TMEC011 - ESTATÍSTICA APLICADA

Profa. Sachiko A. Lira

VARIÁVEIS ALEATÓRIAS CONTÍNUAS E DISTRIBUIÇÕES DE PROBABILIDADES

DEFINIÇÕES

Seja 𝑋 uma variável aleatória continua. A função densidade de probabilidade 𝑓(𝑥), é uma
função que satisfaz as seguintes condições:

𝑓(𝑥) ≥ 0 para todo 𝑥 ∈ 𝑅𝑋

∞
න 𝑓 𝑥 𝑑 𝑥 =1
−∞
Exemplo: Seja X uma variável contínua com função densidade de
probabilidade dada por:
𝑥
𝑓 𝑥 = , 2≤𝑥≤6
16
𝑓 𝑥 = 0, 𝑝𝑎𝑟𝑎 𝑞𝑢𝑎𝑖𝑠𝑞𝑢𝑒𝑟 𝑜𝑢𝑡𝑟𝑜𝑠 𝑣𝑎𝑙𝑜𝑟𝑒𝑠

Tem-se:

2 1 Basta substituir o x por 2, 4 e 6. É importante

Para 𝑥 = 2: 𝑓 2 = =
16 8 lembrar que X é uma V. A. contínua,
portanto, pode assumir qualquer valor entre 2
4 2 e 6.
Para 𝑥 = 4: 𝑓 4 = =
16 8

6 3
Para 𝑥 = 6: 𝑓 6 = =
16 8
 ∞
A condição ‫׬‬−∞ 𝑓 𝑥 𝑑 𝑥 = 1, indica que a área total limitada pela curva que representa
𝑓(𝑥) e o eixo das abcissas é igual a 1.

𝑥
𝑓 𝑥 = , 𝑠𝑒 2 ≤ 𝑥 ≤ 6
16

6 6
𝑥 1 6 1 𝑥2 1 36 − 4 1
න 𝑑𝑥 = න 𝑥𝑑𝑥 = = = × 16 = 1
2 16 16 2 16 2 2
16 2 16
Seja o intervalo [a, b] de 𝑅𝑋 . A probabilidade de um valor de X pertencer a esse intervalo será dada
𝑏
por: 𝑃 𝑎 ≤ 𝑋 ≤ 𝑏 = ‫ 𝑥 𝑑 𝑥 𝑓 𝑎׬‬, que representa a área sob a curva da função densidade de
probabilidade.

Para variáveis aleatórias contínuas, as probabilidades são interpretadas como áreas. Sendo X uma
variável aleatória continua, a probabilidade em um ponto é nula, então:
𝑃 𝑎 ≤ 𝑋 ≤ 𝑏 = 𝑃 𝑎 ≤ 𝑋 < 𝑏 = 𝑃 𝑎 < 𝑋 ≤ 𝑏 = 𝑃(𝑎 < 𝑋 < 𝑏)

Seja X uma variável aleatória. A função de distribuição acumulada ou de repartição de X é

definida como:

𝐹 𝑥 = 𝑃(𝑋 ≤ 𝑥)

Se X for variável aleatória continua, tem-se:

𝑥
𝐹 𝑥 = 𝑃 𝑋 ≤ 𝑥 = ‫׬‬−∞ 𝑓 𝑥 𝑑 𝑥
 Exemplo: Seja X uma variável contínua com função densidade de probabilidade dada por:
𝑥
𝑓 𝑥 = , 2≤𝑥≤6
16
𝑓 𝑥 = 0, 𝑝𝑎𝑟𝑎 𝑞𝑢𝑎𝑖𝑠𝑞𝑢𝑒𝑟 𝑜𝑢𝑡𝑟𝑜𝑠 𝑣𝑎𝑙𝑜𝑟𝑒𝑠

A função de distribuição acumulada é dada por:

6 6
𝑥 1 𝑥2 32
𝐹 𝑥 =න 𝑑 𝑥 = = =1
16 16 2 2
32
2
DISTRIBUIÇÕES DE PROBABILIDADES PARA V. A. CONTÍNUAS

DISTRIBUIÇÃO NORMAL OU GAUSSIANA

Uma v.a. continua X, tem distribuição normal ou Gaussiana se sua função densidade de
probabilidade é dada por:

1 1 𝑥−𝜇 2
−2 𝜎
𝑓 𝑥 = 𝑒
𝜎 2𝜋

sendo: 𝑥 ∈ 𝑅, 𝜇 ∈ 𝑅 , 𝜎 ∈ 𝑅+
A função de distribuição acumulada é dada por:

𝑥 1 𝑥−𝜇 2
1 −2 𝜎
𝐹 𝑥 =𝑃 𝑋≤𝑥 =න 𝑒 𝑑𝑥
−∞ 𝜎 2𝜋

Os parâmetros da distribuição são:

Média: 𝐸 𝑋 = 𝜇
Variância: 𝑉 𝑋 = 𝜎 2

Quando se deseja especificar que a variável aleatória X, segue distribuição normal com média
𝜇 e variância 𝜎 2 , usa-se a notação: 𝑋 ~ 𝑁(𝜇; 𝜎 2 ).
A distribuição normal é definida a partir de dois parâmetros, a média 𝜇 e a variância 𝜎 2 . Por
exemplo, a curva da distribuição normal 𝑓(𝑥) para 𝜇 = 40 e 𝜎 = 10, e valores da variável
aleatória no intervalo (10, 70), é mostrada no gráfico abaixo.
𝑃 𝑎 ≤ 𝑋 ≤ 𝑏 é obtida integrando-se a função 𝑓(𝑥) no intervalo (𝑎, 𝑏).

1 𝑥−𝜇 2
𝑏 1 −2 𝜎
𝑃(𝑎 ≤ 𝑋 ≤ 𝑏) = ‫ 𝜎 𝑎׬‬2𝜋 𝑒 𝑑𝑥

 − 3  − 2  −    +   + 2  + 3

A área compreendida entre 𝜇 ± 𝜎 é igual a 68,27%; entre 𝜇 ± 2𝜎, a 95,45% e entre 𝜇 ± 3𝜎,
a 99,73%.
Propriedades da distribuição normal:
1. 𝑓(𝑥) possui um ponto de máximo para 𝑋 = 𝜇;
2. 𝑓(𝑥) tem dois pontos de inflexão cujas abcissas valem 𝜇 + 𝜎 e 𝜇 − 𝜎;
3. 𝑓(𝑥) é simétrica em relação a 𝑋 = 𝜇. E, ainda 𝜇 = 𝑀𝑜 = 𝑀𝑒 ;
4. 𝑓(𝑥) tende a zero quando x tende para ±∞ (assintótica em relação ao eixo x);
DISTRIBUIÇÃO NORMAL PADRONIZADA OU REDUZIDA

Considere a transformação:
𝑋−𝜇 𝑑𝑋
𝑍= então, 𝑑𝑍 =
𝜎 𝜎

Tem-se que:
𝑥 1 𝑥−𝜇 2
1 −2 𝜎
𝐹 𝑥 =න 𝑒 𝑑𝑥
−∞ 𝜎 2𝜋

Utilizando a transformação será:

𝑧
1 1 2
𝐹 𝑧 =𝑃 𝑍≤𝑧 = න 𝑒 −2 𝑧 𝑑𝑧
2𝜋 −∞

que é a função de distribuição acumulada para a variável normal padrão ou padronizada.

A função de distribuição acumulada para a variável normal padrão ou padronizada pode ser
representada por Φ(𝑧), cujas probabilidades se encontram tabeladas.

𝑧
1 1
𝑧 2
Φ(𝑧) = න 𝑒 −2 𝑑𝑧
2𝜋 −∞

Os parâmetros da distribuição são:

Média: 𝐸 𝑍 = 0 Gráfico da distribuição normal padrão:

Variância: 𝑉 𝑍 = 1

f(z)

z
Exemplo 1: O diâmetro de um eixo de um dispositivo ótico de armazenagem é normalmente
distribuído, com média 0,2508 polegada e desvio padrão de 0,0005 polegada. As
especificações do eixo são 0,2500 ± 0,0015 polegada. Que proporção de eixo obedece às
especificações?

𝜇 = 0,2508
𝜎 = 0,0005

A probabilidade solicitada
é:
𝑃(0,2485 ≤ 𝑋 ≤ 0,2515) =?

𝑋1 𝑋2
Para obter a probabilidade, calcular a variável normal padronizada para 𝑋1
e 𝑋2

0,2485 − 0,2508
𝑍1 = = −4,6
0,0005

0,2515 − 0,2508
𝑍2 = = 1,4
0,0005

A área hachurada (azul

claro) da distribuição
Z:
As áreas podem ser obtidas nas tabela A1.1 e A1.2.

