EST029 – Cálculo de Probabilidade I

Cap. 8 - Variáveis Aleatórias

Contínuas

Prof. Clécio da Silva Ferreira

Depto Estatística - UFJF

1
 Variável Aleatória Normal

Caraterização:
Descreve de uma forma adequada o
comportamento de uma variável que se distribui
de forma simétrica em torno de um valor
central.
Os parâmetros que caracterizam a variável
aleatória normal são a média µ, que especifica o
seu valor central; e a variância σ2, que define a
sua variabilidade.
Exemplos:
 Erro cometido em uma medição.
 Velocidade de moléculas de gás.
 Altura de uma pessoa.
2
 Função Densidade de Probabilidade

Função de Densidade:
Seja X uma variável aleatória Normal com
parâmetros µ e σ2. Sua fdp é dada por:

1 (𝑥−𝜇)2
−
𝑓 𝑥 = 𝑒 2𝜎2 , 𝑝𝑎𝑟𝑎 − ∞ < 𝑥 < ∞
2𝜋 𝜎
Propriedades de f(x):
i. f(x) é simétrica em relação
a µ.
ii. f(x)⇾0 quando x⇾±∞.
iii. f(µ) = (2π)1/2σ é o valor
máximo de f(x).

3
 Função de Distribuição Acumulada

Seja X uma variável aleatória Normal com

parâmetros µ e σ2. Sua fda é dada por:

μ
4
Variável Aleatória Normal

Notação: X ~ N(µ,σ2)
Se μ=0 e σ=1, dizemos que X possui
distribuição normal padrão.

Valor Esperado e Variância:

Se X é uma variável aleatória Normal com
parâmetros µ e σ2, temos:

Provar!

5
 Algumas características da distribuição Normal

Considerando σ2 constante, o
parâmetro µ movimenta a
função f(x) ao longo do eixo x.
Quanto menor é o valor de µ,
f(x) está posicionada mais a
esquerda.

Considerando µ constante,
o parâmetro σ2 muda a
forma da função f(x).
Quanto menor o valor de
σ2, f(x) é mais estreita e o
valor máximo de f(x) é
maior.

6
 Algumas características da distribuição Normal( II)

Para toda distribuição Normal:

 P(µ-σ≤X≤µ+σ)=0,6826
 P(µ-2σ≤X≤µ+2σ)=0,9546
 P(µ-3σ≤X≤µ+3σ)=0,9973

7
 Linearidade da Normal

Teorema:
Se X ~ N(μ, σ2), então a var. aleatória Y=aX+b
tem distribuição N(aμ+b,a2σ2).
Provar!

Corolário: Se X ~ N(μ, σ2), então

Z=(X- μ)/ σ ~ N(0,1) (normal padrão).
Logo, temos que:

8
Linearidade da Normal(II)

X Z

9
Resultado sobre a distribuição normal padrão

Para todo z, temos

P(Z ≤ z)=Ф(z) = 1-Ф(-z) =P(Z ≥ -z)

10
 Exemplos

Se X ~N(5,22), calcule:
a) P(X<4)
b) P(X<5)
c) P(X<6)
d) P(3<X<5)
e) P(2<X<6)
f) P(X>3)
g) P(X>5)
h) P(X>6)
* Apresentar Tabela da Normal!!!

11
 Quantil

Definição: Dada uma variável aleatória X (discreta ou

contínua) o número xp, 0< p < 1, é chamado o p-ésimo
quantil de X se
P(X < xp)≤p e P(X> xp)≤1-p.
Obs. 1: Se X uma variável aleatória contínua, então xp é o
número tal que FX(xp)=P(X≤xp)=p.
Obs. 2: Se FX é inversível, 𝒙𝒑 = 𝑭−𝟏
𝑿 (𝒑).

Obs. 3: Costuma-se escrever os quantis em porcentagem.

