AULA 5

DISTRIBUIÇÕES
CONTÍNUAS
 Distribuições contínuas

A distribuição Uniforme

Definição: se X é uma variável aleatória contínua com

função densidade de probabilidade:

𝟏
𝒇 𝒙 = 𝒃 − 𝒂 , 𝒔𝒆 𝒆 ∈ [𝒂, 𝒃]
𝟎, 𝒄𝒂𝒔𝒐 𝒄𝒐𝒏𝒕𝒓á𝒓𝒊𝒐

Então dizemos que X tem distribuição uniforme no

intervalo [a,b].
Exemplo: A dureza de uma peça de aço pode ser pensada
como sendo uma variável aleatória com distribuição uniforme,
no intervalo [50;70] da escala de Rockwell. Calcular a
probabilidade de que uma peça tenha dureza entre 55 e 60.
Definindo 𝑿 = 𝒅𝒖𝒓𝒆𝒛𝒂 de uma peça de aço, temos:

𝟏 𝟏
𝒇 𝒙 = 𝟕𝟎 − 𝟓𝟎 = 𝟐𝟎 , 𝒔𝒆 𝒙 ∈ [𝟓𝟎, 𝟕𝟎]
𝟎, 𝒄𝒂𝒔𝒐 𝒄𝒐𝒏𝒕𝒓á𝒓𝒊𝒐

Assim:
∞
𝑷 𝑿=𝒙 = 𝒇(𝒙)𝒅𝒙
−∞
𝟔𝟎 𝟔𝟎
𝟏 𝒙 𝟓 𝟏
𝑷 𝟓𝟓 ≤ 𝑿 ≤ 𝟔𝟎 = 𝒅𝒙 = = =
𝟓𝟓 𝟐𝟎 𝟐𝟎 𝟓𝟓 𝟐𝟎 𝟒
 𝟔𝟎
𝟏
𝑷 𝟓𝟓 ≤ 𝑿 ≤ 𝟔𝟎 = 𝒅𝒙
𝟓𝟓 𝟐𝟎
Valor esperado, variância e função de distribuição

Se X tem distribuição uniforme em [a,b], então:

𝒂+𝒃
a) 𝑬 𝑿 = 𝟐

(𝒃−𝒂)𝟐
b) 𝑽𝒂𝒓 𝑿 = 𝟏𝟐

𝟎, 𝒔𝒆 𝒙 < 𝒂;
𝒙−𝒂
c) 𝑭 𝒙 = 𝒃−𝒂 , 𝒔𝒆 𝒂 ≤ 𝒙 ≤ 𝒃;
𝟏, 𝒔𝒆 𝒙 ≥ 𝒃
Assim no exemplo anterior o valor esperado, variância e função
de distribuição sendo que X tem distribuição uniforme em
[50,70], será:

𝒂 + 𝒃 𝟓𝟎 + 𝟕𝟎
𝑬 𝑿 = = = 𝟔𝟎
𝟐 𝟐

(𝒃 − 𝒂)𝟐 (𝟕𝟎 − 𝟓𝟎)𝟐

𝑽𝒂𝒓 𝑿 = = = 𝟑𝟑, 𝟑𝟑
𝟏𝟐 𝟏𝟐
Assim no exemplo anterior o valor esperado, variância e função
de distribuição sendo que X tem distribuição uniforme em
[50,70], será:
𝟎, 𝒔𝒆 𝒙 < 𝟓𝟎;
𝒙 − 𝟓𝟎
𝑭 𝒙 , 𝒔𝒆 𝟓𝟎 ≤ 𝒙 ≤ 𝟕𝟎;
𝟐𝟎
𝟏, 𝒔𝒆 𝒙 ≥ 𝟕𝟎
A distribuição Exponencial

Definição: uma variável aleatória X tem distribuição exponencial com

parâmetro 𝛌, se sua função densidade de probabilidade é dada por:

−𝝀𝒙
𝝀𝒆 , 𝒔𝒆 𝒙 ≥ 𝟎
𝒇 𝒙 =
𝟎, 𝒄𝒂𝒔𝒐 𝒄𝒐𝒏𝒕𝒓á𝒓𝒊𝒐

Se X tem distribuição exponencial com parâmetro 𝛌 , o valor esperado,

variância e função de distribuição serão:
𝟏
a) 𝑬 𝑿 = 𝝀
𝟏
b) 𝑽𝒂𝒓 𝑿 = 𝝀𝟐
−𝝀𝒙 , 𝒔𝒆 𝒙 ≥ 𝟎
𝟏 − 𝒆
c) 𝑭 𝒙 =
𝟎, 𝒄𝒂𝒔𝒐 𝒄𝒐𝒏𝒕𝒓á𝒓𝒊𝒐
A distribuição Exponencial
Suponhamos que X tenha distribuição exponencial com
parâmetro 𝝀. Calcular a probabilidade de que X ultrapasse
seu valor esperado.
Nesse caso impondo que 𝑬 𝑿 = 𝒙, 𝐯𝐞𝐦:

∞
𝟏 ∞
𝑷 𝑿 > 𝑬(𝑿) = 𝑷 𝑿 > = 𝝀𝒆−𝝀𝒙 𝒅𝒙 = −𝒆−𝝀𝒙 𝟏
𝝀 𝟏
𝝀
𝝀

𝑷 𝑿 > 𝑬(𝑿) = − 𝟎 − 𝒆−𝟏 = 𝒆−𝟏 = 𝟎, 𝟑𝟔𝟕𝟗

Exemplo: Um transformador de distribuição fica sujeito a 10
sobrecargas de 120% durante 2 h a cada 2 anos. Qual a
probabilidade de que em seis meses ocorra pelo menos 1
sobrecarga com estas características ?

