EST0062 - PROBABILIDADE BÁSICA I

UNIDADE II: VARIÁVEIS ALEATÓRIAS

UNIDIMENSIONAIS

Professora: Luz Milena Zea Fernández

Universidade Federal do Rio Grande do Norte

1 / 68
VARIÁVEIS ALEATÓRIAS
E XEMPLO
Considere o experimento aleatório de lançar duas moedas e obser-
var o resultado da face superior. O espaço amostral associado a
este experimento é

Ω = {CC , CK , KC , KK }, onde C representa cara e K coroa.

Podemos estar interessados no número de caras que podem ocor-

rer nos dois lançamentos. Portanto, é natural definirmos uma
função de Ω em R que associa a cada ponto de Ω o seu número
de caras: Seja X a função definida no espaço amostral que é igual
ao número de caras nos dois lançamentos. Temos então:

Esp. Amostral Valores de X

CC 2
CK 1
KC 1
KK 0
2 / 68
VARIÁVEIS ALEATÓRIAS

A função que associa cada ponto do espaço amostral a um número

real é denominada variável aleatória. Informalmente, uma variável
aleatória é um quantitativo numérico de um possível resultado de
um experimento aleatório.

D EFINIÇÃO
Dado um espaço de probabilidade (Ω, A, P), uma variável
aleatória (v. a.), denotada por X , é uma função com domínio Ω
que assume valores nos reais, isto é,

X : Ω→R
ω 7 → X ( ω ),

tal que o conjunto Ar = {ω : X (ω ) ≤ r } ∈ A para todo número

real r.

3 / 68
VARIÁVEIS ALEATÓRIAS

E XEMPLO
Considere o experimento de lançar uma moeda e anotar o resul-
tado da face superior. Então o espaço amostral associado a este
experimento é Ω = {cara , coroa }. Seja X a v. a. que denota a
número de coroas
X : Ω → 0, 1,
tal que X (coroa ) = 1 e X (cara ) = 0.
(
1, se ω = coroa
X (ω ) =
0, se ω = cora.

Então X associa um número real (0 ou 1) a cada ponto amostral

(cara ou coroa).

4 / 68
VARIÁVEIS ALEATÓRIAS

E XEMPLO
Considere a σ −álgebra A = P (Ω) = {∅, Ω, {cara }, {coroa }}.
Verificaremos que de fato X é uma variável aleatória, pois para
qualquer r ∈ R, Ar = {ω : X (ω ) ≤ r } ∈ A.
Para isto, basta tomar alguns valores de r, pois para os demais
valores as analises sarão análogas

A−0.5 = {ω : X (ω ) ≤ −0.5} = ∅ ∈ A,
A0 = {ω : X (ω ) ≤ 0} = {ω : X (ω ) = 0} = {coroa } ∈ A,
A0.5 = {ω : X (ω ) ≤ 0.5} = {ω : X (ω ) = 0} = {coroa } ∈ A,
A1 = { ω : X ( ω ) ≤ 1 } = { ω : X ( ω ) = 0 } ∪ { ω : X ( ω ) = 1 }
= {coroa } ∪ {cara } = Ω ∈ A,
A1.5 = {ω : X (ω ) ≤ 1.5} = {ω : X (ω ) = 0} ∪ {ω : X (ω ) = 1}
= {coroa } ∪ {cara } = Ω ∈ A. 5 / 68
VARIÁVEIS ALEATÓRIAS

E XEMPLO
Considere o experimento de lançar dois dados e anotar o resultado
das faces superiores. Então Ω = {(1, 1), (1, 2), (1, 3), . . . , (6, 6)}.
Varias v. a.’s podem ser definidas, por exemplo, seja X a soma dos
resultados das faces superiores, então

X ((i , j )) = i + j , para cada (i , j ) ∈ Ω,

note que a v. a. X assume os valores 2, 3, 4, . . . , 12. Seja Y o valor

absoluto entre a diferença das faces superiores, então

Y ((i , j )) = |i − j |, para cada (i , j ) ∈ Ω,

Y assume os valores 0, 1, 2, 3, 4 e 5.

