Get00118 I-0 PDF

Universidade Federal Fluminense
Instituto de Matemtica e Estatstica
Variveis Aleatrias Contnuas
Ana Maria Lima de Farias

Departamento de Estatstica
Contedo
1 Variveis Aleatrias Contnuas 1
1.1 Noes bsicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Varivel aleatria contnua . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3 Funo densidade de probabilidade . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.4 Funo de distribuio acumulada . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.5 Esperana e varincia de variveis aleatrias contnuas . . . . . . . . . . . . . . 7
1.5.1 Esperana . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.5.2 Esperana de funes de variveis aleatrias contnuas . . . . . . . . . 8
1.5.3 Varincia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.5.4 Propriedades da mdia e da varincia . . . . . . . . . . . . . . . . . . . . 9
1.6 Exemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.7 Exerccios propostos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2 Algumas distribuies contnuas 26
2.1 Distribuio uniforme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.1.1 Funo densidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.1.2 Funo de distribuio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.1.3 Esperana e varincia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.1.4 Exemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.2 Distribuio exponencial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.2.1 Funo densidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
i
CONTEDO
2.2.3 Alguns resultados sobre a funo exponencial . . . . . . . . . . . . . . . 32
2.2.5 Parametrizao alternativa . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
2.2.6 Exemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
2.3 Distribuio gama . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.3.1 A funo gama . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.3.2 A distribuio gama . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.3.3 O grfico da distribuio gama . . . . . . . . . . . . . . . . . . . . . . . . 38
2.3.5 Funo de distribuio acumulada . . . . . . . . . . . . . . . . . . . . . . 41
2.4 A distribuio Erlang . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
2.5 A distribuio qui-quadrado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
2.6 Distribuio de Pareto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
2.6.1 Funo de densidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
3 Funes de Variveis Aleatrias Contnuas 46
3.1 Transformaes da uniforme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
3.2 Funes inversveis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.2.1 Transformao linear . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
3.3 Exemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
4 A Distribuio Normal 52
4.1 Alguns resultados de Clculo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
4.2 Densidade normal padro . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
Departamento de Estatstica ii
CONTEDO
4.2.1 Definio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
4.2.3 Caractersticas da curva normal padro . . . . . . . . . . . . . . . . . . . 55
4.2.4 Funo de distribuio acumulada . . . . . . . . . . . . . . . . . . . . . . 56
4.2.5 A Tabela da Normal Padro . . . . . . . . . . . . . . . . . . . . . . . . . . 56
4.2.6 A Tabela da Distribuio Acumulada da Normal Padro . . . . . . . . . 64
4.3 A varivel aletria N(; 2 ) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
4.3.1 Definio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
4.3.2 Caractersticas da curva normal . . . . . . . . . . . . . . . . . . . . . . . . 68

4.3.3 Parmetros da N ; 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
4.3.4 Funo de dsitribuio acumulada . . . . . . . . . . . . . . . . . . . . . . 70
4.3.5 Clculos com a distribuio normal . . . . . . . . . . . . . . . . . . . . . . 71
4.3.6 Encontrando a abscissa da normal para uma probabilidade especfica . 75
4.3.7 Exemplos de Aplicao da Distribuio Normal . . . . . . . . . . . . . . 80
4.4 A distribuio log-normal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
4.4.1 Definio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
4.4.2 Esperana . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
4.4.3 Varincia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
A Tabelas da Distribuio Normal 93
Departamento de Estatstica iii

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 au-
mentamos 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 de densidade de probabilidade.
Considere, agora, a Figura 1.2, onde ilustramos um fato visto anteriormente: para esti-
mar a frequncia de valores da distribuio entre os pontos a e b, podemos usar a rea dos
retngulos sombreados de cinza claro.
1
CAPTULO 1. VARIVEIS ALEATRIAS CONTNUAS
Figura 1.1 Histograma e polgono de frequncia de uma varivel contnua
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
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 de densidade de probabilidade, delimitada
pelos pontos a e b.
Figura 1.2 Probabilidade como Figura 1.3 Probabilidade como rea

frequncia relativa sob o polgono de frequncia
Departamento de Estatstica 2
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 de densidade de probabilidade utili-

zando 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.
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 b
P(a X b) = f(x)dx
a
Para deixar clara a relao entre a funo de 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 de 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
segmento
Ra tem 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 acumulada
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 proba-
bilidade associada varivel aleatria X . Tambm como no caso discreto, podemos calcular
probabilidades associadas a uma varivel aleatria contnua X a partir da funo de distri-
buio acumulada (tambm denominada simplesmente funo de distribuio).
DEFINIO Funo de distribuio acumulada
Dada uma varivel aleatria X , a funo de distribuio acumulada 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)

x
lim FX (x) = 0 (1.4)

x
a < b FX (a) FX (b) (1.5)
Da interpretao de probabilidade como rea, resulta que FX (x) a rea esquerda

de x sob a curva de densidade fX . Veja a Figura 1.6.
Figura 1.6 Funo de distribuio acumulada - clculo a partir da rea sob a curva de 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 x
FX (x) = P(X x) = fX (u)du (1.6)

e do Teorema Fundamental do Clculo resulta que
d
fX (x) = FX (x) (1.7)
dx
isto , a funo densidade de probabilidade a derivada da funo de distribuio acumulada.
1.5 Esperana e varincia de variveis aleatrias contnuas
1.5.1 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 proba-

bilidade fX . A esperana (ou dia ou valor esperado) de X definida
como Z +
E(X ) = xfX (x)dx (1.8)

1.5.2 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 )] = h(x)fX (x)dx (1.9)

1.5.3 Varincia
Vimos, tambm, que a varincia, uma medida de disperso, era calculada como a mdia dos
desvios quadrticos em torno da mdia, ou seja
X
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 con-

tnua
Seja X uma varivel aleatria contnua com funo de densidade de pro-

babilidade fX . A varincia de X definida como
Z +
Var(X ) = [x E(X )]2 fX (x)dx (1.10)

O desvio-padro definido como

p
DP(X ) = Var(X ) (1.11)
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 +
= x fX (x)dx 2
2
xfX (x)dx + 2
fX (x)dx

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 )
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 1.7.
(a) Encontre o valor de k para que fX seja uma funo de 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 acumulada de X .
Soluo
Figura 1.7 Funo densidade de probabilidade para o Exemplo 1.1
(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
1 = (5 1) k k =
4
ou Z 5
1
kdx = 1 k x|51 = 1 k(5 1) = 1 k =
1 4
(b) Temos que
1
4
se 1 x 5
fX (x) =

