3.

Variáveis aleatórias [Capítulo 3]

Variáveis aleatórias

Uma variável aleatória é uma variável que toma um valor numérico determinado pelo resultado de
uma experiência aleatória.

Em termos de notação, importa passar a distinguir as variáveis aleatórias (letra maiúscula) dos valores
que as variáveis aleatórias podem assumir (letra minúscula).

𝑋 → variável aleatória
𝑥 → valores que uma variável aleatória pode assumir

1
Consoante o conjunto de valores que podem assumir, as variáveis aleatórias são classificadas como:

 Uma variável aleatória é uma Variável Aleatória Discreta (VAD) quando apenas os valores qua a
VA pode assumir correspondem a um conjunto finito de números inteiros. Exemplo: “O número de
peças defeituosas que uma linha de produção faz num determinado dia.”
 Uma variável aleatória é uma Variável Aleatória Contínua (VAC) quando pode assumir qualquer
valor dentro de um determinado intervalo. Exemplo: “O peso de um aluno selecionado
aleatoriamente de uma turma.”

Quanto ao número de variáveis tratadas, podem ser classificadas como:

 Unidimensionais quando apenas uma variável aleatória é tratada;

 Bidimensionais quando duas variáveis aleatórias são tratadas simultaneamente.

2
 Variáveis unidimensionais discretas

A probabilidade da variável aleatória X assumir o valor x é representada por 𝑓(𝑥𝑖 ) = 𝑃(𝑋 = 𝑥𝑖 ). A

função de probabilidade de uma variável aleatória é a representação da probabilidade associada a cada
um dos seus resultados possíveis.

Uma função de probabilidade de uma variável aleatória discreta tem de respeitar as duas seguintes
propriedades:

 𝑓(𝑥𝑖 ) ≥ 0, para qualquer valor de x

 a soma de todas as probabilidades individuais tem de ser igual a 1, isto é: ∑ 𝑓(𝑥𝑖 ) = 1

A função distribuição de probabilidade, 𝑭(𝒙), para uma variável aleatória discreta X, expressa a
probabilidade de X não exceder o valor 𝑥. Isto é: 𝐹 (𝑥 ) = 𝑃(𝑋 ≤ 𝑥 ) = ∑𝑥𝑖 ≤𝑥 𝑓(𝑥0 ), sendo a função
avaliada em todos os valores possíveis de 𝑥.

 0 ≤ 𝐹(𝑥) ≤ 1
 𝐹(𝑥) é uma função monótona não decrescente

As funções probabilidade e distribuição de probabilidade podem ser representadas algebricamente, em

gráficos ou em tabelas.
3
 Exemplo:

Experiência aleatória: Lançamento de um dado sem repetição

Espaço de resultados: 𝑆 = {1, 2, 3, 4, 5, 6}

X – "Número obtido após o lançamento de um dado equilibrado"

𝑥 1 2 3 4 5 6
𝑓(𝑥𝑖 ) – Função de probabilidade 0,167 0,167 0,167 0,167 0,167 0,167
𝐹(𝑥) – Função distribuição de probabilidade 0,167 0,333 0,500 0,667 0,833 1,000

0, 𝑥<1
0,167, 1≤𝑥<2
0,333, 2≤𝑥<3
Analiticamente, a função distribuição de probabilidade: 𝐹 (𝑥 ) = 0,500, 3≤𝑥<4
0,667, 4≤𝑥<5
0,833, 5≤𝑥<6
{ 1, 𝑥≥6

𝑭(𝟐) = 𝑷(𝑿 ≤ 𝟐) = 𝟑𝟑, 𝟑%; 𝑭(𝟐, 𝟓) = 𝑷(𝑿 ≤ 𝟐, 𝟓) = 𝑷(𝑿 ≤ 𝟐) = 𝟑𝟑, 𝟑%; 𝑭(𝟔) = 𝑷(𝑿 ≤ 𝟔) = 𝟏𝟎𝟎%; 𝑭(𝟕, 𝟏) = 𝑷(𝑿 ≤ 𝟕, 𝟏) = 𝟏𝟎𝟎%

4
 Função distribuição de
probabilidade

5
O valor esperado é o valor correspondente à medida de tendência central da variável aleatória, isto é, a
sua média (Esperança matemática), também denominada por μX .

