Probabilidade I

PRO F ESSO RA: L A RIS SA A LV E S

MATERIAL 6 – PROBABILIDADE I
Esperança de variáveis aleatórias
➢ No estudo de variáveis aleatórias e suas f.d.p.’s, associamos números aos pontos
do espaço amostral, ou seja, o resultado é sempre uma variável quantitativa.

➢ Sendo assim, faz sentido perguntar “qual é o valor médio da v.a. 𝑋?” ou ainda
“qual a variância da v.a. 𝑋?”

➢ Uma forma de caracterizar e resumir uma v.a. é calcular sua média e sua
variância.

MATERIAL 6 – PROBABILIDADE I 2
Esperança de variáveis aleatórias
➢ Definição 6.1: Seja 𝑋 uma v.a. discreta com f.d.p. dada por 𝑝𝑋 𝑥 , então, a
esperança, ou valor esperado, ou média da v.a. 𝑋, representada por 𝐸 𝑋 , é
definida por:

𝐸 𝑋 = ෍ 𝑥 𝑝𝑋 𝑥 .
𝑥

➢ Em outras palavras, o valor esperado de 𝑋 é uma média ponderada dos possíveis

valores que 𝑋 pode assumir, com cada valor sendo ponderado pela probabilidade
de que 𝑋 seja igual a esse valor.

MATERIAL 6 – PROBABILIDADE I 3
Esperança de variáveis aleatórias
➢ Exemplo 6.1: Suponha uma v.a. que assume os valores −2, 0, 1, 4 e que
𝑃 𝑋 = −2 = 0,1; 𝑃 𝑋 = 0 = 0,4; 𝑃 𝑋 = 1 = 0,3; 𝑃 𝑋 = 4 = 0,2. Então,

𝐸 𝑋 = −2 ∗ 0,2 + 0 ∗ 0,4 + 1 ∗ 0,3 + 4 ∗ 0,2 = 0,9.

➢ Podemos notar que a esperança de uma v.a. 𝑋 não é necessariamente igual a um

valor possível de 𝑋.

➢ Essa medida não define uma única v.a.. Ou seja, duas diferentes distribuições
podem ter o mesmo valor esperado.

MATERIAL 6 – PROBABILIDADE I 4
Esperança de variáveis aleatórias
➢ Quando a imagem de 𝑋, 𝐼𝑚 𝑋 , é um conjunto finito, 𝐸 𝑋 é definida por um
somatório com um número finito de parcelas que, portanto, sempre converge. Logo
𝐸 𝑋 existe e 𝐸 𝑋 ∈ ℝ.

➢ Mas quando 𝐼𝑚 𝑋 é um conjunto infinito e enumerável, o somatório que define

𝐸 𝑋 tem um número infinito de parcelas, ou seja, trata-se de uma série.

➢ Esta série pode convergir para um número real ou não.

➢ Sempre que essa série convergir para um número real, dizemos que 𝐸 𝑋 existe.
Caso contrário, dizemos que 𝐸 𝑋 não existe.

MATERIAL 6 – PROBABILIDADE I 5
Esperança de variáveis aleatórias
➢ Proposição 6.1: Seja 𝑋 uma v.a. discreta, 𝑥𝑚𝑖𝑛 = min 𝐼𝑚 𝑋 e 𝑥𝑚𝑎𝑥 =
max 𝐼𝑚 𝑋 . Se 𝐸 𝑋 ∈ ℝ então, 𝑥𝑚𝑖𝑛 ≤ 𝐸 𝑋 ≤ 𝑥𝑚𝑎𝑥 .

➢ Definição 6.2: Se 𝑋 é uma v.a. contínua com função densidade dada por 𝑓𝑋 𝑥 ,
então a esperança, ou valor esperado, ou média de 𝑋 é dada por:
+∞
𝐸 𝑋 =න 𝑥 𝑓𝑋 𝑥 𝑑𝑥.
−∞

Desde que a integral esteja bem definida.

MATERIAL 6 – PROBABILIDADE I 6
Esperança de variáveis aleatórias
➢ Exemplo 6.2: Suponha que a f.d.p. de uma v.a. 𝑋 seja dada por 𝑓𝑋 𝑥 =
2𝑥 𝐼 0,1 𝑥 . Então,
1 2 1
2
𝐸 𝑋 = න 𝑥 𝑓𝑋 𝑥 𝑑𝑥 = න 2𝑥 𝑑𝑥 = .
0 0 3

➢ As observações feitas sobre a esperança de uma v.a. 𝑋 discreta também valem

para o caso em que 𝑋 é contínua: 𝐸 𝑋 não define uma única v.a.; 𝐸 𝑋 pode não
existir e Proposição 6.1.