0 caso contrrio
(c) A probabilidade pedida a rea sombreada na Figura 1.8. Logo,
1 1
P(2 X 3) = (3 2) =
4 4
ou Z 3
1 1
P(2 X 3) = dx =
2 4 4
(d) Por argumentos de simetria, a esperana o ponto mdio, ou seja, E(X ) = 3. Usando a
definio, temos:
Z 5 5 !
1 1 x 2 1
E(X ) = xdx = = (25 1) = 3
1 4 4 2 1 8
Figura 1.8 P(2 X 3)
Para o clculo da varincia, temos que calcular E(X 2 ) :

Z 5
5
1 2 1 x 3 1 124 31
E(X ) =
2
x dx = = (125 1) = =
1 4 4 3 1 12 12 3
e
31 31 27 4
V ar(X ) = 32 = =
3 3 3
(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.
Temos que ter
1
0, 6 = (k 1) k = 3, 4
4
Usando integral, temos ter
Z k
1 1
dx = 0, 6 = (k 1) = 0, 6 k = 3, 4
1 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,
x 1
FX (x) =
4
Figura 1.9 Clculo de k tal que P(X k) = 0, 6
e a expresso completa de FX

0 se x < 1
x1
FX (x) = 4
se 1 x 5
se x > 5

1
cujo grfico est ilustrado na 1.11.
Figura 1.10 Clculo de F (x) para Figura 1.11 Funo de distribui-

o Exemplo 1.1 o acumulada para o Exemplo 1.1

EXEMPLO 1.2 Funo linear
Considere a funo fX apresentada na 1.12.
(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 acumulada 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
(a) Veja a Figura 1.13 a rea sob a funo de densidade a rea de um trapzio com bases
0,1 e k e altura 5. Como essa rea tem que ser 1, resulta que
k + 0, 1
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,
0, 18 + 0, 14
Pr(2 X 3) = 1 = 0, 16
2
Figura 1.13 rea sob a funo Figura 1.14 P(2 X 3) para o

densidade fX do 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
FX (x) = (x 1)
2
= (0, 08 + 0, 02x)(x 1)
ou seja,
0 se x < 1
FX (x) = 0, 02x + 0, 06x 0, 08 se 1 x 6
2
se x > 6

1
Na Figura 1.16 dado o grfico da funo de distribuio.

Usando integral, temos que
Z x x
0, 04t 2
F (x) = (0, 06 + 0, 04t)dt = 0, 06t +
1 2 1

= 0, 06x + 0, 02x 2 (0, 06 + 0, 02)
= 0, 02x 2 + 0, 06x 0, 08 1x6
Figura 1.15 Funo de distribui- Figura 1.16 Funo de distribui-

o como rea Exemplo 1.2 o para o 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 2 + 3k
34 = 0
3 9 + 4 34
k =
2
A raiz que fornece resultado dentro do domnio de variao de X

3 + 9 + 4 34
k= 4, 5208
2
(e) Temos que

Z 6
6
x2 x 3
E(X ) = x (0, 06 + 0, 04x) dx = 0, 06 + 0, 04
1 2 3 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
6
x3 x 4
2
E(X ) = x (0, 06 + 0, 04x) dx = 0, 06 + 0, 04
2
1 3 4 1
= (0, 02 216 + 0, 01 1296) (0, 02 + 0, 01)
= 4, 32 + 12, 96 0, 03 = 17, 25
2
11, 75 155, 25 138, 0625
Var(X ) = 17, 25 = = 1, 9097
3 9

EXEMPLO 1.3 Densidade triangular
Considere a funo fX apresentada na Figura 1.17.
(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 acumulada de X
(f) Determine o valor de k tal que Pr(X k) = 0, 6.

5 3 9
(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
(b) A funo fX dada por 2 equaes de reta. A primeira uma reta de inclinao positiva
que passa pelos pontos (0,
0) e 2, 1
2
. A segunda uma reta de inclinao negativa, que
1
passa pelos pontos 2, 2 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 substi-
tuindo esse valor de a na segunda equao, resulta que b = 41 .
Para a segunda reta, temos o seguinte sistema:
0 = a+b4
1
= a+b2
2
Subtraindo a segunda equao da primeira, resulta
1 1
0 = (a a) + (4b 2b) b =
2 4
Substituindo na primeira equao, encontramos que a = 1.
Combinando essas duas equaes, obtemos a seguinte expresso para fX :
x

4
se 0 x < 2

fX (x) = 1 x4 se 2 x 4

se x < 0 ou x > 4

0
(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 dos dois tringulos 41 ; basta substituir o valor de x = 1 na primeira
equao e o valor de x = 3 na segunda equao. Logo, a rea de cada um dos tringulos
21 1 41 = 18 e, portanto,
1 6 3
P(1 X 3) = 1 2 = =
8 8 4
Figura 1.18 Clculo de P(1 X 3) para o Exemplo 1.3
Usando integral, temos

Z Z 3
x
2
x
P(1 X 3) = dx + 1 dx
1 4 2 4
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
(d) Como a funo simtrica, resulta que E(X ) = 2.
Z 2 3 Z 4
x x
2
E(X ) = dx + x2 1 dx
0 4 2 4
4 2 3 4
x x x 4
= +
16 0 3 16 2

16 64 256 8 16
= 0 +
16 3 16 3 16
64 8
= 1+ 16 + 1
3 3
56 14
= 14 =
3 3
14 2
Var(X ) = 4=
3 3
(e) Assim como a funo de densidade de probabilidade, a funo de distribuio acumulada
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 ?? e para x [2, 4], a rea sombreada na Figura 1.20 e essa rea
pode ser calculada pela lei do complementar.
Logo,
1 x
FX (x) = (x 0) x [0, 2)
2 4
Para x [2, 4], temos que
1 x
FX (x) = 1 (4 x) 1
2 4
Figura 1.19 Clculo de FX (x) Figura 1.20 Clculo de FX (x)

para 0 x 2 Exemplo 1.3 para 2 x 4 Exemplo 1.3
Combinando os resultados obtidos, resulta a seguinte expresso para FX :

