Variáveis Aleatórias

Discretas e Contínuas

1. Variáveis Aleatórias
2. Variáveis Aleatórias Unidimensionais Discretas
3. Variáveis Aleatórias Unidimensionais Contínuas
4. Variáveis Aleatórias Bidimensionais Discretas
5. Variáveis Aleatórias Bidimensionais Contínuas
6. Parâmetros de Variáveis Aleatórias
1. Variáveis Aleatórias
Como visto anteriormente, em muitos casos, o espaço de resultados associado a uma experiência aleatória é
constituído por números reais. Quando tal não acontece, o processo mais frequente é fazer corresponder um
número real a cada elemento do espaço de resultados.

Exemplo 1

Considere a experiência aleatória – lançamento de uma moeda ao ar por duas vezes. O espaço de resultados é
constituído por quatro elementos: Ω = { (F , F), (F , C), (C , F), (C , C) }, em que F representa o acontecimento
associado à saída de “Cara” e C o acontecimento associado à saída de “Coroa”.

Porém, não interessa saber a ordem de saída de “Cara” ou “Coroa”, mas sim saber o número de vezes que saiu
“Cara”, por exemplo. Assim, a cada resultado irá associar-se um número real de acordo com o número de saídas de
“Cara”, definindo-se uma variável X nos termos: Número de caras no lançamento de uma moeda por duas vezes.

Logo, a cada elemento do espaço de resultados faz-se corresponder um número real:

(F , F) -> 2, (F , C) -> 1, (C , F) -> 1, (C , C) -> 0, podendo-se escrever que: X (Ω) = { 0, 1, 2}.

Esta correspondência define o que se costuma designar por Variável Aleatória.

- 1 / 31 -
1. Variáveis Aleatórias (Cont.)
Definição

Uma Variável Aleatória, geralmente designada por X, é uma função que faz corresponder um número real a
cada elemento do espaço de resultados. Por outras palavras, uma variável aleatória é uma função cujo domínio é
Ω e contradomínio é R1.

Podemos classificar as variáveis aleatórias em discretas e contínuas:

Uma variável aleatória diz-se discreta se o contradomínio for um conjunto finito ou infinito numerável de valores.

Uma variável aleatória diz-se contínua se o contradomínio for um conjunto infinito não numerável de valores.

___________
1
No caso de se analisarem dois ou mais atributos em simultâneo, a correspondência será de Ω para Rn, onde n
representa o número de características simultaneamente em análise.

- 2 / 31 -
1. Variáveis Aleatórias (Cont.)
Uma vez definida a variável aleatória, é possível corresponder um número real a cada acontecimento definido
sobre o espaço de resultados. A questão que agora se coloca, é saber como calcular as probabilidades dos
acontecimentos a partir das suas imagens, ou seja, através dos valores assumidos pela variável aleatória X.

Exemplo 1 (Cont.)

Considere os seguintes acontecimentos:

A – Não sair nenhuma “Cara” em dois lançamentos de uma moeda;
B – Sair uma “Cara” em dois lançamentos de uma moeda;
C – Saírem duas “Caras” em dois lançamentos de uma moeda.

Antes de se calcular as probabilidades de cada um dos acontecimentos, começa-se por estabelecer a relação
entre cada acontecimento e a sua imagem: A <-> X = 0; B <-> X = 1; C <-> X = 2.

Para utilizar o conceito clássico no cálculo das probabilidades, admite-se que a moeda é equilibrada. Assim:

P (A) = P (X = 0) = 1/4 P (B) = P (X = 1) = 2/4 = 1/2 P (C) = P (X = 2) = 1/4

- 3 / 31 -
2. Variáveis Aleatórias Unidimensionais Discretas
2.1. Função de Probabilidade (Função Massa de Probabilidade)

Definição

Seja X uma v.a. discreta, que assume valores distintos x1, x2, …, xn, …, então, a função f (x) que é definida por:

P [X = x] se x = xj
f (x) = , j = 1, 2, …, n, …
0 se x ≠ Xj

designa-se por Função de Probabilidade da v.a. X ou Função Massa de Probabilidade da v.a. X , tem como
domínio R e contradomínio [0 , 1], e satisfaz as seguintes condições:

1) f (x) ≥ 0, ∀ x ∈ R
n ∞
2) ∑ f (xi) = 1 (caso n finito). No caso n infinito, ∑ f (xi) terá de ser uma série convergente de soma 1.
i=1 i=1

- 4 / 31 -
2. Variáveis Aleatórias Unidimensionais Discretas (Cont.)
2.1. Função de Probabilidade (Função Massa de Probabilidade) (Cont.)

