3 Vacont PDF

UNIVERSIDADE FEDERAL FLUMINENSE
INSTITUTO DE MATEMTICA
DEPARTAMENTO DE ESTATSTICA
VARIVEIS ALEATRIAS CONTNUAS
Ana Maria Lima de Farias
Maro 2009
CONTEDO
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
41
41
41
42
42
43
43
43
44
44
3 Funes de Variveis Aleatrias Contnuas

3.1 Exemplo . . . . . . . . . . . . . . . . . . . .
3.2 Funes inversveis . . . . . . . . . . . . . .
3.2.1 Exemplo . . . . . . . . . . . . . . . .
3.2.2 Transformao linear . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
45
45
46
48
49
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
normal
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
51
51
51
52
52
52
52
53
54
54
55
59
59
59
60
61
63
63
68
69
71
71
71
72
74
75
2.4
2.5
Contedo
1 Variveis Aleatrias Contnuas
1.1 Noes bsicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2 Varivel aleatria contnua . . . . . . . . . . . . . . . . . . . . . . . . .
1.3 Funo de densidade de probabilidade . . . . . . . . . . . . . . . . . .
1.4 Funo de distribuio acumulada . . . . . . . . . . . . . . . . . . . .
1.5 Esperana de variveis aleatrias contnuas . . . . . . . . . . . . . . .
1.5.1 Esperana de funes de variveis aleatrias contnuas . . . . .
1.6 Varincia de variveis aleatrias contnuas . . . . . . . . . . . . . . . .
1.7 Propriedades da mdia e da varincia de variveis aleatrias contnuas
1.8 Exemplo 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.9 Exemplo 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.10 Exemplo 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.11 Exerccios resolvidos . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.12 Exerccios propostos . . . . . . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
3
3
5
5
7
8
9
9
10
10
14
17
21
25
2 Algumas Distribuies Contnuas

2.1 Distribuio uniforme . . . . . . . . . . . . . . . . .
2.1.1 Funo de distribuio acumulada . . . . . .
2.1.2 Esperana . . . . . . . . . . . . . . . . . . . .
2.1.3 Varincia . . . . . . . . . . . . . . . . . . . .
2.1.4 Exerccios propostos . . . . . . . . . . . . . .
2.2 Distribuio exponencial . . . . . . . . . . . . . . . .
2.2.2 Alguns resultados sobre a funo exponencial
2.2.3 Esperana . . . . . . . . . . . . . . . . . . . .
2.2.4 Varincia . . . . . . . . . . . . . . . . . . . .
2.2.5 Parametrizao alternativa . . . . . . . . . .
2.2.6 Exerccios resolvidos . . . . . . . . . . . . . .
2.2.7 Exerccios propostos . . . . . . . . . . . . . .
2.3 Distribuio gama . . . . . . . . . . . . . . . . . . .
2.3.1 A funo gama . . . . . . . . . . . . . . . . .
2.3.2 A distribuio gama . . . . . . . . . . . . . .
2.3.3 O grco da distribuio gama . . . . . . . .
2.3.4 Esperana . . . . . . . . . . . . . . . . . . . .
2.3.5 Varincia . . . . . . . . . . . . . . . . . . . .
2.3.7 A distribuio de Erlang . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
26
26
27
28
28
28
29
30
30
31
32
32
33
33
34
34
35
35
39
40
41
41
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
2.3.8 A distribuio qui-quadrado . . . .

Distribuio de Weibull . . . . . . . . . .
2.4.1 Denio . . . . . . . . . . . . . .
2.4.2 Esperana e varincia . . . . . . .
2.4.3 Funo de distribuio acumulada
Distribuio de Pareto . . . . . . . . . . .
2.5.1 Denio . . . . . . . . . . . . . .
2.5.2 Esperana . . . . . . . . . . . . . .
2.5.3 Varincia . . . . . . . . . . . . . .
2.5.4 Funo de distribuio acumulada
4 A Distribuio Normal
4.1 Alguns resultados de Clculo . . . . . . . . . . .
4.1.1 Exerccio resolvido . . . . . . . . . . . . .
4.2 Densidade normal padro . . . . . . . . . . . . .
4.2.1 Denio . . . . . . . . . . . . . . . . . .
4.2.2 Esperana . . . . . . . . . . . . . . . . . .
4.2.3 Varincia . . . . . . . . . . . . . . . . . .
4.2.4 Caractersticas da curva normal padro .
4.2.5 Funo de distribuio acumulada . . . .
4.2.6 Tabulao da distribuio normal padro
4.2.7 Exemplos . . . . . . . . . . . . . . . . . .
4.3 Densidade Q (; 2 ) . . . . . . . . . . . . . . . . .
4.3.1 Denio . . . . . . . . . . . . . . . . . .
4.3.2 Caractersticas dacurva normal . . . . . .
4.3.3 Parmetros da Q ; 2 . . . . . . . . . .
4.3.4 Funo de dsitribuio acumulada . . . .
4.3.5 Clculo de probabilidades de uma varivel
4.3.6 Exemplos . . . . . . . . . . . . . . . . . .
4.4 Exemplo: qui-quadrado e normal . . . . . . . . .
4.4.1 Tabela da qui-quadrado . . . . . . . . . .
4.4.2 Exemplos . . . . . . . . . . . . . . . . . .
4.5 A distribuio log-normal . . . . . . . . . . . . .
4.5.1 Denio . . . . . . . . . . . . . . . . . .
4.5.2 Esperana . . . . . . . . . . . . . . . . . .
4.5.3 Varincia . . . . . . . . . . . . . . . . . .
4.6 Exerccios propostos . . . . . . . . . . . . . . . .
CAPTULO 1. VARIVEIS ALEATRIAS CONTNUAS
Captulo 1
Variveis Aleatrias Contnuas

1.1
Noes bsicas
No estudo das distribuies de frequncia para variveis quantitativas contnuas, vimos

que, para resumir os dados, era necessrio agrupar os valores em classes. O histograma e
o polgono de frequncias eram os grcos apropriados para representar tal distribuio.
Para apresentar os conceitos bsicos relativos s variveis aleatrias contnuas, vamos
considerar os histogramas e respectivos polgonos de frequncia apresentados na Figura
1.1. Esses grcos representam as distribuies de frequncias de um mesmo conjunto
de dados, cada uma com um nmero de classes diferente no histograma superior, h
menos classes do que no histograma inferior. Suponhamos, tambm que as reas de cada
retngulo sejam iguais s frequncias relativas das respectivas classes (essa a denio
mais precisa de um histograma). Por resultados vistos anteriormente, sabemos que a
soma das reas dos retngulos 1 (as frequncias relativas devem somar 1 ou 100%) e
que cada frequncia relativa uma aproximao para a probabilidade de um elemento
pertencer respectiva classe.
Analisando atentamente os dois grcos, podemos ver o seguinte: medida que
aumentamos o nmero de classes, diminui a diferena entre a rea total dos retngulos
e a rea abaixo do polgono de frequncia.
A diviso em classes se fez pelo simples motivo de que uma varivel contnua pode
assumir um nmero no-enumervel de valores. Faz sentido, ento, pensarmos em reduzir, cada vez mais, o comprimento de classe , at a situao limite em que 0=
Nessa situao limite, o polgono de frequncias se transforma em uma curva na parte
positiva (ou no-negativa) do eixo vertical, tal que a rea sob ela igual a 1. Essa curva
ser chamada curva de densidade de probabilidade.
Considere, agora, a Figura 1.2, onde ilustramos um fato visto anteriormente: para
estimar a frequncia de valores da distribuio entre os pontos d e e, podemos usar a
rea dos retngulos sombreados de cinza claro.
Conforme ilustrado na Figura 1.3, a diferena entre essa rea e a rea sob o polgono de frequncias tende a diminuir, medida que aumenta-se o nmero de classes.
Essa diferena a parte sombreada de cinza mais escuro. Isso nos permite concluir,
intuitivamente, o seguinte: no limite, quando 0> podemos estimar a probabilidade
de a varivel de interesse estar entre dois valores d e e pela rea sob a curva de densidade
de probabilidade, delimitada pelos pontos d e e.
Figura 1.1: Histogramas de uma varivel contnua com diferentes nmeros de classes
Figura 1.2: Clculo da freqncia entre dois pontos d e e

3
i ({) 0
A rea total sob o grco de i ({) igual a 1.
Dada uma funo i ({) satisfazendo as propriedades acima, ento i ({) representa
alguma varivel aleatria contnua [, de modo que S (d [ e) a rea sob a
curva limitada pelos pontos d e e (veja a Figura 1.4).
Figura 1.3: Diferena entre as reas dos retngulos e a rea sob o polgono de freqncia
1.2
Apresentamos, mais uma vez, o conceito de varivel aleatria, que j foi visto no estudo das variveis discretas, por ser este um conceito muito importante. Relembramos
tambm as denies de variveis aleatrias discretas e contnuas.
Denio 1.1 Uma varivel aleatria uma funo real (isto , que assume valores
em R) denida no espao amostral de um experimento aletario. Dito de outra forma,
uma varivel aleatria uma funo que associa a cada evento de um nmero real.
Denio 1.2 Uma varivel aleatria discreta se sua imagem (ou conjunto de valores que ela assume) for um conjunto nito ou enumervel. Se a imagem for um conjunto
no enumervel, dizemos que a varivel aleatria contnua.
1.3
Figura 1.4: Probabilidade como rea
Varivel aleatria contnua
Funo de densidade de probabilidade
Os valores de uma varivel aleatria contnua so denidos a partir do espao amostral

de um experimento aleatrio. Sendo assim, natural o interesse na probabilidade de
obteno de diferentes valores dessa varivel. O comportamento probabilstico de uma
varivel aleatria contnua ser descrito pela sua funo de densidade de probabilidade.
Inicialmente apresentamos a denio da funo de densidade de probabilidade utilizando a noo de rea, para seguir a apresentao inicial que considerou um histograma
de uma varivel contnua.
Denio 1.3 Uma funo de densidade de probabilidade uma funo i ({) que
satisfaz as seguintes propriedades:
A denio acima usa argumentos geomtricos; no entanto, uma denio mais precisa envolve o conceito de integral de uma funo de uma varivel, que, como se sabe,
representa a rea sob o grco da funo.
Denio 1.4 Uma funo de densidade de probabilidade uma funo i ({) que
satisfaz as seguintes propriedades:
i ({) 0
R
i ({)g{ = 1
Dada uma funo i ({) satisfazendo as propriedades acima, ento i ({) representa
alguma varivel aleatria contnua [, de modo que
Z e
i ({)g{
S (d [ e) =
d
Para deixar clara a relao entre a funo de densidade de probabilidade e a respectiva varivel aleatria [, usaremos a notao i[ ({)=
Uma primeira observao importante que resulta da interpretao geomtrica de
probabilidade como rea sob a curva de densidade de probabilidade a seguinte: se [
uma varivel aleatria contnua, ento a probabilidade do evento [ = d zero, ou
seja, a probabilidade de [ ser exatamente igual a um valor especco nula. Isso pode
ser visto na Figura 1.4: o evento {[ = d} corresponde a um segmento de reta e tal
segmento tem rea nula. Como consequncia, temos as seguintes igualdades:
Pr(d [ e) = Pr(d [ ? e) = Pr(d ? [ e) = Pr(d ? [ ? e)
1.4
Funo de distribuio acumulada
Da mesma forma que a funo de distribuio de probabilidade de uma varivel aleatria

discreta, a funo de densidade de probabilidade nos d toda a informao sobre a
varivel aleatria contnua [> ou seja, a partir da funo de densidade de probabilidade, podemos calcular qualquer probabilidade associada varivel aleatria [= Tambm como no caso discreto, podemos calcular probabilidades associadas a uma varivel
aleatria contnua [ a partir da funo de distribuio acumulada (tambm denominada
simplesmente funo de distribuio).
Denio 1.5 Dada uma varivel aleatria [> a funo de distribuio acumulada de [ denida por
I[ ({) = Pr ([ {)
{ R
(1.1)
A denio a mesma vista para o caso discreto; a diferena que, para variveis
contnuas, a funo de distribuio acumulada uma funo contnua, sem saltos. Veja
a Figura ?? para um exemplo.
Figura 1.6: Funo de distribuio acumulada - clculo a partir da rea sob a curva de
densidade
Da interpretao de probabilidade como rea, resulta que I[ ({) a rea esquerda
de { sob a curva de densidade i[ = Veja a Figura 1.6.
Existe uma relao entre a funo de densidade de probabilidade e a funo de
distribuio acumulada, que resultante do Teorema Fundamental do Clculo.
Por denio, temos o seguinte resultado:
R{
(1.6)
I[ ({) = Pr([ {) = i[ (x)gx
e do Teorema Fundamental do Clculo resulta que
g
I[ ({)
(1.7)
g{
isto , a funo de densidade de probabilidade a derivada da funo de distribuio
acumulada.
i[ ({) =
Figura 1.5: Exemplo de funo de distribuio acumulada de uma varivel aleatria

contnua
Como no caso discreto, valem as seguintes propriedades para a funo de distribuio
acumulada de uma varivel aleatria contnua:
0 I[ ({) 1
(1.2)
lim I[ ({) = 1
(1.3)
lim I[ ({) = 0
(1.4)
{
{
d ? e I[ (d) I[ (e)
(1.5)
1.5
Esperana de variveis aleatrias contnuas
Nas distribuies de frequncias agrupadas em classes de variveis quantitativas contnuas, vimos que a mdia podia ser calculada como
P
{ = il {l
onde il era a frequncia relativa da classe l e {l era o ponto mdio da classe l= Continuando com a idia inicial de tomar classes de comprimento cada vez menor, isto ,
fazendo 0> chegamos seguinte denio de esperana ou mdia de uma varivel
aleatria contnua.
Denio 1.6 Seja [ uma varivel aleatria contnua com funo de densidade de
probabilidade i[ = A esperana (ou mdia ou valor esperado) de [ denida como
Z +
{i[ ({)g{
(1.8)
H([) =
1.5.1
1.7
Esperana de funes de variveis aleatrias contnuas
Se [ uma varivel aleatria contnua e k : R R uma funo qualquer, ento

\ = k([) uma varivel aleatria e sua esperana dada por
Z +
k({)i[ ({)g{
(1.9)
H(k([)) =
10
Propriedades da mdia e da varincia de variveis aleatrias

contnuas
As mesmas propriedades vistas para variveis aleatrias discretas continuam valendo no

caso contnuo:
1.6
Varincia de variveis aleatrias contnuas
Esperana
H(d) = d
H([ + d) = H([) + d
H(e[) = eH([)
{min H([) {max
Vimos tambm que a varincia, uma medida de disperso, era calculada como a mdia
dos desvios quadrticos em torno da mdia, ou seja
P
2 = il ({l {)2
No caso de uma varivel aleatria contnua, fazendo k({) = [{ H([)]2 > resulta novamente a denio de varincia como mdia dos desvios quadrticos:
Denio 1.7 Seja [ uma varivel aleatria contnua com funo de densidade de
probabilidade i[ = A varincia de [ denida como
Z +
[{ H([)]2 i[ ({)g{
(1.10)
Y du([) =
O desvio padro denido como

GS ([) =
p
Y du([)
Se denimos k({) = {2 > a primeira integral nada mais que H([ 2 )> pelo resultado
(1.9). A segunda integral H([) = e a terceira integral igual a 1, pela denio de
funo de densidade. Logo,
Y du([) = H([ 2 ) 22 + 2 = H([ 2 ) 2
Usando este resultado e a denio de varincia, temos que
Var (e[) = H (e[)2 [H(e[)]2

= H(e2 [ 2 ) [eH([)]2
= e2 H([ 2 ) e2 [H([)]2
n
o
= e2 H([ 2 ) [H([)]2
= e2 Y du([)
Se interpretamos a funo de densidade de probabilidade de [ como uma distribuio
de massa na reta real, ento H([) o centro de massa desta distribuio. Essa interpretao nos permite concluir, por exemplo, que se i[ simtrica, ento H([) o valor
central, que dene o eixo de simetria.
1.8
Exemplo 1
Considere a funo i[ apresentada na Figura 1.7.

