MINISTÉRIO DA EDUCAÇÃO

UNIVERSIDADE FEDERAL DE PELOTAS

INSTITUTO DE FÍSICA E MATEMÁTICA
DEPARTAMENTO DE MATEMÁTICA E ESTATÍSTICA

ELEMENTOS DE PROBABILIDADE
CONTEÚDO

Alguns Modelos Probabilísticos para v.a contínuas

Variáveis aleatórias contínuas

Distribuição Uniforme

Distribuição Exponencial

Distribuição Normal ou Gaussiana

Distribuição Qui-Quadrado

Distribuição t de Student

Distribuição F de Snedecor

2
 ALGUNS MODELOS PROBABILÍSTICOS
PARA V.A. CONTÍNUAS

Definição: Diz-se que X é uma variável aleatória contínua, se existir uma

função f, denominada função densidade de probabilidade (fdp) de X que
satisfaça às seguintes condições:

(a ) f ( x) ≥ 0 para todo x,
+∞
(b) ∫ f ( x)dx = 1,
−∞
d
(c) P(c ≤ x ≤ d ) = ∫ f ( x)dx, ∀c, d ∈ℜ, com − ∞ < c < d < +∞
c

3
 ALGUNS MODELOS PROBABILÍSTICOS
PARA V.A. CONTÍNUAS

Comentários:

a) Estaremos essencialmente dizendo que X é uma variável aleatória

contínua, se X puder tomar todos os valores em algum intervalo
(c, d) onde c e d podem ser -∞ e +∞, respecitvamente.

b) P(c < X <d ) representa a área sob a curva no gráfico da fdp f, entre
x = c e x = d.

4
 ALGUNS MODELOS PROBABILÍSTICOS
PARA V.A. CONTÍNUAS

Comentários:

d) Constitui uma consequência da descrição probabilística de X, dada no

slide anterior que, para qualquer valor especificado de X, digamos x0,
teremos P(X = x0) = 0, pois

x0
∫x0
f ( x)dx = 0
Consequentemente, as seguintes probabilidades serão todas iguais, se X
for uma v. a. contínua.

P(c ≤ x ≤ d ), p(c ≤ x < d ), P(c < x ≤ d ), P(c < x < d )

5
 ALGUNS MODELOS PROBABILÍSTICOS
PARA V.A. CONTÍNUAS

Exemplo: Suponha que a v. a. X seja contínua e seja sua fdp dada por:
2 x, x ∈ (0,1)
f ( x) = 
0, x ∉ (0,1)
f(x)

(1,2)
Evidentemente, f(x) ≥ 0 e

+∞ 1 x2 1
∫−∞
f ( x)dx = ∫ 2 xdx = 2.
0 2 0
=1
X

Para calcular a P(X ≤ 1/2), deve-se apenas calcular a integral

x2 12  1  1
2
1/ 2 6
∫0
2 xdx = 2. =  =
2 0 2 4
 ALGUNS MODELOS PROBABILÍSTICOS
PARA V.A. CONTÍNUAS

O conceito de probabilidade condicionada pode ser aplicada a variáveis

aleatórias. No exemplo anterior, podemos calcular a
p(X ≤ ½ / 1/3 ≤ X ≤ 2/3) do seguinte modo.

1 1
P ≤ X ≤ 
 1 1 2  3 2
P X ≤ / ≤ X ≤  =
 2 3 3 1 2
P ≤ X ≤ 
3 3
1

∫
2
2 xdx 5
1
3 36 5
= 2
= =
1 12
∫
3
1
3 xdx 3
3
7
 ALGUNS MODELOS PROBABILÍSTICOS
PARA V.A. CONTÍNUAS

Exemplo: Seja X a duração da vida (em horas) de um certo tipo de

lâmpada. Admitindo-se que X seja uma v. a. contínua, suponha-se que a
fdp f de X seja dada por:

 a
 3 , 1500 ≤ x ≤ 2500
f ( x) =  x
0, para quaisquer outros valores
Determine o valor da constante a.

