2 - Distribuições Contínuas

2. Distribuições de probabilidade contı́nuas 2.1.
Distribuição Normal: N(µ, σ 2 )

É a distribuição mais importante em estudos estatı́sticos. Uma
variável aleatória X que segue uma distribuição normal ou Gaus-
siana, X ∼ N(µ, σ 2 ), tem as seguintes propriedades:
Vamos analisar as seguintes distribuições de probabilidade contı́nuas: Domı́nio: x ∈ R
1 1 x −µ 2
Distribuição normal; Densidade: f (x ) = √ e − 2 ( σ ) (µ ∈ R, σ > 0)
σ 2π
Distribuição uniforme contı́nua; Média: µ
Distribuição qui-quadrado; Variância: σ 2
Distribuição t de Student;
Distribuição F.
x
µ µ+σ
Óscar Felgueiras 2. Distribuições de probabilidade contı́nuas 1 / 28 Óscar Felgueiras 2. Distribuições de probabilidade contı́nuas 2 / 28
Distribuição Normal: Propriedades Distribuição Normal: Propriedades
Propriedades da função densidade de probabilidade da distribuição

Se X ∼ N(µ, σ 2 ), então:
normal: Z b
1 1 x −µ 2
completamente determinada pelos parâmetros µ e σ; P(a < X < b) = √ e − 2 ( σ ) dx ;
a σ 2π
simetria relativamente a µ: f (µ + x ) = f (µ − x ), x ∈ R;
pontos de inflexão em µ − σ e µ + σ;
máximo em µ.
x
a b
P(X < µ − x ) = P(X > µ + x ), ∀x ∈ R.
0.683
0.954
x x
µ − 2σ µ − σ µ µ + σ µ + 2σ µ−x µ+x
Distribuição Normal: Propriedades Distribuição Normal: Variável reduzida
X −µ
Se X ∼ N(µ, σ 2 ) e Z = , então Z ∼ N(0, 1).
Alguns gráficos de funções de densidade de probabilidade para µ = 0 σ
e diferentes valores do desvio padrão σ. A variável aleatória Z diz-se a variável reduzida, estandardizada ou
padronizada.
X ∼ N(0,0.52 )
0.8 Y ∼ N(0,1) X
Z ∼ N(0,22 ) Z
0.4
0.5 1 2
1 µ µ+σ
Distribuição Normal: Variável reduzida Distribuição Normal: Quantis
X −µ
A redução de uma variável normal X ∼ N(µ, σ 2 ) a Z = , O p-quantil de uma distribuição de probabilidade contı́nua X é o
σ menor x tal que:
com Z ∼ N(0, 1), permite o cálculo de probabilidades relativas a X
a partir do conhecimento de Z . Em particular, P(X ≤ x ) = p.
b−µ No caso em que X segue uma distribuição normal N(µ, σ 2 ) denota-

P(X < b) = P Z < ;
σ mos x por Np (µ, σ 2 ) e temos os seguintes casos particulares:
a−µ

P(X > a) = P Z > ; N0.5 (µ, σ 2 ) = µ;
σ

a−µ b−µ
N0.025 (µ, σ 2 ) ≈ µ − 1.96σ;
P(a < X < b) = P <Z < ;
σ σ N0.975 (µ, σ 2 ) ≈ µ + 1.96σ;
P(X < µ) = P(Z < 0) = 0.5; N0.5 (0, 1) = 0;
P(µ − σ < X < µ + σ) = P(−1 < Z < 1) ≈ 0.683; N0.025 (0, 1) ≈ −1.96; p p
P(µ − 2σ < X < µ + 2σ) = P(−2 < Z < 2) ≈ 0.954; N0.975 (0, 1) ≈ 1.96; x
Np (0, 1) N1−p (0, 1)
P(X < µ + 1.96σ) = P(Z < 1.96) ≈ 0.975. Np (0, 1) = −N1−p (0, 1).
Exemplo 1 Exemplo 1
Suponha que numa dada população o peso corporal apresenta uma

