123 124

VARIÁVEIS ALEATÓRIAS CONTÍNUAS Os parâmetros que caracterizam esta distribuição são a e b e

satisfazem & ' < a < b < + ' .

Vamos agora estudar algumas variáveis aleatórias contínuas A função de distribuição de X, FX ( x ) , é dada por:
e respectivas propriedades, nomeadamente:
$ 0 x<a
• uniforme x !
FX ( x ) = ( f u ( u ) du = # ( x & a ) / ( b & a ) a%x%b
• exponencial
&' ! 1 x>b
• normal "
• qui-quadrado
• t-student
• F Graficamente temos então que:

DISTRIBUIÇÃO UNIFORME

Considere-se que a função densidade de probabilidade de

uma v.a. contínua X, é constante num dado intervalo limitado
[a, b] e nula fora desse intervalo. Nestas condições, a
probabilidade de X tomar valores num dado sub-intervalo de
[a, b] é a mesma para sub-intervalos de igual amplitude. O valor esperado e a variância para esta v.a. são facilmente
obtidos a partir da definição e são dados por:
Diz-se que a v.a. contínua X tem distribuição uniforme no
intervalo [a, b], e escreve-se: X ~ U(a,b) se a sua função +' b 1 a+b
E ( X ) = ( x ) f X ( x ) dx = ( x ) dx = ... =
densidade de probabilidade for dada por: b&a 2
&' a

+' b 1 b3 & a 3
$ 1
! b&a a%x%b ( )
E X2 = ( x 2 ) f X ( x ) dx = ( x 2 )
b&a
dx = ... =
3)( b & a )
&' a
!
fX ( x ) = #
! 0 outros valores ( )
Var ( X ) = E X 2 & [ E ( X ) ] 2 =
( b & a )2
!
" 12
 125 126

Relativamente à função geradora de momentos temos que: A função de distribuição de X, FX ( x ) , é dada por:

+' b
1 $ 1 & e & *) x
( )
G X ( t ) = E e t ) x = ( e t ) x f X ( x ) dx = ) ( e t ) x dx
(b & a ) a
x
FX ( x ) = ( f u ( u ) du = #
x+0
&' 0 " 0 x<0

e b) t & e a ) t
=
( b & a )) t O valor esperado e a variância para esta v.a. são facilmente
obtidos a partir da definição e são dados por:

+' +'
DISTRIBUIÇÃO EXPONENCIAL 1
E ( X ) = ( x ) f X ( x ) dx = ( x ) * ) e & * ) x dx = ... =
&' 0 *
A distribuição exponencial está intimamente relacionada com
a distribuição de Poisson. Efectivamente, admitindo que * é +' +'
2
o parâmetro da distribuição de Poisson que descreve o ( )
E X 2 = ( x 2 ) f X ( x ) dx = ( x 2 ) * ) e & * ) x dx = ... =
*2
número de ocorrências por unidade de tempo (ou de &' 0
distância), a variável tempo (ou distância) entre ocorrências
sucessivas segue uma distribuição exponencial com 1
parâmetro *.
( )
Var ( X ) = E X 2 & [ E ( X ) ] 2 =
*2

Diz-se que a v.a. contínua X tem distribuição exponencial e Relativamente à função geradora de momentos temos que:
escreve-se: X ~ E(*) se a sua função densidade de
probabilidade for dada por:
+' +'
( )
G X ( t ) = E e t ) x = ( e t ) x f X ( x ) dx = ( * ) e & x ) ( * & t ) dx
$ * ) e & * )x x+0 &' 0
!
fX ( x ) = # +'
1 * . *
!
" 0 x<0 = /& ) e & x )( * & t ) , = , t <*
0 *&t -0 *&t

O parâmetro que caracteriza esta distribuição é * (*>0).