𝟏𝟎 𝒔𝒐𝒃𝒓𝒆𝒄𝒂𝒓𝒈𝒂𝒔
𝝀= = 𝟓 𝒔𝒐𝒃𝒓𝒆𝒄𝒂𝒓𝒈𝒂𝒔/𝒂𝒏𝒐
𝟐 𝒂𝒏𝒐𝒔

Usando a FDP diretamente:

𝑷 𝑿 < 𝟎, 𝟓 = 𝟏 − 𝒆𝒙𝒑(−𝝀. 𝒕)

𝑷 𝑿 < 𝟎, 𝟓 = 𝟏 − 𝒆𝒙𝒑(−𝟓. 𝟎, 𝟓) = 𝟎, 𝟗𝟏𝟕𝟗

Exemplo: O tempo de vida (em horas) de um transistor pode
ser considerado uma v.a contínua com distribuição
𝟏
exponencial com 𝜷 = 𝟓𝟎𝟎 = (𝝀) . Segue-se que a vida
média do transistor é 𝑬(𝒕) = 𝟓𝟎𝟎 𝒉𝒐𝒓𝒂𝒔 . Qual a
probabilidade de que ele dure mais do que a média ?
∞ ∞
𝑷 𝑿 = 𝒙) = 𝒇(𝒙)𝒅𝒙 = 𝝀𝒆−𝝀𝒙 𝒅𝒙
−∞ 𝟏/𝝀

∞
𝟏 −𝒙/𝟓𝟎𝟎
𝑷 𝑿 > 𝑬(𝑿) = 𝑷 𝑿 > 𝟓𝟎𝟎 = 𝒆 𝒅𝒙
𝟓𝟎𝟎 𝟓𝟎𝟎

∞
𝟏
𝑷 𝑿 > 𝟓𝟎𝟎 = −𝟓𝟎𝟎𝒆−𝒙/𝟓𝟎𝟎 = 𝒆−𝟏 = 𝟎, 𝟑𝟔𝟕𝟖
𝟓𝟎𝟎 𝟓𝟎𝟎
A distribuição Gama

Aplica-se a distribuição gama à análise de tempo de vida de equipamentos, de

tempo de retorno de mercadorias com falhas e a testes de confiabilidade. A
função densidade de probabilidade para a distribuição gama é dada por:

𝝀𝒓 𝒓−𝟏 −𝝀𝒙
𝒇 𝒙 = 𝒙 𝒆 𝒑𝒂𝒓𝒂 𝒙 ≥ 𝟎
𝚪(𝒓)

𝒇 𝒙 = 𝟎 𝒑𝒂𝒓𝒂 𝒙 < 𝟎

onde os parâmetros da distribuição gama, que podem assumir qualquer valor

positivo, são: 𝝀, taxa média do processo; 𝒓, número específico de eventos que
ocorrem até que a variável 𝑿 (tamanho do segmento de tempo ou espaço)
seja atingida e 𝚪(𝒓) é a função gama, definida por:

∞
𝚪 𝒓 = 𝒙𝒓−𝟏 𝒆−𝒙 𝒅𝒙
𝟎
Algumas propriedades da função gama são:

𝚪 𝟏 =𝟏

𝚪 𝒓 + 𝟏 = 𝒓𝚪 𝒓

𝚪 𝒓 = (𝒓 − 𝟏)𝚪 𝒓 − 𝟏

𝚪 𝒌 + 𝟏 = 𝒌!

𝚪 𝟏/𝟐 = 𝝅

𝟏. 𝟑. 𝟓 … . (𝟐𝒌 − 𝟏)
𝚪 𝒌 + 𝟏/𝟐 = 𝒌
𝝅
𝟐
A Figura abaixo apresenta a função f(x) para vários valores de r.
No caso especial de 𝒓 = 𝟏, tem-se a distribuição exponencial, pois 𝚪 𝟏 = 𝟏,
ficando-se com:

𝒇 𝒙 = 𝝀𝒆−𝝀𝒙

A distribuição gama se reduz à distribuição qui-quadrado, que será vista adiante,

quando 𝝀 = 𝟏/𝟐 e 𝒓 = 𝒅/𝟐, onde 𝒅 é um parâmetro inteiro positivo.
A distribuição de probabilidade é expressa por:

𝒙
𝑷 𝑿≤𝒙 = 𝒇 𝒚 𝒅𝒚
𝟎

O valor esperado e a variância são calculados por:

𝒓 𝒓
𝑬 𝑿 = 𝝀 e 𝑽𝒂𝒓 𝑿 = 𝝀𝟐
Exemplo: Tem-se numa faixa monitorada de frequências que a taxa de ruídos
indesejáveis por minuto é 5. Calcule a probabilidade de que passado um
minuto no máximo, dois ruídos sejam detectados sabendo que eles seguem
uma distribuição gama.
𝒙
𝑷 𝑿≤𝒙 = 𝒇 𝒚 𝒅𝒚
𝟎

𝒙
𝝀𝒓 𝒓−𝟏 −𝝀𝒚
𝑷 𝑿≤𝒙 = 𝒚 𝒆 𝒅𝒚
𝟎 𝚪(𝒓)

𝒙
𝝀𝒓 𝒓−𝟏 −𝝀𝒚
𝑷 𝑿≤𝒙 = 𝒚 𝒆 𝒅𝒚 = (𝟏 − 𝒆−𝝀𝒙 (𝟏 + 𝝀)
𝟎 𝚪(𝒓)

𝑷 𝑿 ≤ 𝟏 = (𝟏 − 𝒆−𝟓.𝟏 𝟏 + 𝟓 = 𝟏 − 𝟎, 𝟎𝟎𝟔𝟕𝟑𝟖. 𝟔 = 𝟎, 𝟗𝟔
Distribuição de Weibull

A distribuição de Weibull é muito similar à distribuição gama, tendo

o mesmo uso. A função densidade de probabilidade é expressa
por:

𝜶 𝜷−𝟏 − 𝒙 𝜷
𝒇 𝒙 = 𝜷𝒙 𝒆 𝜶 𝒄𝒐𝒎 𝜷 > 𝟎 𝒆 𝜶 > 𝟎
𝜶

onde 𝜶 é o parâmetro de escala 𝒆 𝜷 é o parâmetro de forma

(dito taxa de falha) e são constantes positivas.
A função distribuição de Weibull acumulada é expressa por:

𝟎 𝒔𝒆 𝒙 < 𝟎
𝜶
𝑭 𝒙 = 𝒙
𝟏 − 𝒆𝒙𝒑(−
𝜷

onde 𝜶 é o parâmetro de escala 𝒆 𝜷 é o parâmetro de forma

(dito taxa de falha) e são constantes positivas.
A distribuição de probabilidade Weibull é uma distribuição de
probabilidade contínua amplamente utilizada na análise de
dados de vida de equipamentos devido a sua flexibilidade –
ela pode imitar outras distribuições de probabilidade, como
a distribuição exponencial e a distribuição normal,
dependendo do valor de seus parâmetros.

As principais vantagens da utilização da distribuição de Weibull

para análise da sobrevivência é que através da estimativa de
apenas dois parâmetros 𝜶 𝒆 𝜷 são obtidas informações
tanto de longevidade média quanto do tipo de curva de
sobrevivência.
Outra vantagem é que as observações não necessitam ser
realizadas a intervalos constantes, como, por exemplo, com
as tabelas de esperança de vida.
A figura abaixo apresenta a fdp para a distribuição de Weibull,
considerando quatro valores diferentes do parâmetro 𝜷 com
𝜶 constante
A abaixo apresenta a fdp para a distribuição de Weibull,
considerando quatro valores diferentes do parâmetro 𝜶 com
𝜷 constante
O valor esperado e a variância são calculados por:

𝟏
𝑬 𝑿 = 𝜷𝚪 +𝟏
𝜶

𝟐
𝟐 𝟐
𝑽𝒂𝒓 𝑿 = 𝜷 𝚪 +𝟏 −𝚪 𝟏+ 𝜶+𝟏
𝜶
A função de confiabilidade da distribuição de Weibull é dada
por:
𝒙 𝜷
𝑹 𝒙 = 𝒆𝒙𝒑 − 𝒑𝒂𝒓𝒂 𝒙 > 𝟎
𝜶
A função de risco é dada por
𝜷 𝒙 𝜷−𝟏
𝑯 𝒙 = − 𝒑𝒂𝒓𝒂 𝒙 > 𝟎
𝜶 𝜶

Observe que 𝑯(𝒙) é estritamente crescente para 𝜷 > 𝟏 e

estritamente decrescente para 𝜷 < 𝟏 Como a distribuição
exponencial é um caso particular da distribuição de Weibull
quando 𝜷 = 𝟏 a taxa de falha fica constante neste caso.
O tempo médio de vida (MTTF) e a variância da distribuição de
Weibull são obtidos pelas equações

𝟏
𝑬 𝑿 = 𝜷𝚪 +𝟏
𝜶

𝟐
𝑽𝒂𝒓 𝑿 = 𝜷𝟐 𝚪 +𝟏 −𝚪 𝟏+ 𝜶+𝟏 𝟐
𝜶

O quantil pode ser obtido pela expressão:

𝟏/𝜷
𝒙𝒑 = 𝜶(−𝒍𝒐𝒈 𝟏 − 𝒑 )
Exemplo: Suponha que o tempo de vida de um capacitor obedeça a
uma distribuição de Weibull com parâmetros 𝜶 = 𝟏𝟎𝟎. 𝟎𝟎𝟎 e
𝜷 = 𝟎, 𝟓. Qual a confiabilidade deste capacitor para um ano?
Qual o tempo de vida médio? Em quantas horas 10% dos
capacitores irão falhar?
𝜷 𝟎,𝟓
𝒙 𝟏𝟐. 𝟑𝟎. 𝟐𝟒
𝑹 𝒙 = 𝒆𝒙𝒑 − = 𝒆𝒙𝒑 − = 𝟎, 𝟕𝟒𝟑𝟖 = 𝟕𝟒%
𝜶 𝟏𝟎𝟎𝟎𝟎𝟎

O tempo médio de vida

𝟏
𝑬 𝑿 = 𝜶𝚪 +𝟏
𝜷

𝟏
𝑬 𝑿 = 𝟏𝟎𝟎𝟎𝟎𝟎. 𝚪 + 𝟏 = 𝟏𝟎𝟎𝟎𝟎𝟎. 𝚪 𝟑 = 𝟏𝟎𝟎𝟎𝟎𝟎. 𝟐. 𝚪 𝟐
𝟎, 𝟓
= 𝟏𝟎𝟎𝟎𝟎𝟎. 𝟐. 𝟏. 𝚪 𝟏 = 𝟏𝟎𝟎𝟎𝟎𝟎. 𝟐. 𝟏. 𝟏 = 𝟐𝟎𝟎𝟎𝟎𝟎 𝒉𝒐𝒓𝒂𝒔
Para se determinar o tempo para a falha de 10% dos capacitores
deve-se determinar o quantil de 10%

𝟏/𝜷
𝒙𝒑 = 𝜶(−𝒍𝒐𝒈 𝟏 − 𝒑 )

𝟏
𝒙𝒑 = 𝟏𝟎𝟎𝟎𝟎𝟎(−𝒍𝒐𝒈 𝟏 − 𝟎, 𝟗 ) 𝟎,𝟓 = 𝟏𝟏𝟏𝟎, 𝟗𝟐 𝒉𝒐𝒓𝒂𝒔
Distribuição Normal

Definição: uma v.a. contínua X tem distribuição Normal com

parâmetros𝝁 𝒆 𝝈𝟐 , −∞ < 𝝁 < ∞ 𝒆 𝟎 < 𝝈𝟐 < +∞, se a sua
função densidade de probabilidade é dada por:
𝟏 𝟏 𝑿−𝝁 𝟐
−
𝒇 𝒙 = 𝒆 𝟐 𝝈 , −∞ < 𝒙 < +∞
𝝈 𝟐𝝅
Sendo que suas principais características, são:
1. O gráfico de f(x) tem a forma igual a da figura seguinte:

𝒇 𝒙

𝒙
2. 𝑿 = 𝝁 é o ponto de máximo de 𝒇 𝒙 ;
𝒇 𝒙

𝑿=𝝁 𝒙

3. f(x) tende para zero quando x tende para mais ou menos

infinito;

4. f(x) é simétrica ao redor de 𝒙 = 𝝁, isto é, 𝒇(𝝁 + 𝒙) = 𝒇(𝝁 −

𝒙), para todo 𝒙;
 𝒇 𝒙

𝒙
𝑿=𝝁

5. Entre os pontos 𝝁 − 𝟑𝝈 e 𝝁 + 𝟑𝝈, a área sob o gráfico de 𝒇(𝒙) é

igual a 99,74%, ou seja, entre estes pontos está praticamente
toda área sob o gráfico de 𝒇 𝒙 ;
• Entre 𝝁 − 𝟐𝝈 e 𝝁 + 𝟐𝝈, a área sob o gráfico de 𝒇(𝒙) é igual a
𝟗𝟓, 𝟒𝟎%;
• Entre 𝝁 − 𝝈 e 𝝁 + 𝝈, a área sob o gráfico de 𝒇(𝒙) é igual a
𝟔𝟖, 𝟑𝟎%;
 𝒇 𝒙

𝑿=𝝁 𝒙

6. Costuma-se escrever 𝑿~𝑵 (𝝁, 𝝈𝟐 ) para expressar que a

variável aleatória X tem distribuição normal com parâmetros
𝝁, 𝝈𝟐

7. Se 𝑿~𝑵 (𝝁, 𝝈𝟐 ) mostra-se que 𝑬(𝑿) = 𝝁 𝒆 𝑽𝒂𝒓(𝑿) = 𝝈𝟐 .

Variável normal padrão

𝑿−𝝁
Uma v.a. Z é dita normal padrão se 𝒁 = 𝝈 , sendo 𝑿 uma v.a. normal com valor
esperado 𝝁 e variância 𝝈𝟐 . Assim, pode-se mostrar que Z tem distribuição
normal com 𝑬(𝒁) = 𝟎 e 𝑽𝒂𝒓(𝒁) = 𝟏, ou seja,𝒁~𝑵(𝟎; 𝟏). Sua função é da
forma:
𝟏 −𝒛𝟐
𝒇 𝒛 = 𝒆 𝟐 , −∞ < 𝒙 < +∞
𝟐𝝅

As probabilidades sob a curva da normal padrão são encontradas em tabelas,

que, no caso, dão as áreas sob o gráfico da função densidade da normal
padrão. Em geral, essas tabelas fornecem a probabilidade de que a variável
normal padrão Z esteja entre zero e um valor z, isto é, 𝑷(𝟎 < 𝒁 < 𝒛)
O gráfico de 𝒇(𝒁) apresenta a forma abaixo
Observação com relação ao uso das tabelas

Existem tabelas, as mais usadas, que utilizam a área sob a normal

de −∞ até z, como a abaixo:
Para ilustrar o uso de uma tabela dessas, vejamos
os exemplos seguintes.
Observação:
E existem tabelas, que utilizam a área sob a normal de 𝟎 até z,
como a abaixo:
Veja que somando à tabela de 0 até z 0,5, tem-se a tabela
de −∞ até z
Para ilustrar o uso de uma tabela dessas, vejamos
os exemplos seguintes.
Supondo que uma v.a. X tem distribuição normal com média
100 e variância 25, qual será a probabilidade de X estar entre 112 e 114?
𝑿−𝝁 𝑿−𝟏𝟎𝟎
Temos que 𝒁 = . Assim 𝒁 = ~𝑵(𝟎, 𝟏), logo:
𝝈 𝟓

(𝟏𝟏𝟐 − 𝟏𝟎𝟎) (𝑿 − 𝟏𝟎𝟎) (𝟏𝟏𝟒 − 𝟏𝟎𝟎)

𝑷 𝟏𝟏𝟐 < 𝑿 < 𝟏𝟏𝟒 = 𝑷 < <
𝟓 𝟓 𝟓

𝑷 𝟏𝟏𝟐 < 𝑿 < 𝟏𝟏𝟒 = 𝑷 𝟐, 𝟒 < 𝒁 < 𝟐, 𝟖 = 𝑷 𝟎 < 𝒁 < 𝟐, 𝟖 − 𝑷 𝟎 < 𝒁 < 𝟐, 𝟒

𝑿 − 𝝁 𝟏𝟏𝟒 − 𝟏𝟎𝟎
𝒁= =
𝝈 𝟓
Supondo que uma v.a. X tem distribuição normal com média
100 e variância 25, qual será a probabilidade de X estar entre 112 e 114?
𝑿−𝝁 𝑿−𝟏𝟎𝟎
Temos que 𝒁 = . Assim 𝒁 = ~𝑵(𝟎, 𝟏), logo:
𝝈 𝟓

(𝟏𝟏𝟐 − 𝟏𝟎𝟎) (𝑿 − 𝟏𝟎𝟎) (𝟏𝟏𝟒 − 𝟏𝟎𝟎)

𝑷 𝟏𝟏𝟐 < 𝑿 < 𝟏𝟏𝟒 = 𝑷 < <
𝟓 𝟓 𝟓

𝑷 𝟏𝟏𝟐 < 𝑿 < 𝟏𝟏𝟒 = 𝑷 𝟐, 𝟒 < 𝒁 < 𝟐, 𝟖 = 𝑷 𝟎 < 𝒁 < 𝟐, 𝟖 − 𝑷 𝟎 < 𝒁 < 𝟐, 𝟒
Supondo que uma v.a. X tem distribuição normal com média
100 e variância 25, qual será a probabilidade de X estar entre 112 e 114?
𝑿−𝝁 𝑿−𝟏𝟎𝟎
Temos que 𝒁 = . Assim 𝒁 = ~𝑵(𝟎, 𝟏), logo:
𝝈 𝟓

