P. 1
DistribuicaoContinua

DistribuicaoContinua

|Views: 17|Likes:
Published by Flavio Neves

More info:

Published by: Flavio Neves on Sep 18, 2011
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

09/18/2011

pdf

text

original

B

B
i
i
s
s
t
t
i
i
i
i
b
b
u
u
i
i
ç
ç
õ
õ
e
e
s
s
u
u
e
e
P
P
i
i
o
o
b
b
a
a
b
b
i
i
l
l
i
i
u
u
a
a
u
u
e
e
s
s

Quanuo aplicamos a Estatistica na iesolução ue pioblemas auministiativos, veiificamos que muitos pioblemas
apiesentam as mesmas caiacteiisticas o que nos peimite estabelecei um mouelo teoiico paia ueteiminação ua solução
ue pioblemas.
0s componentes piincipais ue um mouelo estatistico teoiico:
1. 0s possiveis valoies que a vaiiável aleatoiia X poue assumii;
2. A função ue piobabiliuaue associaua à vaiiável aleatoiia X;
S. 0 valoi espeiauo ua vaiiável aleatoiia X;
4. A vaiiância e o uesvio‐pauião ua vaiiável aleatoiia X.
Bá uois tipos ue uistiibuições teoiicas que coiiesponuem a uifeientes tipos ue uauos ou vaiiáveis aleatoiias: a
uistiibuição uiscieta e a uistiibuição continua.

B
B
i
i
s
s
t
t
i
i
i
i
b
b
u
u
i
i
ç
ç
õ
õ
e
e
s
s
C
C
o
o
n
n
t
t
i
i
n
n
u
u
a
a
s
s

vaiiável aleatoiia continua é aquela que poue assumii inúmeios valoies num inteivalo ue númeios ieais e é meuiua
numa escala continua. Poi exemplo, uma vaiiável aleatoiia continua ueve sei uefiniua entie os númeios ieais u e 1, ou
númeios ieais não negativos ou, paia algumas uistiibuições, qualquei númeio ieal. A tempeiatuia, a piessão, a
piecipitação ou qualquei elemento meuiuo numa escala continua é uma vaiiável aleatoiia continua.
Existem uuas funções associauas a caua vaiiável continua X: a função uensiuaue ue piobabiliuaue, simbolizaua poi f(X),
e a função cumulativa ue piobabiliuaue, ou função ue uistiibuição ue piobabiliuaue iepiesentaua poi F(X). A função f(X)
é aquela cuja integial ue X = a até X = b (b ≥ a) uá a piobabiliuaue ue que X assuma valoies compieenuiuos no
inteivalo (a, b), ou seja,
( ) ( )

= ≤ ≤
b
a
dX X f b X a P (1)
A função cumulativa ue piobabiliuaue F(b) é tal que:
( ) ( ) ( )

∞ −
= ≤ =
b
dX X f b X ob b F Pr (2)

Qualquei função uefiniua no campo ieal so poue sei consiueiaua como uma função uensiuaue ue piobabiliuaue se
foiem satisfeitas as seguintes conuições:
( ) 0 ≥ X f (S)
paia touo X e
( )


∞ −
= = 1 dX X X F
(4)
A piobabiliuaue ue que a vaiiável X assuma valoies no inteivalo (a, b) é uaua poi:
( ) ( ) ( ) ( )

− = = ≤ ≤
b
a
a F b F dX X f b X a P (S)
e a piobabiliuaue ue que a vaiiável continua X assuma um valoi em paiticulai, b, poi exemplo, é:
TNA |BISTRIB0IÇ0ES C0NTÍN0AS]

2 Bertolo

( ) ( ) ( ) ( )

= − = = ≤ ≤
b
a
b F b F dX X f b X a P 0 (6)
Bá muitas uistiibuições teoiicas continuas. Algumas uas mais usauas aqui são: uistiibuição noimal, uistiibuição
gamma, uistiibuição ue valoies extiemos e uistiibuição exponencial. Neste mateiial vamos tiatai uos mouelos
piobabilisticos citauos, que têm impoitância piática na investigação cientifica, aboiuanuo as foimas uas funções
uensiuaue ue piobabiliuaue, bem como a espeiança e a vaiiância.
B Bi is st ti ii ib bu ui iç çã ão o 0 0n ni if fo oi im me e
0ma uistiibuição ue vaiiável aleatoiia continua é a uistiibuição unifoime cuja função uensiuaue ue piobabiliuaue é
constante uentio ue um inteivalo ue valoies ua vaiiável aleatoiia X.
A vaiiável aleatoiia X tem uistiibuição unifoime ue piobabiliuaues no inteivalo (a, b) se a função uensiuaue f(x) foi:
¡(x) =
1
b-u
, com as seguintes conuições: b ≥ a e a ≤ x ≤ b.
A iepiesentação giáfica ua uistiibuição unifoime é um ietângulo com base uefiniua pelos valoies a e b que estabelecem
os limites ue valoies possiveis ua vaiiável aleatoiia X, Figuia XXXXX.





Ba uefinição ua uistiibuição unifoime ueuuzimos:
ƒ A áiea uo ietângulo é igual a 1, pois a base é (b – a) e a altuia 1¡(b – a).
ƒ A piobabiliuaue ua vaiiável aleatoiia X sei igual ou maioi que a e, ao mesmo tempo, menoi ou igual a b é igual
a 1 ou 1uu%
A méuia e a vaiiância ua vaiiável aleatoiia X com uistiibuição unifoime ue piobabiliuaues no inteivalo (a,b) são:
¾ Néuia: p
X
=
u+ b
2

¾ vaiiância: o
X
2
=
(b-u)
2
12

EXENPL0 1
A vaiiável aleatoiia X tem uistiibuição unifoime no inteivalo (Su, 2uu). Calculai a méuia e o uesvio pauião.
Solução
A média da variável aleatória contínua X é 150 obtida com a fórmula:
p
X
=
o + b
2
=
Su + 2uu
2
= 12S
Da mesma forma, a variância é 1875,00, obtida com a fórmula:
o
X
2
=
(b -o)
2
12
=
(2uu -Su)
2
12
= 187S,uu
O desvio padrão é obtido como:
o = √187S = 4S,Su
EXENPL0 2
Continuanuo o Exemplo 1, qual a piobabiliuaue ue um valoi ua vaiiável X se encontiai entie 11u e 1Su.

Solução

 
0      a                    b                X 
f(X) 
1/(b‐a) 
|BISTRIB0IÇ0ES C0NTÍN0AS] TNA

Bertolo 3

A probabilidade de um valor da variável X se encontrar entre 110 e 150 é P(110 ≤ X ≤
150) = 0,0,2667 ou 26,67%
2. BISTRIB0IÇÂ0 0NIF0RNE N0 EXCEL
0 Excel não tem nenhuma função estatistica paia a uistiibuição unifoime. Entietanto é possivel automatizai os cálculos
ciianuo um mouelo estatistico paia a uistiibuição unifoime. No segmento ue planilha abaixo mostiamos o mouelo
Bistiibuição 0nifoime iesolvenuo os Exemplos 1 e 2. Com o mouelo é possivel iealizai cálculos, confoime apiesentauo
a seguii:
• As células pintauas na coi veiue são células que aceitam somente uauos. As células pintauas em azul são as
células iesultauos. As iestantes células pintauas ue coi alaianjauo são células contenuo titulos.
• Nas células C4 e C5 são infoimauos os limites a e b ua vaiiável aleatoiia unifoime X
• As células C6, C7 e C8 calculam, iespectivamente, a méuia, a vaiiância e uesvio pauião.
• Infoimanuo os valoies c e u peitencentes ao inteivalo (a, b) nas células C10 e C11, o mouelo calculaiá na célula
C12 a piobabiliuaue P(c ≤ X ≤ u). As células C10 e C11 estão piepaiauas paia aceitai apenas valoies uentio uo
inteivalo (a, b).
• Ao mesmo tempo, o mouelo constioi a função f(x) no inteivalo (a, b) e uestaca a áiea ue cálculo ua piobabiliuaue
P(c ≤ X ≤ u).




EXERCÍCI0S RES0LvIB0S





EXERCÍCI0S
1. Beteimine a piobabiliuaue ue obteimos


1
2
3
4
5
6
7
8
9
10
11
12
13
A B C D E F G H
DISTRIBUIÇÃO UNIFORME
Variável Aleatória Uniforme X
Mínimo 50 50 0
Máximo 200 50 0,00666667
Média 125,00 200 0,00666667
Variância 1875,00 200 0
Desvio Padrão 43,30 110 0
Cálculo de Probabilidades 110 0,00666667
c 110,00 150 0,00666667
d 150,00 150 0
P(c<X<d) 26,67%
0
0,001
0,002
0,003
0,004
0,005
0,006
0,007
0 50 100 150 200 250
=SE(E(C11<=C5;C11>=C4;C10<=C5;C
10>=C4);(C11-C10)/(C5-C4);"Erro!")
TNA |BISTRIB0IÇ0ES C0NTÍN0AS]

4 Bertolo

B Bi is st ti ii ib bu ui iç çã ão o N No oi im ma al l
1. BISTRIB0IÇÂ0 N0RNAL – C0RvA N0RNAL
Entie as uistiibuições teoiicas ue vaiiável aleatoiia continua, uma uas mais empiegauas é a uistiibuição noimal. Sua
impoitância em análise matemática iesulta uo fato ue que muitas técnicas estatisticas, como análise ue vaiiância, ue
iegiessão e alguns testes ue hipotese, assumem e exigem a noimaliuaue uos uauos. Além uisso, a ampla aplicação uessa
uistiibuição vem em paite ueviuo ao teoiema uo limite cential. Este teoiema ueclaia que na meuiua em que o tamanho
ua amostia aumenta, a uistiibuição amostial uas méuias amostiais tenue paia uma uistiibuição noimal (Tiiola, 1998).
0 aspecto giáfico ue uma uistiibuição noimal é o ua Figuia u1:

Paia uma peifeita compieensão ua uistiibuição noimal, obseive a Figuia u1 e piocuie visualizai as seguintes
piopiieuaues:
1") A vaiiável aleatoiia X poue assumii touo e qualquei valoi ieal.
2") A iepiesentação giáfica ua uistiibuição noimal é uma cuiva em foima ue sino, simétiica em toino ua méuia (μ), que
iecebe o nome ue ¢urva nurmal ou ue Causs.
S") A áiea total limitaua pela cuiva e pelo eixo uas abcissas é igual a 1, já que essa áiea coiiesponue à piobabiliuaue ua
vaiiável aleatoiia X assumii qualquei valoi ieal.
4") A cuiva noimal é assintotica em ielação ao eixo uas abcissas, isto é, apioxima‐se inuefiniuamente uo eixo uas
abcissas sem, contuuo, alcançá‐lo.
S") Como a cuiva é simétiica em toino ue μ, a piobabiliuaue ue ocoiiei valoi maioi uo que a méuia é igual à
piobabiliuaue ue ocoiiei valoi menoi uo que a méuia, isto é, ambas as piobabiliuaues são iguais a u,S. Escievemos:
P(X>μ) = P(X <μ) = u,S.
Quanuo temos em mãos uma vaiiável aleatoiia com uistiibuição noimal, nosso piincipal inteiesse é obtei a
piobabiliuaue uessa vaiiável aleatoiia assumii um valoi em um ueteiminauo inteivalo.

uistiibuição noimal, caiacteiizaua poi µ e σ. Esta estanuaiuização tiansfoima qualquei função ue uistiibuição noimal
N(µ,σ) numa única função ue uistiibuição noimal, caiacteiizaua poi tei méuia µ = u e uesvio pauião σ = 1, isto é,
N(u,1), que é uesignaua poi função ue uistiibuição noimal ieuuziua.
vejamos como pioceuei, poi meio ue um exemplo concieto.
Seja X a variável aleatória que representa os diâmetros dos parafusos produzidos por certa máquina. Vamos supor
que essa variável tenha distribuição normal com média μ = 2 cm desvio padrão σ = 0,04 cm.
Pode haver interesse em conhecer a probabilidade de um parafuso ter um diâmetro com valor entre 2 e 2,05 cm.
É fácil notar que essa probabilidade, indicada por:
FIGURA 01

Calculai esta integial toua vez, não seiia fácil.
A fim ue ultiapassai este inconveniente, o Si. uauss (um uos
estatisticos que inicialmente estuuou esta função ue uistiibuição)
uesenvolveu uma metouologia conuucente à estanuaiuização, ou
ieuução a um caso único, ue qualquei que seja a função ue
|BISTRIB0IÇ0ES C0NTÍN0AS] TNA

Bertolo 5

P(2 < X < 2,05),
corresponde à área hachurada na Figura 02:
Figura 02

2 2,05
O cálculo direto dessa probabilidade exige um conhecimento de Matemática mais avançado do que aquele que dispomos aqui.
Entretanto, podemos contornar o problema facilmente. Basta aceitar, sem demonstração, que, se X é uma variável aleatória
com distribuição normal de média μ e desvio padrão σ, então a variável:
z =
x - p
o

tem distribuição normal reduzida
1
, isto é, tem distribuição normal de média 0 e desvio padrão 1.
As probabilidades associadas à distribuição normal padronizada são encontradas em tabelas, não havendo necessidade de
serem calculadas.
A Figura abaixo é uma tabela de distribuição normal reduzida
2
, que nos dá a probabilidade de Z tomar qualquer valor entre a
média 0 e um dado valor z, isto é:
























1
O valor de Z pode ser obtido no Excel pela função Padronizar. Assim, =PADRONIZAR(x; média;desv_padrão)
2
Esta Tabela foi produzida no Excel usando a função estatística =DIST.NORMP($A2+B$1)-0,5000. Foi feita a subtração de 0,5000 para os
valores ficarem restritos à primeira metade dos valores acima de zero da gaussiana. Note que a função está definida assim para a célula B2.
Para se obter os valores das outras células, basta arrastarmos a alça do canto inferior direito de B2 até K42.
Conveitiuos os inteivalos ua vaiiável x, entie os quais se pietenue calculai a piobabiliuaue, paia valoies
pauionizauos em z, o cálculo uesta piobabiliuaue seiá:
IL0STRAÇÂ0
Porcentagens da Área Sob a Curva Normal Padrão
0m giáfico uesta cuiva noimal pauionizaua (méuia u e vaiiância 1) é:

6








esc
com


z q
F

Temos,
crever:
m z =
x- µ
c
.
Voltemo
Querem
que correspond
Z
0,00 0,
0,10 0,
0,20 0,
0,30 0,
0,40 0,
0,50 0,
0,60 0,
0,70 0,
0,80 0,
0,90 0,
1,00 0,
1,10 0,
1,20 0,
1,30 0,
1,40 0,
1,50 0,
1,60 0,
1,70 0,
1,80 0,
1,90 0,
2,00 0,
2,10 0,
2,20 0,
2,30 0,
2,40 0,
2,50 0,
2,60 0,
2,70 0,
2,80 0,
2,90 0,
3,00 0,
3,10 0,
3,20 0,
3,30 0,
3,40 0,
3,50 0,
3,60 0,
3,70 0,
3,80 0,
3,90 0,
4,00 0,
FIGURA 03 -

então, que s
os, então, ao n
mos calcular P
de a x = 2,05
0 0,0
0000 0,00
0398 0,04
0793 0,08
1179 0,12
1554 0,15
1915 0,19
2257 0,22
2580 0,26
2881 0,29
3159 0,31
3413 0,34
3643 0,36
3849 0,38
4032 0,40
4192 0,42
4332 0,43
4452 0,44
4554 0,45
4641 0,46
4713 0,47
4772 0,47
4821 0,48
4861 0,48
4893 0,48
4918 0,49
4938 0,49
4953 0,49
4965 0,49
4974 0,49
4981 0,49
4987 0,49
4990 0,49
4993 0,49
4995 0,49
4997 0,49
4998 0,49
4998 0,49
4999 0,49
4999 0,49
5000 0,50
5000 0,50
- ÁREA SUB
TNA |BI

se X é uma v
nosso problem
P(2 < X < 2,05
(x = 2 ⇒ z = 0
01 0,02
040 0,008
438 0,047
832 0,087
217 0,125
591 0,162
950 0,198
291 0,232
611 0,264
910 0,293
186 0,321
438 0,346
665 0,368
869 0,388
049 0,406
207 0,422
345 0,435
463 0,447
564 0,457
649 0,465
719 0,472
778 0,478
826 0,483
864 0,486
896 0,489
920 0,492
940 0,494
955 0,495
966 0,496
975 0,497
982 0,498
987 0,498
991 0,499
993 0,499
995 0,499
997 0,499
998 0,499
998 0,499
999 0,499
999 0,499
000 0,500
000 0,500
BTENDIDA P
STRIB0IÇ0

variável aleató
P(μ < X
ma.
5). Para obter
0, pois μ =2). T
0,03
0 0,0120
8 0,0517
1 0,0910
5 0,1293
8 0,1664
5 0,2019
4 0,2357
2 0,2673
9 0,2967
2 0,3238
1 0,3485
6 0,3708
8 0,3907
6 0,4082
2 0,4236
7 0,4370
4 0,4484
3 0,4582
6 0,4664
6 0,4732
3 0,4788
0 0,4834
8 0,4871
8 0,4901
2 0,4925
1 0,4943
6 0,4957
7 0,4968
6 0,4977
2 0,4983
7 0,4988
1 0,4991
4 0,4994
5 0,4996
7 0,4997
8 0,4998
9 0,4999
9 0,4999
9 0,4999
0 0,5000
0 0,5000
PELA CURVA
0ES C0NTÍN

ória com distri
X < x) = P(0 <
essa probabil
Temos, então
0,04
0,0160
0,0557
0,0948
0,1331
0,1700
0,2054
0,2389
0,2704
0,2995
0,3264
0,3508
0,3729
0,3925
0,4099
0,4251
0,4382
0,4495
0,4591
0,4671
0,4738
0,4793
0,4838
0,4875
0,4904
0,4927
0,4945
0,4959
0,4969
0,4977
0,4984
0,4988
0,4992
0,4994
0,4996
0,4997
0,4998
0,4999
0,4999
0,4999
0,5000
0,5000
A NORMAL
N0AS]

buição norma
< Z < z),
lidade, precisa
o:
0,05
0,0199
0,0596
0,0987
0,1368
0,1736
0,2088
0,2422
0,2734
0,3023
0,3289
0,3531
0,3749
0,3944
0,4115
0,4265
0,4394
0,4505
0,4599
0,4678
0,4744
0,4798
0,4842
0,4878
0,4906
0,4929
0,4946
0,4960
0,4970
0,4978
0,4984
0,4989
0,4992
0,4994
0,4996
0,4997
0,4998
0,4999
0,4999
0,4999
0,5000
0,5000
REDUZIDA

al de média μ
amos, em prim
0,06 0
0,0239 0,
0,0636 0,
0,1026 0,
0,1406 0,
0,1772 0,
0,2123 0,
0,2454 0,
0,2764 0,
0,3051 0,
0,3315 0,
0,3554 0,
0,3770 0,
0,3962 0,
0,4131 0,
0,4279 0,
0,4406 0,
0,4515 0,
0,4608 0,
0,4686 0,
0,4750 0,
0,4803 0,
0,4846 0,
0,4881 0,
0,4909 0,
0,4931 0,
0,4948 0,
0,4961 0,
0,4971 0,
0,4979 0,
0,4985 0,
0,4989 0,
0,4992 0,
0,4994 0,
0,4996 0,
0,4997 0,
0,4998 0,
0,4999 0,
0,4999 0,
0,4999 0,
0,5000 0,
0,5000 0,
DE 0 A Z

μ e desvio pad
meiro lugar, ca
0,07 0,0
0279 0,03
0675 0,07
1064 0,11
1443 0,14
1808 0,18
2157 0,21
2486 0,25
2794 0,28
3078 0,31
3340 0,33
3577 0,35
3790 0,38
3980 0,39
4147 0,41
4292 0,43
4418 0,44
4525 0,45
4616 0,46
4693 0,46
4756 0,47
4808 0,48
4850 0,48
4884 0,48
4911 0,49
4932 0,49
4949 0,49
4962 0,49
4972 0,49
4979 0,49
4985 0,49
4989 0,49
4992 0,49
4995 0,49
4996 0,49
4997 0,49
4998 0,49
4999 0,49
4999 0,49
4999 0,49
5000 0,50
5000 0,50
Bertol
drão σ, podem
alcular o valor
08 0,09
319 0,0359
714 0,0753
103 0,114
480 0,1517
844 0,1879
190 0,2224
517 0,2549
823 0,2852
106 0,3133
365 0,3389
599 0,362
810 0,3830
997 0,4015
162 0,4177
306 0,4319
429 0,444
535 0,4545
625 0,4633
699 0,4706
761 0,4767
812 0,4817
854 0,4857
887 0,4890
913 0,4916
934 0,4936
951 0,4952
963 0,4964
973 0,4974
980 0,498
986 0,4986
990 0,4990
993 0,4993
995 0,4995
996 0,4997
997 0,4998
998 0,4998
999 0,4999
999 0,4999
999 0,4999
000 0,5000
000 0,5000
P(0 < Z < z)
lo

mos
r de
9
3
1
7
9
4
9
2
3
9
1
0
5
7
9
1
5
3
6
7
7
7
0
6
6
2
4
4
1
6
0
3
5
7
8
8
9
9
9
0
0
)
|BISTRIB0IÇ0ES C0NTÍN0AS] TNA