 127 128

A distribuição exponencial apresenta uma propriedade Pode demonstrar-se que:

particular que é a de “ não possuir memória”, isto é, dados
s,t>0, quaisquer: • f X ( x ) é uma função densidade de probabilidade, isto
+'
P ( X > s + t ) e & * )( s + t ) é: ( f X ( x ) dx = 1 (demonstração...)
P ( X >s + t X >s ) = = = e &*)t &'
P ( X >s ) e &*)s

• A função densidade de probabilidade de uma v.a.

= P( X >t )
X~N(µ, 22 ) tem a forma de sino, é simétrica em relação
ao eixo x = µ (ponto de máximo) e tem pontos de
DISTRIBUIÇÃO NORMAL inflexão em x = µ ± 2.

A distribuição normal (ou distribuição de Gauss) é a que se

utiliza mais frequentemente para descrever fenómenos que se
traduzem por variáveis aleatórias contínuas. A razão para
este facto, prende-se com o enunciado do teorema do limite
central, como veremos mais adiante.
A distribuição normal desempenha também um papel muito
importante na inferência estatística. • A função densidade de probabilidade genérica da
distribuição normal representa uma família de
distribuições em que cada elemento específico dessa
Diz-se que a v.a. contínua X tem distribuição normal e família é representado por determinados valores dos
escreve-se: X ~ N(µ, 22 ) se a sua função densidade de parâmetros µ e 2.
probabilidade for dada por:

2
1 8 x&µ
& )6
5
1 3
fX ( x ) = )e 2 7 2 4 , &' < x < +'
2 9 )2

Os parâmetros que caracterizam esta distribuição são µ e 22 e Neste caso temos distribuições normais com a mesma
satisfazem: & ' < x < + ' e 2 > 0. média µ e diferentes valores do desvio padrão
(21>22>23).
 129 130

O valor esperado e a variância para esta v.a. podem ser

obtidos a partir da definição e são dados por:

2
+' & )6 1 8 x&µ 5
1 3
E(X ) = 27 2 4
( x) e dx
29 )2 &'

Na figura acima temos distribuições normais com o fazendo z = (x - µ)/2 temos que dx = 2dz e substituindo
mesmo desvio padrão 2, mas com médias diferentes no integral anterior vem que:
(µ1>µ2>µ3).
1 +' & 1)z2
E(X ) = ( ( 2) z + µ ) )e 2 dz
29 &'

+' 1 2
& )z + ' & )z 1 2
1 1
= )2 ) ( z ) e 2 dz + µ ) ) ( e 2 dz
29 &' 29 &'
Neste último caso as distribuições têm diferentes 1 442443 1444 24443
=0 =1
valores para a média (µ 1>µ2>µ3) e para o desvio padrão
(21>22>23).
x O primeiro integral é nulo pois o integrando é uma função
• A função de distribuição FX ( x ) = ( f ( u ) du não é ímpar. O segundo integral assinalado é igual à unidade
&' porque representa a área total sob a fdp de uma v.a. normal
integrável analiticamente, só podendo ser calculada por com valor médio nulo e desvio padrão unitário.
processos numéricos. Então podemos concluir que:

E(X ) = µ

Seguindo um procedimento análogo temos agora:

x &µ 2
+' & 1 ) 86 5
3
1
( )
E X2 = (
2 9 )2 & '
2
x )e 2 7 2 4 dx
 131 132

1 2 1 2 2
2 1 + ' 2 & 2 )z 1 + ' & )z TEOREMA: Se X ~ N(µ, 2 ) e se Y = a ) X + b , então a v.a.
=2 ) ( z )e dz + µ2 ) ) ( e 2 dz +
2 9 &' 29 &' Y terá distribuição N(aµ + b, a 2 22 ).
14444244443 144424443
=1 =1
(demonstração:...)
1 +' & 1 )z 2
+ 2 ) µ ) 2) ( z) dz e 2
29 &' 2 X&µ
1444 424444
3 COROLÁRIO: Se X ~ N(µ, 2 ) e se Y = , então a v.a.
=0 2
Y terá distribuição N(0,1).
2 2
=2 +µ