O valor esperado de uma variável aleatória, representado por 𝐸(𝑋), é definido por:

𝐸(𝑋) = ∑ 𝑓(𝑥𝑖 ) ∗ 𝑥𝑖

O valor esperado pode ser interpretado como a média de longo prazo de uma variável aleatória, após se
repetir um grande número de vezes a experiência aleatória que lhe está associada.

Propriedades do valor esperado (em que 𝑎 e 𝑏 são constantes e X e Y é uma variável aleatória):
 𝐸(0) = 0
 𝐸(𝑎) = 𝑎
 𝐸(𝑎𝑋) = 𝑎 ∗ 𝐸(𝑋)
 𝐸 (𝑋 + 𝑌) = 𝐸 (𝑋) + 𝐸 (𝑌)
 Sendo 𝑍 = 𝑎 + 𝑏𝑋, então: 𝐸(𝑍) = 𝐸(𝑎 + 𝑏𝑋) = 𝑎 + 𝑏 ∗ 𝐸(𝑋)

6
Seja X uma variável aleatória discreta, a sua variância (𝜎𝑋2 ) é determinada pelo valor esperado do
quadrado dos desvios em relação à sua média, (𝑋 − 𝜇𝑋 )2 .

𝑉𝑎𝑟 (𝑋) = 𝐸 (𝑋 − µ)2 = ∑ 𝑓(𝑥𝑖 ) ∗ (𝑥𝑖 − µ)2 = 𝐸 (𝑋 2 ) − 𝐸 (𝑋)2

= ∑ 𝑓(𝑥𝑖 ) ∗ 𝑥𝑖 2 − [ ∑ 𝑓(𝑥𝑖 ) ∗ 𝑥𝑖 ]2

O desvio-padrão de X (𝜎𝑋 ) é dado pela raiz quadrada da variância.

Propriedades da variância (em que 𝑎 e 𝑏 são constantes e X e Y é uma variável aleatória):

 𝑉𝑎𝑟(𝑎) = 0
 𝑉𝑎𝑟(𝑎𝑋) = 𝑎2 𝑉𝑎𝑟 (𝑋)
 𝑉𝑎𝑟(𝑎𝑋 ± 𝑏𝑌) = 𝑎2 𝑉𝑎𝑟(𝑋) + 𝑏 2 𝑉𝑎𝑟(𝑌) ± 2𝑎𝑏𝐶𝑜𝑣(𝑋, 𝑌)
 Sendo 𝑍 = 𝑎 + 𝑏𝑋, então: 𝑉𝑎𝑟(𝑍) = 𝑉𝑎𝑟(𝑎 + 𝑏𝑋) = 𝑉𝑎𝑟(𝑎) + 𝑉𝑎𝑟 (𝑏𝑋) = 0 + 𝑏 2 𝑉𝑎𝑟 (𝑋)

7
Exemplo: Voltando ao exemplo anterior,

𝐸 (𝑋) = ∑ 𝑓(𝑥𝑖 ) ∗ 𝑥𝑖 = 1 ∗ 0,167 + 2 ∗ 0,167 + 3 ∗ 0,167 + 4 ∗ 0,167 + 5 ∗ 0,167 + 6 ∗ 0,167 =

= 3,5

𝑉𝑎𝑟(𝑋) = ∑ 𝑓(𝑥𝑖 ) ∗ (𝑥𝑖 − µ)2

= (1 − 3,5)2 ∗ 0,167 + (2 − 3,5)2 ∗ 0,167 + (3 − 3,5)2 ∗ 0,167 + (4 − 3,5)2 ∗ 0,167 +

