Cap II Slides 29&30 Set 6&7 Out

Capı́tulo II: Variáveis Aleatórias Reais
Fundamentos e Aplicações da Estatı́stica

Mestrado em Estatı́stica
Universidade do Minho
Ano Lectivo 2016/2017

1. Definição e Exemplos. Considerações gerais.
É frequente estarmos interessados em associar aos resultados de uma

experiência aleatória uma ou mais caracterı́sticas numéricas.
Por exemplo, na experiência aleatória que consiste em lançar dois

dados equilibrados, podemos estar interessados em estudar:
o número de faces par obtidas;
a soma das faces obtidas;
a diferença entre as faces obtidas;
etc...

Se quisermos estudar apenas uma caracterı́stica numérica,

matematicamente isto é formalizado através de uma função que a cada
elemento do espaço amostral, ω ∈ Ω, faz corresponder um número real,
ie, uma função
X: Ω → R
ω → X(ω)
em que Ω é o espaço de resultados da experiência aleatória.

Exemplo: Suponhamos que estamos interessados em estudar o
número de faces par obtidas no lançamento dos dois dados. Neste
caso, o espaço de resultados da experiência é
Ω = {(x1 , x2 ) : xi ∈ {1, 2, 3, 4, 5, 6}, i ∈ {1, 2}}
e a função X é dada por
X((1, 1)) = X((1, 3)) = X((1, 5)) = ((3, 1)) = X((3, 3)) =
= X((3, 5)) = X((5, 1)) = X((5, 3)) = X((5, 5)) = 0;
X((2, 2)) = X((2, 4)) = X((2, 6)) = X((4, 2)) = X((4, 4)) =
= X((4, 6)) = X((6, 2)) = X((6, 4)) = X((6, 6)) = 2
e X(ω) = 1 para os restantes elementos de Ω.

Se quisermos estudar, em simultâneo, k caracterı́sticas numéricas, com

k ∈ N fixo, somos conduzidos a uma função vectorial
X : Ω → Rk
ω → (X1 (ω), X2 (ω), . . . , Xk (ω)).
Neste capı́tulo vamos estudar apenas o caso unidimensional (k = 1).

Os acontecimentos, cujas probabilidades nos interessa calcular,
passam agora a ser expressos através de subconjuntos reais que são
elementos de B(R).
No exemplo anterior, o acontecimento ”não saiu qualquer face par” é

definido do seguinte modo:
X −1 ({0}) ≡ {ω ∈ Ω : X(ω) = 0}
= {(1, 1), (1, 3), (1, 5), (3, 1), (3, 3), (3, 5), (5, 1), (5, 3), (5, 5)}.
O acontecimento ”saiu pelo menos uma face par” é definido por
X −1 ({1, 2}) ≡ {ω ∈ Ω : X(ω) ∈ {1, 2}}

= {(1, 2), (1, 4), (1, 6), (2, 1), (2, 2), (2, 3), (2, 4), (2, 5), (2, 6),
(3, 2), (3, 4), (3, 6), (4, 1), (4, 2), (4, 3), (4, 4), (4, 5), (4, 6),
(5, 2), (5, 4), (5, 6), (6, 1), (6, 1), (6, 3), (6, 4), (6, 5), (6, 6)}.

Para simplificar a notação, os acontecimentos anteriores podem ser

abreviados por ”X = 0” e ”X ∈ {1, 2}”, respectivamente, ie,
X −1 ({0}) ≡ (X = 0)
e
X −1 ({1, 2}) ≡ (X ∈ {1, 2}).

Para simplificar a notação, os acontecimentos anteriores podem ser

abreviados por ”X = 0” e ”X ∈ {1, 2}”, respectivamente, ie,
X −1 ({0}) ≡ (X = 0)
e
X −1 ({1, 2}) ≡ (X ∈ {1, 2}).
Observe que na descrição destes dois acontecimentos foram usados

subconjuntos reais que são elementos de B(R): {0} no primeiro caso,
{1, 2} no segundo caso.

De uma forma geral, estaremos interessados em calcular
probabilidades de acontecimentos da forma
X −1 (E) ≡ {ω ∈ Ω : X(ω) ∈ E} ≡ (X ∈ E),
em que E é um subconjunto real que pertence a B(R).
Observe que é necessário garantir que estes acontecimentos são

elementos de A, a σ-álgebra associada ao espaço de resultados Ω, de
modo a que a sua probabilidade esteja bem definida.
Assim, sendo (Ω, A, P) o espaço de probabilidade associado à

experiência aleatória, a função X deverá ser tal que
para todo o E ∈ B(R), X −1 (E) ∈ A,
de modo a que
P(X ∈ E) ≡ P(X −1 (E)) ≡ P({ω ∈ Ω : X(ω) ∈ E})
esteja bem definida para todo o E ∈ B(R).
Definition
Sejam (Ω, A, P) um espaço de probabilidade e X : Ω → R uma função.
X diz-se uma variável aleatória real (v.a.r.) se
para todo o E ∈ B(R), X −1 (E) ∈ A.

Definition
X diz-se uma variável aleatória real (v.a.r.) se
para todo o E ∈ B(R), X −1 (E) ∈ A.
É difı́cil provar, usando a definição, que uma certa função é uma v.a.r..
Na prática, recorremos a resultados mais simples para verificar se uma
certa função é uma v.a.r.. Em particular, o teorema seguinte é muito útil.
Theorem
X é uma v.a.r. sse
para todo o c ∈ R, X −1 ( ] − ∞, c] ) ∈ A.
[Sem demonstração]
Exemplos: 1) Considere a experiência aleatória que consiste em lançar
uma moeda equilibrada. O espaço de probabilidade associado é
(Ω, P(Ω), P), em que Ω = {cara , coroa} e P é a medida de probabilidade
de Laplace. Vamos provar, usando o último teorema, que a função
X : Ω → R definida por X(cara) = 1 e X(coroa) = 0 é uma v.a.r..
Seja c ∈ R qualquer. Tem-se,

 ∅ se c<0
−1
X ( ] − ∞, c] ) = {coroa} se 0 ≤ c < 1 .
Ω se c≥1

Como ∅ ∈ P(Ω), {coroa} ∈ P(Ω) e Ω ∈ P(Ω), podemos afirmar que,

para todo o c ∈ R, X −1 ( ] − ∞, c] ) ∈ P(Ω), ficando assim provado que X
é uma v.a.r..
O acontecimento ”saiu uma cara” corresponde a X −1 ({1}), ou
simplesmente ”X=1”, e a sua probabilidade é
1
P(X −1 ({1})) ≡ P(X = 1) = P({cara}) = .
2
Exemplos: 2) Sejam (Ω, A, P) o espaço de probabilidade associado a
uma certa experiência aleatória e B um acontecimento (ie, B ∈ A).
Vamos provar que a função indicatriz do conjunto B, ie, a função
1B : Ω → R definida por 1B (ω) = 1, se ω ∈ B, e 1B (ω) = 0, se ω ∈ B, é
uma v.a.r..
Seja c ∈ R qualquer. Tem-se,

 ∅ se c<0
−1
1B ( ] − ∞, c] ) = B se 0 ≤ c < 1 .
Ω se c≥1

Como ∅ ∈ A, B ∈ A (porque B ∈ A) e Ω ∈ A, podemos afirmar que,

para todo o c ∈ R, 1−1
B ( ] − ∞, c] ) ∈ A, ficando assim provado que 1B é
uma v.a.r..
O acontecimento ”1B = 0” corresponde a não se ter obtido um elemento
do conjunto B na realização desta experiência aleatória e a sua
probabilidade é dada por
P(1B = 0) ≡ P( 1−1
B ({0}) ) = P( B ) = 1 − P(B).
Definition
Sejam (Ω, A, P) um espaço de probabilidade e X : Ω → R uma v.a.r..
Chamamos σ-álgebra gerada por X à seguinte famı́lia de subconjuntos
de Ω
X −1 (B(R)) = {X −1 (B), B ∈ B(R)}.
Observe que, por definição de v.a.r., X −1 (B(R)) ⊆ A. É fácil mostrar que

X −1 (B(R)) é uma σ-álgebra sobre Ω [ver ex. 11.(b) da Folha Prática 1].

