Estatística Matemática II: November 8, 2022

Estatística Matemática II
Teodoro Brás
November 8, 2022
Teodoro Brás (ISPM) E.MAT. II - Aula 01 November 8, 2022 1 / 64

Noção de varável aleatória
Uma variável aleatória (v.a.) é uma função X que atribui um número a cada um dos resultados
possíveis de uma experiência aleatória,
X : S {espaço amostral } −→ R
As variáveis aleatórias são representadas por letras maiúsculas, ao passo que os valores que elas
tomam são designados por letras minúsculas. Por exemplo, P(X = x) representa a probabilidade
de v.a. X tomar o valor (teórico ) x.
Uma v.a. pode ser:
discretra (ou categórica ou qualitativa): se toma um número finito de valores ou um
número infinito numerável de valores.
Uma v.a. discreta pode ser:
I ordinal: se existe uma ordem natural entre os diferentes valores da v.a.
I nominal: caso contrário.
contínua (ou quantitativa): se toma um número infinito não numerável de valores.

Exemplo de v.a. discreta e contínua
Exemplo de v.a. discretas:

X v.a. (ordinal) que representa a resposta a um detrminado tratamento (excelente, bom,
razoável, mau)
X : {exc, bo, raz, ma};
X(exc) = 3, X(bo) = 2, X(raz) = 1, X(ma) = 0
X v.a. (nominal) que representa o sexo dos filhos em família com 2 filhos;
X : {♂♂, ♂♀, ♀♀, ♀♂}
X(♂♂) = 1, X(♂♀) = 2, X(♀♀) = 3, X(♀♂) = 4,
Exemplos de v.a. contínuas:
X v.a. que representa o peso (em g) dos alunos inscritos numa faculdade no ano lectivo
2020/2021;
X : [45000; 130000] → R, X(x) = x

V.A. Discreta - Função de probabilidade
Seja X uma v.a. discreta que toma valores x1 , x2 , . . .

Definição: A função (massa) de probabilidade f (x) da v.a. X deseigna a probabilidade dessa
variável tomar cada um dos valores do seu domínio, ou seja:
f (x) = P(X = x) (1)

P(X = x) se x ∈ S,
f (x) =
0, se x ∈
/ S.
f : {valores de X} −→ R
Propriedades
f (x) > 0
∑ f (x) = 1
x∈S

V.A. Discreta - Função de distribuição acumulada
Definição: A função de distribuição, ou função de distribuição acumulada F(x), da v.a., X

corresponde à acumulação da função de probabilidade para cada valor do domínio S da variável,
i.e:
F : R → [0, 1]
F(x) = P(X ≤ x) = ∑ f (u) (2)
u≤x
onde u toma todos os valores possíveis da v.a. X não superiores a x

Propriedades
0 ≤ F(x) ≤ 1;
F(x1 ) ≤ F(x2 ), x1 < x2
lim F(x) = 0 e lim F(x) = 1
x→−∞ x→+∞
F(x) é contínua à direita
P(x1 < X ≤ x2 ) = F(x2 ) − F(x1 ), x1 < x2

Gráficos da f. de probabilidade e f. de distribuição acumulada

Exemplo da função de probabilidade de v.a. discreta
O teste de um novo fármaco passa pela prescrição do mesmo aos primeiros 4 pacientes que
necessitem de medicação análoga. X v.a. que representa o número de pacientes , em 4, que
melhoram com o novo fármaco.
X : {0, 1, 2, 3, 4} → R, X(x) = x
De experiência anterior (efectuadas em muitos grupos de 4 pacientes), sabe-se que:
a probabilidade de nenhum indivíduo, em 4, melhorar com o novo fármaco é 0.008
a probabilidade de 1 indivíduo, em 4, melhorar com o novo fármaco é 0.076
a probabilidade de 2 indivíduos, em 4, melhorarem com o novo fármaco é 0.265

Gráfico da função de probabilidade
A função de probabilidade de X é f : {0, 1, 2, 3, 4} → R

f (0) = 0.008, f (1) = 0.076, f (2) = 0.265, f (3) = 0.411, f (4) = 0.240

Exemplo da função de distribuição acumulada de v.a. discreta
Para o cálculo de distribuicção recorda-se que, por X ser discreta,
F(x) = P(X ≤ x) = ∑ f (u)

u≤x
Assim, F : R −→ R


 0, x<0



 0.008, 0≤x<1
0.008 + 0.076 = 0.084, 1≤x<2

F(x) =

 0.084 + 0.265 = 0.349, 2≤x<3
0.349 + 0.411 = 0.760, 3≤x<4




4≤x

0.760 + 0.240 = 1,

Gráfico da função de distribuição acumulada
Nos casos discretos para uma função de distribuição, o gráfico é apresenta como uma escada.

