DISTRIBUIÇÕES DE

PROBABILIDADE CONTÍNUAS

Adaptado de “Statistics for Business and Economics, 6e © 2007 Pearson

Education, Inc”

1
 Objectivos

No final deste tópico o aluno deve ser capaz de:

 Perceber a diferença entre distribuições de probabilidade
discretas e contínuas
 Descrever as características das Distribuições Uniforme,
Normal e Exponencial
 Transformar a Distribuição Normal na Distribuição Normal
Padrão (standard ou reduzida), N(0,1)
 Determinar probabilidades utilizando a tabela da
Distribuição Normal Padrão (disponível no moodle)

Chap 6-2
Distribuições de Probabilidade
Distribuições de
Probabilidade

Distribuições Distribuições de
de Probabilidade
Probabilidade Contínuas
Discretas
Uniforme

Normal

Exponencial

Chap 6-3
 Função Distribuição Acumulada

 A função distribuição acumulada, F(x), é definida

da seguinte forma

F(x)  P(X  x)
 Sejam a e b dois valores possíveis de uma v.a.
continua X, com a < b. A probabilidade de X
estar compreendida entre a e b é

𝑷 𝒂<𝑿<𝒃 =𝑷 𝒂<𝑿≤𝒃
=𝑷 𝒂≤𝑿<𝒃 =𝑷 𝒂≤𝑿≤𝒃
= 𝑭 𝒃 − 𝑭(𝒂)
Chap 6-4
 Probabilidade como uma área
A área a vermelho sob a curva entre a e
b representa a probabilidade da v.a. X
tomar valores a e b
f(x) P (a ≤ x ≤ b)
= P (a < x < b)
= P (a ≤ x < b)
= P (a < x ≤ b)
a b x
(Note que a probabilidade de qualquer valor
individual é zero)
Chap 6-5
 A Distribuição Uniforme

 A distribuição uniforme é uma distribuição de

probabilidade cuja probabilidade para todos os
valores possíveis da v.a. é igual.

f(x)
Área total sob a f.d.p
da distribuição
uniforme é 1.

a b x

Chap 6-6
 A Distribuição Uniforme
A Distribuição Uniforme Contínua X ~ U(a,b):

1
se a  x  b
ba
f(x) =
0 caso contrário

onde
f(x) é a f.d.p.
a = valor mínimo de x
b = valor máximo de x
a < b constantes reais

Chap 6-7
 Propriedades da Distribuição
Uniforme contínua

 O valor médio da distribuição uniforme é

𝑎+𝑏
𝜇=𝐸 𝑋 =
2
 A variância é

2
(𝑏 − 𝑎)
𝜎 2 = 𝑉𝑎𝑟 𝑋 =
12

Chap 6-8
 Exemplo da Distribuição
Uniforme contínua
Exemplo: Distribuição Uniforme no
intervalo [2,6]:

1
f(x) = 6 - 2 = 0.25 se 2 ≤ x ≤ 6

f(x)
ab 26
μ  4
.25 2 2

(b - a)2 (6 - 2)2
σ 
2
  1.333
2 6 x 12 12

Chap 6-9
 A Distribuição Normal
‘Características da f.d.p.:
f(x)
 Em forma de campânula de sino
 Simétrica (valor médio, mediana e
moda têm o mesmo valor) σ
x
μ
 A localização é determinada pelo valor
médio, μ
 A dispersão é determinada pelo desvio Valor médio
padrão, σ = Mediana
 A v.a. assume valores em ℝ. = Moda

Chap 6-10
 Várias Distribuições Normais

Variando os parâmetros μ e σ, obtêm-se

diferentes formas da distribuição normal

Chap 6-11
 Forma da Distribuição Normal
f(x) Variando o valor μ desloca a distribuição
para a esquerda ou para a direita.

Alterando o valor σ
aumenta ou diminui a
σ dispersão.