Exemplo 1 (Cont.)

Função de Probabilidade

A partir deste exemplo, pode-se definir uma Função

de Probabilidade - f(x) que faz corresponder uma
probabilidade a cada valor de X:

x x=0 x=1 x=2

f (x) = P [ X = x ] 1/4 1/2 1/4

- 5 / 31 -
2. Variáveis Aleatórias Unidimensionais Discretas (Cont.)
2.2. Função de Distribuição

A função f (x) informa sobre a probabilidade da variável aleatória assumir determinado valor concreto.
No entanto, e frequentemente, em vez de um único valor, procura-se saber a probabilidade de ocorrência de um
conjunto de valores. Nestes casos, torna-se mais prático deduzir a Função de Distribuição.

A Função de Distribuição permite calcular a probabilidade acumulada até um determinado valor da variável
aleatória X. Assim, designando-se a Função de Distribuição por F (x), pode dizer-se que F (x) = P [ X ≤ x ].
Esta função tem domínio em R e contradomínio no intervalo [0 , 1] e verifica as seguintes propriedades:

1) 0 ≤ F (x) ≤ 1, ∀ x ∈ R

2) F(x2) ≥ F (x1), ∀ x1, x2 com x2 > x1 [F (x) é uma função monótona não decrescente]

3) Lim F(x) = 0 e Lim F(x) = 1

x-> -∞ x-> +∞

4) P (x1 < X ≤ x2) = F (x2) – F (x1), ∀ x1, x2 com x2 > x1

Obs.: Esta definição é também válida para uma variável aleatória contínua.

- 6 / 31 -
2. Variáveis Aleatórias Unidimensionais Discretas (Cont.)
2.2. Função de Distribuição (Cont.)

Exemplo 1 (Cont.)

Ainda no exemplo apresentado pode-se definir a Função de Distribuição - F(x), bem como a representação
gráfica que lhe corresponde do seguinte modo:

Função de Distribuição

x x=0 x=1 x=2

f (x) 1/4 1/2 1/4

F (x) 1/4 3/4 1

0 x<o
¼ 0≤x<1
F (x) = ¾ 1≤x<2
1 x≥2

- 7 / 31 -
2. Variáveis Aleatórias Unidimensionais Discretas (Cont.)
2.2. Função de Distribuição (Cont.)

Exemplo 1 (Cont.)

A probabilidade de sair no máximo uma “Cara” em dois lançamentos, pode ser obtida através da:

Função de Distribuição: P (X ≤ 1) = F (1) = ¾

Função de Probabilidade: P (X ≤ 1) = P (X = 0) + P (X = 1) = f (0) + f (1) = 1/4 + 1/2 = 3/4

Também se pode utilizar a Função de Distribuição para calcular a probabilidade de sair pelo menos uma “Cara”.
Tem que se ter no entanto atenção que, a referida função apenas fornece probabilidades acumuladas até um
determinado valor:

P (X ≥ 1) = 1 – P (X < 1) = 1 – P (X ≤ 0 ) = 1 - F (0) = 1 – 1/4 = 3/4

- 8 / 31 -
3. Variáveis Aleatórias Unidimensionais Contínuas
3.1. Introdução
Quando se está perante uma variável aleatória contínua, então esta pode assumir um conjunto infinito de valores.
A aplicação do conceito de função de probabilidade a uma infinidade não numerável de valores leva a que
P [ X = x ] = 0, para qualquer x, i.e., a probabilidade pontual é sempre nula, o que não implica que o
acontecimento seja impossível. De facto, quer apenas traduzir que é nula a probabilidade de “acertar”
exactamente no valor X = x… (os valores de X são tantos – um número infinito não numerável – que a “divisão da
unidade” – probabilidade do universo – por todos eles leva ao resultado indicado). Por isso, quando as variáveis
aleatórias são contínuas a abordagem deve ser diferente da utilizada para as variáveis aleatórias discretas.