Bertolo 7

z =
x - p
o
=
2,uS - 2
u,u4
=
u,uS
u,u4
= 1,2S,
donde:
P(2 < X < 2,05) = P(0 < X 1,25)
Procuremos, agora, na Figura 03 acima o valor de z = 1,25.
Na primeira coluna encontramos o valor 1,2. Em seguida, encontramos, na primeira linha, o valor 5, que corresponde
ao último algarismo do número 1,25. Na intersecção da linha e coluna correspondentes encontramos o valor 0,3944, o que nos
permite escrever:
P(0 < Z < 1,25) = 0,3944
Assim, a probabilidade de um parafuso fabricado por essa máquina apresentar um diâmetro entre a média μ = 2 e o
valor x = 2,05 é 0,3944.
Escrevemos, então:
P(2 < X < 2,05) = P(0 < Z < 1,25) = 0,3944 ou 39,44%.
EXERCÍCI0S RES0LvIB0S
1. Beteimine as piobabiliuaues:
a. P(‐1,2S < Z < u)
Solução:
A probabilidade procurada corresponde à parte hachurada da figura:

Sabemos que:
P(0 < Z < 1,25) = 0,3944
Pela simetria da curva, temos:
P(-1,25 < Z < 0 = P(0 < Z < 1,25) = 0,3944
b. P(‐u,S < Z < 1,48)
A Probabilidade procurada corresponde à parte hachurada da figura:

Temos
P(-0,5 < Z < 1,48) = P(-0,5 < Z < 0) + P(0 < Z < 1,48)
Como:
P(-0,5 < Z < 0 = P(0 < Z < 0,5) = 0,1915
e
P(0 < Z < 1,48) = 0,4306
obtemos:
P(-0,5 < Z < 1,48) = 0,1915 + 0,4306 = 0,6221
c. P(u,8 < Z < 1,2S)

TNA |BISTRIB0IÇ0ES C0NTÍN0AS]

8 Bertolo


Temos:
P(0,8 < Z < 1,23) = P(0 < Z < 1,23) – P(0 < Z < 0,8)
Como:
P(0 < Z < 1,23) = 0,3907 e P(0 < Z < 0,8) = 0,2881,
Obtemos:
P(0,8 < Z < 1,23) = 0,3907 – 0,2881 = 0,1026.
u. P(Z > u,6)
A probabilidade procurada corresponde à parte hachurada da figura:

Temos:
P(Z > 0,6) = P(Z > 0) – P(0 < Z < 0,6)
Como:
P(Z > 0) = 0,5 e P(0 < Z < 0,6) = 0,2258
obtemos:
P(Z > 0,6) = 0,5 – 0,2258 = 0,2742
e. P(Z < u,92)
A probabilidade procurada corresponde à parte hachurada da figura:

Temos:
P(Z < 0,92) = P(Z < 0) + P(0 < Z < 0,92)
como:
P(Z < 0) = 0,5 e P(0 < Z < 0,92) = 0,3212
obtemos:
P(Z < 0,92) = 0,5 + 0,3212 = 0,8212
2. A uniuaue ue ensacamento ue uma fábiica ue cimentos é piessuposto enchei os sacos com um peso méuio µ=Su kg. E
obvio que nem touos os sacos ficam exatamente com a quantiuaue ue Su kg, havenuo alguns que ficam com mais, outios
que ficam com menos cimento, ueviuo a uiveisos fatoies aleatoiios que ocasionam vaiiabiliuaue no piocesso.
Estuuaua esta vaiiabiliuaue ou uispeisão, quantificou‐se a vaiiância uo piocesso, tenuo‐se concluiuo que é ue σ
2
= u.2S
kg
2
ou o uesvio pauião σ = √u,2S = u,S kg.
Aumitinuo que o piocesso ue ensacamento segue a lei ue uistiibuição noimal com méuia µ = Su e vaiiância σ = u. S
(isto é, x ~ N(µ = Su, σ = u. S)), calcule a piobabiliuaue ue que um saco, selecionauo aleatoiiamente, contenha:
|BISTRIB0IÇ0ES C0NTÍN0AS] TNA

Bertolo 9

a) entie Su kg e S1 kg.
b) entie 49,S kg e Su kg.
c) entie 49 kg e S1 kg.
u) acima ue S1,S kg.
e) abaixo ue 48,7S kg.
f) entie Su,S kg e S1,S kg.
g) entie 48,S kg e 49,S kg.
h) abaixo ue 48,S kg ou acima ue S1,S kg.
i) Em 1 uuu sacos saiuos uesta uniuaue ue ensacamento, quantos seião espeiauos com o peso entie 49,S kg e S1,S kg.
j) Calcule os limites, infeiioi e supeiioi, uo inteivalo cential onue existem 9u% uos sacos saiuos uesta linha ue
ensacamento.
Solução:
Estabeleça-se que:
x: peso dos sacos (variável aleatória)
x~N(μ=50, σ²=0,25) μ = 50 σ = 0,5
a) Pretende-se calcular Pr(50 ≤ x ≤ 51). Esta probabilidade é graficamente traduzida
pela seguinte área:

b) Pretende-se calcular Pr(49,5 ≤ x ≤ 50). Esta probabilidade é graficamente
traduzida pela seguinte área:

Neste ponto, depara-se à dificuldade de que a tabela anexa apenas dá os valores das
probabilidades para intervalos acima de z = 0, isto é Pr(0 ≤ z ≤ z
α
), sendo z
α
≥ 0.
Apelando para a propriedade da simetria da distribuição normal, conclui-se que as
duas áreas abaixo indicadas são idênticas, isto é, Pr(-1 ≤ z ≤ 0) = Pr(0 ≤ z ≤1).

c) Pretende-se calcular Pr(49 ≤ x ≤ 51). Esta probabilidade é graficamente
traduzida pela seguinte área:
Convertam-se os limites do intervalo para a variável z
normal reduzida:
• para x=50 vem: z =
x- µ
c
=
50- 50
0,5
= u
• para x=51 vem: z =
x- µ
c
=
51- 50
0,5
= 2
Então:
Pr(50 ≤ x ≤ 51) = Pr(0 ≤ z ≤ 2) = 0,4772 ou 47,72%,
fazendo esta leitura na tabela para z = 2,00.
Convertam-se os limites do intervalo para a variável z
normal reduzida:
• para x=49,5 vem: z =
x- µ
c
=
49,5- 50
0,5
= -1
• para x=50 vem: z =
x- µ
c
=
50- 50
0,5
= u
Então:
Pr(49,5 ≤ x ≤ 50) = Pr(-1 ≤ z ≤ 0)
Então:
Pr(49,5 ≤ x ≤50) = Pr(-1 ≤ z ≤0) = Pr(0 ≤ z ≤
1) = 0,3413 ou 34,13%
TNA |BISTRIB0IÇ0ES C0NTÍN0AS]

10 Bertolo


Analisando a área que traduz a probabilidade, nota-se que essa área é composta por
duas partes, nomeadamente a área compreendida entre z = -2 e z = 0, no ramo inferior
da curva, e pela área delimitada z = 0 e z = 2, no ramo superior. Em termos de
probabilidade, tem-se:

Pr(49 ≤ x ≤ 51) = Pr(-2 ≤ z ≤ 2) = Pr(-2 ≤ z ≤ 0) + Pr(0 ≤ z ≤ 2) =
(propriedade da simetria)
= Pr(0 ≤ z ≤ 2) + Pr(0 ≤ z ≤ 2) = 2 x Pr(0 ≤ z ≤ 2) = 2 x 0,4772 = 0,9544 ou 95,44%
d) Pretende-se calcular Pr(x ≥ 51,5). Esta probabilidade é graficamente traduzida
pela seguinte área:

Analisando a área que traduz a probabilidade, nota-se que essa área é a cauda
superior da área total à direita de z = 0, delimitada inferiormente por z = 3.
Contudo, a tabela em uso dá leituras para áreas delimitadas inferiormente por z = 0 e
superiormente por z = z
α
(neste caso z = 3).
Numa situação deste gênero, há que apelar para uma propriedade fundamental da
distribuição normal, que estabelece que Pr(x ≥ μ) = Pr(z ≥ 0) = 0,5.
Pela análise das áreas envolvidas, depreende-se que:
Pr(z ≥ 3) = Pr(z ≥0) - Pr(0 ≤ z ≤ 3)

Convertam-se os limites do intervalo para a
variável z normal reduzida:
• para x=49 vem: z =
x- µ
c
=
49- 50
0,5
= -2
• para x=51 vem: z =
x- µ
c
=
51- 50
0,5
= 2
Então:
Pr(49 ≤ x ≤ 51) = Pr(-2 ≤ z ≤ 2)
Pr(-2 ≤ z ≤ 2) = Pr(-2 ≤ z ≤ 0) + Pr(0 ≤ z ≤ 2)
Como a tabela só permite a leitura direta de
Pr(0 ≤ z ≤ 2), há que transformar, pela
propriedade da simetria, a área abaixo de z = 0
numa área equivalente acima de z = 0.
Fica então:
Convertam-se os limites do intervalo para a
variável z normal reduzida:
• para x= 51,5 vem: z =
x- µ
c
=
51,5- 50
0,5
= S
Então:
Pr(x ≥ 51) = Prz ≥ 2)
Então:
Pr(x ≥ 51,5) = Pr(z ≥ 0) – Pr(0 ≤ z ≤ 3) =
0,5 – 0,4987 = 0,0013 ou 0,13%
|BISTRIB0IÇ0ES C0NTÍN0AS] TNA