Ex: quantil 0.3 = quantil 30%.
Quantis específicos:
Quartis (dividem a área em 4 partes de 25% cada):
p=0.25, 0.5 (chamado mediana) e 0.75.
Decis (dividem a área em 10 partes de 10% cada): p=0.1,
0.2,...,0.9.
Percentis (dividem a área em 100 partes de 1% cada) :
p=0.01,0.02,0.03,...,0.98,0.99.
12
Função Quantil - Gráfico

xp

13
 Quantil - Exemplos

Se X^N(5,1.52), calcule os quantis 0.3, 0.4 e 0.7

0.25 0.25 0.25 0.25

-0.67 0 0.67

14
 Combinação Linear de Normais

Sejam X1,X2,…,Xn variáveis aleatórias Normais

independentes com parâmetros µi e σi2,
(i=1,2,..,n) e a1, a2, …,an constantes. Seja a
variável aleatória Y uma combinação linear das
variáveis aleatórias X1,X2,…,Xn da forma:
Y = a1X1+a2X2+…+anXn
Então a variável Y tem distribuição Normal com
média µY e variância σY2 , onde:
𝒏
𝝁𝒀 = 𝒂𝒊 𝝁𝒊
𝒊=𝟏
𝒏
𝝈𝒀 𝟐 = 𝒂𝒊 𝟐 𝑿𝒊 𝟐
𝒊=𝟏

15
 Combinação Linear de Normais (II)

Caso particular:
Sejam X1,X2,…,Xn variáveis aleatórias Normais
independentes, todas com parâmetros de média
µ e de variância σ2, (i=1,2,..,n). Então a variável
aleatória
𝒏
𝒀 = 𝑿𝟏 + 𝑿𝟐 + ⋯ + 𝑿𝒏 = 𝑿𝒊
𝒊=𝟏

tem distribuição Normal com parâmetros nµ e

nσ2, isto é, N(nµ, nσ2).
𝟐
Portanto, 𝑿~𝑵(𝝁 , 𝝈 𝒏)
𝒏
𝒊=𝟏 𝑿𝒊 −𝒏𝝁 𝑿−𝝁
Logo, Z= = 𝝈 ~𝑵(𝟎 𝟏)
𝒏𝝈 𝒏

16
Teorema do Limite Central

17
 Aproximação da Binomial pela Normal

Teorema de DeMoivre e Laplace. Seja

X~Binomial(n,p). Então, para quaisquer a<b
𝑿 − 𝒏𝒑
𝑷 𝒂≤ ≤𝒃 →𝚽 𝒃 −𝚽 𝒂 , 𝒏→∞
𝒏𝒑(𝟏 − 𝒑)
Lembremos que E(X)=np e V(X)=np(1-p).
P(X=K) = P(k-1/2≤X<k+1/2)

𝒌−𝟎,𝟓−𝒏𝒑 𝒌+𝟎,𝟓+𝒏𝒑
=𝑷 <𝒁<
𝒏𝒑(𝟏−𝒑) 𝒏𝒑(𝟏−𝒑)
𝒌 + 𝟎, 𝟓 + 𝒏𝒑 𝒌 − 𝟎, 𝟓 − 𝒏𝒑
𝚽 −𝚽
𝒏𝒑 𝟏 − 𝒑 𝒏𝒑(𝟏 − 𝒑)
(chamada correção de continuidade)

18
Aproximação da Binomial pela Normal

19
 Exemplos

1) Seja X a contagem de “caras” em 40

lançamentos de uma moeda honesta. Calcule a
P(X=20) pela aproximação da normal e pela
solução exata.
2) Um sistema é formado por 100 componentes
eletrônicos, cada um dos quais têm
confiabilidade (a probabilidade de funcionar
adequadamente num certo período) de 0,9.
Todos os componentes funcionam de forma
independente um do outro. Considerando que o
sistema funciona adequadamente quando ao
menos 80 componentes estiverem funcionando,
qual é a confiabilidade do sistema?
Faça pela distribuição exata e aproximada pela
normal.
20
 Variável Aleatória Exponencial

Caraterização:
Assume somente valores não negativos.
Esta variável mede o TEMPO entre ocorrências
de um evento.