3.2. Função Densidade de Probabilidade

Suponha que se reparte uma unidade de probabilidade ao longo do eixo dos números reais e que a “massa” de
probabilidade no intervalo ] - ∞ , x ] é igual a F (x). A probabilidade da variável X assumir valores no intervalo
] x , x + ∆x ] é dada por: F (x + ∆x) – F (x); e o quociente [F (x + ∆x) – F (x)] / ∆x, representa o nível médio de
probabilidade naquele intervalo. O limite do referido quociente, quando ∆x tende para zero, ou seja F’(x),
representa a densidade de probabilidade em torno do ponto x, e designa-se genericamente por Função
Densidade de Probabilidade que se representa por f(x).

- 9 / 31 -
3. Variáveis Aleatórias Unidimensionais Contínuas
3.2. Função Densidade de Probabilidade (Cont.)

Definição

Se X é v.a. contínua, então existe uma função, f (x), designada por Função Densidade de Probabilidade de X, tal que:
x
F (x) = P [ X ≤ x) = ∫ f (x) dx
-∞

Ou ainda:
x2
P (x1 ≤ X ≤ x2) = F (x2) – F (x1) = ∫ f (x) dx
x1

A Função Densidade de Probabilidade verifica cumulativamente as seguintes propriedades:

1) f (x) ≥ 0, ∀ x ∈ R

+∞
2) ∫ f (x) dx = 1
-∞

- 10 / 31 -
3. Variáveis Aleatórias Unidimensionais Contínuas (Cont.)
3.2. Função Densidade de Probabilidade (Cont.)

Exemplo 2

Seja X uma v.a. contínua com a seguinte Função de Distribuição:

X2/4 0≤x≤2
F (x) =
0 outros valores de x

As probabilidades P (X ≤ 1), P (0 ≤ X ≤ 1/2), e P (X ≥ 3/2), por exemplo, podem ser obtidas directamente a partir
de F (x):

P (X ≤ 1) = F (1) = 1/4
P (0 ≤ X ≤ 1/2) = F (1/2) – F (0) = 1/16
P (X ≥ 3/2) = 1 – F (3/2) = 1 – 9/16 = 7/16

- 11 / 31 -
3. Variáveis Aleatórias Unidimensionais Contínuas (Cont.)
3.2. Função Densidade de Probabilidade (Cont.)

Exemplo 2 (Cont.)

Estas probabilidades podem também ser obtidas a partir da Função de Densidade de Probabilidade. Para tal é
necessário deduzir a respectiva função:

1/2 x 0≤x≤2
f (x) = F’ (x) =
0 outros valores de x

1 1
2
P (X ≤ 1) = ∫ ½ x dx = ½ [ x /2] = ¼
0 0

1/2 1/2
2
P (0 ≤ X ≤ 1/2) = ∫ ½ x dx = ½ [ x /2] = 1/16
0 0

2 2
2
P (X ≥ 3/2) = ∫ ½ x dx = ½ [ x /2] = 7/16
3/2 3/2

- 12 / 31 -
3. Variáveis Aleatórias Unidimensionais Contínuas (Cont.)
3.2. Função Densidade de Probabilidade (Cont.)

Exemplo 2 (Cont.)

Graficamente, as funções têm a seguinte forma:

Função Densidade de Probabilidade Função de Distribuição

7/16

1/4

- 13 / 31 -
4. Variáveis Aleatórias Bidimensionais Discretas

As noções de Função de Probabilidade e de Função de Distribuição abordadas anteriormente para as variáveis

unidimensionais (variáveis aleatórias discretas e contínuas) podem ser estendidas às variáveis aleatórias
multidimensionais, definindo-se então a Função de Probabilidade Conjunta e a Função de Distribuição
Conjunta. Seguidamente abordar-se-á o caso particular das variáveis bidimensionais (discretas e contínuas).