0 se x < 0
x se 0 x < 2
1 2
FX (x) = 8

1 8 (4 x) se 2 x 4
1 2
se x > 4

1
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.
(f) Queremos determinar k tal que F (k) = 0, 6. Como F (2) = 0, 5, resulta que k > 2.
Substituindo na expresso de F (x), temos que ter
1
1 (4 k)2 = 0, 6 =
8
1
1 16 8k + k 2 = 0, 6 =
8
k2
12+k = 0, 6 =
8
k2
k + 1, 6 = 0 =
8
k 2 8k + 12, 8 = 0 =

8 64 4 12, 8 8 12, 8
k = =
2 2
Figura 1.21 Funo de distribuio para o Exemplo 1.3
A raiz que fornece resultado dentro do domnio de definio de X

8 12, 8
k= 2, 21
2
P(A B)
(g) Sabemos que P(A|B) = . Assim,
P(B)

5 3 9 P X 54 43 X 49
P X X =
4 4 4 P 43 X 94

P 43 X 54 FX 45 FX 3
4
= =
P 43 X 94 FX 49 FX 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
2
9 1 9 79
FX = 1 4 =
4 8 4 128
Resulta que

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

EXEMPLO 1.4 Demanda de um produto (Bussab & Morettin)
A demanda diria de arroz num supermercado, em centenas de quilos, uma varivel alea-
tria com funo de densidade de probabilidade
2
3x se 0 x < 1
f(x) = x3 + 1 se 1 x < 3
se x < 0 ou x > 3

0
(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 1.22, 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,
1 1 3 1 3
Pr(X 1, 5) = 1, 5 0, 5 = = = 0, 375
2 2 2 2 8
Figura 1.22 Clculo de P(X > 1, 5) Exemplo 1.4
Em termos de integral, temos que
Z
x 2 3 2
3 x 3 1, 52
Pr(X 1, 5) = + 1 dx = + x = + 3
+ 1, 5
1,5 3 6 1,5 6 6
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 quanti-
dade 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) = 31 , k tem que ser maior que 1, ou seja, k est no tringulo superior
(veja a Figura 1.23).
Figura 1.23 Clculo de k tal que P(X k) = 0, 95 Exemplo 1.4
Mas Pr(X k) = 0, 95 equivalente a Pr(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 2 6k + 8, 7 = 0

6 36 4 8.7
k =
2
A raiz que d a soluo dentro do domnio de X

6 36 4 8.7
k= = 2, 45 centenas de quilos
2
Usando integrao:
x Z 2 3
3
x
P(X > k) = 0, 05 + 1 dx = 0, 05 + x = 0, 05
k 3 6 k
2 2
3 k k 2
9
+3 +k = 0, 05 k + 0, 05 = 0 k 2 6k + 8, 7 = 0
6 6 6 6
mesma equao obtida anteriormente.

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 21 13 X 32
1.3 O dimetro de um cabo eltrico uma varivel aleatria contnua com funo de den-
sidade 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 1.24.
(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.
Figura 1.24 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) = x5 se 0 < x < 1
se x 1

1
Calcule E(X ) e V ar(x). (Resp.: 5/6; 5/252)
Captulo 2
Algumas distribuies contnuas
2.1 Distribuio uniforme
2.1.1 Funo densidade
Considere a funo fX apresentada na Figura 2.1, em que a e b so nmeros conhecidos.
Figura 2.1 Funo de 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
26
CAPTULO 2. ALGUMAS DISTRIBUIES CONTNUAS
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.
DEFINIO Distribuio uniforme
Uma v.a. contnua X tem distribuio uniforme no intervalo [a, b] se sua

funo de densidade dada por

1

se x [a, b]
f(x) = ba (2.1)

0 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 de densidade esquerda de x, conforme
ilustrado na Figura 2.2.
Figura 2.2 Funo de distribuio acumulada da densidade uniforme como rea
1
Essa a rea de um retngulo com base (x a) e altura . Logo,
ba

0x a se x < a

FX (x) = se a x b (2.2)
ba

1 se x > b
O grfico dessa funo de distribuio acumulada apresentado na Figura 2.3.
Figura 2.3 Funo de distribuio acumulada 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] :
a+b
E (X ) =
2
Vamos, agora, calcular E(X 2 ).

Z b Z b
1 b3 a 3 a2 + b2 + ab
2
E(X ) = x f(x)dx =
2
x2 dx = =
a a ba 3(b a) 3
Logo,
2
a2 + b2 + ab a+b 4a2 + 4b2 + 4ab 3a2 6ab 3b2
Var(X ) = =
3 2 12
b 2ab + a
2 2
(b a)2
= =
12 12
Resumindo:
a+b

E(X ) =
2
X Unif(a, b) (2.3)
Var(X ) = (b a)

2

12
2.1.4 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].
(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
355 353
P(X > 353) = = 0, 2
355 345
(b) Pede-se
346 345
P(X < 346) = = 0, 1
355 345
(c) Pede-se
346 345 355 354
P(X < 350 4) + P(X > 350 + 4) = + = 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 vari-
ncia 6,75. Determine os valores de a e b, sabendo que b > a > 0.
Soluo

a+b

= 7, 5
2
(b a) = 6, 75

2

12

Da segunda equao, resulta que (b a)2 = 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
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 de 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.
2.2.1 Funo densidade
Para que uma funo f(x) seja uma funo densidade, sua integral no domnio dedefi-
nio tem que ser igual a 1. Considerando, ento, a funo f(x) = ex para x > 0,
temos que
Z
x 1 x 1
e dx = e =
0 0
Figura 2.4 Grfico das funes f(x) = ex e g(x) = ex
Logo,
Z Z
x
e dx = 1 ex dx = 1
0 0
x
e, portanto, f(x) = e define uma funo de densidade de probabilidade para x > 0.
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.
Por definio, temos que

Z x Z x x
et dt = et 0 = ex 1

F (x) = Pr (X x) = f (t) dt =
0 0
Figura 2.5 Densidade exponencial com = 2
ou seja
1 ex se x > 0
F (x) =
se x 0
(2.4)
0
Na Figura 2.6 temos o grfico da funo de distribuio para = 2.
Figura 2.6 Funo de distribuio 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)
x
Vamos demosntrar esse resultado por induo usando a regra de LHpital. Consideremos
inicialmente o caso em que k = 1. Ento

x
lim xex = lim
x x ex

que tem a forma e, portanto, podemos aplicar a regra de LHpital, que diz que
x x x0 1
lim xe = lim x = lim x 0 = lim x = 0
x x e x (e ) x e
Logo, o resultado vale para k = 1. Suponhamos verdadeiro para qualquer k > 1; vamos
mostrar que vale para k + 1. De fato:
k+1 0

k+1
x x (k + 1) x k xk
lim x k+1 ex = lim 0 = (k + 1) 0 = 0
x ex ex x ex
= lim = lim = (k + 1) lim
x x (ex ) x
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)
x
A interpretao desse resultado pode ser vista na Figura 2.7 para o caso de x 3 : para
valores de x maiores que a abscissa do ponto de interseo representado em vermelho, o
valor de ex sempre maior que x 3 e, portanto o limite de ex x zero. Dito de outra forma, a
3
funo exponencial cresce muito mais rapidamente que qualquer funo polinomial.
x3
Figura 2.7 Ilustrao do resultado limx
ex
=0
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 Z

xex 0 x
ex dx

= xe dx +
0 0
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 ) = (2.7)

Desse resultado segue que
Z Z
x
xex dx =
1 1
xe dx = (2.8)
0 0 2
Vamos calcular o segundo momento de uma varivel aleatria exponencial.