➢ Observação: O valor esperado de uma v.a. 𝑋 (discreta ou contínua) pode ser

interpretado como o centro de gravidade da distribuição. 𝐸 𝑋 é o centro da
distribuição e algumas vezes é denominado medida de posição central.
MATERIAL 6 – PROBABILIDADE I 7
Esperança de funções de v.a.
➢ Já vimos que se 𝑋 é uma v.a. e 𝑌 = 𝑔 𝑋 for uma função de 𝑋, então 𝑌 será uma
v.a., com alguma f.d.p., consequentemente pode haver interesse em se calcular
𝐸 𝑌 .

➢ O interessante é que podemos encontrar a esperança de 𝑌 sem precisar

encontrar a sua f.d.p..

➢ O cálculo da esperança de 𝑌 pode ser feito somente com o conhecimento da

função 𝑔 que relaciona 𝑋 e 𝑌 e da f.d.p. de 𝑋.

MATERIAL 6 – PROBABILIDADE I 8
Esperança de funções de v.a.
➢ Proposição 6.2: Seja 𝑋 uma v.a. e seja 𝑌 = 𝑔 𝑋 .
(a) Se 𝑋 for uma v.a. discreta com f.d.p. 𝑝𝑋 𝑥 = 𝑃 𝑋 = 𝑥 teremos

𝐸 𝑌 =𝐸 𝑔 𝑋 = ෍ 𝑔 𝑥 𝑝𝑋 𝑥 .
𝑥

(b) Se 𝑋 for uma v.a. contínua com f.d.p. 𝑓𝑋 𝑥 teremos

+∞
𝐸 𝑌 =𝐸 𝑔 𝑋 =න 𝑔 𝑥 𝑓𝑋 𝑥 𝑑𝑥.
−∞
Demonstração: Em aula.

MATERIAL 6 – PROBABILIDADE I 9
Propriedades da Esperança
➢ Suponha que 𝑋 é uma v.a. e sua esperança 𝐸 𝑋 existe.
(P1) Se 𝑌 = 𝑎𝑋 + 𝑏 com 𝑎 e 𝑏 constantes, então

𝐸 𝑌 = 𝐸 𝑎𝑋 + 𝑏 = 𝑎 ∗ 𝐸 𝑋 + 𝑏

⇒ 𝐸 𝑏 = 𝑏 e 𝐸 𝑎𝑋 = 𝑎 ∗ 𝐸 𝑋 .

➢ Exemplo 6.3: Suponha que 𝐸 𝑋 = 5. Então, 𝐸 3𝑋 − 5 = 3 ∗ 𝐸 𝑋 − 5 = 10 e

𝐸 −3𝑋 + 15 = −3 ∗ 𝐸 𝑋 + 15 = 0.

➢ Dessa forma 𝐸 𝑐 = 𝑐. Em outras palavras, se 𝑋 = 𝑐 com probabilidade 1, 𝐸 𝑐 =

𝑐.

MATERIAL 6 – PROBABILIDADE I 10
Exercícios
➢ Exercício 6.1: Seja 𝑋 uma v.a. que pode assumir os valores −1,0,1 com respectivas
probabilidades
𝑃 𝑋 = −1 = 0,2 ; 𝑃 𝑋 = 0 = 0,5 ; 𝑃 𝑋 = 1 = 0,3
Calcule 𝐸 𝑋 2 por meio da função de probabilidade de 𝑋 2 e da função de
probabilidade de 𝑋.

MATERIAL 6 – PROBABILIDADE I 13
Exercícios
➢ Exercício 6.2: Seja 𝑋 uma v.a. cuja função de distribuição é definida por:
0 , 𝑥<2
𝑥−2
, 2≤𝑥<4
4
1
𝐹𝑋 𝑥 = , 4≤𝑥<6
2
𝑥−4
, 6≤𝑥<8
4
1 , 𝑥≥8
(a) Diga qual é a imagem de 𝑋 e a classifique.
(b) Encontre a função densidade de 𝑋 e calcule 𝐸 𝑋 .

MATERIAL 6 – PROBABILIDADE I 14
Exercícios
➢ Exercício 6.3: O tempo de vida em horas de um certo tipo de tubo de rádio é uma
100
v.a. com função densidade 𝑓𝑋 𝑥 = 2 𝐼 100,∞ 𝑥 .
𝑥
(a) Qual a probabilidade de um tubo desse tipo durar mais que 150h?
(b) Qual a probabilidade de exatos 2 entre 5 desses tubos terem que ser trocados
antes de 150h de operação?
(c) Calcule o tempo de vida médio desse tipo de tubo.