4.1. Função de Probabilidade Conjunta

Definição

Chama-se Função de Probabilidade Conjunta de uma v.a. bidimensional (X , Y) à função f (x , y) que faz
corresponder uma probabilidade a cada elemento de R2:

f (x , y) = P ( X = x , Y = y)

A Função de Probabilidade Conjunta verifica cumulativamente as seguintes condições:

1) f ( Xi , yj) ≥ 0, ∀ (xi , yj) ∈ R2

n t
2) ∑ ∑ f ( Xi , yj) = 1
i=1 j=1

- 14 / 31 -
4. Variáveis Aleatórias Bidimensionais Discretas (Cont.)
4.2. Função de Distribuição Conjunta

Definição

À semelhança da Função de Distribuição unidimensional, a Função de Distribuição Conjunta de uma variável

bidimensional (X , Y) define-se por:

F (X , Y) = P ( X ≤ x , Y ≤ y) = ∑ ∑ f ( Xi , Yj)
Xi ≤ x Yj ≤ y

A Função de Distribuição Conjunta verifica cumulativamente as seguintes condições:

1) 0 ≤ F( Xi , yi) ≤ 1, ∀ (xi , yi) ∈ R2

2) Fx,y ( x2 , y2) ≥ Fx,y (x1 , y1), ∀ x2 > x1, Y2 > Y1

3) Lim Fx,y (x , y) = 0 e Lim Fx,y (x , y) = 1

x -> - ∞ x -> + ∞
y -> - ∞ y -> + ∞

- 15 / 31 -
4. Variáveis Aleatórias Bidimensionais Discretas (Cont.)
4.3. Função de Probabilidade Marginal

No caso bidimensional é frequente o recurso à chamada Função de Probabilidade Marginal de X ou de Y. Esta

função permite obter, por exemplo, a probabilidade de X assumir um determinado valor ou um conjunto de
valores, independentemente dos valores que a variável Y possa assumir.

Definição

Dada uma variável aleatória bidimensional (X , Y) é possível definir duas funções: a Função de Probabilidade
Marginal de X, fx (X), e a Função Probabilidade Marginal de Y, fy (Y), como se segue:

fx (x) = ∑ f (x , y) = P (X = x , -∞ ≤ Y ≤ +∞)
y

fy (y) = ∑ f (x , y) = P (-∞ ≤ X ≤ +∞ , Y = y)
x

- 16 / 31 -
4. Variáveis Aleatórias Bidimensionais Discretas (Cont.)
4.4. Independência

A partir das Funções de Probabilidades Marginais, pode-se também analisar a independência entre as variáveis
que integram o par (X , Y). Assim sendo:

Definição

Dada uma variável aleatória bidimensional (X , Y), diz-se que as v.a. unidimensionais que a integram, X e Y,
são independentes, se a Função de Probabilidade Conjunta, f (x , y), for igual ao produto das Funções de
Probabilidade Marginais correspondentes, i.e.:

f (x , y) = fx (x) * fy (y), ∀ (x , y) ∈ R2

Exemplo 3

Num determinado bairro de Lisboa, verificou-se que 40% das famílias vivem num T2, 35% num T3 e 25% num
T4. Constatou-se, ainda, que 40% dessas famílias têm um filho e as restantes dois filhos. Determine a Função de
Probabilidade Conjunta, a Função de Distribuição Conjunta e as Funções de Probabilidade Marginais.

- 17 / 31 -
4. Variáveis Aleatórias Bidimensionais Discretas (Cont.)
Exemplo 3 (Cont.)

Defina-se a variável X e Y do seguinte modo:

X = 2, para uma família que vive num T2, Y = 1, para uma família com um filho,
X = 3, para uma família que vive num T3, Y = 2, para uma família com dois filhos.
X = 4, para uma família que vive num T4.

