Delfina Eugénio Lopes

Laurinda Maria Pius

Mariamo Ussene Mecussete

Manuel Jonas Girane

Paulino Vasco Jone

MODELOS DE VARIÁVEIS ALEATÓRIAS CONTINUAS

(Licenciatura em Gestão de Empresas)

Instituto Superior de Transporte, Turismo e Comunicação

Nacala-Porto, 04 de Novembro de 2021

 1

Delfina Eugénio Lopes

Laurinda Maria Pius

Mariamo Ussene Mecussete

Manuel Jonas Girane

Paulino Vasco Jone

MODELOS DE VARIÁVEIS ALEATÓRIAS CONTINUAS

Trabalho de carácter avaliativo na cadeira de

Estatística II do curso de Licenciatura em Gestão de
Empresas, 2º ano.

Orientador: Mcs. Rivelinho Manuel Mohamade

Instituto Superior de Transporte, Turismo e Comunicação

Nacala-Porto, 04 de Novembro de 2021

 2

ÍNDICE

1. Introdução .................................................................................................................................. 3

2. Noção de variável aleatória ........................................................................................................ 4

2.1. Variáveis aleatórias contínuas................................................................................................. 5

2.2. Função de densidade de probabilidade ................................................................................... 5

2.3. Função de distribuição ............................................................................................................ 5

3. Distribuição Uniforme .............................................................................................................. 6

4. Distribuição Gama .................................................................................................................... 6

4.1. Função densidade da distribuição Gama................................................................................. 7

5. Distribuição Exponencial ........................................................................................................ 7

6. Distribuição Normal (ou Gaussiana) ....................................................................................... 8

6.1. Principais características ....................................................................................................... 10

7. Distribuição t de student ........................................................................................................ 11

7.1. Principais características ...................................................................................................... 11

8. Distribuição Qui-quadrado (𝝌𝟐)............................................................................................ 12

8.1. Principais características ....................................................................................................... 13

9. Distribuição 𝑭 de Fisher-Snedecor ......................................................................................... 14

9.1. Principais características: ...................................................................................................... 15

10. Exercícios sobre variáveis aleatórias contínuas ................................................................... 15

11. Conclusão .............................................................................................................................. 17

12. Referências Bibliográficas .................................................................................................... 18

 3

1. Introdução

As variáveis aleatórias que aparecem nas principais aplicações em física e engenharia, podem ser
modeladas por funções de probabilidade, no caso discreto, ou funções densidade, no caso
contínuo. Essas funções dependem de um ou mais parâmetros e se configuram como modelos
probabilísticos apropriados para um conjunto de experimentos aleatórios que apresentam
determinadas características comuns. As distribuições contínuas, como ocorrem com maior
frequência nas aplicações, receberão um maior destaque.

Usualmente interessa determinar, no âmbito de uma experiência aleatória, a probabilidade de

certos acontecimentos ocorrerem. Para tal é necessário quantificar os resultados dessa
experiência, recorrendo às variáveis aleatórias
 4

2. Noção de variável aleatória

Muitas vezes o espaço de resultados, Ω, não é um conjunto numérico e o estudo a realizar é

bastante facilitado quando se atribui um número real, 𝑥, ou conjunto ordenado de números reais,
a cada elemento 𝜔 de Ω, i. e., 𝜔 ∈ Ω. Define-se, assim, uma função 𝑋(𝜔) = 𝑥 que se designa por
variável aleatória 𝑋.

Definição: Uma variável aleatória (v.a.), 𝑿, é uma função que a cada resultado 𝜔 ∈ Ω associa
um valor numérico 𝑋(𝜔) ∈ ℝ.
Portanto, ao conhecer-se as probabilidades dos vários elementos 𝜔 de Ω podem-se definir as
probabilidades dos números reais 𝑥, ou seja, dos possíveis valores da variável aleatória 𝑋.

Se o conjunto de chegada de uma v. a. for constituído por elementos expressos numa

escala nominal ou ordinal, então diz-se que a variável é qualitativa. Se os elementos forem
expressos numa escala numérica, então diz-se que a variável é quantitativa.
Uma variável quantitativa classifica-se como discreta ou contínua conforme os elementos do
contradomínio da aplicação que a define forem numeráveis ou não numeráveis.