1. Encontre o valor de n para que i[ seja uma funo de densidade de probabilidade
de uma varivel aleatria [ .
o que nos leva ao resultado j visto para variveis discretas:

Y du([) = H([ 2 ) [H([)]2
Desvio Padro
GS (d) = 0
GS ([ + d) = GS ([)
GS (e[) = |e| GS ([)
GS ([) 0
Esses resultados podem ser facilmente demonstrados a partir das propriedades da

integral denida e das denies vistas. Por exemplo, vamos demonstrar que H(e[) =
eH([) e Var (e[) = e2 Var ([) = Por denio, temos que
Z
Z
H(e[) = e{i[ ({)g{ = e {i[ ({)g{ = eH([)
(1.11)
Usando as propriedades do clculo integral e representando por a esperana de [

(note que uma constante, um nmero real), temos que:
R +
2
Y du([) =
[{ ] i[ ({)g{
R + 2
2
=
{ 2{ + i[ ({)g{
R
R +
R + 2
2 +
=
{ i[ ({)g{ 2 {i[ ({)g{ +
i[ ({)g{
Varincia
Y du (d) = 0
Y du ([ + d) = Y du ([)
Y du (e[) = e2 Y du ([)
Y du([) 0
(1.12)
De forma resumida: a varincia a esperana do quadrado de [ menos o quadrado da

esperana de [.
2. Determine a equao que dene i[ =

3. Calcule Pr(2 [ 3)=
4. Calcule a esperana e a varincia de [=
5. Determine o valor de n tal que Pr([ n) = 0> 6=
11
Figura 1.7: Funo de densidade de probabilidade para o Exemplo 1

6. Encontre a funo de distribuio acumulada de [.
Soluo
1. A funo dada corresponde a uma funo constante, i[ ({) = n= Como a rea sob
a reta tem que ser 1, temos que ter
1 = (5 1) n n =
ou
5
1
i[ ({) =

1
4
se 1 { 5
caso contrrio
ou
Z
Pr(2 [ 3) =
3
2
1
1
=
4
4
1
1
g{ =
4
4
4. Por argumentos de simetria, a esperana o ponto mdio, ou seja, H([) = 3=

Usando a denio, temos:
5 !
Z 5
1 {2
1
1
{g{ =
= (25 1) = 3
H([) =
4
2 1
8
1 4
Para o clculo da varincia, temos que calcular H([ 2 ) :
5
Z 5
1 2
124
31
1 {3
1
{ g{ =
(125 1) =
=
=
H([ 2 ) =
4 3 1 12
12
3
1 4
e
Y du([) =
Figura 1.8: Clculo de Pr(2 [ 3) para o Exemplo 1

5. Como a densidade simtrica, a mdia e a mediana coincidem, ou seja, o ponto
{ = 3 divide a rea ao meio. Como temos que Pr([ n) = 0> 6> resulta que n
tem que ser maior que 3, uma vez que abaixo de 3 temos rea igual a 0,5. Veja a
Figura 1.9.
1
4
3. A probabilidade pedida a rea sombreada na Figura 1.8. Logo,

Pr(2 [ 3) = (3 2)
12
1
4
ng{ = 1 = n {|51 = 1 = n(5 1) = 1 n =
2. Temos que
4
31 27
31
32 =
=
3
3
3
Figura 1.9: Clculo de n tal que Pr([ n) = 0> 6 para o Exemplo 1

Temos que ter
0> 6 = (n 1)
1
n = 3> 4
4
Usando integral, temos ter

Z n
1
1
g{ = 0> 6 = (n 1) = 0> 6 n = 3> 4
4
1 4
6. Para { ? 1> temos que I[ ({) = 0 e para { A 5> temos que I[ ({) = 1= Para
1 { 5> I[ ({) a rea de um retngulo de base ({ 1) e altura 1@4 (veja a
Figura 1.10). Logo,
{1
I[ ({) =
4
e a expresso completa de I[
I[ ({) =

0
{1
4
se { ? 1
se 1 { 5
se { A 5
cujo grco est ilustrado na Figura 1.11.
13
1.9
14
Exemplo 2

Figura 1.10: Clculo de I[ para o Exemplo 1
1. Encontre o valor de n para que i[ seja uma funo de densidade de probabilidade

de uma varivel aleatria contnua [ .
4. Encontre a funo de distribuio acumulada de [=
6. Calcule a esperana e a varincia de [=
Soluo
1. Podemos decompor a rea sob a reta como a rea de um tringulo e a rea de um
retngulo (na verdade, o resultado a rea de um trapzio - veja a Figura 1.13).
Ento, temos que ter
1
1 = (6 1) 0> 1 + (6 1) (n 0> 1)
2
5
(n 0> 1) n = 0> 3
0> 5 =
2
Figura 1.11: Funo de distribuio acumulada para o Exemplo 1
2. i[ uma funo linear i[ ({) = d + e{ que passa pelos pontos (1; 0> 1) e (6; 0> 3)>
resultando, portanto, o seguinte sistema de equaes:
0> 1 = d + e
0> 3 = d + 6e
Subtraindo a primeira equao da segunda, obtemos
0> 3 0> 1 = 5e e = 0> 04
15

Logo,
(0> 06 + 0> 04{) + 0> 1
({ 1)
2
= (0> 08 + 0> 02{)({ 1)
I[ ({) =
ou seja,

0
0> 02{2 + 0> 06{ 0> 08
I[ ({) =

1
se { ? 1
se 1 { 6
se { A 6
Figura 1.13: Clculo de n para o Exemplo 2

Substituindo este valor na primeira equao, obtemos que d = 0> 1 0> 04 = 0> 06=
Logo,
0> 06 + 0> 04{ se 1 { 6

i[ ({) =
0
caso contrrio
3. Veja a Figura 1.14, em que a rea sobreada corresponde probabilidade pedida.
Vemos que essa rea a rea de um trapzio de altura 32 = 1> base maior igual a
i[ (3) = 0> 06+0> 043 = 0> 18 e base menor igual a i (2) = 0> 06+0> 042 = 0> 14=
Logo,
0> 18 + 0> 14
1 = 0> 16
Pr(2 [ 3) =
2
Figura 1.15: Clculo da funo de distribuio acumulada para o Exemplo 2

Usando integral, temos que
{
Z {
0> 04w2
I ({) =
(0> 06 + 0> 04w)gw = 0> 06w +
2
1
1
= 0> 06{ + 0> 02{2 (0> 06 + 0> 02)

= 0> 02{2 + 0> 06{ 0> 08
1{6
5. Queremos determinar n tal que I[ (n) = 0> 6= Logo,

0> 6 = 0> 02n2 + 0> 06n 0> 08
0> 02n2 + 0> 06n 0> 68 = 0
n 2 + 3n 34 = 0

3 9 + 4 34
n =
2
Figura 1.14: Clculo de Pr(2 [ 3) para o Exemplo 2
Usando integral, temos:
3
0> 04{2
(0> 06 + 0> 04{)g{ = 0> 06{ +
Pr(2 [ 3) =
=
2
2
2
= 0> 06 (3 2) + 0> 02 (9 4) = 0> 06 + 0> 1 = 0> 16
Z
4. Veja a Figura 1.15; a podemos ver que, para { [1> 6]> I[ ({) a rea de um
trapzio de altura {1; base maior igual a i[ ({) e base menor igual a i[ (1) = 0> 1=
A raiz que fornece resultado dentro do domnio de variao de [

3 + 9 + 4 34
4> 5208
n=
2
6. Temos que
{3
{2
{ (0> 06 + 0> 04{) g{ = 0> 06 + 0> 04
2
3
1

1
0> 04
63
0> 03 1 +
=
0> 03 36 + 0> 04
3
3
0> 04
11> 75
=
= 1> 08 + 2> 88 0> 03
3
3
H([) =
16
17
6
Z 6
{4
{3
H([ 2 ) =
{2 (0> 06 + 0> 04{) g{ = 0> 06 + 0> 04
3
4 1
1
= (0> 02 216 + 0> 01 1296) (0> 02 + 0> 01)
das retas, basta substituir as coordenadas dos dois pontos e resolver o sistema.
Para a primeira reta temos o seguinte sistema:
0 = d+e0
1
= d+e2
2
= 4> 32 + 12> 96 0> 03 = 17> 25
Y du([) = 17> 25
1.10
11> 75
3
17> 1875
155> 25 138> 0625
=
9
9
Exemplo 3
18
Da primeira equao resulta que d = 0 ( o ponto onde a reta cruza o eixo |) e

substituindo esse valor de d na segunda equao, resulta que e = 14 =
Para a segunda reta, temos o seguinte sistema:
0 = d+e4
1
= d+e2
2
Subtraindo a segunda equao da primeira, resulta
0
1
1
= (d d) + (4e 2e) e =
2
4
Substituindo na primeira equao, encontramos que d = 1=

1. Encontre o valor de k para que i[ seja uma funo de densidade de probabilidade
de uma varivel aleatria [ (note que o tringulo issceles!).
4. Calcule H([) e Y du([)=
5. Encontre a funo de distribuio acumulada de [
Combinando essas duas equaes, obtemos a seguinte expresso para i[ :

{
se 0 { ? 2

4

i[ ({) =
1 {4 se 2 { 4

0
se { ? 0 ou { A 4
3. A probabilidade pedida a rea sombreada em cinza claro na Figura 1.17. Os dois
tringulos sombreados de cinza escuro tm a mesma rea, por causa da simetria.
Assim, podemos calcular a probabilidade usando a regra do complementar, uma
vez que a rea total 1. A altura dos dois tringulos 14 ; basta substituir o valor
de { = 1 na primeira equao e o valor de { = 3 na segunda equao. Logo, a
rea de cada um dos tringulos 12 1 14 = 18 e, portanto,
Pr(1 [ 3) = 1 2
6
3
1
= =
8
8
4
Usando integral, temos

Soluo
Z 3
{
{
1
g{ +
g{
4
1 4
2
2 2
3
2
{
1 {
+ {
4 2 1
8 2

9
4
1
(4 1) + 3
2
8
8
8
3 15 12
6
3
+

= =
8
8
8
8
4
Z
1. Como a rea tem que ser 1, temos que ter

1=
1
1
(4 0) k k =
2
2
2. A funo i[ dada por 2 equaes de reta. A primeira uma reta de inclinao

1
positiva que passa pelos pontos (0>
0) e 2> 2 = A segunda uma reta de inclinao
negativa, que passa pelos pontos 2> 12 e (4> 0)= Para achar a equao de cada uma
Pr(1 [ 3) =
=
=
=
19
20
Figura 1.17: Ilustrao do clculo de Pr(1 [ 3)

4. Como a funo simtrica, resulta que H([) = 2=
Z 4
Z 2 3
{
{
g{ +
{2 1
H([ 2 ) =
g{
4
4
0
2
4 2 3
4
{4
{
{

+
=
16 0
3
16 2

8 16
16
64 256

0 +

=
16
3
16
3 16
8
64
16 + 1
= 1+
3
3
56
14
14 =
=
3
3
Y du([) =
Veja a Figura 1.19; para 0 { ? 2> o grco de I[ uma parbola cncava

para cima; para 2 { 4> o grco de I[ uma parbola cncava para baixo.
1,2
1,0
0,8
0,6
0,4
2
14
4=
3
3
5. Assim como a funo de densidade de probabilidade, a funo de distribuio

acumulada ser denida por 2 equaes: uma para os valores de { no intervalo
[0> 2) e outra para valores de { no intervalo [2> 4]= Para { [0> 2) temos que I[ ({)
a rea do tringulo sombreado na Figura 1.18(a) e para { [2> 4]> a rea
sombreada na parte (b). e essa rea pode ser calculada pela lei do complementar.
Logo,
Figura 1.18: Clculo da funo de distribuio acumulada do Exemplo 3
{
1
I[ ({) = ({ 0)
2
4
{ [0> 2)
Para { [2> 4]> temos que
{
1
I[ ({) = 1 (4 {) 1
2
4
Combinando os resultados obtidos, resulta a seguinte expresso para I[ :

0
se { ? 0

1 {2
se 0 { ? 2
8
I[ ({) =
1 18 (4 {)2 se 2 { 4

1
se { A 4
0,2
0,0
-1
Figura 1.19: Funo de distribuio acumulada do Exemplo 3

6. Queremos determinar n tal que I (n) = 0> 6= Como I (2) = 0> 5> resulta que n A 2=
Substituindo na expresso de I ({)> temos que ter
1
(4 n)2
8
1
16 8n + n 2
1
8
n2
12+n
8
n2
n + 1> 6
8
n 2 8n + 12> 8
1
= 0> 6 =
= 0> 6 =
= 0> 6 =
= 0 =
= 0 =

8 12> 8
8 64 4 12> 8
=
n =
2
2
21
A raiz que fornece resultado dentro do domnio de denio de [

8 12> 8
2> 21
n=
2
1.11
Exerccios resolvidos
1. Considere a seguinte funo:
N(2 {) se 0 { 1
j({) =
0
se { ? 0 ou { A 1
(a) Esboce o grco de j({)=
Soluo
Veja a Figura 1.20. Note que j(0) = 2N e j(1) = N=
22
(d) Calcule os quartis da distribuio.

Soluo
Se T1 > T2 e T3 so os trs quartis, ento I (T1 ) = 0> 25; I (T2 ) = 0> 5;
I (T3 ) = 0> 75=
4
1
1
I[ (T1 ) = 0> 25 T1 T21 = 16T1 4T21 = 3
3
3
4
4T21 16T1 + 3 = 0 T21 4T1 + 0> 75 = 0

4 13
4 16 4 0> 75
=
T1 =
2
2
A raiz que fornece soluo no intervalo (0> 1)> que odomnio de [>

4 13
0> 19722
T1 =
2
4
1
1
I[ (T2 ) = 0> 5 T2 T22 = 8T2 2T22 = 3
3
3
2
2T22 8T2 + 3 = 0 T22 4T2 + 1> 5 = 0

4 10
4 16 4 1> 5
=
T2 =
2
2
Figura 1.20: Soluo do Exerccio 1

(b) Encontre o valor de N para que j({) seja uma funo de densidade de probabilidade.
Soluo
Temos que ter N A 0 para garantir a condio j({) 0= E tambm
Z1
N(2 {)g{ = 1 =
0
{2
2N{ N
= 1 =
2 0
3N
2
N
= 1 =
= 1 = N =
2
2
3
(c) Encontre a funo de distribuio acumulada.
Soluo
Por denio, I ({) = Pr([ {)= Portanto, para 0 { 1 temos que
{
Z {
w2
2
4{ {2
2
2w
(2 w)gw =

=
I ({) =
3
2 0
3
3
0 3
2N
e a expresso completa de I ({)

0
4
I[ ({) =
{ 13 {2
3
1
se { ? 0
se 0 { 1
se { A 1
A raiz que fornece soluo no domnio de [

4 10
0> 41886
T2 =
2
4
1
3
I[ (T3 ) = 0> 75 T3 T23 = 16T3 4T23 = 9
3
3
4
9
4T23 16T3 + 9 = 0 T23 4T3 + = 0
4

4 7
4 16 4 2=25
=
T3 =
2
2
A raiz que fornece soluo no domnio de [

4 7
0> 67712
T3 =
2
2. (Bussab&Morettin) A demanda diria de arroz num supermercado, em centenas
de quilos, uma varivel aleatria com funo de densidade de probabilidade
2
se 0 { ? 1
3{
{ + 1 se 1 { ? 3
i ({) =
3
0
se { ? 0 ou { A 3
23
24
Figura 1.21: Soluo do Exerccio 2 - Pr([ 1> 5)