6 / 68
VARIÁVEIS ALEATÓRIAS DISCRETAS E CONTÍNUAS

Exemplos:
1 Número de arranhões em uma superfície;
2 Número de lançamentos de um dado até aparecer o número
3;
3 Número de bits transmitidos que foram recebidos com erro;
4 corrente elétrica, comprimento, pressão, temperatura, peso,
voltagem.
Nos exemplos 1, 2 e 3 os valores assumidos pelas v. a.’s corre-
spondentes pertencem a um conjunto enumerável de números (in-
teiros não negativos). Já no exemplo 4, as v. a.’s correspondentes
assumem valores reais (não negativos). As v.a.’s descritas nos ex-
emplos 1, 2, e 3 são chamadas variáveis aleatórias discretas e
as descritas em 4 são chamadas variáveis aleatórias contínuas.

7 / 68
VARIÁVEIS ALEATÓRIAS DISCRETAS

D EFINIÇÃO
Uma v. a. X se denomina discreta se assume um número con-
tável (finito ou infinito) de valores. Frequentemente denotamos por
x1 , x2 , x3 , . . . os valores assumidos pela variável aleatória X .

8 / 68
VARIÁVEIS ALEATÓRIAS DISCRETAS - F UNÇÃO DE PROBABILIDADE

D EFINIÇÃO (F UNÇÃO DE PROBABILIDADE )

Seja X uma variável aleatória discreta que assume os valores x1 ,
x2 , x3 , . . . . A função de probabilidade (f. p.) de X , denotada por
pX (·), com domínio R e contradomínio o intervalo [0, 1], é definida
como
(
P (X = xj ), se x = xj , j = 1, 2, 3, . . . ,
pX ( x ) =
0, se x , xj .

9 / 68
VARIÁVEIS ALEATÓRIAS DISCRETAS - F UNÇÃO DE PROBABILIDADE

E XEMPLO
Considere o experimento de lançar uma moeda três vezes e anotar
o resultado da face superior. Seja X : “Número de caras obtidas.”
Encontre pX (x ).

10 / 68
VARIÁVEIS ALEATÓRIAS DISCRETAS - P ROPRIEDADES DA FUNÇÃO DE
PROBABILIDADE

P ROPRIEDADES DA FUNÇÃO DE PROBABILIDADE

Seja X uma v. a. discreta assumindo os valores x1 , x2 , x3 . . . , então
a f. p. pX (x ) satisfaz as seguintes propriedades:
I . pX (x ) ≥ 0, ∀x ∈ R,

II . ∑j∞=1 pX (xj ) = ∑j∞=1 P(X = xj ) = 1.

11 / 68
VARIÁVEIS ALEATÓRIAS DISCRETAS - F UNÇÃO DE PROBABILIDADE

E XEMPLO
Suponha que a variável aleatória X discreta assume as seguintes
probabilidades

x −1 0 1 2

1 1
pX (x ) 3 b 2 4b

Determine o valor da constante b de modo que pX (·) seja uma

função de probabilidade.

12 / 68
VARIÁVEIS ALEATÓRIAS DISCRETAS - F UNÇÃO DE PROBABILIDADE

E XEMPLO
Considere o experimento de jogar uma moeda, com probabilidade
p de ocorrer cara, até obter uma cara ou até completar seis jo-
gadas. Seja X a variável aleatória que representa o número de
vezes que a moeda é jogada. Determine a f. p. de X .

13 / 68
F UNÇÃO DE DISTRIBUIÇÃO ACUMULADA

D EFINIÇÃO (F UNÇÃO DE DISTRIBUIÇÃO ACUMULADA )

A função de distribuição acumulada (f.d.a.) da v. a. X , deno-
tada por FX (·), com domínio R e contradominio o intervalo [0, 1], é
definida como

FX (x ) = P(X ≤ x ) = P ({ω ∈ Ω : X (ω ) ≤ x }),

para qualquer x ∈ R.