Bertolo 11

e) Pretende-se calcular Pr(x ≤ 48,75). Esta probabilidade é graficamente traduzida
pela seguinte área:

Pelo que foi exposto na alínea anterior, conclui-se que:
Pr(z ≤ 2,5) = Pr(z ≥ 0) - Pr(0 ≤ z ≤ 2,5)
Então:
Pr(x ≤ 48,75) = Pr(z ≤ -2,5) = Pr(z ≥ 2,5) = Pr(z ≥0) - Pr(0 ≤ z ≤ 2,5)
= 0,5 – 0,4938 = 0,0062 ou 0,62%
f) Pretende-se calcular Pr(50,5 ≤ x ≤ 51,5). Esta probabilidade é graficamente
traduzida pela seguinte área:

Note-se que a área que traduz esta probabilidade é uma área no ramo superior da curva
da distribuição normal, sem que contudo os seus limites coincidam com z = 0.
Analisando as área envolvidas, conclui-se que:
Pr(1 ≤ z ≤ 3) = Pr(0 ≤ z ≤ 3) - Pr(0 ≤ z ≤ 1)
Isto é, expressou-se a área a calcular em função da diferença de duas áreas cuja
leitura é direta na tabela.

g) Pretende-se calcular Pr(48,5 ≤ x ≤ 49,5). Esta probabilidade é graficamente
traduzida pela seguinte área:
Convertam-se os limites do intervalo para a
variável z normal reduzida:
• para x= 48,755 vem: z =
x- µ
c
=
48,75- 50
0,5
= -2,S
Aplicando a propriedade da simetria:
Pr(x ≤ 48,75) = Pr(z ≤ -2,5)= Pr(z ≥ 2,5)
Convertam-se os limites do intervalo para a
variável z normal reduzida:
• para x=50,5 vem: z =
x- µ
c
=
50,5- 50
0,5
= 1
• para x=51,5 vem: z =
x- µ
c
=
51,5- 50
0,5
= S
Então:
Pr(50,5 ≤ x ≤ 51,5) = Pr(1 ≤ z ≤ 3)
Então:
Pr(50,5 ≤ x ≤ 51,5) = Pr(1 ≤ z ≤3) = Pr(0≤z≤3)
- Pr(0 ≤ z ≤1)
= 0,4987 – 0,3413 = 0,1574 ou 15,74%
TNA |BISTRIB0IÇ0ES C0NTÍN0AS]

12 Bertolo


Aplicando a propriedade da simetria da distribuição normal, vem uma situação análoga
à resolvida na alínea anterior:

h) Pretende-se calcular Pr(x ≤ 48,5 U x ≥ 51,5). Esta probabilidade é graficamente
traduzida pela seguinte área:


i) No fundo, pretende-se calcular a proporção de sacos com peso x e[49,5, 50,5].
Aplicando o mesmo método de resolução da alínea c), conclui-se que:
Pr(49,5 ≤ x ≤ 50,5) = Pr(-1 ≤ z ≤1) = Pr(-1 ≤ z ≤0) + Pr(0 ≤ z ≤1) =
(propriedade da simetria)
= Pr(0 ≤ z ≤1) + Pr(0 ≤ z ≤1) =
= 2 x Pr(0 ≤ z ≤ 1) =
= 2 x 0,3413 = 0,6826
Então:
Convertam-se os limites do intervalo para a
variável z normal reduzida:
• para x=48,5 vem: z =
x- µ
c
=
48,5- 50
0,5
= -S
• para x=49,5 vem: z =
x- µ
c
=
49,5- 50
0,5
= -1
Então:
Pr(48,5 ≤ x ≤ 49,5) = Pr(-3 ≤ z ≤ -1)
Então:
Pr(48,5 ≤ x ≤ 49,5) = Pr(-3 ≤ z ≤-1) =
Pr(1≤z≤3) - Pr(0 ≤ z ≤3)- Pr(0 ≤ z ≤ 1)
= 0,4987 – 0,3413 = 0,1574 ou 15,74%
Após fazer a transformação para a curva normal
N(0,1), vem:
Pr(x ≤ 48,5 U x ≥ 51,5) = Pr(z ≤ -3 U z ≥ 3)
Analisando as áreas envolvidas, conclui-se que:
Pr(z ≤ -3 U z ≥3) = Pr(z ≤-3) + Pr( z ≥3)
Aplicando a propriedade da simetria à área que
traduz a Pr(z ≤ -3), conclui-se: que:
Pr(z ≤ -3 U z ≥3) = Pr(z ≤-3) + Pr( z ≥3) =
Pr( z ≥ 3) + Pr( z ≥ 3) =
= 2 x Pr( z ≥3) =
(aplicando a resolução da alínea d)
= 2 x [Pr(z ≥ 0) - Pr(0 ≤ z ≤3)] =
= 2 x [0,5 – 0,4987] =
= 2 x 0,0013 = 0,0026
|BISTRIB0IÇ0ES C0NTÍN0AS] TNA

Bertolo 13

Nº esperado de sacos com peso x e [49,5 , 50,5] =
= Nº total de sacos x Pr(49,5 ≤x ≤50,5)= 1 000 x 0,6826 ≈ 683 sacos.
j) Pretendem-se calcular os limites inferior (x
1
) e superior (x
2
) do intervalo
central onde existem 90% dos sacos saídos desta linha de ensacamento.
Graficamente, tem-se a seguinte situação, onde se sabem as seguintes probabilidades,
pela análise do intervalo pretendido em conjugação com as propriedades da
distribuição normal:

Tendo em atenção que x
1
e x
2
são simétricos em torno de μ=50 (porque definem um
intervalo central), então z
1
e z
2
(redução de x
1
e x
2
respectivamente, através da
expressão z =
x- µ
c
são simétricos em relação a z = 0.
Por Pr(μ < x < x
2
) = 0,45, sabe-se que Pr(0 < z < z
2
) = 0,45. Por leitura na tabela
da distribuição normal, fica-se a saber que:
para Pr(0 < z < z
α
) = 0,4495 · z
α
= 1,64
para Pr(0 < z < z
α
) = 0,4505 · z
α
= 1,65
Como Pr(0 < z < z
2
) = 0,45 está exatamente ao centro entre Pr(0 < z < z
α
) = 0,4495 e
Pr(0 < z < z
α
) = 0,4505, fazendo interpolação direta nos dois valores z
α
calculados
anteriormente, conclui-se que z
2
= 1,645.
Então, utilizando a expressão de redução z =
x- µ
c
, obtém-se:
x
2
= μ + z
2
.σ · x
2
= 50 + 1,645 x 0,5 · x
2
= 50,8225
e
x
2
= μ + z
2
.σ · x
2
= 50 - 1.645 x 0.5 · x
1
= 49,1775 (porque x
1
e x
2
são simétricos em
torno de μ)
Concluindo, o intervalo pretendido é: x e[49,1775 , 50,8225].
S. 0s saláiios mensais uos executivos ue uma ueteiminaua inuústiia são uistiibuiuos noimalmente, em toino ua méuia
ue R$ 1u.uuu, com uesvio pauião ue R$ 8uu. Calcule a piobabiliuaue ue um executivo tei um saláiio semanal situauo
entie R$ 9.8uu e R$ 1u.4uu
Solução:
Devemos, inicialmente, determinar os valores da variável de distribuição normal
reduzida. Assim:
z
1
=
9.800-10.000
800
= -u,2S e z
2
=
10.400-10.000
800
= u,S
Logo, a probabilidade procurada é dada por:
P(9.800 < Z < 10.400) = P(-0,25 < Z < 0,5) = P(-0,25 < Z < 08)+ P(0 < Z < 0,5) =
0,0987 + 0,1915 = 0,2902
É, pois, de se esperar que, em média, 29,02% dos executivos tenham salários entre R$
9.800 e R$ 10.400.
EXERCÍCI0S
1. Senuo Z uma vaiiável com uistiibuição noimal ieuuziua, calcule:
Pr(x > μ) = Pr(x < μ) = 0,5
Pr(x
1
< x < x
2
) = 0,90 (dado do enunciado)
Pr(x
1
< x < μ) = 0,45 = Pr(μ < x < x
2
) (intervalo
central)
Pr(x < x
1
) = 0,05 = 0,5 - Pr(x1 < x < μ)
(propriedade da distribuição normal)
Pr(x > x
2
) = 0,05 = 0,5 - Pr(μ < x < x
2
)
(propriedade da distribuição normal)
TNA |BISTRIB0IÇ0ES C0NTÍN0AS]

14 Bertolo

a. P(u < Z < 1,44) e. P(Z > ‐2,uS)
b. P(‐u,8S < Z < uS) f. P(Z > 1,u8)
c. P(‐1,48 < Z < 2,uS) g. P(Z < ‐u,66)
u. P(u,72 < Z < 1,89) h. P(Z < u,6u)
2. 0m teste pauionizauo ue escolaiiuaue tem uistiibuição noimal com méuia 1uu e uesvio pauião 1u. Beteimine a
piobabiliuaue ue um inuiviuuo submetiuo ao teste tei nota:
a. maioi que 12u;
b. maioi que 8u;
c. entie 8S e 11S;
u. maioi que 1uu.
S. 0s pesos ue 6uu estuuantes são noimalmente uistiibuiuos com méuia 6S,S kg e uesvio pauião S,S kg. Beteimine o
númeio ue estuuantes que pesam:
a. entie 6u e 7u kg;
b. mais que 6S,2 kg;
c. menos que 68 kg.
4. A uuiação ue um ceito componente eletiônico tem méuia ue 8Su uias e uesvio pauião ue 4u uias. Sabenuo que a
uuiação é noimalmente uistiibuiua, calcule a piobabiliuaue uesse componente uuiai:
a. entie 7uu e 1.uuu uias;
b. mais ue 8uu uias;
c. menos ue 7Su uias.
RESP0STAS:
1. a. u,42S1 b. u,Su2S c. u,91u4 u. u,2u64 e. u,9788 f. u,14u1 g. u,2S46
h. u,72S8
2. a. u,u228 b. u,9772 c. u,8664 u. u,S
S. a. u,6SS8 b. u,648u c. u,6879
4. a. u,9998 b. u,8944 c. u,uu62
2. PARÂNETR0S BA BISTRIB0IÇÂ0 N0RNAL
A uistiibuição noimal é uma uistiibuição ue uois paiâmetios μ (méuia) e σ (uesvio‐pauião). A uensiuaue ue
piobabiliuaue uesta uistiibuição tem a seguinte foima:
( )
( )
2
2
2
X
e
2
1
X f
σ
μ −