MATERIAL 6 – PROBABILIDADE I 15
Exercícios
➢ Exercício 6.4: Seja 𝑋 v.a. com f.d.p. definida por:
0 , 𝑥 < −1
𝑓 𝑥 = 𝑥+1 2 , −1 < 𝑥 < 0
1 − 𝑥2 , 0≤𝑥 <1
0 , 𝑥>1
(a) Verifique as propriedades da função densidade e esboce seu gráfico.
(b) Calcule 𝐸 𝑋 .
(c) Se 𝑌 = 1/(𝑋 + 1), calcule 𝐸(𝑌).

MATERIAL 6 – PROBABILIDADE I 16
Exercícios
➢ Exercício 6.5: Um homem possui quatro chaves em seu bolso. Como está escuro,
ele não consegue ver qual a chave correta para abrir a porta de sua casa, que se
encontra trancada. Ele testa uma chave de cada vez mas não tem controle das
chaves que já foram experimentadas e por isso a cada nova tentativa ele escolhe,
de forma aleatória, uma entre as quatro chaves.
(a) Defina um espaço amostral para esse experimento.
Defina a variável aleatória 𝑋 = número de chaves experimentadas até conseguir abrir
a porta (inclusive a chave correta).
(b) Encontre a função de probabilidade de X e esboce o seu gráfico.
(c) Calcule 𝐸(𝑋).

MATERIAL 6 – PROBABILIDADE I 17
Variância e desvio-padrão de v.a.
➢ Já vimos que a esperança de uma v.a. 𝑋 é o centro gravidade da distribuição de
probabilidade, logo uma medida de posição.

➢ No entanto, é possível que duas v.a.’s bem diferentes tenham a mesma esperança,
o que nos mostra que a esperança não é uma medida que descreva completamente
a v.a..

➢ Exemplo 6.5: Considere 𝑋1 e 𝑋2 v.a.’s com funções de probabilidade 𝑝𝑋1 e 𝑝𝑋2

definidas por:

MATERIAL 6 – PROBABILIDADE I 18
Variância e desvio-padrão de v.a.
0,05 , 𝑥 = 1,2,8,9
0,1 , 𝑥 = 3,7 0,1 , 𝑥 = 3,7
𝑝𝑋1 = 0,15 , 𝑥 = 4,6 𝑝𝑋2 𝑥 = 0,3 , 𝑥 = 4,6
0,3 , 𝑥 = 5 0,2 , 𝑥 = 5
0 , 𝑐. 𝑐. 0 , 𝑐. 𝑐.

(a) Mostre que 𝐸 𝑋1 = 𝐸 𝑋2

(b) Esboce e compare os gráficos de 𝑝𝑋1 e 𝑝𝑋2 . O que você pode perceber de
diferente entre essas duas variáveis?

MATERIAL 6 – PROBABILIDADE I 19
Variância e desvio-padrão de v.a.’s
➢ Uma diferença que pode ser notada de imediato é a dispersão dos valores de
cada variável aleatória.

➢ Veja que 𝑋1 tem valores mais dispersos em torno da média que 𝑋2, isto é, mais
espalhados. Ou seja, os valores de 𝐼𝑚 𝑋2 estão mais concentrados em torno da
média do que os valores de 𝐼𝑚 𝑋1 .

➢ Existem várias maneiras de se medir a dispersão de uma variável aleatória. Vamos

definir, inicialmente uma dessas medidas de dispersão, chamada de variância.

MATERIAL 6 – PROBABILIDADE I 20
Variância e desvio-padrão de v.a.’s
➢ Definição 6.3: Seja 𝑋 uma v.a. tal que 𝐸 𝑋 ∈ ℝ. A variância é definida como
2
σ𝑥 𝑥 − 𝐸 𝑋 𝑝𝑋 𝑥 , se 𝑋 é v.a. discreta
2
𝑉𝑎𝑟 𝑋 = 𝐸 𝑋−𝐸 𝑋 =
∞ 2
‫׬‬−∞ 𝑥 −𝐸 𝑋 𝑓𝑋 𝑥 𝑑𝑥 , se 𝑋 é v.a. contínua

2
➢ Veja que 𝑉𝑎𝑟 𝑋 é definida como 𝐸 𝑔 𝑋 , com 𝑔 𝑋 = 𝑋 − 𝐸 𝑋 . O termo
𝑋 − 𝐸(𝑋) é chamado de desvio em torno da média.

➢ Sendo assim, a variância é a média dos desvios quadráticos em torno da média

𝐸 𝑋 .
MATERIAL 6 – PROBABILIDADE I 21
Variância e desvio-padrão de v.a.’s
➢ A variância fornece uma medida de dispersão ou variabilidade da v.a. (ou da
distribuição) em torno da sua média.

➢ Um valor pequeno para variância indica que a distribuição de probabilidade está

bem concentrada em trono da média.

➢ Já um valor grande para 𝑉𝑎𝑟 𝑋 indica que a distribuição de probabilidade está

bem espalhada em torno da média.

➢ Se 𝐸 𝑋 não existe, 𝑉𝑎𝑟 𝑋 também não existe.

