Distribuições contínuas:

Lognormal, Gama, Weibull e Beta

Prof. Walmes M. Zeviani

Departamento de Estatística
Universidade Federal do Paraná

Prof. Walmes M. Zeviani Distribuições contínuas: Lognormal, Gama, Weibull e Beta 1

Conteúdo

Neste vídeo
I Modelos probabilísticos contínuos.
I Lognormal.
I Gama.
I Weibull.
I Beta.
I Fundamentação e propriedades.
I Exemplos de aplicação.

Prof. Walmes M. Zeviani Distribuições contínuas: Lognormal, Gama, Weibull e Beta 2

 Distribuição Lognormal

Prof. Walmes M. Zeviani Distribuições contínuas: Lognormal, Gama, Weibull e Beta 3

Características de uma v.a. com distribuição Lognormal
( )
1 (ln(y) − θ)2
f (y) = √ exp −
I Seja YN uma variável com distribuição yω 2π 2ω2
Normal. Então, Y = exp{YN } tem
θ = 0.00, ω = 1.00
distribuição Lognormal. θ = 1.25, ω = 0.50
4
I Diferente da Normal, a Lognormal tem θ = 0.75, ω = 0.25

suporte no conjunto dos reais

f (y)
positivos e apresenta assimetria. 2

I A distribuição Lognormal, assim como

outras neste material, tem aplicações 0
na modelagem de variáveis na área de 0 2 4 6 8 10
y
confiabilidade e análise de
sobrevivência.
Figura 1. Distribuição Lognormal.

Prof. Walmes M. Zeviani Distribuições contínuas: Lognormal, Gama, Weibull e Beta 4

Exemplos de v.a. com distribuição Lognormal

1. Qualquer variável que é o exponencial

de uma v.a. Normal.
2. Tempo para a falha de um
equipamento eletrônico.
3. Tempo de vida de um paciente após
um tratamento médico.
4. Intervalo de tempo entre
acionamentos de um gerador de
energia.
5. Intervalo de tempo entre quedas de
um serviço web. Figura 2. Interruptores em um quadro de força.
6. Duração de um processo judicial. Foto de Pixabay no Pexels.

Prof. Walmes M. Zeviani Distribuições contínuas: Lognormal, Gama, Weibull e Beta 5

Distribuição Lognormal
Seja YN ∼ N(θ, ω2 ). Então, Y = exp{YN } tem distribuição Lognormal com função
densidade de probabilidade dada por
( )
1 (ln(y) − θ)2
f (y) = √ exp − , y > 0.
yω 2π 2ω2

Denotamos por Y ∼ LNor(θ, ω). θ ∈ R e ω > 0 são a média e a variância de uma v.a.
Lognormal e são chamados de parâmetros de locação e dispersão.

A média e variância de Y são

  n o  n o 
ω2
µ = E(Y ) = exp θ + e σ 2 = V(Y ) = exp 2θ + ω2 · exp ω2 − 1 .
2

A distribuição não possui forma fechada para a função de distribuição acumulada.

Prof. Walmes M. Zeviani Distribuições contínuas: Lognormal, Gama, Weibull e Beta 6
Gráfico de densidade da Lognormal
θ = 0.25 e ω = 0.25 θ = 0.5 e ω = 0.25 θ = 1 e ω = 0.25 θ = 2 e ω = 0.25
1.00 0.6
0.20
1.0 0.75
0.4 0.15
0.50 0.10
0.5 0.2
0.25 0.05
0.0 0.00 0.0 0.00
1 2 3 1 2 3 4 2 4 6 5 10 15
θ = 0.25 e ω = 0.5 θ = 0.5 e ω = 0.5 θ = 1 e ω = 0.5 θ = 2 e ω = 0.5
0.125
Densidade

0.6 0.3 0.100

0.4
0.4 0.2 0.075
0.2 0.050
0.2 0.1
0.025
0.0 0.0 0.0 0.000
0 2 4 6 8 0.0 2.5 5.0 7.5 10.0 0 5 10 15 0 10 20 30 40
θ = 0.25 e ω = 1 θ = 0.5 e ω = 1 θ=1eω=1 θ=2eω=1
0.20 0.08
0.4 0.3
0.15 0.06
0.3
0.2 0.04
0.2 0.10
0.1 0.1 0.05 0.02
0.0 0.0 0.00 0.00
0 10 20 30 40 50 0 20 40 60 0 25 50 75 0 50 100 150 200
Valores de Y

Figura 3. Gráficos de densidade para a distribuição Lognormal.

