pela
Definição 1, tem-se:
n
X
E[cψ(X)] = {cψ(xi )} Pr[X = xi ]
i=1
n
X
= c ψ(xi ) Pr[X = xi ]
i=1
= c E[ψ(X)]
Demonstração da Propriedade 1 - Item 3 (Parte 1/3)
A seguir, faremos a demonstração por recorrência. Admitiremos
que a relação seja válida para m = k, assumindo a seguinte
hipótese de indução:
 
k
X k
X
E cj ψj (X) = E[cj ψj (X)]
j=1 j=1
k
X
= cj E[ψj (X)]
j=1
Demonstração da Propriedade 1 - Item 3 (Parte 2/3)
Para m = 2, supondo que E[ψ1 (X)] e E[ψ2 (X)] existem, tem-se:
n
X
E[c1 ψ1 (X) + c2 ψ2 (X)] = {c1 ψ1 (xi ) + c2 ψ2 (xi )} Pr[X = xi ]
i=1
Xn
= {c1 ψ1 (xi )} Pr[X = xi ]
i=1
Xn
+ {c2 ψ2 (xi )} Pr[X = xi ]
i=1
= E[c1 ψ1 (X)] + E[c2 ψ2 (X)]
= c1 E[ψ1 (X)] + c2 E[ψ2 (X)]
Demonstração da Propriedade 1 - Item 3 (Parte 3/3)
Para m = k + 1, se ck+1 é um escalar e E[ψk+1 (X)] existir, tem-se:
   
k+1
X k
X
E cj ψj (X) = E  cj ψj (X) + ck+1 ψk+1 (X)
j=1 j=1
 
k
X
= E cj ψj (X) + E[ck+1 ψk+1 (X)]
j=1
k
X
= cj E[ψj (X)] + ck+1 E[ψk+1 (X)]
j=1
k+1
X
= cj E[ψj (X)]
j=1
 Momentos de ordem r
As definições a seguir são casos particulares do conceito de
esperança da função de uma v.a., tomando as funções potência.
Definição 2 (momento de ordem r centrado em zero)
Sejam X uma variável aleatória e r ∈ N. O momento de ordem
r em relação à origem, caso exista, é dado por E[X r ].

Definição 3 (momento de ordem r centrado na média)

Sejam X uma variável aleatória e r ∈ N. Defina µ = E[X]. O
momento de ordem r em relação à média, caso exista, é dado
por E[(X − µ)r ].

Observações
• A esperança e a média quadrática são iguais aos primeiro e
segundo momentos em relação à origem, respectivamente; e
• A variância é o segundo momento em relação à média.
 Momentos de ordem r
Variáveis aleatórias discretas
Se X é uma v.a. discreta com f.p. Pr[X = x] e suporte
X = {x1 , . . . , xn }, então

X n
X
r r
E[X ] = x Pr[X = x] = xri Pr[X = xi ]
x∈X i=1

e
X n
X
r r
E[(X − µ) ] = (x − µ) Pr[X = x] = (xi − µ)r Pr[X = xi ],
x∈X i=1

em que
X n
X
µ = E[X] = x Pr[X = x] = xi Pr[X = xi ]
x∈X i=1
 Momentos de ordem r
Variáveis aleatórias contı́nuas
Se X é uma v.a. contı́nua com densidade fX (x), então
Z ∞
E[X r ] = xr fX (x)dx
−∞

e Z ∞
r
E[(X − µ) ] = (x − µ)r fX (x)dx,
−∞
em que Z ∞
µ = E[X] = xfX (x)dx
−∞
 Momentos de ordem r
Exemplo 4
• Usando que
r
!
r
X r
(X − µ) = (−1)r−j X j µr−j ,
j=0
j

pode-se relacionar os momentos de ordem r centrados na

média com os momentos de ordem r centrados na origem.
• Para r = 3, tem-se o que segue pela linearidade da esperança:

(X − µ)3 = X 3 − 3µX 2 + 3µ2 X − µ3

⇓
E[(X − µ) ] = E[X 3 ] − 3 E[X] E[X 2 ] + 3 E2 [X] E[X] − E3 [X]
3

= E[X 3 ] − 3 E[X] E[X 2 ] + 2 E3 [X]

 Momentos de ordem r
Definição 3 (coeficiente de assimetria)
Seja X uma v.a. com esperança µ e desvio padrão σ. Suponha
que X possui terceiro momento em relação à média. O
coeficiente de assimetria de X é dado por:

E[(X − µ)3 ]
Skew[X] =
σ3

Observações
• Esse coeficiente indica o grau de obliquidade da distribuição de
probabilidade de uma v.a., complementando estudos gráficos.
• Análise: simetria, se Skew[X] = 0; assimetria à esquerda, se
Skew[X] < 0; e assimetria à direita, se Skew[X] > 0.
 Momentos de ordem r
Exemplo 5
Seja X ∼ Exp(λ), com λ > 0. A densidade, a esperança, a
variância e o desvio padrão de X são respectivamente dados por:

fX (x) = λe−λx 1(0,∞) (x), µ = E[X] = 1/λ,

√
σ 2 = Var[X] = 1/λ2 e σ= σ 2 = 1/λ
Pede-se o seguinte:
1 Esboce o gráfico de fX e analise a distribuição de
probabilidade de X quanto à obliquidade. Suponha que λ = 4.
2 Determine o segundo e o terceiro momento em relação à
origem de X.
3 Encontre o terceiro momento em relação à média de X.
4 Calcule o coeficiente de assimetria de X.
Solução do Exemplo 5 - Item 1
4