+(5 − 3,5)2 ∗ 0,167 + (6 − 3,5)2 ∗ 0,167 =

= 2,95

Ou

𝑉𝑎𝑟(𝑋) = 𝐸 (𝑋 2 ) − 𝐸 (𝑋)2 = 15,2 − 3,52 = 2,95

𝐸 (𝑋) = 3,5

𝐸 (𝑋 2 ) = 12 ∗ 0,167 + 22 ∗ 0,167 + 32 ∗ 0,167 + 42 ∗ 0,167 + 52 ∗ 0,167 + 62 ∗ 0,167 = 15,2

8
Função probabilidade truncada

𝑓(𝑥𝑖 )
, 𝑥𝑖 ∈ 𝐴
𝑓 (𝑥𝑖 |𝑋 ∈ 𝐴) = 𝑃(𝑋 = 𝑥𝑖 |𝑋 ∈ 𝐴) = {∑𝑥𝑗 ∈𝐴 𝑓(𝑥𝑗 )
0, 𝑥𝑖 ∉ 𝐴

Função distribuição truncada

𝐹 (𝑥 |𝑋 ∈ 𝐴) = 𝑃(𝑋 ≤ 𝑥𝑖 |𝑋 ∈ 𝐴) = ∑ 𝑓(𝑥𝑖 |𝑋 ∈ 𝐴)
𝑥𝑖 ≤𝑥

Exemplo: Voltando ao exemplo anterior, sabendo que saiu um nº maior que 3, qual a probabilidade de
sair 4, ou 5 ou 6?

𝑃(𝑋 > 3) = 𝑃(𝑋 = 4) + 𝑃(𝑋 = 5) + 𝑃(𝑋 = 6) = 0,167 + 0,167 + 0,167 = 0,5

𝑓 (𝑋 = 4 ∩ 𝑋 > 3) = 𝑃(𝑋 = 4 ∩ 𝑋 > 3) = 𝑃(𝑋 = 4) = 0,167

𝑓(𝑋 = 5 ∩ 𝑋 > 3) = 𝑃(𝑋 = 5 ∩ 𝑋 > 3) = 𝑃(𝑋 = 5) = 0,167

𝑓(𝑋 = 6 ∩ 𝑋 > 3) = 𝑃(𝑋 = 6 ∩ 𝑋 > 3) = 𝑃(𝑋 = 6) = 0,167

9
 𝑃(𝑋 = 4 ∩ 𝑋 > 3) 0,167
𝑓(4| 𝑋 > 3) = = = 0,333
𝑃 (𝑋 > 3) 0,5

𝑃(𝑋 = 5 ∩ 𝑋 > 3) 0,167

𝑓(5| 𝑋 > 3) = = = 0,333
𝑃 (𝑋 > 3) 0,5

𝑃(𝑋 = 6 ∩ 𝑋 > 3) 0,167

𝑓(6| 𝑋 > 3) = = = 0,333
𝑃 (𝑋 > 3) 0,5

X 1 2 3 4 5 6
𝑓(𝑥𝑖 |𝑋 > 3) 0,00 0,00 0,00 0,333 0,333 0,333
𝐹 (𝑥𝑖 |𝑋 > 3) 0,00 0,00 0,00 0,333 0,667 1,000

10
 Variáveis bidimensionais discretas

Variável aleatória bidimensional – função que associa a cada elemento do espaço de resultados, S,
um par de números reais: (X, Y) variável bidimensional discreta, onde ambas variáveis X e Y são
discretas.

A sua função de probabilidade conjunta expressa a probabilidade que X tome o valor específico x e
simultaneamente Y tome o valor y.

𝑓(𝑥𝑖 , 𝑦𝑗 ) = 𝑃(𝑋 = 𝑥𝑖 , 𝑌 = 𝑦𝑗 ), ∀(𝑥𝑖 ,𝑦𝑗 )

Propriedades:

 𝑓(𝑥𝑖 , 𝑦𝑗 ) ≥ 0, ∀(𝑥𝑖 ,𝑦𝑗 )

 ∑𝑖 ∑𝑗 𝑓(𝑥𝑖 , 𝑦𝑗 ) = 1

11
A função distribuição conjunta, 𝐹 (𝑥, 𝑦), do par de variáveis aleatórias discretas (X, Y), expressa a
probabilidade de, simultaneamente, X não exceder o valor 𝑥 e Y não exceder o valor 𝑦.