Prof. Walmes M. Zeviani Distribuições contínuas: Lognormal, Gama, Weibull e Beta 7

Gráfico de distribuição da Lognormal
θ = 0.25 e ω = 0.25 θ = 0.5 e ω = 0.25 θ = 1 e ω = 0.25 θ = 2 e ω = 0.25
1.00 1.00 1.00 1.00
0.75 0.75 0.75 0.75
0.50 0.50 0.50 0.50
0.25 0.25 0.25 0.25
0.00 0.00 0.00 0.00
1 2 3 1 2 3 4 2 4 6 5 10 15
θ = 0.25 e ω = 0.5 θ = 0.5 e ω = 0.5 θ = 1 e ω = 0.5 θ = 2 e ω = 0.5
Probabilidade

1.00 1.00 1.00 1.00

0.75 0.75 0.75 0.75
0.50 0.50 0.50 0.50
0.25 0.25 0.25 0.25
0.00 0.00 0.00 0.00
0 2 4 6 8 0.0 2.5 5.0 7.5 10.0 0 5 10 15 0 10 20 30 40
θ = 0.25 e ω = 1 θ = 0.5 e ω = 1 θ=1eω=1 θ=2eω=1
1.00 1.00 1.00 1.00
0.75 0.75 0.75 0.75
0.50 0.50 0.50 0.50
0.25 0.25 0.25 0.25
0.00 0.00 0.00 0.00
0 20 40 0 20 40 60 0 30 60 90 0 100 200 300
Valores de Y

Figura 4. Gráficos de distribuição para a Lognormal.

Prof. Walmes M. Zeviani Distribuições contínuas: Lognormal, Gama, Weibull e Beta 8

Exemplo: duração de atendimentos
0.20

Densidade
0.15

0.10

0.05
A duração do atendimento de cada cliente no caixa de um
0.00
supermercado tem distribuição Lognormal com parâme- 0 5 10 15 20
tro de locação θ = 1.5 e parâmetro de dispersão ω = 0.5. Tempo de atendimento (y)
1.00

Probabilidade
0.75
1. Qual a média e variância da duração dos
atendimentos? 0.50

0.25
2. Qual a probabilidade de um atendimento durar
menos de 5 minutos?
0.00
0 5 10 15 20
Tempo de atendimento (y)

Figura 5. Gráficos da distribuição

para o exercício.

Prof. Walmes M. Zeviani Distribuições contínuas: Lognormal, Gama, Weibull e Beta 9

Solução

1. Aplicam-se as expressões para média e variância,

 
0.52
µ = exp 1.5 + = 5.078.
2
n o  n o 
σ 2 = exp 2 · 1.5 + 0.52 · exp 0.52 − 1 = 7.325.

2. A probabilidade do referido evento é calculada por

Z 5
P(Y ≤ 5) = f (y) dy = 0.587.
0

Usa-se algum software de integração numérica, planilha eletrônica ou linguagem de

programação, para obtê-la.

Prof. Walmes M. Zeviani Distribuições contínuas: Lognormal, Gama, Weibull e Beta 10

 Distribuição Gama

Prof. Walmes M. Zeviani Distribuições contínuas: Lognormal, Gama, Weibull e Beta 11

Características de uma v.a. com distribuição Gama

λr
I Seja YEi ∼ Exp(λ) (i ∈ {1, . . . , k}) uma f (y) =
Γ(r)
· yr−1 · exp{−λy}

variável com distribuição Exponencial.

0.3 r = 3, λ = 1
Então, Y = YE1 + YE2 + · · · + YEk tem r = 8, λ = 1
distribuição Gama. r = 8, λ = 2
0.2
I A Gama tem suporte no conjunto dos

f (y)
reais positivos, assumindo formas 0.1
assimétricas.
0
I Ela tem aplicações na área de
0 5 10 15 20
confiabilidade e análise de y
sobrevivência, assim como a
Lognormal. Figura 6. Distribuição Gama.

Prof. Walmes M. Zeviani Distribuições contínuas: Lognormal, Gama, Weibull e Beta 12

Exemplos de v.a. com distribuição Gama
1. Soma de v.a. com distribuição
Exponencial.
2. Tempo de carregamento de um navio.
3. Volume de chuva em dias com
precipitação.
4. Tempo de permanência de um usuário
em um site.
5. Distribuição de idade de animais em
ambiente natural.
6. Tempo de vida de um paciente após
transplante.
Figura 7. Navio sendo carregado com containers.
7. Distância dos passes de bola em um Foto de Kai Pilger no Pexels.
jogo de futebol.