Definição: Uma v. a. (𝑿, 𝒀) bidimensional é uma função que a cada resultado 𝜔 ∈ Ω associa
um valor numérico 𝑋(𝜔) ∈ ℝ .

Exemplo: Considere-se a experiência aleatória que consiste em escolher aleatoriamente um

aluno que tenha realizado, no ano passado, os exames de Estatística I e II.
Então a cada aluno é possível fazer corresponder um par de valores (𝑥, 𝑦) onde 𝑋 representa a
nota no exame de Estatística I e 𝑌 representa a nota no exame de Estatística II, com 𝑥 = 0, 1, …,
20 e 𝑦 = 0, 1, …, 20. Portanto, a variável aleatória a estudar será 𝑍 = (𝑋, 𝑌) – notas obtidas, pelo
aluno, nos exames de Estatística I e II, com 𝑍(𝛺) = {(𝑥, 𝑦): 𝑥, 𝑦 = 0, 1, … , 20}.
 5

2.1. Variáveis aleatórias contínuas

Uma v. a. 𝑋 diz-se contínua se o número de valores possíveis para essa variável não for
numerável.

2.2. Função de densidade de probabilidade

Defina-se 𝑓(𝑥) como a função densidade de probabilidade da v.a. 𝑋.

Propriedades de 𝒇(𝒙): A função 𝑓(𝑥) tem que satisfazer as seguintes condições:

1. 𝑓(𝑥) ≥ 0, qualquer que seja o valor de 𝑥;
∞
2. ∫ ∞
𝑓(𝑥)𝑑𝑥 = 1.
Observação: Se 𝑋 é v.a. contínua então 𝑓(𝑥) ≠ 𝑃(𝑋 = 𝑥) 𝑒 𝑃(𝑋 = 𝑥) = 0.

2.3. Função de distribuição

Definição: A função de distribuição, 𝑭(𝒙), da v. a. 𝑋 é definida por:

𝐹(𝑥) = 𝑃(𝑋 ≤ 𝑥) = ∫ ∞ 𝑓(𝑡)𝑑𝑡.

Propriedades de 𝑭(𝒙): A função 𝐹(𝑥) tem que satisfazer as seguintes condições:

1. 0 ≤ 𝐹(𝑥) ≤ 1, qualquer que seja o valor de 𝑥;

2. 𝐹(𝑥1) ≤ 𝐹(𝑥2), quaisquer que sejam 𝑥1 𝑒 𝑥2 com 𝑥1 < 𝑥2, i. e., 𝐹(𝑥) é uma função
monótona não decrescente;
3. lim → ∞ F(x) = 0 e lim → ∞ F(x) = 1;
4. 𝐹(𝑥) é contínua à direita;
( )
5. 𝐹′(𝑥) = = 𝑓(𝑥);

6. 𝑃(𝑥1 < 𝑋 ≤ 𝑥2) = ∫ 𝑓(𝑥)𝑑𝑥 = 𝐹(𝑥 ) − 𝐹(𝑥 ), quaisquer que sejam 𝑥 𝑒 𝑥

com 𝑥 < 𝑥 .
 6

3. Distribuição Uniforme

Uma variável aleatória X terá distribuição uniforme se a sua função densidade for dada por:

1
f X ( x)  para a ≤ X ≤ b
(b  a)

Com os parâmetros a e b satisfazendo a desigualdade -∞ < a < b < ∞

Se X possui distribuição uniforme, então:

( ) e bt  e at
𝐸[𝑋] = , 𝑉[𝑋] = m X (t ) 
(b  a)t

OBS: Uma aplicação importante da distribuição uniforme ocorre na simulação de experimentos

aleatórios utilizando-se o Método Monte Carlo. Quando utilizamos a expressão, “obter um
número aleatório no intervalo [0,1]”, estamos na realidade pensando nos valores de uma variável
X com distribuição uniforme no intervalo [0,1].

4. Distribuição Gama

Uma variável aleatória X terá distribuição Gama se a sua função densidade for do tipo:


f X ( x)  .(x) r 1 .e x para x ≥ 0
( r )

onde, r > 0 e λ > 0 são os parâmetros da distribuição e (x) é a conhecida função gama.