𝐹 (𝑥, 𝑦) = 𝑃(𝑋 ≤ 𝑥, 𝑌 ≤ 𝑦) = ∑ ∑ 𝑓(𝑥𝑖 , 𝑦𝑗 )

𝑥𝑖 ≤𝑥 𝑦𝑗 ≤𝑦

Propriedade: 0 ≤ 𝐹 (𝑥, 𝑦) ≤ 1, ∀(𝑥𝑖 ,𝑦𝑗 )

Função de probabilidade marginal

 A função de probabilidade X chama-se função de probabilidade marginal de X, e obtém-se

através da soma de todas as probabilidades conjuntas sobre todos os valores possíveis:

𝑓1 (𝑥𝑖 ) = 𝑃(𝑋 = 𝑥𝑖 ) = 𝑃(𝑋 = 𝑥𝑖 , 𝑌 qualquer) = ∑ 𝑓(𝑥𝑖 , 𝑦𝑗 ), ∀𝑥𝑖

𝑗

 Da mesma forma, a função de probabilidade marginal de Y é:

𝑓2 (𝑦𝑗 ) = 𝑃(𝑌 = 𝑦𝑗 ) = 𝑃(𝑋 qualquer, 𝑌 = 𝑦𝑗 ) = ∑ 𝑓(𝑥𝑖 , 𝑦𝑗 ), ∀𝑦𝑗

𝑖

12
Função distribuição marginais:

 𝐹1 (𝑥) = 𝑃(𝑋 ≤ 𝑥)
 𝐹2 (𝑦) = 𝑃(𝑌 ≤ 𝑦)

Sejam X e Y duas variáveis aleatórias discretas com função de probabilidade conjunta 𝑓(𝑥𝑖 , 𝑦𝑗 ), a
função de probabilidade condicional de X, dado 𝑌 = 𝑦𝑗 , é dada por:
𝑓(𝑥𝑖 , 𝑦𝑗 )
𝑓(𝑥𝑖 |𝑌 = 𝑦𝑗 ) =
𝑓2 (𝑦𝑗 )

De forma similar, a função de probabilidade condicional de Y, dado 𝑋 = 𝑥𝑖 , é dada por:

𝑓(𝑥𝑖 , 𝑦𝑗 )
𝑓(𝑦𝑗 |𝑋 = 𝑥𝑖 ) =
𝑓1 (𝑥𝑖 )

13
Exemplo: Considere a seguinte tabela e que as variáveis X e Y são variáveis aleatórias discretas. A
tabela representa a função de probabilidade conjunta destas variáveis:

X\Y 3 4
0 0,2 0,3
1 0,1 0
2 0,2 0,2

a) Representa as funções de probabilidade marginais das variáveis X e Y.

X\Y 3 4 𝑓1 (𝑥𝑖 )
0 0,2 0,3 0,5
1 0,1 0 0,1
2 0,2 0,2 0,4
𝑓2 (𝑦𝑗 ) 0,5 0,5 1

14
 X 0 1 2 Y 3 4
𝑓1 (𝑥𝑖 ) 0,5 0,1 0,4 𝑓2 (𝑦𝑗 ) 0,5 0,5
𝐹1 (𝑥𝑖 ) 0,5 0,6 1 𝐹2 (𝑦𝑗 ) 0,5 1

0, 𝑥<0
0, 𝑦<3
0,5, 0≤𝑥<1
𝐹1 (𝑥𝑖 ) = { 𝐹2 (𝑦𝑗 ) = {0,5, 3≤𝑦<4
0,6, 1≤𝑥<2
1, 𝑥≥2 1, 𝑦≥4

b) Determine 𝑓(𝑥𝑖 | 𝑦 = 4).

𝑓2 (4) = 𝑃(𝑌 = 4) = 0,5

𝑓(0,4) 0,3
𝑃 (𝑋 = 0 | 𝑌 = 4) = 𝑓(0 | 𝑦 = 4) = = = 0,6
𝑓2 (4) 0,5

15
 𝑓(1,4) 0
𝑓 (1 | 𝑦 = 4) = = =0 𝑥𝑖 0 1 2
𝑓2 (4) 0,5
𝑓(𝑥𝑖 | 𝑦 = 4) 0,6 0 0,4
𝑓(2,4) 0,2
( |
𝑓 2 𝑦 = 4) = = = 0,4
𝑓2 (4) 0,5

c) Determine 𝑓(𝑦𝑗 | 𝑥 > 0) e 𝐹(𝑦𝑗 | 𝑥 > 0).