Prof. Walmes M. Zeviani Distribuições contínuas: Lognormal, Gama, Weibull e Beta 13

Distribuição Gama
A variável aleatória Y tem distribuição Gama de parâmetros r > 0 e λ > 0 se sua função
densidade de probabilidade é dada por
λr
f (y) = · y(r−1) · exp{−λy}, y > 0,
Γ(r)
em que
Z ∞
Γ(r) = ur−1 exp{−u} du com Γ(r) = (r − 1)! quando r ∈ N,
0

é a função gama (por isso distribuição Gama).

Denotamos por Y ∼ Gama(r, λ). Os parâmetros λ e r são chamados de taxa e forma,

respectivamente.

A média e a variância de Y são

r r
µ = E(Y ) = e σ 2 = V(Y ) = .
λ λ2
Prof. Walmes M. Zeviani Distribuições contínuas: Lognormal, Gama, Weibull e Beta 14
Gráfico de densidade da Gama
r = 0.8 e λ = 0.25 r = 1 e λ = 0.25 r = 4 e λ = 0.25 r = 10 e λ = 0.25
2.0 0.25 0.03
0.20 0.04
1.5 0.15 0.02
1.0 0.10 0.02 0.01
0.5 0.05
0.0 0.00 0.00 0.00
0 10 20 30 0 10 20 30 0 20 40 60 25 50 75 100
r = 0.8 e λ = 1 r=1eλ=1 r=4eλ=1 r = 10 e λ = 1
1.00
Densidade

7.5 0.20
0.75 0.15 0.10
5.0 0.50 0.10 0.05
2.5 0.25 0.05
0.0 0.00 0.00 0.00
0.0 2.5 5.0 7.5 0.0 2.5 5.0 7.5 0 5 10 15 10 20
r = 0.8 e λ = 2 r=1eλ=2 r=4eλ=2 r = 10 e λ = 2
2.0
15 0.4
1.5 0.3 0.2
10 1.0 0.2 0.1
5 0.5 0.1
0 0.0 0.0 0.0
0 1 2 3 4 0 1 2 3 4 0 2 4 6 8 5 10
Valores de Y

Figura 8. Gráficos de densidade para a Gama.

Prof. Walmes M. Zeviani Distribuições contínuas: Lognormal, Gama, Weibull e Beta 15

Gráfico de distribuição da Gama
r = 0.8 e λ = 0.25 r = 1 e λ = 0.25 r = 4 e λ = 0.25 r = 10 e λ = 0.25
1.00 1.00 1.00 1.00
0.75 0.75 0.75 0.75
0.50 0.50 0.50 0.50
0.25 0.25 0.25 0.25
0.00 0.00 0.00 0.00
0 10 20 30 0 10 20 30 0 20 40 60 25 50 75 100
r = 0.8 e λ = 1 r=1eλ=1 r=4eλ=1 r = 10 e λ = 1
Probabilidade

1.00 1.00 1.00 1.00

0.75 0.75 0.75 0.75
0.50 0.50 0.50 0.50
0.25 0.25 0.25 0.25
0.00 0.00 0.00 0.00
0.0 2.5 5.0 7.5 0.0 2.5 5.0 7.5 0 5 10 15 10 20
r = 0.8 e λ = 2 r=1eλ=2 r=4eλ=2 r = 10 e λ = 2
1.00 1.00 1.00 1.00
0.75 0.75 0.75 0.75
0.50 0.50 0.50 0.50
0.25 0.25 0.25 0.25
0.00 0.00 0.00 0.00
0 1 2 3 4 0 1 2 3 4 0 2 4 6 8 5 10
Valores de Y

Figura 9. Gráficos de distribuição para a Gama.

Prof. Walmes M. Zeviani Distribuições contínuas: Lognormal, Gama, Weibull e Beta 16

Relação da Gama com outras distribuições
I A distribuição Gama tem como caso particular a distribuição exponencial (λ) ao
fixarmos r = 1.
I Dessa relação, a Gama pode ser obtida como o tempo acumulado para k eventos de
Poisson, uma vez que o intervalo entre eventos é Exponencial.
I A Gama tem mais variedades de formas por ter 2 parâmetros, permitindo modelar
adequadamente um maior número de variáveis aleatórias que a Exponencial.
I A soma de v.a. Gama é Gama, ou seja, se Y1 , Y2 , · · · , Yk são variáveis aleatórias
independentes, com distribuição Gama de parâmetros r e λ, então

Ysoma = Y1 + Y2 + · · · + Yk ∼ Gama(kr, λ).

