6.

2 - DISTRIBUIÇÃO NORMAL
A distribuição normal conhecida também como distribuição gaussiana é sem dúvida a mais
importante distribuição contínua. Sua importância se deve a vários fatores, entre eles podemos citar
o teorema central do limite, o qual é um resultado fundamental em aplicações práticas e teóricas,
pois ele garante que mesmo que os dados não sejam distribuídos segundo uma normal a média
dos dados converge para uma distribuição normal conforme o número de dados aumenta. Além
disso diversos estudos práticos tem como resultado uma distribuição normal. Podemos citar como
exemplo a altura de uma determinada população em geral segue uma distribuição normal. Entre
outras características físicas e sociais tem um comportamento gaussiano, ou seja, segue uma
distribuição normal.

Definição 6.2.1:
Uma variável aleatória contínua tem distribuição Normal se sua função densidade de
probabilidade for dada por:

Usamos a notação
A variação natural de muitos processos industriais é realmente aleatória. Embora as distribuições
de muitos processos possam assumir uma variedade de formas, muitas variáveis observadas
possuem uma distribuição de frequências que é, aproximadamente, uma distribuição de
probabilidade Normal.
Probabilidade é a chance real de ocorrer um determinado evento, isto é, a chance de ocorrer uma
medida em um determinado intervalo. Por exemplo, a frequência relativa deste intervalo, observada
à partir de uma amostra de medidas, é a aproximação da probabilidade. E a distribuição de
frequências é a aproximação da distribuição de probabilidades.
A distribuição é normal quando tem a forma de "sino":

Para achar a área sob a curva normal devemos conhecer dois valores numéricos, a média eo
desvio padrão . A Figura a seguir mostra algumas áreas importantes:
Quando e são desconhecidos (caso mais comum), estes valores serão estimados por e ,

respectivamente, a partir da amostra, em que e

Para cada valor de e/ou temos uma curva de distribuição de probabilidade. Porém, para se
calcular áreas específicas, faz-se uso de uma distribuição particular: a "distribuição normal
padronizada", também chamada de Standartizada ou reduzida, o qual é a distribuição normal
com e . Para obter tal distribuição, isto é, quando se tem uma variável com
distribuição normal com média diferente de (zero) e/ou desvio padrão diferente de (um),
devemos reduzi-la a uma variável , efetuando o seguinte cálculo

Assim, a distribuição passa a ter média e desvio padrão . Pelo fato da distribuição ser
simétrica em relação à média , a área à direita é igual a área à esquerda de . Por ser uma
distribuição muito usada, existem tabelas a qual encontramos a resolução de suas integrais. Assim,
a tabela fornece áreas acima de valores não negativos que vão desde até . Veja o gráfico
da curva Normal padronizada na Figura abaixo.
Exemplo 6.2.1:
Calcular a área sob a curva para maior que .
A área sob a curva normal para maior do que é dada por

ou seja, a probabilidade de ser maior do que é .

Exemplo 6.2.2:
Determine a área sob a curva de uma normal padronizada para entre e .
Para este cálculo, precisamos determinar:

Assim, a área que procuramos é .

Exemplo 6.2.3:
Suponha que a espessura média de arruelas produzidas em uma fábrica tenha distribuição normal
com média mm e desvio padrão mm. Qual a porcentagem de arruelas que tem
espessura entre mm e mm?
Para encontrar a porcentagem de arruelas com a espessura desejada devemos encontrar a área
abaixo da curva normal, compreendida entre os pontos e mm.
Para isso, temos que encontrar dois pontos da distribuição normal padronizada.
O primeiro ponto é
A área para valores maiores do que é , ou seja, . Portanto, a área para
valores menores do que é de .
O segundo ponto é:

A área para valores maiores do que é , ou seja, . Logo, o que procuramos é a

área entre e , que é dada por

Logo, a porcentagem de arruelas com espessura entre e (limites de tolerância da

especificação) é de .
Exemplo 6.2.4:
Suponha que o peso médio de porcos de uma certa fazenda é de kg, e o desvio padrão é
de kg. Supondo que este peso seja distribuído de forma normal, quantos porcos pesarão entre
kg e kg.
Para resolvermos este problema primeiramente devemos padroniza-lo, ou seja,

Então o valor padronizado de kg é de e de kg é de .