(a) Qual a probabilidade de se vender mais de 150 kg num dia escolhido ao
acaso?
Soluo
Seja [ a varivel aleatria que representa a demanda diria de arroz, em
centenas de quilos. Veja a Figura 1.21, onde a rea sombreada corresponde
probabilidade pedida. Nesse tringulo, a base 3 1> 5 = 1> 5 e a altura
i (1> 5) = 1>5
3 + 1= Logo,
Pr([ 1> 5) =
1 3 1
3
1
1> 5 0> 5 = = = 0> 375
2
2 2 2
8
ou
2
3

{
1> 52
3
+ 1> 5
+ 1 g{ = + { = + 3
3
6
6
6
1>5
1>5
9 6> 75
2> 25

=
= 0> 375
6
6
6
Z
Pr([ 1> 5) =
=
(b) Qual a quantidade de arroz que deve ser deixada disposio dos clientes
diariamente para que no falte arroz em 95% dos dias?
Soluo
Seja n o valor a estocar. Para que a demanda seja atendida, necessrio que
a quantidade demandada seja menor que a quantidade em estoque. Logo,
queremos encontrar o valor de n tal que Pr([ n) = 0> 95=
Como Pr([ 1) = 13 > n tem que ser maior que 1, ou seja, n est no tringulo
superior (veja a Figura 1.22).
Mas Pr([ n) = 0> 95 equivalente a Pr([ A n) = 0> 05= Logo,
n
1
(3 n) + 1
0> 05 =
2
3
n + 3

0> 1 = (3 n)
3
0> 3 = 9 6n + n 2
n2 6n + 8> 7 = 0

6 36 4 8=7
n =
2
Figura 1.22: Soluo do Exerccio 2-b

A raiz que d a soluo dentro do domnio de [

6 36 4 8=7
= 2> 45 centenas de quilos
n=
2
Usando integrao:
2
3
Z 3
{
{
Pr([ A n) = 0> 05 =
+ 1 g{ = 0> 05 = + { = 0> 05 =
3
6
n
n
2
2
n
n2
9
3
2
= 0> 05 =
n + 0> 05 = 0 = n 6n + 8> 7 = 0
+3 +n
6
6
6
6
mesma equao obtida anteriormente.
3. Seja [ uma varivel aleatria com funo de densidade de probabilidade dada por
2{ se 0 { 1
i[ ({) =
0
caso contrrio
1 1
2
Calcule Pr [ 2 3 [ 3
Soluo
Pr(D E)
= Assim,
Pr(E)

Pr [ 12 13 [ 23
2
1 1
1
=
Pr [ [
2
2 3
3
Pr 3 [ 3
Pr 13 [ 12
1
=
2
Pr 3 [ 3
Z 1@2
1@2
2{g{
{2 1@3
1@3
=
= Z 2@3
2@3
{2 |1@3
2{g{
Sabemos que Pr(D|E) =
1
4
4
9
1@3
1
9
1
9

5
36
3
9
5
12
1.12
25
Exerccios propostos
1. A funo de densidade i de uma varivel aleatria [ dada pela funo cujo

grco se encontra na Figura 1.23.
Captulo 2
Algumas Distribuies Contnuas

2.1
Figura 1.23: Funo de densidade para o Exerccio Proposto 1
Distribuio uniforme
Uma varivel aleatria contnua [ tem distribuio uniforme no intervalo [d> e] (nito)
se sua funo de densidade constante nesse intervalo, ou seja, temos que ter
i ({) = n
(a) Encontre a expresso de i=

(b) Calcule Pr([ A 2)= (Resp: 1@4)
(c) Determine p tal que Pr([ A p) = 1@8= (Resp.: p = 4

2)
{ [d> e]
Ento, o grco da funo de densidade de probabilidade de [ como o ilustrado na

Figura 2.1:
(d) Calcule a esperana e a varincia de [= (Resp.: H([) = 4@3; H([ 2 ) = 8@3)

(e) Calcule a funo de distribuio acumulada e esboce seu grco.
2. O dimetro de um cabo eltrico uma varivel aleatria contnua com funo de
densidade dada por
n(2{ {2 ) se 0 { 1
i ({) =
0
caso contrrio
(a) Determine o valor de n=(Resp.: n = 3@2)
(b) Calcule H([) e Var({)= (Resp.: 5@8; 19@320)
(c) Calcule Pr(0 [ 1@2)= (Resp.: 5@16)
3. Uma varivel aleatria [ tem funo de densidade dada por
6{(1 {) se 0 { 1
i ({) =
0
caso contrrio
Se = H([) e 2 = Y du([)> calcule Pr( 2 ? [ ? + 2)=(Resp.: 0> 9793)
4. Uma varivel aleatria [ tem funo de

0
I ({) =
{5

1
distribuio acumulada I dada por

se { 0
se 0 ? { ? 1
se { 1
Calcule H([) e Y du({)= (Resp.: 5@6; 5@252)
Figura 2.1: Densidade uniforme no intervalo [d> e]

Para que tal funo seja uma funo de densidade de probabilidade, temos que ter
n A 0 e a rea do retngulo tem que ser 1, ou seja,
(e d) n = 1 n =
1
ed
Logo, a funo de densidade de uma varivel aleatria uniforme no intervalo [d> e]

dada por
1
se { [d> e]
(2.1)
i ({) =
ed
Os valores d e e so chamados parmetros da distribuio uniforme; note que ambos
tm que ser nitos para que a integral seja igual a 1. Quando d = 0 e e = 1 temos a
uniforme padro, denotada por U(0> 1)=
26
CAPTULO 2. ALGUMAS DISTRIBUIES CONTNUAS
2.1.1
27
2.1.2
Por denio, temos que
28
Esperana
Das propriedades da esperana e das caractersticas da densidade uniforme, sabemos

que H([) o ponto mdio do intervalo [d> e], ou seja,
I ({) = Pr ([ {)
e essa probabilidade dada pela rea sob a curva de densidade esquerda de {> conforme
ilustrado na Figura 2.2.
H([) = d +
d+e
ed
=
2
2
Usando a integral:
Z
H ([) =
e
d
e
1 {2
(e d) (d + e)
1
e2 d2
g{ =
=
=
ed
e d 2 d 2 (e d)
2 (e d)
ou seja,
H ([) =
2.1.3
O grco dessa funo de distribuio acumulada dado na Figura 2.3.
(2.3)
Varincia

Por denio, Y du ([) = H [ 2 [H ([)]2 ;vamos, ento, calcular H [ 2 :
3 e
Z e

(e d) e2 + de + d2
1
{
1
e3 d3
g{ =
=
{2
=
H [2 =
ed
e d 3 d 3 (e d)
3 (e d)
d
Figura 2.2: Funo de distribuio acumulada da densidade X qli [d> e]

1
= Logo,
Essa a rea de um retngulo com base ({ d) e altura
ed

0{ d se { ? d
se a { e
I ({) =

ed
1
se { A e
d+e
2
(2.4)
Logo,
Y du ([) =
(2.2)
=
2
2

e + de + d2
e + de + d2
d+e 2
d2 + 2de + e2

=
=
3
2
3
4
2
2
2
2
2
2
d 2de + e
4e + 4de + 4d 3d 6de 3e
=
12
12
ou
Y du ([) =
2.1.4
(e d)2
12
(2.5)
Exerccios propostos
1. Voc est interessado em dar um lance em um leilo de um lote de terra. Voc

sabe que existe um outro licitante. Pelas regras estabelecidas para este leilo,
o lance mais alto acima de R$ 100.000,00 ser aceito. Suponha que o lance do
seu competidor seja uma varivel aleatria uniformemente distribuda entre R$
100.000,00 e R$ 150.000,00.
(a) Se voc der um lance de R$120.000,00, qual a probabilidade de voc car
com o lote? (Resp.: 0> 4)
Figura 2.3: Funo de distribuio acumulada da X qli [d> e]
No caso da U [0> 1] > temos que

0 se { ? 0
{ se 0 { ? 1
I ({) =

1 se { 1
(b) Se voc der um lance de R$140.000,00, qual a probabilidade de voc car

com o lote? (Resp.: 0> 8)
(c) Que quantia voc deve dar como lance para maximizar a probabilidade de
voc ganhar o leilo?
2. O rtulo de uma lata de coca-cola indica que o contedo de 350 ml. Suponha que
a linha de produo encha as latas de forma que o contedo seja uniformemente
distribudo no intervalo [345> 355]=
29
(a) Qual a probabilidade de que uma lata tenha contedo superior a 353 ml?
(Resp.: 0,2)
(b) Qual a probabilidade de que uma lata tenha contedo inferior a 346 ml?
(Resp.: 0,1)
(c) O controle de qualidade aceita uma lata com contedo dentro de 4 ml do
contedo exibido na lata. Qual a proporo de latas rejeitadas nessa linha
de produo? (Resp.: 0,2)
30
Como a f.d.p. exponencial depende apenas do valor de , esse o parmetro da densidade

exponencial.
Usaremos a seguinte notao para indicar que uma varivel aleatria tem distribuio
exponencial com parmetro : [ exp()= Na Figura 2.5 temos o grco de uma
densidade exponencial. para = 2=
3. Uma distribuio uniforme no intervalo [d> e] tem mdia 7,5 e varincia 6,75. Determine os valores de d e e, sabendo que e A d A 0= (Resp.: d = 3 e e = 12)
2.2
Distribuio exponencial
Consideremos o grco da funo exponencial i ({) = h{ > dado na Figura 2.4. Podemos
ver a que, se { ? 0> ento a rea sob a curva limitada, o mesmo valendo para uma
funo mais geral i ({) = h{ = Ento, possvel denir uma funo de densidade a
partir da funo exponencial h{ , desde que nos limitemos ao domnio dos nmeros reais
negativos. Mas isso equivalente a trabalhar com a funo h{ para { positivo.
Figura 2.5: Densidade exponencial - = 2
2.2.1
Por denio, temos que

Z
I ({) = Pr ([ {) =
Z
i (w) gw =
ou seja
Figura 2.4: Grco da funo exponencial natural i ({) = exp {
Z
Mas

0
{

1
1
g{ = h{
=

0
Logo

e, portanto, i ({) =
h{
R
0
h{ g{ = 1
dene uma funo de densidade de probabilidade para { A 0=
Denio 2.1 Diz-se que uma varivel aleatria contnua [ tem distribuio exponencial com parmetro se sua funo de densidade de probabilidade dada por
{
{A0
h
i ({) =
0
{0
I ({) =
2.2.2
hw gw = hw = h{ 1

0
1 h{
0
se { A 0
se { 0
(2.6)
Alguns resultados sobre a funo exponencial
No clculo dos momentos da densidade exponencial sero necessrios alguns resutlados

sobre a funo exponencial que apresentaremos a seguir.
O resultado crucial
(2.7)
lim {n h{ = 0
{
Vamos mostrar esse resultado usando a regra de LHpital e demonstrao por induo.
Consideremos o caso em que n = 1= Ento
lim {h{ = lim
{
{ h{
31

ou seja,
1

H ([) =
Desse resultado segue que
Z
0
2.2.4
1

{h{ g{ =
32
(2.9)
{h{ g{ =
1
2
(2.10)
Varincia
Vamos calcular o segundo momento de uma varivel aleatria exponencial.

Z
H([ 2 ) =
{2 h{ g{
Figura 2.6: Funo de distribuio acumulada da densidade exponencial - = 2
que tem a forma

e, portanto, podemos aplicar LHpital, que diz que

lim {h{ = lim
{ h{
{
= lim
{
{0
(h{ )0
= lim
{ h{
=0
Logo, o resultado vale para n = 1= Suponhamos verdadeiro para qualquer n; vamos

mostrar que vale para n + 1= De fato:
n+1 0
{
{n+1
(n + 1) {n
{n
=
lim
= lim
= (n + 1) lim { = (n + 1)0 = 0
lim {n+1 h{ = lim
{
{
{ h{
{ (h{ )0
{
{

h
h
Seguindo raciocnio anlogo ao empregado no clculo da esperana, vamos denir:

x = {2 gx = 2{g{;
gy = h{ g{ y = h{
Logo,
Z
{2 h{ =
0
{2 h{ g{ +
Z
0
2.2.3

2
H [2 = 2

O clculo dos momentos da distribuio exponencial se faz com auxlio de integrao

por partes. A esperana :
Z
H([) = {h{ g{
Var([) = H([ 2 ) [H([)]2 =
Resumindo:
[ exp() =
Denindo
2.2.5
y=
h{
2
1
1

Var ([) = 2
2 2

(2.12)
H([) = 1
Y du([) = 12
(2.13)
Parametrizao alternativa
Z
0
{h{ g{ +
Z
0
1 {@
h

H([) =
i ({) =
O mtodo de integrao por partes nos d que:

{h{ =
(2.11)
possvel parametrizar a densidade exponencial em termos de um parmetro =

Neste caso,
x = { gx = g{;
gy =
{h{ g{
e, portanto:
Esperana
h{ g{
Usando o resultado (2.10), resulta que
pela hiptese de induo. De maneira anloga, prova-se um resultado mais geral dado
por:
n A 0 e A 0
(2.8)
lim {n h{ = 0
{

2{h{ g{ 0 = H [ 2 2
h{ g{
Pelo resultado (2.7), o lado esquerdo desta ltima igualdade zero. Logo,
1
1
0 = H([) + h{ 0 = H([) + 0

0
1
=
{ A 0; A 0
H([ 2 ) = 2 2
Y du([) = 2
Essa parametrizao alternativa mais interessante, uma vez que o valor mdio
igual ao parmetro, e ser utilizada deste ponto em diante.
2.2.6
33
2.3
Exerccios resolvidos
1. Seja [ uma varivel aleatria exponencial com mdia 4. Calcule

(a) Pr([ A 1)
Soluo
A funo de densidade i ({) = 14 h{@4 e a funo de distribuio I ({) =
1 h{@4
Pr([ A 1) = 1 Pr([ 1) = 1 I (1) = 1 [1 h1@4 ] = h0=25 = 0> 7788
(b) Pr(1 [ 2)
Soluo
Pr(1 [ 2) = Pr([ 2) Pr([ ? 1)
= Pr([ 2) Pr([ 1)
= I (2) I (1) = [1 h2@4 ] [1 h1@4]
0=25
= h
0=5
h
= 0> 17227
2. Seja [ exp()= Calcule Pr([ A H([))=

Soluo
h
i
Pr([ A H([)) = 1 Pr([ H([)) = 1 I (H([)) = 1 1 h@ = h1
Note que essa a probabilidade de uma varivel aleatria exponencial ser maior
que o seu valor mdio; o que mostramos que essa probabilidade constante,
qualquer que seja o parmetro=
34
Distribuio gama
A distribuio gama uma generalizao da distribuio exponencial, que utiliza a

funo gama, cuja denio apresentamos a seguir.
2.3.1
A funo gama
A funo gama denida pela seguinte integral:

Z
() =
h{ {1 g{
1
Note que o argumento da funo > que aparece no expoente da varivel de integrao
{=
A funo gama tem a seguinte propriedade recursiva: ( + 1) = ()= Para
demonstrar esse resultado, iremos usar integrao por partes.
Z
h{ { g{
( + 1) =
0
Fazendo
x = { gx = {1
gy = h{ g{ y = h{
Logo,
Z

( + 1) = { h{ 0
h{ {1 g{ =
Z 0
h{ {1 g{ =
( + 1) = 0 +
0
2.2.7
( + 1) = ()
Exerccios propostos
1. Seja [ uma varivel aleatria com distribuio exponencial de mdia 8. Calcule

as seguintes probabilidades:
(a) Pr([ A 10) (Resp.: 0> 286505)
(b) Pr([ A 8) (Resp.: 0=36788)
(c) Pr(5 ? [ ? 11) (resp.: 0> 28242)
2. O tempo entre chegadas de automveis num lava-jato distribudo exponencialmente, com uma mdia de 12 minutos.
(a) Qual a probabilidade de que o tempo entre chegadas de veculos neste lavajato seja maior que 10 minutos? (Resp.: 0> 434 60)
(b) Qual a probabilidade de que o tempo entre chegadas de veculos neste lavajato seja menor que 8 minutos? (Resp.: 0> 486 58)
Aqui usamos o resultado dado em (2.7).