𝑃(𝑌 = 3 ∩ 𝑋 > 0) [𝑃( 𝑌 = 3 ∩ 𝑋 = 1) + 𝑃(𝑌 = 3 ∩ 𝑋 = 2)] (0,1 + 0,2)
𝑓(3 | 𝑥 > 0) = = = = 0,6
𝑃(𝑋 > 0 𝑃(𝑋 > 0) 0,5
𝑃(𝑌 = 4 ∩ 𝑋 > 0) [𝑃( 𝑌 = 4 ∩ 𝑋 = 1) + 𝑃(𝑌 = 4 ∩ 𝑋 = 2)] (0 + 0,2)
𝑓(4 | 𝑥 > 0) = = = = 0,4
𝑃(𝑋 > 0 𝑃(𝑋 > 0) 0,5

𝑥𝑖 0 1
𝑓(𝑦𝑗 | 𝑥 > 0) 0,6 0,4
𝐹(𝑦𝑗 | 𝑥 > 0) 0,6 1

16
As variáveis aleatórias X e Y são independentes se a sua função de probabilidade conjunta for igual
ao produto das suas funções de probabilidade marginal: 𝑓(𝑥𝑖 , 𝑦𝑗 ) = 𝑓1 (𝑥𝑖 ) ∗ 𝑓2 (𝑦𝑗 ), ∀(𝑥𝑖 ,𝑦𝑗 )

Basta encontrar um par (X, Y) para o qual não se verifica a igualdade, e as variáveis X e Y não são
independentes.

Exemplo: De acordo com os dados do exemplo anterior,

𝑓(1, 3) = 𝑓1 (1) ∗ 𝑓2 (3)

0,1 ≠ 0,1 ∗ 0,5, logo as variáveis X e Y não são independentes

O valor esperado de um par de variáveis aleatórias discretas é definido por:

𝜇𝑋𝑌 = 𝐸 (𝑋𝑌) = ∑ ∑ 𝑥𝑖 ∗ 𝑦𝑗 ∗ 𝑓(𝑥𝑖 , 𝑦𝑗 )

𝑖 𝑗

Exemplo: De acordo com os dados do exemplo anterior, o cálculo da média é:

𝐸 (𝑋𝑌) = 0 ∗ 3 ∗ 0,2 + 0 ∗ 4 ∗ 0,3 + 1 ∗ 3 ∗ 0,1 + 1 ∗ 4 ∗ 0 + 2 ∗ 3 ∗ 0,2 + 2 ∗ 4 ∗ 0,2 = 3,1

17
Covariância

Sejam X e Y duas variáveis aleatórias discretas com médias 𝜇𝑋 e 𝜇𝑌 . A covariância entre X e Y é dada
por:
𝐶𝑜𝑣 (𝑋, 𝑌) = 𝐸 [(𝑋 − 𝜇𝑋 )(𝑌 − 𝜇𝑌 )] = 𝐸 (𝑋𝑌) − 𝐸 (𝑋) ∗ 𝐸(𝑌)

Se a 𝐶𝑜𝑣 (𝑋, 𝑌) = 0, então as variáveis X e Y são independentes e a 𝜌(𝑋, 𝑌) = 0;

Se a 𝐶𝑜𝑣 (𝑋, 𝑌) ≠ 0, então as variáveis X e Y são dependentes e a 𝜌(𝑋, 𝑌) ≠ 0.

Propriedades:

 𝑐𝑜𝑣 (𝑎𝑋 + 𝑏, 𝑐𝑌 + 𝑑) = 𝑎 ∗ 𝑐 ∗ 𝑐𝑜𝑣 (𝑋, 𝑌), 𝑠𝑒𝑛𝑑𝑜 𝑎, 𝑏, 𝑐, 𝑑 𝑐𝑜𝑛𝑠𝑡𝑎𝑛𝑡𝑒𝑠

 𝐸 (𝑋 ± 𝑌) = 𝐸 (𝑋) ± 𝐸(𝑌)
 𝑉𝑎𝑟(𝑋 ± 𝑌) = 𝑉𝑎𝑟(𝑋) + 𝑉𝑎𝑟(𝑌) ± 2 ∗ 𝑐𝑜𝑣 (𝑋, 𝑌),
𝑒𝑚 𝑞𝑢𝑒 𝑠𝑒 𝑋 𝑒 𝑌 𝑓𝑜𝑟𝑒𝑚 𝑖𝑛𝑑𝑒𝑝𝑒𝑛𝑑𝑒𝑛𝑡𝑒𝑠: 𝐶𝑜𝑣 (𝑋, 𝑌) = 0