μ x
Dado o valor médio μ e a variância σ2 define-se a
distribuição normal usando a notação simbólica:

X ~ N(μ,σ 2 )
Chap 6-12
 A f.d.p. da Distribuição Normal
 A fórmula para a função densidade de
probabilidade da normal é:

1 (x μ)2 /2σ 2

f(x)  e
2π
2

Onde μ = o valor médio da população

σ = o desvio padrão da população
x = qualquer valor assumido pela v.a. X,  < x < 

Chap 6-13
 F. Distribuição da Normal

 Para uma v.a. normal X com valor médio μ e

variância σ2 , i.e., X~N(μ, σ2), a função de
distribuição acumulada é

F(x 0 )  P(X  x0 )

f(x)

P(X  x 0 )

0 x0 x

Chap 6-14
 Cálculo de Probabilidades
usando a Normal
(continuação)

F(b)  P(X  b)

a μ b x

F(a)  P(X  a)

a μ b x

P(a  X  b)  F(b)  F(a)

a μ b x
Chap 6-15
 Distribuição Normal Padrão
 Qualquer distribuição Normal (com qualquer combinação de
valor médio e variância) pode ser transformada numa
distribuição normal padrão (usualmente designada por Z),
com valor médio 0 e variância 1, simbolicamente:
Z ~ N(0,1)
𝑋−𝜇
 Teorema: Se X ~ N (μ,σ2) => 𝑍=
𝜎
Transformação de X em Z faz-se subtraindo o valor médio de X e
dividindo pelo seu desvio padrão.
𝑋−𝜇
 F(x) = F( )= F(z)  área abaixo da f.d.p. da N(0,1) à
𝜎
esquerda do valor z

Chap 6-16
 Exemplo

 Se X é uma v.a. normalmente distribuída

com valor médio 100 e desvio padrão 50, o
valor z para x = 200 é

X  μ 200  100
Z   2.0
σ 50
 Quer dizer que x = 200 está dois desvios
padrão (2 incrementos de 50 unidades) acima
do valor médio de 100.

Chap 6-17
 Cálculo de Probabilidades usando
a Normal Padrão
 a μ b μ
P(a  X  b)  P Z 
 σ σ 
f(x)  b𝑏 −μ 𝜇  a  μ𝑎 − 𝜇
=ΦF   F− Φ 
 σ𝜎   σ  𝜎

a µ b x
a μ b μ
0 Z
σ σ

Chap 6-18
 Tabela da Normal Padrão
(leitura de z para F)
 A tabela da Distribuição Normal Padrão
(disponível no moodle) mostra os valores da
função distribuição acumulada
 Para um dado valor a da v.a. Z a tabela mostra
F(a) (a área sob a curva entre   e a )

𝑷 𝒁 < 𝒂 = 𝚽(𝒂)

0 a Z
Chap 6-19
 Tabela da Normal Padrão
(leitura de z para F)
Para valores positivos de Z, vamos à procura, na tabela, desse
valor na coluna de z e lê-se o respectivo valor de F(z):

Exemplo:
P(Z ≤ 2.00) = F(2.00)= 0.9772
z F(-z) F(z) D(z)
0.01 0.4960 0.5040 0.0080
0.02 0.4920 0.5080 0.0160
…
0.9772
1.00 0.1587 0.8413 0.6827
…
2.00 0.0228 0.9772 0.9545
… 0 2.00 Z
3.00 0.0013 0.9987 0.9973

Chap 6-20
 Tabela da Normal Padrão
(leitura de z para F)

Para valores negativos de Z, procuramos o simétrico desse valor

na coluna de z (visto que a tabela não possui valores negativos z)
e na mesma linha encontrar o respectivo valor de F na coluna de
de F(-z):
Exemplo:
z F(-z) F(z) D(z)
P(Z < -1.00) = F(-1) =0.1587
0.01 0.4960 0.5040 0.0080
0.02 0.4920 0.5080 0.0160
…
1.00 0.1587 0.8413 0.6827
…
2.00 0.0228 0.9772 0.9545 0.1587
…
3.00 0.0013 0.9987 0.9973
-1.00 0 Z
Chap 6-21
 Tabela da Normal Padrão
(leitura de z para F)

Alternativamente, pode usar-se o facto desta distribuição ser

simétrica aplicando a fórmula registada na tabela, F(-z)=1- F(z):

Exemplo: P(Z < -1.00) = F(1)= 1 – F(1) = 1- 0.8413 = 0.1587

z F(-z) F(z) D(z)

0.01 0.4960 0.5040 0.0080
0.02 0.4920 0.5080 0.0160
…
1.00 0.1587 0.8413 0.6827
…
2.00 0.0228 0.9772 0.9545 0.1587
…
3.00 0.0013 0.9987 0.9973
-1.00 0 Z
Chap 6-22
 Cálculo de Probabilidades de
uma Distribuição Normal (m, 2)

 Seja X uma v.a. com distribuição normal com

valor médio 8.0 e variância 25.0, X ~ N(8, 25)

Calcule P(X < 8.6)