Vamos trabalhar, agora, com = q inteiro.
Z
Z
h{ {11 g{ =
(1) =
0

0
(2.14)
h{ g{ = 1
(2) = 1 (1) = 1 = 1!
(3) = 2 (2) = 2 1 = 2!
(4) = 3 (3) = 3 2 1 = 3!
(5) = 4 (4) = 4 3 2 1 = 4!
Em geral, se q inteiro,
(q) = (q 1)!
(2.15)
2.3.2
35
Denio 2.2 Diz-se que uma varivel aleatria tem distribuio gama com parmetros
e se sua funo de densidade de probabilidade dada por

1

{1 h{@
se { A 0

()
(2.16)
i ({) =

0
se { 0
Note que, quando = 1> resulta a densidade exponencial com parmetro > ou seja,
a distribuio exponencial um caso particular da densidade gama. Note que estamos
usando a parametrizao alternativa da densidade exponencial.
Para vericar que a funo dada em (2.16) realmente dene uma funo de densidade,
notamos inicialmente que i ({) 0= Alm disso,
Z
Z
Z
1
1
1 {@
i ({)g{ =
{
h
=
{1 h{@ g{

() 0
0
0 ()
{
Fazendo a mudana de varivel = w resulta

{ = w
{ = 0w=0
{ = w=

0
i 00 ({) =
=
=
=
=
=
=
"
Analisando as expresses (2.18) e (2.19), vemos que o sinal da derivada primeira

depende do sinal de 1 1 { e o sinal da derivada segunda depende do sinal da
expresso entre colchetes, que uma funo do segundo grau. Vamos denotar essa
expresso por k({)> de modo que
k({) = {2 2( 1){ + 2 ( 2)( 1)
i 0 ({) = 0 { = ( 1)
i 0 ({) ? 0 { A ( 1)
i ({)g{ =
#
( 2)( 1){3 h{@ 1 ( 1){2 h{@ 1 ( 1){2 h{@
1 1 {@
+ 2 {
h

2
1
1
3 {@
h
( 1){2 h{@ + 2 {1 h{@
( 2)( 1){
()

2
1 2
1
3 {@
( 2)( 1) ( 1){ + 2 {
h
{

()

(
)
{3 h{@ 2
1
( 2)( 1) 2( 1){ + {2
(2.19)

2
()

1
()
Vamos analisar a derivada primeira. A primeira observao que, se 1> i 0 ({) ?

0> ou seja, se 1 a densidade gama uma funo estritamente decrescente.
No caso em que A 1, temos que
g{ = gw
36
Derivando i 0 ({) dada em (2.17), temos que
A distribuio gama
e, portanto,

1
{1 h{@ g{ =
() 0
Z
1
(w)1 hw gw
() 0
Z
1

w1 hw gw
()
0
1
() = 1
()
i 0 ({) A 0 { ? ( 1)
Logo,
{ = ( 1) um ponto de mximo
Resumindo a dependncia em :
1 = funo de densidade gama estritamente decrescente
A 1 = funo de densidade gama tem um mximo em { = ( 1)
Logo, as duas condies para uma funo de densidade so satisfeitas. Usaremos a

notao [ jdpd(; ) para indicar que a varivel aleatria [ tem distribuio gama
com parmetros > =
Vamos, agora, estudar a concavidade da funo de densidade gama, analisando o

sinal da derivada segunda, que ser o mesmo sinal de
2.3.3
que uma funo do segundo grau.

Se 1> podemos ver que k({) 0> j que { A 0 e > A 0= Logo, se 1 a
funo de densidade gama cncava para cima e, como visto, estritamente decrescente.
Vamos considerar, agora, o caso em que A 1= Para estudar o sinal de k({)> temos
que estudar o discriminante da equao de segundo grau denida por k({)=
O grco da distribuio gama
Para a construo do grco da densidade gama, devemos observar inicialmente que

lim i ({) = 0
{
lim i ({) = 0
{0
Vamos, agora, calcular as derivadas primeira e segunda de i ({)=

1
1
2 {@
h
{1 h{@
i 0 ({) =
( 1){
()

1
1
2 {@
{
=
h
1 {

()

k({) = {2 2( 1){ + 2 ( 2)( 1)
= [2( 1)]2 4 2 ( 2)( 1)

(2.17)
= 4 2 ( 1)2 4 2 ( 1)( 2)
= 4 2 ( 1) [( 1) ( 2)]
(2.18)
= 4 2 ( 1)
37
Se A 1> o discriminante sempre positivo, ou seja, temos duas raizes reais distintas,
calculadas da seguinte forma:
1
2
( 1){ + 2 {2 = 0

2 ( 2)( 1) 2( 1){ + {2 = 0
q
2( 1) 4 2 ( 1)2 4 2 ( 2)( 1)
( 2)( 1)

p 2
( 1)( 1 + 2)

{=
2
{ = ( 1) 1

{= 1 11

u2 = 1 1 + 1 sempre
positiva para A 1. J a raiz u1 =

A raiz
1 1 1 s ser positiva se 1 1 A 0> ou seja, se A 2=
Considerando a funo de segundo grau k({) que dene o sinal da derivada segunda,
vemos que o coeciente do termo quadrtico 1; assim, a funo negativa (sinal oposto
ao de d) para valores de { entre as razes, e positiva (mesmo sinal de d) fora das razes.
Veja a Figura 2.7; a podemos ver que, se A 2> a derivada segunda muda de sinal
em dois pontos dentro do domnio de denio da densidade gama. Isso no ocorre se
? 2 (ou = 2)> uma vez que, neste caso a menor raz negativa (nula).
{=
2( 1) 2
D !2
0,5
+
0
r1
0,45
D 1
0,4
r2
0,35
D 2
0,3
r1
0,25
0,2
r2
2
D
0,15
0,1
D 2
38

1
ou seja, a funo
de densidade
{ A
cncava para cima se se
1+1
ou { ? 1 1 1 e cncava para baixo se 1 1 1 ? { ?
1 1 + 1 > o que indica a ocorrncia de dois pontos de inexo.
Quando 2

i 00 ({) ? 0 se 0 ? { ? ( 1) + 1

i 00 ({) A 0 se { A ( 1) + 1

ou seja, a funo de densidade gama cncava para
cima se { A ( 1) + 1
e cncava para baixo se 0 ? { ? ( 1) + 1> o que indica a ocorrncia de
apenas um ponto de inexo.
Na Figura 2.8 ilustra-se o efeito do parmetro sobre a densidade gama. A o
parmetro est xo ( = 2) e temos o grco para diferentes valores de . Note
que, para = 1> o grco o da distribuio exponencial com parmetro = 2 e para
qualquer valor de ? 1> o grco ter essa forma= Note que para = 2 s h um ponto
de inexo; essa situao se repetir para valores de no intervalo (1> 2]. Para valores
de maiores que 2, h dois pontos de inexo. Na Figura ?? ilustra-se o efeito do
parmetro sobre a densidade gama. A o parmetro est xo ( = 2 ou = 3) e
temos o grco para diferentes valores de . Analisando essas duas guras, vemos que o
parmetro tem grande inuncia sobre a forma da distribuio, enquanto o parmetro
tem grande inuncia sobre a escala (ou disperso) da distribuio. Dessa forma,
o parmetro chamado parmetro de forma, enquanto o parmetro chamada
parmetro de escala.
+
r1 = 0
0,05
r2
10
15
20
25
30
Figura 2.8: Efeito do parmetro de forma sobre a densidade gama

Figura 2.7: Ilustrao do sinal da derivada segunda da funo de densidade gama
Mais precisamente, se A 2 temos a seguinte situao:

i 00 ({) ? 0 se 1 1 1 ? { ? 1 1 + 1

i 00 ({) A 0 se { A 1 1 + 1 ou { ? 1 1 1
A seguir apresentamos um resumo dos resultados sobre a forma da densidade gama:

1. 1
(a) estritamente decrescente
(b) cncava para cima

D
0,4
0,3
0,3
Fazendo a mesma mudana de varivel j usada anteriormente
0,2
E 1,5
0,2
39
H([) =
1,5
0,1
0,1
0,0
0,0
0
10
12
14
10
12
14
=
Figura 2.9: Efeito do parmetro de escala sobre a densidade gama
2. A 1
{
= w temos que

ou seja,
[ jdpd(> ) H([) =
(a) crescente se { ? ( 1)

(b) decrescente se { A ( 1)
2.3.5
(c) mximo em { = ( 1)
De modo anlogo, vamos calcular o segundo momento da densidade gama.
Varincia
(d) 2

i. cncava para baixo se { ? 1( 1 + 1)

ii. cncava para cima se { A 1( 1 + 1)

iii. nico ponto de inexo em { = 1( 1 + 1)
H([ 2 ) =
=
(e) A 2
i.
ii.
iii.
iv.
2.3.4
Z
1
(w) hw gw

()
0
Z
1
+1
w hw gw

()
0
Z

w hw gw
() 0

( + 1)
()

()
()
40

cncava para cima se { ? 1( 1 1)

cncava para baixo se 1( 1 1) ? { ? 1( 1 + 1)

cncava para cima se { A 1( 1 + 1)

dois pontos de inexo: { = 1( 11) e { = 1( 1+
1)
Z
1
{2 i ({)g{ =

()
0
Z
1
{+1 h{@ g{

()
0
H([ 2 ) =
=
=
Se [ jdpd(; ) , ento
H([) =
=
1
{i ({)g{ =
()
0
Z
1
{ h{@ g{

()
0

0
=
1 {@
{{
{2 {1 h{@ g{
Fazendo a mesma mudana de varivel usada anteriormente
Esperana
Z
g{
=
=
=
Logo,
{
= w temos que

Z
1
(w)+1 hw gw

()
0
Z
1
+2

w+1 hw gw
()
0
Z
2
w+1 hw gw
() 0
2
( + 2)
()
2

( + 1)( + 1)
()
2

( + 1)()
()
2 ( + 1)
Y du([) = 2 ( + 1) ()2 = 2 2 + 2 2 2 = 2
Resumindo:
[ jdpd(> ) =

H([) =
Y du([) = 2
(2.20)
2.3.6
41
2.4.2
A funo de distribuio da gama envolve a funo gama incompleta e no ser objeto

de estudo neste curso.
2.3.7
A distribuio de Erlang
Quando o parmetro de forma um inteiro positivo, a distribuio gama conhecida

como distribuio de Erlang.
Esperana e varincia
Vamos calcular o momento de ordem u :

Z 1 {
{

H([ u ) =
h {u g{

0
Fazendo x = { > resulta que { = x e g{ = gx; logo
H([ u ) =
2.3.8
A distribuio qui-quadrado
Quando o parmetro de forma igual a q2 > com q inteiro positivo, e o parmetro de escala
= 2 resulta a distribuio qui-quadrado com q graus de liberdade, cuja densidade
i ({) =
1
q
2
{q@21 h{@2
2q@2
se { A 0
(2.21)
Usaremos a seguinte notao para indicar que [ tem distribuio qui-quadrado com q
graus de liberdade: [ "2q = Usando os resultados dados em (2.20), temos

H([) = q2 2 = q
2
[ "q =

Y du([) = q2 22 = 2q
2.4
2.4.1
Distribuio de Weibull

{
1

{

0

0

1 {
Z
{

h {u g{ =

{A0
{A0

{ 1
{
= gx =

{ = 0 = x = 0; { = = x =
1 x u u
x
h
x gx

H([) =
H([ 2 ) = 2
e, portanto,
+1

+2

(

)
+1 2
+2

Y du([) =

(2.22)
(2.23)
e alguns autores (ver Rohatgi, por exemplo) usam um novo parmetro em vez de =
Para mostrar que i dene uma densidade, vamos mostrar que a integral 1. Para tal,
vamos fazer a seguinte mudana de varivel:
x =
x1 hx u xu gx
Fazendo u = 1> obtemos que
2.4.3

{ 1 {
i ({) =
h

Note que podemos reescrever essa expresso como
Dessa forma,
Fazendo x = w resulta que x = w1@ e x1 gx = gw; logo,

Z
Z
u
hw u w1@ gw = u
wu@ hw gw
H([ u ) =
0
Z
Z 0
u+
u+
= u
wu@+11 hw gw = u
w 1 hw gw = u

0
0
Denio
i ({) =
Fazendo u = 2 obtemos que
Uma varivel aleatria [ tem distribuio de Weibull com parmetros A 0 e A 0 se

sua funo de densidade de probabilidade dada por
42
Por denio,
Z
I ({) =
{
0

1 w
w

h gw

Fazendo a mudana de varivel

w
w 1
x =
= gx =

{
w = 0 = x = 0; w = { = x =

resulta

0

Z
{ 1 {
h
g{ =

0
hx gx = 1
Z
I ({) =
{
0

1 w
Z
w

h gw =

{

{
hx gx = hx 0
= 1 exp

{

2.5
2.5.1
43
Distribuio de Pareto
2.5.3
44
Varincia
Se [ S duhwr(> e) ento
Denio
Uma varivel aleatria [ tem distribuio de Pareto com parmetros A 0 e e A 0 se

sua funo de densidade de probabilidade dada por
+1
e
se { e
i ({) =
e {
0
se { ? e
Para mostrar que i ({) realmente dene uma funo de densidade de probabilidade
resta provar que a integral 1, uma vez que i ({) 0=

Z +1
Z
e
{
g{ = e
{1 g{ = e
{
e
e e
e
H([ 2 ) =

e
{2

e
+1
Z
e
g{ = e
{

e
{+1 g{ = e

{+2
+ 2 e
Para que essa integral convirja, temos que ter + 2 ? 0> ou A 2= Satisfeita esta
condio,
e+2
e+2
e2
=
=
H([) = e 0
+ 2
2
2
Logo,
Y du([) =
Essa integral converge apenas se ? 0 ou equivalentemente, A 0> pois nesse caso

lim{ { = lim{ {1 = 0= Satisfeita esta condio, temos que

{
e
=1
= 0 e
e
e

Na Figura 2.10 ilustra-se a distribuio dePareto para d = 3 e e = 2=
=
=
e 2 e2 ( 1)2 2 e2 ( 2)
e2

=
2
1
( 1)2 ( 2)
2
e2 2 2 + 1 2 + 2
e 2 + 1 ( 2)
=
2
2
( 1) ( 2)
( 1) ( 2)
e2
( 1)2 ( 2)
Resumindo:
[ S duhwr(> e) =
2.5.4

H([) =
e
1
se A 1
e2

Y du([) =
( 1)2 ( 2)
(2.24)
se A 2
Por denio, I ({) = Pr([ {) = 0 se { ? e= Para { e>

+1
Z
e
gw = e
w
e

e

= e { e
=1
{
Z
I ({) = Pr([ {) =
Figura 2.10: Distribuio de Pareto - d = 3> e = 2
2.5.2
Esperana
Se [ S duhwr(> e) ento

Z
Z
e +1
H([) =
{
g{ = e
e {
e

e
{ g{ = e

{+1
+ 1 e
Para que essa integral convirja, temos que ter + 1 ? 0> ou A 1= Satisfeita esta
condio,
e+1
e
e+1
=
=
H([) = e 0
+ 1
1
1

e
{
e
w1 g{ = e
{
w
e
CAPTULO 3. FUNES DE VARIVEIS ALEATRIAS CONTNUAS
46

| = i[ | = 12 = Logo
Como 0 | ? 1 e 1 ? | 0> resulta que i[
(
1

se 0 | ? 1
2 |
i\ (|) =
0
caso contrrio
De modo anlogo, para 0 z ? 1
Captulo 3
IZ (z) = Pr(Z z) = Pr(|[| z) = Pr(z [ z) =
Funes de Variveis Aleatrias

Contnuas
= I[ (z) I[ (z)
e, portanto
0
0
0
(z) = I[
(z) I[
(z)(1) =
iZ (z) = IZ
= i[ (z) + i[ (z)
Dada uma varivel aleatria contnua [ com funo de densidade i[ ({)> muitas vezes
estamos interessados em conhecer a densidade de uma outra varivel aleatria \ = j({)
denida como uma funo de [=
3.1
Como 0 z ? 1 e 1 ? z 0> resulta que i[ (z) = i[ (z) = 12 = Logo
iZ (z) =
1
0
se 0 | ? 1
caso contrrio
que a densidade uniforme padro.
Exemplo
Se [ X qli (1> 1)> calcule a densidade de \ = j([) = [ 2 e de Z = k([) = |[| .