𝑃 −4,6 ≤ 𝑍 ≤ 1,4 = 0,9192 − 0,0000 = 0,9192 × 100 = 91,92%

TABELA A1.1 – ÁREAS SOB A CURVA NORMAL
Z 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
-0,0 0,5000 0,4960 0,4920 0,4880 0,4840 0,4801 0,4761 0,4721 0,4681 0,4641
-0,1 0,4602 0,4562 0,4522 0,4483 0,4443 0,4404 0,4364 0,4325 0,4286 0,4247
-0,2 0,4207 0,4168 0,4129 0,4090 0,4052 0,4013 0,3974 0,3936 0,3897 0,3859
-0,3 0,3821 0,3783 0,3745 0,3707 0,3669 0,3632 0,3594 0,3557 0,3520 0,3483
-0,4 0,3446 0,3409 0,3372 0,3336 0,3300 0,3264 0,3228 0,3192 0,3156 0,3121
-0,5 0,3085 0,3050 0,3015 0,2981 0,2946 0,2912 0,2877 0,2843 0,2810 0,2776
-0,6 0,2743 0,2709 0,2676 0,2643 0,2611 0,2578 0,2546 0,2514 0,2483 0,2451
-0,7 0,2420 0,2389 0,2358 0,2327 0,2296 0,2266 0,2236 0,2206 0,2177 0,2148
-0,8 0,2119 0,2090 0,2061 0,2033 0,2005 0,1977 0,1949 0,1922 0,1894 0,1867
-0,9 0,1841 0,1814 0,1788 0,1762 0,1736 0,1711 0,1685 0,1660 0,1635 0,1611
-1,0 0,1587 0,1562 0,1539 0,1515 0,1492 0,1469 0,1446 0,1423 0,1401 0,1379
... ... ... ... ... ... ... ... ... ... ...
... ... ... ... ... ... ... ... ... ... ...
-3,7 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001
-3,8 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001
-3,9 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
TABELA A1.2 – ÁREAS SOB A CURVA NORMAL
Z 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0,0 0,5000 0,5040 0,5080 0,5120 0,5160 0,5199 0,5239 0,5279 0,5319 0,5359
0,1 0,5398 0,5438 0,5478 0,5517 0,5557 0,5596 0,5636 0,5675 0,5714 0,5753
0,2 0,5793 0,5832 0,5871 0,5910 0,5948 0,5987 0,6026 0,6064 0,6103 0,6141
0,3 0,6179 0,6217 0,6255 0,6293 0,6331 0,6368 0,6406 0,6443 0,6480 0,6517
0,4 0,6554 0,6591 0,6628 0,6664 0,6700 0,6736 0,6772 0,6808 0,6844 0,6879
0,5 0,6915 0,6950 0,6985 0,7019 0,7054 0,7088 0,7123 0,7157 0,7190 0,7224
0,6 0,7257 0,7291 0,7324 0,7357 0,7389 0,7422 0,7454 0,7486 0,7517 0,7549
0,7 0,7580 0,7611 0,7642 0,7673 0,7704 0,7734 0,7764 0,7794 0,7823 0,7852
0,8 0,7881 0,7910 0,7939 0,7967 0,7995 0,8023 0,8051 0,8078 0,8106 0,8133
0,9 0,8159 0,8186 0,8212 0,8238 0,8264 0,8289 0,8315 0,8340 0,8365 0,8389
1,0 0,8413 0,8438 0,8461 0,8485 0,8508 0,8531 0,8554 0,8577 0,8599 0,8621
1,1 0,8643 0,8665 0,8686 0,8708 0,8729 0,8749 0,8770 0,8790 0,8810 0,8830
1,2 0,8849 0,8869 0,8888 0,8907 0,8925 0,8944 0,8962 0,8980 0,8997 0,9015
1,3 0,9032 0,9049 0,9066 0,9082 0,9099 0,9115 0,9131 0,9147 0,9162 0,9177
1,4 0,9192 0,9207 0,9222 0,9236 0,9251 0,9265 0,9279 0,9292 0,9306 0,9319
... ... ... ... ... ... ... ... ... ... ...
... ... ... ... ... ... ... ... ... ... ...
3,7 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999
3,8 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999
3,9 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
Exemplo 2: O diâmetro de um cabo elétrico é normalmente distribuído com média 0,8 mm e
variância 0,0004 mm2. Dentre uma amostra de 1.000 cabos, espera-se que quantos tenham
diâmetro menor que 0,78 mm?
𝜇 = 0,8
𝜎 2 = 0,0004 , portanto 𝜎 = 0,02

Calcular a probabilidade de um cabo apresentar diâmetro menor que 0,78 𝑚𝑚.

𝑃 𝑋 < 0,78 =?