Na prática temos muitas vezes que lidar com uma função de uma v.a.r..
A questão que se coloca é em que condições é que a composição de
uma função real de variável real com uma v.a.r. resulta ainda numa
v.a.r..
Theorem
Sejam (Ω, A, P) um espaço de probabilidade, X : Ω → R uma v.a.r. e
g : R → R. Se g é uma função contı́nua então g(X) também é uma v.a.r..
[Sem demonstração]
Exemplos: Se X é uma v.a.r. então

X 2 é uma v.a.r.;
eX é uma v.a.r.;
|X| é uma v.a.r..
2. Lei de probabilidade e função de distribuição.
Sejam (Ω, A, P) um espaço de probabilidade e X : Ω → R uma v.a.r..
Tem-se o seguinte diagrama:
X
Ω −→ R
P X −1
[0,1] ←− X −1 (B(R)) ←− B(R)
Definition
A aplicação PX : B(R) → [0, 1] definida por PX = P ◦ X −1 , ie,
PX (B) = P[X −1 (B)] ≡ P[X ∈ B], B ∈ B(R),
é designada de lei de probabilidade da v.a.r. X.
Observação: É fácil mostrar que PX é uma medida de probabilidade

sobre (R, B(R)) [ver ex.2 da Folha Prática 3].
Definition
A função FX : R → [0, 1] definida por: para c ∈ R,
FX (c) = PX ( ] − ∞, c] ) = P( X −1 ( ] − ∞, c] ) ) ≡ P(X ∈] − ∞, c]) ≡ P(X ≤ c),
é designada de função de distribuição da v.a.r. X ou função de

distribuição da lei de probabilidade PX .
Observação: [V. IMP.] Como π(R) = { ] − ∞, c], c ∈ R} é um π-sistema

tal que σ(π(R)) = B(R), a lei de probabilidade da v.a.r. X, PX , fica
caracterizada pela respectiva função de distribuição FX (recordar Lema
enunciado no final do Capı́tulo I). Assim, se uma outra v.a.r. Y tiver a
mesma função de distribuição que a v.a.r. X, então a lei de
probabilidade de Y coincide com a lei de probabilidade de X, ie,
para todo o B ∈ B(R), PX (B) = PY (B).
Exemplo: Voltemos à experiência que consiste em lançar uma moeda

equilibrada. O espaço de probabilidade é (Ω, P(Ω), P), em que
Ω = {cara, coroa} e P é a medida de Laplace.
A função de distribuição da v.a.r. X : Ω → R, definida por X(cara) = 1 e

X(coroa) = 0, é dada por
c ∈ R, FX (c) = P[X ≤ c] ≡ P[ X −1 ( ] − ∞, c] ) ]

 P(∅) se c<0
= P({coroa}) se 0 ≤ c < 1
P(Ω) se c≥1


 0 se c<0
1
= se 0 ≤ c<1 .
 2
1 se c≥1

Propriedades de uma função de distribuição:
Sejam (Ω, A, P) um espaço de probabilidade, X : Ω → R uma v.a.r. e F a
função de distribuição de X. F tem as seguintes propriedades:
i) F é monótona não-decrescente;
ii) F é contı́nua à direita;
iii) lim F(c) = 1 e lim F(c) = 0;
c→+∞ c→−∞
iv) Para todo o a, b ∈ R, com a < b, tem-se
PX ( ]a, b] ) ≡ P(a < X ≤ b) = F(b) − F(a)
em que PX é a lei de probabilidade da v.a.r. X;

v) F é contı́nua em x0 ∈ R sse PX ({x0 }) ≡ P(X = x0 ) = 0;
vi) F tem, quando muito, uma infinidade numerável de pontos de
descontinuidade.
[Demonstração de ii), v) e vi) - Ver livro de Lopes & Gonçalves].
3. Variáveis Aleatórias Reais Discretas
3.1 Definição. Função de Probabilidade.
No que se segue, (Ω, A, P) é um espaço de probabilidade, X : Ω → R é

uma v.a.r. e PX representa a lei de probabilidade de X.
Definition
Se existe um subconjunto real D ∈ B(R) finito ou infinito numerável tal
que PX (D) ≡ P(X ∈ D) = 1, diz-se que X é uma v.a.r. discreta e que PX
é uma lei de probabilidade discreta.
O menor subconjunto real D ∈ B(R) que verifica a condição PX (D) = 1 é
designado de contradomı́nio ou suporte da v.a.r. X e denotado por CX .

Theorem
Se PX é uma lei de probabilidade discreta então o contradomı́nio de X é
o conjunto de pontos de descontinuidade da respectiva função de
distribuição.
[Demonstração] Ver livro de Lopes & Gonçalves.

Theorem
Se PX é uma lei de probabilidade discreta então o contradomı́nio de X é
o conjunto de pontos de descontinuidade da respectiva função de
distribuição.
Theorem
Seja X uma v.a.r. discreta de contradomı́nio CX . A lei de probabilidade
PX é caracterizada por uma função f : R → [0, 1] definida por

PX ({a}) ≡ P(X = a) se a ∈ CX
f (a) = .
0 se c.c.

À função f referida neste último teorema chamamos função de
probabilidade da v.a.r. X ou função de probabilidade da lei PX . Também
é habitual adoptar a designação função massa de probabilidade.
Observação: Uma vez conhecida a função de probabilidade, f , da v.a.r.
X com contradomı́nio CX = {a1 , a2 , . . . , an , . . .}, com
a1 < a2 < . . . < an < . . ., a função de distribuição de X obtém-se do
seguinte modo:
c ∈ R, FX (c) = PX ( ] − ∞, c] ) ≡ P(X ≤ c)


 0 se c < a1
f (a1 ) se a1 ≤ c < a2




f (a1 ) + f (a2 ) se a2 ≤ c < a3



= ..

 .
f (a ) + f (a ) + . . . + f (an ) se an ≤ c < an+1



 1 2

 ..
.

X
= f (ai )
ai ∈CX : ai ≤c

Observe ainda que, se X é uma v.a.r. discreta, de contradomı́nio CX e

função de probabilidade f , então
1 qualquer que seja E ∈ B(R), tem-se

X
PX (E) ≡ P(X ∈ E) = f (a);
T
a∈(E CX )
2 da definição de CX , resulta que

X
f (a) = 1.
a∈CX

3.2 Leis de Probabilidade Discretas Mais Conhecidas
Nesta secção vamos estudar algumas leis de probabilidade discretas
que são frequentemente utilizadas em situações reais.