MATERIAL 6 – PROBABILIDADE I 22
Variância e desvio-padrão de v.a.’s
➢ Da definição de variância, resulta que sua unidade de medida é o quadrado da
unidade de medida da variável em estudo, sendo assim, uma unidade sem
significado físico.

➢ Para se ter uma medida de dispersão na mesma unidade dos dados, define-se o
desvio-padrão como a raiz quadrada da variância.

➢ Definição 6.4: O desvio-padrão de uma variável aleatória 𝑋 é definido como:

𝐷𝑃 𝑋 = 𝑉𝑎𝑟 𝑋 .

MATERIAL 6 – PROBABILIDADE I 23
Variância e desvio-padrão de v.a.’s
➢ Proposição 6.3: Seja 𝑋 uma v.a. tal que 𝐸 𝑋 ∈ ℝ e 𝐸 𝑋 2 ∈ ℝ. Então,
𝑉𝑎𝑟 𝑋 = 𝐸 𝑋 2 − 𝐸 𝑋 2

➢ Propriedades:
(P1) Seja 𝑋 uma v.a. tal que 𝑃 𝑋 = 𝑐 = 1. Então 𝑉𝑎𝑟 𝑋 = 0, ou seja, 𝑉𝑎𝑟 𝑐 = 0.
(P2) 𝑉𝑎𝑟 𝑋 ≥ 0 e 𝐷𝑃 𝑋 ≥ 0
(P3) 𝑉𝑎𝑟 𝑎𝑋 + 𝑏 = 𝑎2𝑉𝑎𝑟 𝑋
(P4) 𝐷𝑃 𝑎𝑋 + 𝑏 = 𝑎 𝐷𝑃 𝑋
(P5) Se 𝑋 e 𝑌 são v.a.’s independentes, então 𝑉𝑎𝑟 𝑋 + 𝑌 = 𝑉𝑎𝑟 𝑋 + 𝑉𝑎𝑟(𝑌).

MATERIAL 6 – PROBABILIDADE I 24
Exercícios
➢ Exercício 6.7: Calcule 𝑉𝑎𝑟 𝑋1 , 𝐷𝑃 𝑋1 , 𝑉𝑎𝑟(𝑋2) e 𝐷𝑃 𝑋 2 para as variáveis
definidas no Exemplo 6.5.

➢ Exercício 6.8: Suponha 𝑋 uma v.a. com f.d.p. dada a seguir. Calcule 𝑉𝑎𝑟 𝑋 .
𝑓𝑋 𝑥 = 1 + 𝑥 𝐼 −1,0 𝑥 + 1 − 𝑥 𝐼 0,1 𝑥

➢ Exercício 6.9: Considere a v.a. apresentada no Exercício 6.5. Calcule 𝑉𝑎𝑟 𝑋 ,

𝑉𝑎𝑟(3𝑋 + 1) e 𝑉𝑎𝑟 𝑋 2 .

MATERIAL 6 – PROBABILIDADE I 25
Exercícios
➢ Exercício 6.10: Um lojista mantém extensos registros das vendas diárias de certo
aparelho. O quadro a seguir dá a distribuição de probabilidades do número de
aparelhos vendidos em uma semana. Se o lucro por unidade vendida é de
R$500,00, qual o lucro esperado em uma semana? Qual é o desvio-padrão do
lucro?
𝒙 =nº de 0 1 2 3 4 5
aparelhos
𝑝𝑋 (𝑥) 0,1 0,1 0,2 0,3 0,2 0,1

MATERIAL 6 – PROBABILIDADE I 26
Desigualdades
➢ Se conhecemos a distribuição de probabilidade de uma v.a. 𝑋, podemos calcular
𝐸 𝑋 e 𝑉𝑎𝑟(𝑋), se existirem. Contudo, a reciproca não é verdadeira.

➢ Isto é, do conhecimento de 𝐸(𝑋) e 𝑉𝑎𝑟(𝑋) não podemos reconstruir a

distribuição de probabilidade de 𝑋 e, consequentemente calcular quantidades tais
como 𝑃 𝑋 ≥ 𝑎 .

➢ Apesar de não conseguirmos calcular tais probabilidades, poderemos estabelecer

um limite superior (ou inferior).

MATERIAL 6 – PROBABILIDADE I 27
Desigualdades
➢ Proposição 6.4: (Desigualdade de Markov) Se 𝑋 é uma v.a. que apresenta apenas
valores não negativos, então, para qualquer 𝑎 > 0,
𝐸 𝑋
𝑃 𝑋≥𝑎 ≤ .
𝑎
Demonstração: Em aula.