Algumas cáluclos e observações
A probabilidade de o fármaco produzir o efeito desejado em 2 indivíduos ou menos (em 4)
é:
P(X ≤ 2) = F(2) = 0.349
A probabilidade de o fármaco produzir o efeito desejado em menos de 2 indivíduos (em 4)
é:
P(X < 2) = P(X ≤ 1) = F(1) = 0.084
A probabilidade de o fármaco produzir o efeito desejado em 2 ou mais indivíduos (em 4) é:
P(X ≥ 2) = 1 − P(X < 2)
= 1 − P(X ≤ 1)
= 1 − F(1)
= 1.0.084
= 0.916, ou
P(X ≥ 2) = P(X = 2 ou X = 3 ou X = 4) = f (2) + f (3) + f (4)

= 0.265 + 0.411 + 0.240 = 0.916
V.A. Contínua - Função densidade de probabilidade
Definição: Seja X uma v.a. contínua. A função densidade de probabilidade (f.d.p) de X é

uma função f tal que
Z b
P(a < X < b) = f (x)dx, ∀a, b ∈ R : a ≤ b (3)
a
Propriedades
f : R −→ R
f (x) ≥ 0, ∀x ∈ R
R +∞
−∞ f (x)dx = 1
Observação: Se X é v.a. contínua, então f (x) 6= P(X = x)
P(X = x) = 0
P(a ≤ X ≤ b) = P(a < X < b) + P(X = a) + P(X = b) = P(a < X < b)

V.A. Contínua - Função de distribuição acumulada
Definição: Seja X uma v.a. contínua com função densidade de probabilidade f . A sua função
de distribuição acumulada (f.d.a) F(x) está definida para qualquer valor x e é dada por:
Z x
F(x) = P(X ≤ x) = f (u)du (4)
−∞
Propriedades
A função de distribuição acumulada F da v.a. contínua deve satisfazer as seguintes condições
i. É uma função contínua
ii. 0 ≤ F(x) ≤ 1, ∀x
iii. F(x1 ) ≤ F(x2 ), se x1 ≤ x2
iv. lim F(x) = 0 e lim F(x) = 1
x→−∞ x→+∞
∂
v. f (x) = dx se a função de distribuição acumulada for derivável.
vi. P(a ≤ X ≤ b) = F(b) − F(a)

Gráico da f. densidade de probabilidade e f. de distribuição acumulada

Exemplo da f.d.p e f.d.a da v.a. contínua
Considere que o consumo semanal de um certo bem alimentar, em famílias de um determinado

concelho, é uma v. a. X com a seguinte função densidade de probabilidade:
 1 2
 9x , 0 < x < 3
f (x) =
0, caso contrário

a. Obtenha a função de distribuição.

b. Represente graficamente as funções densidade de probabilidade e de distribuição.
c. Calcule a probabilidade de, numa semana, o consumo do bem alimentar numa dada
família ser superior a 1, 5.
d. Calcule a probabilidade de, numa semana, o consumo do bem alimentar numa dada
família se situar entre 1 e 2.
A resolução da alínea b) à d) será na sala de aula.

Exemplo da f.d.p e f.d.a da v.a. contínua
Por definição, para qualquer x ∈ R tem-se:
Z x
F(x) = P(X ≤ x) = f (u)du
−∞
Caso 1 : x < 0. Tem-se
Z x Z x
F(x) = f (u)du = 0 du = 0
−∞ −∞
Caso 2 : 0 ≤ x ≤ 3. Tem-se
Z x 2
x3
Z x Z x
u
F(x) = f (0)du = 0 du + du =
−∞ −∞ −∞ 9 27
Caso 3 : x > 3. Tem-se
3
x3
Z 0 Z 3 Z +∞
1 2 27
F(x) = f (0) du = u du + 0 du = = =1
−∞ 0 3 3 27 27
0

Noção de variáveis aleatória bidimensionais
Seja (X1 , X2 , . . . , Xn ) é um vector aleatório ou uma v.a. n-dimensional se X1 = X1 (s), X2 =

X2 (s), . . . , Xn = Xn (s) forem funções, cada uma associando um número real a cada resultado s
do espaço amostral S
Os vectores aleatórios, também podem ser discreto (se todas as componentes do vector aleatório
forem discretas) ou contínuos ( se todas as componentes do vector aleatório forem contínuas).

V.A. Discreta - Função de probabilidade conjunta
Definição: Seja (X,Y ) um vector aleatório discreto. A função de probabilidade conjunta

de (X,Y ) é uma função fXY que associa a cada par ordenado possível (x, y) de (X,Y ) a sua
probabilidade, dada por:
fXY (x, y) = P(X = x,Y = y) (5)

Propriedades:
1 fXY (x, y) ≥ 0
2 ∑ ∑ fXY (x, y) = 1
x y

Exemplo da função de probabilidade conjunta da v.a. discreta
Duas linhas de produção fabricam um certo tipo de motor. Suponhamos que a capacidade
máxima de produção diária seja de 3 motores em qualquer uma das linhas. Seja X a v.a. que
representa o número de motores produzidos na linha 1 e Y a v.a. que representa o número de
motores produzido na linha 2. A tabela abaixo representa a função de probabilidade conjunta.

1 Determinar:
a) A probabilidade de a linha 1 produzir mais motores do que a linha 2
b) A probabilidade de a linha 1 produzir tantos motores como a linha 2
c) A probabilidade de a linha 1 produzir menos motores do que a linha 2
d) A probabilidade de a linha 1 produzir menos 2 motores, e a linha 2 produzir 2 ou 3 motores

Resolução
2 3
a) P(X > Y ) = ∑ ∑ fXY (x, y) = (0.04 + 0.09 + 0.12) + (0.08 + 0.11) + 0.08 = 0.52
y=0 x=y+1
3
b) P(X = Y ) = ∑ fXY (x, y) = 0.0 + 0.06 + 0.08 + 0.08 = 0.22
x=y
c) P(X < Y ) = 1 − (0.22 + 0.52) = 0.26 ou 0.01 + 0.01 + 0.08 + 0.01 + 0.06 + 0.09 = 0.26
1 3
d) P(0 ≤ X ≤ 1, 2 ≤ Y ≤ 3) = ∑ ∑ fXY (x, y) = 0.01 + 0.01 + 0.08 + 0.06 = 0.16
x=0 y=2