π σ
= +∞ < < ∞ − x para
(1u)
onue μ e σ são a méuia e o uesvio‐pauião ua população, iespectivamente. 0 μ é estimauo poi x e σ poi s, que são
obtiuos atiavés uas ielações:
N
X
X
N
1 i
i ∑
=
=
(11)
( )
1 N
X X
s
N
1 i
2
i
2


=

=
(12)

|BISTRIB0IÇ0ES C0NTÍN0AS] TNA

Bertolo 15

0ma notação bastante empiegaua paia uesignai que uma vaiiável tem uistiibuição noimal com méuia x e vaiiância s
2
(s é a iepiesentação ue σ e x ue μ ue uma amostia) é ( )
2
s , X N . Se uma amostia ue uauos tem iealmente uistiibuição
noimal a seguinte ielação é váliua: A = (K‐S) = u. A cuitose ua uistiibuição noimal é igual a S e a assimetiia é nula.
0 histogiama ue fieqüências ua uistiibuição noimal tem a foima ue sino ou paieciua. Com a méuia constante e a
vaiiância vaiiável, o giáfico ua cuiva noimal assume uifeientes foimas ue sino: ue alongaua a achataua.A piobabiliuaue
ue que X assuma valoies menoies ou iguais a um uauo x quanuo X é N( x ,s
2
) é estimaua poi:
( )
( )
dX e
2
1
X F
X
2
X
2
2

∞ −
σ
μ −

π σ
= (1S)
Nas essa equação não poue sei iesolviua analiticamente sem o uso ue métouos ue integiação apioximaua. Poi essa
iazão usa‐se a tiansfoimação
( )
s
X X
Z

= e com isso a vaiiável Z tem N(u,1).
A vaiiável Z é chamaua vaiiável ieuuziua e a cuiva
( ) dZ e
2
1
Z F
Z
2
Z
2

∞ −

π
= (14)
é a cuiva noimal ieuuziua.
F(Z) na foima ua equação (14) é tabulaua. Como a cuiva noimal ieuuziua é simétiica, essa piopiieuaue é geialmente
utilizaua na tabulação ue apenas valoies positivos ue Z. Nas algumas tabelas, como a tabela 4, também mostiam valoies
negativos ue Z. As tabelas ue F(Z) tanto pouem inuicai a Piob(Z ≤ z), bem como as Piob(u ≤ Z ≤ z). Poi isso, a escolha ua
tabela e sua utilização ueve sei feita com muito cuiuauo. A tabela utilizaua aqui foinece Piob(Z ≤ z). Nas nas tabelas
que foinecem apenas os valoies positivos ua vaiiável ieuuziua faz‐se uso ua piopiieuaue ue simetiia ua cuiva noimal
ieuuziua ue mouo que: P(‐X ≤ Z ≤ u) = P(u ≤ Z ≤ X).
S. BISTRIB0IÇÂ0 N0RNAL N0 EXCEL
Poueiiamos constiuii uma planilha paia iealizai os cálculos ue P(0 < Z < z) uiietamente na planilha Excel. Paia
tanto,basta constiuii uma planilha como a mostiaua abaixo:

0 piocesso fica eficiente e com ieuução ue eiios ue leituia poi paite uo usuáiio ua Tabela. Ainua mais este iesultauo
poueiá sei utilizauo em outias células ue cálculo ue novas vaiiáveis que necessitam uo conhecimento uo valoi ue
P(0 < Z < z).
E possivel automatizamos esta busca na Tabela ainua mais usanuo o vBA com foimuláiios. Paia isso constiua o
foimuláiio seguinte:
1
2
3
4
5
6
7
8
A B C D E F
valor 9,00
média  7,00
desvio padrão 1,20
valor reduzido z 1,67 <--=PADRONIZAR(B1;B2;B3)
arredondado 1,60 <--=ARREDONDAR.PARA.BAIXO(B4;1)
centésimo 0,07 <--B4-B5
P(0<Z<z) 0,4515 <--=PROCV(B5;Dist_Z!$A$2:$K$42;B6*100+2)
TNA |BISTRIB0IÇ0ES C0NTÍN0AS]

16 Bertolo


As configuiações uas piopiieuaues uos contioles são:
Contiole Tipo Piopiieuaue Configuiação
UserForm UserForm Name frmEntradaParametros
Caption Entrada dos Parâmetros
Valor Text Box Name txtValor
Média TextBox Name txtMedia
Desvio Padrão TextBox Name txtDesvPad
Entrar Command Button Name BtnEntrar
Caption Entrar
Default True
Limpar CommandButton Name BtnLimpar
Caption Limpar
Default True
Cancelar CommandButton Name BtnCancelar
Caption Cancelar
Default True

C0NSTR0ÇÂ0 B0 F0RN0LARI0
Se você quisei constiuii este foimuláiio, simplesmente copie o layout mostiauo na ilustiação acima. Siga os passos
abaixo:
1. Abia a pasta (woikbook) que você quei que o foimuláiio peitença (0seiFoims como macios tem ue seiem
atiibuiuos a uma pasta) e ligue o vBE uo Excel.
2. No vBE clique no botão Inseiii 0seiFoim (ou vá paia Inseiii > 0seiFoim)
S. Se a caixa ue feiiamentas não apaiecei poi si so (piimeiio clique no foim paia gaiantii‐se que ele não está oculto)
clique no botão Caixa ue Feiiamentas.
4. Paia colocai um contiole no foimuláiio clique no botão apiopiiauo na caixa ue feiiamentas e uai clique no
foimuláiio. Contioles pouem sei moviuos aiiastanuo‐os pelos seus lauos, ou ieuimensionanuo aiiastanuo os botões ao
ieuoi uo peiimetio.
S. Paia euitai as piopiieuaues ue um contiole, ceitifique‐se que o contiole escolhiuo esteja selecionauo e uai faça as
muuanças apiopiiauas na janela Piopeities. Se você não puuei vei a janela piopeities, vá paia Exibii > }anela ue
Piopiieuaues.
6. Paia iemovei um contiole ue um foimuláiio, selecione‐o e clique a tecla Belete no seu teclauo.
0m 0seiFoim iealmente não faiá qualquei coisa até o couigo que uiiige o foimuláiio e seus váiios contioles seja
ciiauo. 0 pioximo passo é escievei o couigo que uiiige o piopiio foimuláiio.
Inicializanuo o Foimuláiio:
A maioiia uos foimuláiios piecisa ue uma espécie ue configuiação quanuo são abeitos. Neles pouem sei uefiniuos
valoies uefault, ceitifique‐se ue que os campos estejam vazios. Este piocesso é chamauo ue inicialização uo foimuláiio
e ele é tiatauo poi uma macio chamaua 0seiFoim_Initialize. Aqui está como constiuii o couigo paia inicializai o
Foimuláiio ue Entiaua uos Paiâmetios:
1. Paia vei a janela ue couigo uo foimuláiio vá paia Exibii > Couigo ou clique F7.
2. Quanuo a janela ue couigo se abiii piimeiiamente ela conteiá um pioceuimento 0seiFoim_Click( ) vazio. 0samos as
listas uiop‐uown no topo ua janela ue couigo paia escolhei 0seiFoim e Initialize. Isto ciiaiá o pioceuimento que você
piecisa. você poue agoia ueletai o pioceuimento 0seiFoim_Click( ).
0 foimuláiio Entiaua uos Paiâmetios é um simples foimuláiio ilustianuo os
piincipios ue uesign ue 0seiFoime a couificação vBA associaua.
Ele usa uma seleção ue contioles onue temos tiês iotulos: Valor, Média e Desvio
Padrão. Tiês caixas ue textos: txtValor, txtMedia e txtDesvPad paia as entiauas
uos paiâmetios. E, ainua, tiês botões: BtnEntrar, BtnLimpar e BtnCancelar.
Quanuo o usuáiio clicai o botão Entrar suas entiauas são lançauas nas células
coiiesponuentes na planilha.
|BISTRIB0IÇ0ES C0NTÍN0AS] TNA

Bertolo 17

Private Sub UserForm_Initialize()
txtValor.Value = ""
txtMedia.Value = ""
txtDesvPad.Value = ""
txtValor.SetFocus
End Sub
0 pioposito uo pioceuimento 0seiFoim_Initialize( ) é piepaiai o foimuláiio paia uso, configuianuo os valoies uefault
paia os váiios contioles.
As linhas:
txtValor.Value = ""
txtMedia.Value = ""
txtDesvPad.Value = ""
uefinem os conteúuos uas uuas caixas ue texto paia vazio.
A linha:
txtValor.SetFocus
coloca o cuisoi uo usuáiio na caixa ue texto txtvaloi ue mouo que ela não piecisa sei clicaua antes ue começai a uigitai.
Existem tiês botões ue comenuo no foimuláiio e caua um ueve sei potencializauo pelo seu piopiio pioceuimento.
Comecemos com o mais simples ueles, o botão Cancelai.
Anteiioimente, usamos a }anela Piopeities paia uefinii a piopiieuaue Cancel uo botão Cancelai paia Tiue. Quanuo
você configuiai a piopiieuaue Cancelai ue um botão ue comanuo paia Tiue, esta tem o efeito ue “clicai” aquele botão
quanuo o usuáiio piessionai a tecla Esc no seu teclauo. Nas ela sozinha não faiá qualquei coisa acontecei paia o
foimuláiio. você piecisa ciiai o couigo paia o evento clique uo botão que fechaiá, neste caso, o foimuláiio. Aqui está
como:
1. Com o 0seiFoim abeito

TNA |BISTRIB0IÇ0ES C0NTÍN0AS]

18 Bertolo

NACR0 (F0NÇÂ0) PARA BISTRIB0IÇÂ0 N0RNAL
Distribuição Normal Padrão Acumulada

Esta função calcula a area sob o lado esquerdo de um valor especificado (o valor z) de uma curva de função
densidade de distribuição normal padrão (standard normal distribution density function curve). Num português
simples, ela retorna a probabilidade de X que é menor que um valor específico.

