Variáveis Aleatórias Contínuas

A variável aleatória é dita contínua se corresponder à dados de medida,

pertencentes aos reais. Ou seja, a variável aleatória pode assumir infinitos valores em um
determinado intervalo (a, b) ∈ ℝ.
Exemplo: Se um experimento consiste em mensurar os pesos de 30 universitários,
a função X: “Peso de um universitário”, define uma variável aleatória contínua que pode
assumir quaisquer valores entre, por exemplo, 60 e 130 kg.
A probabilidade de selecionarmos um estudante que pese exatamente 78 kg é zero
(tende a zero), mas podemos calcular a probabilidade que ele pese entre 70 e 80, se
conhecermos o comportamento dos pesos na população.

Função densidade de probabilidade

A função de probabilidade para variáveis aleatórias contínuas, denotada por f(x)

é denominada função densidade de probabilidade e representa a curva das probabilidades
de todos os infinitos valores de X. Deste modo, áreas serão usadas para representar as
probabilidades.
A função densidade de probabilidade deve satisfazer as seguintes propriedades:

a) f(x) ≥ 0, para todo x ∈ ℝ.

∞
b) ∫−∞ f(x)dx = 1

Cálculo de probabilidades
b
P(a ≤ X ≤ b) = P(a < 𝑋 ≤ 𝑏) = P(a ≤ X < 𝑏) = P(a < 𝑋 < 𝑏) = ∫ f(x)dx
a

1
Obs: A integral acima não se altera com a inclusão ou não dos extremos a e b, pois para
v.a´s contínuas a probabilidade que a variável seja igual a um determinado valor é zero.

Exemplo: Suponha que o erro na temperatura (em ᵒC) de uma reação química, para um
experimento de laboratório, seja a variável aleatória contínua X, que tem a seguinte f.d.p:
x2
f(x) = { 3 , se − 1 < 𝑥 < 2
0, caso contrário

a) Verifique se as propriedades (a) e (b) da f.d.p são satisfeitas.

b) Determine a P(0 < 𝑋 ≤ 1).

Valor Esperado para Variáveis Aleatórias Contínuas

∞
E(X) = μx = ∫−∞ x f(x)dx

Variância e Desvio Padrão

Como vimos anteriormente a variância é definida por, V(X) = σ2x = E(X2 ) −

[E(X)]2 , em que:

Para a Variável Aleatória Contínua

∞
E(X2 ) = ∫−∞ x 2 f(x)dx

O desvio padrão é obtido por meio da raiz quadrada da variância: σx = √σ2x .

Exemplo: Suponha que a v.a contínua X, seja definida por:

6(x − x 2 ), se 0 ≤ x ≤ 1
f(x) = {
0, caso contrário

2
a) Determine:

i. P(X ≤ 0,4) ii. P(0,5 < X < 0,8)

iii. P(X = 0,85) iv. P(0,2 ≤ X ≤ 0,8)

b) Calcule o valor esperado e o desvio padrão de X.

MODELOS PROBABILÍSTICOS CONTÍNUOS

Distribuição Normal (X ~ N(𝝁, 𝝈𝟐))

A distribuição Normal (ou Gaussiana) é uma das mais importantes distribuições

da estatística. Além de descrever uma série de fenômenos em todos os campos da ciência,
possui grande uso na estatística inferencial. Exemplos: Pressão sanguínea, peso, altura,
custos domésticos, etc.
A distribuição Normal é inteiramente descrita por seus parâmetros média (𝝁) e
desvio padrão (𝝈).
Sua função densidade de probabilidade é dada por,
1 1 𝑥−𝜇 2
𝑒 −2( )
𝑓 (𝑥 ) = 𝜎 , 𝑥∈𝑅
𝜎√2𝜋

Propriedades da curva normal

1) Gráfico em forma de sino;

2) Simétrica em relação a 𝜇;

3
Cálculo de Probabilidades

Suponha que X ~ N (𝝁, 𝝈𝟐) e desejamos calcular 𝑃 (𝑎 < 𝑥 < 𝑏).

𝑏 𝑏 1 𝑥−𝜇 2
1
𝑒 −2( )
𝑃 (𝑎 < 𝑥 < 𝑏) = ∫ 𝑓 (𝑥 )𝑑𝑥 = ∫ 𝜎 𝑑𝑥
𝑎 𝑎 𝜎√2𝜋

Essa integral só pode ser resolvida por aproximação numérica e tem o agravante
de que para cada 𝜇, 𝜎, 𝑎 𝑒 𝑏 teríamos que calcular essa integral.
A tarefa do cálculo da probabilidade é facilitada pelo uso da distribuição normal
padronizada (ou reduzida).