Assim a probabilidade é de

Portanto, o número aproximado que se espera de porcos entre kg e kg é .

Exemplo 6.2.5:
Suponha que siga uma distribuição normal com média e variância , ou seja, .
Então .
De fato,

E portanto, concluímos que .

Exemplo 6.2.6:
Suponha que seja uma variável aleatória tal que . Seja , mostremos
que também tem distribuição normal, sabendo que a e b são constantes reais.
De fato,
Fazendo uma mudança de variável; s=at+b temos que e então

de onde concluímos que

e, portanto

6.2.1 - PROPRIEDADES DA DISTRIBUIÇÃO NORMAL

Vamos calcular a função geradora de momentos para uma variável aleatória com distribuição
normal. Inicialmente, trataremos do caso em que a variável possui uma distribuição padronizada
para tratar do caso geral posteriormente. Portanto, considere inicialmente que . Então
sua função geradora de momentos é dada por

de onde concluímos que

Agora vamos calcular a função geradora de momentos para uma variável aleatória Z, tal
que . Lembremo-nos de que com . Assim
Se tem distribuição Normal, podemos calcular o valor esperado de a partir da função
geradora de momentos.

e assim

Agora iremos calcular a variância de utilizando a função geradora de momentos.

Desta forma temos que

e, portanto

6.12 - DISTRIBUIÇÃO EXPONENCIAL

Esta é uma distribuição que se caracteriza por ter uma função de taxa de falha constante. A
distribuição exponencial é a única com esta propriedade. Ela é considerada uma das mais simples
em termos matemáticos. Esta distribuição tem sido usada extensivamente como um modelo para o
tempo de vida de certos produtos e materiais. Ela descreve adequadamente o tempo de vida de
óleos isolantes e dielétricos, entre outros.
Definição 6.12.1:
A variável aleatória tem distribuição Exponencial com parâmetro , , se tiver função
densidade de probabilidade dada por:

em que é o parâmetro de taxa da distribuição e deve satisfazer . Neste caso, é o tempo

médio de vida e é um tempo de falha. O parâmetro deve ter a mesma unidade do tempo da
falha . Isto é, se é medido em horas, também será medido em horas.

A função de distribuição acumulada é dada por

Utilizamos a notação .

Observação 6.12.1:
A distribuição Exponencial pode ser parametrizada de uma forma alternativa segundo a função
densidade de probabilidade dada por

Neste caso, dizemos que é o parâmetro de escala da distribuição e é o inverso do parâmetro

taxa na definição acima. Neste definição alternativa, a variável aleatória pode ser interpretada
como a duração de tempo em que um sistema mecânico ou biológico sobrevive. Para este caso,
denotamos e, infelizmente, esta definição alternativa torna-se ambígua. Neste caso,
devemos verificar qual das duas especificações está sendo utilizada quando
escrevemos . Ou seja, devemos sempre verificar se está se referindo ao parâmetro
taxa ou ao parâmetro escala da distribuição.
Deixamos claro aqui que, a menos que especifiquemos o contrário, sempre que
escrevemos estamos nos referindo à parametrização em que é o parâmetro taxa.
Observação 6.12.2:
Notem que a função exponencial, na verdade, é um caso particular da função Gama, pois
se , então

O gráfico abaixo mostra a distribuição exponencial com parâmetros e .

Figura 6.12.1: Gráfico da função densidade para distribuição Exponencial.

Exemplo 6.12.1:
O tempo até a falha do ventilador de motores a diesel tem uma distribuição Exponencial com
parâmetro horas. Qual a probabilidade de um destes ventiladores falhar nas primeiras
24000 horas de funcionamento?

Ou seja, a probabilidade de um destes ventiladores falhar nas primeiras horas de

funcionamento é de, aproximadamente, 56,7%.