Se você não souber com o que uma curva normal se parece ou já se esqueceu dela, aqui está um exemplo:

Neste exemplo, a piobabiliuaue ue X sei menoi que 1,64 (z) é 94.9497
Function u_SNorm(z)

c1 = 2.506628
c2 = 0.3193815
c3 = -0.3565638
c4 = 1.7814779
c5 = -1.821256
c6 = 1.3302744
If z > 0 Or z = 0 Then
w = 1
Else: w = -1
End If
y = 1 / (1 + 0.2316419 * w * z)
u_SNorm = 0.5 + w * (0.5 - (Exp(-z * z / 2) / c1) * _
(y * (c2 + y * (c3 + y * (c4 + y * (c5 + y * c6))))))

End Function


u_SNorm(1.64) = 0.949497

Esta função também é implementada no exemplo Black-Scholes Option Pricing Model - European Call and Put.

(Esta função é similar à função NORMSDIST() fornecida pelo Excel.)







|BISTRIB0IÇ0ES C0NTÍN0AS] TNA

Bertolo 19

4. APLICAÇÂ0 – 0 Neicauo ue Ações
Algumas vezes, os meicauos ue ações seguem uma tenuência paia cima (ou tenuência paia baixo) uentio ue 2 uesvios
pauiões ua méuia. Isto é chamauo movei‐se uentio uo canal ue iegiessão lineai.
Aqui está um giáfico uo Austialian inuex (o All 0iuinaiies) ue 2uuS até Set 2uu6.

Fonte da imagem: incrediblecharts.com.
A linha cinza supeiioi está 2 uesvios pauiões acima ua meuia e a linha cinza infeiioi está 2 uesvios pauiões abaixo ua
méuia.
Note que em Abiil ue 2uu6 o inuice esteve acima u a maigem supeiioi uo canal e uma coiieção seguiua (o meicauo
uespencou).
Nas ue foima inteiessante, a última paite uo giáfico mostia que o inuice somente esteve em queua até o ponto no
funuo uo canal e uai então iecupeiou até a méuia, como você poue vei na exibição ampliaua abaixo. Tais análises
ajuuam os tiaueis ganhaiem uinheiio (ou não peiueiem uinheiio) quanuo estão investinuo.

Fonte da imagem: incrediblecharts.com.





TNA |BISTRIB0IÇ0ES C0NTÍN0AS]

20 Bertolo

B Bi is st ti ii ib bu ui iç çã ão o E Ex xp po on ne en nc ci ia al l
A uistiibuição exponencial é geialmente aplicaua à uauos com foite assimetiia
S
como aqueles cujo histogiama tem a
foima ua figuia abaixo, ou seja, ue } inveitiuo. Quanuo os seiviços piestauos poi uma empiesa paia clientes exteinos ou
inteinos são ue uuiação vaiiável é esta uistiibuição a inuicaua paia analisai esses expeiimentos, poi exemplo, a
uuiação uo atenuimento uo caixa ue um banco ou ue postos ue saúue, o tempo ue opeiação sem inteiiupção ue um
equipamento, etc. Sua uensiuaue ue piobabiliuaue tem a foima:

¡(x) = z c
-xX
com λ > u, x ≥ u (1)
e sua função ue uistiibuição ue piobabiliuaue é uo tipo:
F(x) = _ z c
-xX
«
0
= 1 - c
-xX
(2)
As caiacteiisticas ua função exponencial uefiniua são:
• A uistiibuição não é simétiica como mostia a Figuia abaixo paia uois valoies uo paiâmetio λ, obtiua no
segmento ue planilha:


• A vaiiável aleatoiia X assume somente valoies positivos.
• Compaianuo com a uistiibuição noimal, enquanto esta é completamente uefiniua poi uois paiâmetios, méuia e
uesvio pauião, a uistiibuição exponencial é uefiniua poi apenas um único paiâmetio λ, estimauo poi:
z =
1
p
(S)
Com isso, a função cumulativa ue piobabiliuaue assume a foima geialmente encontiaua na liteiatuia, ou seja:
F(X) = 1 - c
-
c
µ
paia u≤ X ≤ a e
F(X) = c
-
c
µ
paia X ≥ a
(4)
A espeiança e a vaiiância ua uistiibuição exponencial são obtiuas atiavés uas expiessões: μ= 1¡λ e σ
2
= 1¡λ
2
,
iespectivamente. A uistiibuição exponencial é um caso especial ua uistiibuição gama com o paiâmetio λ = 1.



S
Skewness
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
A B C D E F G H
DISTRIBUIÇÃO EXPONENCIAL
λ 0,5 1
Média 2,00 1,00
Desvio Padrão 2,00 1,00
X f(X) f(X)
0 0,5000 1,0000
1 0,3033 0,3679
2 0,1839 0,1353
3 0,1116 0,0498
4 0,0677 0,0183
5 0,0410 0,0067
6 0,0249 0,0025
7 0,0151 0,0009
8 0,0092 0,0003
9 0,0056 0,0001
10 0,0034 0,0000
0,0
0,2
0,4
0,6
0,8
1,0
1,2
0 1 2 3 4 5 6 7 8 9 10
=C$S*EXP(‐$B17*C$S)
|BISTRIB0IÇ0ES C0NTÍN0AS] TNA

Bertolo 21

EXENPL0 1 ( Piojeto PAE – Bolsista: Nichelle S. Reboita)
Consiueie os uauos uiáiios ue chuva ue Pelotas – RS, no mês ue janeiio, cuja uistiibuição ue fieqüências consta na
tabela 1S. Neste exemplo os uauos biutos não são apiesentauos.
0s cálculos necessáiios paia a estimativa ua méuia e ua vaiiância uos uauos também estão inuicauos na tabela 1S, com
isso, tem‐se:
806 1 0 2 2 5 7 9 23 43 80 184 450 f = + + + + + + + + + + + =



= × + × + × + × + × + × + × + × + × + × + × + × = 11575 115 1 105 0 95 2 85 2 75 5 65 7 55 9 45 23 35 43 25 80 15 184 5 , 5 450 fX


= × + × + × + × + × + × + × + × + × + × + × + × = 5 , 334912 115 1 105 0 95 2 85 2 75 5 65 7 55 9 45 23 35 43 25 80 15 184 5 , 5 450 fX
2 2 2 2 2 2 2 2 2 2 2 2 2

Tabela 1S. Bistiibuição ue fieqüências uos totais uiáiios ue chuva ue janeiio ue Pelotas, RS, no peiiouo ue 189S a 1994.
Foiam consiueiauos apenas os valoies > 1,u mm.
Classes PN (X) f f . X f . X
2
F(X)

fe
1 – 1u S,S 4Su 247S 1S612,S u,Su16 4u4
1u – 2u 1S 184 276u 414uu,u u,7S16 2u1
2u – Su 2S 8u 2uuu Suuuu,u u,8762 1uu
Su ‐ 4u SS 4S 1SuS S267S,u u,9S8S Su
4u – Su 4S 2S 1uSS 46S7S,u u,9692 2S
Su ‐ 6u SS 9 49S 2722S,u u,9847 12
6u ‐7u 6S 7 4SS 29S7S,u u,9924 6
7u – 8u 7S S S7S 2812S,u u,9962 S
8u – 9u 8S 2 17u 144Su,u u,9981 2
9u ‐1uu 9S 2 19u 18uSu,u u,999u 1
1uu – 11u 1uS u u u,u u,999S u
11u ‐12u 11S 1 11S 1S22S,u u,9998 u
Totais ‐ 8u6 11S7S SS4912,S ‐ 8u6

361 , 14
806
11575
f
fX
X = = =



( ) [ ]
54 , 209
805
806 / 11575 5 , 334912
1 f
f / fX fX
s
2
2
2
2
=

=


=

∑ ∑ ∑

s = 14,48

z =
1
p
=
1
14,S61
= u,u696


0s valoies ue F(X) e as fieqüências espeiauas são assim calculauos:
F(X
1
) = 1‐exp(‐u,u696 x 1u) =u,Su16 ⇒ fe = 4u4
F(X
2
) = 1‐exp(‐u,u696 x 2u) =u,7S16 ⇒ fe = 2u1
F(X
S
) = 1‐exp(‐u,u696 x Su) =u,8762 ⇒ fe = 1uu
F(X
4
) = 1‐exp(‐u,u696 x 4u) =u,9S8S ⇒ fe = Su
F(X
S
) = 1‐exp(‐u,u696 x Su) =u,9692 ⇒ fe = 2S
F(X
6
) = 1‐exp(‐u,u696 x 6u) =u,9847 ⇒ fe = 12
F(X
7
) = 1‐exp(‐u,u696 x 7u) =u,9924 ⇒ fe = 6
F(X
8
) = 1‐exp(‐u,u696 x 8u) =u,9962 ⇒ fe = S
F(X
9
) = 1‐exp(‐u,u696 x 9u) =u,9981 ⇒ fe = 2
TNA |BISTRIB0IÇ0ES C0NTÍN0AS]

22 Bertolo

F(X
1u
) = 1‐exp(‐u,u696 x 1uu) =u,999u ⇒ fe = 1
F(X
11
) = 1‐exp(‐u,u696 x 11u) =u,999S ⇒ fe = u
F(X
12
) = 1‐exp(‐u,u696 x 12u) =u,9998 ⇒ fe = u
0 histogiama uos uauos ua tabela 1S está apiesentauo abaixo:









Figuia 8. Bistiibuição exponencial ajustaua aos totais uiáiios ue chuva ue janeiio ue Piiacicaba – SP, no peiiouo ue 1917
a 1989 (Assis et al., 1996, pg. 72).
EXENPL0 2
0 piazo ue opeiação meuiuo em hoias ue uma máquina ue embalagem ue fiascos sem inteiiupções paia manutenção
tem uistiibuição exponencial com méuia ue 2 hoias. Qual a piobabiliuaue uesta máquina conseguii opeiai mais ue 1
hoia sem inteiiupção.
Solução
A probabilidade da máquina de embalagem de frascos em conseguir operar 1 hora ou mais
sem interrupção é P(X ≥ 1). Da distribuição exponencial acumulada, complementar, com
média de 2 horas e λ = 0,50 obtemos 60,65 com a fórmula P(x ≥ 1) = c
-
c
µ
=c
-
1
1
0,S0
= u,6u6S ou
60,65%
S. BISTRIB0IÇÂ0 EXP0NENCIAL N0 EXCEL
Paia a uistiibuição exponencial, o Excel uispõe ua função estatistica BISTEXP0N cuja sintaxe é:
DISTEXPON(x;lambda;cumulativo)
Que uá a função uensiuaue ue x ou a piobabiliuaue acumulaua ue zeio até x, confoime o aigumento cumulativo.
• Se cumulativo foi FALS0, a função estatistica BISTEXP0N uá a função uensiuaue ¡(x) = z c
-xX
, consiueianuo o
paiâmetio lambua. Esta função está mostiaua no segmento abaixo, onue pouemos escolhei na caixa ue
combinação o tipo ue cumulativo (veiuaueiio ou falso):

22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
A B C D E F G
Função DISTEXPON
λ 0,5
X VERDADEIRO
0 0,0000
1 0,3935
2 0,6321
3 0,7769
4 0,8647
5 0,9179
6 0,9502
7 0,9698
8 0,9817
9 0,9889
10 0,9933
0,0
0,2
0,4
0,6
0,8
1,0
1,2
0 1 2 3 4 5 6 7 8 9 10
VERDADEI RO
|BISTRIB0IÇ0ES C0NTÍN0AS] TNA

Bertolo 23

• Se cumulativo foi vERBABEIR0, a função BISTEXP0N uá a piobabiliuaue acumulaua ue zeio até x, P(u ≤ X ≤ x)
consiueianuo o paiâmetio lambaua, valoi obtiuo com a foimula P(X ≤ a) = 1 - c
-
c
µ
. Poi exemplo, a
piobabiliuaue acumulaua uo exemplo 2 poue sei obtiua com a foimula: =1‐BISTEXP0N(1;u,S;vERBABEIR0) →
u,6u6S. Escolhenuo na caixa ue combinação a planilha constioi a cuiva ue piobabiliuaue
acumulaua..