Soluo:
Temos que
1
1?{?1
2
i[ ({) =
0
{ 1 ou { 1
0 j({) ? 1
1 ? { ? 1
0 k({) ? 1
Para calcular a funo de densidade de probabilidade de \ = j([) = [ 2 devemos
notar que
I\ (|) = Pr(\ |) = Pr([ 2 |)

= Pr ( | [ |)

= Pr([ |) Pr([ ? |)

= Pr([[ |) Pr([ |)

= I[ ( |) I[ ( |)
e, portanto
i\ (|) =
=
=
=
g
[I\ (|)]
g|
g
g

[I[ ( |)]
[I[ ( |)]
g|
g|
1
1

0
0
( |) I[
( |)
I[
2 |
2 |

1

1
i[ ( |) + i[ ( |)
2 |
2 |
45
3.2
Funes inversveis
Quando a funo j inversvel, possvel obter uma expresso para a funo de densidade de \ .
Teorema 3.1 Seja X uma varivel aleatria contnua com funo de densidade i[ ({) e
seja \ = j({) uma outra varivel aleatria . Se a funo j({) inversvel e diferencivel,
ento a funo de densidade de \ dada por:
gj 1 (|)
(3.1)
i\ (|) = i[ j 1 (|)
g|
Demonstrao:
Esse resultado segue diretamente da relao entre as funes de densidade e de
distribuio acumulada dada na equao (3.2):
0
i[ ({) = I[ ({)
(3.2)
j 0 ({)
A 0 e {1 ? {2
Suponhamos inicialmente que j({) seja crescente; nesse caso,
j ({1 ) ? j ({2 ) = Ento, a funo de distribuio acumulada de \ :
I\ (|) = Pr (\ |) = Pr (j([) |)
Mas, conforme ilustrado na Figura 3.1, j([) | [ j 1 (|)=
Logo,
I\ (|) = Pr (j([) |) = Pr [ j 1 (|) = I[ j 1 (|)
47
48
y
y
g( X ) d y
g( X ) d y
X d g 1 ( y )
g 1 ( y )
g 1 ( y )
Figura 3.2: Funo inversa de uma funo decrescente
Figura 3.1: Funo inversa de uma funo crescente

Da relao entre a funo de densidade de probabilidade e a funo de distribuio e da
regra da cadeia, segue que:
0
0
i\ (|) = I\ (|) = I[ j 1 (|)
gj 1 (|)
g|
= i[ j 1 (|)
gj 1 (|)
g|
j 0 ({)
Quando j({) decrescente, vale notar que que

? 0 e, conforme ilustrado na
Figura 3.2, j([) | [ j 1 (|)=
Dessa forma,
I\ (|) = Pr (\ |) = Pr (j([) |) = Pr [ j 1 (|) = 1 Pr [ ? j 1 (|)
= 1 Pr [ j 1 (|) = 1 I[ j 1 (|)
e, portanto
(3.5)
gj 1 (|)
? 0 (lembre que estamos considerando j decrescente agora, o que implica
g|
que a inversa tambm decrescente), resulta
gj 1 (|) gj 1 (|)
=

g|
g|
Como
e (3.5) pode ser reescrita como
gj 1 (|)
i\ (|) = I\ (|) = i[ j 1 (|)

g|
(3.3)
gj 1 (|)
Como a inversa de uma funo crescente tambm crescente, resulta que
A0
g|
e, portanto, (3.3) pode ser reescrita como
gj 1 (|)
0
i\ (|) = I\ (|) = i[ j 1 (|)

(3.4)
g|
gj 1 (|)
gj 1 (|)
0
0
i\ (|) = I\ (|) = I[ j 1 (|)
= i[ j 1 (|)
g|
g|
X t g 1 ( y )
(3.6)
Os resultados (3.4) e (3.6), para funes crescentes e decrescentes, podem ser reunidos
para completar a prova do teorema.
Quando a funo no monotna, no podemos aplicar o teorema acima e nem
sempre conseguiremos obter uma expresso usando os recursos vistos neste curso.
3.2.1
Exemplo
Seja [ X qli (0> 1)> isto :

i[ ({) =
1 se 0 ? { ? 1
0 se { 0 ou { 1
Dena \ = ln [= Vamos calcular a funo de densidade de probabilidade de \= A

funo j({) = ln { estritamente decrescente e podemos aplicar o Teorema 3.1. Ento,
como 0 ? { ? 1> segue que 0 ? | = ln { ? (ver Figura 3.3).
Por outro lado, a inversa de | = j({) = ln { j 1 (|) = h| e, portanto,
gj 1 (|)
= h|
g|
Como 0 ? | ? , ento 0 ? h| ? 1 e a funo de densidade de probabilidade de \

i\ (|) = i[ h| h| = 1 h| i\ (|) = h|
uma vez que i[ ({) = 1 no intervalo (0> 1)= Note que essa a densidade exponencial com
parmetro igual a 1.
49

Pelas propriedades da esperana e da varincia, se \ = 2[
2,5
H(\ ) = 2H([)
1,5
Y du(\ ) = 4Y du([)
3
5
50
ento
3
5
4 0
Z 0
{
3
6 3
30 12
= 2> 1
{3{2 g{ = 3
= = H(\ ) = =
H([) =
4 1
4
4 5
20
1
0,5
0
0
0,5
1,5
2,5
3,5
4,5
-0,5
H([ 2 )
-1
-1,5
-2
Figura 3.3: Grco da funo \ = j([) = ln [
3.2.2
Transformao linear
Consideremos a tranformao \ = d[ + e> que dene uma reta. Se [ uma varivel

aleatria contnua com densidade i[ ({)> ento podemos aplicar o Teorema 3.1 para
calcular a densidade de \= Se \ = j([) = d[ + e> ento a funo inversa
[ = j 1 (\ ) =
cuja derivada
\ e
d
1
gj 1 (|)
=
g|
d
Logo, a densidade de \
i\ (|) = i[
|e
d

1

d
(3.7)
Exemplo
Se a funo de densidade da varivel aleatria [ dada por
3{2
se 1 { 0
i ({) =
0
se { ? 1 ou { A 0
calcule a funo de densidade de \ = 2[ 35 > bem como sua esperana e sua varincia.
Soluo:
Temos que d = 2 e e = 0> 6= Como 1 { 0> resulta que 2> 6 | 0> 6=
Logo,
| + 0> 6
1
se 2> 6 | 0> 6
i\ (|) = i[
2
2
ou seja
| + 0> 6 2 1
3
i\ (|) = 3
= (| + 0> 6)2
se 2> 6 | 0> 6
2
2
8
2
5 0
{
3
48 45
3
3
3
=
3
= = Y du([) =
=
5 1 5
5
4
80
80
1
3
3
=
= Y du(\ ) = 4
80
20
Z
{2 3{2 g{ =
CAPTULO 4. A DISTRIBUIO NORMAL
4.2
4.2.1
52
Densidade normal padro

Denio
2
1
w
Analisando a equao (4.2), vemos que a funo exp
satisfaz as condies
2
2
para ser uma funo de densidade. Essa , por denio, a densidade normal padro
*({) (note que *({) A 0) denida por:
2
{
1
?{?
(4.3)
*({) = exp
2
2
Captulo 4
A Distribuio Normal
Vamos denotar por Q (0; 1) a densidade normal padro e, se uma varivel aleatria ]
distribuda segundo uma normal padro, representaremos esse fato como ] Q (0; 1)=
4.1
Alguns resultados de Clculo
4.2.2
Com o uso de coordenadas polares, pode-se mostrar que

r
2
Z

w
exp
gw =
2
2
0
Como o integrando uma funo par, temos tambm que
r
2
2
Z
Z

w
w
gw = 2
gw = 2
= 2
exp
exp
2
2
2

0
ou ainda
4.1.1
1

2
2
w
gw = 1
exp
2
(1@2) =
h{ {1@21 g{ =
g{
{
(1@2) =
ou seja:
g{
wgw
0w=0
2
hw @2
q
w2
2
wgw = 2

(1@2) =
51
+
0
2
{
g{
{2 exp
2
{ = x g{ = gx
w2
2
resulta que:
2 Z
{
{ exp
=
2 0
{ w
Z
Varincia
Como H(]) = 0 se ] Q (0; 1)> ento

2
Z
Z +
{
2
1
g{ =
Y du(]) = H(] 2 ) =
{2 exp
2
2
2
uma vez que o integrando par (note os limites de integrao). Esta integral calculada
usando-se o mtodo de integrao por partes. Fazendo:
2
2
{
{
g{ = gy y = exp
{ exp
2
2
h{
Ento,
Logo,
4.2.3
(4.2)
Vamos usar a seguinte transformao de varivel:

{=
Seja ] Q(0> 1)= Por denio, a esperana de ] :

2
Z
Z
1
{
g{
{*({)g{ =
{ exp
H(]) =
2
2

Como *({) simtrica em torno do ponto { = 0> sabemos que H(]) = 0=
Exerccio resolvido
Calcule (1@2) = Por denio,
(4.1)
Esperana
2 @2
hw
gw =

2
2
Z
{
g{ +
exp
2

Pelos resultados (2.7) e (4.1)resulta

r
2
Z
Z

{
0=
+
g{ =
{2 exp
2
2
0
Logo,
2
Var(]) =
2

0
2
{
g{
{2 exp
2
(4.4)
r
2

{
g{ =
{2 exp
2
2

Var(]) = 1
2
(4.5)
4.2.4
53
54
Caractersticas da curva normal padro

0,5
1. Simtrica em torno de 0; note que * ({) = * ({) =

2. Assntotas:
0,4
lim *({) = lim *({) = 0; esse resultado segue diretamente do
{
fato de que lim{ h{ = 0
{
0,3
3. Ponto de mximo
0,2
Para calcular a primeira e segunda derivadas de *({)> devemos lembrar que (h{ )0 =
h{ e, pela regra da cadeia, (hj({) )0 = hj({) j 0 ({)= Aplicando esses resultados densidade normal padro, obtemos que:
2
1
1
{
2{ = *({){
(4.6)
*0 ({) = exp
2
2
2
0,1
0
-5
-4
-3
-2
-1
Derivando novamente, obtemos:

Figura 4.1: Densidade normal padro
*00 ({) = *0 ({){ *({) = [*({){] { *({)

= *({){2 *({) = *({)({2 1)
(4.7)
4.2.5
Analisando a equao (4.6) e lembrando que *({) A 0, pode-se ver que:

0
* ({) = 0 { = 0
e assim, { = 0 um ponto crtico. Como *0 ({) A 0 para { ? 0 e *0 ({) ? 0 para
{ A 0> ento * crescente esquerda de 0 e decrescente direita de 0= Segue,
ento, que { = um ponto de mximo e nesse ponto
1
*(0) =
2
(4.8)
A funo de distribuio acumulada de qualquer varivel aleatria [ denida por

I[ ([) = Pr ([ {) = No caso da densidade normal padro, essa funo dada pela
integral
Z {
1
1
exp w2 gw
(4.10)
({) =
2
2

para a qual no existe uma antiderivada em forma de funo elementar. Assim, a funo
de distribuio acumulada da normal padro calculada por integrao numrica. Todos
os pacotes estatsticos possuem rotinas especiais para esse clculo. No EXCEL, a funo
DIST.NORMP calcula Pr (] {) para qualquer {> onde ] Q (0; 1)=
4.2.6
4. Pontos de inexo
Tabulao da distribuio normal padro
(4.9)
Para completar o estudo da distribuio normal padro, necessrio calcular probabilidades de quaisquer eventos, tais como Pr (d ] e) = Por denio da funo de
densidade, essa probabilidade, no caso da normal padro, dada por:
Z e
1
1
exp {2 g{
Pr(d ] e) =
2
2
d
Logo, *({) cncava para cima se { A 1 ou { ? 1 e cncava para baixo quando

1 ? { ? +1= Na Figura 4.1 temos o grco da densidade normal padro; a as
linhs pontilhadas indicam a ocorrncia dos pontos de inexo
Como j dito, tal integral, que d a rea sob a curva compreendida entre os pontos d e
e> no pode ser calculada pelos procedimentos usuais; a diculdade est no fato de que
aqui no podemos aplicar o Teorema Fundamental
2 do Clculo, j que no existe uma
{
= Assim, para calcular probabilidades
funo elementar cuja derivada seja exp
2
do tipo acima, necessria a aplicao de mtodos numricos e esses mtodos permitem
tabular Pr(] }) para qualquer valor de }=
Ao nal deste captulo, so dadas 2 verses da tabela da normal padro. Na Tabela
1 dada a distribuio acumulada para cada valor de } A 0> ou seja dado o valor
de (}) = Pr(] })= Na Tabela 2, usa-se novamente o fato de a distribuio normal
Analisando a segunda derivada dada por (4.7), tem-se que:

*00 ({) = 0 {2 1 = 0 { = 1
Alm disso,
*00 ({) A 0 {2 1 A 0 {2 A 1 { A 1 ou
e
{ ? 1
*00 ({) ? 0 {2 1 ? 0 {2 ? 1 1 ? { ? 1
55
56
ser simtrica para economizar no tamanho da tabela e apresenta-se, para cada } A

0> wde(}) = Pr(0 ] }). A partir de qualquer uma delas possvel calcular a
probabilidade de qualquer evento associado distribuio normal padro. Em ambas,
a abscissa } apresentada com 2 casas decimais, sendo que a casa inteira e a primeira
casa decimal esto nas linhas da coluna esquerda e a segunda casa decimal est na
linha superior da tabela.
4.2.7
Exemplos
Seja ] Q(0> 1)= Calcule:

1. Pr (0 ] 1)
Soluo
Essa probabilidade corresponde rea sombreada na Figura 4.2. Pela Tabela 1,
temos:
Pr (0 ] 1) = Pr(] 1) Pr(] ? 0) = Pr(] 1) Pr(] 0)
= (1) (0) = 0> 84134 0> 5 = 0> 34134
Pela Tabela 2, temos que
Figura 4.3: Pr(1 ] ? 2> 5)

3. Pr(1 ] 0)
Soluo
Essa probabilidade corresponde rea sombreada na Figura 4.4. Por simetria e
pela continuidade dadensidade, temos que
Pr (0 ] 1) = wde(1) = 0> 34134
Pr (1 ? ] ? 0) = Pr(0 ? ] ? 1) = Pr(0 ? ] 1)
onde wde(}) representa o valor dado na Tabela 2 correspondente abscissa }=
Da Tabela 1 resulta
Pr (1 ? ] ? 0) = Pr(0 ? ] ? 1) = Pr(0 ? ] 1) = Pr(] 1) Pr(] 0)
= (1) (0) = 0> 84134 0> 5 = 0> 34134
Pela Tabela 2, temos que (note a simetria das reas!)
Pr (1 ? ] ? 0) = Pr(0 ] 1) = wde(1) = 0> 34134
Figura 4.2: Pr(0 ? ] ? 1)

2. Pr (1 ] ? 2> 5)
Soluo
temos:
Pr (1 ] ? 2> 5) = Pr(] ? 2> 5) Pr(] ? 1) = Pr(] 2> 5) Pr(] 1)
= (2> 5) (1) = 0> 99379 0> 84134 = 0> 15245
Figura 4.4: Pr(1 ? ] ? 0)

Pr (1 ] 2> 5) = wde(2> 5) wde(1) = 0> 49379 0> 34134 = 0> 15245
4. Pr (] ? 1> 0)
Soluo
57
Essa probabilidade corresponde rea sombreada em cinza claro na Figura 4.5.