I A distribuição Erlang é um caso particular da Gama quando r é um número natural,

r ∈ {1, 2, . . .}.

Prof. Walmes M. Zeviani Distribuições contínuas: Lognormal, Gama, Weibull e Beta 17

Exemplo: duração de atendimentos
0.25
0.20

Densidade
0.15
A duração do atendimento de cada cliente no caixa de um 0.10
supermercado tem distribuição Gama com parâmetro de 0.05
forma r = 12 e parâmetro de taxa λ = 2. 0.00
0 5 10 15 20
1. Qual a média e variância da duração dos Tempo de atendimento (y)
atendimentos? 1.00

Probabilidade
2. Qual a probabilidade de um atendimento durar 0.75

menos de 5 minutos? 0.50

3. Se um cliente entra na fila tendo 4 clientes antes 0.25

dele, considerando independência entre os 0.00

0 5 10 15 20
atendimentos, qual a probabilidade de ser atendido Tempo de atendimento (y)
antes de 20 minutos?
Figura 10. Gráficos da distribuição
para o exercício.

Prof. Walmes M. Zeviani Distribuições contínuas: Lognormal, Gama, Weibull e Beta 18

Solução
1. Aplicam-se as expressões para média e variância,

12 12
µ= = 6 e σ 2 = 2 = 3.
2 2

2. A probabilidade do referido evento é dada por

Z 5
P(Y ≤ 5) = f (y) dy = 0.303.
0

3. A soma de k v.a. Y ∼ Gama(r, λ) independentes é uma v.a. Gama, ou seja,

Ycomb = Y1 + · · · + Yk ∼ Gama(kr, λ). Dessa forma, sendo r = 12 e λ = 2.
Z 20
24·12
P(Ycomb ≤ 20) = · y(4·12−1) · exp{−2y} dy = 0.120.
0 Γ(4 · 12)

Prof. Walmes M. Zeviani Distribuições contínuas: Lognormal, Gama, Weibull e Beta 19

Parametrizações adicionais da Gama
I Parametrização de forma (r) e escala (θ)
θ −r ·yr−1 ·exp{−y/θ}
f( y) = Γ(α) , em que λ = 1/θ.

I Parametrização da média (µ) e forma (r)

 r (r−1)
f (y) = µr · y ·exp{−ry/µ}
Γ(r) , em que µ = r/λ.

I Parametrização de moda (γ) e desvio-padrão (σ )

λr
p
f (y) = Γ(r) · y(r−1) · exp{−λy}, em que λ = (γ + γ 2 + 4σ 2 )/(2σ 2 ) e r = 1 + γ · λ.

I E tem ainda a parametrização na forma da família exponencial de distribuições.

Prof. Walmes M. Zeviani Distribuições contínuas: Lognormal, Gama, Weibull e Beta 20

 Distribuição de Weibull

Prof. Walmes M. Zeviani Distribuições contínuas: Lognormal, Gama, Weibull e Beta 21

Características de uma v.a. com distribuição de Weibull

   
β  y β−1 y β
f (y) = exp −
I A Weibull tem suporte no conjunto dos δ δ δ

reais positivos, assumindo formas 1 δ = 1, β = 1

assimétricas, com assimetria à direita δ = 3, β = 6
δ = 2, β = 3
e à esquerda.

f (y)
0.5
I Ela tem aplicações na área de
confiabilidade e análise de
sobrevivência, assim como a
0
Lognormal e a Gama.
0 1 2 3 4 5
I Tem como caso particular a y

distribuição Exponencial.
Figura 11. Distribuição Weibull.

Prof. Walmes M. Zeviani Distribuições contínuas: Lognormal, Gama, Weibull e Beta 22

Exemplos de v.a. com distribuição Weibull

1. Duração de uma cirurgia.

2. Quantidade de resíduos industriais na
água.
3. Altura do nível da água de um rio após
as chuvas.
4. Tempo para eclosão de larvas de
insetos.
5. Tempo para aparecimento de sintomas
de doença em frutos.
6. Produtividade de leite de um rebanho.
7. Intervalo de tempo entre corridas de Figura 12. Médicos em uma cirurgia. Foto de
Pixabay no Pexels.
táxi.

