Variaveis Aleatórias Continuas

Universidade Federal Fluminense
Instituto de Matemtica e Estatstica
Mtodos Estatsticos Aplicados Economia II

(GET00118)
Variveis Aleatrias Contnuas
Ana Maria Lima de Farias

Departamento de Estatstica
Sumrio
1 Variveis Aleatrias Contnuas
1.1
Noes bsicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2
Varivel aleatria contnua . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3
Funo densidade de probabilidade . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.4
Funo de distribuio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.5
Esperana e varincia de variveis aleatrias contnuas . . . . . . . . . . . . . . .
1.5.1
Esperana . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.5.2
Esperana de funes de variveis aleatrias contnuas . . . . . . . . . .
1.5.3
Varincia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.5.4
Propriedades da mdia e da varincia . . . . . . . . . . . . . . . . . . . . .
1.6
Exemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
10
1.7
Exerccios propostos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
26
2 Algumas distribuies contnuas

2.1
2.2
29
Distribuio uniforme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
29
2.1.1
Funo densidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
29
2.1.2
Funo de distribuio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
30
2.1.3
Esperana e varincia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
31
2.1.4
Exemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
31
Distribuio exponencial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
33
2.2.1
33
Funo densidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
i
ii
SUMRIO
2.2.2
34
2.2.3
Alguns resultados sobre a funo exponencial . . . . . . . . . . . . . . . .
35
2.2.4
36
2.2.5
Parametrizao alternativa . . . . . . . . . . . . . . . . . . . . . . . . . . . .
37
2.2.6
Exemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
38
Distribuio gama . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
38
2.3.1
A funo gama . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
39
2.3.2
A distribuio gama . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
40
2.3.3
O grfico da distribuio gama . . . . . . . . . . . . . . . . . . . . . . . . .
41
2.3.4
42
2.3.5
Funo de distribuio acumulada . . . . . . . . . . . . . . . . . . . . . . .
43
2.4
A distribuio Erlang . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
43
2.5
A distribuio qui-quadrado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
44
2.5.1
A tabela da qui-quadrado . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
44
Distribuio de Pareto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
48
2.6.1
Funo densidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
48
2.6.2
49
2.6.3
49
50
2.3
2.6
2.7
3 Funes de Variveis Aleatrias Contnuas
53
3.1
Mtodo da funo de distribuio . . . . . . . . . . . . . . . . . . . . . . . . . . . .
53
3.2
Funes inversveis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
55
4 A Distribuio Normal
61
4.1
Alguns resultados de Clculo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
61
4.2
Densidade normal padro . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
62
4.2.1
Definio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
62
4.2.2
62
SUMRIO
4.3
4.4
4.5
iii
4.2.3
Caractersticas da curva normal padro . . . . . . . . . . . . . . . . . . . .
64
4.2.4
65
4.2.5
A Tabela da Normal Padro . . . . . . . . . . . . . . . . . . . . . . . . . . .
65
4.2.6
A Tabela da Distribuio Acumulada da Normal Padro . . . . . . . . . .
72
A varivel aletria N(; 2 ) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
75
4.3.1
Definio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
75
4.3.2
75
4.3.3
Caractersticas da curva normal . . . . . . . . . . . . . . . . . . . . . . . . .

Parmetros da N ; 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
77
4.3.4
78
4.3.5
Clculos com a distribuio normal . . . . . . . . . . . . . . . . . . . . . . .
79
4.3.6
Encontrando a abcissa da normal para uma probabilidade especfica . .
82
4.3.7
Exemplos de Aplicao da Distribuio Normal . . . . . . . . . . . . . . .
87
A distribuio log-normal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
95
4.4.1
Definio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
95
4.4.2
Esperana . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
96
4.4.3
Varincia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
98
99
A Tabelas
101
B Funes de Variveis Aleatrias Contnuas
105
B.1 Funes inversveis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
Captulo 1
Variveis Aleatrias Contnuas

1.1
Noes bsicas
No estudo das distribuies de frequncia para variveis quantitativas contnuas, vimos

que, para resumir os dados, era necessrio agrupar os valores em classes. O histograma e o
polgono de frequncias eram os grficos apropriados para representar tal distribuio. Para
apresentar os conceitos bsicos relativos s variveis aleatrias contnuas, vamos considerar
os histogramas e respectivos polgonos de frequncia apresentados na Figura 1.1. Esses
grficos representam as distribuies de frequncias de um mesmo conjunto de dados, cada
uma com um nmero de classes diferente no histograma superior, h menos classes do
que no histograma inferior. Suponhamos, tambm que as reas de cada retngulo sejam
iguais s frequncias relativas das respectivas classes (essa a definio mais precisa de
um histograma). Por resultados vistos anteriormente, sabemos que a soma das reas dos
retngulos 1 (as frequncias relativas devem somar 1 ou 100%) e que cada frequncia relativa
uma aproximao para a probabilidade de um elemento pertencer respectiva classe.
Analisando atentamente os dois grficos, podemos ver o seguinte: medida que
aumentamos o nmero de classes, diminui a diferena entre a rea total dos retngulos e
a rea abaixo do polgono de frequncia.
A diviso em classes se fez pelo simples motivo de que uma varivel contnua pode
assumir um nmero no-enumervel de valores. Faz sentido, ento, pensarmos em reduzir,
cada vez mais, o comprimento de classe , at a situao limite em que 0. Nessa
situao limite, o polgono de frequncias se transforma em uma curva na parte positiva (ou
no-negativa) do eixo vertical, tal que a rea sob ela igual a 1. Essa curva ser chamada
curva densidade de probabilidade.
Considere, agora, a Figura 1.2, onde ilustramos um fato visto anteriormente: para estimar
a frequncia de valores da distribuio entre os pontos a e b, podemos usar a rea dos
retngulos sombreados de cinza claro.
Conforme ilustrado na Figura 1.3, a diferena entre essa rea e a rea sob o polgono de
frequncias tende a diminuir, medida que aumenta-se o nmero de classes. Essa diferena
1
CAPTULO 1. VARIVEIS ALEATRIAS CONTNUAS
Figura 1.1 Histograma e polgono de frequncia de uma varivel contnua
a parte sombreada de cinza mais escuro. Isso nos permite concluir, intuitivamente, o seguinte:
no limite, quando 0, podemos estimar a probabilidade de a varivel de interesse estar
entre dois valores a e b pela rea sob a curva densidade de probabilidade, delimitada pelos
pontos a e b.
Figura
1.2
frequncia relativa
Probabilidade
como
Figura 1.3 Probabilidade como rea

sob o polgono de frequncia
1.2. VARIVEL ALEATRIA CONTNUA
1.2
Varivel aleatria contnua
Apresentamos, mais uma vez, o conceito de varivel aleatria, que j foi visto no estudo
das variveis discretas, por ser este um conceito muito importante. Relembramos tambm as
definies de variveis aleatrias discretas e contnuas.
DEFINIO Varivel aleatria

Uma varivel aleatria uma funo real (isto , que assume valores em
R), definida no espao amostral de um experimento aleatrio. Dito de
outra forma, uma varivel aleatria uma funo que associa um nmero
real a cada evento de .
DEFINIO Variveis aleatrias discretas e contnuas

Uma varivel aleatria discreta se sua imagem (ou conjunto de valores
que ela assume) for um conjunto finito ou enumervel. Se a imagem for um
conjunto no enumervel, dizemos que a varivel aleatria contnua.
1.3
Funo densidade de probabilidade
Os valores de uma varivel aleatria contnua so definidos a partir do espao amostral

de um experimento aleatrio. Sendo assim, natural o interesse na probabilidade de obteno
de diferentes valores dessa varivel. O comportamento probabilstico de uma varivel aleatria
contnua ser descrito pela sua funo densidade de probabilidade.
Inicialmente apresentamos a definio da funo densidade de probabilidade utilizando
a noo de rea, para seguir a apresentao inicial que considerou um histograma de uma
varivel contnua.
DEFINIO Funo densidade de probabilidade

Uma funo densidade de probabilidade uma funo f(x) que satisfaz
as seguintes propriedades:
f(x) 0
A rea total sob o grfico de f(x) igual a 1.
Dada uma funo f(x) satisfazendo as propriedades acima, ento f(x)
representa alguma varivel aleatria contnua X , de modo que P(a
X b) a rea sob a curva limitada pelos pontos a e b (veja a Figura
1.4).
Figura 1.4 Probabilidade como rea sob a curva da funo densidade de probabilidade
A definio acima usa argumentos geomtricos; no entanto, uma definio mais precisa
envolve o conceito de integral de uma funo de uma varivel, que, como se sabe, representa
a rea sob o grfico da funo.
1.4. FUNO DE DISTRIBUIO
DEFINIO Funo densidade de probabilidade

Uma funo densidade de probabilidade uma funo f(x) que satisfaz
as seguintes propriedades:
f(x) 0
R
f(x)dx = 1
Dada uma funo f(x) satisfazendo as propriedades acima, ento f(x)
representa alguma varivel aleatria contnua X , de modo que
Z
P(a X b) =
f(x)dx
a
Para deixar clara a relao entre a funo densidade de probabilidade e a respectiva

varivel aleatria X , usaremos a notao fX (x).
Uma primeira observao importante que pode ser vista imediatamente da interpretao
geomtrica de probabilidade como rea sob a curva densidade de probabilidade a seguinte:
se X uma varivel aleatria contnua, ento a probabilidade do evento X = a zero, ou
seja, a probabilidade de X ser exatamente igual a um valor especfico nula. Isso pode ser
visto na Figura 1.4: o evento {X = a} corresponde a um segmento de reta e tal Rsegmento tem
a
rea nula. Em termos de integral, esse resultado corresponde ao fato de que a f(x)dx = 0.
Como consequncia, temos as seguintes igualdades:
P(a X b) = P(a X < b) = P(a < X b) = P(a < X < b)
1.4
Funo de distribuio
Da mesma forma que a funo de probabilidade de uma varivel aleatria discreta,

a funo densidade de probabilidade nos d toda a informao sobre a varivel aleatria
contnua X , ou seja, a partir da funo densidade de probabilidade, podemos calcular qualquer
probabilidade associada varivel aleatria X . Tambm como no caso discreto, podemos
calcular probabilidades associadas a uma varivel aleatria contnua X a partir da funo de
distribuio acumulada (tambm denominada simplesmente funo de distribuio).
DEFINIO Funo de distribuio

Dada uma varivel aleatria X , a funo de distribuio de X definida
por
FX (x) = P (X x)
x R
(1.1)
A definio a mesma vista para o caso discreto; a diferena que, para variveis
contnuas, a funo de distribuio acumulada uma funo contnua, sem saltos. Veja a
Figura 1.5 para um exemplo.
Figura 1.5 Funo de distribuio acumulada de uma v.a. contnua
Como no caso discreto, valem as seguintes propriedades para a funo de distribuio

acumulada de uma varivel aleatria contnua:
0 FX (x) 1
(1.2)
lim FX (x) = 1
(1.3)
lim FX (x) = 0
(1.4)
a < b FX (a) FX (b)
(1.5)
1.5. ESPERANA E VARINCIA DE VARIVEIS ALEATRIAS CONTNUAS
Da interpretao de probabilidade como rea, resulta que FX (x) a rea esquerda

de x sob a curva densidade fX . Veja a Figura 1.6.
Figura 1.6 Funo de distribuio - clculo a partir da rea sob a curva densidade
Existe uma relao entre a funo densidade de probabilidade e a funo de distribuio

acumulada, que cosnequncia do Teorema Fundamental do Clculo.
Por definio, temos o seguinte resultado:
Z
FX (x) = P(X x) =
fX (u)du
(1.6)
e do Teorema Fundamental do Clculo resulta que

fX (x) =
d
FX (x)
dx
(1.7)
isto , a funo densidade de probabilidade a derivada da funo de distribuio acumulada.
1.5
1.5.1
Esperana e varincia de variveis aleatrias contnuas

Esperana
Nas distribuies de frequncias agrupadas em classes de variveis quantitativas

contnuas, vimos que a mdia podia ser calculada como
X
x=
fi xi
onde fi era a frequncia relativa da classe i e xi era o ponto mdio da classe i. Continuando
com a idia inicial de tomar classes de comprimento cada vez menor, isto , fazendo 0,
chegamos seguinte definio de esperana ou mdia de uma varivel aleatria contnua.
DEFINIO Esperana de uma varivel aleatria contnua

Seja X uma varivel aleatria contnua com funo densidade de
probabilidade fX . A esperana (ou mdia ou valor esperado) de X
definida como
Z +
E(X ) =
1.5.2
xfX (x)dx
(1.8)
Esperana de funes de variveis aleatrias contnuas
Se X uma varivel aleatria contnua e h : R R uma funo qualquer, ento

Y = h(X ) uma varivel aleatria e sua esperana dada por
Z
E [h(X )] =
1.5.3
h(x)fX (x)dx
(1.9)
Varincia
Vimos, tambm, que a varincia, uma medida de disperso, era calculada como a mdia
dos desvios quadrticos em torno da mdia, ou seja
2 =
fi (xi x)2
No caso de uma varivel aleatria contnua, fazendo h(x) = [x E(X )]2 , resulta novamente a
definio de varincia como mdia dos desvios quadrticos:
DEFINIO
Varincia e desvio-padro de uma varivel aleatria
contnua
Seja X uma varivel aleatria contnua com funo de densidade de
probabilidade fX . A varincia de X definida como
Z +
Var(X ) =
[x E(X )]2 fX (x)dx
(1.10)
O desvio-padro definido como

DP(X ) =
p
Var(X )
(1.11)
1.5. ESPERANA E VARINCIA DE VARIVEIS ALEATRIAS CONTNUAS
Usando as propriedades do clculo integral e representando por a esperana de X

(note que uma constante, um nmero real), temos que:
Z +
Var(X ) =
[x ]2 fX (x)dx
Z +

x 2 2x + 2 fX (x)dx
=
Z +
Z +
Z +
2
2
fX (x)dx
xfX (x)dx +
x fX (x)dx 2
=
Se definimos h(x) = x 2 , a primeira integral nada mais que E(X 2 ), pelo resultado (1.9).
A segunda integral E(X ) = e a terceira integral igual a 1, pela definio de funo
densidade. Logo,
Var(X ) = E(X 2 ) 2 2 + 2 = E(X 2 ) 2
o que nos leva ao resultado j visto para variveis discretas:
Var(X ) = E(X 2 ) [E(X )]2
(1.12)
De forma resumida: a varincia a esperana do quadrado de X menos o quadrado da

esperana de X .
1.5.4
Propriedades da mdia e da varincia
As mesmas propriedades vistas para variveis aleatrias discretas continuam valendo

no caso contnuo:
Esperana
Varincia
Desvio padro
E(a) = a
Var(a) = 0
DP(a) = 0
E(X + a) = E(X ) + a
|V ar(X + a) = Var(X )
DP(X + a) = DP(X )
E(bX ) = b E(X )
Var(bX ) = b2 Var(X )
DP(bX ) = |b| DP(X )
xmin E(X ) xmax
Var(X ) 0
DP(X ) 0
Esses resultados podem ser facilmente demonstrados a partir das propriedades da

integral definida e das definies vistas. Por exemplo, vamos demonstrar que E(bX ) = b E(X )
e Var (bX ) = b2 Var (X ). Por definio, temos que
Z
Z
E(bX ) = bxfX (x)dx = b xfX (x)dx = b E(X )
10
Usando este resultado e a definio de varincia, temos que

Var(bX ) = E [bX E(bX )]2 = E {b [X E(X )]}2
= b2 E [X E(X )]2 = b2 Var(X )
Se interpretamos a funo densidade de probabilidade de X como uma distribuio de
massa na reta real, ento E(X ) o centro de massa desta distribuio. Essa interpretao
nos permite concluir, por exemplo, que se fX simtrica, ento E(X ) o valor central, que
define o eixo de simetria.
1.6
Exemplos
EXEMPLO 1.1 Funo linear

Considere a funo fX apresentada na Figura 1.7.
(a) Encontre o valor de k para que fX seja uma funo densidade de probabilidade de uma
varivel aleatria X .
(b) Determine a equao que define fX .
(c) Calcule Pr(2 X 3).
(d) Calcule a esperana e a varincia de X .
(e) Determine o valor de k tal que Pr(X k) = 0, 6.
(f) Encontre a funo de distribuio de X .
Figura 1.7 Funo densidade de probabilidade para o Exemplo 1.1

Soluo
1.6. EXEMPLOS
11
(a) A funo dada corresponde a uma funo constante, fX (x) = k. Como a rea sob a reta
tem que ser 1, temos que ter
1 = (5 1) k k =
ou
1
4
kdx = 1 k x|51 = 1 k(5 1) = 1 k =
(b) Temos que
4
fX (x) =
1
4
se 1 x 5
caso contrrio
(c) A probabilidade pedida a rea sombreada na Figura 1.8. Logo,

P(2 X 3) = (3 2)
ou
Z
P(2 X 3) =
2
1
1
=
4
4
1
1
1
dx = x|32 =
4
4
4
Figura 1.8 P(2 X 3) Exemplo 1.1
(d) Por argumentos de simetria, a esperana o ponto mdio, ou seja, E(X ) = 3. Usando a
definio, temos:
5 !
Z 5
1
1 x 2
1
E(X ) =
x dx =
= (25 1) = 3

4
4
2 1
8
1
Para o clculo da varincia, temos que calcular E(X 2 ) :
5
Z 5
1 x 3
1
124
31
2
21
(125 1) =
E(X ) =
=
=
x dx =

4
4 3 1 12
12
3
1
e
V ar(X ) =
31 27
4
31
32 =
=
3
3
3
12
(e) Como a densidade simtrica, a mdia e a mediana coincidem, ou seja, o ponto x = 3

divide a rea, ou probabilidade, total ao meio. Como temos que P(X k) = 0, 6, resulta
que k tem que ser maior que 3, uma vez que abaixo de 3 temos rea igual a 0,5. Veja a
Figura 1.9.
Figura 1.9 Clculo de k tal que P(X k) = 0, 6
Temos que ter

0, 6 = (k 1)
1
k = 3, 4
4
Usando integral, temos ter

Z
1
1
1
dx = 0, 6 = (k 1) = 0, 6 k = 3, 4
4
4
(f) Para x < 1, temos que FX (x) = 0 e para x > 5, temos que FX (x) = 1. Para 1 x 5,
FX (x) a rea de um retngulo de base (x 1) e altura 1/4 (veja a Figura 1.10). Logo,
FX (x) =
x 1
4
e a expresso completa de FX
FX (x) =
0
x 1
4
1
cujo grfico est ilustrado na Figura 3.2.
se x < 1
se 1 x 5
se x > 5
1.6. EXEMPLOS
Figura 1.10 Clculo de

FX (x) Exemplo 1.1
13
Figura 1.11 Funo de

distribuio Exemplo 1.1

EXEMPLO 1.2 Funo linear

(a) Encontre o valor de k para que fX seja uma funo densidade de probabilidade de uma
varivel aleatria contnua X e determine a equao que define fX .
(b) Calcule Pr(2 X 3).
(c) Encontre a funo de distribuio de X .
(d) Determine o valor de k tal que Pr(X k) = 0, 6.
(e) Calcule a esperana e a varincia de X .