(𝟏𝟏𝟐 − 𝟏𝟎𝟎) (𝑿 − 𝟏𝟎𝟎) (𝟏𝟏𝟒 − 𝟏𝟎𝟎)

𝑷 𝟏𝟏𝟐 < 𝑿 < 𝟏𝟏𝟒 = 𝑷 < <
𝟓 𝟓 𝟓

𝑷 𝟏𝟏𝟐 < 𝑿 < 𝟏𝟏𝟒 = 𝑷 𝟐, 𝟒 < 𝒁 < 𝟐, 𝟖

0 2,4 2,8

𝑷 𝟏𝟏𝟐 < 𝑿 < 𝟏𝟏𝟒 = 𝑷 𝟎 < 𝒁 < 𝟐, 𝟖 − 𝑷 𝟎 < 𝒁 < 𝟐, 𝟒

𝑷 𝟐, 𝟒 < 𝒁 < 𝟐, 𝟖 = 𝑷 𝟎 < 𝒁 < 𝟐, 𝟖 − 𝑷 𝟎 < 𝒁 < 𝟐, 𝟒

𝑷 𝟐, 𝟒 < 𝒁 < 𝟐, 𝟖 = 𝟎, 𝟒𝟗𝟕𝟒 − 𝟎, 𝟒𝟗𝟏𝟖 = 𝟎, 𝟎𝟎𝟓𝟔.

Exemplo: Qual a probabilidade de que 𝒁 < 𝟏, 𝟕𝟒

𝑷 𝒁 < 𝟏, 𝟕𝟒 = 𝟎, 𝟗𝟓𝟗𝟏
Exemplo: Qual a probabilidade de que 𝒁 < 𝟏, 𝟕𝟒

𝟎, 𝟓𝟎𝟎𝟎 𝟎, 𝟒𝟓𝟗𝟏

𝑷 𝒁 < 𝟏, 𝟕𝟒 = 𝟎, 𝟓𝟎𝟎𝟎 + 𝟎, 𝟒𝟓𝟗𝟏 = 𝟎, 𝟗𝟓𝟗𝟏

Exemplo: Qual a probabilidade de que 𝒁 < −𝟏, 𝟕𝟒

𝑷 𝒁 < −𝟏, 𝟕𝟒 = 𝟏 − 𝑷 𝒁 > 𝟏, 𝟕𝟒

𝑷 𝒁 < −𝟏, 𝟕𝟒 = 𝟏 − 𝟎, 𝟗𝟓𝟗𝟏 = 𝟎, 𝟎𝟒𝟎𝟗

Dada uma distribuição normal padrão, encontre a área da curva que:
a) encontra-se a direita de 𝒁 = 𝟏, 𝟖𝟒
b) está entre 𝒁 = −𝟏, 𝟗𝟕 𝒆 𝒁 = 𝟎, 𝟖𝟔.

𝑷 𝒁 > 𝟏, 𝟖𝟒 = 𝟏 − 𝟎, 𝟗𝟔𝟕𝟏 = 𝟎, 𝟎𝟑𝟐𝟗

Dada uma distribuição normal padrão, encontre a área da curva que:
a) encontra-se a direita de 𝒁 = 𝟏, 𝟖𝟒
b) está entre 𝒁 = −𝟏, 𝟗𝟕 𝒆 𝒁 = 𝟎, 𝟖𝟔.

𝑷 𝒁 = 𝟎, 𝟖𝟔 = 𝟎, 𝟖𝟎𝟓𝟏
Dada uma distribuição normal padrão, encontre a área da curva que:
a) encontra-se a direita de 𝒁 = 𝟏, 𝟖𝟒
b) está entre 𝒁 = −𝟏, 𝟗𝟕 𝒆 𝒁 = 𝟎, 𝟖𝟔.

𝑷 𝒁 < −𝟏, 𝟗𝟕 = 𝟏 − 𝟎, 𝟗𝟕𝟓𝟔 = 𝟎, 𝟎𝟐𝟒𝟒

𝑷 −𝟏, 𝟗𝟕 < 𝒁 < 𝟎, 𝟖𝟔 = 𝟎, 𝟖𝟎𝟓𝟏 − 𝟎, 𝟎𝟐𝟒𝟒 = 𝟎, 𝟕𝟖𝟎𝟕

Exemplo: Dada uma distribuição normal padrão, determine a probabilidade:
𝑃(‐ 1,25 < 𝑍 < 0)

𝟎, 𝟓𝟎 − 𝟎, 𝟏𝟎𝟓𝟔

(𝟏 − 𝟎, 𝟖𝟗𝟒𝟒) = 𝟎, 𝟏𝟎𝟓𝟔

𝑷 −𝟏, 𝟐𝟓 < 𝒁 < 𝟎 = 𝑷 𝟎 < 𝒁 < 𝟏, 𝟐𝟓

𝑷 −𝟏, 𝟐𝟓 < 𝒁 < 𝟎 = 𝟎, 𝟓 − 𝟎, 𝟏𝟎𝟓𝟔 = 𝟎, 𝟑𝟗𝟒𝟒

Dada uma distribuição normal padrão, determine a probabilidade:
𝑃(‐ 1,25 < 𝑍 < 0)

𝑷 −𝟏, 𝟐𝟓 < 𝒁 < 𝟎 = 𝑷 𝟎 < 𝒁 < 𝟏, 𝟐𝟓

𝑷 −𝟏, 𝟐𝟓 < 𝒁 < 𝟎 = 𝟎, 𝟑𝟗𝟒𝟒

Exemplo: Suponha que a resistência elétrica média de resistores produzidos em
uma fábrica tenha distribuição normal com média 11,15 Ω e desvio padrão
2,238 Ω. Qual a porcentagem de resistores que tem resistência elétrica entre
8,70 Ω e 14,70 Ω ?
Para encontrar a porcentagem de resistores com a resistência desejada
devemos encontrar a área abaixo da curva normal, compreendida entre os
pontos 8,70 Ω e 14,70 Ω . Para isso, temos que encontrar os dois pontos da
distribuição normal padronizada.