Nesta secção vamos estudar algumas leis de probabilidade discretas
que são frequentemente utilizadas em situações reais.
I) Lei de Bernoulli de parâmetro p, p ∈]0, 1[:

Seja (Ω, F, P) um espaço de probabilidade e A ∈ F tal que P(A) = p. Já
vimos que a função X : Ω → R definida por

0 se w ∈ /A
X(w) =
1 se w ∈ A
é uma v.a.r. e a sua lei de probabilidade PX é tal que PX ({1}) = p e
PX ({0}) = 1 − p. Como p ∈]0, 1[, temos que CX = {0, 1}, pelo que X é
uma v.a.r. discreta. A função de probabilidade de X é dada por

 p se a=1
f (a) = 1 − p se a=0 .
0 se a ∈/ {0, 1}

Nestas condições, diz-se que a v.a.r. X segue a lei de Bernoulli com

parâmetro p, e abrevia-se por X ∼ Bernoulli(p).
II) Lei Binomial de parâmetros n e p, com n ∈ N, p ∈]0, 1[:
Seja (Ω, F, P) o espaço de probabilidade associado a uma certa
experiência aleatória, ξ, e seja S um acontecimento que, numa
realização da experiência ξ, ocorre com probabilidade p, i.e., S ∈ F tal
que P(S) = p.
Seja agora X a v.a.r. que representa o número de vezes que o
acontecimento S ocorre em n repetições independentes da experiência
ξ. Tem-se que X é uma v.a.r. discreta de contradomı́nio
CX = {0, 1, . . . , n} e função de probabilidade dada por
n k n−k se k ∈ {0, 1, . . . , n}
f (k) = k p (1 − p) .
0 se c.c.
Nestas condições, diz-se que a v.a.r. X segue a lei Binomial com
parâmetros n e p, e abrevia-se por X ∼ Bin(n, p).
Notas: 1) Observe que a lei Bernoulli(p) coincide com a lei Bin(1, p).
2) O acontecimento S é usualmente designado de ”sucesso”.
III) Lei Hipergeométrica de parâmetros N, M e n:
Considere uma caixa que tem N elementos, dos quais M, com
0 ≤ M ≤ N possuem um certo atributo A, i.e., M elementos têm o tal
atributo e N − M elementos não o têm.
Considere a experiência aleatória que consiste em recolher uma
amostra, sem reposição, de n elementos retirados da caixa e seja X a
v.a.r. que representa o número de elementos da amostra que possuem
o atributo A. Tem-se que X é uma v.a.r. discreta, de contradomı́nio
CX = {max(0, n − (N − M)), . . . , min(n, M)} e função de probabilidade
 M N−M
( )( )
 k Nn−k se k ∈ CX


(n)
f (k) = .


 0 se c.c.
Nestas condições, diz-se que X segue a lei Hipergeométrica de
parâmetros N, M e n, e abrevia-se por X ∼ HG(N, M, n).
Nota: Se a amostra é feita com reposição, tem-se que X ∼ Bin n, M

N .
IV) Lei de Poisson com parâmetro λ, com λ ∈ R+ :
Seja (Xn )n∈N uma sucessão de v.a.r.’s, todas definidas sobre o mesmo
espaço de probabilidade (Ω, A, P), e tal que Xn ∼ Bin(n, pn ), com
lim npn = λ com λ ∈ R+ .
n→∞
Nestas condições, temos que
lim pn = 0
n→∞
e, para todo o k ∈ N,
n

P(Xn = k) k pkn (1 − pn )n−k n − k + 1 pn λ
= n
= → .
P(Xn = k − 1) pk−1 1 − pn

k−1 n (1 − pn )n−k+1 k k
Isto permite-nos concluir que, para n suficientemente grande, a função
de probabilidade da v.a.r. Xn comporta-se como a de uma v.a.r.
discreta, Y, de contradomı́nio CY = N0 , e tal que
λ
P(Y = k) = P(Y = k − 1) , k ∈ N.
k
Trabalhando esta última igualdade, concluimos que
λ λ2 λk
P(Y = k) = P(Y = k − 1) = P(Y = k − 2) = . . . = P(Y = 0).
k k(k − 1) k!
Como CY = N0 , temos
+∞ +∞ k
X X λ
1= P(Y = k)⇔1 = P(Y = 0)⇔1 = P(Y = 0)eλ ⇔P(Y = 0) = e−λ .
k!
k=0 k=0
λk −λ
Concluimos assim que, para todo o k ∈ N0 , P(Y = k) = k! e e que a
função de probabilidade de Y é dada por
 λk
 k! e−λ se k ∈ N0
f (k) = .
se c.c.

0
Nestas condições, diz-se que Y segue a lei de Poisson de parâmetro λ,
e abrevia-se por Y ∼ Poisson(λ).
Nota: A lei de Poisson é adequada para modelar o número de

ocorrências de um fenómeno raro (i.e. um fenómeno que tem baixa
probabilidade de ocorrência) quando não limitamos o número de
repetições da experiência aleatória. Em particular, a lei de Poisson é
usada para obter um valor aproximado para a função de probabilidade
de uma v.a.r. Z ∼ Bin(n, p) quando n é grande e p é pequeno. O
parâmetro λ a utilizar na aproximação será igual a n × p.

V) Lei Uniforme num conjunto finito U:
Seja U = {u1 , u2 , . . . , un } um subconjunto real finito, com n elementos.

Diz-se que uma v.a.r. X tem lei Uniforme no conjunto U, abrevia-se por
X ∼ Uniforme(U), se a função de probabilidade é dada por
 1
 n se x ∈ U
f (x) = .
0 se c.c.

Nota: Esta lei é utilizada sempre que se escolhe ao acaso um elemento

do conjunto U e os elementos têm igual probabilidade de serem
escolhidos.

4. Variáveis aleatórias reais (absolutamente)
contı́nuas
4.1 Leis Difusas
Definition
Seja (Ω, A, P) um espaço de probabilidade e X : Ω → R uma v.a.r..
X diz-se difusa se a sua lei de probabilidade, PX , é uma lei de
probabilidade difusa sobre (R, B(R)), i.e.,
PX ({a}) ≡ P(X = a) = 0, para todo o a ∈ R.

4. Variáveis aleatórias reais (absolutamente)
contı́nuas
4.1 Leis Difusas
Definition
Seja (Ω, A, P) um espaço de probabilidade e X : Ω → R uma v.a.r..
X diz-se difusa se a sua lei de probabilidade, PX , é uma lei de
probabilidade difusa sobre (R, B(R)), i.e.,
PX ({a}) ≡ P(X = a) = 0, para todo o a ∈ R.
No conjunto das leis difusas sobre (R, B(R)) existe um subconjunto

particularmente importante que é o que vamos estudar mais
detalhadamente - é o subconjunto das leis de probabilidade
absolutamente contı́nuas. Estas leis caracterizam-se à custa de uma
função real de variável real, designada de função densidade de
probabilidade.
4.2 Leis absolutamente contı́nuas
Definition
Uma função f : R → R diz-se uma função densidade de probabilidade
sobre R se:
f (x) ≥ 0, para todo o x ∈ R;
R +∞
f é integrável e −∞ f (x)dx = 1.
Exemplos: Exercı́cio 1, Folha Prática 4.