Soluo
14
(a) Veja a Figura 1.13 a rea sob a funo densidade a rea de um trapzio com bases
0,1 e k e altura 5. Como essa rea tem que ser 1, resulta que
1=(
k + 0, 1
5 k = 0, 3
2
fX uma funo linear fX (x) = a+bx que passa pelos pontos (1; 0, 1) e (6; 0, 3), resultando,
portanto, o seguinte sistema de equaes:

0, 1 = a + b
0, 3 = a + 6b
Subtraindo a primeira equao da segunda, obtemos
0, 3 0, 1 = 5b b = 0, 04
Substituindo este valor na primeira equao, obtemos que a = 0, 1 0, 04 = 0, 06. Logo,

0, 06 + 0, 04x se 1 x 6
fX (x) =
0
caso contrrio
(b) Veja a Figura 1.14, em que a rea sombreada corresponde probabilidade pedida. Vemos
que essa rea a rea de um trapzio de altura 3 2 = 1, base maior igual a fX (3) =
0, 06 + 0, 04 3 = 0, 18 e base menor igual a f(2) = 0, 06 + 0, 04 2 = 0, 14. Logo,
Pr(2 X 3) =
0, 18 + 0, 14
1 = 0, 16
2
Figura 1.13 rea sob fX
Figura 1.14 P(2 X 3)
Exemplo 1.2
Exemplo 1.2
(c) Veja a Figura 1.15; a podemos ver que, para x [1, 6], FX (x) a rea de um trapzio de
altura x 1; base maior igual a fX (x) e base menor igual a fX (1) = 0, 1. Logo,
(0, 06 + 0, 04x) + 0, 1
(x 1)
2
= (0, 08 + 0, 02x)(x 1)
FX (x) =
ou seja,
0
FX (x) =
0, 02x 2 + 0, 06x 0, 08
se x < 1
se 1 x 6
se x > 6
1.6. EXEMPLOS
15
Na Figura 1.16 dado o grfico da funo de distribuio.

Usando integral, temos que
Z
F (x) =
x
0, 04t 2
0, 06t +

2
1
(0, 06 + 0, 04t)dt =

=
0, 06x + 0, 02x 2 (0, 06 + 0, 02)
1
= 0, 02x 2 + 0, 06x 0, 08

FX (x) Exemplo 1.2
1x6
Figura 1.16 Funo de

distribuio Exemplo 1.2
(d) Queremos determinar k tal que FX (k) = 0, 6. Logo,

0, 6 = 0, 02k 2 + 0, 06k 0, 08
0, 02k 2 + 0, 06k 0, 68 = 0
k
k 2 + 3k
34 = 0
3 9 + 4 34
=
2
A raiz que fornece resultado dentro do domnio de variao de X
3 + 9 + 4 34
4, 5208
k=
2
(e) Temos que

6
x2
x 3
E(X ) =
x (0, 06 + 0, 04x) dx = 0, 06 + 0, 04
2
3 1
1

63
0, 04
=
0, 03 36 + 0, 04
0, 03 1 +
3
3
0, 04
11, 75
= 1, 08 + 2, 88 0, 03
=
= 3, 9167
3
3
Z
6
x3
x 4
E(X ) =
x (0, 06 + 0, 04x) dx = 0, 06 + 0, 04
3
4 1
1
= (0, 02 216 + 0, 01 1296) (0, 02 + 0, 01)
Z
= 4, 32 + 12, 96 0, 03 = 17, 25
16

2

Var(X ) = 17, 25
11, 75
3
155, 25 138, 0625

= 1, 9097
9

EXEMPLO 1.3 Densidade triangular

(a) Encontre o valor de h para que fX seja uma funo de densidade de probabilidade de uma
varivel aleatria X (note que o tringulo issceles!).
(b) Determine a equao que define fX .
(c) Calcule Pr(1 X 3).
(d) Calcule E(X ) e V ar(X ).
(e) Encontre a funo de distribuio de X .
(f) Determine o valor de k tal que Pr(X k) = 0, 6.

9
5 3
.
(g) Calcule P X X
4 4
4

Soluo
(a) Como a rea tem que ser 1, temos que ter

1=
1
1
(4 0) h h =
2
2
1.6. EXEMPLOS
17
(b) A funo fX dada por 2 equaes de

reta. A primeira uma reta de inclinao positiva
1
que passa pelos pontos (0, 0) e 2, 2 . A segunda uma reta de inclinao negativa, que

passa pelos pontos 2, 12 e (4, 0). Para achar a equao de cada uma das retas, basta
substituir as coordenadas dos dois pontos e resolver o sistema. Para a primeira reta
temos o seguinte sistema:
0 = a+b0
1
= a+b2
2
Da primeira equao resulta que a = 0 ( o ponto onde a reta cruza o eixo y) e substituindo
esse valor de a na segunda equao, resulta que b = 14 .
Para a segunda reta, temos o seguinte sistema:
0 = a+b4
1
= a+b2
2
Subtraindo a segunda equao da primeira, resulta
1
1
= (a a) + (4b 2b) b =
2
4
Substituindo na primeira equao, encontramos que a = 1.
0
Combinando essas duas equaes, obtemos

x
x
fX (x) =
1
a seguinte expresso para fX :

se 0 x < 2
se 2 x 4
se x < 0 ou x > 4
(c) A probabilidade pedida a rea sombreada em cinza claro na Figura 1.18. Os dois
tringulos sombreados de cinza escuro tm a mesma rea, por causa da simetria. Assim,
podemos calcular a probabilidade usando a regra do complementar, uma vez que a rea
total 1. A altura do tringulo inferior fX (1) = 14 e a do tringulo superior fX (3) =
1 43 = 14 . Logo, a rea de cada um dos tringulos 12 1 14 = 81 e, portanto,
P(1 X 3) = 1 2
6
3
1
= =
8
8
4
Usando integral, temos

Z
P(1 X 3) =
=
=
=
Z 3
x
x
dx +
1
dx
4
1 4
2
2
3
1 x 2
x 2
+ x
4 2 1
8 2

1
9
4
(4 1) + 3
2
8
8
8
3 15 12
6
3
+
= =
8
8
8
8
4
2
18
Figura 1.18 Clculo de P(1 X 3) para o Exemplo 1.3
(d) Como a funo simtrica, resulta que E(X ) = 2.

Z
E(X 2 ) =
=
=
=
=
Var(X ) =
Z 4
x3
x
dx +
x2 1
dx
4
0 4
2
4 2 3
4
x
x 4
x
+
16 0
3
16 2

64 256
8 16
16
0 +
16
3
16
3 16
64
8
1+
16 + 1
3
3
14
56
14 =
3
3
2
14
2
22 =
3
3
(e) Assim como a funo densidade de probabilidade, a funo de distribuio ser definida
por 2 equaes: uma para os valores de x no intervalo [0, 2) e outra para valores de x no
intervalo [2, 4]. Para x [0, 2) temos que FX (x) a rea do tringulo sombreado na Figura
1.19 e para x [2, 4], a rea sombreada na Figura 1.20 e essa rea pode ser calculada
pela lei do complementar.
Logo,
FX (x) =
x
1
(x 0)
2
4
x [0, 2)
Para x [2, 4], temos que

1
x
FX (x) = 1 (4 x) 1
2
4
1.6. EXEMPLOS
19

FX (x) para 0 x 2
Exemplo 1.3
FX (x) para 2 x 4
Exemplo 1.3
Combinando os resultados obtidos, resulta a seguinte expresso para FX :
se x < 0
1 2
se 0 x < 2
8x
FX (x) =
1 (4 x)2 se 2 x 4
1
se x > 4
Veja a Figura 1.21; para 0 x < 2, o grfico de FX uma parbola cncava para cima;
para 2 x 4, o grfico de FX uma parbola cncava para baixo.
Figura 1.21 Funo de distribuio para o Exemplo 1.3
(f) Queremos determinar k tal que F (k) = 0, 6. Como F (2) = 0, 5, resulta que k > 2.
20

Substituindo na expresso de F (x), temos que ter
1
(4 k)2
8

1
1
16 8k + k 2
8
k2
12+k
8
2
k
k + 1, 6
8
k 2 8k + 12, 8
1
= 0, 6 =
= 0, 6 =
= 0, 6 =
= 0 =
= 0 =
8 12, 8
8 64 4 12, 8
=
=
2
2
A raiz que fornece resultado dentro do domnio de definio de X
8 12, 8
k=
2, 21
2
(g) Sabemos que P(A|B) =

P
P(A B)
. Assim,
P(B)

5 3
9
X X
=
4 4
4
P
=
P

X 49

P
X 49

X 45
FX 54 FX
=

X 49
FX 94 FX
3
4
3
4
5
4
3
4
3
4
3
4

3
4
Usando a funo de distribuio j calculada, temos que

2
3
1
3
9
FX
=
=
4
8
4
128

2
5
1
5
25
FX
=
=
4
8
4
128

9
1
9 2
79
= 1 4
=
FX
4
8
4
128
Resulta que

P

5 3
9
X X
=
4 4
4
25
9
128 128 = 16 = 8
79
9
70
35
128 128

EXEMPLO 1.4 Outra funo linear
1.6. EXEMPLOS
21
A varivel aleatria X tem funo densidade dada por
1 x < 0
x
x
0x1
f(x) =
0 x < 1 ou x > 1
(a) Esboce o grfico de f(x) e mostre que f(x) realmente define uma funo densidade de
probabilidade.

(b) Calcule P X 21 > 41 .
(c) Calcule a varincia de X .
(d) Obtenha a funo de distribuio de X .
Soluo
(a) Veja a Figura 1.22. A rea de cada tringulo igual a 1/2 e, portanto, a rea total
1. Alm disso, a funo no negativa. Logo, f(x) define uma funo densidade de
probabilidade.
Figura 1.22 Funo densidade
Figura 1.23 P X 21 >
Exerc. 1.4
1.4
1
4

Exerc.
(b) Veja a Figura 1.23.

1
1
1
1
1
3
1
1
P X >
= P X >
X <
=P X >
+P X <
2
4
2
4
2
4
4
4
2 1
2 1/4
Z 1
Z 1/4
x
1
x
=
xdx + 0, 5 +
xdx =
+ +
2 3/4 2
2 0
3/4
0
1
9
1
1
1
3
+ +
=1 =
=
2 32 2 32
4
4
Essa probabilidade pode, tambm, ser calculada por argumentos geomtricos. A
probabilidade pedida 1 menos a rea de um trapzio (rea em branco) de base menor
0, 25, base maior 0, 75 e altura 0, 5, ou seja,

1 1
0, 25 + 0, 75
1
3

P X >
=1
0, 5 = 1 =
2
4
2
4
4
22
(c) Como a funo densidade simtrica em torno de 0, resulta que a esperana 0 e, nesse
caso
Z 1
Z 0
Z 1
Z 0
3
2
2
2
x 3 dx
x dx +
x xdx =
x (x)dx +
Var(X ) = E(X ) =
1

=
0
x4
1
1
x4
+
4

1
1
1
= 0
+
0 =
4
4
2
(d) Sabemos que F (x) = 0 se x < 1 e F (x) = 1 se x > 1. Para 1 x 1, veja as Figuras
1.24 e 1.25.
Figura 1.24 F (x), x < 0 Exerc. 1.4
Figura 1.25 F (x), x > 0 Exerc. 1.4
Para 1 < x < 0 temos que

x
t2
F (x) =
(t)dt =
2
1
x
x2 1
2
2

=
1 x2
2
Para 0 x < 1 temos que

Z
F (x) =

tdt =
(t)dt +
0
Logo,
F (x) =
t2
2
0
1

+
1 x2
1 + x2
t2
2
x
0

2

1
x
1 + x2
=
+
0 =
2
2
2
se x 1
se 1 < x < 0
se 0 x < 1
se x 1
1.6. EXEMPLOS
23
EXEMPLO 1.5 Demanda de um produto (Bussab & Morettin)
A demanda diria de arroz num supermercado, em centenas de quilos, uma varivel aleatria
com funo densidade de probabilidade
f(x) =
2
x
3
se 0 x < 1
x
+ 1 se 1 x < 3
0
se x < 0 ou x > 3
(a) Qual a probabilidade de se vender mais de 150 kg num dia escolhido ao acaso?
(b) Qual a quantidade de arroz que deve ser deixada disposio dos clientes diariamente
para que no falte arroz em 95% dos dias?
Soluo
(a) Seja X a varivel aleatria que representa a demanda diria de arroz, em centenas de
quilos. Veja a Figura 1.26, em que a rea sombreada corresponde probabilidade pedida.
Nesse tringulo, a base 3 1, 5 = 1, 5 e a altura f(1, 5) = 1,5
3 + 1. Logo,
Pr(X 1, 5) =
1
1 3 1
3
1, 5 0, 5 = = = 0, 375
2
2 2 2
8
Figura 1.26 Clculo de P(X > 1, 5) Exemplo 1.5
Em termos de integral, temos que
24
2
2
3

x

3
x
1, 52

+ 1 dx = + x = + 3
+ 1, 5
3
6
6
6
1,5
1,5
Z
Pr(X 1, 5) =
=
9 6, 75
2, 25
=
= 0, 375
6
6
6
(b) Seja k o valor a estocar. Para que a demanda seja atendida, necessrio que a quantidade
demandada seja menor que a quantidade em estoque. Logo, queremos encontrar o valor
de k tal que Pr(X k) = 0, 95.
Como Pr(X 1) = 13 , k tem que ser maior que 1, ou seja, k est no tringulo superior
(veja a Figura 1.27).
Figura 1.27 Clculo de k tal que P(X k) = 0, 95 Exemplo 1.5
Mas P(X k) = 0, 95 equivalente a P(X > k) = 0, 05. Logo,

1
k
0, 05 =
(3 k) + 1
2
3

k + 3
0, 1 = (3 k)
3
0, 3 = 9 6k + k 2
k
k 2 6k + 8, 7 = 0
6 36 4 8.7
=
2
A raiz que d a soluo dentro do domnio de X

k=
36 4 8.7
= 2, 45 centenas de quilos
2
1.6. EXEMPLOS
25
Usando integrao:
Z
3

x
+ 1 dx = 0, 05
3
2
3

x
+ x = 0, 05
6
k
P(X > k) = 0, 05
k
2

2
k
k2
9
3
= 0, 05
k + 0, 05 = 0 k 2 6k + 8, 7 = 0
+3 +k
6
6
6
6
mesma equao obtida anteriormente.

EXEMPLO 1.6 Sobre funo de distribuio

A funo de distribuio de uma varivel aleatria X dada por
0
se x < 0
3x 2 x 3
se 0 x < 1
1
se x 1
1. Calcule E(X ) e Var(X ).
2. Calcule P 0 X 14 |X
1
2

.
Soluo
(a) A funo densidade a derivada da funo de distribuio acumulada. Logo,
3x 2
3x
se 0 x 1
2
f(x) =
0
c.c.
Z
E(X ) =
0
Z
2
E(X ) =
0
3x 2
x 3x
2

3x 2
3x
2
1
Z
dx =
0

1
3 3
3 x4
3
5
3
3x x dx = x
=1 =
2
2 4 0
8
8
2
Z
dx =
1

4
1
3 x5
3
9
3 4
x
3
3x x dx = 3
=
=
2
4
2 5 0 4 10
20
3
2
9
5
9
25
144 125
19
=
Var(X ) =
=
=
20
8
20 64
320
320
(b)

1
1
P 0 X X
=
4
2
=
P 0X
P X
3
16
3
4
1
64
1
8
1
2
1
4
121
64
61
8
F
=
1
4
3( 14 ) ( 14 )
2
2
F (0)

=
1
11 8
11
=
64 5
40
3( 12 ) ( 12 )
2
2
26
1.7
Exerccios propostos
1.1 Considere a seguinte funo:

K (2 x) se 0 x 1
g(x) =
0
se x < 0 ou x > 1
(a) Esboce o grfico de g(x).
(b) Encontre o valor de K para que g(x) seja funo densidade de probabilidade de uma
varivel aleatria X .
(c) Encontre a funo de distribuio acumulada.
(d) Calcule os quartis da distribuio.
(e) Calcule a esperana e a varincia de X .
1.2 Seja X uma varivel aleatria com funo densidade de probabilidade dada por

2x se 0 x 1
fX (x) =
0
caso contrrio

Calcule P X 12 13 X 23
1.3 O dimetro de um cabo eltrico uma varivel aleatria contnua com funo densidade
dada por

k(2x x 2 ) se 0 x 1
f(x) =
0
caso contrrio
(a) Determine o valor de k.(Resp.: k = 3/2)
(b) Calcule E(X ) e Var(X ). (Resp.: 5/8; 19/320)
(c) Calcule P(0 X 1/2). (Resp.: 5/16)
1.4 A funo densidade de probabilidade f de uma varivel aleatria X dada pela funo
cujo grfico se encontra na Figura 1.28.
(a) Encontre a expresso de f.
(b) Calcule Pr(X > 2). (Resp: 1/4)
(c) Determine m tal que Pr(X > m) = 1/8. (Resp.: m = 4
2)
(d) Calcule a esperana e a varincia de X . (Resp.: E(X ) = 4/3; E(X 2 ) = 8/3)

(e) Calcule a funo de distribuio acumulada e esboce seu grfico.
1.7. EXERCCIOS PROPOSTOS
Figura 1.28 Funo densidade de probabilidade Exerccio 1.4
1.5 Uma varivel aleatria X tem funo densidade de probabilidade dada por

6x(1 x) se 0 x 1
f(x) =
0
caso contrrio
Se = E(X ) e 2 = V ar(X ), calcule Pr( 2 < X < + 2 ). (Resp.: 0, 9793)
1.6 Uma varivel aleatria X tem funo de distribuio acumulada F dada por
0 se x 0
F (x) =
x 5 se 0 < x < 1
1 se x 1
Calcule E(X ) e V ar(x). (Resp.: 5/6; 5/252)
27
28
Captulo 2
Algumas distribuies contnuas

2.1
2.1.1
Distribuio uniforme
Funo densidade
Considere a funo fX apresentada na Figura 2.1, em que a e b so nmeros conhecidos.
Figura 2.1 Funo densidade uniforme

Qual deve ser o valor de k para que fX seja uma funo de densidade de probabilidade
de uma v.a. X ?
A primeira condio que k deve ser maior que zero e como a rea tem que ser 1,
resulta
1
1 = (b a) k k =
ba
Note que, para dois subintervalos de mesmo comprimento, a rea ser igual, uma vez
que temos reas de retngulos com mesma altura. Assim, intervalos de mesmo comprimento
tm a mesma probabilidade. Esse fato leva denominao de tal densidade como densidade
uniforme.
29
30
CAPTULO 2. ALGUMAS DISTRIBUIES CONTNUAS
DEFINIO Distribuio uniforme

Uma v.a. contnua X tem distribuio uniforme no intervalo [a, b] se sua
funo densidade dada por
f(x) =
1
ba
se x [a, b]
(2.1)
caso contrrio
Os valores a e b so chamados parmetros da distribuio uniforme; note

que ambos tm de ser finitos para que a integral seja igual a 1. Quando
a = 0 e b = 1 temos a uniforme padro, denotada por U(0, 1).
2.1.2
Funo de distribuio
Por definio, a funo de distribuio acumulada
FX (x) = P (X x)
e essa probabilidade dada pela rea sob a curva densidade esquerda de x, conforme
ilustrado na Figura 2.2.
Figura 2.2 Funo de distribuio da densidade uniforme como rea

Essa a rea de um retngulo com base (x a) e altura
0x a
FX (x) =
ba
1
1
. Logo,
ba
se x < a
se a x b
se x > b
O grfico dessa funo de distribuio acumulada apresentado na Figura 2.3.
(2.2)
2.1. DISTRIBUIO UNIFORME
31
Figura 2.3 Funo de distribuio da densidade uniforme
2.1.3
Esperana e varincia
Das propriedades da esperana e das caractersticas da densidade uniforme, sabemos

que E(X ) o ponto mdio do intervalo [a, b] :
E (X ) =
Vamos, agora, calcular E(X 2 ).
Z b
Z
2
2
E(X ) =
x f(x)dx =
a
x2
a+b
2
b3 a3
a2 + b2 + ab
1
dx =
=
ba
3(b a)
3
Logo,
Var(X ) =
=
a2 + b2 + ab
a+b
2
2
=
4a2 + 4b2 + 4ab 3a2 6ab 3b2

12
b2 2ab + a2
(b a)2
=
12
12
Resumindo:
X Unif(a, b)
E(X ) =
a+b
2
Var(X ) = (b a)
12
2.1.4
(2.3)
Exemplos
EXEMPLO 2.1 Latas de coca-cola

Latas de coca-cola so enchidas num processo automtico segundo uma distribuio
uniforme no intervalo (em ml) [345,355].
32
(a) Qual a probabilidade de uma lata conter mais de 353 ml?