Daqui retira-se facilmente que a Função de Probabilidade de X e Y é:

0,40 para X = 2
f (x) = P [ X = x ] = 0,35 para X = 3 f (y) = P [ Y = y ] = 0,4 para Y = 1
0,25 para X = 4 0,6 para Y = 2

Suponha o quadro de Probabilidade Conjunta:

X=2 X=3 X=4

Y=1 0,25 0,05 0,10

Y=2 0,15 0,30 0,15

- 18 / 31 -
4. Variáveis Aleatórias Bidimensionais Discretas (Cont.)
Exemplo 3 (Cont.)

A Função de Distribuição Conjunta – F (x , y) será:

X< 2 2≤X<3 3≤X<4 X≥4

Y<1 0 0 0 0

1≤Y<2 0 0,25 0,30 0,40

Y≥2 0 0,40 0,75 1,00

As Funções de Probabilidade Marginal de uma variável aleatória bidimensional são funções de probabilidade de
variável aleatórias unidimensionais. De facto:

X X=2 X=3 X=4 Y Y=1 Y=2

fx (x) 0,40 0,35 0,25 fy (y) 0,40 0,60

Serão independentes?

f (2 , 1) = 0,25 ≠ fx (2) * fy (1) = 0,40 * 0,40 = 0,16, pelo que se pode concluir que X e Y não são independentes.

- 19 / 31 -
5. Variáveis Aleatórias Bidimensionais Contínuas

5.1. Função Densidade de Probabilidade Conjunta e Função de Distribuição Conjunta

Tal como no caso univariado de variáveis contínuas, em que a Função Densidade de Probabilidade é a derivada da
Função de Distribuição, também nas variáveis bidimensionais a Função Densidade de Probabilidade Conjunta
resulta da diferenciação da Função de Distribuição Conjunta em ordem às variáveis que a compõem, ou seja:

f (x , y) = δ2 F(x , y) / δ x δ y

Diz-se que uma variável aleatória bidimensional (X , Y) é contínua se existe uma função f (x , y) ≥ 0, tal que a
Função de Distribuição de (X , Y), F (x , y), possa ser escrita como:

x y

F (x , y) = ∫ ∫ f (u , v) dv du, ∀ (x , y) ∈ R2
-∞ -∞

- 20 / 31 -
5. Variáveis Aleatórias Bidimensionais Contínuas (Cont.)

5.1. Função Densidade de Probabilidade Conjunta e Função de Distribuição Conjunta (Cont.)

A Função Densidade de Probabilidade Conjunta deve também verificar duas propriedades:

1) f (x , y) ≥ 0, ∀ (x , y) ∈ R2

+∞ +∞
2) ∫ ∫ f (x , y) dx dy = 1
-∞ -∞

A Função de Distribuição Conjunta, F (x , y) goza das propriedades referidas a propósito das variáveis aleatórias
discretas bidimensionais.

5.2. Função Densidade de Probabilidade Marginais vs Independência

De forma análoga ao caso discreto, pode-se definir para uma variável aleatória bivariada (X , Y) contínua, duas
Funções Densidade de Probabilidade Marginais.

- 21 / 31 -
5. Variáveis Aleatórias Bidimensionais Contínuas (Cont.)
5.2. Função Densidade de Probabilidade Marginais vs Independência (Cont.)

Dada uma variável aleatória bidimensional (X , Y) contínua, define-se a Função Densidade de Probabilidade
Marginal de X, fx (x), e Função Densidade de Probabilidade Marginal de Y, fY (Y), respectivamente, como:

+∞ +∞
fx (x) = ∫ f (x , y) dy e fy (Y) = ∫ f (x , y) dx
-∞ -∞

Então, fx (x), dá o valor da Função Densidade de Probabilidade f (X , Y) para X = x, seja qual for o valor de que Y
assuma. De modo idêntico se interpreta fY (Y).

Tal como no caso discreto, as variáveis X e Y são independentes, se a Função Densidade de Probabilidade
Conjunta f ( X , Y) for igual ao produto das respectivas Funções Densidade de Probabilidade Marginais.

f (x , y) = fx (x) * fy (y), ∀ (x , y) ∈ R2
Exemplo 4

Considere a Função Densidade de Probabilidade Conjunta das variáveis X e Y da página seguinte, e calcule as
probabilidades de P (X ≤ 1/2 , Y ≤ 1/3), P (X ≤ 1/3) e P (Y > 1/2), e verifique se as variáveis são independentes.