𝟖, 𝟕𝟎 − 𝟏𝟏, 𝟏𝟓
𝑿−𝝁 𝒁𝟏 = = −𝟏, 𝟎𝟗
𝟐, 𝟐𝟑𝟖
𝒁= →
𝝈 𝟏𝟒, 𝟕𝟎 − 𝟏𝟏, 𝟏𝟓
𝒁𝟐 = = 𝟏, 𝟓𝟖
𝟐, 𝟐𝟑𝟖

𝑷 𝒁 > 𝟏, 𝟓𝟖

𝑷 𝒁 < −𝟏, 𝟎𝟗
 𝟖, 𝟕𝟎 − 𝟏𝟏, 𝟏𝟓
𝑿−𝝁 𝒁𝟏 = = −𝟏, 𝟎𝟗
𝟐, 𝟐𝟑𝟖
𝒁= →
𝝈 𝟏𝟒, 𝟕𝟎 − 𝟏𝟏, 𝟏𝟓
𝒁𝟐 = = 𝟏, 𝟓𝟖
𝟐, 𝟐𝟑𝟖

𝑷 𝒁 < −𝟏, 𝟎𝟗 = 𝟏 − 𝟎, 𝟖𝟔𝟐𝟏 = 𝟎, 𝟏𝟑𝟕𝟗

𝑷 𝒁 > 𝟏, 𝟓𝟖 = 𝟏 − 𝟎, 𝟗𝟒𝟐𝟗 = 𝟎, 𝟎𝟓𝟕𝟏

Assim o valor procurado corresponde à área entre os valores de Z. Assim

𝑷 8,70 Ω < R < 14,70 Ω = 𝑷 −1,09 < Z < 𝟏, 𝟓𝟖 = 𝟏 − 𝟎, 𝟏𝟑𝟕𝟗 + 𝟎, 𝟎𝟓𝟕𝟏 = 𝟎, 𝟖𝟎𝟓𝟎
 Estudo complementar
Outras distribuições de variáveis
aleatórias contínuas
Distribuição Lognormal

A distribuição lognormal é muito usada em ciências físicas e sociais

e em engenharia, neste último caso para descrever tamanho de
partículas, o tempo para haver uma falha no processo
(confiabilidade) e o tempo para consertar algo no processo
(manutenção).

Uma variável X, definida na faixa 𝟎 ≤ 𝒙 < ∞, tem uma distribuição

lognormal se 𝒍𝒏𝑿 tem uma distribuição normal, ou seja, for
normalmente distribuída com média 𝝁 e desvio-padrão 𝝈 :

𝟏 𝟏 𝑿−𝝁 𝟐
−
𝒇 𝒙 = 𝒆 𝟐 𝝈 𝐟𝐝𝐩 𝐧𝐨𝐫𝐦𝐚𝐥
𝝈 𝟐𝝅
Considerando que X tem distribuição 𝐘 = 𝒍𝒏𝑿 , a variável aleatória
X com valores positivos tem distribuição log‐normal com função
densidade de probabilidade tem-se:
𝟏 𝒚−𝝁𝒚 𝟐
𝟏 −𝟐 𝝈
𝒇 𝒙 = 𝒆 𝒚 𝒑𝒂𝒓𝒂 𝒙 ≥ 𝟎
𝒙𝝈𝒚 𝟐𝝅

𝒇 𝒙 = 𝟎 𝒄𝒂𝒔𝒐 𝒄𝒐𝒏𝒕𝒓á𝒓𝒊𝒐
A média e desvio-padrão para a distribuição log normal são dados
por:

𝝁𝒚 = 𝑬(𝒍𝒏𝑿)

𝝈𝟐𝒚 = 𝑽𝒂𝒓(𝒍𝒏𝑿)
Nos gráficos abaixo são apresentados a função densidade de
probabilidade (esquerda) com variação do desvio padrão e à
direita a função densidade de probabilidade acumulada para os
mesmos valores.
𝟏 𝒚−𝝁𝒚 𝟐
𝟏 −𝟐 𝝈
𝒇 𝒙 = 𝒆 𝒚
𝒙𝝈𝒚 𝟐𝝅
 𝟏 𝒚−𝝁𝒚 𝟐
𝟏 −
𝟐 𝝈𝒚
𝒇 𝒙 = 𝒆
𝒙𝝈𝒚 𝟐𝝅

Você deve observar que para 𝝁 = 𝟎 e 𝝈 = 𝟏 a função log normal

tem a mesma distribuição da função normal.
Para esta distribuição o valor esperado e variância calculados por:

𝑽𝒂𝒓 𝒍𝒏𝑿
𝝁𝑿 = 𝒆𝒙𝒑(𝑬 𝒍𝒏𝑿 + )
𝟐

𝑽𝒂𝒓 𝑿 = 𝒆𝒙𝒑(𝟐𝑬 𝒍𝒏𝑿 + 𝑽𝒂𝒓 𝒍𝒏𝑿 (𝒆𝒙𝒑( −𝑽𝒂𝒓 𝒍𝒏𝑿 − 𝟏)