(b) Qual a probabilidade de uma lata conter menos de 346 ml?
(c) Qualquer lata com volume 4 ml abaixo da mdia pode gerar reclamao do consumidor
e com volume 4 ml acima da mdia pode transbordar no momento de abertura, devido
presso interna. Qual a proporo de latas problemticas?
Soluo
Seja X = contedo da lata de coca-cola. Ento, X U[345, 355]
(a) Pede-se
P(X > 353) =
355 353
= 0, 2
355 345
P(X < 346) =
346 345
= 0, 1
355 345
(b) Pede-se
(c) Pede-se
P(X < 350 4) + P(X > 350 + 4) =
346 345 355 354

+
= 0, 2
355 345 355 345
Logo, a proporo de latas problemticas de 20%. Note que essa uma proporo
bastante alta!

EXEMPLO 2.2 Determinao dos parmetros
Uma varivel aleatria X tem distribuio uniforme no intervalo [a, b] com mdia 7,5 e varincia
6,75. Determine os valores de a e b, sabendo que b > a > 0.
Soluo
a+b
= 7, 5
2
(b a) = 6, 75
12
2
Da segunda equao, resulta que (b a) = 81 e, portanto, |b a| = 81. Como estamos
supondo que a < b, resulta que b a = 9, o que nos leva ao sistema

a + b = 15
ba=9
cuja soluo a = 3 e b = 12, ou seja, X Unif(3, 12).

2.2. DISTRIBUIO EXPONENCIAL
2.2
33
Distribuio exponencial
Consideremos o grfico da funo exponencial f(x) = ex , dado na Figura 2.4. Podemos

ver a que, se x < 0, ento a rea sob a curva limitada, o mesmo valendo para uma funo
mais geral f(x) = ex . Sendo assim, possvel definir uma funo densidade a partir da funo
exponencial ex , desde que nos limitemos ao domnio dos nmeros reais negativos. Mas isso
equivalente a trabalhar com a funo ex para x positivo.
Figura 2.4 Grfico das funes f(x) = ex e g(x) = ex
2.2.1
Funo densidade
Para que uma funo f(x) seja uma funo densidade, sua integral no domnio de
definio tem que ser igual a 1. Considerando, ento, a funo f(x) = ex para x > 0,
temos que
e
0

dx =
1
ex

=
Logo,
e
0
Z
dx = 1
ex dx = 1
e, portanto, f(x) = ex define uma funo de densidade de probabilidade para x > 0.
34
DEFINIO Densidade exponencial

Diz-se que uma varivel aleatria contnua X tem distribuio exponencial
com parmetro se sua funo densidade de probabilidade dada por

ex x > 0
f(x) =
0
x0
Como essa funo depende apenas do valor de , esse o parmetro da
densidade exponencial.
Usaremos a seguinte notao para indicar que uma varivel aleatria tem distribuio
exponencial com parmetro : X exp(). Na Figura 2.5 temos o grfico da densidade
exponencial para = 2.
Figura 2.5 Densidade exponencial com = 2
2.2.2
Funo de distribuio
Por definio, temos que
Z
F (x) = Pr (X x) =
Z
f (t) dt =
x
t
dt = e

= ex 1
0
ou seja

F (x) =
1 ex
0
se x > 0
se x 0
Na Figura 2.6 temos o grfico da funo de distribuio para = 2.
(2.4)
35
Figura 2.6 Funo de distribuio da densidade exponencial com = 2
2.2.3
Alguns resultados sobre a funo exponencial
No clculo dos momentos da densidade exponencial sero necessrios alguns resultados

sobre a funo exponencial que apresentaremos a seguir.
O resultado crucial
lim x k ex = 0
(2.5)
Vamos demonstrar esse resultado por induo usando a regra de LHpital. Consideremos
inicialmente o caso em que k = 1. Ento
x
x ex
lim xex = lim
que tem a forma
e, portanto, podemos aplicar a regra de LHpital, que diz que

x0
x
1
=
lim
= lim x = 0
x (ex )0
x ex
x e
lim xex = lim
Logo, o resultado vale para k = 1. Suponhamos verdadeiro para qualquer k > 1; vamos
mostrar que vale para k + 1. De fato:
lim x
k+1 x
0
x k+1
(k + 1) x k
x k+1
xk
(k
= lim
=
lim
=
lim
=
+
1)
lim
= (k + 1)0 = 0
0
x ex
x (ex )
x
x ex
ex
pela hiptese de induo. De maneira anloga, prova-se um resultado mais geral dado por:
lim x k ex = 0
k > 0 e > 0
(2.6)
A interpretao desse resultado pode ser vista na Figura 2.7 para o caso de x 3 : para
valores de x maiores que a abcissa do ponto de interseo representado em vermelho, o valor
3
de ex sempre maior que x 3 e, portanto o limite de ex x zero. Dito de outra forma, a funo
exponencial cresce muito mais rapidamente que qualquer funo polinomial.
36
Figura 2.7 Ilustrao do resultado limx
2.2.4
x3
=0
ex
Esperana e varincia
O clculo dos momentos da distribuio exponencial se faz com auxlio de integrao

por partes. A esperana :
Z
E(X ) = xex dx
0
Definindo
u = x du = dx;
dv = ex dx v = ex
O mtodo de integrao por partes nos d que:
Z
=
xe
xe
Z
dx +

ex dx
Pelo resultado (2.5), o lado esquerdo desta ltima igualdade zero. Logo,

1 x
1
0 = E(X ) + e 0 = E(X ) + 0
0
ou seja,
1
E (X ) =
Desse resultado segue que
Z
0
xex dx =
Z
1
(2.7)
xex dx =
1
2
(2.8)
37
Vamos calcular o segundo momento de uma varivel aleatria exponencial.

Z
E(X ) =
x 2 ex dx
Seguindo raciocnio anlogo ao empregado no clculo da esperana, vamos definir:

u = x 2 du = 2xdx;
dv = ex dx v = ex
Logo,
Z

x 2 ex =
0
x 2 ex dx +
Z

2xex dx 0 = E X 2 2
xex dx
Por (2.8), resulta que

2
E X2 = 2
(2.9)
e, portanto:
Var(X ) = E(X 2 ) [E(X )]2 =
Resumindo:
X exp() =
2
1
1
Var (X ) = 2
2 2
E(X ) =
(2.10)
(2.11)
Var(X ) = 1
2
2.2.5
Parametrizao alternativa
possvel parametrizar a densidade exponencial em termos de um parmetro = 1 .

Neste caso,
1 x/
e
E(X ) =
f(x) =
x > 0; > 0
E(X 2 ) = 2 2
Var(X ) = 2
Essa parametrizao alternativa mais interessante, uma vez que o valor mdio igual
ao parmetro, e ser utilizada deste ponto em diante.
38
2.2.6
Exemplos
EXEMPLO 2.3
Seja X uma varivel aleatria exponencial com mdia 4. Calcule
(a) P(X > 1)
(b) Pr(1 X 2)
Soluo
(a) A funo densidade de X fX (x) = 41 ex/4 e a funo de distribuio F (x) = 1 ex/4 .
Podemos resolver essa questo por integrao da funo densidade
Z
Z

x
1 x
P(X > 1) =
f(x)dx =
e 4 dx = e 4 = 0 (e0,25 ) = e0,25 = 0, 7788
4
1
1
1
ou pelo uso direto da funo de distribuio
P(X > 1) = 1 Pr(X 1) = 1 F (1) = 1 [1 e1/4 ] = e0,25 = 0, 7788
(b)
P(1 X 2) = P(X 2) Pr(X < 1)
= P(X 2) P(X 1)
= F (2) F (1) = [1 e2/4 ] [1 e1/4]
= e0,25 e0,5 = 0, 17227

EXEMPLO 2.4
Seja X exp(). Calcule P(X > E(X )).
Soluo
h
i
P(X > E(X )) = 1 P(X E(X )) = 1 F (E(X )) = 1 1 e/ = e1
Note que essa a probabilidade de uma varivel aleatria exponencial ser maior que o seu
valor mdio; o que mostramos que essa probabilidade constante, qualquer que seja o
parmetro.
2.3
Distribuio gama
A distribuio exponencial um caso particular da distribuio gama, que utiliza a funo

gama, cuja definio apresentamos a seguir.
2.3. DISTRIBUIO GAMA
2.3.1
39
A funo gama
A funo gama definida pela seguinte integral:
Z
() =
ex x 1 dx
Note que o argumento da funo , que aparece no expoente da varivel de integrao x.

A funo gama tem a seguinte propriedade recursiva: ( +1) = (). Para demonstrar
esse resultado, usaremos integrao por partes.
Z
( + 1) =
ex x dx
Fazendo
u = x du = x 1
dv = ex dx v = ex
resulta

x ex 0
( + 1) =
Z
( + 1) = 0 +
( + 1) = ()
ex x 1 dx
ex x 1 dx
Aqui usamos o resultado dado em (2.5).

Vamos trabalhar, agora, com = n inteiro.
Z
(1) =
0
ex x 11 dx =
ex dx = 1
(2) = 1 (1) = 1 = 1!
(3) = 2 (2) = 2 1 = 2!
(4) = 3 (3) = 3 2 1 = 3!
(5) = 4 (4) = 4 3 2 1 = 4!
Em geral, se n inteiro,
(n) = (n 1)!
(2.12)
40
2.3.2
A distribuio gama
DEFINIO Densidade gama
Diz-se que uma varivel aleatria tem distribuio gama com parmetros
e se sua funo densidade de probabilidade dada por
x 1 ex/
se x > 0
()
(2.13)
f(x) =
0
se x 0
Note que, quando = 1, resulta a densidade exponencial com parmetro , ou seja, a

densidade exponencial um caso particular da densidade gama. Note que estamos usando
a parametrizao alternativa da densidade exponencial.
Para verificar que a funo dada em (2.13) realmente define uma funo densidade,
notamos inicialmente que f(x) 0. Alm disso,
Z
Z
Z
1
1
1 x/
f(x)dx =
x
e
=
x 1 ex/ dx
()
() 0
0
0
Fazendo a mudana de varivel
x
= t resulta
x = t
dx = dt
x = 0t=0
x = t=
e, portanto,
Z
f(x)dx =
0
=
=
=
Z
1
x 1 ex/ dx =
() 0
Z
1
(t)1 et dt
() 0
Z
1
t 1 et dt
()
0
1
() = 1
()
Logo, as duas condies para uma funo densidade so satisfeitas. Usaremos a notao
X gama(; ) para indicar que a varivel aleatria X tem distribuio gama com parmetros
, .
2.3. DISTRIBUIO GAMA
2.3.3
41
O grfico da distribuio gama

Qualquer que seja o valor do parmetro , temos que
lim f(x) = 0
lim f(x) =
x0
se 1
se < 1
Em cada uma das Figuras 2.8 e 2.9, o parmetro est fixo e temos o grfico da funo
densidade para = 1, 2, 4. Nas Figuras 2.10 e 2.11, fixamos o parmetro e variamos
. Analisando esses grficos,podemos ver que tem grande influncia sobre a forma da
distribuio, enquanto afeta mais fortemente a disperso. Por essas razes, dito
parmetro de forma da densidade gama e o parmetro de escala.
Figura 2.8 Efeito do parmetro

= 2; = 1, 2, 4

= 5; = 1, 2, 3
= 2; = 1, 2, 3
= 4; = 1, 2, 4
Uma anlise das derivadas primeira e segunda da funo densidade gama permite-nos
chegar s seguintes conluses sobre a forma do grfico:
1. 1
(a) estritamente decrescente
42

(b) cncava para cima
2. > 1
(a) crescente se x < ( 1)
(b) decrescente se x > ( 1)
(c) mximo em x = ( 1)
(d) 2
i. nico ponto de inflexo em x = 1( 1 + 1)
ii. cncava para baixo se x < 1( 1 + 1)
iii. cncava para cima se x > 1( 1 + 1)
(e) > 2
i.
ii.
iii.
iv.
2.3.4
dois pontos de inflexo: x = 1( 1 1) e x = 1( 1 + 1)
cncava para cima se x < 1( 1 1)
cncava para baixo se 1( 1 1) < x < 1( 1 + 1)
cncava para cima se x > 1( 1 + 1)
Esperana e varincia
Se X gama(; ) , ento
Z
Z
1
E(X ) =
xf(x)dx =
xx 1 ex/ dx
()
0
0
Z
1
=
x ex/ dx
() 0
Fazendo a mesma mudana de varivel j usada anteriormente
E(X ) =
=
=
=
=
ou seja,
x
= t temos que
Z
1
(t) et dt
() 0
Z
1
+1
t et dt
()
0
Z
t et dt
() 0
( + 1)
()
()
()
X gama(, ) E(X ) =
De modo anlogo, vamos calcular o segundo momento da densidade gama.
2.4. A DISTRIBUIO ERLANG
43
Z
1
x f(x)dx =
E(X ) =
x 2 x 1 ex/ dx
() 0
0
Z
1
x +1 ex/ dx
=
() 0
x
Fazendo a mesma mudana de varivel usada anteriormente = t temos que
Z
1
E(X 2 ) =
(t)+1 et dt
() 0
Z
1
+2
t +1 et dt
=
()
0
Z
2
=
t +1 et dt
() 0
2
=
( + 2)
()
2
( + 1)( + 1)
=
()
2
=
( + 1)()
()
Z
= 2 ( + 1)
Logo,
Var(X ) = 2 ( + 1) ()2 = 2 2 + 2 2 2 = 2
Resumindo:
X gama(, ) =
2.3.5
E(X ) =
Var(X ) = 2
(2.14)
Funo de distribuio acumulada
A funo de distribuio da gama envolve a funo gama incompleta e no ser objeto

de estudo neste curso.
2.4
A distribuio Erlang
Quando o parmetro de forma da densidade gama um inteiro positivo, a distribuio

gama conhecida como distribuio de Erlang e sua funo densidade
k1 x/
x
e
(k + 1)! k
f(x) =
se x > 0
(2.15)
se x 0
44
2.5
A distribuio qui-quadrado
Quando, na distribuio gama, o parmetro de forma igual a n2 , com n inteiro positivo,

e o parmetro de escala = 2 resulta a distribuio qui-quadrado com n graus de liberdade,
cuja densidade
1

x n/21 ex/2
se x > 0
(2.16)
f(x) =
n
n/2
2 2
Usaremos a seguinte notao para indicar que X tem distribuio qui-quadrado com n graus
de liberdade: X n2 . Usando os resultados dados em (2.14), temos
E(X ) = n2 2 = n
X n2 =
V ar(X ) = n2 22 = 2n
Na Figura 2.12 apresenta-se o grfico da densidade qui-quadrado com 3 graus de
liberdade.
Figura 2.12 Densidade qui-quadrado com 3 g.l.
2.5.1
A tabela da qui-quadrado
Como o parmetro da distribuio qui-quadrado o nmero de graus de liberdade n,

seria necessria uma tabela para cada valor de n, uma vez que no existe qualquer relao
entre diferentes distribuies qui-quadrado, como ocorre no caso da distribuo normal.
Os programas computacionais de estatstica calculam probabilidades associadas a qualquer
distribuio 2 . Mas nos livros didticos, comum apresentar uma tabela da distribuio n2
que envolve os valores crticos, ou seja, valores que deixam determinada probabilidade acima
2 tal
deles. Mais precisamente, o valor crtico da n2 associado probabilidade o valor n;
que
2
P(n2 > n;
)=
Veja a Figura 2.13.
2.5. A DISTRIBUIO QUI-QUADRADO
45
2
Figura 2.13 Valor crtico n, da distribuio n2 : P(n2 > n,
)=
No Apndice A, apresentamos a Tabela 3, que uma apresentao usual dos valores

crticos da distribuio n2 . Nesta tabela, cada linha corresponde a um nmero diferente de
graus de liberdade e cada coluna corresponde a uma rea na cauda superior. No corpo da
2 .
tabela temos o valor crtico n;
EXEMPLO 2.5 Utilizando a Tabela 3
Consulte a Tabela 3 da distribuio qui-quadrado para resolver os seguintes exerccios.
(a) Determine o valor de k tal que P(82 k) = 0, 05.
2 k) = 0, 10.
(b) Determine o valor de k tal que P(12
2 18, 123), determine valores p e p tais que p < p < p .
(c) Se p = P(10
1
2
1
2
(d) Determine valores k1 e k2 tais que k1 < k < k2 quando k tal que P(62 k) = 0, 036.
Soluo
O primeiro ponto a observar que a tabela trabalha com probabilidades na cauda
superior da distribuio.
(a) Temos que olhar na linha correspondente a 8 graus de liberdade e coluna correspondente
2
probabilidade 0,05: k = 8;0,05
= 15, 507.
(b) O problema pede probabilidade 0,10 na cauda inferior, o que corresponde probabilidade
2
0,90 na causa superior, ou seja, k = 12;0,90
= 7, 042
(c) Olhando na linha correspondente a 10 g.l., podemos ver que a abcissa 18,123 est
entre 15,987 e 18,307. As probabilidades acima dessas duas abcissas so 0,10 e 0,05,
respectivamente. Veja as Figuras 2.14 e 2.15. Conclumos, ento, que a probabilidade
acima de 18,123 um valor p tal que 0, 05 < P < 0, 10 - o comando do excel
=1-DIST.QUIQUA(18,123;10;1) retorna a probabilidade exata 0,052923914.
46
Figura 2.14 P( 2 10 > 15, 987) = 0, 10
Figura 2.15 P( 2 10 > 18, 307) = 0, 05
(d) Olhando na na tabela, podemos ver que a probabilidade 0,036 est entre as probabilidades
0,025 e 0,05, ou seja, 0, 025 < 0, 036 < 0, 05. Olhando na linha correspondente a 6 g.l.,
podemos ver que a abcissa correspondente probabilidade 0,025 14,449 e a abcissa
correspondente probabilidade 0,05 12,592. Veja as Figuras 2.16 a 2.18. Conclumos,
ento, que a probabilidade acima de 12, 592 < k < 14, 449. 18,123 um valor p tal que
0, 05 < P < 0, 10 - o comando do excel =INV.QUIQUA(1-0,036;6) retorna a abcissa
exata 13,48119895.
2.5. A DISTRIBUIO QUI-QUADRADO
Figura 2.16 P(62 > 12, 592) = 0, 05
Figura 2.17 P( 2 6 > k) = 0, 036
Figura 2.18 P( 2 6 > 14, 449) = 0, 025
47
48
2.6
2.6.1
Distribuio de Pareto
Funo densidade
DEFINIO Densidade de Pareto