14 / 68
P ROPRIEDADES DA FUNÇÃO DE DISTRIBUIÇÃO ACUMULADA

P ROPRIEDADES DA FUNÇÃO DE DISTRIBUIÇÃO ACUMULADA

Seja X uma v. a. com f.d.a. FX (x ) então
I.
lim FX (x ) = 0 e lim FX (x ) = 1.
x →−∞ x →∞

II . FX (x ) é uma função monótona não decrescente, ou seja,

a < b =⇒ FX (a ) ≤ FX (b ).

III . FX (x ) é contínua à direita, ou seja,

lim FX (x + h ) = FX (x ).
h ↓0

15 / 68
F UNÇÃO DE DISTRIBUIÇÃO ACUMULADA

P ROPOSIÇÃO
Se F é uma função tal que F : R → [0, 1] e F satisfaz as pro-
priedades I., II. e III. então F é a função de distribuição acumulada
de alguma variável aleatória.

O BSERVAÇÃO
A definição de função de distribuição acumulada que acabamos
de ver é válida para qualquer variável aleatória X , ou seja, vale
para variáveis aleatórias discretas como para variáveis aleatórias
contínuas.

16 / 68
VARIÁVEIS ALEATÓRIAS DISCRETAS - F UNÇÃO DE DISTRIBUIÇÃO
ACUMULADA

P ROPOSIÇÃO
Seja X é uma v. a. discreta assumindo os valores x1 , x2 , x3 , . . . ,
com f. p. pX (x ) e função de distribuição acumulada FX (x ), então
FX (x ) pode ser obtida a partir de pX (x ) e viceversa.
Dada pX (x ) temos que

FX (x ) = ∑ px (xi ) = ∑ P ( X = xi ) ,
i : xi ≤ x i : xi ≤ x

para qualquer x ∈ R.

17 / 68
VARIÁVEIS ALEATÓRIAS DISCRETAS - F UNÇÃO DE DISTRIBUIÇÃO
ACUMULADA

P ROPOSIÇÃO
Dada FX (x ) então

pX (xj ) = FX (xj ) − lim FX (xj − h ),

h ↓0

para cada xj assumido por X , e pX (x ) = 0 para todo x , xj ,

j = 1, 2, 3, . . ., assim, pX (x ) é determinado para todos os números
reais.
O tamanho do salto em cada x = xj no gráfico de FX (x ) corre-
sponde a pX (xj ) = P(X = xj ), j = 1, 2, 3, . . .

18 / 68
VARIÁVEIS ALEATÓRIAS DISCRETAS

E XEMPLO
Suponha que a variável aleatória discreta X assume as seguintes
probabilidades

x −1 0 1 3

1 1 1 1
pX (x ) 2 18 3 9

Calcule FX (1) e FX (1.5).

19 / 68
VARIÁVEIS ALEATÓRIAS DISCRETAS

E XEMPLO (4)
Considere o experimento aleatório de lançar uma moeda honesta
três vezes e defina X como o número de caras nos três lançamen-
tos. Então a função de probabilidade de X é dada por

x 0 1 2 3

1 3 3 1
pX ( x ) 8 8 8 8

Calcule FX (x ) e esboce seu gráfico.

20 / 68
VARIÁVEIS ALEATÓRIAS DISCRETAS

E XEMPLO
Suponha que a função de distribuição acumulada da variável
aleatória X seja



 0, x < −2

0.2, −2 ≤ x < 0
FX (x ) =


 0.7, 0≤x<2
x≥2

1,

Determine a função de probabilidade de X e verifique que de fato

é uma legitima função de probabilidade.

21 / 68
VARIÁVEIS ALEATÓRIAS CONTÍNUAS

D EFINIÇÃO
Uma v. a. X é dita ser contínua se existe uma função fX (·) não
negativa, tal que Z x
FX (x ) = fX (t )dt ,
−∞
para cada número real t.

22 / 68
VARIÁVEIS ALEATÓRIAS CONTÍNUAS

D EFINIÇÃO (F UNÇÃO DE DENSIDADE DE PROBABILIDADE )

Seja X uma variável aleatória contínua, a função fX (x ) satisfazendo
Z x
FX (x ) = fX (t )dt ,
−∞

é chamada função de densidade de probabilidade (f.d.p.) de X .