3
fX (x)

0 0.5 1 1.5 2
x
A partir do gráfico, nota-se que a distribuição de probabilidade da
v.a. X ∼ Exp(4) possui assimetria positiva ou à direita.
Solução do Exemplo 5 - Item 2
Da relação Var[X] = E[X 2 ] − E2 [X], tem-se que o segundo
momento em relação à origem de X é dado por:
 2
2 2 1 1 2
E[X ] = Var[X] + E [X] = 2 + =
λ λ λ2

Usando integração por partes, pode-se mostrar (verifique!) que o

terceiro momento em relação à origem de X é dado por:
Z ∞
3
E[X ] = x3 fX (x)dx
−∞
Z ∞
= λ x3 e−λx dx
0
..
.
6
=
λ3
Solução do Exemplo 5 - Itens 3 e 4
Aplicando o resultado obtido no Exemplo 4, o terceiro momento
em relação à média de X é dado por:

E[(X − µ)3 ] = E[X 3 ] − 3 E[X] E[X 2 ] + 2 E3 [X]

 3
6 1 2 1
= 3
− 3 · · 2
+ 2 ·
λ λ λ λ
2
=
λ3
O coeficiente de assimetria de X é dado por:

E[(X − µ)3 ]
Skew[X] =
σ3
2/λ 3
=
(1/λ)3
= 2
> 0
 Momentos de ordem r
Definição 4 (coeficiente de curtose)
Seja X uma v.a. com esperança µ e variância σ 2 . Suponha que X
possui quarto momento em relação à média. O coeficiente de
curtose de X é dado por:

E[(X − µ)4 ]
Kurt[X] = −3
(σ 2 )2

Observações
• Ele mede a intensidade dos picos da distribuição de X.
• Esse coeficiente mensura se a distribuição de probabilidade é
mais pontiaguda (Kurt[X] < 0) ou achatada (Kurt[X] > 0)
no centro do que a distribuição N(E[X], 1).
 Momentos de ordem r
Exemplo 6
Sejam X e Z ∼ N(0, 1) duas v.a.’s contı́nuas, em que a densidade
de X é dada a seguir:
15
fX (x) = (1 − x2 )2 1(−1,1) (x)
16
Pede-se o seguinte:
1 Esboce os gráficos das densidades fX e fZ .
2 A distribuição de probabilidade de X é simétrica? O que você
pode concluir sobre E[X] e Skew[X]?
3 Obtenha a variância de X.
4 Encontre o quarto momento em relação à média de X.
5 Calcule e interprete o coeficiente de curtose de X.
Solução do Exemplo 6 - Itens 1 e 2
fX (x)
0.8 fZ (x)

0.6
Densidade

0.4

0.2

0
−4 −2 0 2 4
x
Pode-se notar que E[X] = Skew[X] = 0 (simetria em torno de
zero), ficando os cálculos como exercı́cio de fixação.
Solução do Exemplo 6 - Item 3
Como µ = E[X] = 0, a variância de X é dada por:

σ 2 = Var[X]
= E[(X − µ)2 ]
Z ∞
= x2 fX (x)dx
−∞
Z ∞
15
= x2 · (1 − x2 )2 1(−1,1) (x)dx
−∞ 16
Z 1
15
= x2 (1 − 2x2 + x4 )dx
16 −1
x3 1 5 1 7 1
"    #
=
15  − 2x  + x 
16 3 −1 5 −1 7 −1
..
.
1
=
7
Solução do Exemplo 6 - Item 4
Como µ = E[X] = 0, o quarto momento em relação à média de X
é calculado da seguinte forma:

E[(X − µ)4 ] = E[X 4 ]

Z ∞
= x4 fX (x)dx
−∞
Z ∞
15
= x4 · (1 − x2 )2 1(−1,1) (x)dx
−∞ 16
Z 1
15
= x4 (1 − 2x2 + x4 )dx
16 −1
" 1
7 1 9 1
#
x5 
 
=
15  − 2x  + x 
16 5 −1 7 −1 9 −1
..
.
1
=
21
Solução do Exemplo 6 - Item 5
• Como E[(X − µ)4 ] = 1/21 e σ 2 = 1/7, o coeficiente de
curtose de X é calculado da forma a seguir:

E[(X − µ)4 ]
Kurt(X) = −3
(σ 2 )2
1/21
= −3
(1/7)2
7 9
= −
3 3
2
= −
3
< 0

• Graficamente, percebe-se que a densidade fX é mais

pontiaguda e tem caudas mais finas/leves que a densidade fZ .