V.A. Dicreta - Função de distribuição acumulada conjunta
Definição: Seja (X,Y ) um vector aleatório discreto com função de probabilidade conjunta fXY .
A sua função de distribuição acumulada conjunta FXY está definida para todo o par ordenado
(x, y) ∈ R2 e é dada por
FXY (x, y) = P(X ≤ x,Y ≤ y) = ∑ ∑ fXY (u, v), (6)

u≤x v≤y
onde u e v tomam todos os valores possíveis da v.a. X e Y não superiores, respectivamente, a

x e y.
Propriedades: A função f (x, y) tem que satisfazer as seguintes condições:
1 0 ≤ f (x, y) ≤ 1, ∀x, y
2 ∑ ∑ fXY (u, v) = 1
u≤x v≤y
3 lim F(x, y) = 0 e lim F(x, y) = 1
x→−∞ x→+∞
y→−∞ y→+∞

Exemplo de função de distribuição acumulda conjunta de v.a. discreta
Vamos considerar novamente o caso das 2 linhas de produção que fabricam um certo tipo de
motor.
Determinar FXY (2, 1)
Resolução:
2 1
FXY (2, 1) = P(X ≤ 2,Y ≤ 1) = ∑ ∑ fXY (x, y) = 0 + 0.01 + 0.04 + 0.06 + 0.09 + 0.08 = 0.28
x=0 y=0

V.A. Discreta - Função de probabilidade marginal
A função densidade de probabilidade no caso contínuo fX e fY da v.a. X e Y unidimensionais,

podem ser obtidas da função de probabilidade conjunta fXY do vector aleatório (X,Y ). As
funções fX e fY são designadas funções de probabilidades marginais (f.d.p marginais, no caso
contínuo) de X e Y , respectivamente.
Definição: Considere-se a v.a. bidimensional (X,Y ) discreta, com função de probabilidade

conjunta f (x, y). As funções de probabilidade marginais de v.a. X e Y , são respectivamente,
fX (x) = ∑ fXY (x, y) (7)

y
e
fY (y) = ∑ fXY (x, y) (8)

x

Exemplo de função de probabilidade marginal de v.a. discreta
Vamos considerar novamente o caso das 2 linhas de produção que fabricam um certo tipo de
motor, slide 19. Determinar as funções de probabilidades marginais fX (x) e fY (y)

Exemplo de função de probabilidade marginal de v.a. discreta
Resolução:
Pela definição, obtém-se:
3
fy (0) = ∑ fXY (x, 0) = 0.0 + 0.04 + 0.09 + 0.12 = 0.25
x=0
3
fY (1) = ∑ fXY (x, 1) = 0.01 + 0.06 + 0.08 + 0.11 = 0.26
x=0
...
3
fX (0) = ∑ fXY (0, y) = 0.0 + 0.01 + 0.01 + 0.01 = 0.03
y=0
3
fX (1) = ∑ fXY (1, y) = 0.04 + 0.06 + 0.08 + 0.06 = 0.24
y=0
...

V.A. Discreta - Função de distribuição acumulada marginal
A definição das funções de distribuição acumulada marginais FX e FY das variáveis aleatórias X

e Y , respectivamente, obtém-se da forma análoga da função de probabilidade, substituindo f
por F.
As funções de distribuição acumuladas marginais de v.a. X e Y são, da forma:
FX (x) = P(X ≤ x) = ∑ ∑ fXY (u, y) (9)

u≤x y
e
FY (y) = P(Y ≤ y) = ∑ ∑ fXY (x, u) (10)

u≤y x

V.A. Contínua - Função densidade de probabilidade conjunta
Definição: Seja (X,Y ) um vector aleatório contínuo. A função densidade de probabilidade

conjunta de (X,Y) é uma função fXY tal que
Z Z
P((X,Y ) ∈ A) = fXY (x, y)dxdy (11)
A
para qualquer região A do espaço bidimensional.
Propriedades
(i)
fXY (x, y) ≥ 0∀x, y ∈ R

(ii)
Z +∞ Z +∞
fXY (x, y)dxdy = 1
−∞ −∞

Exemplo de função densidade de prob. conjunta de v.a. contínua
Uma fábrica de produtos alimentares produz cereais de milho e aveia, cobertos ou não com
mel, e que são misturados e embalados em caixas. As variáveis aleatórias X e Y representam,
respectivamente, as proporções de cereais de milho e aveia, cobertos mel, existentes numa caixa
seleccionada ao acaso. A função densidade de probabilidade conjunta é:
(
x + y, x ∈ [0, 1] , y ∈ [0, 1]
fXY (x, y) =
0, para outros valores
Determine P 0 < X < 12 , 41 < Y < 12

a)
b) Verifique a condição (ii) da propriedade de f.d.p. conjunta

Exemplo de função densidade de prob. conjunta de v.a. contínua
Resolução:
a)
1 1 1 12 Z 1 1
x2

1 1 1 1 y 2 5
Z Z Z
2 2 2 2
P(0 < X < , < Y < ) = (x+y)dxdy = + xy dy = 1 + dy =
2 4 2 1
4 0 1
4
2 0 4
8 2 1 64
4
b)
Z +∞ Z +∞ Z 1Z 1 Z 1 2 x=1 Z 1
x 1
fXY (x, y)dxdy = (x + y)dxdy = + xy dy = + y dy = 1
−∞ −∞ 0 0 0 2 x=0 0 2