Observação:

(i) Um caso particular importante ocorre quando r = 1. Nesse caso f X ( x)  .e  x (já
que (1)  1 ). Essa é a função densidade da distribuição exponencial.
(ii) Quando a variável aleatória 𝑋(0, 𝑡) = {nº de ocorrências com parâmetro λ no
intervalo de tempo [0, 𝑡]} tem distribuição de Poisson, demonstra-se que o tempo
entre 2 ocorrências sucessivas têm distribuição exponencial e o tempo para r
ocorrências tem distribuição gama com parâmetro λ e r.
 7

(iii) Se X possui distribuição Gama com parâmetro λ e r, demonstra-se que:

r
  
E ( X )  r /  , V ( X )  r / 2 e m X (t )    , para t < λ
 t

4.1. Função densidade da distribuição Gama.

Gráfico 1: Função densidade de probabilidade da distribuição Gama (Fonte: Anabela Afonso - probabilidades e
estatística Aplicações e Soluções em SPSS).

5. Distribuição Exponencial

A distribuição Exponencial está relacionada com o processo de Poisson. Demonstra-se que

num processo de Poisson, o tempo de espera até à ocorrência do primeiro sucesso é uma v. a.
que segue uma distribuição Exponencial. Esta distribuição é também adequada para descrever
o tempo até à ocorrência do próximo sucesso ou o tempo entre dois sucessos consecutivos.

Definição: A v. a. contínua 𝑋 segue uma distribuição Exponencial, i. e. , 𝑿 ~ 𝑬𝒙𝒑(𝝀), se a sua

função densidade de probabilidade é:

𝑓(𝑥) = 𝜆𝑒 , 𝑥 > 0 𝑐𝑜𝑚 𝜆 > 0.

O parâmetro caracterizador desta distribuição é 𝜆.

A função densidade de probabilidade da Exponencial encontra-se representada na Figura
 8

Gráfico 2: Função densidade de probabilidade da distribuição Exponencial. (Fonte: Anabela Afonso -

probabilidades e estatística Aplicações e Soluções em SPSS).

A função de distribuição é dada por:

𝐹(𝑥) = 𝑃(𝑋 ≤ 𝑥) = 1 − 𝑒 , 𝑥 ≥ 0 𝑐𝑜𝑚 𝜆 > 0.

 Se 𝑋 ~ 𝐸𝑥𝑝(𝜆), então 𝜇𝑋 = 𝐸(𝑋) = 1 𝑒 𝜎 = 𝑉𝑎𝑟(𝑋) = .

 Propriedade (falta de memória): Se 𝑋 ~ 𝐸𝑥𝑝(𝜆) então 𝑃(𝑋 > 𝑥 + 𝑎|𝑋 > 𝑎) = 𝑃(𝑋 >
𝑥), 𝑥 > 0, 𝑎 > 0

6. Distribuição Normal (ou Gaussiana)

Uma variável aleatória X, terá distribuição Normal se a sua função densidade for dada por:

1 2
/ 2 2
f X ( x)  .e ( x   ) para −∞ ≤ 𝑥 ≤ ∞
2 .

Com os parâmetros μ e σ satisfazendo as condições:

−∞ < 𝜇 < ∞, 𝜎 > 0

 9

Observação:

(i) Para designar uma variável aleatória X com distribuição normal e parâmetros μ e σ é
útil a seguinte notação, X ~ N (μ,σ2).
(ii) No caso da distribuição normal, a função densidade e a função acumulada serão
representadas por  (x) e (x) , ou seja,
x
1
 ( x)  e  ( x   ) 2 / 2 2
e  ( x)    (u )du
2  

(iii) Se a distribuição apresentar μ = 0 e σ = 1, ela será chamada de distribuição normal

reduzida. Uma variável aleatória com distribuição normal reduzida é geralmente
representada por Z, ou seja, Z ~ N (0,1); verifica-se que Z = (X-μ)/σ.
(iv) Demonstra-se que, para a distribuição normal, são válidas as seguintes expressões:

E (X )   , V (X )   2
2 2
e m X (t )  e t  t /2

(v) Um caso importante ocorre quando X1, X2,, ..., Xn, são n variáveis normais
independentes, ou seja, Xi ~ N(μi,σi2). Nesse caso a variável Y = X1+ X2+ ... +Xn
também será normal com os seguintes parâmetros:
n
E (Y )    i
i 1

n
V (Y )    i
2

i 1

 Uma das mais interessantes aplicações da distribuição normal está diretamente

relacionada ao Teorema Central do Limite. Uma versão simplificada desse importante
teorema pode ser apresentada da seguinte maneira:

“Seja 𝑋1, . . . , 𝑋𝑛, n variáveis aleatórias independentes e identicamente distribuídas com

n
média μ e variância σ2. Seja Y   X i e seja a variável Z definida como:
i 1
 10

Z  (Y  n ) / n .

Então, a função densidade de Z, 𝑓(𝑧), converge para a função densidade de uma distribuição
N(0,1) quando n → ∞”.

6.1. Principais características

 A função densidade de probabilidade de uma v. a. com a distribuição Normal tem a

forma de sino, é simétrica em torno de 𝜇 e tem pontos de inflexão em 𝑥 = 𝜇 ± 𝜎.
 A média  localiza o centro da distribuição e 𝜎 mede a variabilidade de 𝑋 em torno de 𝜇
(Figura 2 e Figura 3).

Gráfico 3: Função densidade de probabilidade da distribuição Normal para diferentes valores de 𝜇 e 𝜎 = 1.

(Fonte: Anabela Afonso - probabilidades e estatística Aplicações e Soluções em SPSS).

Gráfico 4: Função densidade de probabilidade da distribuição Normal para diferentes valores de 𝜎 e 𝜇 = 7.

(Fonte: Anabela Afonso - probabilidades e estatística Aplicações e Soluções em SPSS).
 11

7. Distribuição t de student

A distribuição T de Student é uma distribuição de probabilidade estatística, publicada por um

autor que se chamou de Student, pseudônimo de William Sealy Gosset, que não podia usar seu
nome verdadeiro para publicar trabalhos enquanto trabalhasse para a cervejaria Guinness.

É frequentemente utilizada na inferência estatística quando se desconhece a variância

populacional podendo ser aplicada em:

 Intervalos de confiança para média;

 Intervalos de confiança para diferença entre duas médias;
 Testes de hipóteses para média;
 Testes de hipóteses para diferenças entre duas médias, tanto para amostras independentes
quanto para amostras dependentes;

7.1. Principais características

Padronizar variável aleatória normal requer que o µ e σ sejam conhecidos. Na prática, porém,
µ
não podemos calcular 𝑧 = porque σ é desconhecido. Em vez disso, substituímos σ por s e

calculamos a estatística t .

𝑥−µ
𝑡=
𝑆

Se Z é uma variável aleatória com distribuição normal padrão independente de uma outra
variável aleatória U com distribuição qui quadrado com v graus de liberdade, então a quantidade

𝑧
𝑈
𝑣

terá distribuição t de student com v graus de liberdade.

Uma outra identidade interessante é a seguinte: seja Z uma variável aleatória normal padrão
expressa como
 12

𝑥̅ − 𝜇
𝑍 = σ
√n

e U uma variável aleatória qui-quadrado com graus de liberdade expressa como

(𝑛 − 1)𝑆
𝑈 =
𝜎
então a variável T terá distribuição t de student com graus de liberdade e terá a seguinte forma

𝑥̅ − 𝜇
S
√n

A distribuição t de student é simétrica como a distribuição normal e quando n tende ao infinito, a

distribuição t se assemelha a distribuição normal padrão como podemos ver na figura a seguir.

Gráfico 5: Comparação da função densidade de probabilidade da distribuição t-Student. (Fonte: Anabela Afonso -
probabilidades e estatística Aplicações e Soluções em SPSS).