8
 ALGUNS MODELOS PROBABILÍSTICOS
PARA V.A. CONTÍNUAS

Para calcular a constante a recorre-se à condição de que

+∞

Daí, teremos:
∫−∞
f ( x)dx = 1.

2500 a
∫1500 x3 dx = 1 ⇒
a = 7.031.250

9
 ALGUNS MODELOS PROBABILÍSTICOS
PARA V.A. CONTÍNUAS

Função de Distribuição Acumulada

Definição: Seja X uma variável aleatória contínua.

Define-se a função F como a função de distribuição acumulada da v. a. X

(abreviadamente fd) como F(x) = P(X ≤ x).

Teorema:(a) Se X for uma v.a. contínua:

x
F ( x) = ∫ f ( s )ds
−∞

10
 ALGUNS MODELOS PROBABILÍSTICOS
PARA V.A. CONTÍNUAS

Exemplo: Suponhamos que X seja uma v. a. contínua com fdp

 2 x, 0 < x < 1,
f ( x) = 
0, para qualquer outro valor.

F ( x) = 0 se x ≤ 0,
x
= ∫ 2sds = x 2 se 0 < x ≤ 1,
0

= 1 se x > 1.
11
 ALGUNS MODELOS PROBABILÍSTICOS
PARA V.A. CONTÍNUAS

Gráfico do exercício anterior

12
 ALGUNS MODELOS PROBABILÍSTICOS
PARA V.A. CONTÍNUAS

Teorema:
(a) a função F é não-decrescente. Isto é, se x1 < x2,
teremos F(x1) < F(x2).

(b) limx → -∞ F(x) = 0 e limx → +∞ F(x) = 1.

Teorema: Seja F a fd de uma v. a. contínua, com fdp f. Então,

d
f ( x) = F ( x)
dx
13
 ALGUNS MODELOS PROBABILÍSTICOS
PARA V.A. CONTÍNUAS

Definição: Seja X uma variável aleatória contínua com fdp f. O valor

esperado, ou esperança matemática de X é definido como:

+∞
E[X ] = ∫ xf ( x) dx
−∞

14
 ALGUNS MODELOS PROBABILÍSTICOS
PARA V.A. CONTÍNUAS

Em um exemplo anterior:

 2 x, 0 < x < 1,
f ( x) = 
0, para qualquer outro valor.

Então:

1 1 2 3 1 2
E[ X ] = ∫ x(2 x)dx = 2 ∫ x dx =  x  =
2
0 0 3 0 3

15
 ALGUNS MODELOS PROBABILÍSTICOS
PARA V.A. CONTÍNUAS

Variância,

Var ( X ) = E[ X 2 ] − ( E[ X ]) 2

Mas:

1 1 2 4 1 2 1
E[ X ] = ∫ x (2 x)dx = 2 ∫ x dx =  x  = =
2 2 3
0 0 4 0 4 2

Então,
2
1 2 1
Var ( X ) = −   =
2  3  18 16
 A DISTRIBUIÇÃO UNIFORME

Definição: Suponha que X seja uma v.a. contínua que tome todos os
valores no intervalo [a, b], no qual a e b sejam ambos finitos. Se a fdp de
X for dada por

 1 f(x)
 , a ≤ x ≤ b,
f ( x) =  b − a
 0, para qualquer outro valor,

Diremos que X é uniformemente distribuída

sobre o intervalo [a, b] a b x
17
 A DISTRIBUIÇÃO UNIFORME

Comentários:

a) Uma v.a. uniformemente distribuída tem uma fdp que é constante

sobre o intervalo da definição. A fim de satisfazer à condição
∫-∞+∞ f(x)dx =1, essa constante deve ser igual ao inverso do
comprimento do intervalo.
b) Uma v.a uniformemente distribuída representa o análogo contínuo dos
resultados igualmente prováveis, no seguinte sentido. Para qualquer
intervalo [c, d], onde a ≤ c < d ≤ b, P(c ≤ X ≤ d) é a mesma para todos
os subintervalos que tenham o mesmo comprimento, isto é,

d d −c
P (c ≤ X ≤ d ) = ∫ f ( x)dx = 18
c b−a
 A DISTRIBUIÇÃO UNIFORME

Média e variância da distribuição uniforme:

b
+∞ b 1 1 x 2
E[ X ] = ∫ xf ( x)dx = ∫ x dx =  
−∞ a b−a b − a  2 a
1 b2 − a 2
=
b−a 2
1 (b − a )(b + a )
=
b−a 2
a+b
= 19
2
 A DISTRIBUIÇÃO UNIFORME