Se X tiver distribuição N(0,1), diz-se que X é uma variável

( )
Var ( X ) = E X 2 & [ E ( X ) ] 2 = 22 normal reduzida (ou padronizada). Neste caso a sua fdp é
dada por:

Constatamos assim que os dois parâmetros que caracterizam & )x 1 2

a distribuição normal são o valor esperado e a variância de X. 1
f X ( x ) = :X ( x ) = )e 2 , &' < x < +'
29

Relativamente à função geradora de momentos temos que: então:

2 1 2
+' 1 8 x&µ
& )6 5 1 b & 2) x
1 3 P( a % X % b ) = (e dx
GX ( t ) = E e ( )= t )x t )x
( e )e
2 9 )2 & '
2 7 2 4 dx 29 a

porém este integral não pode ser calculado analiticamente,

µ ) t + 1 ) ( t )2 )2 pelo que se tem que recorrer a métodos de integração
= e 2
numérica. Contudo, a função de distribuição da v.a. normal
reduzida, habitualmente representada por ; X ( x ) está
tabelada, pelo que pode ser utilizada para calcular a
( demonstração ...)
probabilidade pretendida.
 133 134

Efectivamente: Finalmente, vamos calcular P ( µ & k ) 2 % X % µ + k ) 2 ) sendo

1 u & 1 )x2 X ~ N(µ, 22 ) e k + 0:
;X ( u ) = ( e 2 dx
2 9 &'
X&µ
P ( µ & k ) 2 % X % µ + k ) 2) = P 86 & k % % k 53
pelo que: 7 2 4
P ( a % X % b ) = ;X ( b ) & ; X ( a )

= ; Z ( k ) & ; Z ( & k ) = 2); Z ( k ) & 1

É também evidente da definição de ; X ( x ) , que:

; X ( & x ) = 1 & ;X ( x ) Esta probabilidade é independente de µ e de 2, isto é, a

probabilidade de que uma v.a. com distribuição N(µ, 22 )
tome valores até k desvios padrões do valor esperado,
depende somente de k e pode ser calculada pela expressão
anterior.

A importância da distribuição normal reduzida resulta de ser

possível utilizar a sua função de distribuição (tabelada), para
calcular probabilidades associadas a uma qualquer variável
aleatória com distribuição normal N(µ, 22 ).
X &µ
De facto, se X ~ N(µ, 22 ) então fazendo Z = , temos
2
que Z~N(0,1) e então:

a &µ b&µ5
P ( a % X % b ) = P86 %Z% 3
7 2 2 4

b&µ 5 Na figura acima estão indicados valores aproximados para a

= <Z 86 8 a &µ 5
3 & <Z 6 3 probabilidade indicada anteriormente para k = 1,2,3.
7 2 4 7 2 4
 135 136

COMBINAÇÃO LINEAR V.A. NORMAIS INDEPENDENTES

A distribuição Normal tem uma importante propriedade que

se traduz no teorema seguinte.

TEOREMA: Sejam n variáveis aleatórias independentes Xi ,

i=1,2,...,n em que:
(
X i ~ N µi , 22i )
então, a v.a. T definida como:

n
T = = a i ) Xi
i =1

terá a seguinte distribuição:

8 n n 5
T ~ N 66 = a i ) µi ; = a 2i ) 22i 33
7 i =1 i =1 4

A demonstração deste teorema pode fazer-se recorrendo à

função geradora de momentos e afirma que: qualquer
combinação linear de v.a. Normais independentes é ainda
uma v.a. com distribuição Normal.