Alguns autores chamam esta função somente de função de densi-

dade.

23 / 68
VARIÁVEIS ALEATÓRIAS CONTÍNUAS

P ROPOSIÇÃO
Seja X uma variável aleatória contínua com f.d.p. fX (x ) e f.d.a.
FX (x ). Então a f.d.a. FX (x ) pode ser obtida a partir da f.d.p. fX (x )
e vice-versa.

Dada fX (x ) podemos obter a f.d.a. FX (x ) fazendo

Z x
FX (x ) = fX (t )dt .
−∞

Dada FX (x ) podemos obter a f.d.p. fazendo

dFX (x )
fX (x ) = ,
dx
para todos os pontos x para os quais Fx (x ) é diferenciável.

24 / 68
VARIÁVEIS ALEATÓRIAS CONTÍNUAS

P ROPRIEDADES DA FUNÇÃO DE DENSIDADE

Seja X uma variável aleatória contínua com função de densidade
de probabilidade fX (x ), então fX (x ) satisfaz as seguintes pro-
priedades
I . fX (x ) ≥ 0, para todo x ∈ R.
R∞
II . −∞ fX (x )dx =1

P ROOF .
□

25 / 68
E XEMPLO

E XEMPLO
Considere a função
(
2x , se 0 < x < 1,
f (x ) =
0, c.c.

Determine se f (x ) é uma função de densidade. Encontre a função

de distribuição acumulada de X .

26 / 68
VARIÁVEIS ALEATÓRIAS CONTÍNUAS

O BSERVAÇÃO
Seja (Ω, A, R) um espaço de probabilidade, e seja X : Ω → R
uma variável contínua. Dado qualquer evento B, B ⊂ R, temos
que Z
P(X ∈ B ) = fX (x )dx .
B

Se B = [a , b ], então
Z b
P(X ∈ B ) = P(a ≤ X ≤ b ) = fX (x )dx ,
a

se B = [a , ∞), então
Z ∞
P(X ∈ B ) = P(a ≤ X < ∞ ) = fX (x )dx ,
a

27 / 68
VARIÁVEIS ALEATÓRIAS CONTÍNUAS

O BSERVAÇÃO
se B = (−∞, b ), então
Z b
P(X ∈ B ) = P(−∞ < X < b ) = fX (x )dx ,
−∞

Alem disso, Z a
P(X = a ) = fX (x )dx = 0.
a

Assim, a probabilidade de uma variável aleatória contínua assumir

um valor específico qualquer é zero. Portanto, para uma variável
aleatória contínua X , temos que
Z a
P(X < a ) = P(X ≤ a ) = FX (a ) = fX (x )dx .
−∞

28 / 68
VARIÁVEIS ALEATÓRIAS CONTÍNUAS - E XEMPLO

E XEMPLO
Considere uma variável aleatória X contínua com função de dis-
tribuição acumulada FX (x ) dada por
(
1 − e − λx , se x > 0;
FX (x ) =
0, se x ≤ 0.

onde λ > 0.
A . Faça o gráfico de FX (x ) e verifique que satisfaz as pro-
priedades de função de distribuição acumulada.
B . Encontre a função de densidade de X .
C . Determine P (1 < X ≤ 2).

29 / 68
F UNÇÃO INDICADORA

D EFINIÇÃO (F UNÇÃO INDICADORA )

Seja Ω um espaço amostral qualquer e A um subconjunto qualquer
de Ω. A função indicadora de A , denotada por IA (·), é definida
como (
1 se x ∈ A ,
IA (x ) =
0 se x < A .

30 / 68
F UNÇÃO INDICADORA - E XEMPLO

E XEMPLO
Suponha que Ω = N encontre
I . IN (1) =
II . I{2,4,6,8,... } (4) =
III . I{2,4,6,8,... } (3) =
IV. IN (−2) =

Suponha que Ω = R encontre

I . I ( 0 ,1 ) ( 1 / 2 ) =
II . I(0,1) (0) =
III . I[0,1] (0) =
IV. I(0,∞) (2) =
V. I(0,∞) (−3) =

31 / 68
F UNÇÃO INDICADORA - E XEMPLO

E XEMPLO
Suponha que uma variável aleatória discreta assumindo os valores
{0, 1, . . . , N } tenha a seguinte função de probabilidade

pX (x ) = cxIA (x ), A = {0, 1, . . . , N }.