X
8.0
8.6
Chap 6-23
 (continuação)

 Seja X uma v.a. com distribuição normal com valor

médio 8.0 e variância 25.0. Determine P(X < 8.6)
X  μ 8.6  8.0
Z   0.12
σ 5.0

μ=8 μ=0
σ=5 σ=1

8 8.6 X 0 0.12 Z

P(X < 8.6) P(Z < 0.12)

Chap 6-24
 (continuação)

𝑋−8 8.6 − 8
P X < 8.6 = P < = P Z < 0.12 = Φ 0.12 = 0.5478
25 25

0.5478
z F(-z) F(z) D(z)
0.01 0.4960 0.5040 0.0080
0.02 0.4920 0.5080 0.0160
…
0.12 0.4522 0.5478 0.0955
…
Z
0.00
0.12

Chap 6-25
 (continuação)

 Seja X uma v.a. com distribuição N(8, 25)

 Determine P(X > 8.6)

X
8.0
8.6
Chap 6-26
 (continuação)

𝑋−8 8.6 − 8
P X > 8.6 = 1 − P ≤ = 1 − P Z ≤ 0.12 =
25 25
(*)
= 1 − Φ 0.12 = 1 − 0.5478 = 0.4522
ou (*) = 1 − Φ 0.12 = Φ −0.12 = 0.4522
0.5478
1.000 1.0 - 0.5478
= 0.4522

Z Z
0 0
0.12 0.12
Chap 6-27
 (continuação)

Alternativamente:

𝑋−8 8.6 − 8
P X > 8.6 = P > = P Z > 0.12 =
25 25

(*)
= 1 − P Z ≤ 0.12 = 1 − Φ 0.12 = 1 − 0.5478 = 0.4522

ou (*) = 1 − Φ 0.12 = Φ −0.12 = 0.4522

Chap 6-28
 Leitura da tabela de F para z
Seja X uma v.a. normal com valor médio 8 e variância 25, X ~
N (8, 25). Qual o valor x abaixo do qual se encontram 20% dos
valores?
𝑃 𝑋 < 𝑎 = 0.20 ⇔

𝑋−8 𝑎−8
⇔P < = 0.20
25 25 0.2000
𝑎−8
⇔P Z< = 0.20 ⇔
25
𝑎−8 ? 8.0 X
⇔ Φ = 0.20 ⇔
5 ? 0 Z
𝑎−8
⇔ ≃ −0.84 ⇔ 𝑎 ≃ 5 × −0.841 ⇔ a ≃ −4.2
5 Chap 6-29
 Leitura da tabela de F para z
Quando se chega a esta fase da resolução, 0.5 = F(0)
𝑎−8
Φ 5 = 0.20, o z é desconhecido uma vez
𝑎−8
que 5 depende do valor de a. Contudo < 0.5 > 0.5
conhece-se o valor do F que é igual a 0.20. z F(-z) F(z) D(z)
Valores de F inferiores a 0.5 encontram-se 0.01 0.4960 0.5040 0.0080
na coluna de Φ −𝑧 (Nota: Valores de F 0.02 0.4920 0.5080 0.0160
superiores a 0.5 encontram-se na coluna …
de Φ(𝑧)). 0.83 0.2033 0.7967 0.5935
Assim, vai-se à coluna de Φ −𝑧 procurar o 0.84 0.2005 0.7995 0.5991
valor mais próximo, ou eventualmente igual, 0.85 0.1977 0.8023 0.6047
de 0.20. Neste caso esse valor é 0.2005,
que corresponde ao valor de z de 0.84
…
precedido do sinal ─ , uma vez que foi
encontrado a partir da coluna de Φ −𝑧 .

Chap 6-30
 Leitura da tabela de F para z
Seja X uma v.a. com distribuição Normal com valor médio 1 e
variância 9 e P(0 < X ≤ k) = 0.5. Determine o valor da constante k.

0−1 𝑋−1 𝑘−1

𝑃 0 < 𝑋 ≤ 𝑘 = 0.5 ⇔ 𝑃 < ≤ = 0.5 ⇔
9 9 9
1 𝑘−1 𝑘−1
⇔𝑃 − <𝑍≤ = 0.5 ⇔ Φ − Φ 0.33 = 0.5 ⇔
3 3 3
𝑘−1 𝑘−1
⇔Φ − 0.3707 = 0.5 ⇔ Φ = 0.3707 + 0.5 ⇔
3 3
𝑘−1 𝑘−1
⇔Φ = 0.8707 ⇔ ≃ 1.13 ⇔ 𝑘 ≃ 3 × 1.13 + 1 ⇔
3 3
⇔ 𝑘 ≃ 4.39

Chap 6-31
 Leitura da tabela de F para z
Notas:
Se tiver um valor z com mais do que 2 casas decimais deve arredondá-
lo à segunda casa decimal (atenção às regras de arredondamento)

A leitura de F(0.33) é idêntica à exemplificada relativamente ao cálculo

de P(Z ≤ 2.00) (veja-se slides anteriores).