18
Exemplo: Cálculo da covariância, do coeficiente de correlação de Pearson e de algumas expressões.

𝐶𝑜𝑣 (𝑋, 𝑌) = (0 − 0,9) ∗ (3 − 3,5) ∗ 0,2 + (0 − 0,9) ∗ (4 − 3,5) ∗ 0,3 + (1 − 0,9) ∗ (3 − 3,5) ∗ 0,1
+ (1 − 0,9) ∗ (4 − 3,5) ∗ 0 + (2 − 0,9) ∗ (3 − 3,5) ∗ 0,2 + (2 − 0,9) ∗ (4 − 3,5) ∗ 0,2
= − 0,05, Cov(X, Y) < 0 → relação negativa entre X e Y

Ou

𝐶𝑜𝑣 (𝑋, 𝑌) = 𝐸 (𝑋𝑌) − 𝐸 (𝑋) ∗ 𝐸 (𝑌) = 3,1 − 0,9 ∗ 3,5 = − 0,05

Cálculo auxiliar:

𝐸 (𝑋) = 0 ∗ 0,5 + 1 ∗ 0,1 + 2 ∗ 0,4 = 0,9 𝐸 (𝑋 2 ) = 02 ∗ 0,5 + 12 ∗ 0,1 + 22 ∗ 0,4 = 1,7

𝐸 (𝑌) = 3 ∗ 0,5 + 4 ∗ 0,5 = 3,5 𝐸 (𝑌 2 ) = 32 ∗ 0,5 + 42 ∗ 0,5 = 12,5

𝑉𝑎𝑟(𝑋) = 𝐸 (𝑋 2 ) − 𝐸 (𝑋)2 = 1,7 − 0,9 ∗ 0,9 = 0,89

𝑉𝑎𝑟(𝑌) = 𝐸 (𝑌 2 ) − 𝐸 (𝑌)2 = 12,5 − 3,5 ∗ 3,5 = 0,25

19
 𝐶𝑜𝑣 (𝑋, 𝑌) −0,05
𝜌(𝑋, 𝑌) = = =
𝐷𝑃(𝑋) ∗ 𝐷𝑃(𝑌) √0,89 ∗ √0,25

= −0,11 𝑙𝑜𝑔𝑜 𝑟𝑒𝑙𝑎çã𝑜 𝑖𝑛𝑣𝑒𝑟𝑠𝑎 𝑒𝑛𝑡𝑟𝑒 𝑋 𝑒 𝑌 𝑚𝑎𝑠 𝑚𝑢𝑖𝑡𝑜 𝑓𝑟𝑎𝑐𝑎

Cálculo auxiliar:

𝐷𝑃(𝑋) = √𝑉𝑎𝑟(𝑋) = √0,89

𝐷𝑃(𝑌) = √𝑉𝑎𝑟(𝑌) = √0,25

 𝐶𝑜𝑣 (3 + 3𝑋, 2 − 2𝑌) = 3 ∗ (−2) ∗ 𝐶𝑜𝑣 (𝑋, 𝑌) = −6 ∗ −0,05 = 0,3

 𝐸 (2𝑋 + 2 + 3𝑌) = 𝐸 (2𝑋) + 𝐸 (2) + 𝐸 (3𝑌) = 2 ∗ 𝐸 (𝑋) + 2 + 3 ∗ 𝐸 (𝑌) = 14,3
 𝑉𝑎𝑟(2𝑋 + 3𝑌) = 𝑉𝑎𝑟(2𝑋) + 𝑉𝑎𝑟(3𝑌) + 2 ∗ 𝐶𝑜𝑣 (2𝑋, 3𝑌) = 4 ∗ 𝑉𝑎𝑟(𝑋) + 9 ∗ 𝑉𝑎𝑟(𝑌) +
+ 2 ∗ 6 ∗ 𝐶𝑜𝑣 (𝑋, 𝑌) = 4 ∗ 0,89 + 9 ∗ 0,25 + 6 ∗ 2 ∗ (−0,05) = 5,21

20
 Variáveis unidimensionais contínuas

A função densidade de probabilidade, 𝒇(𝒙), apresenta as seguintes propriedades:

 f(x) ≥ 0, para todos os valores de x.