Uma varivel aleatria X tem distribuio de Pareto com parmetros > 0
e b > 0 se sua funo densidade de probabilidade dada por
+1
b
se x b
f(x) =
b
x
0
se x < b
Para mostrar que f(x) realmente define uma funo densidade de probabilidade resta
provar que a integral 1, uma vez que f(x) 0.
Z
b

+1
Z

b
1
x

dx = b
x
dx = b
x
b
b
Essa integral converge apenas se < 0 ou equivalentemente, > 0, pois nesse caso
limx x = limx x1 = 0. Satisfeita esta condio, temos que
b
= 0 b
b
=1
Na Figura 2.19 ilustra-se a densidade de Pareto para = 3 e b = 2.
Figura 2.19 Densidade de Pareto com parmetros = 3 e b = 2
2.6. DISTRIBUIO DE PARETO
2.6.2
49
Esperana e varincia
Se X Pareto(, b) ento
Z
E(X ) =
x
b

+1
Z
+1
b

x dx = b
dx = b
x
+ 1 b
b
Para que essa integral convirja, temos que ter + 1 < 0, ou > 1. Satisfeita esta condio,

b+1
b+1
b
E(X ) = b 0
=
=
+ 1
1
1
O segundo momento
Z
2
E(X ) =

+1
Z
+2
b
+1
x

dx = b
x
dx = b
x
b x
+ 2 b
b
2
Para que essa integral convirja, temos que ter + 2 < 0, ou > 2. Satisfeita esta condio,
E(X ) = b

b+2
b2
b+2
=
=
0
+ 2
2
2
Logo,
Var(X ) =
=
=

b2
b 2 b2 ( 1)2 2 b2 ( 2)
=
2
1
( 1)2 ( 2)

b2 2 2 + 1 ( 2)
b2 2 2 + 1 2 + 2
=
( 1)2 ( 2)
( 1)2 ( 2)
b2
( 1)2 ( 2)
Resumindo:
E(X ) =
1
X Pareto(, b) =
b2
Var(X ) =
( 1)2 ( 2)
2.6.3
se > 1
se > 2
Funo de distribuio
Por definio, F (x) = P(X x) = 0 se x < b. Para x b,

Z x
x
b +1
1
t

F (x) = Pr(X x) =
dt = b
t
dx = b
t
b
b b
b

b
= b x b
=1
x
Z
(2.17)
50

X Pareto(, b) = F (x) =
0
1

b
x
se x < b
se x b
(2.18)
Na Figura 2.20 ilustra-se a funo de distribuio de Pareto com paretros = 3 e

b = 2.
Figura 2.20 Funo de distribuio de Pareto com parmetros = 3 e b = 2
2.7
Exerccios propostos
2.1 Voc est interessado em dar um lance em um leilo de um lote de terra. Voc sabe que
existe um outro licitante. Pelas regras estabelecidas para este leilo, o lance mais alto acima
de R$ 100.000,00 ser aceito. Suponha que o lance do seu competidor seja uma varivel
aleatria uniformemente distribuda entre R$ 100.000,00 e R$ 150.000,00.
(a) Se voc der um lance de R$120.000,00, qual a probabilidade de voc ficar com o lote?
(Resp.: 0, 4)
(b) Se voc der um lance de R$140.000,00, qual a probabilidade de voc ficar com o lote?
(Resp.: 0, 8)
2.2 Seja X uma varivel aleatria com distribuio exponencial de mdia 8. Calcule as
seguintes probabilidades:
(a) P(X > 10) (Resp.: 0, 286505)
(b) P(X > 8) (Resp.: 0.36788)
(c) P(5 < X < 11) (Resp.: 0, 28242)
2.3 O tempo entre chegadas de automveis num lava-jato distribudo exponencialmente,
com uma mdia de 12 minutos.
51
(a) Qual a probabilidade de que o tempo entre chegadas de veculos neste lava-jato seja
maior que 10 minutos? (Resp.: 0, 43460)
(b) Qual a probabilidade de que o tempo entre chegadas de veculos neste lava-jato seja
menor que 8 minutos? (Resp.: 0, 48658)
2.4 Consulte a Tabela 3 (Apndice A) da distribuio qui-quadrado para resolver os seguintes
exerccios.
2 k) = 0, 025. (Resp.: 32, 852)
(a) Determine o valor de k tal que P(19
2 k) = 0, 05. (Resp.: 8, 672)
(b) Determine o valor de k tal que P(17
2 13, 43), determine valores p e p tais que p < p < p . (Resp.:
(c) Se p = P(15
1
2
1
2
p1 = 0, 50; p2 = 0, 70; valor exato de p 0,569122081.)
2 k) = 0, 017.
(d) Determine valores k1 e k2 tais que k1 < k < k2 quando k tal que P(26
(Resp.: k1 = 42, 856; k2 = 45, 642. O valor exato de k 43,52333776.)
52
Captulo 3
Funes de Variveis Aleatrias

Contnuas
Dada uma varivel aleatria contnua X com funo de densidade fX (x), muitas vezes
estamos interessados em conhecer a densidade de uma outra varivel aleatria Y = g(x)
definida como uma funo de X . Vamos apresentar alguns exemplos que ilustram dois mtodos
comuns. O primeiro utiliza a relao entre a funo densidade e a funo de distribuio e o
segundo se aplica quando a funo g inversvel.
3.1
Mtodo da funo de distribuio
EXEMPLO 3.1 Transformaes da uniforme
Seja X Unif(1, 1). Vamos calcular a funo densidade das novas variveis aleatrias
Y = g(X ) = X 2 e W = h(X ) = |X |. Para isso usaremos a funo de distribuio e sua relao
com a funo de densidade dada por
0
fX (x) = FX (x)
Temos que

fX (x) =
1
2
1<x <1
x 1 ou x 1

1 < x < 1
53
0 g(x) < 1
0 h(x) < 1
(3.1)
54
CAPTULO 3. FUNES DE VARIVEIS ALEATRIAS CONTNUAS

Para calcular a funo de densidade de probabilidade de Y = g(X ) = X 2 devemos notar
que
FY (y) = P(Y y) = P(X 2 y)

= P yX y
= P(X y) P(X < y)
= P(X y) P(X y)

y FX y
= FX
e, portanto, usando (3.1) e a regra da cadeia para clculo de derivada de funes compostas,
obtemos
d
[FY (y)]
dy
d
d

FX
y
FX y
=
dy
dy

1
1

= FX0
y FX0 y
2 y
2 y
1
1
= fX
y + fX y
2 y
2 y
fY (y) =
Como 0

y < 1 e 1 < y 0, resulta que fX
y = fX y = 12 . Logo
fY (y) =
2 y
0
se 0 y < 1
caso contrrio
De modo anlogo, para 0 w < 1

FW (w) = Pr(W w) = Pr(|X | w) = Pr(w X w) =
= FX (w) FX (w)
e, portanto
0
fW (w) = FW
(w) = FX0 (w) FX0 (w)(1) =
= fX (w) + fX (w)
Como 0 w < 1 e 1 < w 0, resulta que fX (w) = fX (w) = 12 . Logo

fW (w) =
que a densidade uniforme padro.
1
0
se 0 y < 1
caso contrrio

3.2. FUNES INVERSVEIS
3.2
55
Funes inversveis
EXEMPLO 3.2 Transformao da uniforme
de Y .
Sejam X Unif(0, 1) e Y = ln X . Vamos calcular a funo densidade de probabilidade

Soluo
A funo densidade de de X

fX (x) =
1 se 0 < x < 1
0 se x 0 ou x 1
e sua funo de distribuio
0 se x < 0
x se 0 < x < 1
FX (x) =
1 se x 1
(3.2)
Vamos calcular a funo de distribuio de Y = g(X ) = ln X , observando algumas

propriedades da funo y = g(x) = ln x, cujo grfico dado na Figura 3.1. Tal funo est
definida para todo x > 0 e para esse domnio, sua imagem o conjunto dos reais.
Figura 3.1 Grfico da funo y = g(x) = ln x

Como esta uma funo estritamente decrescente, ela inversvel e sua inversa
calculada da seguinte maneira:
y = g(x) = ln x ln x = y g1 (y) = x = ey
yR
(3.3)
Da definio de funo estritamente crescente, resulta que (veja a Figura 3.2):

g(x) y x g1 (y)
(3.4)
56
Figura 3.2 Inversa de uma funo decrescente

Em termos das variveis aleatrias X e Y , os valores possveis de X esto no intervalo
(0, 1) (segmento em azul na Figura 3.2), e os valores possveis de Y esto em R+ . Veja a curva
em vermelho na Figura 3.2.
Usando (3.4), temos que, para y > 0
FY (y) = P(Y y) = P[X g1 (y)] = 1 P[X < g1 (y)]
FY (y)
=
|{z}
X contnua
1 FX [g1 (y)] |{z}

= 1 g1 (y) |{z}
= 1 ey
(3.2)
Logo,
FY (y) =
e
fY (y) =
(3.5)
(3.3)
y0
1 ey y > 0
dFY (y)
=
dy
y0
ey y > 0
Note que essa a densidade exponencial com parmetro igual a 1.

EXEMPLO 3.3 Transformao linear
Seja X uma varivel aleatria contnua com funo densidade fX e funo de distribuio
FX . Se Y = g(X ) = aX + b em que a 6= 0 e b so constantes, determine a funo densidade
de Y .
Soluo
Vamos calcular a funo de distribuio de Y = g(X ) = aX +b observando propriedades
da funo y = g(x) = ax + b, que uma funo linear e, portanto, inversvel, com inversa
57
dada por
y = g(x) = ax + b x = g1 (y) =
yb
a
(3.6)
O sinal da inclinao depende do valor de a. Vamos analisar os dois casos, ilustrados

nas Figuras 3.3 e 3.4, em que a > 0 e a < 0, respectivamente.
Figura 3.3 y = g(x) = ax + b, a > 0
Figura 3.4 y = g(x) = ax + b, a < 0
a > 0 funo linear crescente

Da Figura 3.3 podemos ver que
g(x) y x g1 (y)
Em termos das variveis aleatrias X e Y , usando (3.6), temos que

yb
yb
1
FY (y) = P(Y y) = P[g(X ) y] = P[X g (y)] = P X
= FX
a
a
Logo,
fY (y) =
FY0 (y)
1
= FX0
a
yb
a

1
= fX
a
yb
a

1
=
fX
|a|
yb
a

(3.7)
a < 0 funo linear decrescente

Da Figura 3.4 podemos ver que
g(x) y x g1 (y)
Em termos das variveis aleatrias X e Y , usando (3.6), temos que
FY (y) = P(Y y) = P[g(X ) y] = P[X g1 (y)] = 1 P[X < g1 (y)]

h
i
yb
1
= 1 FX g (y) = 1 FX
a
Como a < 0, resulta que a > 0, ou seja, a = |a|. Logo,

1 0 yb
1
yb
1
yb
0
fY (y) = FY (y) = FX
= fX
=
fX
a
a
a
a
|a|
a
(3.8)
58

Os dois resultados (3.7) e (3.8) constituem a prova do
TEOREMA 3.1
Seja X uma varivel aleatria contnua com funo densidade fX (x). Se Y = aX + b,
a 6= 0 e b so constantes, ento

1
yb
fY (y) =
(3.9)
fX
|a|
a
H
EXEMPLO 3.4 Mais sobre transformao linear
Se a funo densidade da varivel aleatria X dada por

3x 2 1 x 0
f(x) =
0 x < 1 ou x > 0
calcule a funo densidade de Y = 2X 35 , bem como sua esperana e sua varincia.
Soluo
Temos aqui uma transformao linear crescente com a = 2 e b = 0, 6. Como 1 x
0, resulta que 2, 6 y 0, 6. Logo,

y + 0, 6
1
fY (y) = fX
se 2, 6 y 0, 6
2
2
ou seja

fY (y) = 3
y + 0, 6
2
2
1
3
= (y + 0, 6)2
2
8
se 2, 6 y 0, 6
Pelas propriedades da esperana e da varincia, se Y = 2X

E(Y ) = 2 E(X )
3
5
ento
3
5
Var(Y ) = 4 Var(X )
Z
E(X ) =

x3x dx =
2
0
x 4
3
6 3
30 12
3
= = E(Y ) = =
= 2, 1

4 1
4
4 5
20
5 0

x
3
3
3 2 48 45
3
E(X ) =
x 3x dx = 3
= = V ar(X ) =
=
=

5 1 5
5
4
80
80
1
3
3
= V ar(Y ) = 4
=
= 0, 15
80
20
Z
Podemos, tambm, calcular E(Y ) e E2 (Y ) a partir da funo densidade de Y :

0,6
3 3
3 y4
y3
y2
2
(y + 1, 2y + 0, 36y)dy =
+ 1, 2 + 0, 36
8 4
3
2 2,6
2,6 8
2,6

3 (0, 6)4
3 (2, 6)4
3
2
3
2
+ 0, 4(0, 6) + 0, 18(0, 6)
+ 0, 4(2, 6) + 0, 18(2, 6)
8
4
8
4
Z
E(Y ) =
E(Y ) =
0,6
0,6
3
y (y + 0, 6)2 dy =
8
3
3
[(0, 0324 0, 0864 + 0, 0648) (11, 4244 7, 0304 + 1, 2168)] = (0, 0108 5, 6108) = 2, 1
8
8

0,6
3 4
3 y5
y4
y3
3
2
y (y + 0, 6) dy =
(y + 1, 2y + 0, 36y )dy =
+ 1, 2 + 0, 36
8
8 5
4
3 2,6
2,6
2,6 8

3 (2, 6)5
3 (0, 6)5
+ 0, 3(0, 6)4 + 0, 12(0, 6)3
+ 0, 3(2, 6)4 + 0, 12(2, 6)3
8
5
8
5
Z
2
59
0,6
23
0,6
3
[0, 002592 (12, 162592)] = 4, 56
8
Logo, Var(Y ) = 4, 56 2, 12 = 0, 15.
60
Captulo 4
A Distribuio Normal
Neste captulo estudaremos uma das principais distribuies contnuas.
4.1
Alguns resultados de Clculo

Com o uso de coordenadas polares, pode-se mostrar que
Z
0
r
2
t
exp
dt =
2
2
(4.1)
Como o integrando uma funo par, temos tambm que

r
2
2
Z

t
t
dt = 2
dt = 2
= 2
exp
exp
2
2
2
ou ainda
EXEMPLO 4.1 Clculo de de
1
2
t2
exp
2

dt = 1
Da definio da funo gama, temos que

Z
(1/2) =
x 1/21
Z
dx =
0
Considere a seguinte transformao de varivel:

x=
t2
2
61
ex
dx
x
(4.2)
62
CAPTULO 4. A DISTRIBUIO NORMAL
Ento,
dx
tdt
0t=0
x t
Logo,
Z
(1/2) =
t
eq
2 /2
t2
2
tdt =
Z
2
(1/2) =
4.2.1
t 2 /2
ou seja:
4.2
dt = 2
(4.3)
Densidade normal padro

Definio
2
1
t
Analisando a equao (4.2), vemos que a funo
exp
satisfaz as condies
2
2
para ser uma funo densidade.
DEFINIO Densidade normal padro

A varivel aleatria Z tem distribuio normal padro se sua funo
densidade dada por
2
1
z
(z) =
exp
(4.4)
2
2
para todo z R. Vamos denotar por N(0; 1) a densidade normal padro
e, se uma varivel aleatria Z distribuda segundo uma normal padro,
representaremos esse fato como Z N(0; 1).
4.2.2
Esperana e varincia
Considere a expresso da densidade normal padro dada em (4.4). Podemos ver que o
expoente de x 2, o que significa que (z) = (z), ou seja, (z) simtrica em torno de 0.
Resulta, ento, que
Z N(0; 1) = E(Z ) = 0
4.2. DENSIDADE NORMAL PADRO

Como E(Z ) = 0 ento
Z
Var(Z ) = E(Z 2 ) =
63
2
2
Z +
x
x
1
1
2
x exp
exp
dx =
dx
x
2
2
2
2
2
Note que o integrando uma funo simtrica em torno de 0 (veja a Figura 4.1). Resulta,
ento, que (note os limites de integrao)
Z
1
Var(Z ) = E(Z 2 ) = 2
2
2
x
dx
x 2 exp
2
Figura 4.1 Grfico de f(x) = x 2 exp
x2
2
Esta integral calculada usando-se o mtodo de integrao por partes. Fazendo:

2
2
x
x
x exp
dx = dv v = exp
2
2
x = u dx = du
obtemos
Z
2
2
Z
x 2
x
x
2
x exp
=
exp
dx +
x exp
dx
2 0
2
2
0
0

(4.5)
Pelos resultados (2.5) e (4.1) resulta

r
r
2
2
Z
Z
x
x
2
2
0=
+
x exp
dx =
x exp
dx =
2
2
2
2
0
0
Logo,
r
2
Var(Z ) =
Var(Z ) = 1
2
(4.6)
64

Resumindo:

Z N(0; 1)
4.2.3
E(Z ) = 0
Var(Z ) = 1
(4.7)
Caractersticas da curva normal padro
1. Simtrica em torno de 0; note que (x) = (x) .