Definition
Uma v.a.r. X diz-se absolutamente contı́nua se a sua lei de
probabilidade, PX , é uma lei absolutamente contı́nua sobre (R, B(R)), ie,
se existir uma função densidade de probabilidade sobre R, f , tal que
Z b
PX ( ]a, b[ ) ≡ P( X ∈]a, b[ ) = f (x)dx, para todo o a, b ∈ R, a < b.
a
À função f chamamos função densidade de probabilidade da v.a.r. X (ou

da lei de probabilidade PX ). Ao menor elemento de B(R) onde a função
f é estritamente positiva chamamos suporte ou contradomı́nio de X.

Definition
Uma v.a.r. X diz-se absolutamente contı́nua se a sua lei de
probabilidade, PX , é uma lei absolutamente contı́nua sobre (R, B(R)), ie,
se existir uma função densidade de probabilidade sobre R, f , tal que
Z b
PX ( ]a, b[ ) ≡ P( X ∈]a, b[ ) = f (x)dx, para todo o a, b ∈ R, a < b.
a
À função f chamamos função densidade de probabilidade da v.a.r. X (ou

da lei de probabilidade PX ). Ao menor elemento de B(R) onde a função
f é estritamente positiva chamamos suporte ou contradomı́nio de X.
Observação: Uma função densidade de probabilidade sobre R
determina uma única lei de probabilidade, Q, sobre (R, B(R))
absolutamente contı́nua que verifica a condição
Z b
Q( ]a, b[ ) = f (x)dx, para todo o a, b ∈ R, a < b.
a
Theorem
Se Q é uma lei de probabilidade sobre (R, B(R)) absolutamente
contı́nua então Q é difusa.

Theorem
Se Q é uma lei de probabilidade sobre (R, B(R)) absolutamente
contı́nua então Q é difusa.
[Demonstração]: Pretende-se mostrar que Q({a}) = 0, para todo o
a ∈ R. Seja f a função densidade de probabilidade de Q. Observe que

1 1
{a} = ∩ a − , a + .
n∈N n n
Tem-se que
Z a+ 1
1 1 n
Q({a}) = lim Q a − ,a + = lim f (x)dx = 0.
n→∞ n n n→∞ a− 1
n
A primeira igualdade deve-se ao facto de Q ser uma medida de

probabilidade sobre (R, B(R)) e faz uso de uma das suas propriedades.
A segunda igualdade deve-se ao facto de Q ser uma lei absolutamente
contı́nua com função densidade de probabilidade f .
Observação: Deste último teorema resulta que, se X é uma v.a.r.

absolutamente contı́nua com função densidade de probabilidade, f ,
então a respectiva lei, PX , satisfaz o seguinte: para todo a, b ∈ R, a < b,
Z b
PX ( ]a, b[ ) = PX ( [a, b[ ) = PX ( ]a, b] ) = PX ( [a, b] ) = f (x)dx,
a
i.e.,
Z b
P( X ∈ ]a, b[ ) = P( X ∈ [a, b[ ) = P( X ∈ ]a, b] ) = P( X ∈ [a, b] ) = f (x)dx.
a

Theorem
Uma condição necessária e suficiente para que uma v.a.r. X seja
absolutamente contı́nua é que a sua função de distribuição, FX ,
verifique a seguinte condição
Z c
para todo o c ∈ R, FX (c) = PX ( ] − ∞, c] ) ≡ P(X ≤ c) = f (x)dx,
−∞
para alguma função densidade de probabilidade f .

[Demonstração]
(⇒) Suponhamos que X é uma v.a.r. absolutamente contı́nua. Então
existe f , uma função densidade de probabilidade sobre R, tal que
Z b
PX ( ]a, b[ ) ≡ P( a < X < b ) = f (x)dx, para todo o a, b ∈ R , a < b.
a

Então, para todo o c ∈ R,

FX (c) = PX (] − ∞, c]) = PX (] − ∞, c[) = PX ∪ ] − n, c[
n∈N
= lim PX (] − n, c[)
n→∞
Z c
= lim f (x)dx
n→∞ −n
Z c
= f (x)dx.
−∞
Observe que a segunda igualdade deve-se ao facto de PX ser uma lei

difusa; a penúltima igualdade deve-se ao facto de X ser absolutamente
contı́nua com função densidade de probabilidade f e a última igualdade
deve-se ao facto de f ser integrável.

(⇐) Suponhamos agora que X é uma v.a.r. cuja função de distribuição,

FX , é dada por
Z c
FX (c) = f (x)dx, para todo o c ∈ R,
−∞
para alguma função densidade de probabilidade f . Se provarmos que

Z b
PX ( ]a, b[ ) ≡ P( a < X < b ) = f (x)dx, para todo o a, b ∈ R,
a
fica demonstrado que X é uma v.a.r. absolutamente contı́nua. Para

provar isto, basta mostrar as seguintes igualdades:
Rb
i) PX ( ]a, b] ) = a f (x)dx,
ii) PX ({b}) = 0.

Ora
Z b Z a Z b
PX (]a, b]) = FX (b) − FX (a) = f (x)dx − f (x)dx = f (x)dx,
−∞ −∞ a
ficando assim provado i). Mais

1 1
PX ({b}) = PX ∩ b − ,b +
n∈N n n

1 1
= lim PX b − ,b +
n→∞ n n
Z b+ 1
n
= lim f (x)dx
n→∞ b− 1
n
= 0,
ficando assim provado ii).

O último teorema caracteriza as v.a.r.’s absolutamente contı́nuas e
diz-nos como obter a função de distribuição à custa da função
densidade de probabilidade.

A questão que agora se coloca é como obter a função densidade de

probailidade, f , à custa da função de distribuição, F.


É possı́vel mostrar [ver Lopes & Gonçalves] que a função de

distribuição de uma v.a.r. absolutamente contı́nua é uma função
diferenciável excepto, quando muito, num subconjunto infinito
numerável de R.


É possı́vel mostrar [ver Lopes & Gonçalves] que a função de

distribuição de uma v.a.r. absolutamente contı́nua é uma função
diferenciável excepto, quando muito, num subconjunto infinito
numerável de R. Mais, é possı́vel concluir que:
1 Se F 0 é contı́nua então f (x) = F 0 (x), para todo o x ∈ R.
2 Se F 0 é contı́nua excepto, quando muito, num subconjunto infinito
numerável D ⊂ R, e se F 0 é limitada então
f (x) = F 0 (x), para todo o x ∈ R \ D.
Neste último caso, para os pontos x ∈ D convenciona-se f (x) = 0.
Na verdade, podemos atribuir um qualquer valor não negativo à função

f no conjunto D. Uma vez que D é, quando muito, infinito numerável,
teremos PX (D) = 0 qualquer que seja o valor atribuı́do a f (x) em pontos
x ∈ D. Deste modo, podem existir várias funções densidade de
probabilidade para uma mesma v.a.r. X absolutamente contı́nua.

Na verdade, podemos atribuir um qualquer valor não negativo à função

f no conjunto D. Uma vez que D é, quando muito, infinito numerável,
teremos PX (D) = 0 qualquer que seja o valor atribuı́do a f (x) em pontos
x ∈ D. Deste modo, podem existir várias funções densidade de
probabilidade para uma mesma v.a.r. X absolutamente contı́nua.
Nota: As funções de distribuição F de v.a.r.’s absolutamente contı́nuas

que vamos estudar nesta disciplina serão sempre de um dos tipos 1) ou
2) atrás descritos.