➢ Proposição 6.5: (Desigualdade de Chebyshev) Se 𝑋 é uma v.a. com média finita

𝐸 𝑋 e variância 𝑉𝑎𝑟 𝑋 , então, para qualquer valor 𝑘 > 0,
𝑉𝑎𝑟 𝑋
𝑃 𝑋−𝐸 𝑋 ≥𝑘 ≤ 2 .
𝑘
Demonstração: Em aula.
MATERIAL 6 – PROBABILIDADE I 28
Desigualdades
➢ Exercício 6.11: Suponha que se saiba que p número de itens produzidos por uma
fábrica durante uma semana seja uma v.a. com média 50.
(a) O que se pode dizer sobre a probabilidade de que a produção desta semana seja
superior a 75 itens?
(b) Se é sabido que a variância da produção de uma semana é igual a 25, então o
que se pode dizer sobre a probabilidade de que a produção desta semana esteja
entre 40 e 60?

➢ Como a desigualdade de Chebyshev é válida para todas as distribuições da v.a. 𝑋,

não podemos esperar que o limite de probabilidade esteja muito próximo da
probabilidade real em muitos casos.

MATERIAL 6 – PROBABILIDADE I 29
Desigualdades
1
➢ Exercício 6.12: Seja 𝑋 uma v.a. com f.d.p. 𝑓𝑋 𝑥 = 𝐼 0,10 𝑥 . Obtenha um limite
10
superior para 𝑃 𝑋 − 5 > 4 e o seu valor exato. Os resultados são próximos?

➢ Corolário 6.1: Seja a v.a. 𝑋 com esperança e variância finitas. Então, ∀ 𝑘 > 0,
𝑉𝑎𝑟 𝑋
𝑃 𝑋 −𝐸 𝑋 <𝑡 ≥ 1−
𝑘2

Demonstração: Em aula.

MATERIAL 6 – PROBABILIDADE I 30
Desigualdades
➢ Proposição 6.6: (Desigualdade de Chebyshev unilateral) Se 𝑋 é uma v.a. com
média 0 e variância 𝑉𝑎𝑟 𝑋 , então para qualquer 𝑎 > 0,
𝑉𝑎𝑟 𝑋
𝑃 𝑋≥𝑎 ≤ 2 .
𝑉𝑎𝑟 𝑋 + 𝑎

➢ Exercício 6.13: Se o número de itens produzidos em uma fábrica durante uma

semana é uma v.a. com média 100 e variância 400, calcule um limite superior para a
probabilidade de que a produção desta semana seja de pelo menos 120 litros.

MATERIAL 6 – PROBABILIDADE I 31
Desigualdades
➢ Proposição 6.7: (Desigualdade de Jensen) Se 𝑓 𝑥 é uma função convexa, então

𝐸𝑓 𝑥 ≥𝑓 𝐸 𝑋

desde que as esperanças existam e sejam finitas.

Demonstração: Em aula.

➢ Exemplo 6.6: (i) 𝑋 2 é convexa em ℝ ⇒ 𝐸 𝑋 2 ≥ 𝐸2 𝑋

(ii) 𝑒 −𝑋 é convexa em 𝑅+ ⇒ 𝐸 𝑒 −𝑋 ≥ 𝑒 −𝐸 𝑋

1 1 1
(iii) é convexa em ℝ∗+ ⇒ 𝐸 ≥
𝑋 𝑋 𝐸 𝑋

MATERIAL 6 – PROBABILIDADE I 32
Momentos

➢ Vimos que 𝐸 𝑋 é uma medida de posição e 𝑉𝑎𝑟 𝑋 é uma medida de dispersão.

➢ Essas quantidades nos fornecem características da distribuição.

➢ Outras características podem ser obtidas por meio dos momentos.

MATERIAL 6 – PROBABILIDADE I 33
Momentos
➢ Definição 6.5: Sejam 𝑋 uma v.a. e 𝑘 ∈ ℕ.
(i) O momento (natural) de ordem 𝑘 (ou 𝑘-ésimo momento) de uma v.a. 𝑋, se existir,
é dado por
𝜇𝑘 = 𝐸 𝑋 𝑘
(ii) O momento central de ordem 𝑘 (ou 𝑘-ésimo momento central) de 𝑋, se existir, é
dado por
𝑘
𝜇𝑘𝑐 =𝐸 𝑋−𝐸 𝑋
(iii) O momento fatorial de ordem 𝑘 (ou 𝑘-ésimo momento fatorial) de 𝑋, se existir, é
dada por
𝜇(𝑘) = 𝐸 𝑋 𝑋 − 1 … 𝑋 − 𝐾 + 1 .