Prof. Walmes M. Zeviani Distribuições contínuas: Lognormal, Gama, Weibull e Beta 23

Distribuição de Weibull
A variável aleatória Y tem distribuição de Weibull de parâmetros θ > 0 e β > 0 se sua
função densidade de probabilidade é dada por
   
β  y β−1 y β
f (y) = exp − , y > 0.
δ δ δ
Denotamos por Y ∼ Wei(β, δ). β é chamado de parâmetro de forma e δ é o parâmetro de
escala.

A média e a variância de Y são dadas por

  (     2 )
1 2 2 2 1
µ = E(Y ) = δΓ 1 + e σ = V(Y ) = δ Γ 1 + − Γ 1+ .
β β β

Diferente das duas anteriores, a Weibull tem expressão fechada para a função de
distribuição acumulada que é
F (y) = 1 − exp{−(y/δ)β }.
Prof. Walmes M. Zeviani Distribuições contínuas: Lognormal, Gama, Weibull e Beta 24
Gráfico da densidade da Weibull
δ = 0.1 e β = 0.9 δ = 0.1 e β = 1 δ = 0.1 e β = 2 δ = 0.1 e β = 5
25 10.0
20 7.5 15
7.5
15 5.0 10
5.0
10
5 2.5 2.5 5
0 0.0 0.0 0
0.0 0.3 0.6 0.9 1.2 0.00 0.25 0.50 0.75 0.0 0.1 0.2 0.3 0.04 0.08 0.12 0.16
δ = 0.25 e β = 0.9 δ = 0.25 e β = 1 δ = 0.25 e β = 2 δ = 0.25 e β = 5
10.0 4
Densidade

3 6
7.5 3
5.0 2 2 4
2.5 1 1 2
0.0 0 0 0
0 1 2 3 0.0 0.5 1.0 1.5 2.0 0.0 0.2 0.4 0.6 0.1 0.2 0.3 0.4
δ = 0.5 e β = 0.9 δ = 0.5 e β = 1 δ = 0.5 e β = 2 δ = 0.5 e β = 5
5 2.0
4 1.5 3
1.5
3 1.0 2
1.0
2
1 0.5 0.5 1
0 0.0 0.0 0
0 2 4 6 0 1 2 3 4 0.0 0.5 1.0 1.5 0.2 0.4 0.6 0.8
Valores de Y

Figura 13. Gráfico da densidade para a Weibull.

Prof. Walmes M. Zeviani Distribuições contínuas: Lognormal, Gama, Weibull e Beta 25

Gráfico de distribuição da Weibull
δ = 0.1 e β = 0.9 δ = 0.1 e β = 1 δ = 0.1 e β = 2 δ = 0.1 e β = 5
1.00 1.00 1.00 1.00
0.75 0.75 0.75 0.75
0.50 0.50 0.50 0.50
0.25 0.25 0.25 0.25
0.00 0.00 0.00 0.00
0.0 0.3 0.6 0.9 1.2 0.00 0.25 0.50 0.75 0.0 0.1 0.2 0.3 0.04 0.08 0.12 0.16
δ = 0.25 e β = 0.9 δ = 0.25 e β = 1 δ = 0.25 e β = 2 δ = 0.25 e β = 5
Probabilidade

1.00 1.00 1.00 1.00

0.75 0.75 0.75 0.75
0.50 0.50 0.50 0.50
0.25 0.25 0.25 0.25
0.00 0.00 0.00 0.00
0 1 2 3 0.0 0.5 1.0 1.5 2.0 0.0 0.2 0.4 0.6 0.1 0.2 0.3 0.4
δ = 0.5 e β = 0.9 δ = 0.5 e β = 1 δ = 0.5 e β = 2 δ = 0.5 e β = 5
1.00 1.00 1.00 1.00
0.75 0.75 0.75 0.75
0.50 0.50 0.50 0.50
0.25 0.25 0.25 0.25
0.00 0.00 0.00 0.00
0 2 4 6 0 1 2 3 4 0.0 0.5 1.0 1.5 0.2 0.4 0.6 0.8
Valores de Y

Figura 14. Gráficos de distribuição para a Weibull.