Suponha que numa dada população o peso corporal apresenta uma
média de 70 Kg e um desvio padrão de 10 Kg.
média de 70 Kg e um desvio padrão de 10 Kg.
a) Qual a probabilidade de um indivı́duo desta população ter um
b) Qual a probabilidade de um indivı́duo desta população ter um
peso inferior a 80 kg?
peso superior a 50 kg?
Seja X a variável aleatória que representa o peso em Kg de um
Sabemos que X ∼ N(70, 102 ).
indivı́duo da população. Então X ∼ N(70, 102 ).
80 − 70 P(X > 50) = P(Z > −2) = 1 − P(Z ≤ −2) ≈ 0.9772

P(X < 80) = P Z < = P(Z < 1) ≈ 0.8413
10
Em Excel: Em R:
Em Excel: Em R:
1-NORM.DIST(50;70;10;TRUE) 1-pnorm(50,70,10)
NORM.DIST(80;70;10;TRUE) pnorm(80,70,10)
1-NORM.DIST(-2;0;1;TRUE) 1-pnorm(-2,0,1)
NORM.DIST(1;0;1;TRUE) pnorm(1,0,1)
1-NORM.S.DIST(-2;TRUE) 1-pnorm(-2)
NORM.S.DIST(1;TRUE) pnorm(1)
Em SPSS:
Em SPSS:
1-CDF.NORMAL(50,70,10)
CDF.NORMAL(80,70,10)
1-CDF.NORMAL(-2,0,1)
CDF.NORMAL(1,0,1)
Exemplo 1 Exemplo 1
Suponha que numa dada população o peso corporal apresenta uma Suponha que numa dada população o peso corporal apresenta uma
média de 70 Kg e um desvio padrão de 10 Kg. média de 70 Kg e um desvio padrão de 10 Kg.
c) Qual a probabilidade de um indivı́duo desta população ter um d) Qual o valor do peso abaixo do qual estão 5% dos indivı́duos
peso entre 50 e 80 kg? da população?
Sabemos que X ∼ N(70, 102 ). Sabemos que X ∼ N(70, 102 ). Queremos encontrar x tal que
P(X < x ) = 0.05.
P(50 < X < 80) = P(X < 80) − P(X ≤ 50) ≈ 0.8186
Usando as intruções abaixo obtemos x ≈ 53.55 Kg.
Em Excel: Em Excel:
NORM.DIST(80;70;10;TRUE)-NORM.DIST(50;70;10;TRUE) NORM.INV(0,05;70;10)
Em SPSS: Em SPSS:
CDF.NORMAL(80,70,10)-CDF.NORMAL(50,70,10) IDF.NORMAL(0.05,70,10)
Em R: Em R:
pnorm(80,70,10)-pnorm(50,70,10) qnorm(0.05,70,10)
Exemplo 1 Exemplo 1
Suponha que numa dada população o peso corporal apresenta uma Suponha que numa dada população o peso corporal apresenta uma
média de 70 Kg e um desvio padrão de 10 Kg. média de 70 Kg e um desvio padrão de 10 Kg.
e) Qual o valor do peso acima do qual estão 5% dos indivı́duos f) Quais os valores de peso que limitam os 95% valores centrais
da população? (2.5% em cada uma das caudas)?
Sabemos que X ∼ N(70, 102 ). Sabemos que X ∼ N(70, 102 ).

Queremos encontrar x tal que P(X > x ) = 0.05, ou seja, Queremos encontrar x1 , x2 tais que P(x1 < X < x2 ) = 0.95, mais
precisamente que satisfaçam
P(X ≤ x ) = 0.95.
P(X < x1 ) = 0.025 e P(X > x2 ) = 0.025.
Usando as intruções abaixo obtemos x ≈ 86.45 Kg. Usando as intruções abaixo obtemos x1 ≈ 50.40 e x2 ≈ 89.60Kg.
Em Excel: Em Excel:
NORM.INV(0,95;70;10) NORM.INV(0,025;70;10) NORM.INV(0,975;70;10)
Em SPSS: Em SPSS:
IDF.NORMAL(0.95,70,10) IDF.NORMAL(0.025,70,10) IDF.NORMAL(0.975,70,10)
Em R: Em R:
qnorm(0.95,70,10) qnorm(0.025,70,10) qnorm(0.975,70,10)
Distribuição Normal - Soma Exemplo 2
Suponha que X e Y são variáveis aleatórias independentes tais que