𝑘−1
Quando deparamos com esta parte da resolução, Φ = 0.8707, o
3
valor z é desconhecido, pois depende do valor de k. Conhecemos o
valor de F, que é 0.8707. Então recorre-se à tabela procurando na
coluna de F(z), pois 0.8707 é superior a 0.5, o que resultará num valor
positivo para z não sendo necessário acrescentar qualquer sinal.

-32
 z F(-z) F(z) D(z) Observando a tabela verifica-se que o valor
0.01 0.4960 0.5040 0.0080 mais próximo de 0.8707 é o valor 0.8708,
0.02 0.4920 0.5080 0.0160 que corresponde ao valor z igual a 1.13.
… 𝑘−1
Como z= 3 , pois é sempre, o que se
1.12 0.1314 0.8686 0.7373 encontra dentro dos parêntesis de F, então
1.13 0.1292 0.8708 0.7415 𝑘−1
iguala-se ao valor de z encontrado
3
1.14 0.1271 0.8729 0.7457 (1.13), obtendo o valor de k.
…

Quando z > 3.00 ⇒ Φ 𝑧 ≃ 1

Quando z < −3.00 ⇒ Φ 𝑧 ≃ 0
-33
 Teorema da aditividade da Normal

Teorema: Se 𝑋1 ~𝑁(𝜇1 , 𝜎12 ), 𝑋2 ~𝑁(𝜇2 , 𝜎22 ), …,

𝑋𝑛 ~𝑁(𝜇𝑛 , 𝜎𝑛2 ), forem v.a. independentes, então:

𝑛 𝑛 𝑛

𝑋1 + 𝑋2 + … + 𝑋𝑛 = 𝑋𝑖 ~ 𝑁 𝜇𝑖 , 𝜎𝑖2
𝑖=1 𝑖=1 𝑖=1

-34
Distribuição Exponencial

35
 A Distribuição Exponencial

 A distribuição exponencial está relacionada com a

distribuição de Poisson.

 Enquanto a distribuição de Poisson estuda o número

de ocorrências num determinado intervalo de tempo
que é fixo, a distribuição exponencial estuda o tempo
decorrido entre duas ocorrências consecutivas de um
acontecimento.

 Na distribuição exponencial a v.a. X representa o tempo

de espera entre duas ocorrências consecutivas.

Chap 6-36
 A Distribuição Exponencial

 Uma v.a. contínua X com distribuição exponencial

com parâmetro l>0 , X ~ Exp(l), tem uma f.d.p.
−𝜆𝑥
𝑓 𝑥 = 𝜆𝑒 , 𝑥>0
0 , 𝑐. 𝑐.
onde: l é o número médio de ocorrências num intervalo de
tempo
1
 Valor esperado: 𝐸 𝑋 =
𝜆
1
 Variância: 𝑉𝑎𝑟 𝑋 =
𝜆2

Chap 6-37
 A Distribuição Exponencial

 A função distribuição acumulada (a probabilidade de o

tempo entre duas ocorrências consecutivas seja inferior
a um dado tempo específico x) é:

0 , 𝑥≤0
𝐹 𝑥 =
1 − 𝑒 −𝜆𝑥 , 𝑥>0
 A Distribuição Exponencial
Exemplo
Exemplo: Os clientes chegam a um loja em média 15 por
hora. Qual a probabilidade do tempo de chegada entre dois
clientes consecutivos seja inferior a 3 minutos?
A v.a. X representa o tempo, em minutos, entre a chegada de
dois clientes consecutivos.
O número médio de clientes que chegam à loja por hora é de
15, logo l = 15, então: X ~ Exp (l 15).
Três minutos representam 0.05 horas
P(X < 0.05) = F(0,05) = 1 – e-(15)(.05) ≈ 0.5276
Assim, a probabilidade do tempo de chegada entre dois
clientes sucessivos ser inferior a 3 minutos é de 52.76%.
Chap 6-39