Probabilidade e Estatı́stica

Funções de uma Variável Aleatória

UAEst/CCT/UFCG

1 / 17
Função de Uma Variável Aleatória

Em alguns problemas que envolvem a aplicação da teoria das proba-

bilidades, surge a necessidade de expressar um determinado fenômeno
como uma função de uma ou mais variáveis aleatórias.
O fato de uma função de uma variável aleatória também ser uma va-
riável aleatória é intuitivamente aceitável.
Neste momento, passaremos ao estudo de técnicas cujo objetivo é
obter a f.p. pY ou a f.d.p. fY da “nova” v.a. Y = H(X) utilizando
respectivamente a f.p. pX ou a f.d.p fX da v.a. X.

2 / 17
Eventos Equivalentes

Seja E um experimento e seja S um espaço amostral associado a E.

Seja X uma variável aleatória definida em S. Suponha que y = H(x)
seja uma função real de x. Então, Y = H(X) é uma variável aleatória.
Definiremos RY como o contradomı́nio da variável aleatória Y , o con-
junto de todos os possı́veis valores de Y .

Seja C um evento (subconjunto) associado ao contradomı́nio RY , de

Y . Seja B ⊂ RX definido assim:

B = {x ∈ RX : H(x) ∈ C}.

Ou seja, B é o conjunto de todos os valores de X, tais que H(X) ∈ C.

Se B e C forem relacionados desse modo, os denominaremos eventos
equivalentes.

3 / 17
Probabilidade de Eventos Equivalentes

Seja X uma variável aleatória definida no espaço amostral S. Seja RX

o contradomı́nio de X. Seja H uma função real e considere a variável
aleatória Y = H(X) com contradomı́nio RY . Para qualquer evento
C ⊂ RY , definiremos P (C) como

P (C) = P ({x ∈ RX : H(x) ∈ C}) .

Ou seja, a probabilidade de um evento associado ao contradomı́nio de

Y é definida como a probabilidade do evento equivalente (em termos
de X), como indicado pela equação acima.

4 / 17
Casos Possı́veis

CASO 1: Se X é uma v.a. discreta e H é uma função real, então

Y = H(X) é uma v.a. discreta.

CASO 2: X é uma v.a. contı́nua e Y = H(X) uma v.a. discreta.

CASO 3: X é uma v.a. contı́nua e Y = H(X) uma v.a. contı́nua.

5 / 17
CASO 1: X discreta e Y = H(X) discreta

Se X é uma variável aleatória discreta e Y = H(X), nesse caso segue-

se imediatamente que Y será também uma variável aleatória discreta.

Se Y é uma variável aleatória discreta, então qual será sua distribuição

de probabilidade?

A função de probabilidade da “nova” v.a. Y , denotada por pY (y), é

dada por
X
pY (y) = P (Y = y) = pX (x), ∀y ∈ RY .
x;y=H(x)

6 / 17
CASO 1: X discreta e Y = H(X) discreta

EXEMPLO 1: Suponha que a variável aleatória X tome os três valores -1,

0 e 1, com probabilidades 1/3, 1/2 e 1/6, respectivamente.
Seja Y = 3X + 1. Obtenha a distribuição de probabilidade da “nova” v.a.
Y.

EXEMPLO 2: Admita que a v.a. X tenha a seguinte função de probabili-

dade p(x) = P (X = x) = (1/2)x , em que x = 1, 2,...
Seja 
1, se X for par,
Y = H(X) =
0, se X for ı́mpar.
Qual é a distribuição de probabilidade da “nova” v.a Y ?

7 / 17
CASO 2: X contı́nua e Y = H(X) discreta

Se X for uma v.a. contı́nua, Y = H(X) pode ser uma v.a. discreta.

EXEMPLO 3: Seja que X uma v.a. contı́nua com distribuição unifor-

me no intervalo [-5, 15]. Considere uma “nova” v.a. Y = 1 se X ≥ 0,
e Y = −1 se X < 0. Qual a distribuição de probabilidade da “nova”
v.a Y .

8 / 17
CASO 3: X contı́nua e Y = H(X) contı́nua

Este é o mais importante dos casos. Se X for uma v.a. contı́nua com
f.d.p. f e H for uma função contı́nua, então Y = H(X) será uma v.a.
contı́nua.
O objetivo será obter a f.d.p. g da v.a. Y .
O procedimento geral será:
1 Obter G, a função de distribuição acumulada (f.d.a.) de Y , na qual
G(y) = P (Y ≤ y);
2 Derivar G(y) em relação a y, a fim de obter a f.d.p. g(y);
3 Determinar aqueles valores de y no contradomı́nio de Y , para os quais
g(y) > 0.

9 / 17
CASO 3: X contı́nua e Y = H(X) contı́nua

EXEMPLO 4: Suponhamos que X tenha f.d.p.


2x se 0 < x < 1
f (x) =
0 c.c

(a) Se Y = H(X) = 3X + 1, encontre a f.d.p. de Y .

(b) Se Z = H(X) = e−X , encontre a f.d.p. de Z.

10 / 17
CASO 3: X contı́nua e Y = H(X) contı́nua

Teorema 1
Seja X uma variável aleatória contı́nua com f.d.p. f , onde f (x) > 0, para
a < x < b. Suponha-se que y = H(x) seja uma função de x estritamente
monótona (ou crescente ou decrescente). Admita-se que essa função seja
derivável (e, portanto, contı́nua) para todo x. Então a variável aleatória Y ,
definida como Y = H(X) possui a f.d.p. dada por

 dH −1 (y) 
 
−1
g(y) = f (H (y))  .
dy 

11 / 17
CASO 3: X contı́nua e Y = H(X) contı́nua

OBSERVAÇÕES:

Se y = H(x) for uma função crescente, então g(y) será não-nula para
aqueles valores de y que satisfaçam

H(a) < y < H(b).

Se y = H(x) for uma função decrescente, então g(y) será não-nula

para aqueles valores de y que satisfaçam

H(b) < y < H(a).

Se y = H(x) não for uma função monótona de x, não poderemos

aplicar diretamente o processo descrito no Teorema 1.

12 / 17
CASO 3: X contı́nua e Y = H(X) contı́nua

EXEMPLO 5: Refazer o Exemplo 4 utilizando o Teorema 1.

EXEMPLO 6: Suponha que Y = X 2 , onde X é uma variável aleatória

com f.d.p. dada por

1/2 se − 1 < x < 1
f (x) =
0 c.c

Calcule a f.d.p. de Y .

13 / 17
Aplicação

Para medir velocidades do ar, utiliza-se um tubo (conhecido como tubo

estático de Pilot), o qual permite que se meça a pressão diferencial. Esta
pressão diferencial é dada por P = (1/2)dV 2 , em que d é a densidade do
ar e V é a velocidade do vento (mph). Obtenha a f dp de P , quando V for
uma variável aleatória uniformemente distribuı́da no intervalo (10,20).

14 / 17
Exercı́cios Sugeridos
5.1 a 5.5; 5.7; 5.8; 5.11 a 5.13 (Livro Texto)

15 / 17
“Hora da chamada...”

Eleanor Roosevelt
Você precisa fazer aquilo que pensa que não é capaz de fazer.

16 / 17
Bibliografia

Probabilidade, Aplicações à Estatı́stica (2a edição). Paul L. Meyer

(1995). LTC.
Estatı́stica Básica (7a edição). Wilton O. Bussab e Pedro A. Morettin
(2011). Editora Saraiva.

17 / 17