Média e variância da distribuição uniforme

b
+∞ b 1 1 x 3
E[ X ] = ∫
2
x f ( x)dx = ∫
2
x2
dx =  
−∞ a b−a b − a  3 a
1 b3 − a 3
=
b−a 3
b3 − a 3
=
3(b − a )

20
 A DISTRIBUIÇÃO UNIFORME

Média e variância da distribuição uniforme

2
Var ( X ) = E[ X 2 ] − ( E[ X ])
2
 a+b 
3 3
b −a
= − 
3(b − a )  2 
(b − a )(b 2 + ab + a 2 ) a 2 + 2ab + b 2
= −
3(b − a) 4
(4b 2 + 4ab + 4a 2 ) − (3a 2 + 6ab + 3b 2 )
=
12
b 2 − 2ab + a 2
=
12
21
(b − a ) 2
=
12
 A DISTRIBUIÇÃO UNIFORME

Função de distribuição acumulada

x
F ( x) = P( X ≤ x) = ∫ f ( s )ds
−∞

= 0, se x < 0
x−a
= , se a ≤ x < b
b−a
= 1, se x ≥ b
1

a b
22
 A DISTRIBUIÇÃO UNIFORME

Exercício: Um ponto é escolhido ao acaso no segmento de reta [0, 2].

Qual será a probabilidade de que o ponto escolhido esteja entre 1 e 3/2 ?

Seja X a v.a. que representa a coordenada do ponto escolhido, então, a

fdp de X será dada por
1
 , x ∈ [0, 2]
f ( x) =  2
 0, x ∉ [0, 2]
Portanto

3 1
−1
2 2 1
P(1 ≤ x ≤ 3 / 2) = = = 23
2−0 2 4
 DISTRIBUIÇÃO EXPONENCIAL

Definição: Uma v.a contínua X, que tome todos os valores não-negativos,

terá uma distribuição exponencial com parâmetro λ > 0, se sua fdp for
dada por

f ( x) = λ e − λ x , x > 0

Mostre que a função acima define, realmente, uma distribuição de

probabilidades.

24
 DISTRIBUIÇÃO EXPONENCIAL

Função de Distribuição Acumulada

x
F ( x) = P( X ≤ x) = ∫ λ e − λt dt = 1 − e − λ x , x ≥ 0
0

= 0, para x < 0
Daí, concluímos que

P( X > x) = e − λ x

25
 DISTRIBUIÇÃO EXPONENCIAL

O valor esperado de X é:
∞
E[ X ] = ∫ xλ e− λ x dx
0

1
E[ X ] =
λ

e a Variância,

1
V (X ) =
λ2 26
 DISTRIBUIÇÃO EXPONENCIAL

Propriedade:
P( X > s + t )
P( X > s + t / X > s) =
P( X > s)
e− λ ( s +t )
= − λt
e
= e−λ s
Portanto,

P( X > s + t / X > S ) = P( X > t )

27
 DISTRIBUIÇÃO EXPONENCIAL
Exemplo: Suponha-se que um fusível tenha uma duração de vida X, a
qual pode ser considerada uma v.a. contínua com uma distribuição
exponencial. Existem dois processos pelos quais o fusível pode ser
fabricado. O processo I apresenta uma duração de vida esperada de 100
horas (isto é, o parâmetro é igual a 100-1), enquanto o processo II
apresenta uma duração de vida esperada de 150 horas (isto é, o
parâmetro é igual a 150-1). Suponha-se que o processo II seja duas
vezes mais custoso (por fusível) que o processo I, que custa C dólares
por fusível. Admita-se,além disso, que se um fusível durar menos de 200
horas, uma multa de K dólares seja lançada sobre o fabricante. Que
processo deve ser empregado: 28
 DISTRIBUIÇÃO EXPONENCIAL
Calculemos o custo esperado para cada processo:

CI = custo (por fusível) = C se X > 200

= C + K, se X ≤ 200.
Logo,

E[CI ] = CP( X > 200) + (C + K ) P( X ≤ 200)

1 1
− 200 − 200
= Ce 100
+ (C + K )(1 − e 100
)
= Ce −2 + (C + K )(1 − e −2 )
= Ce −2 + C − Ce −2 + K − Ke −2
= K (1 − e −2 ) + C 29
 DISTRIBUIÇÃO EXPONENCIAL
Semelhantemente

CII = custo (por fusível) = 2C se X > 200

= 2C + K, se X ≤ 200.
Logo,

E[CII ] = 2CP( X > 200) + (2C + K ) P( X ≤ 200)

1 1
− 200 − 200
= 2Ce 150
+ (2C + K )(1 − e 150
)
4 4
− −
= 2Ce 3
+ (2C + K )(1 − e ) 3

4 4 4
− − −
= 2Ce 3
+ 2C − 2Ce 3
+ K − Ke 3

4 30
−
= K (1 − e ) + 2C 3
 DISTRIBUIÇÃO NORMAL OU GAUSSIANA
Personagens ilustres

De Moivre Laplace Gauss

31
 DISTRIBUIÇÃO NORMAL OU GAUSSIANA

Definição: A variável aleatória X, que tome todos os valores reais

-∞ < x < ∞, tem uma distribuição normal (ou Gaussiana), se sua fdp for
da forma:

2
1  x−µ 
1 − 
2 σ 

f ( x) = e
σ 2π

Os parâmetros µ e σ devem satisfazer às condições:

-∞ < µ < ∞
32
σ>0
 DISTRIBUIÇÃO NORMAL OU GAUSSIANA

Propriedades da curva normal 1  x−µ 

2

1 − 
2 σ 

a) f(x) ≥ 0; f ( x) = e
σ 2π
b) ∫f(x)dx = 1;
c) O gráfico de f é simétrico em relação à média;
1
d) O ponto de máximo é x = µ e o valor máximo é
σ 2π
e) Os pontos (µ - σ) e (µ+σ) são pontos de inflexão
f) f(x) tem concavidade voltada para baixo para x ∈ [µ-σ,µ+σ]
e concavidade voltada para cima para x ∉ [µ-σ,µ+σ]
g) Quando x → ±∞ , f(x) → 0, assintoticamente. 33
 DISTRIBUIÇÃO NORMAL OU GAUSSIANA
Propriedades da distribuição normal

2
1  x−µ 
f(x) 1 − 
2 σ 

f ( x) = e
σ 2π
1
σ 2π E[ X ] = µ
Var ( X ) = σ 2

X = N (µ ,σ 2 )

µ X
µ-σ µ+σ 34
DISTRIBUIÇÃO NORMAL OU GAUSSIANA
Gráfico

Frequência
Alta frequência

Baixa
frequência

Média Variável X
35
 DISTRIBUIÇÃO NORMAL OU GAUSSIANA
Gráficos

Mesmas médias e diferentes

desvios padrões

36
 DISTRIBUIÇÃO NORMAL OU GAUSSIANA
Gráficos
Diferentes valores para as médias e os desvios padrões

37
 DISTRIBUIÇÃO NORMAL OU GAUSSIANA

Na fórmula da curva normal, vemos que o expoente é a parte mais

2
importante. −  x − µ 
 
 σ 

38
 DISTRIBUIÇÃO NORMAL OU GAUSSIANA

Se Z = N(0, 1), diremos que Z possui a distribuição normal reduzida. A fdp

de X pode ser escrita como

z2
1 −
ϕ ( z) = e 2
2π

Teorema: Se X tiver a distribuição N(µ, σ2), e se Y = aX + b, então Y terá

a distribuição N(aµ + b, a2σ2).