4.3 Leis de probabilidade contı́nuas mais conhecidas
Nesta secção vamos estudar algumas leis de probabilidade
absolutamente contı́nuas que são frequentemente utilizadas na prática.
I) Lei Uniforme no intervalo [a, b], a, b ∈ R, a < b:
Diz-se que uma v.a.r. absolutamente contı́nua, X, segue a lei Uniforme
no intervalo [a, b], abrevia-se por X ∼ U([a, b]), se a função densidade
de probabilidade de X é dada por
1
f (x) = b−a se a ≤ x ≤ b .
0 se c.c.

Nesta secção vamos estudar algumas leis de probabilidade
absolutamente contı́nuas que são frequentemente utilizadas na prática.
I) Lei Uniforme no intervalo [a, b], a, b ∈ R, a < b:
Diz-se que uma v.a.r. absolutamente contı́nua, X, segue a lei Uniforme
no intervalo [a, b], abrevia-se por X ∼ U([a, b]), se a função densidade
de probabilidade de X é dada por
1
f (x) = b−a se a ≤ x ≤ b .
0 se c.c.
Esta lei atribui a mesma probabilidade a intervalos de igual amplitude

contidos em [a, b]. De facto, se ]c, d[ ⊆ [a, b] tem-se que
d d
d−c
Z
x amplitude de [c, d]
P( X ∈ ]c, d[ ) = f (x)dx = = = .
c b−a c b−a b−a

Se X ∼ U([a, b]) então a respectiva função de distribuição é dada por

Z c  0 se c<a
c−a
F(c) = PX (] − ∞, c]) = f (x)dx = se a ≤ c≤b .
−∞  b−a
1 se c > b.

Se X ∼ U([a, b]) então a respectiva função de distribuição é dada por

Z c  0 se c<a
c−a
F(c) = PX (] − ∞, c]) = f (x)dx = se a ≤ c≤b .
−∞  b−a
1 se c > b.
Uma das utilizações mais importantes da lei uniforme surge no
chamado teorema da transformação uniformizante, que diz o seguinte:
Theorem
Seja X uma v.a.r. cuja função de distribuição, G, é estritamente
crescente e contı́nua. Então a v.a.r. Y = G(X) segue a lei U([0, 1]).
[Demonstração] A função de distribuição de Y, FY , é dada por:

 0 se c<0
FY (c) = P(G(X) ≤ c) = P(X ≤ G−1 (c)) = G(G−1 (c)) = c se 0 ≤ c ≤ 1
1 se c>1

que coincide com a função de distribuição da lei U([0, 1]).

II) Lei Normal (ou Gaussiana) de parâmetros m e σ 2 , m ∈ R e σ ∈ R+ :
Diz-se que uma v.a.r. absolutamente contı́nua, X, segue a lei Normal de
parâmetros m e σ 2 , abrevia-se por X ∼ N(m, σ 2 ), se a função densidade
de probabilidade de X for dada por
( )
1 x−m 2

1
f (x) = √ exp − , x ∈ R.
σ 2π 2 σ

( )
1 x−m 2

1
f (x) = √ exp − , x ∈ R.
σ 2π 2 σ
Nota: A lei N(0, 1) é designada de lei normal standard ou lei normal

centrada e reduzida.

( )
1 x−m 2

1
f (x) = √ exp − , x ∈ R.
σ 2π 2 σ
Nota: A lei N(0, 1) é designada de lei normal standard ou lei normal

centrada e reduzida.
A lei Normal tem várias propriedades interessantes. Vamos começar
por provar que a função f acima é realmente uma função densidade de
probabilidade sobre R, i.e., que f (x) ≥ 0 (trivial) e que
Z +∞
f (x)dx = 1.
−∞

Vamos começar por considerar a função

1 1 2
g(x) = √ exp − x , x ∈ R
2π 2
R +∞
e provar que I = −∞ g(x)dx = 1. Como g(x) > 0, ∀x ∈ R, se provarmos
que I 2 = 1 teremos que a única possibilidade é I = 1. De facto:
Z +∞ Z +∞
2
I = g(x)dx × g(y)dy
−∞ −∞
Z +∞ Z +∞
1 1 2 2
= exp − (x + y ) dx dy
−∞ −∞ 2π 2
Z +∞ Z 2π Z +∞
(∗) 1 1 2 r 1 2
= exp − r r dθdr = exp − r dr[θ]2π
0
0 0 2π 2 0 2π 2
Z +∞ +∞
1 1
= r exp − r2 dr = − exp − r2 = 1.
0 2 2 0

A igualdade assinalada por (∗) deve-se à chamada substituição em

coordenadas polares:
x = r cos(θ)
,
y = r sin(θ)
com θ ∈ [0, 2π] e r ≥ 0. Observe que a matriz jacobiana associada a
esta substituição é dada por
" #
∂x ∂y
∂r ∂r cos(θ) sin(θ)
J = ∂x ∂y =
∂θ ∂θ
−r sin(θ) r cos(θ)
e o seu determinante
det(J) = r cos2 (θ) + r sin2 (θ) = r.

R +∞
Voltemos agora ao cálculo de −∞ f (x)dx.
( )
+∞ +∞
1 x−m 2
Z Z
1
f (x)dx = √ exp − dx
−∞ −∞ σ 2π 2 σ
Z +∞
(∗∗) 1 1 2
= √ exp − y σdy
−∞ σ 2π 2
= I = 1.
x−m
(∗∗)substituição: y = σ .

Algumas propriedades da lei Normal:
Sejam m ∈ R e σ ∈ R+ .
X−m
1) Se X ∼ N(m, σ 2 ) então σ ∼ N(0, 1).
2) Se Y ∼ N(0, 1) então σY + m ∼ N(m, σ 2 ).
3) A lei N(0, σ 2 ) é simétrica relativamente à origem, i.e., se X ∼ N(0, σ 2 )
então
P(X ∈ [a, b]) = P(X ∈ [−b, −a]), para todo o a, b ∈ R, a < b.
4) A lei N(m, σ 2 ) é simétrica relativamente a m, i.e., se X ∼ N(m, σ 2 )

então
P(X ∈ [m + a, m + b]) = P(X ∈ [m − b, m − a]), para todo o a, b ∈ R, a < b.
As propriedades 3) e 4) são, obviamente, consequências das simetrias

das respectivas funções densidade de probabilidade.
Observação: A função de distribuição da lei N(m, σ 2 ), dada por

( )
1 x−m 2
Z c
1
F(c) = √ exp − dx,
−∞ σ 2π 2 σ
não tem uma expressão analı́tica. No entanto, para cada c ∈ R, é

possı́vel obter uma aproximação de F(c) recorrendo a métodos
numéricos. O resultado dessa aproximação está disponı́vel no software
R através da função pnorm. Assim, para
√ obter um valor aproximado de
F(c) devemos executar pnorm(c, m, σ 2 ).

5. Variáveis aleatórias reais com lei mista
Observação: Na secção anterior, estudamos pormenorizadamente as

leis difusas que são absolutamente contı́nuas (i.e., que são
caracterizadas através de uma função densidade de probabilidade
sobre R). No entanto, existem leis difusas que não são absolutamente
contı́nuas. Essas leis são designadas de leis singulares. Um exemplo
de uma lei de probabilidade singular é a lei de probabilidade de Cantor
[ver Lopes & Gonçalves].