Exemplo 6.12.2:
Suponha que o tempo de vida de uma determinada espécie de inseto tenha uma distribuição
exponencial de parâmetro dia. Suponha também que estes insetos atinjam a maturidade
sexual após dias de seu nascimento. Qual a função densidade de probabilidade, em dias, dos
insetos que conseguem se reproduzir? E qual a probabilidade de que um inseto reprodutor viva
mais de dias?
Seja a distribuição do tempo de vida dos insetos, e a distribuição do tempo de vida dos
insetos que chegam a reprodução. Observem que , assim

Portanto, a função densidade de probabilidade de é dada por

Agora falta encontramos qual a probabilidade de que o inseto reprodutor dure mais de 24 dias.
Usando a densidade acima temos que
Exemplo 6.12.3:
Uma fábrica utiliza dois métodos para a produção de lâmpadas. 70% das lâmpadas são produzidas
pelo método e as demais pelo método . A duração da lâmpada depende do método pelo qual
ela foi produzida, sendo que as produzidas pelo método seguem uma distribuição exponencial
com parâmetro e as do método seguem uma exponencial de parâmetro . Qual a
probabilidade de que, se escolhermos uma lâmpada ao acaso, ela dure mais de horas?

Sejam e e considere os evento C={Uma lâmpada durar mais

de 100 horas}, A={A lâmpada ter sido fabricada pelo método A} e B={A lâmpada ter sido fabricada
pelo método B}. Assim usando o teorema 1.4.2 obtemos que

e, portanto,

Portanto a probabilidade de que uma lâmpada escolhida ao acaso dure mais de 100 horas é de
31%.

Exemplo 6.12.4:
Sabendo que , qual a função densidade de probabilidade de .
Sabemos que a densidade de é dada por

Assim

e portanto concluímos que

Portanto segue uma distribuição uniforme em (0,1).

Função Geradora de Momentos, Valor Esperado e

Variância

Seja um variável aleatória com distribuição exponencial com parâmetro . Então sua função
geradora de momentos é dada por:

Temos que o valor esperado e a variância de uma variável aleatória X com distribuição exponencial
com parâmetro λ são dados, respectivamente, por

e, resolvendo esta integral por partes concluímos que

Portanto, o valor esperado de é . Para encontrar a variância de , vamos primeiramente

calcular o valor esperado de .
e, resolvendo a integral por partes, obtemos que

Portanto a variância de é dada por

Assim, o valor esperado e a variância de são dados, respectivamente por:

Podemos calcular também o valor esperado e a variância utilizando a função geradora de

momentos

Portanto, o valor esperado e a variância podem ser calculados por

e

Observação 6.12.3:
Quando estamos trabalhando com a distribuição exponencial parametrizada com o parâmetro
escala temos que

6.9 - DISTRIBUIÇÃO GAMA

A distribuição gama é uma das mais gerais distribuições, pois diversas distribuições são caso
particular dela como por exemplo a exponencial, a qui-quadrado, entre outras. Essa distribuição tem
como suas principais aplicações à análise de tempo de vida de produtos.

Definição 6.9.1:
Uma variável aleatória tem distribuição Gama com parâmetros (também denominado
parâmetro de forma) e (parâmetro de taxa), denotando-se , se sua função
densidade é dada por

Os gráficos aproximados das funções de distribuição e de densidade para e são

apresentados, respectivamente, nas seguintes figuras
Observação 6.9.1:
Em algumas referências, é usado um parâmetro de escala equivalente ao inverso do
parâmetro de taxa, isto é, . E a função densidade anterior é escrita como

Teorema 6.9.1:
Suponha que seja uma sequência de variáveis aleatórias independentes, tais
que . Então
Para demonstrar esse fato vamos utilizar da função geradora de momentos, mas antes vamos
encontrar a função geradora da distribuição gamma.

Portanto,

Assim mostramos que . De fato,

Portanto .
Com a demonstração deste teorema, mostramos também que soma de distribuições qui-
quadradado independentes tem distribuição qui-quadrado, com a soma dos graus de liberdade.

Função Geradora de Momentos, Valor Esperado e

Variância
Vamos utilizar a função geradora de momentos para calcular a média e a variância da distribuição
gamma. Assim seja uma variável aleatória, tal que , então sua função
geradora de momentos é dada por:
Portanto, concluímos qeu

Para calcularmos o valor esperado e a variância vamos necessitar do primeiro e do segundo

momento, assim basta derivarmos a função geradora de momentos.