Corolário: Se X tiver distribuição N(µ, σ2), e se

Z = (X - µ)/σ, então Z terá distribuição N(0,1).
39
 DISTRIBUIÇÃO NORMAL OU GAUSSIANA
z2
Curva normal padrão. Z = N(0, 1) 1 −
ϕ ( z) = e 2
2π

40
 DISTRIBUIÇÃO NORMAL OU GAUSSIANA

Tabulação da Distribuição Normal reduzida

Suponha que Z tenha distribuição N(0, 1). Nesse caso:

b z2
1 −
P ( a ≤ Z ≤ b) =
2π
∫e
a
2
dz

Essa integral não pode ser calculada pelos caminhos comuns. Pode-se
utilizar métodos de integração numérica.
A fd da distribuição normal reduzida é

z s2
1 −
Φ(s) =
2π ∫e
−∞
2
ds 41
 DISTRIBUIÇÃO NORMAL OU GAUSSIANA

Tabulação da Distribuição Normal reduzida

x s2
1 −
Φ( z ) =
2π −∞
∫e 2
dz

Desta forma, P(a ≤ Z ≤ b) pode ser calculada.

P (a ≤ Z ≤ b) = Φ (b) − Φ (a )

Os valores de Φ(z), para -3 ≤ z ≤ 3 estão tabelados

42
 DISTRIBUIÇÃO NORMAL OU GAUSSIANA

Tabulação da Distribuição Normal reduzida

Da tabela da fd de X, obtêm-se que

0 s2
1 −
Φ (0) =
2π ∫e
−∞
2
ds = 0,50

Utilizando este resultado e a simetria de f(z), gerou-se outra tabela, com

os valores de 0 ≤ z ≤ 3.

z s2
1 −
P (0 ≤ Z ≤ z ) =
2π
∫e
0
2
ds

43
 DISTRIBUIÇÃO NORMAL OU GAUSSIANA

Tabulação da Distribuição Normal reduzida

Característica da distribuição N(0, 1)

44
 DISTRIBUIÇÃO NORMAL OU GAUSSIANA

Então para determinar a probabilidade P(a ≤ X ≤ b), basta proceder da

seguinte maneira.
Se X =N(µ, σ2) então Z = (X - µ)/σ terá distribuição N(0, 1). Portanto:

a−µ X −µ b−µ
P ( a ≤ X ≤ b) = P ( ≤ ≤ )
σ σ σ
a−µ b−µ
= P( ≤Z≤ )
σ σ

45
 DISTRIBUIÇÃO NORMAL OU GAUSSIANA

Utilizando a tabela normal reduzida

P (0 ≤ x ≤ 1) = tabela

46
 DISTRIBUIÇÃO NORMAL OU GAUSSIANA

Utilizando a tabela normal reduzida P(0 ≤ x ≤ 1) = tabela

47
 DISTRIBUIÇÃO NORMAL OU GAUSSIANA

Utilizando a tabela normal reduzida

P (−2 ≤ x ≤ −1) = P (0 ≤ X ≤ 2) − P(0 ≤ X ≤ 1)

48
 DISTRIBUIÇÃO NORMAL OU GAUSSIANA

Exercício 1: Os depósitos efetuados no Banco Cifrão durante o mês de

novembro são distribuídos normalmente com média de R$ 10.000,00 e
desvio padrão de R$ 1.500,00. Um depósito é selecionado ao acaso
dentre todos os referentes ao mês em questão. Determine a
probabilidade de que o depósito seja:
a)R$ 10.000,00 ou menos;
b)pelo menos R$ 10.000,00;
c)Entre R$ 10.000 e R$ 11.300,00
d)Maior que R$ 12.000,00
e)Menor que R$ 9.500,00
f)Entre R$ 9.500,00 e R$ 10.800,00
49
 DISTRIBUIÇÃO NORMAL OU GAUSSIANA
Exercício 2: As vendas de determinado produto têm distribuição
aproximadamente normal, com média 500 unidades e desvio padrão 50
unidades. Se a empresa decide fabricar 600 unidades no mês em estudo,
qual a probabilidade de que não possa atender a todos os pedidos desse
mês, por estar com a produção esgotada?
Exercício 3: A altura de 10.000 alunos de um colégio têm distribuição
aproximadamente normal com média 170 cm e desvio padrão 5 cm.
a) Qual o número esperado de alunos com altura superior a 165 cm?
b) Qual o intervalo simétrico em torno da média que conterá 75% das
alturas dos alunos