RELAÇÃO ENTRE DISTRIBUIÇÃO NORMAL E BINOMIAL

Quando foi estudada a distribuição binomial constatou-se

que para p = 0,5 , a distribuição era simétrica, qualquer que
fosse o valor de n. Verificou-se também que , mesmo para
valores de p>0,5 , se o valor de n fosse grande, a distribuicão
 136 137

binomial seria quase simétrica. Nestas condições será A distribuição normal poderá ser ainda utilizada para
também melhor a aproximação pela distribuição normal. aproximar as distribuições hipergeométrica e de Poisson
sempre que estas, por sua vez, sejam aproximáveis por
Na prática, quando n + 20 e n ) p > 7 , a distribuição normal distribuições binomiais (aproximadamente simétricas).
com parâmetros:
µ = n )p Concretamente no caso da distribuição de Poisson, recorre-se
à aproximação pela distribuição normal sempre que * > 20,
22 = n ) p ) ( 1 & p ) embora a aproximação seja tanto melhor quanto maior for *.
Em notação simbólica temos que:
constitui uma boa aproximação da distribuição binomial.
A justificação para a proximidade das duas distribuições é
uma consequência do teorema do limite central, como se verá X~p(* ) ?
{ (
X ~ N µ = * , 22 = * )
mais adiante. * > 20
( * @ ')
Em notação simbólica temos que:
Um aspecto importante a salientar é o seguinte: quando se
X ~ b ( n, p ) ?
{ (
X ~ N µ = n ) p , 22 = n ) p ) q ) utiliza a distribuição normal como aproximação a uma
n + 20
n)p > 7 variável aleatória discreta, como são os casos anteriores, é
necessário efectuar a “correcção de continuidade”.
Graficamente, podemos ver um exemplo que ilustra a A correcção de continuidade consiste em considerar, para o
proximidade entre as duas distribuições. cálculo duma probabilidade, uma pequena vizinhança à
esquerda do extremo inferior do intervalo e à direita do
extremo superior do intervalo, isto é:

Pbinomial ( X = x ) A Pnormal ( x & 0,5 % X % x + 0,5 )

Pbinomial ( a % X % b ) A Pnormal ( a & 0,5 % X % b + 0,5 )

O mesmo procedimento deve ser executado no caso da

aproximação da distribuição de Poisson pela normal.
 138 139

DISTRIBUIÇÃO DO QUI-QUADRADO ! ( 2) onde B ( u ) representa a função gama que é definida como:

+'
Seja um conjunto de v.a. Zi , i = 1,2,...,n , satisfazendo as
B ( u ) = ( x u & 1 ) e & x dx (para u > 0)
seguintes condições: 0

• Zi ~ N ( 0,1) , Ci

• As v.a. Zi são mutuamente independentes, isto é, o

valor que cada uma assume não depende dos valores
assumidos pelas outras.

Estas condições podem traduzir-se simbolicamente por:

Zi ~ IN ( 0,1) i = 1,2,...,n Para calcular B ( u ) usamos o método de integração por

partes, resultando:
Definindo agora uma v.a. X como:
+'
n [
B ( u ) = & e & x )x u &1 ]+0 ' & ( [ & e & x )( u & 1)) x u & 2 ] dx
X = = Z2i = Z12 + Z22 + ... + Z2n 0
i =1
+'
pode demonstrar-se que X tem distribuição qui-quadrado = ( u & 1 )) ( e & x ) x u & 2 dx
0
com n graus de liberdade ( n: nº de parcelas incluídas no
somatório). e portanto:
B ( u ) = ( u & 1 ) )B ( u & 1 )
Diz-se então que X tem distribuição qui-quadrado com n
graus de liberdade ( n E D ) e escreve-se X ~ F 2n se a sua Verificamos assim que a função gama obedece a uma relação
função densidade de probabilidade for dada por: de recorrência. Então se u for um inteiro positivo e
atendendo a que:
1
fX ( x ) = ) e & x / 2 ) x ( n /2 ) & 1 ,x>0
+'
2 n 2
) B 86 n 53 B ( 1 ) = ( e & x dx = 1
724
0
 140 141

temos que: Então, se na expressão anterior fizermos G = n/2 e * = 1/2

B ( u ) = ( u & 1 )! obtemos a fdp da v.a. X ~ F 2n .