+∞
 ∫−∞ 𝑓(𝑥 ) 𝑑𝑥 = 1
 Sejam a e b dois valores possíveis da variável aleatória contínua X e seja a < b. Estando a função
densidade representada graficamente, a probabilidade de que X se situe entre a e b é igual á área
que se encontra por baixo da função densidade entre esses dois pontos.

Por definição, a função distribuição, 𝑭(𝐱), de uma variável aleatória contínua X, expressa a
probabilidade de que X não exceda o valor x, isto é:
𝑥

𝐹 (𝑥 ) = P(X ≤ 𝑥 ) = ∫ 𝑓 (𝑢) 𝑑𝑢 , ∀𝑥 ∈ ℝ
−∞

Para se calcular a probabilidade de uma variável aleatória contínua X se situar num determinado
intervalo, calcula-se a diferença entre o valor da função cumulativa avaliada no valor mais alto do
intervalo e o valor da função cumulativa avaliada no valor mais baixo do intervalo, isto é:
21
 𝑏

𝑃(𝑎 < 𝑋 < 𝑏) = ∫ 𝑓 (𝑥 ) 𝑑𝑥 = 𝐹 (𝑏) − 𝐹 (𝑎) , ∀𝑥 ∈ ℝ, 𝑎 < 𝑏

𝑎

Nota: 𝑃(𝑎 < 𝑋 < 𝑏) = 𝑃(𝑎 ≤ 𝑋 ≤ 𝑏) = 𝑃(𝑎 ≤ 𝑋 < 𝑏) = 𝑃(𝑎 < 𝑋 ≤ 𝑏) = 𝐹 (𝑏) − 𝐹 (𝑎)

22
Média
+∞

𝐸 (𝑋) = 𝜇𝑋 = ∫ 𝑥. 𝑓(𝑥 ) 𝑑𝑥
−∞

Variância
+∞

𝜎𝑋2 = 𝐸 [(𝑋 − 𝜇𝑋 )2 ] = ∫ (𝑋 − 𝜇𝑋 )2 . 𝑓 (𝑥 ) 𝑑𝑥 = 𝐸 (𝑋 2 ) − 𝐸 (𝑋)2

−∞

Função densidade de probabilidade truncada ou condicionada

𝑓(𝑥𝑖 )
, 𝑥∈𝐴
𝑓(𝑥 |𝑋 ∈ 𝐴) = { ∫𝐴 𝑓(𝑡) 𝑑𝑡
0, 𝑥∉𝐴

Função distribuição truncada ou condicionada

𝑥

𝐹 (𝑥 |𝑋 ∈ 𝐴) = 𝑃(𝑋 ≤ 𝑥 |𝑋 ∈ 𝐴) = ∫ 𝑓(𝑥𝑢 |𝑋 ∈ 𝐴) 𝑑𝑢, ∀𝑥 ∈ ℝ

−∞

23
Exemplo 1: Considere a seguinte função densidade de probabilidade:

0,5, 2<𝑥<4
𝑓(𝑥 ) = {
0, 𝑜𝑢𝑡𝑟𝑜𝑠 𝑥
4 4 4
𝑥2 42 22
𝑬(𝑿) = ∫ 𝑓(𝑥 ) ∗ 𝑥 𝑑𝑥 = ∫ 0,5 ∗ 𝑥 𝑑𝑥 = [0,5 ∗ 2 2
] = [0,5 ∗ 2
]− [0,5 ∗ 2
] =3
2 2