50
 DISTRIBUIÇÃO NORMAL OU GAUSSIANA

Exercício 4: Suponha que as amplitudes de vida de dois aparelhos

elétricos, D1 e D2, tenham distribuições N(42, 36) e N(45, 9),
respectivamente. Se os aparelhos são feitos para ser usados por um
período de 45 horas, qual aparelho deve ser preferido? E se for por um
período de 49 horas?

51
 DISTRIBUIÇÃO NORMAL OU GAUSSIANA

Exercício 5: O diâmetro X de rolamentos esféricos produzidos por uma

fábrica tem distribuição N(0,6140; (0,0025)2). O lucro T de cada
rolamento depende de seu diâmetro. Assim,
T = 0,10, se o rolamento for bom (0,610 < X < 0,618)
T = 0,05, se o rolamento for recuperável (0,608 < X < 0,610) ou
(0,618 < X < 0,620);
T = - 0,10, se o rolamento for defeituoso (X < 0,608 ou X > 0,620).
Calcule:
a) As probabilidades de que os rolamentos sejam bons, recuperáveis e
defeituosos;
b) E[T]
52
 APROXIMAÇÃO NORMAL À BINOMIAL

Suponha que a v.a. Y tenha uma distribuição binomial com parâmetros

n =10 e p =1/2. e queiramos calcular P(Y ≥ 7).
0,3

0,25

0,2

0,15

0,1

0,05

0 53
01 12 23 3
4 45 65 67 87 8
9 9
10 10
11
 APROXIMAÇÃO NORMAL À BINOMIAL
A P(Y = 7) é igual à área do retângulo de base unitária e altura igual a
P(Y=7). Similarmente para P(Y = 8). Logo P(Y ≥ 7) é igual à soma das
áreas dos retângulos hachurados.

54
 APROXIMAÇÃO NORMAL À BINOMIAL
A idéia é aproximar tal área pela área sob uma curva normal, à direita de
6,5. qual curva normal? Parece razoável considerar aquela normal de
média µ = np =10x0,5 = 5 e σ2 = np(1 – p )= 10x0,5x0,5= 2,5

55
 APROXIMAÇÃO NORMAL À BINOMIAL
Chamando X tal variável, com distribuição normal,

X −µ 6,5 − µ
P(Y ≥ 7) ≃ P( X ≥ 6,5) = P ( ≥ )
σ σ
6,5 − 5
= P( Z ≥ )
2,5
= P( Z ≥ 0,94) = 0,50 − 0,326
= 0,174
A probabilidade verdadeira é
10  7 3 10  8 2 10  9 1 10  10 0
  (0,5) (0,5) +   (0,5) (0,5) +   (0,5) (0,5) +   (0,5) (0,5) = 0,172
7 8 9 10 
56
 APROXIMAÇÃO NORMAL À BINOMIAL
Vamos calcular agora P(3 < Y ≤ 6) = P(Y = 4) + P(Y = 5) + P(Y = 6).

3,5 − 5 6,5 − 5
P(3 < Y ≤ 6) ≃ P(3,5 ≤ X ≤ 6,5) = P( ≤Z ≤ )
2,5 2,5
= P(−0,94 ≤ Z ≤ 0,94)
= 2 P (0 ≤ Z ≥ 0,94) = 2 × 0,3264
= 0, 653

A probabilidade verdadeira é

10  4 6 10  5 5 10  6 4 57

  (0,5) (0,5) +   (0,5) (0,5) +   (0,5) (0,5) = 0, 656
4 5 6
 APROXIMAÇÃO NORMAL À BINOMIAL

Exercício: Seja Y com distribuição binomial de parâmetros

n = 10 e p = 0,4. determine a aproximação normal para
(a) P(3 < Y < 8)
(b) P(Y < 5)