X ∼ N(70, 102 ) e Y ∼ N(60, 82 ). Determine P(X + Y < 110).
Duas variáveis aleatórias contı́nuas X e Y dizem-se independentes
se, para quaisquer x e y , Como X e Y são independentes então
P(X ≤ x e Y ≤ y ) = P(X ≤ x )P(Y ≤ y ). X + Y ∼ N(70 + 60, 102 + 82 ) = N(130, 164).
Usando as instruções abaixo obtemos que

Proposição
Sejam X1 e X2 duas variáveis aleatórias independentes seguindo P(X + Y < 110) ≈ 0.0592.
distribuições normais, digamos X1 ∼ N(µ1 , σ12 ) e X2 ∼ N(µ2 , σ22 ).
Então Em Excel:
X1 + X2 ∼ N(µ1 + µ2 , σ12 + σ22 ). NORM.DIST(110;130;SQRT(164);TRUE)
Em SPSS:
CDF.NORMAL(110,130,SQRT(164))
Em R:
pnorm(110,130,sqrt(164))
2.2. Distribuição Uniforme Contı́nua: U(a, b) Exemplo 1
A distribuição uniforme contı́nua U(a, b) tem uma função de densi-
Suponha que a chegada de clientes a uma determinada farmácia
dade de probabilidade constante, a, b ∈ R.
segue uma distribuição uniforme. Sabe-se que durante um perı́odo
Uma variável aleatória X que segue uma distribuição uniforme contı́nua,
de 30 minutos um certo cliente chegou a essa farmácia.
X ∼ U(a, b), tem as seguintes propriedades:
a) Qual a probabilidade de que esse cliente tenha chegado
Domı́nio: a ≤ x ≤ b
1 durante os últimos 5 minutos?
Densidade: f (x ) =
b−a O tempo de chegada à farmácia, X , segue uma distribuição uniforme
a+b no intervalo [0, 30]. Queremos saber P(X > 25). Ora,
Média: µ =
2 Z 30
1
(b − a)2 P(X > 25) = 1 − P(X ≤ 25) = dx = 1/6.
Variância: σ 2 = 25 30
12
Em Excel:
Não existe instrução
1
b−a Em SPSS:
1-CDF.UNIF(25,0,30)
a µ b Em R:
1-punif(25,0,30)
Exemplo 1 2.3. Distribuição Qui-Quadrado: χ2 (ν)
Suponha que a chegada de clientes a uma determinada farmácia Uma variável aleatória X que segue uma distribuição qui-quadrado
segue uma distribuição uniforme. Sabe-se que durante um perı́odo com ν graus de liberdade tem as seguintes propriedades:
de 30 minutos um certo cliente chegou a essa farmácia. Domı́nio: 0 < x < +∞
b) Qual a probabilidade de que esse cliente tenha chegado entre 1
Densidade: f (x ) = e −x /2 x (ν/2)−1 , ν > 0
os primeiros 5 e os 15 minutos? 2ν/2 Γ(ν/2)
Média: ν
X ∼ U(0, 30). Queremos saber P(5 < X < 15). Ora,
Variância: 2ν
Z 15
1 onde,
P(5 < X < 15) = P(X < 15) − P(X < 5) = dx = 1/3. Z ∞
5 30 Γ(α) = t α−1 e −t dt
0
Em Excel:
é designada por função gama. A função gama permite definir uma
Não existe instrução
extensão da função fatorial ao reais dado que satisfaz,
Em SPSS:
CDF.UNIF(15,0,30)-CDF.UNIF(5,0,30) Γ(n + 1) = n!, n ∈ {0, 1, 2, . . .}.
Em R:
punif(15,0,30)-punif(5,0,30)
Distribuição Qui-Quadrado: Propriedades Distribuição Qui-Quadrado: Propriedades
Alguns gráficos de funções de densidade de probabilidade para distribuições

χ2 (ν) para diferentes graus de liberdade ν.
1 Proposição
ν =1
ν =2 Sejam Z1 , . . . , Zν variáveis aleatórias independentes tais que,
ν =3
ν =4 Zi ∼ N(0, 1), i = 1, . . . , ν.
0.5 ν =5
ν =6 Então
ν =7 Z12 + · · · + Zν2 ∼ χ2 (ν).
ν =8
2 4 6 8 10 12 14
2.4. Distribuição t de Student: t(ν) Distribuição t de Student: Propriedades
Alguns gráficos de funções de densidade de probabilidade de distribuições