Z
2
E(X ) = x 2 ex dx
0
Seguindo raciocnio anlogo ao empregado no clculo da esperana, vamos definir:
u = x 2 du = 2xdx;
dv = ex dx v = ex
Logo,
Z Z Z

x 2 ex 0 x x
xex dx

= x e
2
dx + 2xe dx 0 = E X 2
2
0 0 0
Por (2.8), resulta que

2
E X2 = 2 (2.9)

e, portanto:
2 1 1
Var(X ) = E(X 2 ) [E(X )]2 = 2 Var (X ) = 2 (2.10)
2
Resumindo:
E(X ) = 1
X exp() = (2.11)
Var(X ) = 12
2.2.5 Parametrizao alternativa
possvel parametrizar a densidade exponencial em termos de um parmetro = 1 . Neste

caso,
1 x/
f(x) = e x > 0; > 0

E(X ) =
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.
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) = 14 ex/4 e a funo de distribuio F (x) = 1 ex/4 .

Podemos resolver essa questo por integrao da funo de densidade
Z Z
1 x4 x
P(X > 1) = f(x)dx = e dx = e 4 1 = 0 (e0,25 ) = e0,25 = 0, 7788
1 1 4
ou pelo uso direto da funo de distribuio
Pr(X > 1) = 1 Pr(X 1) = 1 F (1) = 1 [1 e1/4 ] = e0,25 = 0, 7788
(b)
Pr(1 X 2) = Pr(X 2) Pr(X < 1)

= Pr(X 2) Pr(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
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 da distribuio gama, que utiliza a funo

gama, cuja definio apresentamos a seguir.
2.3.1 A funo gama
A funo gama definida pela seguinte integral:

Z
() = ex x 1 dx 1
0
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, iremos usar integrao por partes.
Z
( + 1) = ex x dx
0
Fazendo
u = x du = x 1
dv = ex dx v = ex
Logo,
Z

( + 1) = x ex |0 ex x 1 dx
0
Z
( + 1) = 0 + ex x 1 dx
0
( + 1) = ()
Aqui usamos o resultado dado em (2.5).
Vamos trabalhar, agora, com = n inteiro.

Z Z
x 11
(1) = e x dx = ex dx = 1
0 0
(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)
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/
1
se x > 0

()

f(x) = (2.13)

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 de densidade,
notamos inicialmente que f(x) 0. Alm disso,
Z Z Z
1 x/
x 1 ex/ dx
1 1
f(x)dx =
x e =
0 0 () () 0
x
Fazendo a mudana de varivel = t resulta

x = t
dx = dt
x = 0t=0
x = t=
e, portanto,
Z Z
x 1 ex/ dx =
1
f(x)dx =
0 () 0
Z
(t)1 et dt
1
() 0
=
Z

t 1 et dt
1
=

() 0
1
= () = 1
()
Logo, as duas condies para uma funo de densidade so satisfeitas. Usaremos a

notao X gama(; ) para indicar que a varivel aleatria X tem distribuio gama com
parmetros , .
2.3.3 O grfico da distribuio gama
Qualquer que seja o valor do parmetro , temos que
lim f(x) = 0
x

0 se 1
lim f(x) =
x0
se < 1

Em cada uma das Figuras 2.8 e 2.9, o parmetro est fixo e temos o grfico da
funo de 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 Figura 2.9 Efeito do parmetro

= 2; = 1, 2, 4 = 4; = 1, 2, 4
Figura 2.10 Efeito do parmetro Figura 2.11 Efeito do parmetro

= 2; = 1, 2, 3 = 4; = 1, 2, 3
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

(b) cncava para cima
2. > 1
(a) crescente se x < ( 1)

(b) decrescente se x > ( 1)
(c) mximo em x = ( 1)
2

(d)
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. dois pontos de inflexo: x = 1( 1 1) e x = 1( 1 + 1)

ii. cncava para cima se x < 1( 1 1)

iii. cncava para baixo se 1( 1 1) < x < 1( 1 + 1)

iv. cncava para cima se x > 1( 1 + 1)
Se X gama(; ) , ento
Z Z
xx 1 ex/ dx
1
xf(x)dx =
()
E(X ) =
0 0
Z
x ex/ dx
1
() 0
=
x
Fazendo a mesma mudana de varivel j usada anteriormente = t temos que

Z
(t) et dt
1
() 0
E(X ) =
Z
+1
t et dt
1

()
=
0
Z

= t et dt
() 0

= ( + 1)
()

= ()
()
ou seja,
X gama(, ) E(X ) =
De modo anlogo, vamos calcular o segundo momento da densidade gama.
Z Z
x 2 x 1 ex/ dx
1
2
E(X ) = x f(x)dx =
2

0 () 0
Z
x +1 ex/ dx
1

=
() 0
x
Fazendo a mesma mudana de varivel usada anteriormente = t temos que

Z
(t)+1 et dt
2 1
() 0
E(X ) =
Z
+2
t +1 et dt
1

()
=
0
Z
2
= t +1 et dt
() 0
2
= ( + 2)
()
2
= ( + 1)( + 1)
()
2
= ( + 1)()
()
= 2 ( + 1)
Logo,
Var(X ) = 2 ( + 1) ()2 = 2 2 + 2 2 2 = 2
Resumindo:
E(X ) =
X gama(, ) = (2.14)
Var(X ) =
2
2.3.5 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 de densidade
k1 x/
x e
se x > 0

(k + 1)! k

f(x) = (2.15)

se x 0

0
2.5 A distribuio qui-quadrado
Quando 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
x n/21 ex/2
1
f(x) = n
se x > 0 (2.16)
2
2n/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