2. Assntotas:
que limx
lim (x) = lim (x) = 0; esse resultado segue diretamente do fato de
x
ex = 0
3. Ponto de mximo
Para calcular a primeira e segunda derivadas de (x), devemos lembrar que (ex )0 = ex
e, pela regra da cadeia, (eg(x) )0 = eg(x) g0 (x). Aplicando esses resultados densidade
normal padro, obtemos que:
2

x
1
1
0
exp
2x = (x)x
(4.8)
(x) =
2
2
2
Derivando novamente, obtemos:
00 (x) = 0 (x)x (x) = [(x)x] x (x)
= (x)x 2 (x) = (x)(x 2 1)
(4.9)
Analisando a equao (4.8) e lembrando que (x) > 0, pode-se ver que:
0 (x) = 0 x = 0
e assim, x = 0 um ponto crtico. Como 0 (x) > 0 para x < 0 e 0 (x) < 0 para x > 0,
ento crescente esquerda de 0 e decrescente direita de 0. Segue, ento, que
x = 0 um ponto de mximo e nesse ponto
1
(0) =
2
(4.10)
4. Pontos de inflexo
Analisando a segunda derivada dada por (4.9), tem-se que:
00 (x) = 0 x 2 1 = 0 x = 1
(4.11)
Alm disso,
00 (x) > 0 x 2 1 > 0 x 2 > 1 x > 1
e
ou
x < 1
00 (x) < 0 x 2 1 < 0 x 2 < 1 1 < x < 1
Logo, (x) cncava para cima se x > 1 ou x < 1 e cncava para baixo quando
1 < x < +1.
Na Figura 4.2 temos o grfico da densidade normal padro; a as linhas pontilhadas
indicam a ocorrncia dos pontos de inflexo
65
Figura 4.2 Densidade normal padro
4.2.4
A funo de distribuio acumulada de qualquer varivel aleatria X definida por

FX (X ) = Pr (X x) . No caso da densidade normal padro, essa funo dada pela integral
Z
(x) =

1
1 2
exp t dt
2
2
(4.12)
para a qual no existe uma antiderivada em forma de funo elementar. Assim, a funo
de distribuio acumulada da normal padro calculada por integrao numrica. Todos
os pacotes estatsticos possuem rotinas especiais para esse clculo. No EXCEL, a funo
DIST.NORMP calcula P (Z x) para qualquer x, onde Z N(0; 1).
4.2.5
A Tabela da Normal Padro
Vimos anteriormente que o clculo de probabilidades associadas a variveis aleatrias

contnuas envolve clculo de reas sob a curva densidade (mais precisamente, clculo de
integral da fdp). Isso, obviamente, continua valendo para a densidade normal. A diferena
est no fato de que o clculo de reas sob a curva normal envolve mtodos numricos mais
complexos e, para facilitar esses clculos, podemos usar uma tabela em que alguns valores j
se encontram calculados.
Este curso ter como base a Tabela 1 apresentada no Apndice A, embora muitos
livros utilizem a tabela da distribuio acumulada dada na Tabela 2 do mesmo apndice,
que discutiremos no final desta seo.
A Tabela 1 ser usada para calcular probabilidades associadas a uma varivel aleatria
normal padro Z . Assim, com essa tabela, poderemos calcular probabilidades do tipo P(Z >
1), P(Z 3), P(1 Z 2) etc.
66
Vamos analisar cuidadosamente esta tabela. A partir do cabealho e do grfico na

tabela, podemos ver que as entradas no corpo da tabela fornecem probabilidades do tipo
P(0 Z z). Com relao abcissa z, seus valores so apresentados na tabela ao longo
da coluna lateral esquerda em conjunto com a linha superior, ambas sombreadas de cinza.
Na coluna esquerda, temos a casa inteira e a primeira casa decimal; na linha superior,
temos a segunda casa decimal. Por exemplo, ao longo da primeira linha da tabela, temos
probabilidades associadas s abcissas 0,00; 0,01; 0,02, . . . , 0,09; na segunda linha da tabela,
temos probabilidades associadas s abcissas 0,10; 0,11; 0,12; . . . , 0,19; na ltima linha da
tabela, temos probabilidades associadas s abcissas 4,00; 4,01; 4,02; . . . ; 4,09.
A entrada 0,00000 no canto superior esquerdo da tabela corresponde seguinte
probabilidade: P(0 Z 0, 00), ou seja, P(Z = 0) e, como visto, essa probabilidade
nula, uma vez que, para qualquer varivel aleatria contnua X , P(X = x0 ) = 0. A segunda
entrada na primeira linha, 0,00399, corresponde a P(0 Z 0, 01), que a rea sob a
curva densidade normal padronizada compreendida entre os valores 0 e 0,01 (veja o grfico
na tabela).
Note que esta tabela apresenta probabilidades correspondentes a abcissas positivas, ou
seja, esta tabela trata de rea sob a curva no lado positivo do eixo. Para calcular reas no lado
negativo, teremos de usar o fato de a curva da densidade normal ser simtrica. Sempre faa
um esboo da curva densidade, sombreando a rea correspondente probabilidade desejada;
isso lhe ajudar no clculo da probabildiade. Vamos terminar esta seo apresentando vrios
exemplos de clculos de probabilidades de uma v.a. Z com distribuio normal padro, ou seja,
no que segue, Z N(0; 1). Os exemplos apresentados cobrem todas as situaes possveis.
Assim, importante que voc entenda bem a situao ilustrada por cada um dos exemplos,
para poder aplicar o mtodo de soluo adequano aos novos exerccios.
Para simplificar a soluo dos exerccios, vamos adotar a seguinte notao.
Entradas da Tabela 1 do Apndice A
Vamos representar por tab(z) as entradas da Tabela 1 do Apndice A, ou

seja,
tab(z) = P(0 Z z)
EXEMPLO 4.2 P(0 Z 1, 22)
Veja as Figuras 4.3 e 4.4. Essa probabilidade dada diretamente na Tabela 1, utilizando
a entrada correspondente linha 1,2 e coluna com o valor 2. O resultado
P(0 Z 1, 22) = tab(1, 22) = 0, 3888
67
e 1a . Decimal
0,0
0,0000
0,0040
0,0080
0,0120
0,1
0,0398
0,0438
0,0478
0,0517
0,9
0,3159
0,3186
0,3212
0,3238
1,0
0,3413
0,3438
0,3461
0,3485
1,1
0,3643
0,3665
0,3686
0,3708
1,2
0,3849
0,3869
0,3888
0,3907
1,3
0,4032
0,4049
0,4066
0,4082
Figura 4.3 P(0 Z 1, 22) como
Figura 4.4 P(0 Z 1, 22) - Uso
rea
da tabela

EXEMPLO 4.3 P(1 Z 2)
Note que este exemplo trata da rea (probabilidade) entre duas abcissas positivas. Na
Figura 4.5 ilustra-se a rea (probabilidade) desejada. Note que esta rea pode ser obtida
pela diferena entre as reas das Figuras 4.6 e 4.8, cujos valores so encontrados na Tabela
1 conforme ilustram as Figuras 4.7 e 4.9.
Figura 4.5 P(1 Z 2) como rea

e 1a. Decimal
0,0
0,0000
0,0040
0,0080
0,0120
0,0160
0,1
0,0398
0,0438
0,0478
0,0517
0,0557
0,2
0,0793
0,0832
0,0871
0,0910
0,0948
1,8
0,4641
0,4649
0,4656
0,4664
0,4671
1,9
0,4713
0,4719
0,4726
0,4732
0,4738
2,0
0,4772
0,4778
0,4783
0,4788
0,4793
2,1
0,4821
0,4826
0,4830
0,4834
0,4838
Figura 4.7 P(0 Z 2) - Uso da

tabela
68

e 1a. Decimal
0,0
0,0000
0,0040
0,0080
0,0120
0,0160
0,1
0,0398
0,0438
0,0478
0,0517
0,0557
0,2
0,0793
0,0832
0,0871
0,0910
0,0948
0,8
0,2881
0,2910
0,2939
0,2967
0,2995
0,9
0,3159
0,3186
0,3212
0,3238
0,3264
1,0
0,3413
0,3438
0,3461
0,3485
0,3508
1,1
0,3643
0,3665
0,3686
0,3708
0,3729
Figura 4.9 P(0 Z 1) - Uso da

tabela
Concluimos, ento, que

P(1 Z 2) = P(0 Z 2)P(0 Z 1) = tab(2, 0)tab(1, 0) = 0, 47720, 3413 = 0, 1359

EXEMPLO 4.4 P(Z 1)
Note que este exemplo trata da rea (probabilidade) direita () de uma abcissa
positiva. Na Figura 4.10 ilustra-se a rea (probabilidade) desejada. Note que esta rea pode
ser obtida pela diferena entre as reas das Figuras 4.11 e 4.12. A primeira rea corresponde
probabilidade P(Z 0) e igual a 0,5, pois a mdia = 0 o eixo de simetria e a rea
total 1. Logo, P(Z 0) = P(Z 0) = 0, 5. A segunda rea vem direto da Tabela 1.
Figura 4.10 P(Z 1)
Figura 4.11 P(Z 0)
Figura 4.12 P(0 Z 1)
69

P(Z 1) = P(Z 0) P(0 Z 1) = 0, 5 tab(1, 0) = 0, 5 0, 3413 = 0, 1587

EXEMPLO 4.5 P(Z 1)
Note que este exemplo trata da rea (probabilidade) esquerda () de uma abcissa
positiva. Na Figura 4.13 ilustra-se a rea (probabilidade) desejada. Note que esta rea
pode ser obtida pela soma das reas das Figuras 4.14 e 4.15. A primeira rea corresponde
probabilidade P(Z 0) e igual a 0,5, conforme visto no exemplo anterior.
Figura 4.13 P(Z 1)
Figura 4.14 P(Z 0)
Figura 4.15 P(0 Z 1)

P(Z 1) = P(Z 0) + P(0 Z 1) = 0, 5 + tab(1, 0) = 0, 5 + 0, 3413 = 0, 8413

EXEMPLO 4.6 P(Z 0, 5)
Note que este exemplo trata da rea (probabilidade) esquerda () de uma abcissa
negativa e, agora, comeamos a trabalhar com abcissas negativas. Na Figura 4.16 ilustra-se
70
a rea (probabilidade) desejada. Pela simetria da curva densidade normal, resulta que essa
rea igual rea ilustrada na Figura 4.17.
Figura 4.16 P(Z 0, 5)
Figura 4.17 P(Z 0, 5)
P(Z 0, 5) = P(Z 0, 5) = 0, 5P(0 Z < 0, 5) = 0, 5tab(0, 5) = 0, 50, 1915 = 0, 3085

Note que este exemplo trata da rea (probabilidade) direira () de uma abcissa
negativa. Na Figura 4.18 ilustra-se a rea (probabilidade) desejada. Essa rea a soma das
reas representadas nas Figuras 4.19 e 4.20. Essa ltima rea, por sua vez, igual area
representada na Figura 4.21, pela simetria da curva densidade.
Figura 4.18 P(Z 0, 5)
Figura 4.19 P(Z 0)
Figura 4.20 P(0, 5 Z 0)
71
Figura 4.21 P(Z 0, 5)

P(Z 0, 5) = P(0, 5 Z 0) + P(Z 0)
= P(0 Z < 0, 5) + 0, 5 = tab(0, 5) + 0, 5 = 0, 1915 + 0, 5 = 0, 6915

EXEMPLO 4.8 P(2, 1 Z 1, 4)
Note que este exemplo trata da rea (probabilidade) entre duas abcissas negativas. Na
Figura 4.22 ilustra-se a rea (probabilidade) desejada. Por simetria, essa rea igual rea
ilustrada na Figura 4.23, j analisada no Exemplo 4.3.
Figura 4.22 P(2, 1 Z 1, 4)
Figura 4.23 P(1, 4 Z 2, 1)

P(2, 1 Z 1, 4) = P(1, 4 Z 2, 1) = P(0 Z 2, 1) P(0 Z 1, 4)
= tab(2, 1) tab(1, 4) = 0, 4821 0, 4192 = 0, 0629

72
EXEMPLO 4.9 P(2, 1 Z 1, 4)

Note que este exemplo trata da rea (probabilidade) entre duas abcissas, uma negativa
e outra positiva. Na Figura 4.24 ilustra-se a rea (probabilidade) desejada. Essa rea a
soma das reas representadas nas Figuras 4.25 e 4.26. Por simetria, essa ltima rea igual
rea sombreada na Figura 4.27, o que nos leva cocnluso de que
P(2, 1 Z 1, 4) = P(0 Z 1, 4) + P(2, 1 Z 0)
= P(0 Z 1, 4) + P(0 Z 2, 1) = tab(1, 4) + tab(2, 1)
= 0, 4821 + 0, 4192 = 0, 9013
4.2.6
Figura 4.24 P(2, 1 Z 1, 4)
Figura 4.25 P(0 Z 1, 4)
Figura 4.26 P(2, 1 Z 0)
Figura 4.27 P(0 Z 2, 1)
A Tabela da Distribuio Acumulada da Normal Padro
Muitos livros trabalham com a tabela da funo de distribuio acumulada da normal

padro, que representaremos pela letra grega fi maiscula, :
(z) = P(Z z).
A Tabela 2 do Apndice A apresenta os valores de (z) para z 0. Vamos usar essa
tabela para refazer os exemplos vistos anteriormente, que sero apresentados em uma ordem
diferente, mais idaticamente apropriada para esse contexto.
73
EXEMPLO 4.10 P(Z 1)

Essa probabilidade resulta diretamente da definio de distribuio acumulada:
P(Z 1) = (1, 0) = 0, 8413

EXEMPLO 4.11 P(Z 1)
Pela lei do complementar, temos que
P(Z 1) = 1 P(Z < 1)
Mas, como Z uma varivel aleatria contnua, sabemos que P(Z = z) = 0. Logo
P(Z < z) = P(Z z)
Logo,
P(Z 1) = 1 P(Z < 1) = 1 P(Z 1) = 1 (1, 0) = 1 0, 8413 = 0, 1587

Vimos, no Exemplo 4.6, que
P(Z 0, 5) = P(Z 0, 5)
Logo,
P(Z 0, 5) = P(Z 0, 5) = 1P(Z < 0, 5) = 1P(Z 0, 5) = 1(0, 5) = 10, 6915 = 0, 3085

Veja as Figuras 4.28 e 4.29.
P(Z 0, 5) = 1 P(Z < 0, 5) = 1 P(Z > 0, 5) = 1 [1 P(Z 0, 5)]
= P(Z 0, 5) = (0, 5) = 0, 6915
Figura 4.28 P(Z 0, 5)
Figura 4.29 P(Z 0, 5)
74

EXEMPLO 4.14 P(0 Z 1, 22)

Veja as Figuras 4.3, 4.30 e 4.31.
P(0 Z 1, 22) = P(Z 1, 22) P(Z 0) = (1, 22) 0, 5 = 0, 8888 0, 5 = 0, 3888
Figura 4.30 P(Z 1, 22)
Figura 4.31 P(Z 0)

EXEMPLO 4.15 P(1 Z 2)

Veja as Figuras 4.5, 4.32 e 4.33.
P(1 Z 2) = P(Z 2) P(Z < 1) = P(Z 2) P(Z 1) = (2, 0) (1, 0)
= 0, 9772 0, 8413 = 0, 1359

Figura 4.32 P(Z 0, 5)
Figura 4.33 P(Z 0, 5)
EXEMPLO 4.16 P(2, 1 Z 1, 4)

Usando os resultados do Exemplo 4.15, temos que
P(2, 1 Z 1, 4) = P(1, 4 Z 2, 1) = (2, 1) (1, 4) = 0, 9821 0, 9192 = 0, 0629
4.3. A VARIVEL ALETRIA N(; 2 )
75

EXEMPLO 4.17 P(2, 1 Z 1, 4)
Usando os resultados do Exemplo 4.12, temos que

P(2, 1 Z 1, 4) = (1, 4) P(Z < 2, 1) = (1, 4) (2, 1)
= (1, 4) [1 (2, 1)] = 0, 9192 [1 0, 9821] = 0, 9013

4.3
4.3.1
A varivel aletria N(; 2 )

Definio
Seja Z N(0; 1) e vamos definir uma nova varivel aleatria X = g(Z ) = + Z , em

que > 0. Usando o Teorema 3.1, temos que:

x 1
1
1 x 2
1
=
exp
fX (x) = fZ
2
ou ainda:
1 x 2
exp
fX (x) =
2
2 2
e essa a densidade normal N(; 2 )
DEFINIO A densidade N(, 2 )

Uma varivel aleatria contnua X , definida para todos os valores em R,
tem densidade normal com parmetros e 2 , onde < < e
0 < 2 < , se sua funo densidade de probabilidade dada por

1
(x )2
exp
<x <
.
(4.13)
f(x) =
2 2
2 2
Usaremos a seguinte notao para indicar que uma varivel aleatria X
tem distribuio normal com parmetros e 2 : X N(; 2 ).
4.3.2
Caractersticas da curva normal
1. Simtrica em torno de ; note que f ( x) = f ( + x) .
76

2. Assntotas:
lim f(x) = lim f(x) = 0; esse resultado segue diretamente do fato de que
limx ex = 0
3. Ponto de mximo
Para calcular a primeira e segunda derivadas de f(x), devemos lembrar que (ex )0 = ex
e, pela regra da cadeia, (eg(x) )0 = eg(x) g0 (x). Aplicando esses resultados densidade
normal, obtemos que:

x
(x )2
1
1
0
exp
2(x
)
=
f(x)
(4.14)
f (x) =
2 2
2 2
2
2 2
Derivando novamente, obtemos:
h
x i h x i
x
00
1
1
=
f(x)
f(x)
f(x) 2 =
f (x) = f 0 (x)
2
2
2
2

(x )2
1
(x )2 2
= f(x)
f(x) 2 = f(x)
(4.15)
4
4
Analisando a equao (4.14) e lembrando que f(x) > 0, pode-se ver que:
f 0 (x) = 0 x =
e assim, x = um ponto crtico. Como f 0 (x) > 0 para x < e f 0 (x) < 0 para x > ,
ento f crescente esquerda de e decrescente direita de . Segue, ento, que
x = um ponto de mximo e nesse ponto
1
f() =
2 2
(4.16)
4. Pontos de inflexo
Analisando a segunda derivada dada por (4.15), tem-se que:

00
x =+
2
2
f (x) = 0 (x ) = |x | =
x =
(4.17)
Alm disso,
00
f (x) > 0 (x )2 > 2 |x | >

x >
ou
x >
x >+
ou
x <
(4.18)
e
00
f (x)
<
0 (x )2 < 2 |x | <

x <
<x <+
x <
(4.19)
Logo, f(x) cncava para cima se x > + ou x < e cncava para baixo quando
< x < + .
Na Figura 4.34 apresentado o grfico da densidade normal no caso em que = 3 e

= 1. As linhas pontilhadas passam pelos pontos de inflexo 3 1.
77
Figura 4.34 Densidade normal com mdia = 3 e varincia 2 = 1
4.3.3
Parmetros da N ; 2

Se X N ; 2 , ento X = + Z , em que Z N(0; 1). Das propriedades de mdia e
varincia, sabemos que, se X uma varivel aleatria e k1 6= 0 e k2 so constantes quaisquer,
ento
E(k1 X + k2 ) = k1 E(X ) + k2
Var(k1 X + k2 ) = k12 Var (X )

Resulta, ento, que se X N ; 2 ento
E(X ) = + E(Z ) = + 0 E (X ) =
e
Var (X ) = 2 Var (Z ) = 2 1 Var (X ) = 2

Resumindo:

X N ; 2 =
E(X ) =
Var(X ) =
(4.20)
Os parmetros da densidade normal so, ento, a mdia e a varincia, que so medidas

de posio e disperso, respectivamente. Valores diferentes de deslocam o eixo de simetria
da curva e valores diferentes de 2 mudam a disperso da curva. Quanto maior 2 , mais
espalhada a curva; mas o ponto de mximo, dado pela equao (4.16), inversamente
proporcional a 2 . Logo, quanto maior 2 , mais espalhada e mais achatada a curva. A
78
questo que a forma sempre a de um sino. Na Figura 4.35 temos exemplos densidades
normais com a mesma varincia, mas com mdias diferentes. O efeito o delocamento da
densidade. J na Figura 4.36, temos duas densidades com a mesma mdia, mas varincias
diferentes. O efeito que a densidade com maior varincia mais dispersa e achatada.
Figura 4.35 Densidades normais

com mesma varincia e mdias
diferentes
4.3.4
Figura 4.36 Densidades normais

com mesma mdia e varincias
diferentes
Como no caso da normal padro, a funo de distribuio acumulada no pode ser

calculada diretmanete, sendo necessrios programas computacionais.Com o auxlio da funo
DISTR.NORM do Excel foi obtida a Figura 4.37. onde temos os grficos da funo de
distribuio acumulada para as densidades N(0, 1), N(3, 1) e N(3, 2).
Figura 4.37 Funo de distribuio de vrias densidades normais