B Bi is st ti ii ib bu ui iç çã ão o L Lo og g‐ ‐N No oi im ma al l
Nem touas as vaiiáveis aleatoiias têm uistiibuição noimal. Bá expeiiências com iesultauos não simétiicos, poi
exemplo, o ietoino uas opeiações financeiias.
A vaiiável aleatoiia X com valoies positivos tem uistiibuição log‐noimal com função uensiuaue ue
piobabiliuaue:
`
1
1
1
1
¡(x) =
1
xo
¥
√2n
c
-
1
2
x
(Inx- µ
Y
)
2
c
Y
2
poro x ≥ u
¡(x) = u poro x < u

se a vaiiável aleatoiia Y uefiniua como Y = ln(X) tivei uistiibuição noimal com méuia ‐∞ < μ
Y
< +∞ e
uesvio pauião u ≤ σ
Y
< ∞.
Analisanuo a vaiiável aleatoiia X ietoino ue um investimento em ações:
• A ielação entie o iesgate e a aplicação poue sei maioi que 1, sem nenhuma limitação até onue o piopiio meicauo
peimitii.
• Entietanto, a ielação entie o iesgate e a aplicação poue sei menoi que 1 até o limite ue não iesgatai naua e
peiuei a aplicação iealizaua, piovocanuo uma uistiibuição ue ietoinos assimétiica.
A méuia e a vaiiância ue X com uistiibuição log‐noimal são:
p
X
= c
µ
X
+
c
Y
2
2

o
X
2
= c

Y
+ c
Y
2
x (c
c
Y
2
- 1)

S. BISTRIB0IÇÂ0 Log‐Noimal N0 EXCEL
vejamos o segmento ue planilha com esta uistiibuição:
VERDADEIRO
VERDADEI RO
TNA |BISTRIB0IÇ0ES C0NTÍN0AS]

24 Bertolo


vaiianuo a méuia e o uesvio pauião, células C4 e BS, ua uistiibuição noimal Y = ln(X) poue‐se analisai o
compoitamento uestas cuivas. No inteivalo ue células C7:B8 a planilha foinece a méuia e o uesvio pauião ue caua
uistiibuição log‐noimal, como mostiauo na figuia acima.
0 Excel uispõe uas funções estatisticas BIST.L0uN0RNAL e INvL0u paia cálculos com a uistiibuição log‐noimal.
A sintaxe ua função BIST.L0uN0RNAL é:
DIST.LOGNORMAL(x;média;desv_padrão)
A função BIST.L0uN0RNAL uá a piobabiliuaue acumulaua ue u a x, conheciuos os aigumentos méuia e uesv_pauião.
veja um exemplo:

A sintaxe ua função INvL0u é:
INVLOG(probabilidade;média;desv_padrão)
A função INvL0u uá o valoi ue x paia a piobabiliuaue, conheciuos os aigumentos méuia e uesv_pauião. Em outias
palavias, a função INvL0u é a função inveisa ua função BIST.L0uN0RNAL.
veja um exemplo:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
A B C D E F G H I
DISTRIBUIÇÃO LOG-NORMAL
Parâmetros da Distribuição Normal Y
μ
Y
1,5 2
σ
Y
1 0,75
Distribuição Log-normal X
μ
X
7,39 9,79
σ
X
9,69 8,51
Função densidade
Intervalo da curva: 0,25
x f (x ) f (x )
0,0 0,0000 0,0000
0,3 0,0248 0,0001
0,5 0,0720 0,0017
0,8 0,1076 0,0068
1,0 0,1295 0,0152
1,3 0,1412 0,0257
1,5 0,1461 0,0370
1,8 0,1465 0,0481
2,0 0,1441 0,0583
2,3 0,1398 0,0673
2,5 0,1346 0,0749
2,8 0,1288 0,0812
3,0 0,1227 0,0861
3,3 0,1166 0,0899
3,5 0,1106 0,0925
3,8 0,1047 0,0942
4,0 0,0991 0,0951
4,3 0,0937 0,0954
4,5 0,0887 0,0950
4,8 0,0838 0,0941
5,0 0,0793 0,0929
5,3 0,0750 0,0913
0,00
0,02
0,04
0,06
0,08
0,10
0,12
0,14
0,16
0 2 4 6 8 10 12 14 16 18 20
1
2
3
4
5
6
7
8
J K L M N O
Função DIST.LOGNORMAL
μ
Y
1,5
σ
Y
1
x 4
P(X<=4) 0,4547 <--=DIST.LOGNORMAL(L5;L3;L4)
P(X<=4) 0,4547 <--=DIST.NORMP((LN(L5)-L3)/L4)
|BISTRIB0IÇ0ES C0NTÍN0AS] TNA

Bertolo 25


Como a uistiibuição log‐noimal é ielacionaua com a uistiibuição noimal, a piobabiliuaue acumulaua ue zeio até x na
uistiibuição log‐noimal com paiâmetios μ e σ é igual à piobabiliuaue acumulaua ue ‐∞ até ln(x) ua uistiibuição noimal
com méuia μ e uesvio pauião σ; isto é:
P(X ≤ x) = ÐISI. I00N0RHAI(x, μ, o) = ÐISI. N0RH_
ln(x) - p
o
_
Esta igualuaue poue sei veiificaua nas células L7 e L8 ua planilha acima. Ba mesma maneiia, o cálculo ue x paia uma
ueteiminaua piobabiliuaue acumulaua consiueianuo os paiâmetios ua uistiibuição log‐noimal tem a seguinte
equivalência com a uistiibuição noimal:
x = INII00(p, p, o) = c
|µ+ c x INv.N0RM(p)]

Esta igualuaue poue sei veiificaua nas células L14 e L1S ua planilha acima.

B Bi is st ti ii ib bu ui iç çã ão o u ua am ma a
Nuitas vaiiáveis aleatoiias continuas possuem assimetiia (skewness) positiva, ou seja, são uistoiciuas à uiieita.
Fieqüentemente a uistoição ocoiie quanuo há um limite fisico à esqueiua que é ielativamente pioximo a vaiiação uos
uauos (Wilks, 199S). Exemplos comuns uesta situação são as quantias ue piecipitação e a velociuaue uo vento que são
fisicamente não negativas. Bá uma vaiieuaue ue uistiibuições continuas que são limitas à esqueiua poi zeio.
Entietanto, a uistiibuição gama é comumente usaua paia iepiesentai uauos ue piecipitação.
A função uensiuaue ue piobabiliuaue ua uistiibuição gama é:
¡(x; ×; [) =
1
[
u
Γ(o)
x
u-1
c
-
x
[
(1)
onue, β é um paiâmetio ue escala, α é o paiâmetio ue foima e Γ(α) é a função gama oiuináiia ue α. A função gama tem
as seguintes piopiieuaues:
Γ(X) = _ X
u-1
c
-X
Jx

0
(2)
paia touo X > u
( ) ( ) 1 2 1 = Γ = Γ

( ) ( ) ... , 3 , 2 , 1 X para ! 1 X X = − Γ = Γ
( ) ( ) 0 X para X X 1 X > Γ = + Γ M

( ) 77245 , 1 5 / 1 = π = Γ
0 valoi ue Γ(X) poue sei obtiuo, com boa apioximação, atiavés ua seguinte ielação: A =
2
√u

Γ(X) =
_
2n
X
c
X|In(x)-](x)]
(S)
onue:
9
10
11
12
13
14
15
16
J K L M N O P
Função INVLOG
μ
Y
1,5
σ
Y
1
Probabilidade 0,4547
x 4,00 <--=INVLOG(L13;L11;L12)
x 4,00 <--=EXP(L11+L12*INV.NORMP(L13))
TNA |BISTRIB0IÇ0ES C0NTÍN0AS]

26 Bertolo

¡(X) = 1 -
1
12X
2
+
1
S6uX
4
-
1
126uX
6
(4)
A tabela 7 foinece os valoies ue Γ(X), com base nestas ielações.
A méuia, a vaiiância e o coeficiente ue assimetiia (A) ua uistiibuição gama pouem sei obtiuos poi:
μ = α β (S)

σ
2
= α β
2
(6)

A =
2
√o
(7)

A uistiibuição gama tem assimetiia positiva com o paiâmetio β uiminuinuo e o paiâmetio α aumentanuo. vaiianuo‐se
β, com α constante, muua‐se a escala ua uistiibuição, enquanto vaiianuo‐se α, com β constante, muua‐se a sua foima.
Quanuo α = 1, BISTuANA ietoinaiá a uistiibuição exponencial com:
z =
1
[