MATERIAL 6 – PROBABILIDADE I 34
Momentos
➢ Observação: Note que
𝜇0 = 1 𝜇0𝑐 = 1
𝜇1 = 𝐸 𝑋 = 𝜇 𝜇1𝑐 = 0
2
𝜇2 = 𝐸 𝑋 2 𝜇2𝑐 = 𝐸 𝑋−𝐸 𝑋 = 𝑉𝑎𝑟 𝑋 = 𝜎 2
𝜇2𝑐 = 𝐸 𝑋 2 − 𝐸2 𝑋 = 𝜇2 − 𝜇12
𝜇(1) = 𝐸(𝑋)
𝜇 2 =𝐸 𝑋 𝑋−1 = 𝜇2 − 𝜇1
𝜇 3 =𝐸 𝑋 𝑋−1 𝑋−2 = 𝜇3 − 3𝜇2 + 2𝜇1

MATERIAL 6 – PROBABILIDADE I 35
Momentos
➢ Considere uma v.a. com f.d.p. simétrica. Como a esperança de uma v.a. é o centro
de massa da f.d.p., assim, se a distribuição é simétrica, a esperança será o ponto de
simetria.

➢ Proposição 6.8: Seja 𝑋 uma v.a. com f.d.p. simétrica em torno de E X = 𝜇. Então,
𝐸 𝑋−𝜇 𝑘 = 0
sempre que 𝑘 for ímpar.
➢ Definição 6.6: Seja 𝑋 v.a. com 𝐸 𝑋 = 𝜇 e 𝑉𝑎𝑟 𝑋 = 𝜎 2 . O coeficiente de
assimetria de 𝑋, denotado por AS, é definido por:
𝐸 𝑋−𝜇 3
𝐴𝑆 =
𝜎3
MATERIAL 6 – PROBABILIDADE I 36
Momentos
➢ Note que o numerador do coeficiente de assimetria pode ser escrito em função
dos momentos de ordem 1, 2 e 3. Lembrando que 𝜇 = 𝐸 𝑋 = 𝜇1.

➢ Em termos do coeficiente de assimetria, temos a seguinte classificação:

𝐴𝑆 > 0 ⇒ assimetria positiva ou à direita
𝐴𝑆 = 0 ⇒ assimetria nula ou simetria
𝐴𝑆 < 0 ⇒ assimetria negativa ou à esquerda

MATERIAL 6 – PROBABILIDADE I 37
Momentos

MATERIAL 6 – PROBABILIDADE I 38
Momentos
➢ Definição 6.7: Curtose mede o quão pesadas são as caudas de uma distribuição.
Uma distribuição com curtose 3 (distribuição normal) é tomada como padrão.
𝜇4𝑐 𝜇4𝑐
𝑘 = 𝑐 2 = 4.
𝜇2 𝜎

➢ Na normal 𝑘 = 3 e costuma-se usar o coeficiente de excesso 𝑘 − 3.

Se 𝑘 − 3 > 0 ⇒ causa mais pesada

Se 𝑘 − 3 < 0 ⇒ cauda menos pesada.

MATERIAL 6 – PROBABILIDADE I 39
Momentos

MATERIAL 6 – PROBABILIDADE I 40
Função Geratriz de Momentos
➢ A função geratriz (ou geradora) de momentos (fgm) é uma função que caracteriza
a distribuição de uma variável aleatória.

➢ Definição 6.8: Seja 𝑋 uma v.a. qualquer. A função geratriz de momentos (fgm) de
𝑋, denotada por 𝑀𝑋 , é definida por
𝑀𝑋 𝑡 = 𝐸 𝑒 𝑡𝑋
desde que essa esperança exista para todo 𝑡 em alguma vizinhança de 0.

➢ Observação: A função geratriz de momentos é função de 𝑡. Para ela existir basta

que 𝐸 𝑒 𝑡𝑋 esteja bem definida em uma vizinhança de 𝑡 = 0.

MATERIAL 6 – PROBABILIDADE I 41
Função Geratriz de Momentos
σ𝑥 𝑒 𝑡𝑥 𝑝𝑋 𝑥 , 𝑠𝑒 𝑋 𝑓𝑜𝑟 𝑑𝑖𝑠𝑐𝑟𝑒𝑡𝑎
𝑀𝑋 𝑡 =
∞
‫׬‬−∞ 𝑒 𝑡𝑥 𝑓𝑋 𝑥 𝑑𝑥 , 𝑠𝑒 𝑋 𝑓𝑜𝑟 𝑐𝑜𝑛𝑡í𝑛𝑢𝑎

➢ Chamamos 𝑀𝑋 𝑡 de fgm porque todos os momentos de 𝑋 podem ser obtidos

com o cálculo sucessivo da derivada de 𝑀𝑋 𝑡 e então com sua avaliação em 𝑡 = 0,
como pode ser visto no teorema a seguir.