2.6 Distribuio de Pareto
2.6.1 Funo de 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
f(x) = se x b
b x
se x < b

0
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 +1 Z

b 1 x
dx = b x dx = b
b 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

x = 0 b b = 1
b
b
Na Figura 2.12 ilustra-se a densidade de Pareto para = 3 e b = 2.
Figura 2.12 Densidade de Pareto com parmetros = 3 e b = 2
Se X Pareto(, b) ento
+1
Z +1 Z
b x
E(X ) = x dx = b x dx = b
b b x b + 1
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
+2
Z +1 Z
2 b +1 x
2
E(X ) = x dx = b x dx = b
b b x b + 2 b
Para que essa integral convirja, temos que ter +2 < 0, ou > 2. Satisfeita esta condio,
b+2 b+2

b2
E(X ) = b 0 = =
+ 2 2 2
Logo,
2
b2 b b2 ( 1)2 2 b2 ( 2)
Var(X ) = =
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:

b
se > 1

E(X ) =
1
X Pareto(, b) = b2 (2.17)

Var(X ) = se > 2
( 1)2 ( 2)
Por definio, F (x) = P(X x) = 0 se x < b. Para x b,

Z x +1 Z x x

b 1 t
F (x) = Pr(X x) = dt = b t dx = b
b b t b
b

b
= b x b = 1

x

se x < b
X Pareto(, b) = F (x) =
0
b

1 se x b
(2.18)
x
Na Figura 2.13 ilustra-se a funo de distribuio de Pareto com paretros = 3 e

b = 2.
Figura 2.13 Funo de distribuio de Pareto com parmetros = 3 e b = 2
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)
(c Que quantia voc deve dar como lance para maximizar a probabilidade de voc ganhar o
leilo?
2.2 Seja X uma varivel aleatria com distribuio exponencial de mdia 8. Calcule as
seguintes probabilidades:
(a) Pr(X > 10) (Resp.: 0, 286505)
(b) Pr(X > 8) (Resp.: 0.36788)
(c) Pr(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.
(a) Qual a probabilidade de que o tempo entre chegadas de veculos neste lava-jato seja
maior que 10 minutos? (Resp.: 0, 434 60)
(b) Qual a probabilidade de que o tempo entre chegadas de veculos neste lava-jato seja
menor que 8 minutos? (Resp.: 0, 486 58)
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 .
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) (3.1)
Temos que 1
1<x <1
fX (x) = 2
0 x 1 ou x 1

0 g(x) < 1
1 < x < 1
0 h(x) < 1
Para calcular a funo de densidade de probabilidade de Y = g(X ) = X 2 devemos notar

que
FY (y) = Pr(Y y) = Pr(X 2 y)

= Pr y X y

= Pr(X y) Pr(X < y)

= Pr(X y) Pr(X y)

= FX y FX y
46
CAPTULO 3. FUNES DE VARIVEIS ALEATRIAS CONTNUAS
e, portanto, usando (3.1) e a regra da cadeia para clculo de derivada de funes compostas,
d
fY (y) = [FY (y)]
dy
d d
= FX y FX y
dy dy

0 0
1 1
= FX y FX y
2 y 2 y
1 1
= fX y + fX y
2 y 2 y

Como 0 y < 1 e 1 < y 0, resulta que fX y = fX y = 12 . Logo
1

2 y
se 0 y < 1
fY (y) =
0 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
fW (w) = FW0 (w) = FX0 (w) FX0 (w)(1) =
= fX (w) + fX (w)
Como 0 w < 1 e 1 < w 0, resulta que fX (w) = fX (w) = 21 . Logo

se 0 y < 1
fW (w) =
1
0 caso contrrio
que a densidade uniforme padro.
3.2 Funes inversveis
Quando a funo g inversvel, possvel obter uma expresso para a funo de densidade
de Y .
TEOREMA 3.1
Seja X uma varivel aleatria contnua com funo de 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:
1 dg1 (y)

fY (y) = fX g (y) (3.2)
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 3.1, g(X ) y X g1 (y).
Figura 3.1 Inversa de uma funo crescente
Logo,
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:
0 0 dg1 (y) dg1 (y)

fY (y) = FY (y) = FX g1 (y) = fX g1 (y)

(3.3)
dy dy
dg1 (y)
Como a inversa de uma funo crescente tambm crescente, resulta que dy
> 0 e,
portanto, (3.3) pode ser reescrita como
1 dg1 (y)

0
fY (y) = FY (y) = fX g (y) (3.4)
dy
Quando g(x) decrescente, vale notar que que g0 (x) < 0 e, conforme ilustrado na Figura
3.2, g(X ) y X g1 (y).
Figura 3.2 Inversa de uma funo decrescente
Dessa forma,
FY (y) = Pr (Y y) = Pr (g(X ) y) = Pr X g1 (y) = 1 Pr X < g1 (y)

= 1 Pr X g1 (y) = 1 FX g1 (y)

e, portanto
0 0 dg1 (y) dg1 (y)
fY (y) = FY (y) = FX g1 (y) = fX g1 (y)

(3.5)
dy dy
1
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 (3.5) pode ser reescrita como
1 dg1 (y)

0
fY (y) = FY (y) = fX g (y) (3.6)
dy
Os resultados (3.4) e (3.6), 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.
3.2.1 Transformao linear
Consideremos a tranformao Y = aX + b, que define uma reta. Se X uma varivel

aleatria contnua com densidade fX (x), ento podemos aplicar o Teorema 3.1 para calcular
a densidade de Y . Se Y = g(X ) = aX + b, ento a funo inversa
Y b
X = g1 (Y ) =
a
cuja derivada
dg1 (y) 1
=
dy a
Logo, a densidade de Y
yb 1
fY (y) = fX (3.7)
a a
3.3 Exemplos
EXEMPLO 3.1
Sejam X Unif(0, 1) ea Y = ln X . Vamos calcular a funo densidade de probabilidade

de Y .
Soluo
A funo densidade de de X

1 se 0 < x < 1
fX (x) =
0 se x 0 ou x 1
e a funo g(x) = ln x estritamente decrescente. Sendo assim, podemos aplicar o Teorema
3.1. Ento, como 0 < x < 1, segue que 0 < y = ln x < (ver Figura 3.3).
Por outro lado, a inversa de y = g(x) = ln x g1 (y) = ey e, portanto,

dg1 (y)
= ey
dy
Como 0 < y < , ento 0 < ey < 1 e a funo de densidade de probabilidade de Y
fY (y) = fX [ey ] |ey | = 1 ey fY (y) = ey
uma vez que fX (x) = 1 no intervalo (0, 1). Note que essa a densidade exponencial com
parmetro igual a 1.
EXEMPLO 3.2
Figura 3.3 Grfico da funo y = g(x) = lnX
Se a funo de densidade da varivel aleatria X dada por