Determine o valor da constante c para quando N = 4.

32 / 68
VARIÁVEIS ALEATÓRIAS CONTÍNUAS - E XEMPLO

E XEMPLO
Considere a função de densidade f (x ) correspondente a alguma
variável aleatória X , tal que

f (x ) = c (4x − 2x 2 )I(0,2) (x ).

I . Determine o valor de c para que f (x ) represente uma função

de densidade de probabilidade.
II . calcule P(X > 1)

33 / 68
VARIÁVEIS ALEATÓRIAS CONTÍNUAS - E XEMPLO

E XEMPLO
A quantidade de tempo em horas que um computador funciona sem
estragar é uma variável aleatória contínua com função densidade
x
fX (x ) = λe − 100 I(0,∞) (x )

I . Determine o valor da constante λ para que fX (x ) seja uma

legitima função de densidade de probabilidade.
II . Calcule a probabilidade de que o computador funcione entre
50 e 150 horas antes de estragar.
III . Calcule a probabilidade de que o computador funcione pelo
menos 100 horas.

34 / 68
VARIÁVEIS ALEATÓRIAS CONTÍNUAS - E XEMPLO

E XEMPLO
Para alguma constante c , a variável aleatória X tem função densi-
dade
fX (x ) = cx 2 I(0,1) (x )
Determine:
I ) o valor de c ,
II ) P(X > 1/2),
III ) determine α de modo que FX (α) = P(X ≤ α) = 1/2.

35 / 68
VALOR E SPERADO OU E SPERANÇA M ATEMÁTICA

D EFINIÇÃO (VALOR ESPERADO )

Seja X uma variável aleatória em um espaço de probabilidade
(Ω, A, P). A v. a. X possui esperança, ou média, ou valor es-
perado, denotado por E (X ) ou µX .

Se X é uma variável aleatória discreta que assume os valores

x1 , x2 , . . . e se ∑i∞=1 |xi |P(X = xi ) < ∞, então
∞
E [X ] = ∑ xi P(X = xi ).
i =1

Se X é uma R ∞ variável aleatória contínua com função densidade

fX (x ) e se −∞ |x |fX (x )dx < ∞ , então
Z ∞
E [X ] = xfX (x )dx .
−∞

36 / 68
VALOR ESPERADO

O BSERVAÇÃO
✓ Dizemos que E [X ] existe quando E [X ] é finita, isto é, E [X ] <
∞. Caso contrário, dizemos que E [X ] não existe ou que é in-
finita.
✓ Se X é uma variável aleatória discreta que assume somente
um número finito de valores, então E [X ] sempre será finita.
✓ Se X assume os valores x1 , . . . , xn então

E [X ] = x1 P(X = x1 ) + x2 P(X = x2 ) + · · · + xn P(X = xn ).

Logo, E [X ] é uma ’média’ dos valores que a variável aleatória

X assume, sendo cada um desses valores ponderados pela
probabilidade da variável aleatória X assumir tal valor.

37 / 68
VALOR E SPERADO

E XEMPLO
Considere o experimento de lançar três vezes uma moeda justa.
Seja X o número de caras nos três lançamentos da moeda honesta
e considere o experimento de lançar três vezes uma moeda tal que
a probabilidade de sair cara é 3/4, seja Y o número de caras nos
três lançamentos da moeda desequilibrada. Encontre E [X ] e E [Y ].

38 / 68
VALOR E SPERADO

E XEMPLO
Seja X uma variável aleatória contínua com função de densidade
de probabilidade

αβα
fX (x ) = I (x ), β > 0, α > 0.
x α+1 [ β,∞)
Determine E [X ].

39 / 68
VALOR E SPERADO

E XEMPLO
Seja X uma variável aleatória discreta com função de probabilidade

e −3 3x
pX (x ) = I (x ).
x ! {0,1,2,... }
Calcule E [X ].