Por simetria, essa rea (probabilidade) igual rea sombreada em cinza escuro,
que corresponde a Pr(] A 1)= Ento, pela Tabela 1, temos:
Pr (] ? 1> 0) = Pr(] A 1> 0) = 1Pr(] 1) = 1(1> 0) = 10=84134 = 0> 15866
Pr (] ? 1> 0) = Pr(] A 1> 0) = 0> 5Pr (0 ] 1) = 0> 5wde(1> 0) = 0> 50> 34134 = 0> 15866
Figura 4.6: Pr(1 ? ] ? 2)
Figura 4.5: Pr(] ? 1)

5. Pr (1 ? ] ? 2)
Soluo
temos:
Pr (1 ? ] ? 2) = Pr(1 ? ] 2) = Pr(] 2) Pr(] 1) = Pr(] 2) Pr(] 1)
= (2> 0) [1 Pr(] ? 1)] = (2> 0) 1 + (1> 0) = 0> 97725 1 + 0> 84134 =
Pr (1 ? ] ? 2) = Pr (1 ] 2) = Pr (1 ] 0) + Pr (0 ] 2) =
= Pr (0 ] 1) + Pr (0 ] 2) =
= wde(1> 0) + wde(2> 0) = 0> 34134 + 0> 47725 = 0> 81859
6. Pr (] A 1> 5)
Soluo
temos:
Pr (] A 1> 5) = 1 Pr(] 1> 5) = 1 (1> 5) = 1 0=93319 = 0> 06681
Pr (] A 1> 5) = 0> 5Pr (0 ] 1> 5) = 0> 5wde(1> 5) = 0=50=43319 = 0> 06681
Figura 4.7: S (] A 1> 5)
58
59
Densidade Q(; 2 )
4.3
4.3.1
e assim, { = um ponto crtico. Como i 0 ({) A 0 para { ? e i 0 ({) ? 0 para

{ A > ento i crescente esquerda de e decrescente direita de = Segue,
ento, que { = um ponto de mximo e nesse ponto
Denio
Seja ] Q (0; 1) e vamos denir uma nova varivel aleatria [ = j(]) = + ]> em
que A 0= Usando o resultado (3.7), temos que:
"
{
1 { 2
1
1
1
= exp
i[ ({) = i]

2

2
ou ainda:
1
"
1
exp
i[ ({) =
2
2 2
e essa a densidade da normal
{

1
i () =
2 2
Analisando a segunda derivada dada por (4.13), tem-se que:
00
{=+
i ({) = 0 ({ )2 = 2 |{ | =
{=
2 #
Q (; 2 )
00
i ({) A 0 ({ )2 A 2 |{ | A
00
i ({)
lim i ({) = lim i ({) = 0; esse resultado segue diretamente do fato

{
3. Ponto de mximo
Para calcular a primeira e segunda derivadas de i ({)> devemos lembrar que (h{ )0 =
h{ e, pela regra da cadeia, (hj({) )0 = hj({) j 0 ({)= Aplicando esses resultados densidade normal, obtemos que:

1
({ )2
{
1
2 2({ ) = i ({)
(4.12)
exp
i 0 ({) =
2
2
2
2

2 2
Derivando novamente, obtemos:
{
{
{
1
1
00
i ({) 2 = i ({)
i ({) 2 =
i ({) = i 0 ({)
2
2
2

({ )2 2
1
({ )2
i ({) 2 = i ({)
(4.13)
= i ({)
4
4

Analisando a equao (4.12) e lembrando que i ({) A 0, pode-se ver que:
i 0 ({) = 0 { =
ou
{A
ou
{?
(4.16)
0 ({ )2 ? 2 |{ | ?
{?

?{ ?+
{?
?
(4.17)
Logo, i ({) cncava para cima se { A + ou { ? e cncava para baixo

quando ? { ? + =
1. Simtrica em torno de ; note que i ( {) = i ( + {) =

{
{A
{A+
e
Caractersticas da curva normal
de que lim{ h{ = 0
(4.15)
Alm disso,
Usaremos a seguinte notao para indicar que uma varivel aleatria [ tem distribuio
normal com parmetros e 2 : [ Q (; 2 )=
2. Assntotas:
(4.14)
4. Pontos de inexo
Denio 4.1 Uma varivel aleatria contnua [> denida para todos os valores da reta
real, tem densidade normal com parmetros e 2 > onde ? ? e 0 ? 2 ? >
se sua funo de densidade de probabilidade dada por

({ )2
1
exp
?{?
=
(4.11)
i ({) =
2 2
2 2
4.3.2
60
Na Figura 4.8 apresentado o grco da densidade normal no caso em que = 3 e

2 = 1= A a linha pontilhada central representa o eixo de simetria e as linhas pontilhadas
laterais passam pelos pontos de inexo 3 1=
4.3.3
Parmetros da Q (; 2 )
Se [ Q ; 2 > ento [ = + ], em que ] Q (0; 1)= Das propriedades de mdia

e varincia, sabemos que, se [ uma varivel aleatria e n1 6= 0 e n2 so constantes
quaisquer, ento
H(n1 [ + n2 ) = n1 H([) + n2
(4.18)
Var(n1 [ + n2 ) = n12 Var ([)
Resulta, ento, que se [ Q ; 2 ento
H([) = + H(]) = + 0 H ([) =
(4.19)
Var ([) = 2 Var (]) = 2 1 Var ([) = 2
(4.20)
61
62
0,5
0,4
0,5
N(3;1)
0,4
0,3
0,2
0,1
0,1
0,0
-5
-4
-3
-2
-1
N(3;1)
0,3
N(0;1)
0,2
10
0,0
-5
-4
-3
-2
-1
10
Figura 4.8: Densidade normal com mdia = 3 e varincia 2 = 1

Resumindo:
[ Q ; 2 =
H([) =
Y du([) = 2
Figura 4.9: Exemplos de densidades normais com mesma varincia e mdias diferentes
(4.21)
Os parmetros da densidade normal so, ento, a mdia e a varincia, que so

medidas de posio e disperso, respectivamente. Valores diferentes de deslocam o
eixo de simetria da curva e valores diferentes de 2 mudam a disperso da curva. Quanto
maior 2 > mais espalhada a curva; mas o ponto de mximo, dado pela equao (4.14),
inversamente proporcional a 2 = Logo, quanto maior 2 > mais espalhada e mais
achatada a curva. A questo que a forma sempre a de um sino. Na Figura
4.9 temos exemplos de densidades normais com a mesma varincia, mas com mdias
diferentes. O efeito o delocamento da densidade. J na Figura 4.10, temos duas
densidades com a mesma mdia, mas varincias diferentes. O efeito que a densidade
com maior varincia mais dispersa e achatada.
0,5
0,4
N(3;1)
0,3
0,2
4.3.4
N(3;4)
Funo de dsitribuio acumulada
Como no caso da normal padro, a funo de distribuio acumulada no pode ser

calculada diretmanete, sendo necessrios programas computacionais.Com o auxlio da
funo DISTR.NORM do Excel foi obtida a Figura 4.11. onde temos os grcos da
funo de distribuio acumulada para as densidades Q (0> 1)> Q (3> 1) e Q (3> 2).
Note que, pela simetria da densidade em torno da mdia > sempre teremos () =
0> 5=
0,1
0,0
-5
-4
-3
-2
-1
10
Figura 4.10: Exemplos de densidades normais com mesma mdia e varincias diferentes
63
1,2
N(0;1)
1,0
0,8
N(3;2)
0,6
N(3;1)
0,4
0,2
0,0
-6
-4
-2
10
Figura 4.11: Funo de distribuio acumulada de vrias densidades normais
4.3.5
Clculo de probabilidades de uma varivel normal
O resultado a seguir garante que probabilidades de qualquer varivel normal podem ser
calculadas a partir das probabilidades da
padro.
normal
De fato, j foi visto que se [ Q > 2 > ento [ = + ]> onde ] Q (0> 1)=
Vamos ver como utilizar esse resultado para calcular probabilidades da normal. Temos
que
Pr ([ {) = Pr
{
[

{
{
= Pr ]
=

(4.22)
Na Figura 4.12 ilustra-se esse fato com as densidades ] Q (0; 1) e [ Q (3; 4)=
No grco inferior a rea sombreada representa Pr([ 5) e, no grco superior, a rea
sombreada representa a probabilidade equivalente:
[ 3
53
Pr([ 5) = Pr

= Pr(] 1)
2
2
O que o resultado diz que essas reas (probabilidades) so iguais.
Esse resultado mostra que probabilidades de qualquer varivel normal podem ser
obtidas a partir de probabilidades da normal padro e, assim, s necessrio tabular a
distribuio normal padro.
4.3.6
Exemplos
1. Se [ Q (2> 4) calcule Pr (1 [ 5) =

Soluo
Figura 4.12: Ilustrao da propriedade (4.22)
64
65
Temos que (veja Figura 4.13)
[ 2
52
1 2

= Pr (1> 5 ] 1> 5) =
Pr (1 [ 5) = Pr
4
4
4
= 2 Pr (0 ] 1> 5) = 2 wde(1> 5) = 2 0> 43319
3. Se [ Q (3> 4) calcule Pr (7 [ 5) =
= 2[(1> 5) 0> 5] = 2 [0> 93319 0> 5] = 0> 86638
66
Soluo
[ 3
53
7 3

= Pr (5 ] 1) =
Pr (7 [ 5) = Pr
4
4
4
= Pr (5 ] 0) + Pr (0 ] 1) =
= Pr (0 ] 5) + wde(1> 0) = 0> 5 + 0> 34134 = 0> 84134
= (1> 0) (5> 0) = (1> 0) [1 (5> 0)]
Figura 4.13: [ Q (2> 4) : Pr(1 [ 5) = Pr(1> 5 ] 1> 5)

2. Se [ Q (1> 9) calcule Pr (1 [ 5) =
Soluo
[ (1)
5 (1)
1 (1)

= Pr (0 ] 2) =

Pr (1 [ 9) = Pr
9
9
9
= wde(2> 0) = (2> 0) 0> 5 = 0> 47725
Figura 4.15: [ Q (3; 4) : Pr(7 [ 5) = Pr(5 ] 1)
4. Se [ Q > 2 > calcule Pr ( 2 [ + 2) =

Soluo
Temos que (veja Figura 4.16):
+ 2
2
]
=

= Pr (2 ] 2) = 2 Pr (0 ] 2) =
Pr ( 2 [ + 2) = Pr
= 2 wde(2> 0) = 2 0> 47725 = 0> 9545 ' 95%

Note que essa probabilidade no depende dos parmetros e = Isso signica que
a probabilidade de uma varivel aleatria normal estar compreendida entre dois
desvios padres em torno da mdia sempre 95%!
5. Se [ Q (2; 9)> encontre o valor de n tal que Pr([ ? n) = 0> 95=
Soluo
Figura 4.14: [ Q (1> 9) : Pr(1 [ 9) = Pr(0 ] 2)
Aqui, estamos analisando um problema inverso: dada a probabilidade de um

evento, queremos encontrar a abscissa correspondente. Nesse exemplo, podemos
observar que a abscissa n tem que estar do lado direito da curva, ou seja, acima
da mdia, uma vez que a probabilidade abaixo dela tem que ser maior do que 0,5.
67
68
Como no exemplo anterior, dada a probabilidade de um evento, queremos encontrar a abscissa correspondente. Nesse exemplo, podemos observar que a abscissa
n tem que estar do lado esquerdo da curva, ou seja, abaixo da mdia, uma vez que
a probabilidade abaixo dela tem que ser menor do que 0,5.
Em termos da probabilidade equivalente da normal padro :
n2
n2
[ 2
= 0> 10 Pr ] ?
= 0> 10
?
Pr([ ? n) = 0> 10 Pr
3
3
3
Veja a Figura 4.18. Se abaixo da abscissa n2
3 temos rea de 0,10, pela simetria
da curva, temso que ter rea 0,10 acima da abscissa simtrica. Ou seja, acima de
n2
n2
3 temos rea 0,10 e, portanto, a rea entre 0 e 3 tem que ser 0,40.
n2
n2
= 0> 10 Pr ] A
= 0> 10
Pr ] ?
3
3
n2
n2
Pr 0 ]
= 0> 40 wde
= 0> 40
3
3
n2
= 1> 28 n + 2 = 3> 84 n = 1> 84

3
Figura 4.16: [ Q (; 2 ) : Pr( 2 [ + 2) = Pr(2 ] 2)

Para resolver este problema, devemos, como antes, obter a probabilidade equivalente em termos da normal padro (veja a Figura 4.17):
[ 2
n2
?
= 0> 95
Pr([ ? n) = 0> 95 Pr
3
3
n2
n2
= 0> 95 Pr(] ? 0) + Pr 0 ] ?
= 0> 95
Pr ] ?
3
3
n2
n2
= 0> 95 wde
= 0> 45
0> 5 + wde
3
3
Ento, na Tabela 2, temos que procurar, no corpo da tabela, a abscissa que corresponde rea de 0,45. fcil ver que essa abscissa 1,64, ou seja:
n2
= 1> 64 = n = 2 + 3 1=64 = 6> 92
3
Figura 4.18: [ Q (2; 9) : Pr([ ? n) = 0> 10

0> 90
4.4
n2
3
Exemplo: qui-quadrado e normal
Seja ] Q(0; 1) e considere \ = ] 2 = Para | A 0 temos
Figura 4.17: [ Q (2; 9) : Pr([ ? n) = 0> 95
n2
3
= 0> 95
6. Se [ Q (2; 9)> encontre o valor de n tal que Pr([ ? n) = 0> 10=

Soluo
I\ (|) = Pr(\ |) = Pr(] 2 |)

= Pr ( | ] |)

= I] ( |) I] ( |)

= ( |) ( |)
= 0> 10 n2
=
3
69
70
e, portanto, usando a regra da cadeia, resulta que

i\ (|) =
=
=
=
=
=
=
g
g

[ ( |)]
[ ( |)]
g|
g|
1
1

0 ( |) 0 ( |)
2 |
2 |
1
1

* ( |) + * ( |)
2 |
2 |
2 !
2 !
|
|
1
1
1
1
exp
+ exp

2
2 |
2
2 |
2
2

| 1
1
2 exp

2 2 |
2
|
1
exp | 1@2
2
2
1
1@21

|
h|@2
12 21@2
Comparando com a densidade qui-quadrado dada em (2.21)

1
i ({) = q q@2 {q@21 h{@2
( 2 )2
se { A 0
vemos que i\ (|) uma qui-quadrado com 1 grau de liberdade, ou seja, se ] Q (0; 1)>
ento ] 2 "21 . Este resultado se generaliza da seguinte forma: se ]1 > ]2 > = = = > ]q so
variveis aleatrias independentes, todas com distribuio normal padro, ento \ =
]12 + ]22 + = = = + ]q2 tem distribuio qui-quadrado com q graus de liberdade. Dessa
denio ca mais claro o conceito de graus de liberdade: o nmero de parcelas
independentes em uma soma de variveis aleatrias.
J foi visto que, se [ "2q> ento H([) = q e Y du([) = 2q= Na Figura 4.19
so apresentados os grcos para q = 1> 2> 6= Para q A 2> o grco tem sempre forma
semelhante ao ltimo grco desta gura.
4.4.1
Tabela da qui-quadrado
Ao contrrio da distribuio normal, no existe relao entre as diferentes distribuies

qui-quadrado. Assim, para o clculo de probabilidades desta distribuio seria necessria
uma tabela para cada valor de q ou o uso de programas computacionais. Nos livros
didticos comum apresentar uma tabela da distribuio qui-quadrado que envolve os
valores crticos, ou seja, valores que deixam determinada probabilidade acima deles.
Mais precisamente, o valor crtico da "2q associado probabilidade o valor "2q; tal
que
Pr("2q A "2q; ) =
Veja a Figura 4.20.
Ao nal desta apostila apresentamos a Tabela 3, que fornece os valores crticos da
distribuio qui-quadrado. Nas linhas da tabela temos os graus de liberdade e nas
colunas, a rea na cauda superior. O corpo da tabela fornece o vcalor crtico "2q; =
5
4
3
2
1
0
0
10
12
20
25
30
n =1
0,6
0,5
0,4
0,3
0,2
0,1
0
0
n =2
0,15
0,10
0,05
0,00
0
10
15
n =6
Figura 4.19: Distribuio qui-quadrado
71
72
Sabemos que i\ (|) = I 0 (|) e, tambm, no caso da normal padro, 0 (}) = *(})=
Logo, pela regra da cadeia,
1
ln |
1
ln |
=*
=
i\ (|) = 0

|

|
"
2 #
1
1 ln |
1
= exp
2

|
2
ou ainda:
"
#
1
1 ln | 2
exp
i\ (|) =
2

| 2 2
|A0
Figura 4.20: Valor crtico da qui-quadrado
4.5.2
4.4.2
Exemplos
Esperana
A esperana de \ :
1. Na distribuio "215 > encontre a abscissa n tal que Pr("215 A n) = 0> 05=
Z
H(\ ) =
Soluo
Temos que considerar a linha correspondente a 15 graus de liberdade e a coluna
correspondente a = 0> 05> o que nos d n = 24> 996
2. Na distribuio
"223 >
encontre a abscissa n tal que
Pr("223
? n) = 0> 10=
1. O problema d a cauda inferior. Temos que