V.A. Contínua - Função de distribuição acumulada conjunta
Definição: Seja (X,Y ) um vector aleatório contínuo com função densidade de probabilidade
conjunta fXY . A função distribuição acumulada conjunta FXY está definida para todo o par
ordenado (x, y) ∈ R2 e é dada por:
Z x Z y
FXY (x, y) = P(X ≤ x,Y ≤ y) = fXY (u, v)dudv (12)
−∞ −∞
Teorema:
∂ 2 FXY (x,y)
Seja (X,Y ) um vector aleatório contínuo. Se ∂ x∂ y existir, então
∂ 2 FXY (x, y)
fxY (x, y) =
∂ x∂ y

V.A. Contínua - Função densidade probabilidade marginal
Definição: Considere-se a v.a. bidimensional (X,Y ) discreta, com função de probabilidade

marginais de X e de Y . As funções densidade de probabilidade marginais de X e de Y são,
respectivamente,
Z +∞
fX (x) = fXY (x, y)dy (13)
−∞
e Z +∞
fY (y) = fXY (x, y)dx (14)
−∞

Exemplo de função densidade de prob. marginal de v.a. contínua
Consideremos o caso da fábrica de produtos alimentares que produz cereais de milho e aveia,
cobertos ou não com mel. Determinar fX (x) e fY (y)
Resolução:
Pela definição (fórmula 13 e 14), temos:
Z +∞ Z 1
1
fX (x) = fXY (x, y)dy = (x+y)dy = x+ para 0 ≤ x ≤ 1 e fX (x) = 0 para outros valores de x.
−∞ 0 2
De forma análoga,
Z +∞ Z 1
1
fY (y) = fXY (x, y)dy = (x+y)dx = y+ para 0 ≤ y ≤ 1 e fY (y) = 0 para outros valores de y.
−∞ 0 2

V.A. Contínua - Função de distribuição acumulada marginal
Consideremos uma função de dsitribuição marginal de X e de Y de uma v.a. discreta. As

funções de distribuição acumuladas marginais de v.a. de X e de Y no caso contínuo,
Z x Z +∞
FX (x) = fXY (u, y)dydu (15)
−∞ −∞
e
Z y Z +∞
FY (y) = fXY (x, u)dxdu (16)
−∞ −∞

Função de probabilidade condicionada de v.a. discreta e contínua
Sejam X e Y duas v.a. discretas, e considerem-se os eventos {X = x} e {Y = y}. A probabilidade

condicional P(X = x|Y = y) chama-se função de probabilidade condicional de X dado Y = y,
denota-se por fX|Y =y (x) e é dada por
P(X = x,Y = y) fXY (x, y)

fX|Y =y (x) = P (X = x|Y = y) = = , fY (y) > 0 (17)
P(Y = y) fY (y)
A segunda igualdade decorre da definição de probabilidade condicional, e terceira igualdade das
definições de função probabilidade conjunta e de função probabilidade marginal.
No caso contínuo, a interpretação da probabilidade condicional apresenta alguma dificuldade,
visto que P(X = x) = P(Y = y) = 0. No entanto, a função densidade de probabilidade condicional
é definida de forma análoga, ou seja,
P(Y = y, X = x) fXY (x, y)

fY |X=x (y) = P (Y = y|X = x) = = , fX (x) > 0 (18)
P(X = x) fX (x)

Função de probabilidade condicionada de v.a. discreta e contínua
Definição: Seja fXY a função de probabilidade conjunta (f.p. conjunta, no caso contínuo) do
vector aleatório (X,Y ) e fX e fY as funções de probabilidade marginais (f.d.p. marginais, no
caso contínuo) de, respectivamente, X e Y .
A função de probabilidade condicional de X dado Y = y, no caso discreto e a função den-
sidade de probabilidade condicional de X dado Y = y, no caso contínuo, são dadas por
fXY (x, y)
fX|Y =y (x) = , se fY (y) > 0 (19)
fY (y)
De forma análoga, função de probabilidade condicional de Y dado X = x, no caso discreto e
a função densidade de probabilidade condicional de Y dado X = x no caso contínuo, é
fXY (x, y)
fY |X=x (y) = , se fX (x) > 0 (20)
fX (x)

Exemplo de função de prob. condicionada de v.a. discreta e contínua
Considere os doentes que realizam tratamentos de emagrecimento. Sejam X e Y duas v.a.

descritas pela função densidade de probabilidade conjunta
(
8
(1 − xy), 0 ≤ x ≤ y ≤ 1
fXY (x, y) = 3
0, outros casos,
e que representam, respectivamente, a fracção de doentes sem curso superior, e fracção de
doentes com curso superior que têm sucesso nesses tratamentos. Determinar:
a) fX (x)
b) fY (y)
c) fY |X=x (y)
d) A probabilidade de, num determinado tratamento, mais de 75% dos doentes com curso
superior terem sucesso, sabendo que apenas 50% dos outros doentes o conseguiram.