Exemplos:
 Tempo transcorrido até a chegada de um
avião em um aeroporto.
 Tempo até um equipamento dar defeito.
 Distância desde a origem até o sinal falhar.
OBSERVAÇÃO: Existe uma relação entre a
variável aleatória Poisson e a Exponencial.
21
 Variável Aleatória Exponencial – fdp

Função densidade de probabilidade:

Seja X uma variável aleatória Exponencial com
parâmetro λ>0. A fdp é dada por:

−𝝀𝒙
f 𝐱 = 𝝀𝒆 , 𝐱≥𝟎
𝟎, 𝐜𝐚𝐬𝐨 𝐜𝐨𝐧𝐭𝐫á𝐫𝐢𝐨

22
 Variável Aleatória Exponencial - fda

Função de Distribuição Acumulada:

Seja X uma variável aleatória Exponencial com
parâmetro λ. Sua Função de Distribuição
Acumulada (f.d.a.) é dada por:
−𝝀𝒙
F 𝐱 =𝐏 𝐗≤𝒙 = 𝟏 − 𝒆 , 𝐱≥𝟎
𝟎, 𝐜𝐚𝐬𝐨 𝐜𝐨𝐧𝐭𝐫á𝐫𝐢𝐨

23
 Variável Aleatória Exponencial – Notação e momentos

Notação:
X ~ Exp(λ)

Valor Esperado e Variância:

Suponha que X seja uma variável aleatória
Exponencial com parâmetro λ, temos:
𝟏
𝑬 𝑿 =
𝛌
𝟏
𝑽𝒂𝒓 𝑿 = 𝟐
𝛌
Provar!!!

24
 Distrib. Exponencial – Interpretação e Falta de Memória

Interpretação de λ:
O valor de λ é interpretado como a taxa média
de ocorrências do fenômeno considerado por
unidade de tempo.

Falta de Memória: Para quaisquer nºs reais s e t

positivos, temos que
P(X>s+t│X>s)=P(X>t).
Provar!!!

25
 Distribuição Exponencial – Relação com a Poisson

Relação com a Poisson: Sejam t um valor

positivo qualquer, T o tempo até a ocorrência do
evento e X o número de ocorrências do evento
no intervalo [0,t]. Então X~P(λt) e T~exp(λ),
pois
𝒆−λ𝒕 (λ𝒕)𝟎
P(X=0) =
𝟎!
=𝒆−λ𝒕 =P(T>t).
FT(t)=P(T≤t)=1-P(T>t)=𝟏 − 𝒆−λ𝒕 .

26
 Variável Aleatória Exponencial - Exemplo

O tempo de vida de um componente eletrônico

pode ser descrito por uma variável aleatória
exponencial. O tempo médio de vida deste
componente é de 100 horas.
(a) Calcule a probabilidade do componente
durar mais de 150 horas.
(b) O custo do componente é de $10, e quando
o tempo de vida do componente é menor que
200 horas, existe um custo adicional de $8.
Calcule o custo esperado.
X: Tempo de vida de um componente eletrônico.
X ~ Exp (0,01) (Sabe-se que E(X)=1/λ)

27
 Distribuição t de Student (central)

Def.: Dadas duas v.a.’s Z~N(0,1) e Y ~ 𝝌𝟐𝝂 , a

variável aleatória t de Student com 𝝂 > 𝟎 graus
de liberdade é obtida como
𝒁
𝑻=
𝒀/𝝂
Notação: 𝑻~𝒕𝝂
𝚪 (𝝂+𝟏)/𝟐 −(𝝂+𝟏)/𝟐
fdp de T: 𝒇 𝒙 = 𝟏 𝟐
+ 𝒙 /𝝂 , −∞ < 𝒙 < ∞.
𝝂𝝅𝚪 𝝂/𝟐
𝝂
𝑬 𝑻 =𝟎 𝒆 𝑽 𝑻 = 𝒑𝒂𝒓𝒂 𝝂 > 𝟐
𝝂−𝟐
Utilização: Sua grande utilidade é em testes de
hipóteses em Inferência Estatística.
Observação: A distribuição t𝝂 converge para uma
N(0,1), quando 𝝂 → ∞.