- 22 / 31 -
5. Variáveis Aleatórias Bidimensionais Contínuas (Cont.)
Exemplo 4 (Cont.)
4xy 0≤x≤1 , 0≤y≤1
f (x , y) =
0 outros valores

1/2 1/3 1/2 1/3 1/2

P (X ≤ 1/2 , Y ≤ 1/3 ) = ∫ ∫ 4xy dy dx = 4 ∫ x [ y2/2] dx = 4/18 [x2/2] = 4/18 [1/8] = 1/36
0 0 0 0 0

Função Densidade de Probabilidade Marginal de X e de Y:

1 1 1 1
2 2
fx (x) = ∫ 4xy dy = 4x [ y /2] = 2x para 0 ≤ x ≤ 1 fy (y) = ∫ 4xy dx = 4y [ x /2] = 2y para 0 ≤ y ≤ 1
0 0 0 0

1/3 1/3
P (X ≤ 1/3) = ∫ 2x dx = 2 [ x2/2] = 1/9
0 0

1/2 1/2
2
P (Y > 1/2) = 1 - P (Y < 1/2) = 1 - ∫ 2y dy = 1 - 2 [ y /2] = 1 – 1/4 = 3/4
0 0

As variáveis X e Y são independentes, uma vez que: f (x , y) = fx (x) * fy (y) = 4xy = 2x * 2y

- 23 / 31 -
6. Parâmetros das Variáveis Aleatórias
Os parâmetros de variáveis aleatórias são medidas através das quais se pretende sintetizar a informação que
respeita ao comportamento da variável em análise. As medidas (ou parâmetros) usualmente utilizadas são
o Valor Esperado (ou média) e a Variância. Para a análise da relação entre duas variáveis aleatórias são de
destacar a Covariância e o Coeficiente de Correlação Linear.

6.1. Valor Esperado

Definição:

Seja X uma variável aleatória, o Valor Esperado de X (ou média de X), E [X] (também representado por µ),
quando existe, define-se por:

V.A. Discreta V.A. Contínua

n +∞
E [ X ] = ∑ xi f (xi) E [ X ] = ∫ x f (x) dx
i=1 -∞

- 24 / 31 -
6. Parâmetros das Variáveis Aleatórias (Cont.)
6.1. Valor Esperado (Cont.)

Propriedades do Valor Esperado

Sendo X e Y duas variáveis aleatórias, e K uma constante real,

i) E [K] = K
ii) E [KX] = K * E [X]
iii) E [X ± Y] = E [X] ± E [Y]
iv) E [X * Y] = E [X] * E [Y] + Cov (X,Y). Contudo, caso X e Y sejam independentes, virá: E [X * Y] = E [X] * E [Y]

Observação:

A definição dada para E [X] consubstancia a noção intuitiva de que, assumindo X um conjunto de valores,
a “média” correspondente se obtém somando (ou integrando) todos esses valores, ponderados pela respetiva
probabilidade pontual (ou densidade de probabilidade no ponto). Como tal, o valor obtido pode não pertencer ao
conjunto de valores efetivamente assumidos por X (notório no caso de uma variável aleatória discreta).

- 25 / 31 -
6. Parâmetros das Variáveis Aleatórias (Cont.)
6.2. Variância e Desvio Padrão

Definição:

Seja X uma variável aleatória, a Variância de X, representada por VAR [X] = σ2x = σ2, é definida por:
VAR [X] = E [ (X - µx)2], e consequentemente pode ser calculada como:

V.A. Discreta V.A. Contínua

n +∞
2
VAR [ X ] = ∑ (xi - µx) * f (xi) VAR [ X ] = ∫ (x - µx)2 * f (x) dx
i=1 -∞

A definição apresentada evidencia que a variância é a média dos quadrados dos desvios dos diversos valores
de X em relação à sua média. É, assim, uma medida de dispersão em relação à média, e é sempre positiva.
Quanto mais frequentes forem os valores pouco afastados da média, menor a dispersão (em relação à média)
apresentará a variável aleatória.
- 26 / 31 -
6. Parâmetros das Variáveis Aleatórias (Cont.)
6.2. Variância e Desvio Padrão (Cont.)