Exemplo: Em um ensaio de ruptura dielétrica de um material
isolante sólido com espessura média de 5,08 mm, segundo o
fornecedor a tensão de ruptura dielétrica é de 206,8 MV/m.
Segundo o fornecedor este isolante deve ser substituído após a
aplicação de 𝟏𝟎𝟔 ciclos de tensão na condição de operação. Sabe-
se de experiências anteriores que a distribuição da vida de falhas
sob condições de tensão constante é lognormal, com os seguintes
parâmetros:
𝝁𝒙 = 𝒍𝒐𝒈 𝟏, 𝟑𝟖. 𝟏𝟎𝟔
𝝈𝒙 = 𝒍𝒐𝒈 𝟏, 𝟐𝟔𝟗
Determine a probabilidade de ocorrer uma falha antes da troca.
A probabilidade de falha é igual a probabilidade de x assumir o valor menor
que 106 ciclos. Como a fdp log normal trata-se da distribuição normal de uma
variável Y=log(X), pode-se utilizar a distribuição normal. Assim:
𝒙 − 𝝁𝒙
𝑷 𝒁 ≤ 𝒛𝒂 =𝑷 𝒁≤
𝝈𝒙

𝒍𝒐𝒈(𝟏𝟎𝟔 ) − 𝒍𝒐𝒈 𝟏, 𝟑𝟖. 𝟏𝟎𝟔

𝑷 𝒁≤
𝒍𝒐𝒈 𝟏, 𝟐𝟔𝟗

𝟔 − 𝟔, 𝟏𝟑𝟗𝟗
𝑷 𝒁≤
𝟎, 𝟏𝟎𝟑𝟓

𝑷 𝒁 ≤ −𝟏, 𝟑𝟔 = 𝟏 − 𝟎, 𝟗𝟏𝟑𝟏 = 𝟎, 𝟎𝟖𝟔𝟗

𝑷 𝒁 < −𝟏, 𝟑𝟔 = 𝑷(𝒁 > 𝟏, 𝟑𝟔) = 𝟎, 𝟎𝟖𝟔𝟗

A distribuição Qui-quadrado

Um caso especial importante do modelo gama é obtido fazendo-se

𝜶 = 𝝂/𝟐 e 𝜷 = 𝟐, com 𝝂 > 𝟎 inteiro.

Uma v.a. contínua 𝒀, com valores positivos, tem uma distribuição

qui-quadrado com 𝝂 graus de liberdade (denotada 𝝌𝟐(𝝂)), se sua
densidade for dada por:

𝟏 𝝂
𝒚𝟐−𝟏 𝒆−𝒚/𝟐 𝒑𝒂𝒓𝒂 𝒚 > 𝟎
𝒇 𝒚, 𝝂 = 𝚪 𝝂 𝟐𝝂/𝟐
𝟐
𝟎 𝒄𝒂𝒔𝒐 𝒄𝒐𝒏𝒕𝒓á𝒓𝒊𝒐
 𝟏 𝝂
𝒚𝟐−𝟏 𝒆−𝒚/𝟐 𝒑𝒂𝒓𝒂 𝒚 > 𝟎
𝒇 𝒚, 𝝂 = 𝚪 𝝂 𝟐𝝂/𝟐
𝟐
𝟎 𝒄𝒂𝒔𝒐 𝒄𝒐𝒏𝒕𝒓á𝒓𝒊𝒐
A variância e o valor esperado para esta distribuição são:

𝑬 𝒀 =𝝂

𝑽𝒂𝒓 𝒀 = 𝟐𝝂
2. A distribuição qui-quadrado tem suas probabilidades
tabeladas, de acordo com a Tabela do próximo slide, de
forma que essa fornece os valores y, tais que 𝐏 𝝌𝟐𝒗 > 𝒚 =
𝒑, para alguns valores de p e alguns valores de v.
Supondo que se tenha 10 graus de liberdade, determine o valor de
y para que a 𝐏 𝝌𝟐𝒗 > 𝒚 = 𝟎, 𝟎𝟓
Aplicando a tabela do qui-quadrado, vem:

𝐏 𝝌𝟐𝒗 > 𝒚 = 𝟎, 𝟎𝟓 será 18,307

A tabela na verdade retorna a função inversa, em relação a
área à direita de cada curva (uma para cada linha), isto é,
dado um valor de área na cauda direita (𝒂), a tabela retorna
um valor “y” tal que P(𝝌𝟐𝒗 ≥ 𝐲) = 𝛂.
A distribuição t de Student

Sejam 𝒁 uma variável aleatória com distribuição 𝑵(𝟎, 𝟏) e 𝒀 uma

variável aleatória com distribuição 𝝌𝟐𝒗 , com 𝒁 𝒆 𝒀 independentes,
tem-se que a variável aleatória:
𝒁
𝑻=
𝒀
𝒗
possui distribuição chamada t de Student, com 𝒗 graus de liberdade

𝒗+𝟏
𝚪 𝟐
𝑻𝒗 𝐲 = 𝒗+𝟏 𝒗 = 𝟏, 𝟐, 𝟑, … 𝒚 ∈ ℝ
𝒗 𝒙𝟐 𝟐
𝝅𝒗𝚪 𝟐 𝟏+ 𝒗
A distribuição t de Student é aproximadamente 𝑵(𝟎, 𝟏) quando 𝒗
é significativamente grande.

Para 𝒗 pequeno, a curva da função densidade de probabilidade da

distribuição t possui a mesma forma da normal padrão, sendo
diferente somente no aspecto do achatamento.