58
 DISTRIBUIÇÃO QUI-QUADRADO
Um caso especial muito importante do modelo gama é obtido fazendo-se
α = ν/2 e β = 2, com ν > 0. (ν, letra grega ni, chama-se grau de liberade).
Definição: Uma v.a. contínua X, com valores positivos, tem uma
distribuição qui-quadrado com ν graus de liberdade (denotada χ2(ν) ),
se sua densidade for dada por :

 1 −
ν
−y
 ν ν y e , y>0
2 2
   2
f ( y;ν ) =  Γ   2
E[Y ] = ν
 2
 0, y<0 Var (Y ) = 2ν 59
 DISTRIBUIÇÃO QUI-QUADRADO

Alguns gráficos da distribuição χ2(ν) para ν = 1, 2 e 3

60
 DISTRIBUIÇÃO QUI-QUADRADO

Alguns gráficos da distribuição χ2(ν) para ν = 10, 15 e 20

61
 DISTRIBUIÇÃO QUI-QUADRADO

A distribuição qui-quadrado tem muitas aplicações em Estatística e,

existem tabelas para obter probabilidades. A tabela fornece os valores de
y0 tais que P(Y > y0) = p, para alguns valores de p e de ν.

62

y0
DISTRIBUIÇÃO QUI-QUADRADO

63
 DISTRIBUIÇÃO QUI-QUADRADO

Exemplo: Usando a tabela da distribuição qui-quadrado, determine y,

para ν = 10, tal P(Y > y)= 0,99.

64
 DISTRIBUIÇÃO QUI-QUADRADO
Para ν > 30 podemos usar uma aproximação normal à distribuição
qui-quadrado. Especificamente, temos o seguinte resultado: se Y tiver
distribuição qui-quadrado com ν graus de liberdade, então a v.a.

Z = 2Y − 2ν − 1 ∼ N (0,1)

65
 DISTRIBUIÇÃO QUI-QUADRADO
Por exemplo, consultando a tabela do qui-quadrado, temos que,
se ν = 30, a P(Y > 40,256) = 0,10

66
 DISTRIBUIÇÃO QUI-QUADRADO
Enquanto que, usando a fórmula acima, temos que

z = 2 + 40, 256 − 2 × 30 − 1 = 1, 292

e da tabela da distribuição normal padronizada, temos que

Portanto: P(Y > 40,256) = 0,50 – 0,4015 = 0, 099.

67
 DISTRIBUIÇÃO QUI-QUADRADO

Considere Z ~ N(0,1) e considere a v.a Y = Z2. Então Y ~ χ2(1).

Este resultado é importante: O quadrado de uma v.a com distribuição

normal padrão é uma v.a com distribuição χ2(1).

De um modo mais geral, uma v.a com distribuição χ2(ν) pode ser vista
como a soma de ν normais padrões ao quadrado, independente.

68
 DISTRIBUIÇÃO T DE STUDENT
A distribuição t de Student é importante no que se refere à inferência
sobre médias populacionais, tópico a ser tratado na disciplina de
inferência estatística.

Seja Z uma v.a N(0, 1) e Y uma v.a χ2(ν), com Z e Y independentes.

Então, a v.a.
Z
t=
Y
ν
Tem distribuição dada por

− (ν +1)/2
Γ((ν + 1) / 2)
f (t ;ν ) =
Γ(ν / 2) πν
( 1+ t 2

2 ) , −∞ <t < ∞ 69
 DISTRIBUIÇÃO T DE STUDENT
Diremos que tal variável tem uma distribuição t de Student com ν graus
de liberdade e indicaremos por t(ν).

Seja Z uma v.a N(0, 1) e Y uma v.a χ2(ν), com Z e Y independentes.

Então, a v.a.
E[t ] = 0
ν
var(t ) =
ν −2

O gráfico de densidade de t aproxima-se bastante de uma N(0, 1) quando

ν e grande.
70
 DISTRIBUIÇÃO T DE STUDENT
Diremos que tal variável tem uma distribuição t de Student com ν graus
de liberdade e indicaremos por t(ν).