Prof. Walmes M. Zeviani Distribuições contínuas: Lognormal, Gama, Weibull e Beta 26

Exemplo: duração de atendimentos
0.20

Densidade
0.15

0.10

0.05

A duração do atendimento de cada cliente no caixa de um 0.00

supermercado tem distribuição de Weibull com parâme- 0 5 10 15 20

Tempo de atendimento (y)
tro de forma δ = 7 e parâmetro de escala β = 4. 1.00

Probabilidade
1. Qual a média e variância da duração dos 0.75

atendimentos? 0.50

2. Qual a probabilidade de um atendimento durar 0.25

menos de 5 minutos? 0.00

0 5 10 15 20
Tempo de atendimento (y)

Figura 15. Gráficos da distribuição

para o exercício.

Prof. Walmes M. Zeviani Distribuições contínuas: Lognormal, Gama, Weibull e Beta 27

Solução

1. Aplicam-se as expressões para média e variância

 
1
µ = 7Γ 1 + = 6.345.
4
(     2 )
2 2 2 1
σ =7 Γ 1+ − Γ 1+ = 3.168.
4 4

2. Como a Weibull tem expressão para a função de distribuição acumulada, tem-se

Z 5
P(Y ≤ 5) = f (y) dy = (1 − exp{−(5/7)4 }) − (1 − exp{−(0/7)4 }) = 0.229.
0

Prof. Walmes M. Zeviani Distribuições contínuas: Lognormal, Gama, Weibull e Beta 28

Relação da Weibull com outras distribuições e parametrizações

I A Weibull tem como caso particular a distribuição Exponencial quando β = 1.

I A distribuição de Raleigh também é caso particular quando β = 2.
I A parametrização de média (µ) é

β  y β−1
f (y) = · exp{−(y/δ)β }, em que δ = µ/(Γ(1/β) + 1).
δ δ

I Existem outras parametrizações e extensões para mais parâmetros.

Prof. Walmes M. Zeviani Distribuições contínuas: Lognormal, Gama, Weibull e Beta 29

 Distribuição Beta

Prof. Walmes M. Zeviani Distribuições contínuas: Lognormal, Gama, Weibull e Beta 30

Características de uma v.a. com distribuição Beta
yα−1 · (1 − y)β−1
I A Beta é uma v.a. contínua limitada ao f (y) =
B(α, β)
intervalo (0, 1). Dessa forma, serve para
variáveis que têm essa característica. 3

I É uma distribuição com 2 parâmetros

2
que pode apresentar muitas formas

f (y)
I Forma simétrica. 1
I Assimétrica com moda no interior.
0
I Assimétrica com moda na borda.
0 0.2 0.4 0.6 0.8 1
I Forma de banheira. y

I As aplicações incluem modelagem de α = 5.0, β = 5.0

α = 0.7, β = 0.7
variáveis que são frações de números α = 0.7, β = 1.2
reais como teores vindos de α = 5.0, β = 2.0

concentrações expressas em m/m ou

v/v. Figura 16. Distribuição Beta.

Prof. Walmes M. Zeviani Distribuições contínuas: Lognormal, Gama, Weibull e Beta 31

Exemplos de v.a. com distribuição Beta
1. Teor de gordura no leite.
2. Teor de proteína de uma ração animal.
3. Teor de matéria orgânica do solo.
4. Fração do tempo nadando em uma
prova de triathlon.
5. Fração de tempo de um jogo de
futebol com bola parada.
6. Concentração de álcool em uma
cerveja.
7. Concentração de açúcar em um
chocolate. Figura 17. Cerveja sendo servida. Foto de ELEVATE
no Pexels.
8. Índices de qualidade de vida.

Prof. Walmes M. Zeviani Distribuições contínuas: Lognormal, Gama, Weibull e Beta 32

Distribuição Beta
A variável aleatória Y tem distribuição Beta de parâmetros α > 0 e β > 0 se sua função
densidade de probabilidade é dada por

yα−1 · (1 − y)β−1
f (y) = 0 < y < 1,
B(α, β)
em que
Γ(α) · Γ(β)
B(α, β) = ,
Γ(α + β)
é a função beta (por isso o nome distribuição Beta). Denotamos por Y ∼ Beta(α, β).