∞
xk
Lembrete ∑ k !
= ex .
k =0

40 / 68
E XEMPLO

E XEMPLO
Determine E [X ] se a variável aleatória X tem função densidade
I ) f (x ) = c (1 − x 2 )I(−1,1) (x ).
5
II ) f (x ) = I (x ).
x 2 (5,∞)

 2x ,
 0 ≤ x < 0, 5
2 4
III ) f (x ) = − 3 x + 3 , 0, 5 ≤ x ≤ 2

0, c.c.


IV ) f (x ) = λe −λx I(0,∞) (x ).

41 / 68
VALOR E SPERADO

P ROPOSIÇÃO
Seja X uma variável aleatória contínua com função de densidade
de probabilidade fX (x ) e função de distribuição acumulada FX (x ),
se E [X ] existe, então
Z ∞ Z 0
E [X ] = [1 − FX (x )]dx − FX (x )dx .
0 −∞

42 / 68
VALOR E SPERADO

E XEMPLO
Considere a variável aleatória X com função de densidade f (x ) =
λe −λx I(0,∞) (x ). Pode ser mostrado que a função de distribuição
acumulada de X é dada por FX (x ) = (1 − e −λx )I(0,∞) (x ).
Então Z ∞ Z 0
E [X ] = [1 − FX (x )]dx − FX (x )dx
0 −∞
Z ∞ Z 0
− λx
= e dx − 0dx
0 −∞
∞
e −λx  1
=−  =
λ  λ
0

43 / 68
VALOR ESPERADO DE UMA FUNÇÃO DE UMA VARIÁVEL
ALEATÓRIA

D EFINIÇÃO
Seja X uma variável aleatória e g (·) uma função de R em R, de
tal forma que g (X ) é uma variável aleatória. O valor esperado da
variável aleatória g (X ) é denotado por, E [g (X )] e é definido por

E [g (X )] = ∑ g (xj )P (X = xj ),
xj

se X é uma variável aleatória discreta assumindo os valores

x1 , x2 , . . . . Z ∞
E [g (X )] = g (x )fX (x )dx ,
−∞
se X é uma variável aleatória contínua com função de densidade
fX (x ).

44 / 68
VALOR ESPERADO DE UMA FUNÇÃO DE UMA VARIÁVEL
ALEATÓRIA

E XEMPLO
Seja X uma v.a. contínua com função de densidade

f (x ) = 2xI(0,1) (x ).

Encontre E [X 3 ].

45 / 68
P ROPRIEDADES DO VALOR ESPERADO

T EOREMA (P ROPRIEDADES DO VALOR ESPERADO )

Se c , c1 e c3 são constantes, e g (X ), g1 (X ) e g2 (X ) são variáveis
aleatórias cujas esperanças existem, então
1 E [c ] = c , para toda c constante.

2 E [cg (X )] = cE [g (X )],para cada constante c e para cada

função real g (·) tal que g (X ) é uma variável aleatória.

3 E [c1 g1 (X ) + c2 g2 (X )] = c1 E [g1 (X )] + c2 E [g2 (X )], para con-

stantes c1 , c2 e funções reais g1 (·) e g2 (·).

4 Se g (x ) ≤ h (x ) para todo x então E [g (X )] ≤ E [h (X )].

5 |E [g (X )]| ≤ E [|g (X )|].

46 / 68
E XEMPLO

E XEMPLO
Seja X uma variável aleatória tal que E [X ] = 0 e E [X 2 ] = 1.
Calcule:
I ) E [2X − 1].
II ) E [3X − X 2 + 5].

47 / 68
VARIÂNCIA

D EFINIÇÃO (VARIÂNCIA )
Seja X uma variável aleatória e µX = E [X ] seu respectivo valor
esperado. Temos que a variância de X , denotada por σX2 ou Var [X ],
é definida por
Var [X ] = E (X − E (X ))2 .
 