71
 DISTRIBUIÇÃO T DE STUDENT
O gráfico da densidade t aproxima-se bastante de uma N(0, 1) quando
ν é grande.

72
 DISTRIBUIÇÃO T DE STUDENT
Tabela da distribuição t de Student unicaldal

1-α

73
 DISTRIBUIÇÃO T DE STUDENT
Tabela da distribuição t de Student bicaldal

1-α

α/2 α/2

74
 DISTRIBUIÇÃO T DE STUDENT
Tabela da distribuição t de Student unicaldal

75
 DISTRIBUIÇÃO T DE STUDENT
Tabela da distribuição t de Student bicaldal

76
 DISTRIBUIÇÃO T DE STUDENT
Exemplo: Usando a tabela t de Student determine tc tal que
P(-tc < t(v) < tc )= 0,90

1-α = 0,90

α/2=0,05
α/2 = 0,05

77
 DISTRIBUIÇÃO T DE STUDENT
tc =1,9432 tal que P(-tc < t(v) < tc )= 0,90

78
 DISTRIBUIÇÃO T DE STUDENT
Exemplo: Seja ν = 5, usando a tabela t de Student determine tc tal
que
P( t(v) > tc )= 0,025
1-α = 0,975

α=0,025

79
 DISTRIBUIÇÃO T DE STUDENT

Para ν = 5, α = 0,025,
tc = 2,571.

80
 DISTRIBUIÇÃO F DE SNEDECOR

Vamos considerar agora uma v.a definida como o quociente de duas

variáveis com distribuição qui-quadrado.

Seja U e V duas v.a. independentes, cada uma com distribuição qui-

quadrado, com ν1 e ν2 graus de liberdade, respectivamente. Então a v.a.
U
ν1
W=
V
ν2
tem distribuição dada por
ν1 /2
Γ((ν 1 +ν 2 ) / 2)  ν 1  w(ν1 − 2)/2
g ( w;ν 1 ,ν 2 ) =   (ν1 +ν 2 )/2
, w>0
Γ(ν 1 / 2)Γ(ν 2 / 2)  ν 2  (1 +ν 1w / ν 2 )
81
 DISTRIBUIÇÃO F DE SNEDECOR

Diremos que W tem distribuição F de Snedecor com ν1, ν2 graus de

liberdade, e usaremos a notação W ~ F(ν1, ν2). Temos que:

ν2
E[W ] =
ν1

2ν 22 (ν 1 +ν 2 − 2)
Var (W ) =
ν 1 (ν 2 − 2) 2 (ν 2 − 4)
82
 DISTRIBUIÇÃO F DE SNEDECOR
Gráficos da distribuição F de Snedecor para diferentes valores de ν1 e ν2.

83
DISTRIBUIÇÃO F DE SNEDECOR

Tabela
P(F(ν1, ν2) > f0) = α

84
f0
 DISTRIBUIÇÃO F DE SNEDECOR
Distribuição F de Snedecor com α = 0,05

85
 DISTRIBUIÇÃO F DE SNEDECOR
Considere W ~ F(5, 7). Qual o valor f0 tal que P(F > f0) = 0,05?

Portanto, P(F > 3,97) = 0,05, ou,

então P(F ≤ 3,97) = 0,95

86
 DISTRIBUIÇÃO F DE SNEDECOR
Para encontrar os valores inferiores, usamos a identidade

1
F (ν 1 ,ν 2 ) =
F (ν 2 ,ν 1 )

Por exemplo, digamos que desejamos encontrar o valor f0 tal que

P(F ≤ f0) = 0,05

Da igualdade acima, temos que

 1   1 87
0, 05 = P{F (5, 7) < f 0 } = P  < f 0  = P  F (7,5) > 
 F (7,5)   f0 
 DISTRIBUIÇÃO F DE SNEDECOR
Procurando na tabela, para F(7, 5), encontramos

Ou seja, 1/f0 = 4,88. Portanto, f0 = 0,205.

88