Observação: Na secção anterior, estudamos pormenorizadamente as

leis difusas que são absolutamente contı́nuas (i.e., que são
caracterizadas através de uma função densidade de probabilidade
sobre R). No entanto, existem leis difusas que não são absolutamente
contı́nuas. Essas leis são designadas de leis singulares. Um exemplo
de uma lei de probabilidade singular é a lei de probabilidade de Cantor
[ver Lopes & Gonçalves].
Nesta secção, vamos estudar as leis de probabilidade mistas ou de

mistura: leis de probabilidade sobre (R, B(R)) que não são nem
discretas nem difusas.

Theorem
Seja H uma lei de probabilidade sobre (R, B(R)) nem discreta nem
difusa. Então existem α ∈ (0, 1), uma lei de probabilidade discreta, H1 , e
uma lei de probabilidade difusa, H2 , tais que
H = αH1 + (1 − α)H2 .
Além disso, esta decomposição de H é única.

[Demonstração] Ver Lopes & Gonçalves

Theorem
Seja H uma lei de probabilidade sobre (R, B(R)) nem discreta nem
difusa. Então existem α ∈ (0, 1), uma lei de probabilidade discreta, H1 , e
uma lei de probabilidade difusa, H2 , tais que
H = αH1 + (1 − α)H2 .
Além disso, esta decomposição de H é única.

Exemplo: Seja X a v.a.r. que representa a quantidade de chuva (em
metros cúbicos) que cai numa certa região do paı́s num dia escolhido
ao acaso. Sabe-se que, num dia escolhido ao acaso, a probabilidade de
não chover é 1/3, i.e. P(X = 0) = 1/3. Sabe-se ainda que, quando
chove, a quantidade de chuva segue a lei Exp(1), i.e.,
P(X ≤ c|X > 0) = 1 − e−c , c > 0.
Observe que função de distribuição de X é dada por:

0, c<0
0, c<0

1
F(c) = P(X ≤ c) = , c=0 = 1 2 −c ), c ≥ 0
 1 2 3 −c 3 + 3 (1 − e
3 + 3 (1 − e ), c > 0
que pode ser escrita na forma
F(c) = αF1 (c) + (1 − α)F2 (c),

1
com α = 3 e

0, c < 0 0, c<0
F1 (c) = e F2 (c) = .
1, c ≥ 0 1 − e−c , c ≥ 0
Note que F1 é função de distribuição de uma lei de probabilidade

discreta e F2 é função de distribuição de uma lei de probabilidade
absolutamente contı́nua (e, consequentemente, difusa).
6. Parâmetros de localização e dispersão
Os parâmetros de localização e dispersão não caracterizam as leis de

probabilidade a que estão associadas (como acontece, por exemplo,
com a função de distribuição, com a função de probabilidade (no caso
discreto) ou com a função densidade de probabilidade (no caso
contı́nuo)).

6. Parâmetros de localização e dispersão
Os parâmetros de localização e dispersão não caracterizam as leis de

probabilidade a que estão associadas (como acontece, por exemplo,
com a função de distribuição, com a função de probabilidade (no caso
discreto) ou com a função densidade de probabilidade (no caso
contı́nuo)).
No entanto, estes parâmetros fornecem informação importante sobre

algumas caracterı́sticas relativas aos valores que a v.a.r. assume,
nomeadamente: a sua localização na recta real, a sua dispersão
relativamente a algum valor central (em geral a média), etc.

6.1 Esperança matemática
Definition
Seja X uma v.a.r. definida sobre o espaço de probabilidade (Ω, A, P).
i) Se X é discreta de contradomı́nio CX = {x1 , x2 , . . . , xn , . . .} e se
X
|xi |P(X = xi ) < +∞,
xi ∈CX
define-se a esperança matemática (ou valor médio) de X,

denota-se por E[X], como sendo
X
E[X] = xi P(X = xi ).
xi ∈CX
X
Se |xi |P(X = xi ) = +∞
xi ∈CX
diz-se que X não tem esperança matemática (ou que E[X] não
existe).
6. 1 Esperança matemática
Definition
ii) Se X é absolutamente contı́nua com função densidade de
probabilidade f e se
Z +∞
|x|f (x)dx < +∞,
−∞
define-se a esperança matemática (ou valor médio) de X,

denota-se por E[X], como sendo
Z +∞
E[X] = xf (x)dx.
−∞
Z +∞
Se
|x|f (x)dx = +∞
−∞
diz-se que X não tem esperança matemática (ou que E[X] não
existe).
Observações:
1) Se X é uma v.a.r. discreta de contradomı́nio finito então X tem
esperança matemática. Se contradomı́nio de X é infinito numerável
então E[X] pode não existir.
Exemplo: Considere a v.a.r. X, com CX = Z \ {0} e tal que
1
P(X = n) = P(X = −n) = , n ∈ Z \ {0}.
2n(n + 1)
X não tem esperança matemática pois

+∞ +∞ X 1 +∞
X X X n
|n|P(X = n) = 2 nP(X = n) = 2 = = +∞.
2n(n + 1) n+1
n∈Z\{0} n=1 n=1 n=1

2) Se X é uma v.a.r. absolutamente contı́nua, E[X] também pode não

existir.
Exemplo: Considere uma v.a.r. X, absolutamente contı́nua, com
função densidade de probabilidade
1 1
f (x) = , x ∈ R,
π 1 + x2
conhecida por densidade de Cauchy.
E[X] não existe pois
Z +∞ Z +∞
1 1 1 +∞
|x|f (x)dx = 2 x 2
dx = log(1 + x2 ) 0 = +∞.
−∞ 0 π1+x (1) π
Observação: (1) a função log utilizada é a função logaritmo neperiano.

Exemplos/Exercı́cios Folha Prática 5:

1) Determine, caso exista, a esperança matemática
i) das v.a.r.’s discretas, indicadas nos exercı́cios 3 (a) e 4 da Folha
Prática 3;
ii) das v.a.r.’s absolutamente contı́nuas, indicadas nos exercı́cios 3 e 5
da Folha Prática 4.
2) Mostre que
i) se X ∼ Bin(n, p), com n ∈ N e p ∈]0, 1[, então E[X] = np;
ii) se X ∼ Poisson(λ), com λ ∈ R+ , então E[X] = λ;
iii) se X ∼ N(m, σ 2 ), com m ∈ R e σ ∈ R+ , então E[X] = m.

Vejamos agora em que condições existe a esperança matemática de
uma função de uma v.a.r. e, em caso afirmativo, como determiná-la.
Definition
Sejam X uma v.a.r. e φ : D ⊆ R → R tal que φ(X) é uma v.a.r..
i) Se X é discreta, de contradomı́nio CX = {x1 , x2 , . . . , xn , . . .}, e se
X
|φ(xi )|P(X = xi ) < +∞,
xi ∈CX
diz-se que E[φ(X)] existe e

X
E[X] = φ(xi )P(X = xi ).
xi ∈CX
Se
X
|φ(xi )|P(X = xi ) = +∞
xi ∈CX
diz-se que E[φ(X)] não existe.

Definition
ii) Se X é absolutamente contı́nua, com função densidade de
probabilidade f , e se
Z +∞
|φ(x)|f (x)dx < +∞,
−∞
diz-se que E[φ(X)] existe e

Z +∞
E[φ(X)] = φ(x)f (x)dx.
−∞
Se Z +∞
|φ(x)|f (x)dx = +∞
−∞
diz-se que E[φ(X)] não existe.