3x 2 se 1 x 0
f(x) =
0 se x < 1 ou x > 0
calcule a funo de densidade de Y = 2X 53 , bem como sua esperana e sua varincia.
Soluo
Temos aqui uma transformao linear 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
2
y + 0, 6 1 3
fY (y) = 3 = (y + 0, 6)2 se 2, 6 y 0, 6
2 2 8
Pelas propriedades da esperana e da varincia, se Y = 2X 3
5
ento
3
E(Y ) = 2 E(X )
5
Var(Y ) = 4 Var(X )
Z 4 0
0
x 3 6 3 30 12
E(X ) = x3x dx = 3 2
= = E(Y ) = = = 2, 1
1 4 1 4 4 5 20
Z 0 2
0
x 5 3 3 3 48 45 3
2
E(X ) = x 3x dx = 3 2
= = V ar(X ) =
2
= =
1 5 1 5 5 4 80 80
3 3
= V ar(Y ) = 4 =
80 20
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 2 r
t
exp dt = (4.1)
0 2 2
Como o integrando uma funo par, temos tambm que

Z 2 Z 2 r
t t
exp dt = 2 exp dt = 2 = 2
2 0 2 2
ou ainda Z 2
t

1
exp dt = 1 (4.2)
2 2

EXEMPLO 4.1 Clculo de de 1
2
Da definio da funo gama, temos que

Z
ex
Z
x 1/21
(1/2) = e x dx = dx
0 0 x
Considere a seguinte transformao de varivel:
t2
x=
2
52
CAPTULO 4. A DISTRIBUIO NORMAL
Ento,
dx = tdt
x = 0t=0
x t
Logo,
Z
Z t 2 /2
r
(1/2) = eq tdt = 2 e t 2 /2
dt = 2

0 t2 0 2
2
ou seja:
(1/2) = (4.3)
4.2 Densidade normal padro
4.2.1 Definio
2
t
Analisando a equao (4.2), vemos que a funo exp
1
satisfaz as condies para
2 2
ser uma funo de densidade.
DEFINIO Densidade normal padro
A varivel aleatria Z tem distribuio normal padro se sua funo de

densidade dada por
2
z
(z) = exp
1
(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).
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
Como E(Z ) = 0 ento

Z 2 Z + 2
+
x x
x exp dx =
1 1
2
Var(Z ) = E(Z ) = 2
x exp
2
dx
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 2
+
x
Var(Z ) = E(Z ) = 2
1
2
x exp
2
dx
2 0 2

x2
Figura 4.1 Grfico de f(x) = x 2 exp
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
2 Z 2 Z 2
x x x
x exp = exp dx + x exp
2
dx (4.5)
2 0 0 2 0 2
Pelos resultados (2.5) e (4.1) resulta
r Z 2 Z 2 r
x x
0= + x exp
2
dx = x exp
2
dx =
2 0 2 0 2 2
Logo, r

Var(Z ) =
2
Var(Z ) = 1 (4.6)
2 2
Resumindo:
Z N(0; 1)
E(Z ) = 0
(4.7)
Var(Z ) = 1
4.2.3 Caractersticas da curva normal padro

1. Simtrica em torno de 0; note que (x) = (x) .
2. Assntotas: lim (x) = lim (x) = 0; esse resultado segue diretamente do fato de
x x
x
que limx e =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
0 x
(x) = exp
1 1
2x = (x)x (4.8)
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 = um ponto de mximo e nesse ponto
(0) =
1
(4.10)
2
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 ou x < 1
e
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
Figura 4.2 Densidade normal padro
4.2.4 Funo de distribuio acumulada
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
exp t dt
1 1 2
(x) = (4.12)
2 2
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 Pr (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 con-

tnuas envolve clculo de reas sob a curva de 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.
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 abscissa 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 abscissas 0,00; 0,01; 0,02, . . . , 0,09; na segunda linha da tabela,
temos probabilidades associadas s abscissas 0,10; 0,11; 0,12; . . . , 0,19; na ltima linha da
tabela, temos probabilidades associadas s abscissas 4,00; 4,01; 4,02; . . . ; 4,09.
A entrada 0,00000 no canto superior esquerdo da tabela corresponde seguinte pro-

babilidade: 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 de
densidade normal padronizada compreendida entre os valores 0 e 0,01 (veja o grfico na
tabela).
Note que esta tabela apresenta probabilidades correspondentes a abscissas 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 de densidade, sombreando a rea correspondente probabilidade
desejada; isso lhe ajudar no clculo da probabildiade. Vamos terminar esta seo apresen-
tando 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 si-
tuaes 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
e 1a . Decimal 0 1 2 3
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
da tabela

rea
EXEMPLO 4.3 P(1 Z 2)
Note que este exemplo trata da rea (probabilidade) entre duas abscissas 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 1 2 3 4
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

Figura 4.6 P(0 Z 2) como rea tabela
e 1a. Decimal 0 1 2 3 4
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

Figura 4.8 P(0 Z 1) como rea 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 abscissa
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)

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 abscissa
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 abscissa
negativa e, agora, comeamos a trabalhar com abscissas negativas. Na Figura 4.16 ilustra-se
a rea (probabilidade) desejada. Pela simetria da curva de 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 abscissa
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 de densidade.
Figura 4.18 P(Z 0, 5) Figura 4.19 P(Z 0)
Figura 4.20 P(0, 5 Z 0) 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 abscissas 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

EXEMPLO 4.9 P(2, 1 Z 1, 4)
Note que este exemplo trata da rea (probabilidade) entre duas abscissas, 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
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)
4.2.6 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.
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

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

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

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 A varivel aletria N(; 2)
4.3.1 Definio
Seja Z N(0; 1) e vamos definir uma nova varivel aleatria X = g(Z ) = + Z , em que
> 0. Usando o resultado (3.7), temos que:
x 1
1 x 2
= exp
1 1
fX (x) = fZ
2 2
ou ainda:
1 x 2
fX (x) =
1
exp
2 2 2
e essa a densidade da normal N(; 2 )
DEFINIO A densidade N(, 2 )
Uma varivel aleatria contnua X , definida para todos os valores da reta

real, tem densidade normal com parmetros e 2 , onde < < e
0 < 2 < , se sua funo de densidade de probabilidade dada por