8. Distribuição Qui-quadrado (𝝌𝟐 )

A distribuição 𝜒 é utilizado em vários problemas estatísticos, dentre eles podemos destacar:

 Intervalos de confiança para a variância amostral de uma população normal;

 13

 Testes de aderência, ou seja, para verificar se os dados provenientes de uma amostra se

adere a uma determinada distribuição de probabilidade (como a distribuição normal por
exemplo);
 Testes em tabelas de contingência para avaliar a relação entre duas variáveis qualitativas;
 Testes de hipóteses para variâncias

8.1. Principais características

Se considerarmos uma variável aleatória com distribuição normal padrão 𝑍 ∶ 𝑁(0,1) e

elevarmos ao quadrado tal variável aleatória, então teremos uma noval variável com distribuição
de probabilidade chamada qui quadrado com a simbologia 𝜒 .

Se somarmos o quadrado de n variáveis aleatórias independentes com distribuição normal

padrão, também teremos uma variável aleatória qui quadrado com 𝜙 = 𝑛 graus de liberdade. ·

Se consideramos n variáveis aleatórias normais independentes 𝑋 , com mesma média μ e mesma

variância 𝜎 , então a quantidade.

∑ (𝑋𝑖 − 𝜇)
𝜎

terá distribuição qui-quadrado com 𝜙 = 𝑛 graus de liberdade

Se considerarmos os parâmetros μ e 𝜎 desconhecidos e utilizarmos seus estimadores 𝑥̅ e 𝑠 ,

então a quantidade.

terá distribuição qui-quadrado com 𝜙 = 𝑛 − 1 graus de liberdade.

Como o estimador 𝑆 é igual a:

∑ (𝑋𝑖 − 𝑥̅ )
𝑆 =
𝑛−1

Teremos uma variável aleatória 𝜒 igual a:

 14

(𝑛 − 1)𝑆
𝜒 =
σ

Este resultado é muito importante na inferência estatística para cálculo de intervalos de confiança
e testes de hipóteses a cerca de variâncias populacionais

A função densidade de probabilidade é expressa pela seguinte função:

1
𝑓 (𝜒 ) = /
𝑒 (𝜒 )
2 𝛤(𝜙/2)

em que:

· ϕ é o parâmetro de forma é chamado graus de liberdade.

Abaixo alguns gráficos da distribuição qui-quadrado com diferentes graus de liberdade.

Gráfico 6: Função densidade de probabilidade distribuição Qui-Quadrado para diferentes graus de liberdade.
(Fonte: Anabela Afonso - probabilidades e estatística Aplicações e Soluções em SPSS).

9. Distribuição 𝑭 de Fisher-Snedecor

Definição: A v. a. Contínua 𝑋 segue uma distribuição 𝑭 de Fisher-Snedecor (usualmente

denominada por distribuição 𝐹 ) com 𝒎 e 𝒏 graus de liberdade, i.e., 𝑋 ~ 𝐹𝑚 ; 𝑛, se a sua função
densidade de probabilidade é:
 15

𝑚 + 𝑛
𝛤 𝑚 𝑥
𝑓(𝑥) = 2 ∙ , 𝑥 > 0, 𝑚 > 0, 𝑛 > 0. ,
𝑚 𝑛 𝑛
𝛤 𝛤 𝑚
2 2 1+ 𝑥
𝑛

Os parâmetros caracterizadores desta distribuição são m e n .

9.1. Principais características:

 A v. a. só toma valores positivos;
 É uma função não simétrica.
A forma da distribuição F depende dos valores dos parâmetros m e n. Esta distribuição está
tabelada.

Gráfico 7: Função densidade de probabilidade da distribuição 𝐹 para diferentes valores de 𝑚 e 𝑛. (Fonte: Anabela
Afonso - probabilidades e estatística Aplicações e Soluções em SPSS).

10. Exercícios sobre variáveis aleatórias contínuas

1. Considere que o consumo semanal de um certo bem alimentar, em famílias de um

determinado concelho, é uma v. a. 𝑋 com a seguinte função densidade de probabilidade:

1
𝑓(𝑥) = 𝑥 ,  0 < 𝑥 < 3; .
9
0 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑎𝑟𝑖𝑜

a) Obtenha a função de distribuição.

 16

b) Represente graficamente as funções densidade de probabilidade e de distribuição.

c) Calcule a probabilidade de, numa semana, o consumo do bem alimentar numa dada
família ser superior a 1,5.
d) Calcule a probabilidade de, numa semana, o consumo do bem alimentar numa dada
família se situar entre 1 e 2.