Distribuição Normal Padrão

𝑿−𝝁
Seja X ~ N(𝝁, 𝝈𝟐), definimos 𝒁 = , Z ~ N(0,1).
𝝈

𝑃(𝑎 < 𝑋 < 𝑏) = 𝑃(𝑧1 < 𝑍 < 𝑧2 )

A função densidade de probabilidade da normal padronizada é dada por,

1 (𝑧 )2
−
𝑓(𝑧) = 𝑒 2
√2𝜋

-1 0 1
As probabilidades de Z são determinadas e dispostas em tabelas. A tabela de Z
que usaremos apresenta as probabilidades: P(0 < Z < z) que nos dá o valor da área
representada no gráfico abaixo.

4
 0 z

Tabela da Distribuição Normal - P(0 < Z < z)

Exemplo 1) Utilizando a tabela, encontre:

a) P(0 < Z < 1,64) b) P(-2,33 < Z < 0) c) P(-1,96 < Z < 1,96) d) P(-1 < Z < 1,57)
e) P(Z > 2,12) f) P(Z > -1) g) P(Z < -1,96) h) P(1 < Z < 2)

Exemplo 2) Sabe-se que a variável aleatória X, tempo gasto na resolução de uma prova,
tem distribuição normal com média de 40 minutos e desvio padrão de 10 minutos.

a) Qual a probabilidade que uma pessoa gaste entre 30 e 50 minutos para resolver a prova?
b) Qual a probabilidade de gastar mais de 1 hora na resolução da prova?
c) Qual a probabilidade de gastar exatamente 55 minutos?

Teorema do limite central

Considere uma população de tamanho N com média 𝜇𝑥 e variância 𝜎𝑥2 . Se forem

retiradas amostras de tamanho n desta população, a média amostral 𝑥̅ terá uma
𝜎𝑥2
distribuição aproximadamente Normal com média 𝜇𝑥̅ = 𝜇𝑥 e variância 𝜎𝑥̅2 = .
𝑛

5
Como consequência do Teorema do Limite Central,

̅ − μx̅
X ̅ − μx
X
Z= = 2
σx̅
√ σx
n

Exemplo 1 – Temos uma população de 500 alunos de uma faculdade. Sabemos que a
altura média dos alunos é de 175 cm e o desvio padrão 5 cm. Retiramos uma amostra de
tamanho n=30. Qual a distribuição da média amostral? Qual a probabilidade da altura
média dos 30 alunos ser maior que 178 cm?

Exemplo 2 – Seja X ~ N(80, 26). Dessa população retiramos uma amostra de tamanho
25. Calcule a probabilidade da média dessa amostra ser maior que 83 P(x̅ > 83).

Distribuição t- Student

Quando não conhecemos 𝜎𝑥2 , devemos usar 𝑆𝑥2 , estimador de 𝜎𝑥2 . Substituindo 𝜎𝑥̅2
𝑆𝑥2
por 𝑆𝑥̅2 = na expressão da variável padronizada Z, temos:
𝑛
𝑋̅ − 𝜇𝑥̅
𝑇= ,
√𝑆𝑥̅2

que possui distribuição t - Student com 𝜈 = 𝑛 − 1 graus de liberdade. A densidade de T

é dada por:
𝜈+1
Γ( 2 )
𝑓 (𝑡 ) = 𝜈+1
𝜈 𝑡2 2
√𝑣𝜋Γ (2) (1 + 𝜈 )
∞
em que Γ(𝑝) = ∫0 𝑥 𝑝−1 𝑒 −𝑥 𝑑𝑥, 𝑝 > 0.
A curva da distribuição t -Student tem características semelhantes à Normal com
a curva um pouco mais achatada que Z.

6
 Os valores de t e as respectivas probabilidades encontram-se tabelados em função
de uma probabilidade 𝛼 e do nº de graus de liverdade 𝜈 = 𝑛 − 1.
A tabela de t que iremos utilizar nos dá a seguinte probabilidade: P(t > t c) = 𝛼

Para grandes amostras, 𝑆𝑥2 deve estar próximo de 𝜎𝑥2 , e a correspondente

distribuição t devem estar próxima da normal reduzida.

Exemplos:

1) Determine as seguintes probabilidades:

a) P(t > 1,074) com n = 16
b) P(t < 1,833) com v = 9
c) P(t < -3,182) com n = 4
d) P(0< t < 1,415) 𝜈 = 7
e) P(-1,761 < t < 2,624) com 𝜈 = 14

2) Estima-se que o tempo médio de estudo de certa população é de 12 anos, com variância
desconhecida. Um estudo revelou uma variância amostral de 4 anos 2. Se o pesquisador
resolve trabalhar com uma amostra de tamanho 20, qual a probabilidade dessa amostra
apresentar média entre 10,7 e 13,3 anos?