MATERIAL 6 – PROBABILIDADE I 42
Função Geratriz de Momentos
➢ Teorema 6.1: Se 𝑋 é variável aleatória com função geratriz de momentos 𝑀𝑋 ,
então
𝑑𝑘
𝐸 𝑋𝑘 = 𝑘 𝑀𝑋 𝑡 ቚ
𝑑𝑡 𝑡=0

ou seja, o 𝑘-ésimo momento de 𝑋 é igual a derivada de ordem 𝑘 de 𝑀𝑋 avaliada em

𝑡 = 0.
➢ Teorema 6.2: Se duas variáveis aleatórias têm funções geradoras de momentos
que existem, e são iguais, então elas têm a mesma função de distribuição.

MATERIAL 6 – PROBABILIDADE I 43
Função Geratriz de Momentos
➢ O Teorema 6.2 nos diz que, se duas variáveis aleatórias têm a mesma função
geradora de momentos, então estas variáveis aleatórias são identicamente
distribuídas.

➢ Isso significa que a função geradora de momentos, quando existe, caracteriza

completamente a distribuição de uma variável aleatória, da mesma forma que a
função de distribuição ou a f.d.p..

➢ Exercício 6.14: Seja 𝑋 uma v.a. com f.d.p. dada por

10
𝑝𝑋 𝑥 = 0,3 𝑥 0,710−𝑥 , 𝑥 = 0,1, … , 10.
𝑥
Obtenha a fgm de 𝑋 e mostre que 𝐸 𝑋 = 3.

MATERIAL 6 – PROBABILIDADE I 44
Função Geratriz de Momentos
➢ Exercício 6.15: Seja 𝑋 uma v.a. com f.d.p. dada por 𝑓𝑋 𝑥 = 𝜆𝑒 −𝜆𝑥 𝐼 0,∞ 𝑥 .
Obtenha a fgm de 𝑋 para 𝜆 = 2 e mostre que 𝐸 𝑋 = 1/2 e 𝑉𝑎𝑟 𝑋 = 1/4.

➢ Propriedades da fgm:
(P1) 𝑀𝑋 0 = 1.

(P2) Seja 𝑋 uma v.a. com fgm 𝑀𝑋 𝑡 . Se 𝑌 = 𝑎𝑋 + 𝑏, com 𝑎 e 𝑏 constantes

conhecidas, então, a fgm de 𝑌 é 𝑀𝑌 𝑡 = 𝑒 𝑏𝑡 𝑀𝑋 𝑎𝑡 .

(P3) Suponha que 𝑋1, … , 𝑋𝑛 são 𝑛 v.a.’s independentes e para 𝑖 = 1, … , 𝑛, seja

𝑀𝑋𝑖 (𝑡) a fgm de 𝑋𝑖 . Seja 𝑌 = 𝑋1 + ⋯ + 𝑋𝑛, e a fgm de 𝑌 denotada por 𝑀𝑌(𝑡).
Então, 𝑀𝑌 𝑡 = ς𝑛𝑖=1 𝑀𝑋𝑖 (𝑡).
MATERIAL 6 – PROBABILIDADE I 45
Função Geratriz de Momentos
➢ Exercício 6.16: Suponha que a fgm de 𝑋 é dada por
1
𝑀𝑋 𝑡 = , 𝑡 < 1.
1−𝑡
Se 𝑌 = 3 − 2𝑋, quem é a fgm 𝑚𝑌 𝑡 e para que valores de 𝑡 ela existe?

➢ Definição 6.9: Seja 𝑋 uma v.a.. A função geratriz de cumulantes (fgc) de 𝑋 é dada
pelo logaritmo natural da fgm, se existir, isto é,
𝑐𝑋 𝑡 = ln 𝑀𝑋 𝑡 .

➢ Sabendo 𝑐𝑋 𝑡 é possível encontrar a fgm por 𝑀𝑋 𝑡 = 𝑒 𝑐𝑋 𝑡

.

MATERIAL 6 – PROBABILIDADE I 46
Função Geratriz de Momentos
➢ Então,
𝑑 𝑀𝑋′ 𝑡
𝑐𝑋 𝑡 =
𝑑𝑡 𝑀𝑋 𝑡
2
𝑑2 𝑀𝑋′′ 𝑡 𝑀𝑋 𝑡 − 𝑀𝑋′ 𝑡
2 𝑐𝑋 𝑡 = 2
.
𝑑𝑡 𝑀𝑋 𝑡
Como 𝑀𝑋 0 = 1, temos
𝑑
𝑐𝑋 𝑡 ቚ = E(X)
𝑑𝑡 t=0
𝑑2 2 2
2 𝑐𝑋 𝑡 ቚ = 𝐸 𝑋 − 𝐸 𝑋 = 𝑉𝑎𝑟 𝑋 .
𝑑𝑡 𝑡=0

MATERIAL 6 – PROBABILIDADE I 47
Função Geratriz de Momentos
➢ Exercício 6.17: Suponha que o tempo de vida de um transistor em um circuito é
uma v.a. com f.d.p. 𝑓𝑌 𝑦 = 0,001 𝑒 −0,001𝑦 𝐼 0,∞ 𝑦 .
0,001
(a) Prove que a fgm de 𝑌 é 𝑀𝑌 𝑡 = , 𝑡 < 0,001.
0,001−𝑡

(b) Obtenha a fgc de 𝑌.