A curva da distribuição t é um pouco mais achatada, significando

que essa distribuição possui maior variabilidade que a normal
padrão
Observações:
1. Usamos a notação 𝑻~𝒕(𝒗) para denotar que a variável
aleatória 𝑻 tem distribuição t de Student com 𝒗 graus de
liberdade;
2. A distribuição t de Student também tem suas probabilidades
tabeladas, conforme a Tabela do próximo slide, sendo que
essa fornece valores 𝒕𝟎 tais, que 𝑷(−𝒕𝟎 < 𝒕(𝒗) < 𝒕𝟎 ) = 𝟏 −
𝒑 , para alguns valores de 𝒑 e 𝒗=
𝟏, 𝟐, 𝟑, … , 𝟑𝟎, 𝟑𝟓, 𝟒𝟎, 𝟓𝟎, 𝟔𝟎, 𝟏𝟐𝟎.
Quando 𝒗 é muito “grande”, aproxima-se a distribuição t pela
𝑵(𝟎, 𝟏), de forma que se pode ver na Tabela que para 𝒗 >
𝟏𝟐𝟎 há uma linha indicada por 𝒗 = ∞ , que corresponde às
probabilidades de uma distribuição normal padrão.
Supondo 𝒗 = 𝟏𝟖 determine o valor de 𝒕𝟎 , pela tabela da
distribuição t, tal que 𝑷(𝑻 > 𝒕𝟎 ) = 𝟎, 𝟏𝟎.

Para 𝒗 = 𝟏𝟖 graus de liberdade o valor de 𝒕𝟎 , pela tabela da

distribuição t, tal que 𝑷 𝑻 > 𝒕𝟎 = 𝟎, 𝟏𝟎 𝒔𝒆𝒓á 𝟏, 𝟕𝟑𝟒.
A distribuição F

Sejam 𝑼 e 𝑽 duas variáveis aleatórias independentes, cada uma com

distribuição qui-quadrado com 𝒗𝟏 e 𝒗𝟐 graus de liberdade,
respectivamente, tem-se que a variável aleatória:

𝑼
𝒗𝟏
𝑭=
𝑽
𝒗𝟐
possui uma distribuição chamada 𝑭 de Snedecor, ou simplesmente
distribuição 𝑭, com graus de liberdade 𝒗𝟏 e 𝒗𝟐 .
A distribuição F de Snedecor depende de dois parâmetros
denominados também de graus de liberdade.

Uma das possíveis representações da função densidade de

probabilidade da 𝑭, em termos da função Gama, é dada por:

𝒗𝟏 𝒗𝟐 𝒗𝟏
𝒗𝟏 +𝒗𝟐
𝚪 𝒗𝟏 𝟐 𝒗𝟐 𝟐 𝒙 𝟐 −𝟏
𝟐
𝑭𝒗𝟏 ,𝒗𝟐 = 𝒗𝟏 +𝒗𝟐 com𝒗𝟏 , 𝒗𝟐 = 𝟏, 𝟐, 𝟑, … . 𝒙 ∈ [𝟎; ∞)
𝒗𝟏 𝒗𝟐
𝚪 𝚪 𝒗𝟏 𝒙+𝒗𝟐 𝟐
𝟐 𝟐

O primeiro (𝒗𝟏 ) é o grau de liberdade do numerador e o

segundo (𝒗𝟐 ) do denominador.
Na estatística ela é caracterizada como o quociente de duas
variâncias e, portanto de duas distribuições qui quadrado.

Cada parâmetro da mesma forma que nos modelos anteriores

é associado ao tamanho amostral menos um.
 𝒗𝟏 𝒗𝟐 𝒗𝟏
𝒗𝟏 +𝒗𝟐
𝚪 𝒗𝟏 𝟐 𝒗𝟐 𝟐 𝒙 𝟐 −𝟏
𝟐
𝑭𝒗𝟏 ,𝒗𝟐 = 𝒗𝟏 +𝒗𝟐 com𝒗𝟏 , 𝒗𝟐 = 𝟏, 𝟐, 𝟑, … . 𝒙 ∈ [𝟎; ∞)
𝒗𝟏 𝒗𝟐
𝚪 𝚪 𝒗𝟏 𝒙+𝒗𝟐 𝟐
𝟐 𝟐
Observações:

1. Costuma-se usar a notação 𝒀~𝑭(𝒗𝟏 , 𝒗𝟐 ) para denotar que a

variável aleatória Y tem distribuição F com 𝒗𝟏 𝒆 𝒗𝟐 graus de
liberdade;

2. As probabilidades da distribuição F são também tabeladas de

acordo com a Tabela apresentada na sequência, sendo que essa
fornece os valores y, tais que 𝐏 𝑭 𝒗𝟏 , 𝒗𝟐 > 𝒚 = 𝜶. Nos casos
em que precisamos calcular 𝐏 𝑭 𝒗𝟏 , 𝒗𝟐 < 𝒚 = 𝜶, usamos a
identidade:
𝟏
𝑭 𝒗 𝟏 , 𝒗𝟐 =
𝑭 𝒗𝟏 , 𝒗𝟐
Tabelas
O que é tabelado é o percentil 95% ou 99% - área à direita de cada curva (uma para
cada par de valores – numerador, denominador) igual a 5% e 1%, isto é, “x” tal
que 𝐏 𝑭 𝒗𝟏 , 𝒗𝟐 ≥ 𝒚 = 𝟓% ou 𝐏 𝑭 𝒗𝟏 , 𝒗𝟐 ≥ 𝒚 = 𝟏%.
Temos da distribuição F que o valor 𝒚𝟏 , tal que 𝐏 𝑭 𝟓, 𝟕 > 𝒚𝟏 =
𝟎, 𝟎𝟓 é 3,97. Qual será o valor 𝒚𝟐 , tal que
𝐏 𝑭 𝒗𝟏 , 𝒗𝟐 < 𝒚𝟐 = 𝟎, 𝟎𝟓?

𝟏
Usando 𝑭 𝒗𝟏 , 𝒗𝟐 = teremos:
𝑭 𝒗𝟏 ,𝒗𝟐

𝟏
𝟎, 𝟎𝟓 = 𝐏 𝑭 𝟓, 𝟕 < 𝒚𝟐 =𝑷 < 𝒚𝟐
𝑭 𝟕, 𝟓

𝟏
𝑷 𝑭 𝟕, 𝟓 >
𝒚𝟐
Da tabela da distribuição F tem-se:

𝟏
𝟒, 𝟖𝟖 =
𝒚𝟐

𝒚𝟐 = 𝟎, 𝟐𝟎𝟓