1
1) Seja X ∼ Poisson(λ). Averigue se a v.a.r. Y = 1+X tem esperança
matemática e, em caso afirmativo, determine E[Y].
2) Sejam X ∼ Exp(1) uma v.a.r. e φ : R → R a função dada por
1 − e−x se x ≥ 0

φ(x) = .
0 se x < 0
Averigue se a v.a.r. Y = φ(X) tem esperança matemática e, em

caso afirmativo, determine E[Y].


1
1) Seja X ∼ Poisson(λ). Averigue se a v.a.r. Y = 1+X tem esperança
matemática e, em caso afirmativo, determine E[Y].
2) Sejam X ∼ Exp(1) uma v.a.r. e φ : R → R a função dada por
1 − e−x se x ≥ 0

φ(x) = .
0 se x < 0
Averigue se a v.a.r. Y = φ(X) tem esperança matemática e, em

caso afirmativo, determine E[Y].
Observação: Recorde que, se X é um v.a.r. e φ : R → R é uma função

contı́nua, então φ(X) também é uma v.a.r..

Propriedades da esperança matemática:
Sejam X uma v.a.r. e φ : R → R uma função tal que E[φ(X)] existe.
I) E[aφ(X) + b] = aE[φ(x)] + b, quaisquer que sejam a, b ∈ R.

Observe que, como consequência deste resultado, tem-se que
E[aX + b] = aE[X] + b
quando E[X] existe.

[Demonstração] Vamos fazer apenas para o caso discreto. Em
casa, fazer para o caso em que X é v.a.r. absolutamente contı́nua.

Propriedades da esperança matemática (continuação):
Seja X uma v.a.r. discreta de contradomı́nio CX = {x1 , x2 , . . . , xn , . . .}.
Então:
X
E[|aφ(X) + b|] = |aφ(xi ) + b|P(X = xi )
xi ∈CX
X X
≤ |aφ(xi )|P(X = xi ) + |b|P(X = xi )
xi ∈CX xi ∈CX
= |a|E[|φ(X)|] + |b| < +∞
Concluimos assim que E[aφ(X) + b] existe. Vamos agora calculá-la.

X
E[aφ(X) + b] = [aφ(xi ) + b]P(X = xi )
xi ∈CX
X X
= aφ(xi )P(X = xi ) + bP(X = xi )
xi ∈CX xi ∈CX
= aE[φ(X)] + b

Propriedades da esperança matemática (continuação):
II) |E[φ(X)]| ≤ E[|φ(X)|].

[Demonstração] Vamos fazer apenas para o caso discreto. Em casa,
fazer para o caso em que X é v.a.r. absolutamente contı́nua.
X
|E[φ(X)]| = | φ(xi )P(X = xi ) |
xi ∈CX
X
≤ |φ(xi )|P(X = xi )
xi ∈CX
= E[|φ(X)|]

6.2 Momentos de uma variável aleatória real
Os momentos de uma v.a.r. são definidos à custa da esperança

matemática de determinadas funções da v.a.r. em causa. Estas
funções são contı́nuas e a sua composição com uma v.a.r. discreta
(respectivamente, contı́nua) resulta ainda numa v.a.r. discreta
(respectivamente, contı́nua).

Os momentos de uma v.a.r. são definidos à custa da esperança

matemática de determinadas funções da v.a.r. em causa. Estas
funções são contı́nuas e a sua composição com uma v.a.r. discreta
(respectivamente, contı́nua) resulta ainda numa v.a.r. discreta
(respectivamente, contı́nua).
Definition
Sejam X uma v.a.r. e k ∈ N. Se E[X k ] existe, chamamos momento de
ordem k ao valor de E[X k ].
Caso E[X k ] não exista diz-se que X não tem momento de ordem k.

Propriedades dos momentos de uma v.a.r.:

Seja X uma qualquer variável aleatória real.
I) Se E[X k ] existe então E[X n ] existe, para todo o n ≤ k, n, k ∈ N.

II) Seja k ∈ N. E[X k ] existe sse E[(X − a)k ] existe, para todo o a ∈ R.

Definition
Seja X uma v.a.r. tal que E[X] existe e seja k ∈ N. Chama-se momento
centrado de ordem k, denota-se por µk , a
µk = E[(X − E[X])k ]
quando µk existe.

Definition
Seja X uma v.a.r. tal que E[X] existe e seja k ∈ N. Chama-se momento
centrado de ordem k, denota-se por µk , a
µk = E[(X − E[X])k ]
quando µk existe.
Nota: µ1 = E[X − E[X]] = E[X] − E[E[X]] = E[X] − E[X] = 0.

Definition
Seja X uma v.a.r.. Chama-se variância de X, denota-se por Var[X], ao
momento centrado de ordem 2 quando existe, i.e.,
Var[X] = E[(X − E[X])2 ].
Chama-se desvio-padrão de X, denota-se por σX , a

p
σX = Var[X].
Var[X] e σX são parâmetros utilizados para medir a dispersão dos

valores de X relativamente ao parâmetro de localização E[X].

Propriedades da variância: Seja X uma v.a.r..
I) E[X 2 ] existe sse E[X] e Var[X] existem.
[Demonstração] TPC [Ver Lopes & Gonçalves]

II) Var[X] = 0 sse X é uma v.a.r. quase certa, i.e., existe a ∈ R tal que
P(X = a) = 1.

II) Var[X] = 0 sse X é uma v.a.r. quase certa, i.e., existe a ∈ R tal que
P(X = a) = 1.
III) Se E[X 2 ] existe então Var[X] = E[X 2 ] − (E[X])2 .

[Demonstração] É consequência directa da linearidade da
esperança matemática.
Var[X] = E[(X − E[X])2 ] = E[X 2 − 2XE[X] + (E[X])2 ]
= E[X 2 ] − 2E[X]E[X] + (E[X])2
= E[X 2 ] − (E[X])2

Propriedades da variância (continuação):
IV) Se X admite momento de ordem 2 então
Var[aX + b] = a2 Var[X], ∀a, b ∈ R.
[Demonstração] Comecemos por mostrar que Var[aX + b] existe.
Para isso, basta mostrar que aX + b tem momento de 2a ordem.
Usando a linearidade da esperança matemática e o facto de E[X 2 ]
existir, tem-se que
E[|(aX+b)2 |] = E[|a2 X 2 +2abX+b2 |] ≤ a2 E[|X|2 ]+2|ab|E[|X|]+b2 < +∞,
e concluimos assim que Var[aX + b] existe. Vamos agora calculá-la.
Var[aX + b] = E[(aX + b − E[aX + b])2 ] = E[(aX + b − aE[X] − b)2 ]
= E[(a(X − E[X]))2 ) = E[a2 (X − E[X])2 ]
= a2 E[(X − E[X])2 ]
= a2 Var[X]

1) Determine, caso exista, a variância
i) das v.a.r.’s discretas, indicadas nos exercı́cios 3 (a) e 4 da Folha
Prática 3;
ii) das v.a.r.’s absolutamente contı́nuas, indicadas nos exercı́cios 3 e 5
da Folha Prática 4.
2) Mostre que
i) se X ∼ Bin(n, p), com n ∈ N e p ∈]0, 1[, então Var[X] = np(1 − p);
ii) se X ∼ Poisson(λ), com λ ∈ R+ , então Var[X] = λ;
iii) se X ∼ N(m, σ 2 ), com m ∈ R e σ ∈ R+ , então Var[X] = σ 2 .