Resolução:
a) Por definição (fórmula 13),
Z +∞
fX (x) = fX,Y (x, y). Assim, para 0 ≤ x ≤ 1
−∞
y=1
xy2
Z 1
8 8 8 3 1 3
fX (x) = (1 − xy)dy = y− = 1− x+ x
x 3 3 2 y=x 3 2 2
b) Pela fórmulas 14 Z +∞
fY (y) = fX,Y (x, y)
−∞
x=y
x2 y
Z y
8 8 8 1
fY (y) = (1 − xy)dx = x− = y − y3 , para 0 ≤ y ≤ 1.
0 3 3 2 x=0 3 2

Resolução:
c) Por definição (fórmula 20), temos:
fXY (x, y) 1 − xy 2 − 2xy

fY |X=x (y) = = 3 1
= , para 0 ≤ x ≤ y ≤ 1.
fY (x) 1− 2x+ 2x 3 2 − 3x + x3
d) Por definição, temos:
Sabe-se que: (Para x = 0.5)
x3

8 8 − 4y 8 3 5
fXY (x, y) = (1 − xy) = e fX (x) = 1− x+ = (subistituir em (20))
3 3 3 2 2 6
8
teremos: 5 (2 − y)
1
8 2y − y2
Z 1 Z 1
8
P(Y > 0.75|X = 0.5) = fY |X=0.5 (y)dy = (2 − y)dy = = 0.45
0.75 0.75 5 5 2 0.75

Independência de variáveis aleatórias
O conceito de v.a. independentes X e Y define-se de forma análoga ao conceito de inde-

pendência de dois eventos A e B.
De forma intuitiva, X e Y são variáveis aleatórias independentes, quando o resultado de X não
influenciar o resultado de Y, e vice-versa.
Definição: As v.a. X e Y (ambas discretas ou contínuas) são independentes, se e só se:
fXY (x, y) = fX (x) fY (y), ∀x, y ∈ R (21)

Exemplo de v.a. independentes
Sejam X e Y a duração de vida de dois dispositivos electrónicos com f.d.p. conjunta:

(
e−(x+y) x ≥ 0, y ≥ 0
fXY (x, y) =
0, para outros casos
Mostre que X e Y são indepedentes.

Exemplo de v.a. independentes
Resolução:
Visto que podemos factorizar a f.d.p. conjunta
fXY (x, y) = e−(x+y) = e−x e−y

e que
Z +∞ +∞
e−x dx = −e−x = 0 − (−1) = 1

0 0
Z +∞
e−y dy = 1 (a resolução é análoga)
0
Portanto, X e Y são independentes porque

Exemplo de v.a. não independentes
Considere novamente o exemplo do slide 37, em que X e Y representam a fracção de doentes

sem e com curso superior, respectivamente, que têm sucesso em tratamento de emagrecimento
e cuja f.d.p. conjunta é
(
8
(1 − xy), 0 ≤ x ≤ y ≤ 1
fXY (x, y) = 3
0, outros casos,
Verifique que X e Y não são independentes.

Exemplo de v.a. não independentes
Resolução:
Já vimos que
x3
Z +∞
8 3
fX (x) = fXY (x, y)dy = 1− x+ ,0 ≤ x ≤ 1
−∞ 3 2 2
Z +∞
8 1 3
fY (y) = fXY (x, y)dx = y− y ,0 ≤ y ≤ 1
−∞ 3 2
Logo, fXY (x, y) 6= fX (x) fY (y) e, portanto, X e Y não são independentes.

Média ou valor esperado de v.a. discreta e contínua
A cada distribuição de probabilidade podemos associar certas constantes que fornecem infor-
mação relevante sobre a distribuição. Uma dessas constantes é a média ou valor esperado
ou esperança matemática de cada v.a. que indica onde a distribuição de probabilidade está
centrada.
A notação usada para média da v.a. X é tradicionalmente µ ou, mais explicita µX ou E(X).
Definição: A média ou valor esperado da v.a. X é a constante
µ = µX = E(X) = ∑ x f (x) (22)

x
se X é discreta, e
Z +∞
µ = µX = E(X) = x f (x)dx (23)
−∞
se X é contínua

Pode-se mostrar que

Var(X) = E X 2 − (E(X))2

onde, no caso discreto,

E X 2 = ∑ xk2 f (xk )

k
e, no caso contínuo,
Z +∞
E X2 = x2 f (x)dx
−∞

Propriedades do valor esperado

1 E(K) = k ∀k ∈ R;
2 E(kX) = kE(X);
3 E(X ±Y ) = E(X) ± E(Y );

E(X)E(Y )
 se X e Y são independentes
4 E(XY ) =

E(X)E(Y ) +Cov(X,Y ), se X e Y são dependentes

Para caso bidimensionais, teremos:
E(X,Y ) = ∑ ∑ xy f (x, y), caso discreto (24)

x y
Z +∞ Z +∞
E(XY ) = xy f (x, y)dydx, caso contínuo (25)
−∞ −∞

Exemplo de média ou valor esperado de v.a. discreta e contínua
Caso discreto
A firma MacSoft Corporation comercializa máquinas de musculação e outros artigo desportivos.
Suponha que X é a variável aleatória que representa o número de máquinas de musculação que
esta firma vende por semana e que tem a seguinte função de probabilidade:
x 7 8 9 10 11 12
1 1 1 2 3 1
f(x) 20 10 4 5 20 20
Determine o número médio de máquinas de musculação vendidas por semana.
Resolução:
Usando a fórmula 22, temos:
1 1 1 2 3 1 193
µ = E(X) = 7 × + 8 × + 9 × + 10 × + 11 × + 12 × =
20 10 4 5 20 20 20