Resolução

a) Função de distribuição:

1 1 𝑢 1 𝑥 1
𝐹(𝑥) = 𝑓(𝑢)𝑑𝑢 = 𝑢 𝑑𝑢 = = −0 = 𝑥 .
∞ 9 9 3 9 3 27

Portanto,

0 𝑥≤0
1  
𝑓(𝑥) = 𝑥 0<𝑥<3
27
1, 𝑥 ≥ 3

b) A representação gráfica das funções de densidade e de distribuição:

c) c) 𝑃(𝑋 > 1,5) = 1 − 𝑃(𝑋 ≤ 1,5) = 1 − 𝐹(1,5) = 1 − × (1,5) = 0,875

d) 𝑃(1 ≤ 𝑋 ≤ 2) = 𝐹(2) − 𝐹(1) = × (2) − = 0,2593.

e)
 17

11. Conclusão

Depois do desenvolvimento do trabalho sobre modelos de variáveis aleatórias continuas, conclui-

se que, por ser um caso geral da distribuição exponencial e da distribuição qui-quadrado, a
distribuição gama, à semelhança da distribuição normal, tem grande importância tanto na teoria
estatística (como distribuição de probabilidade de estatísticas) quanto nas aplicações da
metodologia estatística (como distribuição associada a populações estatísticas), fornecendo uma
representação útil para muitas situações físicas. Como a soma de variáveis exponenciais
independentes tem distribuição gama, torna-se adequada para a teoria dos contadores aleatórios e
outros processos estocásticos associados com o tempo, em particular, aqueles relativos às
precipitações meteorológicas e aos estudos envolvendo tempos de vida de componentes.

A distribuição gama é apropriada para modelar o tempo requerido para o acontecimento de

exatamente α eventos independentes que ocorrem a uma taxa constante λ. Por exemplo, o tempo
para falha de um sistema é uma variável gama se essa falha ocorre após exatamente α falhas
menores, ocorrem independentemente a uma taxa constante λ. Essa característica torna a
distribuição gama importante na modelagem estatística de problemas de fila, que trata com
tempos em linhas de espera e tempos de serviço. Observa-se também que α e λ são parâmetros
importantes no contexto. A distribuição gama é o caso geral de distribuições importantes, mas,
ela própria, é um caso particular de outras famílias de distribuições. Mais especificamente, ela
pertence à família exponencial ao tipo III da família personiana de distribuições e é também
denominado como distribuição de Pearson tipo III. Em estudos hidrológicos é prática comum a
utilização dessa distribuição para modelar o logaritmo da variável.
 18

12. Referências Bibliográficas

 Tipos de Variáveis. Disponível em: . Acesso em: 04 dez. 2011. MATEMATIQUÊS,

Portal. Variáveis (Dados) Quantitativas Contínuas e Discretas. Disponível em: . Acesso
em: 04 dez. 2011. UNESA (Macaé). Conceitos fundamentais de estatística. Disponível
em: . Acesso em: 01 dez. 2011.
 CAMPOS, Geraldo Maia. Estatística Prática para Docentes e Pós-Graduandos.
Disponível em: . Acesso em: 04 dez. 2011.
 SÃO PAULO. Sistema Galileu de Educação Estatística. Usp (Org.). Distribuições de
Probabilidade: Distribuição gama. Disponível em: . Acesso em: 05 dez. 2011. RS.
 Rossana Fraga Benites. Pucrs. DISTRIBUIÇÕES CONTÍNUAS DE
PROBABILIDADE: Distribuição Normal. Disponível em: . Acesso em: 05 Nov. 2021.
 SÃO PAULO. Instituto de Ciências Atmosféricas. Usp. Distribuição Exponencial.
Disponível em: . Acesso em: 05 dez. 2011.
 MORETTIN, Luiz Gonzaga. Estatística Básica - Volume 1: Probabilidade. 7. ed. São
Paulo: Makron Books do Brasil, 1999. 210 p.
 CORREA, Sonia Maria Barros Barbosa. Probabilidade e Estatística. 2ª Belo Horizonte:
Puc Minas Virtual, 2003. 210 p. Disponível em: . Acesso em: 02 dez. 2011.