(x )2
f(x) =
1
exp <x < . (4.13)
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) .
2. Assntotas: lim f(x) = lim f(x) = 0; esse resultado segue diretamente do fato de
x x
x
que limx e =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:

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

00
x h x i h x i
0 1 1
f (x) = f (x) f(x) 2 = f(x) f(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
f() =
1
(4.16)
2 2
4. Pontos de inflexo
Analisando a segunda derivada dada por (4.15), tem-se que:

00 x =+
f (x) = 0 (x ) = |x | =
2 2
x =
(4.17)
Alm disso,
00
f (x) > 0 (x )2 > 2 |x | >
x > ou x > (4.18)
x > + ou x <
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

2 = 1. As linhas pontilhadas passam pelos pontos de inflexo 3 1.
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:
E(X ) =
X N ; 2
Var(X ) = 2
= (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
questo que a forma sempre a de um sino. Na Figura 4.35 temos exemplos de densidades
normais com a mesma varincia, mas com mdias diferentes. O efeito o delocamento da
densidade. J na Figura ??, 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 Figura 4.36 Densidades normais

com mesma varincia e mdias dife- com mesma mdia e varincias dife-
rentes rentes
4.3.4 Funo de dsitribuio acumulada
Como no caso da normal padro, a funo de distribuio acumulada no pode ser cal-
culada 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 dis-
tribuio acumulada para as densidades N(0, 1), N(3, 1) e N(3, 2).
Note que, pela simetria da densidade em torno da mdia , sempre teremos () = 0, 5.
Figura 4.37 Funo de distribuio de vrias densidades normais
4.3.5 Clculos com a distribuio normal
Nesta seo sero apresentados resultados bsicos sobre a distribuio normal, que permi-
tiro 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
X
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 1 31
X 3
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
2
N(0; 1). Logo,

X 1 31 31
P(X 3) = P =P Z
2 2 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.
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 abscissa 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)

12 X 2 72
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

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.

k X + 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.
Lembre-se de que o teorema de Chebyshev fornecia percentuais anlogos para qual-

quer 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 abscissa da normal para uma probabilidade espec-

fica
Nos exemplos vistos at o momento, consideramos situaes em que tnhamos uma abscissa
de uma distribuio normal e queramos a probabilidade associada a essa abscissa. Agora,
vamos lidar com a situao inversa: dada uma probabilidade, qual a abscissa correspon-
dente? 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 abscissa k da normal padro

com 0, 90 de rea (probabilidade) esquerda dela. Como 0,9 a rea esquerda de k,
resulta que ktem de ser maior que zero, isto , temos de 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 abscissa 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 abscissa correspondente: a linha 1,2
e a coluna 8, o que nos d a abscissa 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
normal padro.
P(X k) = 0, 90

X 3 k 3
P = 0, 90
2 2

k 3
P Z = 0, 90
2

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

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

k 3
P 0Z = 0, 40
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 abscissa 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
Como a rea (probabilidade) esquerda de k3

2
menor que 0, 5, isso significa que
k3
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 de densidade, ou seja, temos qde
k 3
usar a simetria da curva. Veja a Figura 4.43 e note que a abscissa simtrica a
2
k 3 3k
= .
2 2
k3
Figura 4.42 P(Z 2
) = 0, 05 Figura 4.43 P(Z k3
2
) = 0, 05
Temos, ento, as seguintes probabilidades equivalentes:

k 3
P Z = 0, 05
2

k 3
P Z = 0, 05
2

k 3
P 0Z = 0, 45
2

k 3
tab = 0, 45
2
O valor mais prximo de 0,45 no corpo da Tabela 1 0,4495 que corresponde abscissa
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
|x| = k ou (4.22)

x=-k
|x| < k k < x < k (4.23)

x>k
|x| > k ou (4.24)

x<-k
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
2P 0Z = 0, 95
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 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 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
tem de ser maior que a mdia.
P(X k) = 0, 10

X 2000 k 2000
P = 0, 10
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
tab = 0, 40
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 abscissa, para lidarmos com rea na metade direita da funo de
densidade.
P(X k) = 0, 05

X 2000 k 2000
P = 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.
Figura 4.46 Soluo do Exemplo 4.26

EXEMPLO 4.27 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 abscissa!
P(X 500) = 0, 10

X 500
P = 0, 10
20 20

500
P Z = 0, 10
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.

EXEMPLO 4.28 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
maior que kS so rejeitados como grandes.
P(D < kI ) = 0, 10

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

kI 200
P Z < = 0, 10
2

kI 200
P Z > = 0, 10
2

200 kI
P Z > = 0, 10
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

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

202, 06
P 0Z = 0, 5
2

202, 06
tab = 0, 5
2
202, 06
' 4, 5 ' 193, 06
2
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 4.28 - tubos pe- Figura 4.49 Exemplo 4.28 - regulagem
quenos e grandes na regulagem original com 0% de tubos grandes

EXEMPLO 4.29 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
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
P = 0, 05
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 distribui-

o normal para modelar o tempo de sobrevivncia de lmpadas ou equipamentos em geral.
Modelos tipo exponencial so mais adequados, pois atribuem probabilidade alta de sobre-
vivncia no incio da vida do equipamento e probabilidade decrescente medida que o
equipamento envelhece.
EXEMPLO 4.30 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 deve ser o maior desvio padro tolervel?
Soluo
Seja X = contedo da garrafa (em ml), ento X N(1000; 2 ).
Queremos que P(X < 990) 0, 01.
Seja 0 o valor do desvio padro de X tal que P(X < 990) = 0, 01. Ento, qualquer
valor de tal que < 0 resulta em P(X < 990) < 0, 01. Veja a Figura 4.50.
A rea sombreada corresponde a P(X < 990) = 0, 10 quando X N(1000; 02 ) (curva de

densidade mais espessa). As duas outras densidades correspondem a distribuies normais
com desvios-padro menores. Note que para essas distribuies, P(X < 990) < 0, 01. Assim,
o desvio-padro mximo tolervel tal que:
P(X < 990) 0, 01