Exemplo de média ou valor esperado de v.a. discreta e contínua
Caso contínuo
Considere-se X uma v. a. contínua com função densidade de probabilidade dada por:
(
x
0<x<2
f (x) = 2
0 , caso contrário
Determine o valor esperado de X.
Resolução:
Pela definição (fórmula 23), obtemos:
2
Z 2 2
x3
Z +∞ Z 2 Z 2
x x 1 2 4
µ = E(X) = x f (x)dx = xdx = dx = + x dx = =
−∞ 0 2 0 2 2 0 6 3
0

Variância e desvio padrão de v.a. discreta e contínua
Definição: Seja X uma v.a. com função de probabilidade f (x). A variância de X, denotada
por Var(X) ou σ 2 , ou σX2 , é definido por
h i
Var(X) = σ 2 = σX2 = E (X − µ)2 = ∑ (x − µ)2 f (x) (26)
x
se X é discreta, e
h i Z +∞
Var(X) = σ 2 = σX2 = E (X − µ)2 = (x − µ)2 f (x)dx (27)
−∞
se X é contínua.
Teorema 1.1: A variância da v.a. X é a constante
Var(X) = σ 2 = σX2 = E X 2 − µ 2

Demonstração: a cargo do estudante, para caso contínuo é análoga, mas com os somatórios
subtituídos por integrais.

Variância e desvio padrão de v.a. discreta e contínua
Propriedades da variância
Sendo X e Y v.a. e k ∈ R
1 Var(k) = 0;
2 Var(kX) = k2Var(X);
3 Var(k + X) = Var(X);
(
Var(X) +Var(Y ) se X e Y são independentes
4 Var(X ±Y ) =
Var(X) +Var(Y ) ± 2Cov(X,Y ), se X e Y são dependentes
Definição: O desvio padrão da v.a. X, denotado pro σ ou σx é a constante
r h i p
σ = σx = E (X − µ)2 = var(X) (28)

Exemplo de variância e desvio padrão de v.a. discreta e contínua
Caso discreto
Considerando o exemplo do valor esperado da firma que comercializa máquinas de musculação
e outros artigos desportivos dada pela função de probabilidade.
x 7 8 9 10 11 12
1 1 1 2 3 1
f(x) 20 10 4 5 20 20
Pela fórmula (26), obtemos: (recordar que µ = 193
20 )
193 2 1 193 2 1

2 2

V ar(X) = E (X − µ) = ∑(X − µ) f (x) = 7 − × + 8− × +
x 20 20 20 10
2 2 2 2
193 1 193 2 193 3 193 1 531
+ 9− × + 10 − × + 11 − × + 12 − × =
20 4 20 5 20 20 20 20 400
Desvio padrão: Pela fórmula 28, obtemos:
r h r
2
i p 531
σx = E (X − µ) = var(X) = = 1.152
400
Exemplo de variância e desvio padrão de v.a. discreta e contínua
Caso contínuo
Consideremos o exemplo do valor esperado da função densidade de probabilidade para o caso
contínuo (
x
0<x<2
f (x) = 2
0 , caso contrário
Resolução:
Pela fórmula (27), obtemos:
" # Z +∞
4 2 4 2x
Z 2
2
Var(X) = E (X − µ)2 = E (x − µ)2 f (x)dx =

X− = x− dx =
3 −∞ 0 3 2 9
Desvio padrão: Pela fórmula 28, obtemos:

r √
p 2 2
σx = var(X) = =
9 3

Momentos de v.a. discreta e contínua
0 , como:
Definição: Momentos de ordem r em relação um ponto V, denotado por µr,V
0
µr,v = E [(X −V )r ] , portanto:
0
µr,V = ∑ (x −V )r f (x) (29)
x
se X é discreto, e
Z +∞
0
µr,V = (x −V )r f (x)dx (30)
−∞
se X é contínuo.
Casos particulares:
V = 0: momento ordinários ou em relação à ordem: µr0 = E(X r );
V = µ: momento centrados ou em relação à média: µr = E [(X − µ)r ].

Exemplo de momentos de v.a. discreta e contínua
Caso discreto
Considerando o exemplo do valor esperado da firma que comercializa máquinas de musculação
e outros artigos desportivos dada pela função de probabilidade.
x 7 8 9 10 11 12
1 1 1 2 3 1
f(x) 20 10 4 5 20 20
Determinar o terceiro momento em relação a média.
Resolução:
Pela fórmula (29), obtemos: (recordar que V = µ = 19320 )
193 3 1 193 3 1 193 3 1

µ 0r,V r
= ∑ (x −V ) f (x) = µ3,0 193
= 7− × + 8− × + 9− × +
x 20 20 20 20 10 20 4
3 3 3
193 2 193 3 193 1 1653
10 − × + 11 − × + 12 − × =
20 5 20 20 20 20 400

Exemplo de momentos de v.a. discreta e contínua
Caso contínuo
Consideremos o exemplo do valor esperado da função densidade de probabilidade para o caso
contínuo (
x
0<x<2
f (x) = 2
0 , caso contrário
Resolução:
4
Pela fórmula (30), obtemos: (recordar que V = µ = 3 e r = 3)
4 3x
Z +∞ Z 2
µ 0r,V = (x −V )r f (x)dx = µ3,0 4 = x− dx = . . .
−∞ 3 0 3 2
1 2 4
Z
3 16 2 64 8
··· = x − 4x + x − x dx = −
2 0 3 27 135

Covariância de v.a. discreta e contínua
Definição: Sejam (X,Y) uma v.a. bidimensional com função de probabilidade conjunta f (x, y).
A covariância entre X e Y, denotado por Cov(X,Y ) ou σXY , é a constante
cov (X,Y ) = σXY = E [(X − µX ) (Y − µY )] = ∑ ∑ (X − µX ) (Y − µY ) fXY (x, y) (31)

x y
se X e Y são v.a. discreta, e
Z +∞ Z +∞
cov (X,Y ) = σXY = E [(X − µX ) (Y − µY )] = (X − µX ) (Y − µY ) fXY (x, y)dxdy (32)
−∞ −∞
se X e Y são v.a. contínuas.