Desta forma, o valor esperado de é dado por:

e sua variância é dada por

Observação 6.9.2:
É importante observar que, no caso em que utilizamos a distribuição Gama com o parâmetro de
escala para a variável aleatória , temos que

6.3 - DISTRIBUIÇÃO QUI-QUADRADO

A distribuição qui-quadrada pode ser interpretada de duas formas, como um caso particular
da distribuição gamma, que será analisada mais adiante, ou como sendo a soma de normais
padronizadas ao quadrado. Tome então

Esse fato será demonstrado no teorema 6.3.1.

Definição 6.3.1:
Uma variável aleatória contínua tem distribuição qui-quadrado com graus de liberdade se sua
função densidade for dada por:

sendo . Denotamos .
O gráfico abaixo mostra a função qui-quadrado com 2 graus de liberdade.
Notemos pelo gráfico da distribuição qui-quadrado que ela é assimétrica e positiva, isto vale para
qualquer grau de liberdade. Sua positividade é fácil de ser verificada, pois ela é soma de normais ao
quadrado, portanto só pode ser positiva. A distribuição qui-quadrado possui diversas aplicações na
inferência estatística.
Para entender a ideia de graus de liberdade, consideremos um conjunto de dados qualquer. Graus
de liberdade é o número de valores deste conjunto de dados que podem variar após terem sido
impostas certas restrições a todos os valores. Por exemplo, consideremos que estudantes
obtiveram em um teste média . Assim, a soma das notas deve ser (restrição). Portanto,
neste caso, temos um grau de liberdade de , pois as nove primeiras notas podem ser
escolhidas aleatoriamente, contudo a ª nota deve ser igual a [ - (soma das primeiras)].

Observação 6.3.1:
Se , então temos que , ou seja a distribuição qui-quadrado é um
caso particular da distribuição Gama. A distribuição Gama será apresentada no tópico 6.9.

Exemplo 6.3.1:
Suponha que sejam variáveis aleatórias normais independentes e identicamente
distribuídas com média e desvio padrão . Então, temos que a estatística
tem distribuição qui-quadrado com graus de liberdade, onde é o desvio padrão amostral.
O número de graus de liberdade de uma soma de quadrados corresponde ao número de elementos
independentes na soma de quadrados. Considerando novamente variáveis aleatórias
normais independentes e identicamente distribuídas com média e desvio padrão , temos que os
elementos da soma de quadrados não são todos independentes. Na
realidade, somente destes elementos são independentes, implicando que tem
graus de liberdade. Podemos encontrar mais detalhes sobre isso na apostila de inferência.

Exemplo 6.3.2:
Suponha agora que segue uma distribuição qui-quadrado com graus de liberdade e
queremos encontrar e tais que . Para isto notemos que

o que implica que

Assim e .

Observação 6.3.1:
Observamos que poderíamos ter encontrado outros valores de e para os
quais , porém, na prática, sempre buscamos por valores de forma que as
probabilidade .

Exemplo 6.3.3:
Seja uma variável aleatória com distribuição normal padronizada. Vamos mostrar que , segue
uma distribuição com um grau de liberdade.
Seja , então
Observe que na última igualdade foi usado o fato da função normal padronizada ser simétrica em
torno de zero. Agora basta apenas fazermos uma mudança de variável tomando ,

então , assim obtemos que:

Aqui vale uma observação, para mostramos que segue uma distribuição qui-quadrado,
precisamos usar o fato de que , e portanto a distribuição acima é uma .

Teorema 6.3.1:
Sejam variáveis aleatórias independentes, com e .

Então segue uma distribuição qui-quadrado com graus de liberdade.

Vamos demonstrar este teorema via a função geradora de momentos. Como as variáveis
aleatórias são independentes, temos que

Mas

e, portanto,
 em que a última integral é igual a 1, pois se trata justamente de uma normal com média zero e
variância . Portanto,

corresponde a função geradora de momentos da distribuição qui-quadrado com graus de

liberdade. E o resultado segue.

Função Geradora de Momentos, Valor Esperado e

Variância
Como visto no Teorema 6.3.1, se é uma variável aleatória com distribuição qui-quadrado com
graus de liberdades, sua função geradora de momentos é dada por:

Desta forma, temos que

Portanto, podemos calcular o valor de esperado e a variância da variável . De fato, temos que
e

de onde concluímos que