990 1000
P Z < 0, 01

990 1000
P Z > 0, 01

10
P Z > 0, 01

10
0, 5 tab Z > 0, 01

10
tab 0, 49

10 10
2, 33 = 4, 2918
2, 33

4.4 A distribuio log-normal
4.4.1 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 ).
Vamos calcular a funo densidade de probabilidade de uma varivel aleatria log-

normal 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) =

X ln y ln y
= Pr = Pr Z

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,

0 ln y 1 ln y 1
fY (y) = = =
y y
" 2 #
1 ln y
= exp
1 1

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

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

1
= exp 2 + exp dt
2 2 2 2 2 2 2
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 + 2 2 + 2 + 2 2 + 4
E(Y ) = exp 2 + = exp
2 2 2 2 2

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

Z " 2 #
y
y2
1 1 ln
E(Y 2 ) = exp dy
0 y 2 2 2
Z " 2 # Z " 2 #
t t
= dt =
1 1 1 1
e2t exp exp + 2t dt
2
2 2 2 2 2
Z 2
t 2t + 2 4 2 t
=
1
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
2
=
1
exp exp 2 dt =
2 2 2 2 2
Z " 2 2 #
2 t 2 2t + 2 2 + + 2 2 + 2 2
= exp 2
1
exp dt
2 2 2 2 2
Z ( 2 ) 2 !
2 t + 2 2 + 2 2
= exp 2
1
exp exp dt
2 2 2 2 2 2 2
2 ! " Z ( 2 ) #
2 + 2 2 t + 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
E(Y ) = exp 2 +
2
= exp
2 2 2 2 2

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

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

= exp 2 + 2 2 exp 2 + 2
" #
exp 2 + 2 2
= exp 2 + 2
1 =
exp (2 + 2 )

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

= exp 2 + 2 exp 2 1

2

Definindo m = E(X ) = exp + 2
, temos que m2 = exp 2 + 2 . Logo,
h 2 i
Var(Y ) = m2 e 1 (4.26)

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 regula-
gem 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)
(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 da Distribuio Normal
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
93
APNDICE A. TABELAS DA DISTRIBUIO NORMAL
Tabela 1
Valores de p
p = P(0 < Z < z )
a
Casa inteira 2 decimal
Decimal 0 1 2 3 4 5 6 7 8 9
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 abscissas maiores que 4,09, use a probabilidade 0,5000
APNDICE A. TABELAS DA DISTRIBUIO NORMAL
Tabela 2
Valores de p
a
Casa inteira 2 decimal
Decimal 0 1 2 3 4 5 6 7 8 9
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 abscissas maiores que 4,09, use a probabilidade 1,0000

Get00118 I-0 PDF

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Get00118 I-0 PDF

Загружено:

Авторское право:

Доступные форматы

Universidade Federal Fluminense

Instituto de Matemtica e Estatstica

Variveis Aleatrias Contnuas

Ana Maria Lima de Farias

1 Variveis Aleatrias Contnuas 1

1.1 Noes bsicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1

1.2 Varivel aleatria contnua . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3

1.3 Funo densidade de probabilidade . . . . . . . . . . . . . . . . . . . . . . . . . . 3

1.4 Funo de distribuio acumulada . . . . . . . . . . . . . . . . . . . . . . . . . . . 5

1.5 Esperana e varincia de variveis aleatrias contnuas . . . . . . . . . . . . . . 7

1.5.2 Esperana de funes de variveis aleatrias contnuas . . . . . . . . . 8

1.5.4 Propriedades da mdia e da varincia . . . . . . . . . . . . . . . . . . . . 9

1.7 Exerccios propostos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24

2 Algumas distribuies contnuas 26

2.1 Distribuio uniforme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26

2.1.1 Funo densidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26

2.1.2 Funo de distribuio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27

2.1.3 Esperana e varincia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28

2.2 Distribuio exponencial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30

2.2.1 Funo densidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30

2.2.2 Funo de distribuio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31

2.2.3 Alguns resultados sobre a funo exponencial . . . . . . . . . . . . . . . 32

2.2.4 Esperana e varincia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33

2.2.5 Parametrizao alternativa . . . . . . . . . . . . . . . . . . . . . . . . . . . 35

2.3 Distribuio gama . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36

2.3.1 A funo gama . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36

2.3.2 A distribuio gama . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37

2.3.3 O grfico da distribuio gama . . . . . . . . . . . . . . . . . . . . . . . . 38

2.3.4 Esperana e varincia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39

2.3.5 Funo de distribuio acumulada . . . . . . . . . . . . . . . . . . . . . . 41

2.4 A distribuio Erlang . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41

2.5 A distribuio qui-quadrado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41

2.6 Distribuio de Pareto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42

2.6.1 Funo de densidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42

2.6.2 Esperana e varincia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43

2.6.3 Funo de distribuio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43

2.7 Exerccios propostos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44

3 Funes de Variveis Aleatrias Contnuas 46

3.1 Transformaes da uniforme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46

3.2 Funes inversveis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47

3.2.1 Transformao linear . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50

4.1 Alguns resultados de Clculo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52

4.2 Densidade normal padro . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53

4.2.2 Esperana e varincia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53

4.2.3 Caractersticas da curva normal padro . . . . . . . . . . . . . . . . . . . 55

4.2.4 Funo de distribuio acumulada . . . . . . . . . . . . . . . . . . . . . . 56

4.2.5 A Tabela da Normal Padro . . . . . . . . . . . . . . . . . . . . . . . . . . 56

4.2.6 A Tabela da Distribuio Acumulada da Normal Padro . . . . . . . . . 64

4.3 A varivel aletria N(; 2 ) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67

4.3.2 Caractersticas da curva normal . . . . . . . . . . . . . . . . . . . . . . . . 68

4.3.4 Funo de dsitribuio acumulada . . . . . . . . . . . . . . . . . . . . . . 70

4.3.5 Clculos com a distribuio normal . . . . . . . . . . . . . . . . . . . . . . 71

4.3.6 Encontrando a abscissa da normal para uma probabilidade especfica . 75

4.3.7 Exemplos de Aplicao da Distribuio Normal . . . . . . . . . . . . . . 80

4.4 A distribuio log-normal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87

4.5 Exerccios propostos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90

A Tabelas da Distribuio Normal 93

Departamento de Estatstica iii

Variveis Aleatrias Contnuas

1.1 Noes bsicas

Figura 1.1 Histograma e polgono de frequncia de uma varivel contnua

Figura 1.2 Probabilidade como Figura 1.3 Probabilidade como rea

1.2 Varivel aleatria contnua