Note que, pela simetria da densidade em torno da mdia , sempre teremos () = 0, 5.
4.3.5
79
Clculos com a distribuio normal
Nesta seo sero apresentados resultados bsicos sobre a distribuio normal, que
permitiro que voc calcule probabilidades associadas a qualquer varivel aleatria normal,
e isso ampliar o escopo de aplicaes prticas.
Na seo anterior, voc viu como usar tabelas da distribuio normal padro para
calcular probabilidades associadas varivel Z N(0; 1). Essas tabelas, ou softwares
especializados, so necessrios para fazer os clculos, pois no existem mtodos diretos para
calcular reas sob a curva da densidade normal padro. Mas as tabelas vistas referiam-se
distribuio N(0; 1). Ser que teremos que usar uma tabela diferente para outros valores
da mdia e do desvio-padro ? Felizmente, a resposta NO, graas a uma propriedade
muito interessante da distribuio normal que estabelece o seguinte resultado:
Padronizao da distribuio normal N(; 2 )

Se X N ; 2 , ento
Z=
(4.21)
tem distribuio N(0; 1).
Note que a transformao dada em (4.3.5) uma transformao linear, que biunvoca.
Vejamos como usar esse resultado para calcular probabilidades de uma v.a. normal qualquer.
Suponhamos, por exemplo, que se deseje calcular P(X 3), em que X N(1; 2), ou seja, X
uma v.a. normal com mdia 1 e varincia 2. Temos a seguinte equivalncia de eventos
X 3
X 1
31

2
2
uma vez que subtramos a mesma constante e dividimos pela mesma constante positiva em
ambos os lados da desigualdade. Mas, pelo resultado acima, Z = X1
N(0; 1). Logo,
2

P(X 3) = P
X 1
31

2
2

31
=P Z
2
e camos novamente no clculo de probabilidades da Normal padro, que feito com auxlio
das Tabelas 1 e 2, apresentadas na seo anterior. Completando o clculo, obtemos:

31
P(X 3) = P Z
= P(Z 1, 41)
2
= 0, 5 + tab(1, 41) = (1, 41) = 0, 9207
Na Figura 4.38 representa-se a probabilidade P(X 3) e na Figura 4.39, P(Z 1, 41).
Pelo resultado acima, essas duas reas so iguais.
80
Figura 4.38
P(X 3) X N(1; 2)
Figura 4.39 P(Z 1, 41)
interessante lembrar que a transformao dada na equao (4.3.5) corresponde ao

clculo do escore padronizado associado abcissa x. Assim, clculos de probabilidades de
v.a. normais sempre envolvero o clculo do escore padronizado da(s) abscissa(s) de interesse.
Agora, vamos apresentar vrios exemplos para fixar os conceitos e procedimentos. %
importante que voc estabelea a equivalncia dos eventos definidos pela distribuio normal
de interesse e pela normal padro. Como antes, faa um esboo do grfico das curvas normais
sombreando a rea desejada.
EXEMPLO 4.18 X N(3; 9) P(1 X 4)
1 3
X 3
43
P(1 X 4) = P

9
9
9
= P (1, 33 Z 0, 33)
= (0, 33) (1, 33) = 0, 62930 0, 09176

= tab(0, 33) + tab(1, 33) = 0, 12930 + 0, 40824
= 0, 53754

EXEMPLO 4.19 X N(2; 5) P(1 X 7)
X 2
72
12
P(1 X 7) = P
5
5
5
= P (0, 45 Z 2, 24)
= (2, 24) (0, 45) = (2, 24) [1 (0, 45)] = 0, 9875 [1 0, 6700]
= tab(2, 24) + tab(0, 45) = 0, 4875 + 0, 1700
= 0, 6575

81
EXEMPLO 4.20 X N(5, 1) P(X > 7)
X 5
75
P(X > 7) = P
>
1
1
= P(Z > 2)
= 1, 0 (2, 0) = 1, 0 0, 97725
= 0, 5 tab(2, 0) = 0, 5 0, 47725
= 0, 02275

EXEMPLO 4.21 A regra 68-95-99,7
Seja X N(; 2 ). Calcule P( k < X < + k ) , para k = 1, 2, 3.
Soluo
Note que essa probabilidade corresponde probabilidade de X estar a uma distncia
de k desvios-padro da mdia.

X
+ k
k
P( k X + k ) = P
= P(k Z k)
Note que chegamos a uma probabilidade que no depende de ou , ou seja, esse
resultado vale qualquer que seja a distribuio normal.
k =1
P( X + ) = P(1 Z 1) = 2 tab(1, 0) = 2 0, 3414 = 0, 6828
k =2
P( 2 X + 2 ) = P(2 Z 2) = 2 tab(2, 0) = 2 0, 4772 = 0, 9544
k =3
P( 3 X + 3 ) = P(3 Z 3) = 2 tab(3, 0) = 2 0, 4987 = 0, 9974
Essas probabilidades nos dizem que, para qualquer distribuio normal, 68,28% dos
valores esto a um desvio-padro da mdia, 95,44% esto a dois desvios-padro e 99,73% dos
valores esto a trs desvios-padro da mdia. Veja a Figura 4.40 para uma ilustrao desses
resultados.
82
Lembre-se de que o teorema de Chebyshev fornecia percentuais anlogos para qualquer

distribuio. Para distribuies normais, os resultados desses trs exemplos mostram
percentuais mais precisos.
Figura 4.40 Ilustrao da regra 68-95-99,7
4.3.6
Encontrando a abcissa da normal para uma probabilidade especfica
Nos exemplos vistos at o momento, consideramos situaes em que tnhamos uma

abcissa de uma distribuio normal e queramos a probabilidade associada a essa abcissa.
Agora, vamos lidar com a situao inversa: dada uma probabilidade, qual a abcissa
correspondente? Eis algumas situaes que envolvem esse tipo de problema:
Em uma turma de Estatstica, os 10% melhores alunos recebero um livro de presente.
Em uma comunidade, as famlias com as 15% piores rendas iro receber um auxlio da
prefeitura.
Como antes, vamos apresentar vrios exemplos que ilustram essa situao.
EXEMPLO 4.22 Z N(0; 1)
Determine o valor de k tal que P(Z k) = 0, 90.
Soluo
Vamos traduzir esse problema: queremos encontrar a abcissa k da normal padro com
0, 90 de rea (probabilidade) esquerda dela. Como 0,9 a rea esquerda de k, resulta
83
que k tem que ser maior que zero, isto , temos que ter k > 0. Veja a Figura 4.41: esquerda
de k temos rea 0,90 e esquerda de 0 temos rea 0,5. Logo, entre 0 e k temos que ter rea
0,40.
Figura 4.41 Determinao de k tal que P(Z k) = 0, 90

Escrevendo essas observaes em termos de probabilidade, temos:
P(Z k) = 0, 90
P(Z 0) + P(0 < Z k) = 0, 90
0, 5 + P(0 < Z k) = 0, 90
P(0 < Z k) = 0, 40
tab(k) = 0, 40
Esta ltima igualdade nos diz que k a abcissa correspondente ao valor 0,40 na Tabela 1.
Para identificar k, temos que buscar no corpo dessa tabela, o valor mais prximo de 0,40.
Na linha correspondente ao valor 1,2 encontramos as entradas 0,39973 e 0,40147. Como a
primeira est mais prxima de 0,40, olhamos qual a abcissa correspondente: a linha 1,2
e a coluna 8, o que nos d a abcissa de 1,28, ou seja, k = 1, 28 e P(Z 1, 28) = 0, 90,
completando a soluo.

Agora vamos olhar o mesmo exemplo, mas para uma distribuio normal qualquer.
EXEMPLO 4.23 X N(3; 4)
Determine o valor de k tal que P(X k) = 0, 90.
Soluo
Com a probabilidade esquerda de k maior que 0,5, resulta que k tem de ser maior
que a mdia. O primeiro passo na soluo escrever a probabilidade dada em termos da
84
normal padro.
P(X k) = 0, 90

X 3
k 3
= 0, 90
P
2
2

k 3
P Z
= 0, 90
2

k 3
= 0, 90
P(Z 0) + P 0 Z
2

k 3
0, 5 + P 0 Z
= 0, 90
2

k 3
= 0, 40
P 0Z
2

k 3
tab
= 0, 40
2
k 3
= 1, 28 k = 5, 56
2
Determine o valor de k tal que P(X k) = 0, 05.

Soluo
esquerda de k temos 5% da rea total; logo, k tem que estar no lado esquerdo, ou
seja, temos de ter k < 3 e a abcissa padronizada correspondente tem de ser negativa. Vamos
escrever a probabilidade dada em termos da normal padronizada:
P(X k) = 0, 05

X 3
k 3
P
= 0, 05
2
2

k 3
P Z
= 0, 05
2
k3
Como a rea (probabilidade) esquerda de k3
2 menor que 0, 5, isso significa que 2
tem de ser negativo. Veja a Figura 4.42. Para nos adequarmos tabela disponvel, temos de
rabalhar com reas na metade direita da curva densidade, ou seja, temos qde usar a simetria
k 3
k 3
3k
da curva. Veja a Figura 4.43 e note que a abcissa simtrica a
=
.
2
2
2
Figura 4.42 P(Z
k3
2 )
= 0, 05
85
Figura 4.43 P(Z k3

2 ) = 0, 05
Temos, ento, as seguintes probabilidades equivalentes:

k 3
= 0, 05
P Z
2

k 3
P Z
= 0, 05
2

k 3
= 0, 45
P 0Z
2

k 3
tab
= 0, 45
2
O valor mais prximo de 0,45 no corpo da Tabela 1 0,4495 que corresponde abcissa
1,64, e isso nos d que
k 3
= 1, 64 k = 0, 28
2
Deermine o valor de k tal que P(| X 3 | k) = 0, 95.
Soluo
Vamos relembrar as propriedades da funo mdulo. Para isso, veja a Figura 4.44. As
duas retas que definem a funo f(x) = |x| so y = x e y = x. Os segmentos traados
no grfico mostram que |x| = k x = k ou x = k. Os valores de y abaixo do segmento
horizontal correspondem a valores de y = |x| k e esses valores de y esto associados a
valores x tais que k x k. De forma anloga, valores de y acima do segmento horizontal
correspondem a valores de y = |x| > k e esses valores de y esto associados a valores x tais
que x > k ou x < k. Resumindo:
x=k
ou
|x| = k
(4.22)
x=-k
|x| < k k < x < k
(4.23)
x>k
ou
|x| > k
(4.24)
x<-k
86
Figura 4.44 Determinao de k tal que P(Z k) = 0, 90

Agora, vamos usar esses resultados para resolver o exemplo.
P(| X 3 | k) = 0, 95
P(k X 3 k) = 0, 95
P (3 k X k + 3) = 0, 95

3k 3
X 3
k +33
P
= 0, 95
2
2
2

k
k
P Z
= 0, 95
2
2
Veja a Figura 4.45 para entender que

k
k
P Z
= 0, 95
2
2

k
k
P Z 0 +P 0Z
= 0, 95
2
2

k
= 0, 95
2P 0Z
2

k
P 0Z
= 0, 475
2

k
tab
= 0, 475
2
k
= 1, 96 k = 3, 92
2
Figura 4.45 Determinao de k tal que P(|Z Z k2 ) = 0, 95
4.3.7
87

Exemplos de Aplicao da Distribuio Normal
A distribuio normal um modelo probabilstico que se aplica a diversas situaes

prticas. Vamos finalizar este captulo com alguns exemplos prticos, mas, na ltima parte do
curso, voc ver mais aplicaes no contexto da inferncia estatstica, em que decises tm
de ser tomadas com base nos resultados obtidos a partir de uma amostra.
EXEMPLO 4.26 Conta de celular
O consumo mensal em minutos por conta de celular em uma regio uma varivel aleatria
normal com mdia 36 e desvio padro 12.
(a) Qual a probabilidade de uma pessoa desta regio usar o telefone celular por menos de
48 minutos?
(b) Qual a probabilidade de uma pessoa desta regio usar o telefone celular por mais de
30 minutos?
(c) Qual o tempo mnimo que algum deve gastar ao telefone no ms para estar entre os 5%
que MAIS usam o celular?
(d) Qual o tempo mximo que algum deve gastar ao telefone no ms para estar entre os 12%
que MENOS usam o celular?
Soluo
X = consumo em minutos; X N(36; 122 )
88

1. P(X < 48) = P Z <
4836
12
2. P(X > 30) = P Z >
3036
12
= P(Z < 1) = 0, 5 + tab(1, 0) = (1, 0) = 0, 84134
= P(Z > 0, 5) = 0, 5 + tab(0, 5) = (0, 5) = 0, 69146
3. Seja m o tempo mnimo.

m 36
m 36
P(X m) = 0, 05 P Z >
= 0, 05 tab
= 0, 45
12
12
m 36
= 1, 64 m = 55, 68
12
A pessoa tem que falar pelo menos 55,68 minutos para estar entre os 5% que mais usam
o celular.
4. Seja M o tempo mximo.

M 36
36 M
P(X M) = 0, 12 P Z
= 0, 12 P Z
= 0, 12
12
12

36 M
36 M
= 0, 5 0, 12
= 1, 175 M = 21, 9
tab
12
12
A pessoa tem que falar no mximo 21,9 minutos para estar entre os 12% que menos
usam o celular.
EXEMPLO 4.27 Saldo bancrio
O saldo mdio dos clientes de um banco uma v.a. normal com mdia R$ 2.000, 00 e
desvio-padro R$ 250,00. Os clientes com os 10% maiores saldos mdios recebem tratamento
VIP, enquanto aqueles com os 5% menores saldos mdios recebero propaganda extra para
estimular maior movimentao da conta.
(a) Quanto voc precisa de saldo mdio para se tornar um cliente VIP?
(b) Abaixo de qual saldo mdio o cliente receber a propaganda extra?
Soluo
Seja X = saldo mdio; dado que X N(2000; 2502 ).
(a) Temos que determinar o valor de k tal que P(X k) = 0, 10. Note que isso equivale a
calcular o 90o percentil da distribuio. A rea esquerda de k tem de ser 0,90; logo, k
89
tem de ser maior que a mdia.

P(X k) = 0, 10

k 2000
X 2000
= 0, 10
P
250
250

X 2000
k 2000
P
= 0, 90
250
250

k 2000
P Z
= 0, 90
250

k 2000
P(Z 0) + P 0 Z
= 0, 90
250

k 2000
P 0Z
= 0, 90 0, 50
250

k 2000
= 0, 40
tab
250
k 2000
= 1, 28 k = 2320
250

Os clientes com saldo mdio maior ou igual a R$ 2.320, 00 tero tratamento VIP.
(b) Temos de determinar o valor de k tal que P(X k) = 0, 05. Note que isso equivale
a calcular o 5o percentil da distribuio. A rea esquerda de k tem de ser 0,05;
logo, k tem de ser menor que a mdia. Na soluo, teremos que usar a simetria da
distribuio, invertendo o sinal da abcissa, para lidarmos com rea na metade direita da
funo densidade.

P
P(X k) = 0, 05

X 2000
k 2000
= 0, 05
250
250

k 2000
P Z
= 0, 05
250

2000 k
P Z
= 0, 05
250

2000 k
tab
= 0, 45
250
2000 k
= 1, 64 k = 1590
250
Os clientes com saldo mdio inferior a R$ 1.590,00 recebero a propaganda extra.
Na Figura 4.46 ilustra-se a soluo do exerccio.
90
Figura 4.46 Soluo do Exemplo 4.27

EXEMPLO 4.28 Regulagem de mquinas
Uma mquina de empacotar determinado produto oferece variaes de peso que se

distribuem segundo uma distribuio normal com desvio padro de 20 gramas. Em quanto
deve ser regulado o peso mdio desses pacotes para que apenas 10% deles tenham menos
que 500 gramas?
Soluo
Esse um exemplo clssico de aplicao da distribuio normal. Seja X o peso dos
pacotes em gramas. Ento, X N(; 400). Temos de ter P(X 500) = 0, 10. Note que o peso
mdio tem de ser superior a 500 g. Note, na soluo, a inverso do sinal da abcissa!
P(X 500) = 0, 10

X
500
P
= 0, 10
20
20

500
= 0, 10
P Z
20

500
P Z
= 0, 10
20

500
P Z
= 0, 10
20

500
tab
= 0, 40
20
500
= 1, 28 = 525, 6
20

A mquina tem de ser regulada com um peso mdio de 525,6g para que apenas 10% dos
pacotes tenham peso inferior a 500g. Veja a Figura 4.47.
91

EXEMPLO 4.29 Mais sobre regulagem de mquinas
Uma mquina fabrica tubos metlicos cujos dimetros podem ser considerados uma
varivel aleatria normal com mdia 200mm e desvio-padro 2mm. Verifica-se que 15% dos
tubos esto sendo rejeitados como grandes e 10% como pequenos.
(a) Quais so as tolerncias de especificao para esse dimetro?
(b) Mantidas essas especificaes, qual dever ser a regulagem mdia da mquina para que a
rejeio por dimetro grande seja nula? Nesse caso, qual ser a porcentagem de rejeio
por dimetro pequeno?
Soluo
Seja D = dimetro dos tubos. Ento D N(200, 22 ).
(a) Sejam kI e kS as especificaes inferior e superior, respectivamente. Isso significa que

tubos com dimetro menor que kI so rejeitados como pequenos e tubos com dimetro
92

maior que kS so rejeitados como grandes.
P(D < kI ) = 0, 10

D 200
kI 200
= 0, 10
P
<
2
2

kI 200
= 0, 10
P Z <
2

kI 200
P Z >
= 0, 10
2

200 kI
= 0, 10
P Z >
2

200 kI
P 0Z <
= 0, 40
2

200 kI
tab
= 0, 40
2
200 kI
= 1, 28 kI = 197, 44
2

P(D > kS ) = 0, 15

kS 200
D 200
>
= 0, 15
P
2
2

kS 200
P 0Z <
= 0, 35
2

kS 200
tab
= 0, 35
2
kS 200
= 1, 03 kS = 202, 06
2

Logo, tubos com dimetro menor que 197,44 cm so rejeitados como pequenos e tubos
com dimetros maiores que 202,06 cm so rejeitados como grandes.
(b) Com a nova regulagem, temos que D N(; 22 ) e deve ser tal que
P(D > 202, 06) = 0

D
202, 06
P
>
=0
2
2

202, 06
=0
P Z >
2

202, 06
P 0Z
= 0, 5
2

202, 06
tab
= 0, 5
2
202, 06
' 4, 5 ' 193, 06
2

93
Com essa mdia, a porcentagem de rejeio por dimetro pequeno
D 193, 06
197, 44 193, 06
P(D < 197, 44) = P
<
2
2
= P(Z < 2, 19)
= P(Z 0) + P(0 < Z < 2, 19)