Pode demonstrar-se também que:

O valor esperado, a variância e a função geradora de
+'
B( 1 2 ) = ( x &1 / 2
)e &x
dx = 9 momentos para a v.a. X ~ F 2n , são dados por:
0
E(X )= n
Na figura seguinte podemos observar o traçado da função
densidade de probabilidade de uma v.a. X ~ F 2n para Var ( X ) = 2 ) n
diferentes valores de n.
( )
G X ( t ) = E e t ) x = (1 & 2) t ) & n / 2

A distribuição qui-quadrado possui numerosas aplicações

importantes em inferência estatística e está tabelada para
diversos valores do parâmetro n. Deste modo, podemos
encontrar nas tabelas o valor F 2n ( G ) que satisfaz a condição:

À medida que aumenta o número de graus de liberdade a

distribuição qui-quadrado tende para uma distribuição
( )
P X + F 2n ( G ) = G
normal.
para diferentes valores de n e 0 < G < 1. Graficamente,
temos que:
NOTA: A distribuição qui-quadrado é um caso particular da
distribuição gama, que é definida do seguinte modo:
Seja X uma v.a. contínua que tome apenas valores não-
negativos. Diz-se que X tem distribuição gama de parâmetros
G e * (G > 0, * > 0) e escreve-se: X ~ H ( G, * ) se a sua fdp for
dada por:
*G
fX ( x ) = ) x G &1) e &*)x , x > 0
B(G )
 142 143

verificando-se que: Uma outra aproximação válida, resulta da aplicação do

+' teorema do limite central que estabelece que:
G= ( f X ( x ) dx
F 2n ( G )
X ~ F 2n @
{ X ~ N ( n, 2) n )
n @'
De um modo geral, por uma questão de simplificação da
notação, estando definido o valor de n (nº de graus de desta aproximação resulta que:
liberdade), representa-se F 2n ( G ) simplesmente por F 2G .
8 X&n t&n 5 8 t&n 5
P ( X % t ) = P 66 % 33 A ; 66 33
Nota: As tabelas também poderão ser construídas, definindo 7 2 )n 2) n 4 7 2) n 4
(
F 2n ( G ) como o valor de X que satisfaz: P X % F 2n ( G ) = G . )
Para terminar o estudo da distribuição qui-quadrado
enunciaremos o seguinte teorema:

Habitualmente as distribuições F 2 estão tabeladas para TEOREMA: Sejam k v.a. independentes X1, X2, ..., Xk cada
valores de n entre 1 e 30. Para n > 30 , Fisher demonstrou uma delas com distribuição F 2 com ni graus de liberdade, então
que se: a v.a. Sk definida como:

X ~ F 2n então 2 ) X ~ N ( 2 ) n & 1 ,1 ) S k = X1 + X 2 + ... + X k ~ F 2n

em que:
sendo a aproximação tanto melhor quanto maior o valor de n. n = n1 + n 2 + ... + n k
Então temos que:

DISTRIBUIÇÃO t de STUDENT
P ( X % t ) = P ( 2) X % 2) t )
Sejam Z e Y duas v.a. independentes, Z ~ N(0,1) e Y ~ F 2n , e
= P ( 2 )X & 2) n & 1 % 2) t & 2 )n & 1 ) defina-se uma nova v.a. X, como:

Z Z
A ; ( 2) t & 2) n & 1 ) X= = n)
Y/ n Y
 144 145

A distribuição de X designa-se por distribuição t de Student Dada a importância desta distribuição ela está tabelada para
com n graus de liberdade ( n E D ) , X ~ t n , e é definida por: diversos valores do parâmetro n. Deste modo, podemos
encontrar nas tabelas o valor t n ( G ) que satisfaz a condição:

n + 15 n +1 P ( X + t n ( G )) = G
B 86 3 &
7 2 4 8 x 2 53 2
fX ( x ) = ) 66 1 + ,–'<x<+'
n ) 9 ) B 86 n 5 7 n 34 para diferentes valores de n e G . Graficamente, temos que:
3
72 4

sendo n o parâmetro desta distribuição. O aspecto gráfico

desta fdp depende de n mas podemos verificar que é
simétrica e unimodal possuindo uma configuração
semelhante à da distribuição Normal reduzida. À medida que
aumenta o nº de graus de liberdade, mais a distribuição t de
Student se aproxima da N(0,1).

verificando-se que:

+' & tn ( G )
G= ( f X ( x ) dx = ( f X ( x ) dx
tn ( G ) &'
Relativamente ao valor esperado e variância para a
distribuição t de Student pode demonstrar-se que: dada a simetria desta distribuição.