A média e a variância de Y são dadas por

α αβ
µ = E(Y ) = e σ 2 = V(Y ) = .
α +β (α + β)2 (α + β + 1)

Prof. Walmes M. Zeviani Distribuições contínuas: Lognormal, Gama, Weibull e Beta 33

Gráfico da densidade para a Beta
α = 0.9 e β = 0.9 α = 1 e β = 0.9 α = 2 e β = 0.9 α = 10 e β = 0.9
2.0 2.5 5
1.5 2.0 4 20
1.0 1.5 3
1.0 2 10
0.5 0.5 1
0.0 0.0 0 0
0.00 0.25 0.50 0.75 1.00 0.00 0.25 0.50 0.75 1.00 0.00 0.25 0.50 0.75 1.00 0.4 0.6 0.8 1.0
α = 0.9 e β = 1 α=1eβ=1 α=2eβ=1 α = 10 e β = 1
2.5 1.00 2.0 10.0
2.0 0.75 1.5 7.5
1.5 0.50 1.0 5.0
1.0 0.25 0.5 2.5
0.5
Densidade

0.0 0.00 0.0 0.0

0.00 0.25 0.50 0.75 1.00 0.00 0.25 0.50 0.75 1.00 0.00 0.25 0.50 0.75 1.00 0.4 0.6 0.8 1.0
α = 0.9 e β = 2 α=1eβ=2 α=2eβ=2 α = 10 e β = 2
5 2.0 1.5 4
4 1.5 1.0 3
3 1.0 2
2 0.5 0.5
1 1
0 0.0 0.0 0
0.00 0.25 0.50 0.75 1.00 0.00 0.25 0.50 0.75 1.00 0.00 0.25 0.50 0.75 1.00 0.4 0.6 0.8 1.0
α = 0.9 e β = 10 α = 1 e β = 10 α = 2 e β = 10 α = 10 e β = 10
10.0 4 3
20 7.5 3
5.0 2 2
10 2.5 1 1
0 0.0 0 0
0.0 0.2 0.4 0.6 0.0 0.2 0.4 0.6 0.0 0.2 0.4 0.6 0.2 0.4 0.6 0.8
Valores de Y

Figura 18. Gráfico da densidade para a Beta.

Prof. Walmes M. Zeviani Distribuições contínuas: Lognormal, Gama, Weibull e Beta 34

Gráfico de distribuição da Beta
α = 0.9 e β = 0.9 α = 1 e β = 0.9 α = 2 e β = 0.9 α = 10 e β = 0.9
1.00 1.00 1.00 1.00
0.75 0.75 0.75 0.75
0.50 0.50 0.50 0.50
0.25 0.25 0.25 0.25
0.00 0.00 0.00 0.00
0.00 0.25 0.50 0.75 1.00 0.00 0.25 0.50 0.75 1.00 0.00 0.25 0.50 0.75 1.00 0.4 0.6 0.8 1.0
α = 0.9 e β = 1 α=1eβ=1 α=2eβ=1 α = 10 e β = 1
1.00 1.00 1.00 1.00
0.75 0.75 0.75 0.75
0.50 0.50 0.50 0.50
Probabilidade

0.25 0.25 0.25 0.25

0.00 0.00 0.00 0.00
0.00 0.25 0.50 0.75 1.00 0.00 0.25 0.50 0.75 1.00 0.00 0.25 0.50 0.75 1.00 0.4 0.6 0.8 1.0
α = 0.9 e β = 2 α=1eβ=2 α=2eβ=2 α = 10 e β = 2
1.00 1.00 1.00 1.00
0.75 0.75 0.75 0.75
0.50 0.50 0.50 0.50
0.25 0.25 0.25 0.25
0.00 0.00 0.00 0.00
0.00 0.25 0.50 0.75 1.00 0.00 0.25 0.50 0.75 1.00 0.00 0.25 0.50 0.75 1.00 0.4 0.6 0.8 1.0
α = 0.9 e β = 10 α = 1 e β = 10 α = 2 e β = 10 α = 10 e β = 10
1.00 1.00 1.00 1.00
0.75 0.75 0.75 0.75
0.50 0.50 0.50 0.50
0.25 0.25 0.25 0.25
0.00 0.00 0.00 0.00
0.0 0.2 0.4 0.6 0.0 0.2 0.4 0.6 0.0 0.2 0.4 0.6 0.2 0.4 0.6 0.8
Valores de Y

Figura 19. Gráficos de distribuição para a Beta.

Prof. Walmes M. Zeviani Distribuições contínuas: Lognormal, Gama, Weibull e Beta 35

Exemplo: teor de gordura no leite
15

Densidade
10

0
O teor de gordura no leite de um rebanho bovino é uma 0.00 0.05 0.10 0.15 0.20
variável com distribuição Beta com parâmetros α = 2 e Tempo de atendimento (y)
β = 50. 1.00

Probabilidade
1. Qual o teor médio de gordura no leite? 0.75

0.50
2. Qual o percentual de amostras que terá teor de
0.25
gordura menor que 10%?
0.00
0.00 0.05 0.10 0.15 0.20
Tempo de atendimento (y)

Figura 20. Gráficos da

distribuição para o exercício.