= 0, 5 + tab(2, 19) = 0, 9857
Com essa nova regulagem, a rejeio por dimetro grande nula, mas a rejeio por
dimetro pequeno muito alta! Veja as Figuras 4.48 e 4.49, nas quais ficam claros os
resultados obtidos.
Figura 4.48
Exemplo 4.29 tubos pequenos e grandes na regulagem
original
Figura 4.49 Exemplo 4.29 - regulagem

com 0% de tubos grandes

EXEMPLO 4.30 Troca de lmpadas
Em um grande complexo industrial, o departamento de manuteno tem instrues para

substituir as lmpadas antes que se queimem. Os registros indicam que a durao das
lmpadas, em horas, tem distribuio normal, com mdia de 900 horas e desvio-padro de 75
horas. Quando devem ser trocadas as lmpadas, de modo que no mximo 5% delas queimem
antes de serem trocadas?
Soluo
94
Seja T = tempo de durao (em horas) das lmpadas; ento, T N(900; 752 ). Temos
que determinar t tal que P(T t) = 0, 05.
P(T t) = 0, 05

t 900
T 900
= 0, 05
P
75
75

t 900
P Z
= 0, 05
75

900 t
P Z
= 0, 05
75

900 t
P 0Z
= 0, 45
75

900 t
tab
= 0, 45
75
900 t
= 1, 64 t = 777
75

As lmpadas devem ser trocadas com 777 horas de uso para que apenas 5% se queimem antes
da troca.
Aqui cabe a seguinte observao: em geral, no apropriado utilizar-sea distribuio
normal para modelar o tempo de sobrevivncia de lmpadas ou equipamentos em geral.
Modelos tipo exponencial so mais adequados, pois atribuem probabilidade alta de
sobrevivncia no incio da vida do equipamento e probabilidade decrescente medida que o
equipamento envelhece.
EXEMPLO 4.31 Regulagem de mquinas controle da disperso
Uma enchedora automtica enche garrafas de acordo com uma distribuio normal de
mdia 1.000 ml. Deseja-se que no mximo uma garrafa em cada 100 saia com menos de 990ml.
Qual o maior desvio padro tolervel?
Soluo
Seja X = contedo da garrafa (em ml). Ento X N(1000; 2 ) e queremos determinar
o maior que fornea P(X < 990) 0, 01.
Na Figura 4.50 ilustra-se a situao considerada no problema, em que k corresponde
ao valor de corte (990 no problema) e a rea sombreada corresponde probabilidade mxima
desejada (0,01 no problema). A curva com linha preta slida corresponde distribuio
N(1000; 02 ) tal que P(X < k) = . A curva tracejada em azul representa distribuies normais
com desvio padro menor que 0 ; para essas distribuies, a rea abaixo de k menor que
, ou seja, se < 0 , a distribuio de X tal que P(X < k) < . J a curva pontilhada
em vermelho representa distribuies normais com desvio padro maior que 0 e para todas
essas distribuies, a rea abaixo de k maior que . Logo, o valor mximo de aquele
correspondente distribuio N(1000; 2 ) tal que a rea abaixo de k exatamente igual a .
4.4. A DISTRIBUIO LOG-NORMAL
95

Em termos do nosso problema, temos que determinar o desvio padro da distribuio
normal com mdia 1000 que deixa probabilidade 0,01 abaixo de 990, ou seja:
X N(1000; 2 ) tal que P(X < 990) 0, 01

990 1000
P Z <
0, 01

990 1000
0, 01
P Z >

10
P Z>
0, 01

10
0, 5 tab
0, 01

10
tab
0, 49
10
10
2, 33
= 4, 2918
2, 33

4.4
4.4.1
A distribuio log-normal
Definio
DEFINIO Distribuio log-normal

Seja X N(, 2 ). Se Y = eX ento a varivel aleatria Y tem distribuio
log-normal com parmetros e 2 . Reciprocamente, se Y tem distribuio
log-normal, ento X = ln Y tem distribuio N(, 2 ).
96
Vamos calcular a funo densidade de probabilidade de uma varivel aleatria lognormal a partir de sua funo de distribuio acumulada. Note que Y s pode assumir
valores positivos. Temos que:

FY (y) = Pr (Y y) = Pr eX y = Pr (X ln y) =

ln y
ln y
X
= Pr Z
= Pr

ln y
=
y>0
Sabemos que fY (y) = F 0 (y) e, tambm, no caso da normal padro, 0 (z) = (z). Logo,
pela regra da cadeia,

1
ln y
1
fY (y) =
=
y
y

#
1 ln y 2
1
1
exp
=
2
y
2
0
ln y
"
ou ainda:
"
1
fY (y) =
exp
2
2
y 2
1
4.4.2
ln y
2 #
y>0
Esperana
A esperana de Y :
Z
0
Fazendo a mudana de varivel
temos que
y = 0 t =
y=t=
dt = y1 dy
y = et
1
y
exp
2
y 2 2
1
E(Y ) =
t = ln y
"
ln y
2 #
dy
4.4. A DISTRIBUIO LOG-NORMAL
97
e, portanto
"
#

#

Z
1 t 2
1
1 t 2
e exp
dt =
exp
+ t dt
2
2 2
2 2
2

Z
t 2t + 2 2 2 t
1
exp
dt =
2 2
2 2
"
#

Z
t 2 2t + 2 + 2
1
exp
dt
2 2
2 2
"
#

Z
t 2 2t + 2
1
2
exp
dt =
exp
2 2
2 2
2 2
"

2
2 #

Z
t 2 2t + 2 + + 2 + 2
2
1
exp 2
exp
dt
2
2 2
2 2
(
2 )
2 !

Z
t + 2
+ 2
2
1
exp 2
exp
exp
dt
2
2 2
2 2
2 2
(
2 ! "
2 ) #
Z
+ 2
t + 2
1
2
dt
exp 2 +
exp
2
2 2
2 2
2 2
Z
E(Y ) =
=
=
"
Mas o termo entre os colchetes externos a integral de uma densidade normal com
mdia = + 2 e varincia 2 ; logo, essa integral 1 e, portanto:
+ 2
2
E(Y ) = exp 2 +
2
2 2

2
E(Y ) = exp +
2
2 !

= exp
2 + 2 + 2 2 + 4
2 2
(4.25)
98
4.4.3
Varincia
Vamos calcular de modo anlogo E(Y 2 ), usando a mesma transformao:

"

2 #
Z
ln
y
1
1
dy
E(Y 2 ) =
y2
exp
2
y 2 2
0
"
"
#

2 #

2
Z
Z
1
1
t
1
1
t
=
e2t exp
dt =
exp
+ 2t dt
2
2
2
2 2
2

Z
1
t 2t + 2 4 2 t
=
exp
dt =
2 2
2 2
"
#

Z
t 2 2t + 2 2 + 2
1
exp
dt
=
2 2
2 2
"
#

Z
t 2 2t + 2 2
1
2
=
exp 2 dt =
exp
2 2
2
2 2
"
2 #

2

Z
t 2 2t + 2 2 + + 2 2 + 2 2
2
1
= exp 2
exp
dt
2
2 2
2 2
(
2 )
2 !

Z
t + 2 2
+ 2 2
2
1
= exp 2
exp
exp
dt
2
2 2
2 2
2 2
(
2 ) #
2 ! "
Z
t + 2 2
+ 2 2
2
1
= exp 2 +
exp
dt
2
2 2
2 2
2 2
Como antes, o termo entre os colchetes externos 1 porque a integral de uma densidade
normal com mdia + 2 2 e varincia 2 . Logo,
2 !

2
+ 2 2
2
+ 2 + 4 2 + 4 4
= exp
E(Y ) = exp 2 +
2
2 2
2 2

E(Y 2 ) = exp 2 + 2 2
2
e

2
2
exp 2 + 2 exp +
=
2

2
exp 2 + 2 2 exp 2 +
=
2

exp 2 + 2 2 exp 2 + 2
#
"

exp 2 + 2 2
1 =
exp 2 + 2
exp 2 + 2
h

i

exp 2 + 2 exp 2 + 2 2 2 2 1 =

h
i
exp 2 + 2 exp 2 1

Var(Y ) =
=
=
=
=
=

Definindo m = E(X ) = exp +
2
2
99

, temos que m2 = exp 2 + 2 . Logo,
h 2
i
Var(Y ) = m2 e 1
4.5
(4.26)
Exerccios propostos
1. Na distribuio normal X N(, 2 ), encontre:

(a) Pr(X + 2 ) (Resp.: 0, 97725)
(b) Pr(|X | ) (Resp.:0, 68268)
(c) Pr(|X | 1, 96 ) (Resp.: 0, 95)
(d) o nmero k tal que Pr( k X + k ) = 0, 99 (Resp.: 2, 58 )
(e) o nmero k tal que Pr(X > k) = 0, 90. (Resp.: 1, 28 )
2. Suponha que os tempos de vida de 2 marcas de aparelhos eltricos sejam variveis
aleatrias D1 e D2 , onde D1 N(42, 36) e D2 N(45, 9). Se o aparelho deve ser usado
por um perodo de 45 horas, qual marca deve ser preferida? E se for por um perodo de
49 horas? (Resp.: 2;1)
3. Numa distribuio normal, 31% dos elementos so menores que 45 e 8% so maiores
que 64. Calcular os parmetros que definem a distribuio. (Resp.: = 50; )
4. As vendas de um determinado produto tm distribuio aproximadamente normal com
mdia de 500 unidades e desvio padro de 50 unidades. Se a empresa decide fabricar
600 unidades no ms em estudo, qual a probabilidade de que no possa atender a todos
os pedidos desse ms, por estar com a produo esgotada? (Resp.: 0, 0228)
5. Um produto alimentcio ensacado automaticamente, sendo o peso mdio de 50 kg por
saco, com desvio padro de 1,6 kg. Os clientes exigem que, para cada saco fornecido
com menos de 48 kg, o fornecedor pague uma indenizao de 5 u.m..
(a) Para 200 sacos fornecidos, qual o custo mdio com indenizao? (Resp.: 105, 6 u.m)
(b) Para que o custo calculado no item anterior caia para 50 u.m., qual deveria ser a
nova regulagem mdia da mquina? (Resp.: 50, 624)
(c) Como o fornecedor acha que, no custo global, desvantajoso aumentar a regulagem
da mquina, ele quer comprar uma nova mquina. Qual deveria ser o desvio padro
dessa mquina para que, trabalhando com peso mdio de 50 kg, em apenas 3% dos
sacos se pague indenizao? (Resp.: 1, 064)
6. Um teste de aptido para o exerccio de uma certa profisso exige uma sequncia de
operaes a serem executadas rapidamente uma aps a outra. Para passar no teste, o
candidato deve complet-lo em, no mximo, 80 minutos. Admita que o tempo, em minutos,
para completar a prova seja uma varivel aleatria normal com mdia 90 minutos e desvio
padro 20 minutos.
(a) Que porcentagem dos candidatos tem chance de ser aprovada? (Resp.: 30, 85)
100

(b) Os 5% melhores recebero um certificado especial. Qual o tempo mximo para fazer
jus a tal certificado? (Resp.: 57, 2 min)
7. O dimetro X de rolamentos de esfera fabricados por certa fbrica tem distribuio

normal com mdia 0,6140 e desvio padro 0,0025. O lucro T de cada esfera depende do
seu dimetro e
T = 0, 10 se a esfera boa, isto , 0, 6100 < X < 0, 6180
T = 0, 05 se a esfera recupervel, isto , 0, 6080 < X < 0, 6100 ou 0, 6180 < X <
0, 6200
T = 0, 10 se a esfera defeituosa, isto , X < 0, 6080 ou X > 0, 6200
Calcule as probabilidades de as esferas serem boas, recuperveis e defeituosas e o lucro
mdio. (Resp.: 0, 8904; 0, 0932; 0, 0164; 0, 09206)
8. Uma empresa produz televisores e garante a restituio da quantia paga se qualquer
televisor apresentar algum defeito grave no prazo de 6 meses. Ela produz televisores
do tipo A comum e do tipo B de luxo, com um lucro respectivo de 1000 u.m. e 2000
u.m. caso no haja restituio, e com prejuzo de 3000 u.m. e 8000 u.m., se houver
restituio. Suponha que o tempo para ocorrncia de algum defeito grave seja, em
ambos os casos, uma varivel aleatria com distribuio normal com mdias 9 meses e
12 meses e desvios padres 2 meses e 3 meses. Se tivesse que planejar uma estratgia
de marketing para a empresa, voc incentivaria as vendas dos aparelhos tipo A ou tipo
B? (Resp.: E(LA ) = 732, 8; E(LB ) = 1772)
9. A distribuio dos pesos de coelhos criados em uma granja pode ser representada por
uma distribuio normal com mdia de 5 kg e desvio padro de 0,8 kg. Um abatedouro
comprar 5000 coelhos e pretende classific-los de acordo com o peso da seguinte
forma: 20% dos leves como pequenos, os 55% seguintes como mdios, os 15% seguintes
como grandes e os 10% mais pesados como extras. Quais os limites de peso para cada
classificao? (Resp.: 4, 328; 5, 536; 6, 024)
10. Considere uma varivel aleatria X N(3, 25) :
(a) Calcule Pr (3 X 3) (Resp.: 0, 38493)
(b) Calcule Pr (2 X 8) (Resp.: 0, 68268)
(c) Encontre o valor de k tal que Pr(X > k) = 0, 05. (Resp.: k = 11, 2)
(d) Encontre o valor de k tal que Pr(X > k) = 0, 80. (Resp.: k = 1, 2)

11. Seja X N , 2 . Encontre a mediana e o intervalo interquartil de X . (Resp.: Q2 =
; IQ = 1, 34 )

12. O 90o percentil de uma varivel aleatria N , 2 50, enquanto o 15o percentil 25.
Encontre os valores dos parmetros da distribuio. (Resp.: = 36, 35; = 10, 92)
13. Uma enchedora automtica enche garrafas de acordo com uma distribuio normal de
mdia 1000 ml. Deseja-se que no mximo 1 garrafa em 100 saia com menos de 990ml.
Qual deve ser o maior desvio padro tolervel? (Resp.: 4, 2918)
Apndice A
Tabelas
Tabela 1: Tabela da normal padro p = P(0 Z z)
Tabela 2: Tabela da distribuio acumulada da normal padro (z) = P(Z z), z 0
Tabela 3: Valores crticos da dsitribuio qui-quadrado
101
102
APNDICE A. TABELAS
Tabela 1: Z N(0; 1)
Valores de p
p = P(0 Z z)
casa inteira
e 1a.
Decimal
2a. Casa decimal

0
0,0
0,0000
0,0040
0,0080
0,0120
0,0160
0,0199
0,0239
0,0279
0,0319
0,0359
0,1
0,0398
0,0438
0,0478
0,0517
0,0557
0,0596
0,0636
0,0675
0,0714
0,0753
0,2
0,0793
0,0832
0,0871
0,0910
0,0948
0,0987
0,1026
0,1064
0,1103
0,1141
0,3
0,1179
0,1217
0,1255
0,1293
0,1331
0,1368
0,1406
0,1443
0,1480
0,1517
0,4
0,1554
0,1591
0,1628
0,1664
0,1700
0,1736
0,1772
0,1808
0,1844
0,1879
0,5
0,1915
0,1950
0,1985
0,2019
0,2054
0,2088
0,2123
0,2157
0,2190
0,2224
0,6
0,2257
0,2291
0,2324
0,2357
0,2389
0,2422
0,2454
0,2486
0,2517
0,2549
0,7
0,2580
0,2611
0,2642
0,2673
0,2704
0,2734
0,2764
0,2794
0,2823
0,2852
0,8
0,2881
0,2910
0,2939
0,2967
0,2995
0,3023
0,3051
0,3078
0,3106
0,3133
0,9
0,3159
0,3186
0,3212
0,3238
0,3264
0,3289
0,3315
0,3340
0,3365
0,3389
1,0
0,3413
0,3438
0,3461
0,3485
0,3508
0,3531
0,3554
0,3577
0,3599
0,3621
1,1
0,3643
0,3665
0,3686
0,3708
0,3729
0,3749
0,3770
0,3790
0,3810
0,3830
1,2
0,3849
0,3869
0,3888
0,3907
0,3925
0,3944
0,3962
0,3980
0,3997
0,4015
1,3
0,4032
0,4049
0,4066
0,4082
0,4099
0,4115
0,4131
0,4147
0,4162
0,4177
1,4
0,4192
0,4207
0,4222
0,4236
0,4251
0,4265
0,4279
0,4292
0,4306
0,4319
1,5
0,4332
0,4345
0,4357
0,4370
0,4382
0,4394
0,4406
0,4418
0,4429
0,4441
1,6
0,4452
0,4463
0,4474
0,4484
0,4495
0,4505
0,4515
0,4525
0,4535
0,4545
1,7
0,4554
0,4564
0,4573
0,4582
0,4591
0,4599
0,4608
0,4616
0,4625
0,4633
1,8
0,4641
0,4649
0,4656
0,4664
0,4671
0,4678
0,4686
0,4693
0,4699
0,4706
1,9
0,4713
0,4719
0,4726
0,4732
0,4738
0,4744
0,4750
0,4756
0,4761
0,4767
2,0
0,4772
0,4778
0,4783
0,4788
0,4793
0,4798
0,4803
0,4808
0,4812
0,4817
2,1
0,4821
0,4826
0,4830
0,4834
0,4838
0,4842
0,4846
0,4850
0,4854
0,4857
2,2
0,4861
0,4864
0,4868
0,4871
0,4875
0,4878
0,4881
0,4884
0,4887
0,4890
2,3
0,4893
0,4896
0,4898
0,4901
0,4904
0,4906
0,4909
0,4911
0,4913
0,4916
2,4
0,4918
0,4920
0,4922
0,4925
0,4927
0,4929
0,4931
0,4932
0,4934
0,4936
2,5
0,4938
0,4940
0,4941
0,4943
0,4945
0,4946
0,4948
0,4949
0,4951
0,4952
2,6
0,4953
0,4955
0,4956
0,4957
0,4959
0,4960
0,4961
0,4962
0,4963
0,4964
2,7
0,4965
0,4966
0,4967
0,4968
0,4969
0,4970
0,4971
0,4972
0,4973
0,4974
2,8
0,4974
0,4975
0,4976
0,4977
0,4977
0,4978
0,4979
0,4979
0,4980
0,4981
2,9
0,4981
0,4982
0,4982
0,4983
0,4984
0,4984
0,4985
0,4985
0,4986
0,4986
3,0
0,4987
0,4987
0,4987
0,4988
0,4988
0,4989
0,4989
0,4989
0,4990
0,4990
3,1
0,4990
0,4991
0,4991
0,4991
0,4992
0,4992
0,4992
0,4992
0,4993
0,4993
3,2
0,4993
0,4993
0,4994
0,4994
0,4994
0,4994
0,4994
0,4995
0,4995
0,4995
3,3
0,4995
0,4995
0,4995
0,4996
0,4996
0,4996
0,4996
0,4996
0,4996
0,4997
3,4
0,4997
0,4997
0,4997
0,4997
0,4997
0,4997
0,4997
0,4997
0,4997
0,4998
3,5
0,4998
0,4998
0,4998
0,4998
0,4998
0,4998
0,4998
0,4998
0,4998
0,4998
3,6
0,4998
0,4998
0,4999
0,4999
0,4999
0,4999
0,4999
0,4999
0,4999
0,4999
3,7
0,4999
0,4999
0,4999
0,4999
0,4999
0,4999
0,4999
0,4999
0,4999
0,4999
3,8
0,4999
0,4999
0,4999
0,4999
0,4999
0,4999
0,4999
0,4999
0,4999
0,4999
3,9
0,5000
0,5000
0,5000
0,5000
0,5000
0,5000
0,5000
0,5000
0,5000
0,5000
4,0
0,5000
0,5000
0,5000
0,5000
0,5000
0,5000
0,5000
0,5000
0,5000
0,5000
Para abcissas maiores que 4,09, use a probabilidade 0,5.
103
Tabela 2: Z N(0; 1)
Valores de p
p = (z) = P(Z z)
casa inteira
e 1a.
Decimal
2a. Casa decimal