Propriedades da Variância

Sendo X e Y duas variáveis aleatórias, e K uma constante real,

i) VAR [K] = 0
ii) VAR [KX] = K2 * VAR [X]
iii) VAR [X ± Y] = VAR [X] + VAR [Y] ± 2 Cov (X,Y).
Contudo, caso X e Y sejam independentes, virá: VAR [X ± Y] = VAR [X] + VAR [Y]
iv) VAR [X] = E [X2] - E2 [X]

Definição de Desvio Padrão

Designa-se por Desvio Padrão a raiz quadrada positiva da Variância:

σx = σ = + √ VAR [X]

- 27 / 31 -
6. Parâmetros das Variáveis Aleatórias (Cont.)
6.3. Covariância e Coeficiente de Correlação Linear

Definição:

Sejam X e Y variáveis aleatórias, a Covariância entre estas v.a. é representada por Cov [X, Y], em que,
Cov (x,y) = E [ (X - µx) ( Y - µy) ] = σx,y, em que - ∞ < σx,y < + ∞, e consequentemente pode ser calculada como:

V.A. Discreta V.A. Contínua

n m +∞ +∞
Cov (x,y) = ∑ ∑ (xi - µx) (yj - µy) * f (xi, yj) Cov (x,y) = ∫ ∫ (x - µx) (y - µy) * f (x,y) dx dy
i=1 j=1 -∞ -∞

A covariância é pois uma medida de distribuição conjunta dos valores de X e Y, em termos dos desvios em
relação à respetivas médias. A Cov (x,y) descreve, assim, a relação linear ou ligação entre duas variáveis e a
sua mútua dependência.

- 28 / 31 -
6. Parâmetros das Variáveis Aleatórias (Cont.)
6.3. Covariância e Coeficiente de Correlação Linear (Cont.)

Pode-se aplicar uma fórmula mais simples para o cálculo da Covariância:

Cov (X,Y)= E [X * Y] – E [X] * E [Y]

Teorema

Se X e Y forem independentes, então Cov (X,Y) = 0

Mas o recíproco não é, em geral, verdadeiro, i.e., o facto de Cov (X,Y) = 0 não implica que X e Y sejam v.a.
independentes, pois pode haver uma relação não linear entre as variáveis.

De facto, uma vez que a Covariância mede a associação linear entre as variáveis, a medida pode ser nula
(ausência de relação entre elas) mas, na realidade, as variáveis podem estar relacionadas de outra forma que
não a linear.

- 29 / 31 -
6. Parâmetros das Variáveis Aleatórias (Cont.)
6.3. Covariância e Coeficiente de Correlação Linear (Cont.)

A covariância está expressa nas unidades de X e nas de Y, simultaneamente, o que introduz algumas
dificuldades quando se pretendem fazer comparações. Para ultrapassar este constrangimento, pode calcular-se
o Coeficiente Correlação Linear.

Definição:

Dado um par de variáveis aleatórias (X,Y), define-se Coeficiente Correlação Linear, ρxy, como:

Cov (X , Y) σxy
ρxy = =
√ VAR [X] * VAR [Y] σx σy

- 30 / 31 -
6. Parâmetros das Variáveis Aleatórias (Cont.)
6.3. Covariância e Coeficiente de Correlação Linear (Cont.)

Observação:

Verifica-se que -1 ≤ ρxy ≤ 1, em que:

ρxy = - 1 => Há correlação linear negativa perfeita entre X e Y

ρxy = 1 => A correlação linear é positiva e perfeita
ρxy = 0 => Não há correlação linear entre X e Y

6.4. Exercício

Calcule os parâmetros que considere adequados para os Exemplos 1, 2, 3 e 4.

- 31 / 31 -