Se X é uma variável aleatória discreta assumindo os valores x1 , x2 , x3 ,

então a variância de X é dada por

Var [X ] = ∑(xj − E [X ])2 P(X = xj ).

j

Se X é uma variável aleatória contínua com função de densidade

fX (x ), então a variância de X é dada por
Z ∞
Var [X ] = (x − E [X ])2 fX (x )dx .
−∞

48 / 68
VARIÂNCIA

✓ A variância mede a dispersão dos valores da variável em torno

do seu valor esperado.

✓ O desvio padrão é definido como raiz quadrada da variância

pvariável aleatória X , sendo denotado por σX , ou seja,
de uma
σX = Var [X ].

✓ Em muitas ocasiões preferimos usar o desvio padrão em lugar

da variância, dado que as unidades do desvio padrão são as
mesmas unidades que a variável original.

49 / 68
P ROPRIEDADES DA VARIÂNCIA

T EOREMA
Seja X uma variável aleatória com E (X ) < ∞, então

Var [X ] = E [X 2 ] − [E (X )]2 .

P ROOF .

Var [X ] = E (X − E (X ))2 = E [X 2 − 2XE (X ) + (E (X ))2 ]

 

= E [X 2 ] − 2E [XE (X )] + [E (X )]2
= E [X 2 ] − 2E [X ]E [X ] + [E (X )]2
= E [X 2 ] − 2[E (X )]2 + [E (X )]2
= E [X 2 ] − [E (X )]2 .

□
50 / 68
T EOREMA (P ROPRIEDADES DA VARIÂNCIA )
Seja X uma variável aleatória com E [X ] < ∞, seja α um número
real. Então
1 Var [X ] ≥ 0.
2 Var [α] = 0, para toda constante α.
3 Var [αX ] = α2 Var [X ].
4 Var [X + α] = Var [X ]
5 Sejam X , X1 , . . . , Xn variáveis aleatórias independentes
então " #
n n
Var ∑ Xi = ∑ Var [Xi ].
i =1 i =1

51 / 68
E XEMPLO

E XEMPLO
Seja X uma variável aleatória com função de probabilidade

x 0 1 2
pX ( x ) 0, 3 0, 4 0, 3

Calcule E (X ) e Var (X ).

52 / 68
E XEMPLO

E XEMPLO
Seja X uma variável aleatória contínua com função densidade dada
por 
1 + x , −1 ≤ x ≤ 0,

1 − x , 0 < x ≤ 1,

0, c.c.


Calcule E (X ) e Var (X ).

53 / 68
E XEMPLO

E XEMPLO
Seja X uma variável aleatória tal que E (X ) = 2 e E (X 2 ) = 4, 5.
Calcule
I ) Var (3X ).
II ) Var (2X + 1).

54 / 68
E XEMPLO

E XEMPLO
Se E (X ) = 1 e Var (X ) = 5, determine:
I ) E (2 + X 2 ).
II ) Var (4 + 3X ).

55 / 68
E XEMPLO

E XEMPLO
Suponha que X assuma os valores 0, 1 e 2. Sabendo que

P(X = i ) = 2P(X = i − 1), i = 1, 2,

determine E (X ) e Var (X ).

56 / 68
VARIÂNCIA

P ROPOSIÇÃO
Seja X uma variável aleatória contínua, então
Z ∞
Var [X ] = 2x [1 − FX (x ) + FX (x )] dx − [E (X )]2 .
0

57 / 68
E XEMPLO

E XEMPLO
Suponha que X é uma variável aleatória com função de distribuição
acumulada FX (x ) = (1 − e −λx )I(0,∞) (x ). Determine Var [X ].

DICA: Use o resultado anterior e o exemplo do slide 43.

58 / 68
F UNÇÕES DE VARIÁVEIS A LEATÓRIAS

D EFINIÇÃO
Seja X uma variável aleatória definida num espaço de probabili-
dade (Ω, A, P) e seja g : R → R uma função. Então, Y = g (X ) é
uma função de Ω em R, definida por

Y (ω ) = g (X (ω )), ω ∈ Ω. (1)

59 / 68
F UNÇÕES DE VARIÁVEIS A LEATÓRIAS

Em geral, Y assim definida não é uma variável aleatória. Contudo,

assumindo que g é uma função suficientemente bem comportada
(por exemplo, contínua ou monótona), tal dificuldade desaparece
e nestes casos as funções da forma Y = g (X ) definem variáveis
aleatórias. Exemplos simples são:

se g (x ) = ax + b , então g (X ) = aX + b ,
se g (x ) = cx 2 , então g (X ) = cX 2 ,
se g (x ) = e −cx , então g (X ) = e −cX ,

em que a , b , c ∈ R. A principal questão que surge agora é a

seguinte:

se conhecemos a distribuição de X , então como determinar a

distribuição de Y = g (X )?