0
0,0
0,5000
0,5040
0,5080
0,5120
0,5160
0,5199
0,5239
0,5279
0,5319
0,5359
0,1
0,5398
0,5438
0,5478
0,5517
0,5557
0,5596
0,5636
0,5675
0,5714
0,5753
0,2
0,5793
0,5832
0,5871
0,5910
0,5948
0,5987
0,6026
0,6064
0,6103
0,6141
0,3
0,6179
0,6217
0,6255
0,6293
0,6331
0,6368
0,6406
0,6443
0,6480
0,6517
0,4
0,6554
0,6591
0,6628
0,6664
0,6700
0,6736
0,6772
0,6808
0,6844
0,6879
0,5
0,6915
0,6950
0,6985
0,7019
0,7054
0,7088
0,7123
0,7157
0,7190
0,7224
0,6
0,7257
0,7291
0,7324
0,7357
0,7389
0,7422
0,7454
0,7486
0,7517
0,7549
0,7
0,7580
0,7611
0,7642
0,7673
0,7704
0,7734
0,7764
0,7794
0,7823
0,7852
0,8
0,7881
0,7910
0,7939
0,7967
0,7995
0,8023
0,8051
0,8078
0,8106
0,8133
0,9
0,8159
0,8186
0,8212
0,8238
0,8264
0,8289
0,8315
0,8340
0,8365
0,8389
1,0
0,8413
0,8438
0,8461
0,8485
0,8508
0,8531
0,8554
0,8577
0,8599
0,8621
1,1
0,8643
0,8665
0,8686
0,8708
0,8729
0,8749
0,8770
0,8790
0,8810
0,8830
1,2
0,8849
0,8869
0,8888
0,8907
0,8925
0,8944
0,8962
0,8980
0,8997
0,9015
1,3
0,9032
0,9049
0,9066
0,9082
0,9099
0,9115
0,9131
0,9147
0,9162
0,9177
1,4
0,9192
0,9207
0,9222
0,9236
0,9251
0,9265
0,9279
0,9292
0,9306
0,9319
1,5
0,9332
0,9345
0,9357
0,9370
0,9382
0,9394
0,9406
0,9418
0,9429
0,9441
1,6
0,9452
0,9463
0,9474
0,9484
0,9495
0,9505
0,9515
0,9525
0,9535
0,9545
1,7
0,9554
0,9564
0,9573
0,9582
0,9591
0,9599
0,9608
0,9616
0,9625
0,9633
1,8
0,9641
0,9649
0,9656
0,9664
0,9671
0,9678
0,9686
0,9693
0,9699
0,9706
1,9
0,9713
0,9719
0,9726
0,9732
0,9738
0,9744
0,9750
0,9756
0,9761
0,9767
2,0
0,9772
0,9778
0,9783
0,9788
0,9793
0,9798
0,9803
0,9808
0,9812
0,9817
2,1
0,9821
0,9826
0,9830
0,9834
0,9838
0,9842
0,9846
0,9850
0,9854
0,9857
2,2
0,9861
0,9864
0,9868
0,9871
0,9875
0,9878
0,9881
0,9884
0,9887
0,9890
2,3
0,9893
0,9896
0,9898
0,9901
0,9904
0,9906
0,9909
0,9911
0,9913
0,9916
2,4
0,9918
0,9920
0,9922
0,9925
0,9927
0,9929
0,9931
0,9932
0,9934
0,9936
2,5
0,9938
0,9940
0,9941
0,9943
0,9945
0,9946
0,9948
0,9949
0,9951
0,9952
2,6
0,9953
0,9955
0,9956
0,9957
0,9959
0,9960
0,9961
0,9962
0,9963
0,9964
2,7
0,9965
0,9966
0,9967
0,9968
0,9969
0,9970
0,9971
0,9972
0,9973
0,9974
2,8
0,9974
0,9975
0,9976
0,9977
0,9977
0,9978
0,9979
0,9979
0,9980
0,9981
2,9
0,9981
0,9982
0,9982
0,9983
0,9984
0,9984
0,9985
0,9985
0,9986
0,9986
3,0
0,9987
0,9987
0,9987
0,9988
0,9988
0,9989
0,9989
0,9989
0,9990
0,9990
3,1
0,9990
0,9991
0,9991
0,9991
0,9992
0,9992
0,9992
0,9992
0,9993
0,9993
3,2
0,9993
0,9993
0,9994
0,9994
0,9994
0,9994
0,9994
0,9995
0,9995
0,9995
3,3
0,9995
0,9995
0,9995
0,9996
0,9996
0,9996
0,9996
0,9996
0,9996
0,9997
3,4
0,9997
0,9997
0,9997
0,9997
0,9997
0,9997
0,9997
0,9997
0,9997
0,9998
3,5
0,9998
0,9998
0,9998
0,9998
0,9998
0,9998
0,9998
0,9998
0,9998
0,9998
3,6
0,9998
0,9998
0,9999
0,9999
0,9999
0,9999
0,9999
0,9999
0,9999
0,9999
3,7
0,9999
0,9999
0,9999
0,9999
0,9999
0,9999
0,9999
0,9999
0,9999
0,9999
3,8
0,9999
0,9999
0,9999
0,9999
0,9999
0,9999
0,9999
0,9999
0,9999
0,9999
3,9
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
4,0
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
Para abcissas maiores que 4,09, use a probabilidade 1,0.
0,000
0,002
0,024
0,091
0,210
0,381
0,598
0,857
1,152
1,479
1,834
2,214
2,617
3,041
3,483
3,942
4,416
4,905
5,407
5,921
6,447
6,983
7,529
8,085
8,649
9,222
9,803
10,391
10,986
11,588
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
0,999
g.l.
n
13,787
13,121
12,461
11,808
11,160
10,520
9,886
9,260
8,643
8,034
7,434
6,844
6,265
5,697
5,142
4,601
4,075
3,565
3,074
2,603
2,156
1,735
1,344
0,989
0,676
0,412
0,207
0,072
0,010
0,000
0,995
14,953
14,256
13,565
12,879
12,198
11,524
10,856
10,196
9,542
8,897
8,260
7,633
7,015
6,408
5,812
5,229
4,660
4,107
3,571
3,053
2,558
2,088
1,646
1,239
0,872
0,554
0,297
0,115
0,020
0,000
0,990
16,306
15,574
14,847
14,125
13,409
12,697
11,992
11,293
10,600
9,915
9,237
8,567
7,906
7,255
6,614
5,985
5,368
4,765
4,178
3,609
3,059
2,532
2,032
1,564
1,134
0,752
0,429
0,185
0,040
0,001
0,980
16,791
16,047
15,308
14,573
13,844
13,120
12,401
11,689
10,982
10,283
9,591
8,907
8,231
7,564
6,908
6,262
5,629
5,009
4,404
3,816
3,247
2,700
2,180
1,690
1,237
0,831
0,484
0,216
0,051
0,001
0,975
18,493
17,708
16,928
16,151
15,379
14,611
13,848
13,091
12,338
11,591
10,851
10,117
9,390
8,672
7,962
7,261
6,571
5,892
5,226
4,575
3,940
3,325
2,733
2,167
1,635
1,145
0,711
0,352
0,103
0,004
0,950
Tabela 3
2 da qui-quadrado
Valores crticos n,
2
2 ) = )
P(n > n,
20,599
19,768
18,939
18,114
17,292
16,473
15,659
14,848
14,041
13,240
12,443
11,651
10,865
10,085
9,312
8,547
7,790
7,042
6,304
5,578
4,865
4,168
3,490
2,833
2,204
1,610
1,064
0,584
0,211
0,016
0,900
23,364
22,475
21,588
20,703
19,820
18,940
18,062
17,187
16,314
15,445
14,578
13,716
12,857
12,002
11,152
10,307
9,467
8,634
7,807
6,989
6,179
5,380
4,594
3,822
3,070
2,343
1,649
1,005
0,446
0,064
0,800
25,508
24,577
23,647
22,719
21,792
20,867
19,943
19,021
18,101
17,182
16,266
15,352
14,440
13,531
12,624
11,721
10,821
9,926
9,034
8,148
7,267
6,393
5,527
4,671
3,828
3,000
2,195
1,424
0,713
0,148
29,336
28,336
27,336
26,336
25,336
24,337
23,337
22,337
21,337
20,337
19,337
18,338
17,338
16,338
15,338
14,339
13,339
12,340
11,340
10,341
9,342
8,343
7,344
6,346
5,348
4,351
3,357
2,366
1,386
0,455
0,500
33,530
32,461
31,391
30,319
29,246
28,172
27,096
26,018
24,939
23,858
22,775
21,689
20,601
19,511
18,418
17,322
16,222
15,119
14,011
12,899
11,781
10,656
9,524
8,383
7,231
6,064
4,878
3,665
2,408
1,074
0,300
na cauda superior
0,700
rea
36,250
35,139
34,027
32,912
31,795
30,675
29,553
28,429
27,301
26,171
25,038
23,900
22,760
21,615
20,465
19,311
18,151
16,985
15,812
14,631
13,442
12,242
11,030
9,803
8,558
7,289
5,989
4,642
3,219
1,642
0,200
40,256
39,087
37,916
36,741
35,563
34,382
33,196
32,007
30,813
29,615
28,412
27,204
25,989
24,769
23,542
22,307
21,064
19,812
18,549
17,275
15,987
14,684
13,362
12,017
10,645
9,236
7,779
6,251
4,605
2,706
0,1000
0,050
43,773
42,557
41,337
40,113
38,885
37,652
36,415
35,172
33,924
32,671
31,410
30,144
28,869
27,587
26,296
24,996
23,685
22,362
21,026
19,675
18,307
16,919
15,507
14,067
12,592
11,070
9,488
7,815
5,991
3,841
0,025
46,979
45,722
44,461
43,195
41,923
40,646
39,364
38,076
36,781
35,479
34,170
32,852
31,526
30,191
28,845
27,488
26,119
24,736
23,337
21,920
20,483
19,023
17,535
16,013
14,449
12,833
11,143
9,348
7,378
5,024
0,020
47,962
46,693
45,419
44,140
42,856
41,566
40,270
38,968
37,659
36,343
35,020
33,687
32,346
30,995
29,633
28,259
26,873
25,472
24,054
22,618
21,161
19,679
18,168
16,622
15,033
13,388
11,668
9,837
7,824
5,412
0,010
50,892
49,588
48,278
46,963
45,642
44,314
42,980
41,638
40,289
38,932
37,566
36,191
34,805
33,409
32,000
30,578
29,141
27,688
26,217
24,725
23,209
21,666
20,090
18,475
16,812
15,086
13,277
11,345
9,210
6,635
0,005
53,672
52,336
50,993
49,645
48,290
46,928
45,559
44,181
42,796
41,401
39,997
38,582
37,156
35,718
34,267
32,801
31,319
29,819
28,300
26,757
25,188
23,589
21,955
20,278
18,548
16,750
14,860
12,838
10,597
7,879
0,001
59,703
58,301
56,892
55,476
54,052
52,620
51,179
49,728
48,268
46,797
45,315
43,820
42,312
40,790
39,252
37,697
36,123
34,528
32,909
31,264
29,588
27,877
26,124
24,322
22,458
20,515
18,467
16,266
13,816
10,828
104
APNDICE A. TABELAS
Apndice B
Funes de Variveis Aleatrias

Contnuas
B.1
Funes inversveis
No Captulo 3 vimos o teorema 3.1 que trata de transformaes lineares de variveis

aleatrias. Existe um teorema anlogo, que apresentamos a seguir, para o caso em que
Y = g(X ) com g sendo uma funo inversvel e diferencivel qualquer.
TEOREMA B.1
Seja X uma varivel aleatria contnua com funo densidade fX (x) e seja Y = g(x)
uma outra varivel aleatria . Se a funo g(x) inversvel e diferencivel, ento a funo
densidade de Y dada por:
h
i dg1 (y)
1

fY (y) = fX g (y)
(B.1)
dy
Demonstrao
Suponhamos inicialmente que g(x) seja crescente; nesse caso, g0 (x) > 0 e x1 < x2
g (x1 ) < g (x2 ) . Ento, a funo de distribuio acumulada de Y :
FY (y) = Pr (Y y) = Pr (g(X ) y)
Mas, conforme ilustrado na Figura B.1, g(X ) y X g1 (y).
Logo,

h
i
FY (y) = Pr (g(X ) y) = Pr X g1 (y) = FX g1 (y)
Da relao entre a funo de densidade de probabilidade e a funo de distribuio e da

regra da cadeia, segue que:
h
i dg1 (y)
h
i dg1 (y)
0
0
fY (y) = FY (y) = FX g1 (y)
= fX g1 (y)
(B.2)
dy
dy
105
106
APNDICE B. FUNES DE VARIVEIS ALEATRIAS CONTNUAS
Figura B.1 Inversa de uma funo crescente
Como a inversa de uma funo crescente tambm crescente, resulta que

portanto, (B.2) pode ser reescrita como
h
i dg1 (y)
0
1

fY (y) = FY (y) = fX g (y)
dy
dg1 (y)
dy
> 0 e,
(B.3)
Quando g(x) decrescente, vale notar que que g0 (x) < 0 e, conforme ilustrado na Figura
B.2, g(X ) y X g1 (y).
Figura B.2 Inversa de uma funo decrescente

Dessa forma,

h
i
FY (y) = Pr (Y y) = Pr (g(X ) y) = Pr X g1 (y) = 1 Pr X < g1 (y)
h
i
h
i
= 1 Pr X g1 (y) = 1 FX g1 (y)
B.1. FUNES INVERSVEIS
107
e, portanto
h
i dg1 (y)
h
i dg1 (y)
0
0
fY (y) = FY (y) = FX g1 (y)
= fX g1 (y)
dy
dy
(B.4)
Como dgdy(y) < 0 (lembre que estamos considerando g decrescente agora, o que implica que
a inversa tambm decrescente), resulta

dg1 (y) dg1 (y)
=
dy
dy
e (B.4) pode ser reescrita como
h
i dg1 (y)
0

fY (y) = FY (y) = fX g1 (y)
dy
(B.5)
Os resultados (B.3) e (B.5), para funes crescentes e decrescentes, podem ser reunidos para
completar a prova do teorema.
Quando a funo no monotna, no podemos aplicar o teorema acima e nem sempre

conseguiremos obter uma expresso usando os recursos vistos neste curso.

Variaveis Aleatórias Continuas

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Variaveis Aleatórias Continuas

Hochgeladen von

Copyright:

Verfügbare Formate

Universidade Federal Fluminense

Instituto de Matemtica e Estatstica

Mtodos Estatsticos Aplicados Economia II

Ana Maria Lima de Farias

1 Variveis Aleatrias Contnuas

Varivel aleatria contnua . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Funo densidade de probabilidade . . . . . . . . . . . . . . . . . . . . . . . . . . .

Esperana e varincia de variveis aleatrias contnuas . . . . . . . . . . . . . . .

Esperana de funes de variveis aleatrias contnuas . . . . . . . . . .

Propriedades da mdia e da varincia . . . . . . . . . . . . . . . . . . . . .

2 Algumas distribuies contnuas

Alguns resultados sobre a funo exponencial . . . . . . . . . . . . . . . .

O grfico da distribuio gama . . . . . . . . . . . . . . . . . . . . . . . . .

Funo de distribuio acumulada . . . . . . . . . . . . . . . . . . . . . . .

3 Funes de Variveis Aleatrias Contnuas

Mtodo da funo de distribuio . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Alguns resultados de Clculo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Densidade normal padro . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Caractersticas da curva normal padro . . . . . . . . . . . . . . . . . . . .

Funo de distribuio acumulada . . . . . . . . . . . . . . . . . . . . . . .

A Tabela da Normal Padro . . . . . . . . . . . . . . . . . . . . . . . . . . .

A Tabela da Distribuio Acumulada da Normal Padro . . . . . . . . . .

A varivel aletria N(; 2 ) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Caractersticas da curva normal . . . . . . . . . . . . . . . . . . . . . . . . .

Funo de distribuio acumulada . . . . . . . . . . . . . . . . . . . . . . .

Clculos com a distribuio normal . . . . . . . . . . . . . . . . . . . . . . .

Encontrando a abcissa da normal para uma probabilidade especfica . .

Exemplos de Aplicao da Distribuio Normal . . . . . . . . . . . . . . .

B Funes de Variveis Aleatrias Contnuas

B.1 Funes inversveis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105

Variveis Aleatrias Contnuas

No estudo das distribuies de frequncia para variveis quantitativas contnuas, vimos

CAPTULO 1. VARIVEIS ALEATRIAS CONTNUAS

Figura 1.1 Histograma e polgono de frequncia de uma varivel contnua

Figura 1.3 Probabilidade como rea

1.2. VARIVEL ALEATRIA CONTNUA

Varivel aleatria contnua

DEFINIO Varivel aleatria

DEFINIO Variveis aleatrias discretas e contnuas

Funo densidade de probabilidade

Os valores de uma varivel aleatria contnua so definidos a partir do espao amostral

CAPTULO 1. VARIVEIS ALEATRIAS CONTNUAS

DEFINIO Funo densidade de probabilidade

1.4. FUNO DE DISTRIBUIO

DEFINIO Funo densidade de probabilidade

Para deixar clara a relao entre a funo densidade de probabilidade e a respectiva

P(a X b) = P(a X < b) = P(a < X b) = P(a < X < b)

Da mesma forma que a funo de probabilidade de uma varivel aleatria discreta,

CAPTULO 1. VARIVEIS ALEATRIAS CONTNUAS

DEFINIO Funo de distribuio

Figura 1.5 Funo de distribuio acumulada de uma v.a. contnua

Como no caso discreto, valem as seguintes propriedades para a funo de distribuio

a < b FX (a) FX (b)

1.5. ESPERANA E VARINCIA DE VARIVEIS ALEATRIAS CONTNUAS

Da interpretao de probabilidade como rea, resulta que FX (x) a rea esquerda

Existe uma relao entre a funo densidade de probabilidade e a funo de distribuio

e do Teorema Fundamental do Clculo resulta que

isto , a funo densidade de probabilidade a derivada da funo de distribuio acumulada.

Esperana e varincia de variveis aleatrias contnuas

Nas distribuies de frequncias agrupadas em classes de variveis quantitativas

CAPTULO 1. VARIVEIS ALEATRIAS CONTNUAS

DEFINIO Esperana de uma varivel aleatria contnua

Esperana de funes de variveis aleatrias contnuas