Propriedade de covariância:
1 cov(X, X) = E (X − µ )2 = var(X);

X
2 cov(X,Y ) = σXY = E(XY ) − µX µY ;
3 cov(X,Y ) = 0, se X e Y são independentes.

Coeficiente de correlação linear de v.a. discreta e contínua
Definição: Sejam (X,Y) uma v.a. bidimensional com função de probabilidade conjunta f (x, y).
O coeficiente de correlação entre X e Y, denotado por corr(X,Y) ou ρXY , é a constante
E [(X − µX ) (Y − µY )] cov(X,Y )
corr(X,Y ) = ρXY = p =p , − 1 ≤ ρXY ≤ 1 (33)
var(X)var(Y ) var(X)var(Y )
Propriedades do coeficiente de correlação:
Se
ρXY = −1, a correlação linear negativa perfeita entre X e Y;
ρXY = 0, não existe correlação linear entre X e Y;
ρXY = 1, a correlação linear positiva perfeita entre X e Y;

Exemplo de covariância e correlação de v.a. discreta e contínua
Caso contínuo
Consideremos novamente o exemplo dos doentes que realizam tratamento de emagrecimento e
em que as v.a. X (fracção de doentes sem curso superior) e Y(fracção de doentes com curso
superior) são descritas pela f.d.p. cpnjunta
(
8
(1 − xy), 0 ≤ x ≤ y ≤ 1
fXY (x, y) = 3
0, casos contrário
Determinar a covariância e coeficiente de correlação entre X e Y.

Resolução:
Vimos anteriormente que
x3 y3

8 3 8
fX (x) = 1− x+ , 0 ≤ x ≤ 1; fY (y) = y− 0 ≤ y ≤ 1;
3 2 2 3 2
Então, pela fórmula (23), obtemos
x3
Z 1
8 3 4
µX = E(X) = 1− x+ xdx =
0 3 2 2 15
y3
Z 1
8 28
µY = E(y) = y− ydy =
0 3 2 45

Resolução: Z 1Z y
8 5
E(XY ) = (1 − xy)xydxdy =
0 0 3 27
Covariância
Então, pela propriedade (3), de covariância, obtemos

5 4 28 13
cov(XY ) = σXY = E(XY ) − µX µY = − . =
27 15 45 675
Coeficiente de Correlação
O cálculo de coeficiente de correlação exige o conhecimento prévio de variância. Assim,
precisamos determinar a variância.
Tendo em conta o Teorema (1.1.) de variância, obtemos:

Resolução:
x3 2
Z 1
2
8 3 1
E X = 1− x+ x dx = ,
0 3 2 2 9
Z 18 y3 2

4
E Y2 = y− y dx = ,
0 3 2 9
2
2
2 2 1 4 1
var(X) = σX = E X − µX = − = ;
9 15 25
2
4 28 116
var(Y ) = σY2 = E Y 2 − µY2 = −

=
9 45 2025
Logo, pela fórmula (33), temos
13
cov(X,Y )
corr(X,Y ) = ρXY = p = q 675 = 0.402
var(X)var(Y ) 116 1
. 2025 25

Coeficiente de correlação linear de v.a. discreta e contínua
Teorema 1.2: Sejam ai constantes reais e Xi variáveis aleatórias (discretas ou contínuas) para
i = 1, 2, . . . n. Então,
" #
n n n
var ∑ ai Xi = ∑ ∑ ai a j cov(Xi , X j );
i=1 i=1 j=1
em particular
var [a1 X1 + a2 ] = a21 var(X1 )
e
var [a1 X1 + a2 X2 ] = a21 var(X1 ) + a22 var(X2 ) + 2a1 a2 cov(X1 , X2 ) (34)

Observe-se que, no caso de X1 e X2 serem v.a. independentes, então
var [a1 X1 + a2 X2 ] = a21 var(X1 ) + a22 var(X2 ) (35)

Exemplos adicionais de coeficiente de correlação linear
Sejam X e Y duas v.a. tais que var(X) = 2, var(Y ) = 4 e cov(X,Y ) = −2. Determine:
a var(3X − 4Y + 8)
b var(4X − 2Y + 5)
Resolução:
a
v ar(3X − 4Y + 8) = var(3X) − var(4Y ) + var(8) =

= 9var(X) − 16var(Y ) + 2.3.(−4)cov(X,Y ) = 130
b
var(4X − 2Y + 5) = −16

Estatística Matemática II: November 8, 2022

Enviado por

Dados do documento

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

Estatística Matemática II: November 8, 2022

Enviado por

Direitos autorais:

Formatos disponíveis

Estatística Matemática II

Teodoro Brás (ISPM) E.MAT. II - Aula 01 November 8, 2022 1 / 64

Teodoro Brás (ISPM) E.MAT. II - Aula 01 November 8, 2022 2 / 64

Exemplo de v.a. discretas:

Teodoro Brás (ISPM) E.MAT. II - Aula 01 November 8, 2022 3 / 64

Seja X uma v.a. discreta que toma valores x1 , x2 , . . .