E(X )= 0 , n>1 Uma aproximação válida para esta distribuição, resulta da

aplicação do teorema do limite central e estabelece que:
n
Var ( X ) = , n>2 8 n 5
n&2 X ~ tn @ X ~ N 66 0, 33
{
n @' 7 n&2 4
isto é, fora das condições indicadas, o valor esperado e a
variância não estão definidos. A distribuição t de student não desta aproximação resulta que:
tem função geradora de momentos.
 146 147

8 5 8 5
6 3 6 3
X a a
P( X % a ) = P6 % 3 A ;6 3
6 n n 3 6 n 3
6 3 6 3
7 n&2 n&2 4 7 n&2 4

DISTRIBUIÇÃO F
Relativamente ao valor esperado e variância para a
distribuição F , pode demonstrar-se que:
Sejam Y e V duas v.a. independentes tais que Y ~ F 2n1 e
n2
V ~ F 2n 2 e defina-se uma nova v.a. X como: E(X ) = , n2 > 2
n2 & 2
Y / n1 n 2 Y
X= = ) 2 ) n 22 ) ( n1 + n 2 & 2 )
V / n 2 n1 V Var ( X ) = , n2 > 4
n1 ) ( n 2 & 2 )2 ) ( n 2 & 4 )
A distribuição de X designa-se por distribuição F com n1 e
n 2 graus de liberdade, X ~ Fn1, n 2 , e é definida por: isto é, fora das condições indicadas, o valor esperado e a
variância não estão definidos. A distribuição F também não
tem função geradora de momentos.
n + n2 5
B 86 1
n1 n +n
3 8 n1 & 1 2 Esta distribuição também está tabelada para diversos valores
2 n1 5 2 &1 8 n ) x 5 2
fX ( x ) = 7 4 ) 66 33 ) x 2 ) 66 1 + 1 33 dos parâmetros n1 e n 2 . Deste modo, podemos encontrar nas
n n
B 86 1 53 ) B 86 2 53 7 n 2 4 7 n2 4 tabelas o valor Fn1, n 2 ( G ), que satisfaz a condição:
7 2 4 7 2 4
x>0
(
P X + Fn1, n 2 ( G ) = G)
com parâmetros n1 e n 2 .O aspecto gráfico da fdp depende
do valor dos parâmetros, mas a respectiva curva é assimétrica para diferentes valores de n1, n 2 e G . Habitualmente as
positiva e unimodal como se pode observar na figura tabelas estão construídas para valores de G = 0.01, 0.25, 0.05
seguinte: e 0.10 , isto é, valores de G na cauda direita da distribuição.
 148

Para se obterem os valores Fn1, n 2 ( 1 & G ),correspondentes a

áreas de dimensão G situadas na cauda esquerda da
distribuição X ~ Fn1, n 2 , recorre-se à seguinte relação:

1
Fn1, n 2 ( 1 & G ) = (demontração:...)
Fn 2 , n1 ( G )

Graficamente, temos que:

verificando-se que:

+' Fn , n ( 1 & G )
1 2
G= ( fX ( x ) dx = ( fX ( x ) dx
Fn , n ( G ) 0
1 2

Um último resultado importante relacionado com a

distribuição F traduz-se no seguinte teorema:

TEOREMA: O quadrado de uma v.al. com distribuição t de

Student com n graus de liberdade tem distribuição F com 1 e
n graus de liberdade, isto é, se X ~ t n então:
X 2 ~ F1, n