Pr("2 (23) ? n) = 0> 10 Pr("2 (23) n) = 0> 90
Temos que considerar a linha correspondente a 23 graus de liberdade e a coluna
correspondente a = 0> 90> o que nos d n = 14> 848=
4.5
4.5.1
A distribuio log-normal
Denio
Seja [ Q (> 2 )= Se denimos uma nova varivel aleatria \ = h[ ento diz-se

que \ tem distribuio log-normal com parmetros e 2 = Reciprocamente, se \ tem
distribuio log-normal, ento [ = ln \ tem distribuio Q (> 2 )=
Vamos calcular a funo de densidade de probabilidade de uma varivel aleatria lognormal a partir de sua funo de distribuio acumulada. Note que \ s pode assumir
valores positivos. Temos que:
I\ (|) = Pr (\ |) = Pr h[ | = Pr ([ ln |) =
[
ln |
ln |

= Pr ]
= Pr

ln |
=
|A0

Fazendo a mudana de varivel

w = ln |
temos que
Soluo
| = 0 w =
|= w=
gw = |1 g|
| = hw
"
#
1
1 ln | 2
|
exp
g|
2

| 2 2
73
4.5.3
e, portanto
H(\ ) =
=
=
=
=
2 #
"

1
1 w
gw =
exp
+ w gw
2

2 2
2
Z
2
2
1
w 2w + 2 w

exp
gw =
2 2
22
"
#
Z
w2 2w + 2 + 2
1

exp
gw
2
2 2
2
"
#
Z
w2 2w + 2
1
2

exp
exp 2 gw =
2
2
2
22
"

2
2 #
Z
2
2
w 2w + 2 + + 2 + 2
1

exp
exp 2
gw
2
2 2
2 2
1

22
"
hw exp
1
2
w

2 )
2 !
Z
w + 2
+ 2
1
2
exp
exp
gw
= exp 2
2
2 2
2 2
2 2

(
2 !
2 )
Z
+ 2
w + 2
2
1
exp

gw
= exp 2 +
2
2 2
2 2
2 2
Varincia
Vamos calcular de modo anlogo H(\ 2 )> usando a mesma transformao:

"
#
Z
1
1 ln | 2
g|
H(\ 2 ) =
|2
exp
2

| 22
0
"
"
#
#
Z
Z
1 w 2
1 w 2
1
1
2w
=
h exp
exp
+ 2w gw
gw =
2

2

2 2
22
2
Z
2
2
w 2w + 4 w
1
exp
=
gw =
2 2
2 2
"
#
Z
w2 2w + 2 2 + 2
1
exp
=
gw
2 2
2 2
"
#
Z
w2 2w + 2 2
2
1
exp
exp 2 gw =
=
2
2
2
2 2
"

2
2 #
Z
2
2
w 2w + 22 + + 2 2 + 2 2
1

exp
= exp 2
gw
2
2 2
22
2 )
2 !
Z
w + 22
+ 22
1
2
exp
exp
gw
= exp 2
2
2 2
2 2
22

(
2 !
2 )
Z
+ 2 2
w + 22
1
2

exp
gw
= exp 2 +
2
2 2
2 2
22
Mas o termo
colchetes externos a integral de uma densidade normal com
entre os
mdia = + 2 e varincia 2 ; logo, essa integral 1 e, portanto:
2 !
2
+ 2
+ 2 + 2 2 + 4
2
H(\ ) = exp 2 +

= exp
2
2
2
2
2
2
H(\ ) = exp +
(4.23)
2
74
Como antes, o termo entre os colchetes externos 1 porque a integral de uma densidade
normal com mdia + 2 2 e varincia 2 = Logo,
2 !
2
+ 22
2
+ 2 + 4 2 + 4 4

H(\ 2 ) = exp 2 +
=
exp
2
2 2
2 2
H(\ 2 ) = exp 2 + 22

e
2

2
=
Var(\ ) = exp 2 + 2 2 exp +
2

2
= exp 2 + 22 exp 2 +
=
2
2
2
= exp 2 + 2 exp 2 +
#
"
exp 2 + 22
= exp 2 + 2

1
=
exp (2 + 2 )
= exp 2 + 2 exp 2 + 2 2 2 2 1 =
2
2
= exp 2 + exp 1
2
Denindo p = H([) = exp 10) + 2 > temos que p2 = exp 2 + 2 = Logo,
h 2i
Var(\ ) = p2 h 1
(4.24)
4.6
75
Exerccios propostos
1. Na distribuio normal [
Q(> 2 ),
encontre:
76
7. O dimetro [ de rolamentos de esfera fabricados por certa fbrica tem distribuio

normal com mdia 0,6140 e desvio padro 0,0025. O lucro W de cada esfera depende
do seu dimetro e
(a) Pr([ + 2) (Resp.: 0> 97725)
W = 0> 10 se a esfera boa, isto , 0> 6100 ? [ ? 0> 6180
(b) Pr(|[ | ) (Resp.:0> 68268)

(c) Pr(|[ | 1> 96) (Resp.: 0> 95)
W = 0> 05 se a esfera recupervel, isto , 0> 6080 ? [ ? 0> 6100 ou 0> 6180 ?
[ ? 0> 6200
(d) o nmero n tal que Pr( n [ + n) = 0> 99 (Resp.: 2> 58 )
W = 0> 10 se a esfera defeituosa, isto , [ ? 0> 6080 ou [ A 0> 6200
(e) o nmero n tal que Pr([ A n) = 0> 90= (Resp.: 1> 28)
2. Suponha que os tempos de vida de 2 marcas de aparelhos eltricos sejam variveis
aleatrias G1 e G2 , onde G1 Q (42> 36) e G2 Q (45> 9). Se o aparelho deve ser
usado por um perodo de 45 horas, qual marca deve ser preferida? E se for por
um perodo de 49 horas? (Resp.: 2;1)
3. Numa distribuio normal, 31% dos elementos so menores que 45 e 8% so maiores
que 64. Calcular os parmetros que denem a distribuio. (Resp.: = 50;
)
4. As vendas de um determinado produto tm distribuio aproximadamente normal
com mdia de 500 unidades e desvio padro de 50 unidades. Se a empresa decide
fabricar 600 unidades no ms em estudo, qual a probabilidade de que no possa
atender a todos os pedidos desse ms, por estar com a produo esgotada? (Resp.:
0> 0228)
5. Um produto alimentcio ensacado automaticamente, sendo o peso mdio de 50
kg por saco, com desvio padro de 1,6 kg. Os clientes exigem que, para cada saco
fornecido com menos de 48 kg, o fornecedor pague uma indenizao de 5 u.m..
(a) Para 200 sacos fornecidos, qual o custo mdio com indenizao? (Resp.:
105> 6 u.m)
(b) Para que o custo calculado no item anterior caia para 50 u.m., qual deveria
ser a nova regulagem mdia da mquina? (Resp.: 50> 624)
(c) Como o fornecedor acha que, no custo global, desvantajoso aumentar a
regulagem da mquina, ele quer comprar uma nova mquina. Qual deveria
ser o desvio padro dessa mquina para que, trabalhando com peso mdio de
50 kg, em apenas 3% dos sacos se pague indenizao? (Resp.: 1> 064)
6. Um teste de aptido para o exerccio de uma certa prosso exige uma sequncia
de operaes a serem executadas rapidamente uma aps a outra. Para passar no
teste, o candidato deve complet-lo em, no mximo, 80 minutos. Admita que o
tempo, em minutos, para completar a prova seja uma varivel aleatria normal
com mdia 90 minutos e desvio padro 20 minutos.
(a) Que porcentagem dos candidatos tem chance de ser aprovada? (Resp.: 30> 85)
(b) Os 5% melhores recebero um certicado especial. Qual o tempo mximo
para fazer jus a tal certicado? (Resp.: 57> 2 min)
Calcule as probabilidades de as esferas serem boas, recuperveis e defeituosas e o

lucro mdio. (Resp.: 0> 8904; 0> 0932; 0> 0164; 0> 09206)
8. Uma empresa produz televisores e garante a restituio da quantia paga se qualquer televisor apresentar algum defeito grave no prazo de 6 meses. Ela produz
televisores do tipo A comum e do tipo B de luxo, com um lucro respectivo de
1000 u.m. e 2000 u.m. caso no haja restituio, e com prejuzo de 3000 u.m. e
8000 u.m., se houver restituio. Suponha que o tempo para ocorrncia de algum
defeito grave seja, em ambos os casos, uma varivel aleatria com distribuio
normal com mdias 9 meses e 12 meses e desvios padres 2 meses e 3 meses. Se
tivesse que planejar uma estratgia de marketing para a empresa, voc incentivaria
as vendas dos aparelhos tipo A ou tipo B? (Resp.: H(OD ) = 732> 8; H(OE ) = 1772)
9. A distribuio dos pesos de coelhos criados em uma granja pode ser representada
por uma distribuio normal com mdia de 5 kg e desvio padro de 0,8 kg. Um
abatedouro comprar 5000 coelhos e pretende classic-los de acordo com o peso
da seguinte forma: 20% dos leves como pequenos, os 55% seguintes como mdios,
os 15% seguintes como grandes e os 10% mais pesados como extras. Quais os
limites de peso para cada classicao? (Resp.: 4> 328; 5> 536; 6> 024)
10. Considere uma varivel aleatria [ Q(3> 25) :
(a) Calcule Pr (3 [ 3) (Resp.: 0> 38493)
(b) Calcule Pr (2 [ 8) (Resp.: 0> 68268)
(c) Encontre o valor de n tal que Pr([ A n) = 0> 05= (Resp.: n = 11> 2)
(d) Encontre o valor de n tal que Pr([ A n) = 0> 80= (Resp.: n = 1> 2)
11. Seja [ Q > 2 = Encontre a mediana e o intervalo interquartil de [= (Resp.:

T2 = ; LT = 1> 34)
12. O 90o percentil de uma varivel aleatria Q > 2 50, enquanto o 15o percentil
25. Encontre os valores dos parmetros da distribuio. (Resp.: = 36> 35;
= 10> 92)
13. Uma enchedora automtica enche garrafas de acordo com uma distribuio normal
de mdia 1000 ml. Deseja-se que no mximo 1 garrafa em 100 saia com menos de
990ml. Qual deve ser o maior desvio padro tolervel? (Resp.: 4> 2918)
77
Tabela 1
Tabela da Distribuio Acumulada da Normal Padro
Tabela 2
Distribuio normal padro
Valores de p
Valores de p
p
Casa inteira
a
e 1 . Decimal
0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1,0
1,1
1,2
1,3
1,4
1,5
1,6
1,7
1,8
1,9
2,0
2,1
2,2
2,3
2,4
2,5
2,6
2,7
2,8
2,9
3,0
3,1
3,2
3,3
3,4
3,5
3,6
3,7
3,8
3,9
4,0
)( z)
Pr( Z d z )
a
0
0,50000
0,53983
0,57926
0,61791
0,65542
0,69146
0,72575
0,75804
0,78814
0,81594
0,84134
0,86433
0,88493
0,90320
0,91924
0,93319
0,94520
0,95543
0,96407
0,97128
0,97725
0,98214
0,98610
0,98928
0,99180
0,99379
0,99534
0,99653
0,99744
0,99813
0,99865
0,99903
0,99931
0,99952
0,99966
0,99977
0,99984
0,99989
0,99993
0,99995
0,99997
1
0,50399
0,54380
0,58317
0,62172
0,65910
0,69497
0,72907
0,76115
0,79103
0,81859
0,84375
0,86650
0,88686
0,90490
0,92073
0,93448
0,94630
0,95637
0,96485
0,97193
0,97778
0,98257
0,98645
0,98956
0,99202
0,99396
0,99547
0,99664
0,99752
0,99819
0,99869
0,99906
0,99934
0,99953
0,99968
0,99978
0,99985
0,99990
0,99993
0,99995
0,99997
2
0,50798
0,54776
0,58706
0,62552
0,66276
0,69847
0,73237
0,76424
0,79389
0,82121
0,84614
0,86864
0,88877
0,90658
0,92220
0,93574
0,94738
0,95728
0,96562
0,97257
0,97831
0,98300
0,98679
0,98983
0,99224
0,99413
0,99560
0,99674
0,99760
0,99825
0,99874
0,99910
0,99936
0,99955
0,99969
0,99978
0,99985
0,99990
0,99993
0,99996
0,99997
78
3
0,51197
0,55172
0,59095
0,62930
0,66640
0,70194
0,73565
0,76730
0,79673
0,82381
0,84849
0,87076
0,89065
0,90824
0,92364
0,93699
0,94845
0,95818
0,96638
0,97320
0,97882
0,98341
0,98713
0,99010
0,99245
0,99430
0,99573
0,99683
0,99767
0,99831
0,99878
0,99913
0,99938
0,99957
0,99970
0,99979
0,99986
0,99990
0,99994
0,99996
0,99997
2 decimal
4
5
0,51595 0,51994
0,55567 0,55962
0,59483 0,59871
0,63307 0,63683
0,67003 0,67364
0,70540 0,70884
0,73891 0,74215
0,77035 0,77337
0,79955 0,80234
0,82639 0,82894
0,85083 0,85314
0,87286 0,87493
0,89251 0,89435
0,90988 0,91149
0,92507 0,92647
0,93822 0,93943
0,94950 0,95053
0,95907 0,95994
0,96712 0,96784
0,97381 0,97441
0,97932 0,97982
0,98382 0,98422
0,98745 0,98778
0,99036 0,99061
0,99266 0,99286
0,99446 0,99461
0,99585 0,99598
0,99693 0,99702
0,99774 0,99781
0,99836 0,99841
0,99882 0,99886
0,99916 0,99918
0,99940 0,99942
0,99958 0,99960
0,99971 0,99972
0,99980 0,99981
0,99986 0,99987
0,99991 0,99991
0,99994 0,99994
0,99996 0,99996
0,99997 0,99997
Para abscissas maiores que 4,09, use a probabilidade 1,00000
6
0,52392
0,56356
0,60257
0,64058
0,67724
0,71226
0,74537
0,77637
0,80511
0,83147
0,85543
0,87698
0,89617
0,91309
0,92785
0,94062
0,95154
0,96080
0,96856
0,97500
0,98030
0,98461
0,98809
0,99086
0,99305
0,99477
0,99609
0,99711
0,99788
0,99846
0,99889
0,99921
0,99944
0,99961
0,99973
0,99981
0,99987
0,99992
0,99994
0,99996
0,99998
7
0,52790
0,56749
0,60642
0,64431
0,68082
0,71566
0,74857
0,77935
0,80785
0,83398
0,85769
0,87900
0,89796
0,91466
0,92922
0,94179
0,95254
0,96164
0,96926
0,97558
0,98077
0,98500
0,98840
0,99111
0,99324
0,99492
0,99621
0,99720
0,99795
0,99851
0,99893
0,99924
0,99946
0,99962
0,99974
0,99982
0,99988
0,99992
0,99995
0,99996
0,99998
8
0,53188
0,57142
0,61026
0,64803
0,68439
0,71904
0,75175
0,78230
0,81057
0,83646
0,85993
0,88100
0,89973
0,91621
0,93056
0,94295
0,95352
0,96246
0,96995
0,97615
0,98124
0,98537
0,98870
0,99134
0,99343
0,99506
0,99632
0,99728
0,99801
0,99856
0,99896
0,99926
0,99948
0,99964
0,99975
0,99983
0,99988
0,99992
0,99995
0,99997
0,99998
9
0,53586
0,57535
0,61409
0,65173
0,68793
0,72240
0,75490
0,78524
0,81327
0,83891
0,86214
0,88298
0,90147
0,91774
0,93189
0,94408
0,95449
0,96327
0,97062
0,97670
0,98169
0,98574
0,98899
0,99158
0,99361
0,99520
0,99643
0,99736
0,99807
0,99861
0,99900
0,99929
0,99950
0,99965
0,99976
0,99983
0,99989
0,99992
0,99995
0,99997
0,99998
Casa inteira
a
e 1 . Decimal
0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1,0
1,1
1,2
1,3
1,4
1,5
1,6
1,7
1,8
1,9
2,0
2,1
2,2
2,3
2,4
2,5
2,6
2,7
2,8
2,9
3,0
3,1
3,2
3,3
3,4
3,5
3,6
3,7
3,8
3,9
4,0
Pr(0 d Z d z )
a
0
0,00000
0,03983
0,07926
0,11791
0,15542
0,19146
0,22575
0,25804
0,28814
0,31594
0,34134
0,36433
0,38493
0,40320
0,41924
0,43319
0,44520
0,45543
0,46407
0,47128
0,47725
0,48214
0,48610
0,48928
0,49180
0,49379
0,49534
0,49653
0,49744
0,49813
0,49865
0,49903
0,49931
0,49952
0,49966
0,49977
0,49984
0,49989
0,49993
0,49995
0,49997
1
0,00399
0,04380
0,08317
0,12172
0,15910
0,19497
0,22907
0,26115
0,29103
0,31859
0,34375
0,36650
0,38686
0,40490
0,42073
0,43448
0,44630
0,45637
0,46485
0,47193
0,47778
0,48257
0,48645
0,48956
0,49202
0,49396
0,49547
0,49664
0,49752
0,49819
0,49869
0,49906
0,49934
0,49953
0,49968
0,49978
0,49985
0,49990
0,49993
0,49995
0,49997
2
0,00798
0,04776
0,08706
0,12552
0,16276
0,19847
0,23237
0,26424
0,29389
0,32121
0,34614
0,36864
0,38877
0,40658
0,42220
0,43574
0,44738
0,45728
0,46562
0,47257
0,47831
0,48300
0,48679
0,48983
0,49224
0,49413
0,49560
0,49674
0,49760
0,49825
0,49874
0,49910
0,49936
0,49955
0,49969
0,49978
0,49985
0,49990
0,49993
0,49996
0,49997
3
0,01197
0,05172
0,09095
0,12930
0,16640
0,20194
0,23565
0,26730
0,29673
0,32381
0,34849
0,37076
0,39065
0,40824
0,42364
0,43699
0,44845
0,45818
0,46638
0,47320
0,47882
0,48341
0,48713
0,49010
0,49245
0,49430
0,49573
0,49683
0,49767
0,49831
0,49878
0,49913
0,49938
0,49957
0,49970
0,49979
0,49986
0,49990
0,49994
0,49996
0,49997
2 decimal
4
5
0,01595 0,01994
0,05567 0,05962
0,09483 0,09871
0,13307 0,13683
0,17003 0,17364
0,20540 0,20884
0,23891 0,24215
0,27035 0,27337
0,29955 0,30234
0,32639 0,32894
0,35083 0,35314
0,37286 0,37493
0,39251 0,39435
0,40988 0,41149
0,42507 0,42647
0,43822 0,43943
0,44950 0,45053
0,45907 0,45994
0,46712 0,46784
0,47381 0,47441
0,47932 0,47982
0,48382 0,48422
0,48745 0,48778
0,49036 0,49061
0,49266 0,49286
0,49446 0,49461
0,49585 0,49598
0,49693 0,49702
0,49774 0,49781
0,49836 0,49841
0,49882 0,49886
0,49916 0,49918
0,49940 0,49942
0,49958 0,49960
0,49971 0,49972
0,49980 0,49981
0,49986 0,49987
0,49991 0,49991
0,49994 0,49994
0,49996 0,49996
0,49997 0,49997
Para abscissas maiores que 4,09, use a probabilidade 0,50000
6
0,02392
0,06356
0,10257
0,14058
0,17724
0,21226
0,24537
0,27637
0,30511
0,33147
0,35543
0,37698
0,39617
0,41309
0,42785
0,44062
0,45154
0,46080
0,46856
0,47500
0,48030
0,48461
0,48809
0,49086
0,49305
0,49477
0,49609
0,49711
0,49788
0,49846
0,49889
0,49921
0,49944
0,49961
0,49973
0,49981
0,49987
0,49992
0,49994
0,49996
0,49998
7
0,02790
0,06749
0,10642
0,14431
0,18082
0,21566
0,24857
0,27935
0,30785
0,33398
0,35769
0,37900
0,39796
0,41466
0,42922
0,44179
0,45254
0,46164
0,46926
0,47558
0,48077
0,48500
0,48840
0,49111
0,49324
0,49492
0,49621
0,49720
0,49795
0,49851
0,49893
0,49924
0,49946
0,49962
0,49974
0,49982
0,49988
0,49992
0,49995
0,49996
0,49998
8
0,03188
0,07142
0,11026
0,14803
0,18439
0,21904
0,25175
0,28230
0,31057
0,33646
0,35993
0,38100
0,39973
0,41621
0,43056
0,44295
0,45352
0,46246
0,46995
0,47615
0,48124
0,48537
0,48870
0,49134
0,49343
0,49506
0,49632
0,49728
0,49801
0,49856
0,49896
0,49926
0,49948
0,49964
0,49975
0,49983
0,49988
0,49992
0,49995
0,49997
0,49998
9
0,03586
0,07535
0,11409
0,15173
0,18793
0,22240
0,25490
0,28524
0,31327
0,33891
0,36214
0,38298
0,40147
0,41774
0,43189
0,44408
0,45449
0,46327
0,47062
0,47670
0,48169
0,48574
0,48899
0,49158
0,49361
0,49520
0,49643
0,49736
0,49807
0,49861
0,49900
0,49929
0,49950
0,49965
0,49976
0,49983
0,49989
0,49992
0,49995
0,49997
0,49998
79
Tabela 3
Tabela da Qui-Quadrado
Valores crticos tais que
Pr F n2 t F n2;D
D
g.l.
n
F n2;D
=
0,990
0,980
0,975
0,950
0,900
0,800
0,200
0,100
0,050
0,025
0,020
0,010
0,000
0,001
0,001
0,004
0,016
0,064
1,642
2,706
3,841
5,024
5,412
6,635
0,020
0,040
0,051
0,103
0,211
0,446
3,219
4,605
5,991
7,378
7,824
9,210
0,115
0,185
0,216
0,352
0,584
1,005
4,642
6,251
7,815
9,348
9,837 11,345
0,297
0,429
0,484
0,711
1,064
1,649
5,989
7,779
9,488 11,143 11,668 13,277
0,554
0,752
0,831
1,145
1,610
2,343
7,289
9,236 11,070 12,833 13,388 15,086
0,872
1,134
1,237
1,635
2,204
3,070
8,558 10,645 12,592 14,449 15,033 16,812
1,239
1,564
1,690
2,167
2,833
3,822
9,803 12,017 14,067 16,013 16,622 18,475
1,646
2,032
2,180
2,733
3,490
4,594 11,030 13,362 15,507 17,535 18,168 20,090
2,088
2,532
2,700
3,325
4,168
5,380 12,242 14,684 16,919 19,023 19,679 21,666
10
2,558
3,059
3,247
3,940
4,865
6,179 13,442 15,987 18,307 20,483 21,161 23,209
11
3,053
3,609
3,816
4,575
5,578
6,989 14,631 17,275 19,675 21,920 22,618 24,725
12
3,571
4,178
4,404
5,226
6,304
7,807 15,812 18,549 21,026 23,337 24,054 26,217
13
4,107
4,765
5,009
5,892
7,042
8,634 16,985 19,812 22,362 24,736 25,472 27,688
14
4,660
5,368
5,629
6,571
7,790
9,467 18,151 21,064 23,685 26,119 26,873 29,141
15
5,229
5,985
6,262
7,261
8,547 10,307 19,311 22,307 24,996 27,488 28,259 30,578
16
5,812
6,614
6,908
7,962
9,312 11,152 20,465 23,542 26,296 28,845 29,633 32,000
17
6,408
7,255
7,564
8,672 10,085 12,002 21,615 24,769 27,587 30,191 30,995 33,409
18
7,015
7,906
8,231
9,390 10,865 12,857 22,760 25,989 28,869 31,526 32,346 34,805
19
7,633
8,567
8,907 10,117 11,651 13,716 23,900 27,204 30,144 32,852 33,687 36,191
20
8,260
9,237
9,591 10,851 12,443 14,578 25,038 28,412 31,410 34,170 35,020 37,566
21
8,897
9,915 10,283 11,591 13,240 15,445 26,171 29,615 32,671 35,479 36,343 38,932
22
9,542 10,600 10,982 12,338 14,041 16,314 27,301 30,813 33,924 36,781 37,659 40,289
23 10,196 11,293 11,689 13,091 14,848 17,187 28,429 32,007 35,172 38,076 38,968 41,638
24 10,856 11,992 12,401 13,848 15,659 18,062 29,553 33,196 36,415 39,364 40,270 42,980
25 11,524 12,697 13,120 14,611 16,473 18,940 30,675 34,382 37,652 40,646 41,566 44,314
26 12,198 13,409 13,844 15,379 17,292 19,820 31,795 35,563 38,885 41,923 42,856 45,642
27 12,879 14,125 14,573 16,151 18,114 20,703 32,912 36,741 40,113 43,195 44,140 46,963
28 13,565 14,847 15,308 16,928 18,939 21,588 34,027 37,916 41,337 44,461 45,419 48,278
29 14,256 15,574 16,047 17,708 19,768 22,475 35,139 39,087 42,557 45,722 46,693 49,588
30 14,953 16,306 16,791 18,493 20,599 23,364 36,250 40,256 43,773 46,979 47,962 50,892

3 Vacont PDF

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

3 Vacont PDF

Enviado por

Direitos autorais:

Formatos disponíveis

UNIVERSIDADE FEDERAL FLUMINENSE

VARIVEIS ALEATRIAS CONTNUAS

Ana Maria Lima de Farias

3 Funes de Variveis Aleatrias Contnuas

2 Algumas Distribuies Contnuas

2.3.8 A distribuio qui-quadrado . . . .

CAPTULO 1. VARIVEIS ALEATRIAS CONTNUAS

Variveis Aleatrias Contnuas

No estudo das distribuies de frequncia para variveis quantitativas contnuas, vimos

Figura 1.2: Clculo da freqncia entre dois pontos d e e

CAPTULO 1. VARIVEIS ALEATRIAS CONTNUAS

CAPTULO 1. VARIVEIS ALEATRIAS CONTNUAS

Figura 1.4: Probabilidade como rea

Varivel aleatria contnua

Funo de densidade de probabilidade

Os valores de uma varivel aleatria contnua so denidos a partir do espao amostral

CAPTULO 1. VARIVEIS ALEATRIAS CONTNUAS

CAPTULO 1. VARIVEIS ALEATRIAS CONTNUAS

Funo de distribuio acumulada

Da mesma forma que a funo de distribuio de probabilidade de uma varivel aleatria

Figura 1.5: Exemplo de funo de distribuio acumulada de uma varivel aleatria

Esperana de variveis aleatrias contnuas

CAPTULO 1. VARIVEIS ALEATRIAS CONTNUAS

CAPTULO 1. VARIVEIS ALEATRIAS CONTNUAS

Esperana de funes de variveis aleatrias contnuas

Se [ uma varivel aleatria contnua e k : R R uma funo qualquer, ento

Propriedades da mdia e da varincia de variveis aleatrias

As mesmas propriedades vistas para variveis aleatrias discretas continuam valendo no

Varincia de variveis aleatrias contnuas

O desvio padro denido como

Usando este resultado e a denio de varincia, temos que

Var (e[) = H (e[)2 [H(e[)]2

Considere a funo i[ apresentada na Figura 1.7.

o que nos leva ao resultado j visto para variveis discretas:

Esses resultados podem ser facilmente demonstrados a partir das propriedades da

Usando as propriedades do clculo integral e representando por  a esperana de [

De forma resumida: a varincia a esperana do quadrado de [ menos o quadrado da

2. Determine a equao que dene i[ =

CAPTULO 1. VARIVEIS ALEATRIAS CONTNUAS

Figura 1.7: Funo de densidade de probabilidade para o Exemplo 1

4. Por argumentos de simetria, a esperana o ponto mdio, ou seja, H([) = 3=

Figura 1.8: Clculo de Pr(2  [  3) para o Exemplo 1

3. A probabilidade pedida a rea sombreada na Figura 1.8. Logo,

ng{ = 1 = n {|51 = 1 = n(5 1) = 1  n =

CAPTULO 1. VARIVEIS ALEATRIAS CONTNUAS

Figura 1.9: Clculo de n tal que Pr([  n) = 0> 6 para o Exemplo 1

Usando integral, temos ter

cujo grco est ilustrado na Figura 1.11.

CAPTULO 1. VARIVEIS ALEATRIAS CONTNUAS

CAPTULO 1. VARIVEIS ALEATRIAS CONTNUAS

Considere a funo i[ apresentada na Figura 1.12.

Figura 1.12: Funo de densidade de probabilidade para o Exemplo 2

1. Encontre o valor de n para que i[ seja uma funo de densidade de probabilidade

Figura 1.11: Funo de distribuio acumulada para o Exemplo 1

CAPTULO 1. VARIVEIS ALEATRIAS CONTNUAS

CAPTULO 1. VARIVEIS ALEATRIAS CONTNUAS

Figura 1.13: Clculo de n para o Exemplo 2

0> 06 + 0> 04{ se 1  {  6

Figura 1.15: Clculo da funo de distribuio acumulada para o Exemplo 2

= 0> 06{ + 0> 02{2 (0> 06 + 0> 02)

5. Queremos determinar n tal que I[ (n) = 0> 6= Logo,

A raiz que fornece resultado dentro do domnio de variao de [

CAPTULO 1. VARIVEIS ALEATRIAS CONTNUAS

Usando as propriedades do clculo integral e representando por a esperana de [

Figura 1.8: Clculo de Pr(2 [ 3) para o Exemplo 1

ng{ = 1 = n {|51 = 1 = n(5 1) = 1 n =

Figura 1.9: Clculo de n tal que Pr([ n) = 0> 6 para o Exemplo 1

0> 06 + 0> 04{ se 1 { 6

6. Determine o valor de n tal que Pr([ n) = 0> 6=

Figura 1.17: Ilustrao do clculo de Pr(1 [ 3)

Veja a Figura 1.19; para 0 { ? 2> o grco de I[ uma parbola cncava

Para { [2> 4]> temos que

Como a f.d.p. exponencial depende apenas do valor de , esse o parmetro da densidade

Figura 2.5: Densidade exponencial - = 2

hw gw = hw = h{ 1