Prof. Walmes M. Zeviani Distribuições contínuas: Lognormal, Gama, Weibull e Beta 36

Solução

1. Aplica-se a expressão para a média,

2
µ= = 0.038.
2 + 50

2. A probabilidade de referido evento é dada por

Z 0.1
P(Y ≤ 0.1) = f (y) dy = 0.969.
0

Prof. Walmes M. Zeviani Distribuições contínuas: Lognormal, Gama, Weibull e Beta 37

 Notas adicionais

Prof. Walmes M. Zeviani Distribuições contínuas: Lognormal, Gama, Weibull e Beta 38

Reparametrizações
I Como visto, é comum as distribuições terem várias parametrizações.
I A distribuição ainda é a mesma mas a interpretação dos parâmetros, expressões
para média e variância, mudam conforme cada parametrização.
I Além de mudar o significado dos parâmetros e expressões, muda as propriedades
dos estimadores para os parâmetros.
I Veja o caso da Exponencial
 
1 y
f1 (y) = λ exp{−λy} e f2 (y) = exp − , pois µ = 1/λ.
µ µ

I Esteja atento a isso, portanto, ao usar softwares que tem as distribuições

implementadas.
I Faça testes até determinar a parametrização que está sendo utilizada para não
cometer erros.

Prof. Walmes M. Zeviani Distribuições contínuas: Lognormal, Gama, Weibull e Beta 39

Função de risco
Função de densidade de probabilidade
f (y)
2
f (y)
1
1 − F (y)
0
0 2 4 y

A função de risco de uma v.a. é definida por F (y)

Função de distribuição

f (y) 0.5 F (y)

h(y) =
1 − F (y) 0
0 2 4 y

em que f é a função densidade de probabi- h(y)

Função de risco

lidade e F a função de distribuição. 0.6

0.5
0.4
0 2 4 y

Figura 21. Função de risco para a distribuição

Exponencial.
Prof. Walmes M. Zeviani Distribuições contínuas: Lognormal, Gama, Weibull e Beta 40
Funções de risco da Lognormal, Gama e Weibull
Lognormal Gama Weibull
f(y) f(y) f(y)
0.3 0.3
0.2
0.2 0.2
0.1 0.1 0.1
0.0 0.0 0.0
0 10 20 30 0 10 20 30 0 5 10 15 20 25
F(y) F(y) F(y)
1.00 1.00 1.00
0.75 0.75 0.75
0.50 0.50 0.50
0.25 0.25 0.25
0.00 0.00 0.00
0 10 20 30 0 10 20 30 0 5 10 15 20 25
h(y) h(y) h(y)
0.4 0.3
0.3 1.5
0.2
0.2 1.0
0.1 0.1 0.5
0.0 0.0 0.0
0 10 20 30 0 10 20 30 0 5 10 15 20 25
Valores de Y Valores de Y Valores de Y

Figura 22. Gráfico das funções de risco das distribuições Lognormal, Gama e Weibull.

Prof. Walmes M. Zeviani Distribuições contínuas: Lognormal, Gama, Weibull e Beta 41

Distribuições contínuas adicionais

I Behrens-Fisher. I Log-logistic.
I Beta generalizada. I Logistic.
I Birnbaum-Saunders. I Normal Inversa.
I Box-Cox. I Simplex.
I Gama Inversa. I Trapezoidal.
I Gumbel. I Triangular.
I Kumaraswamy. I Tweedie.
I Laplace. I E muitas outras.

Prof. Walmes M. Zeviani Distribuições contínuas: Lognormal, Gama, Weibull e Beta 42

Relacionamento entre as distribuições vistas

Figura 23. Relação entre variáveis

aleatórias. Extraído de
www.johndcook.com/.

Prof. Walmes M. Zeviani Distribuições contínuas: Lognormal, Gama, Weibull e Beta 43

 Considerações finais

Prof. Walmes M. Zeviani Distribuições contínuas: Lognormal, Gama, Weibull e Beta 44

Considerações finais

Revisão
I Modelos probabilísticos contínuos.
I Lognormal.
I Gama.
I Weibull.
I Beta.
I Fundamentação e propriedades.
I Exemplos de aplicação.

Prof. Walmes M. Zeviani Distribuições contínuas: Lognormal, Gama, Weibull e Beta 45