60 / 68
F UNÇÕES DE VARIÁVEIS A LEATÓRIAS - C ASO DISCRETO

F UNÇÕES DE VARIÁVEIS A LEATÓRIAS - C ASO DISCRETO

Se X é uma v.a. discreta com função de probabilidade pX , então,
Y = g (X ) também é uma variável aleatória e sua função de prob-
abilidade é dada por

pY (y ) = P(Y = y ) = P(g (X ) = y ) = ∑ pX (x ). (2)

x :g (x )=y

61 / 68
F UNÇÕES DE VARIÁVEIS A LEATÓRIAS - E XEMPLO

E XEMPLO
Seja X uma variável aleatória discreta com função de probabilidade
dada por

1 1
pX (x ) = I{−1,1} (x ) + I{0} (x ).
4 2

Determine a distribuição de Y = X 2 .

62 / 68
F UNÇÕES DE VARIÁVEIS A LEATÓRIAS - E XEMPLO

E XEMPLO
Seja X uma variável aleatória discreta com função de probabilidade
apresentada na tabela a seguir:

x −2 −1 0 1 2 3
pX (x ) 1/10 1/10 4/10 2/10 1/10 1/10

Determine a função de probabilidade de:

1 Y = 2X − 1
2 W = X2 − 2

63 / 68
F UNÇÕES DE VARIÁVEIS A LEATÓRIAS - C ASO CONTÍNUO

E XEMPLO
Seja X uma v.a. contínua com densidade fX , e seja g (x ) = ax + b,
com a > 0. Então, Y = g (X ) = aX + b tem função de distribuição
acumulada dada por

FY (y ) = P(Y ≤ y ) = P(aX + b ≤ y )
y −b
 
=P X ≤
a
y −b
 
= FX
a

64 / 68
F UNÇÕES DE VARIÁVEIS A LEATÓRIAS - C ASO CONTÍNUO

E XEMPLO
Derivando FY com respeito a y, obtemos
 
y −b
dFY (y ) dFX a

d y −b

1  
fY (y ) = = = fX ( y − b
a ) ( a ) = fX y −a b , ∀y
dy dy dy a

1  y −b 
=⇒ fY (y ) = fX a , ∀y ∈ R.
a

65 / 68
F UNÇÕES DE VARIÁVEIS A LEATÓRIAS

T EOREMA
Se X é uma variável aleatória contínua com função de densidade
fX , e g : R → R é uma função estritamente crescente (ou decres-
cente) e derivável, então a variável aleatória Y = g (X ) tem função
densidade dada por
 
−1

 d −1
∀y ∈ R,


fY (y ) = fX g (y ) 
 g (y )  ,
dy

em que g −1 é a função inversa de g.

66 / 68
F UNÇÕES DE VARIÁVEIS A LEATÓRIAS

E XEMPLO
Suponha que a variável aleatória X tem distribuição Weibull com
parâmetros α > 0 e β > 0 e com função de densidade

fX (x ) = αβx β−1 e −αx I(0,∞) (x ).

β

Encontre a função de densidade da variável aleatória Y = X β .

67 / 68
F UNÇÕES DE VARIÁVEIS A LEATÓRIAS

E XEMPLO
Assuma que X tem distribuição uniforme contínua no intervalo
(0, 1) com função de densidade

fX (x ) = I(0,1) (x ).

Obtenha a função de densidade da variável aleatória

1
Y =− log(1 − X ),
λ
para λ > 0.

E XEMPLO
Se X tem função de densidade fX , e g (x ) = x 2 , encontre a função
de densidade da variável aleatória Y = X 2 .
68 / 68