f (x) = P(X = x) (1)

Teodoro Brás (ISPM) E.MAT. II - Aula 01 November 8, 2022 4 / 64

Definição: A função de distribuição, ou função de distribuição acumulada F(x), da v.a., X

onde u toma todos os valores possíveis da v.a. X não superiores a x

Teodoro Brás (ISPM) E.MAT. II - Aula 01 November 8, 2022 5 / 64

Teodoro Brás (ISPM) E.MAT. II - Aula 01 November 8, 2022 6 / 64

Teodoro Brás (ISPM) E.MAT. II - Aula 01 November 8, 2022 7 / 64

A função de probabilidade de X é f : {0, 1, 2, 3, 4} → R

Teodoro Brás (ISPM) E.MAT. II - Aula 01 November 8, 2022 8 / 64

Para o cálculo de distribuicção recorda-se que, por X ser discreta,

F(x) = P(X ≤ x) = ∑ f (u)

Teodoro Brás (ISPM) E.MAT. II - Aula 01 November 8, 2022 9 / 64

Teodoro Brás (ISPM) E.MAT. II - Aula 01 November 8, 2022 10 / 64

P(X ≥ 2) = P(X = 2 ou X = 3 ou X = 4) = f (2) + f (3) + f (4)

Definição: Seja X uma v.a. contínua. A função densidade de probabilidade (f.d.p) de X é

Teodoro Brás (ISPM) E.MAT. II - Aula 01 November 8, 2022 12 / 64

Teodoro Brás (ISPM) E.MAT. II - Aula 01 November 8, 2022 13 / 64

Teodoro Brás (ISPM) E.MAT. II - Aula 01 November 8, 2022 14 / 64

Considere que o consumo semanal de um certo bem alimentar, em famílias de um determinado

a. Obtenha a função de distribuição.

Teodoro Brás (ISPM) E.MAT. II - Aula 01 November 8, 2022 15 / 64

Teodoro Brás (ISPM) E.MAT. II - Aula 01 November 8, 2022 16 / 64

Seja (X1 , X2 , . . . , Xn ) é um vector aleatório ou uma v.a. n-dimensional se X1 = X1 (s), X2 =

Teodoro Brás (ISPM) E.MAT. II - Aula 01 November 8, 2022 17 / 64

Definição: Seja (X,Y ) um vector aleatório discreto. A função de probabilidade conjunta

fXY (x, y) = P(X = x,Y = y) (5)

Teodoro Brás (ISPM) E.MAT. II - Aula 01 November 8, 2022 18 / 64

Teodoro Brás (ISPM) E.MAT. II - Aula 01 November 8, 2022 19 / 64

Teodoro Brás (ISPM) E.MAT. II - Aula 01 November 8, 2022 20 / 64

Teodoro Brás (ISPM) E.MAT. II - Aula 01 November 8, 2022 21 / 64

FXY (x, y) = P(X ≤ x,Y ≤ y) = ∑ ∑ fXY (u, v), (6)

onde u e v tomam todos os valores possíveis da v.a. X e Y não superiores, respectivamente, a

Teodoro Brás (ISPM) E.MAT. II - Aula 01 November 8, 2022 22 / 64

Teodoro Brás (ISPM) E.MAT. II - Aula 01 November 8, 2022 23 / 64

A função densidade de probabilidade no caso contínuo fX e fY da v.a. X e Y unidimensionais,

Definição: Considere-se a v.a. bidimensional (X,Y ) discreta, com função de probabilidade

fX (x) = ∑ fXY (x, y) (7)

fY (y) = ∑ fXY (x, y) (8)

Teodoro Brás (ISPM) E.MAT. II - Aula 01 November 8, 2022 24 / 64

Teodoro Brás (ISPM) E.MAT. II - Aula 01 November 8, 2022 25 / 64

Teodoro Brás (ISPM) E.MAT. II - Aula 01 November 8, 2022 26 / 64

A definição das funções de distribuição acumulada marginais FX e FY das variáveis aleatórias X

FX (x) = P(X ≤ x) = ∑ ∑ fXY (u, y) (9)

FY (y) = P(Y ≤ y) = ∑ ∑ fXY (x, u) (10)

Teodoro Brás (ISPM) E.MAT. II - Aula 01 November 8, 2022 27 / 64

Definição: Seja (X,Y ) um vector aleatório contínuo. A função densidade de probabilidade

fXY (x, y) ≥ 0∀x, y ∈ R

Teodoro Brás (ISPM) E.MAT. II - Aula 01 November 8, 2022 28 / 64

Determine P 0 < X < 12 , 41 < Y < 12

b) Verifique a condição (ii) da propriedade de f.d.p. conjunta

Teodoro Brás (ISPM) E.MAT. II - Aula 01 November 8, 2022 29 / 64

Teodoro Brás (ISPM) E.MAT. II - Aula 01 November 8, 2022 30 / 64

Teodoro Brás (ISPM) E.MAT. II - Aula 01 November 8, 2022 31 / 64

Definição: Considere-se a v.a. bidimensional (X,Y ) discreta, com função de probabilidade

Teodoro Brás (ISPM) E.MAT. II - Aula 01 November 8, 2022 32 / 64

Teodoro Brás (ISPM) E.MAT. II - Aula 01 November 8, 2022 33 / 64

Consideremos uma função de dsitribuição marginal de X e de Y de uma v.a. discreta. As