(c) Calcule 𝐸 𝑌 e 𝑉𝑎𝑟 𝑌 a partir de (b).

MATERIAL 6 – PROBABILIDADE I 48
Função Geratriz de Momentos
➢ Definição 6.10: Seja 𝑋 uma v.a.. A função geratriz de momentos fatoriais de 𝑋 é
dada por
𝜓𝑋 𝑡 = 𝐸 𝑡 𝑋 = 𝐸 𝑒 𝑋 ln 𝑡 = 𝑀𝑋 ln 𝑡 .

➢ Essa função é útil especialmente quando 𝑋 é v.a. discreta.

➢ Expandindo 𝑡 𝑥 em séries de Taylor em torno de 𝑡 = 1 temos

𝑥 𝑥−1 ȁ 𝑥−2 ȁ 𝑡−1 2
𝑡 = 1 + 𝑥𝑡 𝑡=1 𝑡−1 +𝑥 𝑥−1 𝑡 𝑡=1 2! +
𝑥−3 ȁ 𝑡−1 3
+𝑥 𝑥 − 1 𝑥 − 2 𝑡 𝑡=1 3! .

MATERIAL 6 – PROBABILIDADE I 49
Função Geratriz de Momentos
➢ Portanto,

𝐸 𝑡 𝑋 = 𝜓𝑋 𝑡
2 3
𝑡−1 𝑡−1
= 1+𝐸 𝑋 𝑡−1 +𝐸 𝑋 𝑋 −1 +𝐸 𝑋 𝑋−1 𝑋−2 +⋯
2! 3!
➢ Dessa forma é fácil ver que
𝑑
𝜓𝑋 𝑡 ቚ =𝐸 𝑋
𝑑𝑡 𝑡=1
𝑑2
𝜓 𝑡 ቚ =𝐸 𝑋 𝑋−1 = 𝐸 𝑋2 − 𝐸 𝑋
𝑑𝑡 2 𝑋 𝑡=1
𝑑3 3 2
3 𝜓𝑋 𝑡 ቚ = 𝐸 𝑋 𝑋 − 1 𝑋 − 2 = 𝐸 𝑋 − 3𝐸 𝑋 + 2𝐸 𝑋
𝑑𝑡 𝑡=1

MATERIAL 6 – PROBABILIDADE I 50
Função Geratriz de Momentos
➢ Então, 𝜓𝑋 𝑡 é chamada função geratriz de momentos fatoriais por causa da
estrutura fatorial da esperança gerada pelas derivadas avaliadas em 𝑡 = 1.

➢ Essa função é chamada também de função geratriz de probabilidade (fgp). E para

ver porque esse nome é usado assuma 𝑋 uma v.a. discreta com f.d.p. 𝑝𝑋 𝑥 para
𝑥 = 1, 2, … , 𝑛. Então,
𝑛

𝜓𝑋 𝑡 = 𝐸 𝑡 𝑋 = ෍ 𝑡 𝑥 𝑝𝑋 𝑥 = 𝑝𝑋 0 + 𝑡𝑝𝑋 1 + ⋯ + 𝑡 𝑛 𝑝𝑋 𝑛
𝑥=1
e é fácil ver que
𝑑 𝑘 𝜓𝑋 𝑡
𝑘
ቚ = 𝑘! 𝑝𝑋 𝑘 , 𝑘 = 0,1, … , 𝑛.
𝑑𝑡 𝑡=0

MATERIAL 6 – PROBABILIDADE I 51
Função Geratriz de Momentos
➢ Então, as derivadas de 𝜓𝑋 𝑡 avaliadas em 𝑡 = 0 fornece uma constante
conhecida vezes a f.d.p. de 𝑋.

➢ Exercício 6.18: Uma moeda honesta é lançada até que cara ocorra. Se 𝑊 é o
número de lançamentos necessários, a f.d.p. de 𝑊 é
1
𝑝𝑊 𝑤 = 𝑤 , 𝑤 = 1, 2, 3, …
2
(a) Obtenha a fgp de 𝑊.
𝑑 𝑘 𝜓𝑊 𝑡
(b) Mostre que ȁ𝑡=0 = 𝑘! 𝑝𝑊 𝑘 .
𝑑𝑡 𝑘
(c) Calcule 𝐸 𝑋 e 𝑉𝑎𝑟 𝑋 a partir da fgp.

MATERIAL 6 – PROBABILIDADE I 52