28
 Distribuição Gama

Def.: Uma v. a. X tem distribuição 𝝌𝟐 com 𝝂 graus de

liberdade se sua fdp for dada por
𝜷𝜶 𝜶−𝟏 −𝜷𝒙
𝒇 𝒙 = 𝒙 𝒆 , 𝜶 > 𝟎 𝒆 𝒙 > 𝟎,
𝚪 𝜶
+∞
onde 𝚪 𝜶 = 𝟎 𝒙𝜶−𝟏 𝒆−𝒙 𝒅𝒙, 𝒑𝒂𝒓𝒂 𝜶 > 𝟎 é a função gama.
𝟏
 𝚪 𝜶 + 𝟏 = 𝜶𝚪 𝜶 ; para 𝜶 inteiro, 𝚪 𝜶 = 𝜶 − 𝟏 !; 𝚪 =
𝟐
𝝅.
Notação: 𝑿~𝑮𝒂𝒎𝒂(𝜶, 𝜷)
𝑬 𝑿 = 𝜶/𝜷 𝒆 𝑽 𝑻 = 𝜶/𝜷𝟐
Utilização: Teoria de filas, confiabilidade, modelagem do
tempo de ocorrência entre 1 ou mais eventos. Para 𝜷
inteiro, X é o tempo transcorrido até a 𝜷 –ésima
ocorrência do evento de interesse.
Observação: Alguns livros de Estatística e/ou de
Probabilidade utilizam a notação 𝜷∗ = 𝟏/𝜷.

29
 Casos especiais da Distribuição Gama

1) Distribuição Exponencial: quando 𝜶 = 𝟏.

2) Distribuição de Qui-Quadrado: quando 𝜶 = 𝝂/𝟐
e 𝜷 = 𝟏/𝟐.
Def.: Uma v. a. X tem distribuição 𝝌𝟐 com 𝝂
graus de liberdade se sua fdp for dada por
𝟏 𝝂
𝒇 𝒙 = 𝝂/𝟐 𝒙𝟐−𝟏 𝒆−𝒙/𝟐 , 𝒙 > 𝟎,
𝟐 𝚪 𝝂/𝟐
Notação: 𝑿~𝝌𝟐𝝂
𝑬 𝑿 = 𝝂 𝒆 𝑽 𝑻 = 𝟐𝝂
Utilização: Útil em testes de hipóteses em
Inferência Estatística.

30
 Distribuição Weibull

Def.: Uma v. a. X tem distribuição 𝑾𝒆𝒊𝒃𝒖𝒍𝒍 com 𝝂

graus de liberdade se sua fdp for dada por
𝜸−𝟏 −𝜷𝒙𝜸
𝒇 𝒙 = 𝜸𝜷𝒙 𝒆 , 𝜸 > 𝟎, 𝜷 > 𝟎, 𝒙 ≥ 𝟎,
Notação: 𝑿~𝑾𝒆𝒊𝒃𝒖𝒍𝒍(𝜸, 𝜷)
𝟏
𝑬 𝑿 = 𝟏/𝜸 𝚪 𝟏 + 𝟏/𝜸 𝒆
𝜷
𝟏
𝑽 𝑻 = 𝟐/𝜸 𝚪 𝟏 + 𝟐/𝜸 − 𝚪 𝟐 𝟏 + 𝟐/𝜸
𝜷
Utilização: Confiabilidade de sistemas, tempo
para falhas, funções risco, testes de vida útil,
resistência dos materiais à tração, etc.
Observação: Se 𝑿~𝒆𝒙𝒑(𝜷) então 𝒀=
𝑿𝟏/𝜸 ~𝑾𝒆𝒊𝒃𝒖𝒍𝒍(𝜸, 𝜷).
31
 Outras variáveis aleatórias contínuas (não enfatizadas aqui)

 Beta (para valores entre 0 e 1);

 Cauchy (simétrica em torno de 0, útil para
construir razão de duas medições, cada uma
tendo distribuição normal);
 F de Snedecor (razão de duas Qui-quadrados,
para dados positivos);
 Lognormal (para dados positivos, é obtida
através da transformação de uma v. a.
normal. Isto, se 𝑿~𝑵(𝝁, 𝝈𝟐 ) , então 𝒀 =
𝒆𝑿 ~𝐥𝐨𝐠𝐧𝐨𝐫𝐦𝐚𝐥(𝝁, 𝝈𝟐 ));

32