Uma variável aleatória X que segue uma distribuição t de Student t(ν) com diferentes graus de liberdade ν e da distribuição normal
com ν graus de liberdade tem as seguintes propriedades: reduzida.
Domı́nio: R
!− ν+1 0.4 ν=1
Γ( ν+1
2 ) x2 2
ν=2
Densidade: f (x ) = √ 1+
νπΓ(ν/2) ν ν=5
Média: 0, ν > 1 ν = 25
ν Z ∼ N(0, 1)
Variância: , ν>2 0.2
ν−2
onde Z ∞
Γ(α) = t α−1 e −t dt
0
é a função gama.
−6 −4 −2 2 4 6
Distribuição t de Student: Propriedades 2.5. Distribuição F de Fisher-Snedecor: F (ν1 , ν2 )
Uma variável aleatória X que segue uma distribuição F com graus

de liberdade ν1 e ν2 tem as seguintes propriedades:
Proposição Domı́nio: 0 ≤ x < +∞
Sejam Z e U variáveis aleatórias independentes tais que, Densidade:
Γ( ν1 +ν2 ) ν /2 ν /2
Z ∼ N(0, 1) e U ∼ χ2 (ν). f (x ) = ν1 2 ν2 ν1 1 ν2 2 x (ν1 /2)−1 (ν2 + ν1 x )−(ν1 +ν2 )/2
Γ( 2 )Γ( 2 )
ν2
Então Média: , ν2 > 2
Z ν2 − 2
T =p ∼ t(ν).
U/ν 2ν22 (ν1 + ν2 − 2)
Variância: , ν2 > 4
ν1 (ν2 − 4)(ν2 − 2)2
Este resultado pode ser visto como sendo a definição da distribuição
onde Z ∞
t(ν).
Γ(α) = t α−1 e −t dt
0
é a função gama.
Distribuição F : Propriedades Distribuição F : Propriedades
Alguns gráficos de funções de densidade de probabilidade de distribuições Proposição

F (ν1 , ν2 ) para diferentes graus de liberdade ν1 e ν2 . Sejam U1 e U2 variáveis aleatórias independentes tais que,
ν1 = 1, ν2 = 20 U1 ∼ χ2 (ν1 ) e U2 ∼ χ2 (ν2 ).
1 ν1 = 2, ν2 = 20
ν1 = 3, ν2 = 20 Então
U1 /ν1
ν1 = 10, ν2 = 20 U= ∼ F (ν1 , ν2 ).
ν1 = 3, ν2 = 50 U2 /ν2
0.5 ν1 = 10, ν2 = 50 Este resultado pode ser visto como sendo a definição da distribuição
F (ν1 , ν2 ).
Proposição
1 2 3 4 5 1 Se U ∼ F (ν1 , ν2 ) então 1/U ∼ F (ν2 , ν1 );
2 Se Y ∼ t(ν) então Y 2 ∼ F (1, ν).

2 - Distribuições Contínuas

Enviado por

Dados do documento

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

2 - Distribuições Contínuas

Enviado por

Direitos autorais:

Formatos disponíveis

2. Distribuições de probabilidade contı́nuas 2.1.

Distribuição Normal: N(µ, σ 2 )

Distribuição Normal: Propriedades Distribuição Normal: Propriedades

Propriedades da função densidade de probabilidade da distribuição

Distribuição Normal: Variável reduzida Distribuição Normal: Quantis

Suponha que numa dada população o peso corporal apresenta uma

Sabemos que X ∼ N(70, 102 ). Sabemos que X ∼ N(70, 102 ).

Distribuição Normal - Soma Exemplo 2

Suponha que X e Y são variáveis aleatórias independentes tais que

P(X ≤ x e Y ≤ y ) = P(X ≤ x )P(Y ≤ y ). X + Y ∼ N(70 + 60, 102 + 82 ) = N(130, 164).

Usando as instruções abaixo obtemos que

Exemplo 1 2.3. Distribuição Qui-Quadrado: χ2 (ν)

Alguns gráficos de funções de densidade de probabilidade para distribuições

2.4. Distribuição t de Student: t(ν) Distribuição t de Student: Propriedades

Alguns gráficos de funções de densidade de probabilidade de distribuições

Uma variável aleatória X que segue uma distribuição F com graus

Distribuição F : Propriedades Distribuição F : Propriedades

Alguns gráficos de funções de densidade de probabilidade de distribuições Proposição

Você também pode gostar