Fazendo a transformação para Z:

𝑍 =?
 0,78 − 0,8
𝑍= = −1
0,02

𝑃 𝑍 < −1 = 𝑃 𝑍 ≤ −1 = 0,1587

Calcular a proporção de cabos elétricos com diâmetro menor que 0,78 𝑚𝑚, em uma amostra
de 1.000 cabos.
𝑛𝑜. 𝑑𝑒 𝑐𝑎𝑏𝑜𝑠 = 1.000 × 0,1587 = 158,7 ≅ 159
DISTRIBUIÇÃO EXPONENCIAL
Uma v.a. continua X, tem distribuição exponencial se sua função densidade de probabilidade é
dada por:
𝑓 𝑥 = 𝜆𝑒 −𝜆𝑥 , 𝑥 > 0

A função de distribuição acumulada é dada por:

𝑥
𝐹 𝑥 = 𝑃 𝑋 ≤ 𝑥 = ‫׬‬0 𝜆𝑒 −𝜆𝑥 𝑑𝑥 = 1 − 𝑒 −𝜆𝑥 , 𝑥 > 0

Portanto:
𝑃 𝑋 > 𝑥 = 𝑒 −𝜆𝑥
Prova
𝑥
𝑃 𝑋 ≤ 𝑥 = න 𝜆𝑒 −𝜆𝑥 𝑑𝑥
0

Tem-se que: ‫𝑥 𝑒 = 𝑥𝑑 𝑥 𝑒 ׬‬

𝑥
න 𝜆𝑒 −𝜆𝑥 𝑑𝑥
0

Fazendo: 𝑥 = −𝜆𝑥 tem-se 𝑑𝑥 = −𝜆𝑑𝑥

Portanto:
𝑥
𝑃 𝑋 ≤ 𝑥 = − න 𝑒 −𝜆𝑥 −𝜆 𝑑𝑥 = −𝑒 −𝜆𝑥 |0𝑥 = 1 − 𝑒 −𝜆𝑥
0

E,
𝑃 𝑋 ≥ 𝑥 = 1 − 1 − 𝑒 −𝜆𝑥 = 𝑒 −𝜆𝑥
Os parâmetros da distribuição são:
1
Média: 𝐸 𝑋 =
𝜆
1
Variância: 𝑉 𝑋 =
𝜆2
Essa distribuição tem papel importante na descrição de uma grande classe de fenômenos,
particularmente nos assuntos relacionados a teoria da confiabilidade.

Exemplo 1: O tempo de vida X (em horas) das lâmpadas elétricas fabricadas por uma
empresa é uma variável aleatória, tendo sua função densidade de probabilidade dada por:

0,002𝑒 −0,002𝑥, 𝑠𝑒 𝑥>0

𝑓 𝑥 =ቊ
0, 𝑠𝑒 𝑥 < 0

a) qual a probabilidade do tempo de vida de uma lâmpada ser superior a 600 horas?
b) qual é o tempo de vida esperado?
Considerando a função densidade de probabilidade da distribuição exponencial tem-se:
𝑓 𝑥 = 𝜆𝑒 −𝜆𝑥
E a função densidade de probabilidade do tempo de vida das lâmpadas elétricas:
𝑓 𝑥 = 0,002𝑒 −0,002𝑥
Por analogia tem-se que 𝜆 = 0,002

a) 𝑃 𝑋 > 600 =?
Aplicando a expressão 𝑃 𝑋 > 𝑥 = 𝑒 −𝜆𝑥 , obtém-se a probabilidade desejada.
𝑃 𝑋 > 600 = 𝑒 −0,002×600 = 0,3012 × 100 = 30,12%

b) Tempo de vida esperado é o tempo médio de vida das lâmpadas

1 1
𝐸 𝑋 = = = 500 ℎ𝑜𝑟𝑎𝑠
𝜆 0,002
Exemplo 2: A vida média de um satélite é 4 anos, seguindo o modelo exponencial. Seja X a
variável definindo o tempo de vida do satélite. Calcule a 𝑃(𝑋 > 4).

1
𝐸 𝑋 = (média)
𝜆
 1
𝐸 𝑋 = (média)
𝜆
1
Tem-se que E(X)=4, portanto: 𝜆 =
4
1
𝑃 𝑋 > 4 = 𝑒 −4×4 = 𝑒 −1 = 0,3679 × 100 = 36,79%
DISTRIBUIÇÃO DE WEIBULL

A distribuição de Weibull é frequentemente usada para descrever o tempo de vida de produtos

industriais. Ela descreve adequadamente a vida de mancais, componentes eletrônicos, cerâmicas, e
capacitores.
A função densidade de probabilidade da distribuição de Weibull de dois parâmetros é dada por:

𝛽 𝑥 𝛽−1 𝑥 𝛽
− 𝛼
𝑓 𝑥 = 𝑒
𝛼 𝛼

em que: 𝛽 > 0 , 𝛼 > 0, 𝑥 > 0

onde:
𝑥 é a variável que define o período de vida útil, podendo ser expresso em distância percorrida (km),
em número de ciclos (n) ou em tempo de funcionamento (h);
𝛽: é o parâmetro de forma
𝛼: é o parâmetro de escala

A função de distribuição acumulada pode ser expressa por:

𝑥 𝛽
− 𝛼
𝐹 𝑥 = 𝑃(𝑋 ≤ 𝑥) = 1 −𝑒
e,
𝑥 𝛽
− 𝛼
𝑃(𝑋 > 𝑥) = 𝑒
 Prova

𝛽 𝑥 𝛽−1 𝑥 𝛽
−
𝑓 𝑥 = 𝑒 𝛼
𝛼 𝛼
𝑥 𝛽
𝐹𝑎𝑧𝑒𝑛𝑑𝑜 ∶ 𝑢 =
𝛼

Tem-se que:

𝛽 𝑥 𝛽−1
𝑑𝑢 = 𝑑𝑥
𝛼 𝛼

quando 𝑥 = 0 tem-se que 𝑢 = 0

𝑥 𝛽−1 𝑥 𝛽
𝛽 𝑥 −
𝑃 𝑋≤𝑥 =න 𝑒 𝛼 𝑑𝑥
0 𝛼 𝛼

𝑥 𝛽 𝑥 𝛽
𝑥 𝛽
𝛼 𝛼
𝑃 𝑋≤𝑥 =න 𝑒 −𝑢 𝑑𝑢 = − න 𝑒 −𝑢 −1 𝑑𝑢 = − 𝑒 −𝑢 0𝛼
0 0

𝑥 𝛽 𝑥 𝛽
− −
𝑃 𝑋≤𝑥 =− 𝑒 𝛼 −1 =1−𝑒 𝛼

Logo:
𝑥 𝛽 𝑥 𝛽
− −
𝑃 𝑋 ≥𝑥 =1− 1−𝑒 𝛼 =𝑒 𝛼
Os parâmetros da distribuição são:
Média: (tempo médio até a falha, ou MTTF (mean time to failure))

1
𝐸 𝑋 =𝛼Γ 1+
𝛽

Variância:
2
2
2 1
𝑉 𝑋 =𝛼 Γ 1+ − Γ 1+
𝛽 𝛽

OBS:
Γ 𝑛 é a função gama
Quando n é um inteiro positiva, tem-se:
Γ 𝑛 = (𝑛 − 1)!
e,

1
Γ = 𝜋
2
Obs: Quando 𝜷 = 𝟏 , a distribuição de Weibull assume a forma da distribuição
exponencial.
Exemplo 1: O tempo de falha (em horas) de um mancal em um eixo mecânico é satisfatoriamente
modelado como uma variável aleatória de Weibull, com 𝛽 = 1/2 e 𝛼 = 5000 horas.
a) determine o tempo médio até falhar;
b) determine a probabilidade de um mancal durar no mínimo 6000 horas.
a)
1 1
𝐸 𝑋 =𝛼Γ 1+ = 5000 × Γ 1 + = 5000 × Γ 3 = 5000 × 2 = 10.000 ℎ𝑜𝑟𝑎𝑠
𝛽 1/2

b) 𝑃(𝑋 > 6.000)

𝑥 𝛽 6000 1/2
− 𝛼 − 5000
𝑃 𝑋≥𝑥 = 𝑒 = 𝑒 = 𝑒 −1,095 = 0,3340 × 100 = 33,40%
Exemplo 2: Suponha que a vida de um mancal de rolamento siga uma distribuição de Weibull com
parâmetros 𝛽 = 2 e 𝛼 = 10.000 horas.
a) determine a probabilidade de um mancal durar no mínimo 8.000 horas;
3
b) determine o tempo médio até haver uma falha de um mancal (dado: Γ = 0,8862)
2
a) 𝑃(𝑋 > 8.000)
𝑥 𝛽 8000 2
− 𝛼 − 10000
𝑃 𝑋 ≥ 8000 = 𝑒 = 𝑒 = 𝑒 −0,64 = 0,5273 × 100 = 52,73%

1 1 3
b) 𝐸 𝑋 = 𝛼Γ 1 + = 10000 × Γ 1 + = 10000 × Γ = 10000 × 0,8862 = 8.862 ℎ𝑜𝑟𝑎𝑠
𝛽 2 2