6.3 Quantis de uma variável aleatória real
Definition
Sejam X uma v.a.r., com função de distribuição F, e p ∈]0, 1[. Define-se
quantil de ordem p, denota-se por χp , a
χp = min{x ∈ R : F(x) ≥ p}.

Definition
χp = min{x ∈ R : F(x) ≥ p}.
Observações:
1) Se X é uma v.a.r. absolutamente contı́nua, tem-se que χp = F −1 (p).

Definition
χp = min{x ∈ R : F(x) ≥ p}.
Observações:
1) Se X é uma v.a.r. absolutamente contı́nua, tem-se que χp = F −1 (p).
2) O quantil de ordem p pode ser visto, grosso modo, como o ponto
que divide a lei de probabilidade de X em duas partes disjuntas: a
uma é atribuı́da peso p (a inferior a χp ) e à outra é atribuı́da peso
1 − p (a superior a χp ).
Quando X é absolutamente contı́nua, essa divisão é exacta, i.e.,
P(X < χp ) = p e P(X > χp ) = 1 − p.

3) Para p = 0.5, o quantil é também designado de mediana.

Grosso modo, a mediana divide a lei da v.a.r. em 2 partes de igual
peso: 0.5 cada uma.


peso: 0.5 cada uma.
4) Os quantis χ1/4 , χ2/4 = χ1/2 e χ3/4 são designados de quartis,
sendo χ1/4 o 1o quartil, χ2/4 o 2o quartil e χ3/4 o 3o quartil.
Grosso modo, os quartis dividem a lei da v.a.r. em 4 partes de igual
peso: 0.25 cada uma.


peso: 0.5 cada uma.
5) Fazendo p = i/10, com i ∈ {1, 2, . . . , 9}, obtemos os decis.
Grosso modo, os decis dividem a lei da v.a.r. em 10 partes de igual
peso: 0.1 cada uma.


peso: 0.5 cada uma.
5) Fazendo p = i/10, com i ∈ {1, 2, . . . , 9}, obtemos os decis.
Grosso modo, os decis dividem a lei da v.a.r. em 10 partes de igual
peso: 0.1 cada uma.
6) Fazendo p = i/100, com i ∈ {1, 2, . . . , 99}, obtemos os percentis.
Grosso modo, os percentis dividem a lei da v.a.r. em 100 partes de
igual peso: 0.01 cada uma.

Cap II Slides 29&30 Set 6&7 Out

Enviado por

Dados do documento

Descrição original:

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Cap II Slides 29&30 Set 6&7 Out

Enviado por

Direitos autorais:

Formatos disponíveis

Capı́tulo II: Variáveis Aleatórias Reais

Fundamentos e Aplicações da Estatı́stica

Capı́tulo II: Variáveis Aleatórias Reais

É frequente estarmos interessados em associar aos resultados de uma

Por exemplo, na experiência aleatória que consiste em lançar dois

Capı́tulo II: Variáveis Aleatórias Reais

Se quisermos estudar apenas uma caracterı́stica numérica,

Capı́tulo II: Variáveis Aleatórias Reais

Ω = {(x1 , x2 ) : xi ∈ {1, 2, 3, 4, 5, 6}, i ∈ {1, 2}}

e a função X é dada por

= X((3, 5)) = X((5, 1)) = X((5, 3)) = X((5, 5)) = 0;

e X(ω) = 1 para os restantes elementos de Ω.

Se quisermos estudar, em simultâneo, k caracterı́sticas numéricas, com

Neste capı́tulo vamos estudar apenas o caso unidimensional (k = 1).

Capı́tulo II: Variáveis Aleatórias Reais

No exemplo anterior, o acontecimento ”não saiu qualquer face par” é

O acontecimento ”saiu pelo menos uma face par” é definido por

X −1 ({1, 2}) ≡ {ω ∈ Ω : X(ω) ∈ {1, 2}}

Capı́tulo II: Variáveis Aleatórias Reais

Para simplificar a notação, os acontecimentos anteriores podem ser

Capı́tulo II: Variáveis Aleatórias Reais

Para simplificar a notação, os acontecimentos anteriores podem ser

Observe que na descrição destes dois acontecimentos foram usados

Capı́tulo II: Variáveis Aleatórias Reais

Observe que é necessário garantir que estes acontecimentos são

Assim, sendo (Ω, A, P) o espaço de probabilidade associado à

para todo o E ∈ B(R), X −1 (E) ∈ A.

Capı́tulo II: Variáveis Aleatórias Reais

para todo o E ∈ B(R), X −1 (E) ∈ A.

Como ∅ ∈ P(Ω), {coroa} ∈ P(Ω) e Ω ∈ P(Ω), podemos afirmar que,

Como ∅ ∈ A, B ∈ A (porque B ∈ A) e Ω ∈ A, podemos afirmar que,

Observe que, por definição de v.a.r., X −1 (B(R)) ⊆ A. É fácil mostrar que

Capı́tulo II: Variáveis Aleatórias Reais

Exemplos: Se X é uma v.a.r. então

PX (B) = P[X −1 (B)] ≡ P[X ∈ B], B ∈ B(R),

é designada de lei de probabilidade da v.a.r. X.

Observação: É fácil mostrar que PX é uma medida de probabilidade

FX (c) = PX ( ] − ∞, c] ) = P( X −1 ( ] − ∞, c] ) ) ≡ P(X ∈] − ∞, c]) ≡ P(X ≤ c),

é designada de função de distribuição da v.a.r. X ou função de

Observação: [V. IMP.] Como π(R) = { ] − ∞, c], c ∈ R} é um π-sistema

Exemplo: Voltemos à experiência que consiste em lançar uma moeda

A função de distribuição da v.a.r. X : Ω → R, definida por X(cara) = 1 e

Capı́tulo II: Variáveis Aleatórias Reais

PX ( ]a, b] ) ≡ P(a < X ≤ b) = F(b) − F(a)

em que PX é a lei de probabilidade da v.a.r. X;

No que se segue, (Ω, A, P) é um espaço de probabilidade, X : Ω → R é

Capı́tulo II: Variáveis Aleatórias Reais

Capı́tulo II: Variáveis Aleatórias Reais

[Demonstração] Ver livro de Lopes & Gonçalves.

Capı́tulo II: Variáveis Aleatórias Reais

Observe ainda que, se X é uma v.a.r. discreta, de contradomı́nio CX e

1 qualquer que seja E ∈ B(R), tem-se

2 da definição de CX , resulta que

Capı́tulo II: Variáveis Aleatórias Reais

Capı́tulo II: Variáveis Aleatórias Reais

I) Lei de Bernoulli de parâmetro p, p ∈]0, 1[:

Nestas condições, diz-se que a v.a.r. X segue a lei de Bernoulli com

Nota: A lei de Poisson é adequada para modelar o número de

Capı́tulo II: Variáveis Aleatórias Reais

V) Lei Uniforme num conjunto finito U:

Seja U = {u1 , u2 , . . . , un } um subconjunto real finito, com n elementos.

Nota: Esta lei é utilizada sempre que se escolhe ao acaso um elemento