4 4 4
𝟐) 𝑥3 43 23
𝑬(𝑿 = ∫ 𝑓(𝑥 ) ∗ 𝑥 𝑑𝑥 = ∫ 0.5 ∗ 𝑥 2 𝑑𝑥 = [0.5 ∗
2
3 2
] = [0.5 ∗ 3
] − [0.5 ∗ 3
] = 9, (3)
2 2

4
4 2 4 2 𝑥3 𝑥2
𝐕𝐚𝐫(𝒙) = ∫2 𝑓(𝑥 ) ∗ (𝑥 − 3) 𝑑𝑥 = ∫2 0,5 ∗ (𝑥 + 9 − 6𝑥) 𝑑𝑥 = [0,5 ∗ ( + 9𝑥 − 6 )] =
3 2 2
43 42 23 22
[0,5 ∗ ( +9∗4−6∗ )] − [0,5 ∗ ( +9∗2−6∗ )] = 0,33
3 2 3 4

Ou

𝑽𝒂𝒓(𝑿) = 𝐸 (𝑋 2 ) − 𝐸 (𝑋)2 = 9,3333 − 3 ∗ 3 = 0,333

24
 0, 𝑥 < 2
Função distribuição: 𝐹 (𝑥 ) = {𝐴, 2 ≤ 𝑥 < 4
0, 𝑥 ≥ 4

𝑥 2 𝑥
𝐴 = ∫ 𝑓 (𝑢)𝑑𝑢 = ∫ 0𝑑𝑢 + ∫ 0,5𝑑𝑢 = 0 + [0,5 𝑢]2𝑥 = 0,5𝑥 − 0,5 ∗ 2 = 0,5x − 1
−∞ −∞ 2

Exemplo 2: Considere a seguinte função densidade de probabilidade:

𝑥 𝑠𝑒 0 < 𝑥 < 1
𝑓(𝑥 ) = {−𝑥 + 2 𝑠𝑒 1 ≤ 𝑥 ≤ 2
0 𝑜𝑢𝑡𝑟𝑜𝑠
+∞ 1 2 1 2
𝑥3 −𝑥 3 𝑥2
𝑬(𝑿) = ∫ 𝑥. 𝑓 (𝑥 )𝑑𝑥 = ∫ 𝑥 ∗ 𝑥 𝑑𝑥 + ∫ (−𝑥 + 2) ∗ 𝑥 𝑑𝑥 = [ ] + [ +2 ] =1
−∞ 0 1 3 0 3 2 1

+∞ 1 2 1 2
𝑥4 𝑥4 𝑥3
𝑬(𝑿𝟐 ) = ∫ 2 ( ) 3 2
𝑥 . 𝑓 𝑥 𝑑𝑥 = ∫ 𝑥 𝑑𝑥 + ∫ (−𝑥 + 2)𝑥 𝑑𝑥 = [ ] + [− + 2 ] =
−∞ 0 1 4 0 4 3 1

25
 1 16 8 1 1 1 16
= + [− + 2 ] − [ + 2 ] = + [−4 + ] − [0,25 − 0,667] = 2
4 4 3 4 3 4 3

𝑽𝒂𝒓(𝑿) = 𝐸 (𝑋 2 ) − 𝐸 (𝑋)2 = 2 − 1 = 1

0, 𝑥<0
𝐴, 0≤𝑥<1
Função distribuição: 𝐹 (𝑥 ) = {
𝐵, 1≤𝑥<2
1, 𝑥≥2

𝑥 0 𝑥 𝑥
𝑢2 𝑥2
𝐴 = ∫ 𝑓(𝑢)𝑑𝑢 = ∫ 0𝑑𝑢 + ∫ 𝑢 𝑑𝑢 = 0 + [ ] =
−∞ −∞ 0 2 0 2

𝑥 0 1 𝑥 𝑥
𝑢2
𝐵 = ∫ 𝑓(𝑢) 𝑑𝑢 = ∫ 0𝑑𝑢 + ∫ 𝑢 𝑑𝑢 + ∫ (2 − 𝑢)𝑑𝑢 = 0 + 0,5 + [4 − ]
−∞ −∞ 0 1 2 1

𝑥2 𝑥2
= 0,5 + [4 − ] − [4 − 0,5] = 1 −
2 2

26