Distribuições contínuas Página 1 de 4

Distribuições Contínuas
As distribuições contínuas são utilizadas para determinar a probabilidade de variáveis
aleatórias contínuas que seguem um determinado padrão.

Correcção de continuidade

Em distribuições contínuas, a probabilidade de um dado valor real é nula.

x
P ( X = x) = ∫ f X (δ )∂δ = 0
x

Para se poder medir tal probabilidade dá-se uma margem k para esse valor. O valor k
depende da situação e da escala dos valores de X.
x+k
P( x − k < X < x + k ) = ∫f
x −k
X (δ )∂δ > 0

Distribuição uniforme

O valor da função de distribuição de probabilidade é constante.

a+b
 1 E( X ) =
 , x ∈ [a, b] 2
f X ( x) =  b − a
1
0, x ∉ [a, b] V ( X ) = (b − a) 2
12

Distribuição exponencial negativa

X → EN (λ )

X : tempo entre ocorrências sucessivas de um processo de Poisson com parâmetro λ

(número médio de ocorrências por unidade de tempo)
1
− λx E( X ) =
λe , x≥0 λ
f X ( x) = 
0, x<0 1
V (X ) =
λ2

F ( x ) = 1 − e − λx x>0

Distribuições contínuas Página 1 de 4

Distribuições contínuas Página 2 de 4

Exercício:

A função densidade de probabilidade do tempo de vida de um determinado componente

é dada por:

f (t ) = k e − kt , (0 < t < ∞)

Um aparelho é constituído por três componentes deste tipo e a probabilidade de um

deles avariar é independente da probabilidade dos outros avariarem. Calcule a
probabilidade de:

a) Nenhum deles avariar em t0 horas;

b) Um deles avariar nas primeiras t0 horas, outro avariar nas segundas t0 horas e o
terceiro avariar depois das segundas t0 horas.

Resolução:

Em primeiro lugar, vamos calcular a função de distribuição acumulada de t:

t t
F (t ) = ∫
−∞
f ( x)∂x = ∫ ke −kx ∂x = 1 − e −kt
−∞
− kt − kt
Note-se que: P (T ≥ t ) = 1 − (1 − e )=e

a) Para que nenhum avarie até t0 horas, os três componentes têm de ter tempos de
vida maiores do que t0. Como as probabilidades de cada componente são
independentes entre si, a probabilidade de nenhum avariar até t0 horas é o
seguinte produto:
P (T1 ≥ t 0 ) × P(T2 ≥ t 0 ) × P(T3 ≥ t 0 ) = [P(T ≥ t 0 )] = e −kt0
3
[ ] 3
= e −3kt0

b) Em primeiro lugar vamos calcular a probabilidade de um componente avariar

em cada um dos intervalos de tempo em questão:
P (T1 ≤ t 0 ) = F (t 0 ) = 1 − e − kt 0
P (t 0 ≤ T2 ≤ 2t 0 ) = F ( 2t 0 ) − F (t 0 ) = e − kt 0 − e − 2 kt 0
P (T3 ≥ 2t 0 ) = 1 − F ( 2t 0 ) = e − 2 kt 0
Se nós simplesmente multiplicarmos estas três probabilidades, obtemos a
probabilidade de uma avariar até t0, outra avariar entre t0 e 2 t0 e a terceira
depois de 2 t0, mas numa ordem específica. Temos também de considerar que os
componentes podem avariar por 3! = 6 ordens diferentes. Então a probabilidade
que nós queremos calcular é:
6 × P(T1 ≤ t 0 ) × P(t 0 ≤ T2 ≤ 2t 0 ) × P(T3 ≥ 2t 0 ) =
= 6(1 − e −kt0 )(e − kt0 − e −2 kt0 )(e − 2 kt0 ) = 6e −3kt0 − 12e −4 kt0 + 6e −5 kt0

Distribuições contínuas Página 2 de 4

Distribuições contínuas Página 3 de 4

Distribuição normal ou gaussiana

É necessário saber a média (µ) e o desvio padrão (σ) para calcular as probabilidades
desta distribuição.

X → N (µ , σ 2 )

2
1  x−µ 
1 −   E( X ) = µ
f X ( x) = e 2 σ 
, x, µ ∈ ℜ; σ > 0
2π σ V (X ) = σ 2

Distribuição normal reduzida

Consiste em transformar a distribuição normal numa forma reduzida, para facilitar os

cálculos.

X −µ
Z=
X → N ( µ , σ )  
2
→ Z → N (0,1)
σ

z2
1 −2 E (Z ) = 0
f Z ( z) = e , z ∈ℜ
2π V (Z ) = 1

Exercício:

O peso médio de 500 estudantes do sexo masculino, de uma determinada universidade,

é 75.5 Kg e o desvio padrão é de 7.5 Kg. Admitindo-se que os pesos estão distribuídos
normalmente, determinar quantos estudantes pesam:

a) entre 60 e 77.5 Kg;

b) mais do que 92.5 Kg.

Resolução:

O peso de um estudante é na realidade um valor real, mas vamos admitir que o peso de
cada estudante só foi registado considerando intervalos de 0.5Kg. Isto implica que um
valor para o peso de 75 Kg corresponde na realidade a um intervalo de pesos entre
74.75 e 75.25 Kg.

Esta situação vai-nos obrigar a ter especial atenção às igualdades no cálculo de

probabilidades; já que apesar de estarmos perante uma distribuição contínua (normal) a
probabilidade de um aluno ter um peso de X não é nula, já que ao peso X corresponde
na realidade um intervalo de pesos ( [X - 0.25, X + 0.25] ).

X → N ( µ , σ 2 ), com µ = 75.5 Kg ∧ σ = 7.5 Kg

Distribuições contínuas Página 3 de 4

Distribuições contínuas Página 4 de 4

a)
P (60 ≤ X ≤ 77.5) → P (60 − 0.25 ≤ X ≤ 77.5 + 0.25) = P(59.75 ≤ X ≤ 77.75)
Transformando a distribuição normal X → N ( µ , σ 2 ) na distribuição normal reduzida
Z → N (0,1) :
 59.75 − µ X − µ 77.75 − µ 
P (59.75 ≤ X ≤ 77.75) = P ≤ ≤  = P(−2.10 ≤ Z ≤ 0.30) =
 σ σ σ 
0.30 0.30 z2
1 −2
= ∫f
− 2.10
Z ( z )∂z = ∫
− 2.10 2π
e ∂z = 0.6

Então, o número de estudantes cujos pesos estão entre 60 e 77.5 Kg será a

probabilidade vezes o número de estudantes:
500 × P(60 ≤ X ≤ 77.5) = 500 × 0.6 = 300

b)
P ( X > 92.5) → P( X > 92.5 + 0.25) = P (92.75)
Atençao : se fosse ≥ 92.5 Kg :
P( X ≥ 92.5) → P( X ≥ 92.5 − 0.25) = P(92.25)
Transformando a distribuição normal X → N ( µ , σ 2 ) na distribuição normal reduzida
Z → N (0,1) :
 X − µ 92.75 − µ 
P ( X > 92.75) = P >  = P( Z > 2.30) =
 σ σ 
+∞ +∞ z2
1 −
= ∫f
2.30
Z ( z )∂z = ∫
2.30 2π
e 2
∂z = 0.0107

Então, o número de estudantes que pesam mais do que 92.5 Kg será a probabilidade
vezes o número de estudantes:
500 × P ( X > 92.5) = 500 × 0.0107 = 5

Distribuições contínuas Página 4 de 4