Paia um inteiio positivo n, quanuo α = n¡2, β = 2, e cumulativo = vERBABEIR0, a BISTuANA ietoinaiá
(1 ‐ BIST.Q0I(x)) com n giaus ue libeiuaue.
Quanuo α foi um positivo inteiio, BISTuANA também seiá chamaua ue uistiibuição Eilang.
Tabela uANA. Função gama ue Y.
Poue‐se concluii, com base na equação (7), que, quanuo α tenue paia infinito A ⇒ u, ou seja, a uistiibuição gama, neste
caso, tenue a sei simétiica.
As estimativas uos paiâmetios β e α iesultam ua solução uas equações (S) e (6). Nas essas estimativas não são
auequauas, piefeiinuo‐se as estimativas uesciitas em Thom (1966):
|BISTRIB0IÇ0ES C0NTÍN0AS] TNA

Bertolo 27

o =
1
4A
_1 +
_
1 +
4A
S
_ (8)

[ =
p
o
(9)
senuo
g
X X ln A − =
(1u)
onue

=
=
N
1 i
i
X
N
1
X
(11)
é a méuia aiitmética e
( )

=
N
1
i g
X ln
N
1
X
(12)
é a méuia geométiica uas obseivações, ou alteinativamente, segunuo uieenwoou e Buianu (196u) uaua poi:
o =
u,Suuu876 +u,16488S2 Z -u,uS4427 Z
2
Z
(1S)
quanuo u ≤ Z ≤ u,S772 e poi


o =
8,898919 +9,uS99S Z -u,977SS7S Z
2
Z(17,79728 +11,968477 Z + Z
2
(14)
quanuo u,S772 < Z < 7,u, onue
( )
g
X X ln Z − = (1S)
Neste caso o paiâmetio β continua senuo calculauo como na equação (2S).
A função cumulativa ue piobabiliuaue é:
F(x) =
1
Γ(o)[
u
_ X
u-1
c
-
X
[
Jx
X
0
(16)
Esta equação não tem solução imeuiata, exiginuo tabelas ou técnicas ue integiação numéiica como expansão em séiie e
a foimula ue Simpson, poi exemplo. A séiie noimalmente utilizaua é a seguinte:
F(ç) =
ç
u
oΓ(o)c
ç
_1 +
ç
1
o +1
+
ç
2
(o +1)(o +2)
_ +·+
ç
3
(o +1)(o +2)(o +S)
(17)
Na equação (1S), fazenuo‐se ç =
X
[
; x=βt; ux=βut, chega‐se a equação (17).
A piobabiliuaue ue ocoiiei um valoi ue X ≤ t é F(t).
EXENPL0 1 ( Piojeto PAE – Bolsista: Nichelle S. Reboita)
Consiueiem‐se os 9S valoies mensais ue chuva uo mês ue janeiio em Pelotas, RS, na tabela 8, cuja uistiibuição ue
fieqüências é mostiaua na tabela 9.
Solução
Considerando-se a tabela 9, tem-se:

= + + + + + + + = 95 1 2 4 9 13 20 28 18 f

= × + × + × + × + × + × + × + × = 5 , 598 . 10 1 , 325 1 1 , 283 2 1 , 241 4 1 , 199 9 1 , 157 13 1 , 115 20 1 , 73 28 1 , 31 18 fX

p =
1u.S98,S
9S
= 111,S6
TNA |BISTRIB0IÇ0ES C0NTÍN0AS]

28 Bertolo


= × + × + × + × + × + × + × + × = 75 , 101 . 608 . 1 1 , 325 1 1 , 283 2 1 , 241 4 1 , 199 9 1 , 157 13 1 , 115 20 1 , 73 28 1 , 31 18 fX
2 2 2 2 2 2 2 2 2

o
2
=
_∑¡X
2
-
(∑¡X)
2
∑¡
_
(∑¡ -1)
=
_1.6u8.1u1,7S -
1u.S98,S
2
9S
_
94
= 4.S28,72
ln(X) ¡ = 18xln(S1,1) + 28xln(7S,1) +2uxln(11S,1) +1Sxln(1S7,1) +9xln(199,1) +4xln(241,1) +2xln(28S,1)
+1xln(S2S,1) = 429,SS7S
A = ln(111,9S) -
429,SS7S
9S
= u,19Su4
Tabela 8. Chuva mensal ue janeiio em Pelotas, RS, no peiiouo ue 189S a 1989.
Ano u 1 2 S 4 S 6 7 8 9
189... 112,6 S2,1 129,9 18S,1 6S,4
19u... 68,S 77,S 11S,S SS,8 14S,6 22,S 2u,2 1S,S 121,4 148,S
191... 2uS,6 117,8 81,S Su,1 197,7 1S2,6 1Su,1 72,8 86,6 2S,1
192... 81,S 6S,7 1S9,u 182,u 28,8 129,6 SS,4 82,7 S9,S 119,7
19S... 97,u 2S9,6 S1,S S9,u 1S1,7 4S,7 64,S 64,S 2S2,u 92,4
194... 269,u 271,S 68,S 2S,1 244,7 44,1 11S,4 1u1,8 S4u,S 87,6
19S... 1u,4 84,9 62,8 144,4 16u,1 22,1 21u,9 S8,4 162,u 1S4,S
196... 14S,S 1u6,6 64,S 1S1,1 11,S 48,1 1u7,8 84,4 191,S 1uS,2
197... 8S,9 148,1 178,1 21S,9 127,u 129,8 14u,1 119,7 72,S 14,7
198... S9,6 8S,4 71,u 1SS,9 246,8 78,6 166,u 82,7 149,S 2u9,4

Tabela 9. Bistiibuição ue fieqüências uos totais mensais ue chuva ue janeiio em Pelotas – RS. Ajuste à uistiibuição
gama.
Classes Ponto Néuio (X) f f . X f . X
2
ln(X) . f
1u,1 – S2,1 S1,1 18 SS9,8 17.4u9,78 61,8697
S2,1 – 94,1 7S,1 28 2.u46,8 149.621,u8 12u,1712
94,1 – 1S6,1 11S,1 2u 2.Su2,u 264.96u,2u 94,916u
1S6,1 – 178,1 1S7,1 1S 2.u42,S S2u.846,SS 6S,7S9S
178,1 – 22u,1 199,1 9 1.791,9 SS6.767,29 47,644S
22u,1 – 262,1 241,1 4 964,4 2S2.S16,84 21,94u8
262,1 ‐ Su4,1 28S,1 2 S66,2 16u.291,22 11,2916
Su4,1 – S46,1 S2S,1 1 S2S,1 1uS.6u9,u1 S,7841
Totais ‐ 9S 1u.S98,S 1.6u8.1u1,7S 429,SS7S

o = _
1
4
xu,19Su4] x _1 +
_
1 +
4xu,19S94
S
_ = 2,72u6
[ =
111,S6
2,72u6
= 41,uu66
Γ(o) = Γ(2,72u6) é estimaua pela equação (S), na qual
¡(α) = 1 -
1
12x2,72u6
2
+
1
S6ux2,72u6
4
-
1
126ux2,72u6
6
= u,98879
Γ(o) = _
2n
u
c
u|In(u)- ](u)]
= _
2n
2,7206
c
2,7206|In2,7206- 0,98879)]
= 1,S7u4
As estimativas uos paiâmetios com base nas equações (S) e (6) a fim ue compaiações ficam:
μ = α β = 2,72u6 x 41,uu66 ≅ 11S,S6

σ
2
= α β
2
= 2,72u6 x (41,uu66)
2
= 4.S74,8u

|BISTRIB0IÇ0ES C0NTÍN0AS] TNA

Bertolo 29

Com os paiâmetios β e α estimauo têm‐se, então, a função uensiuaue ue piobabiliuaue, na foima ua equação (1),
¡(x; ×; [) =
1
[
u
Γ(o)
x
u-1
c
-
x
[

¡(x) = 2,61 . 1u
-5
. X
1,7206
. c
-
X
41,0066

e a função cumulativa ue piobabiliuaue (equação 16) seiá:
F(X) = 2,61 . 1u
-5
_ X
1,7206
c
-
X
41,0066
Jx
x
0

A solução uessa equação exige o empiego ue técnicas ue integiação numéiica ou uso ue tabelas especificas. Auotou‐se
aqui a expansão em séiie na foima ua equação (17), cuja iepiouução ue touos os cálculos é piaticamente impossivel ue
sei apiesentaua aqui. Nas, consiueianuo apenas a piimeiia classe ua uistiibuição ue fiequências, a titulo ue exemplo,
tem‐se:
ç =
S2,1
41,uu66
= 1,27uS
F(ç) =
1,27uS
2,7206
2,72u6 .1,S7u4)c
1,2705
_1 +
1,27uS
S,72u6
+
1,27uS
2
S,72u6x4,72u6
+
1,27uS
3
S,72u6x4,72u6xS,72u6
+
1,27uS
4
S,72u6x4,72u6xS,72u6x6,72u6
+
1,27uS
5
S,72u6x4,72u6xS,72u6x6,72u6x7,72u6
]
= u,126u2 (1 + u,S41484 + u,u919u9 + u,u2u41S + u,uuS8S9) = u,126u2 x 1,4S8S.
F(X
1
) = F(S2,1) ≅ u,18S8
0s valoies ue F(X) e as fieqüências espeiauas são assim calculauos:
F(X
1
) = F(S2,1) = u,18S8 ⇒ fe = 17
F(X
2
) = F(94,1) = u,47S4 ⇒ fe = 28
F(X
S
) = F(1S6,1) =u,7uS2 ⇒ fe = 22
F(X
4
) = F(178,1) =u,849u ⇒ fe = 14
F(X
S
) = F(22u,1) =u,9271 ⇒ fe = 7
F(X
6
) = F(262,1) =u,966S ⇒ fe = 4
F(X
7
) = F(Su4,1) =u,9849 ⇒ fe = 2
F(X
8
) = F(S46,1) =u,99S4 ⇒ fe = 1
Tabela 1u. Bistiibuição ue fieqüências uos totais mensais ue chuva ue janeiio em Pelotas – RS, ajustauos à uistiibuição
gama ue piobabiliuaue.
Classes Ponto Néuio (X) f F(X) fe
1u,1 – S2,1 S1,1 18 u,18S8 17
S2,1 – 94,1 7S,1 28 u,47S4 28
94,1 – 1S6,1 11S,1 2u u,7uS2 22
1S6,1 – 178,1 1S7,1 1S u,8489 14
178,1 – 22u,1 199,1 9 u,9272 7
22u,1 – 262,1 241,1 4 u,966S 4
262,1 ‐ Su4,1 28S,1 2 u,9849 2
Su4,1 – S46,1 S2S,1 1 u,99S4 1
Totais ‐ 9S ‐ 9S
0 histogiama ue fieqüências ueste exemplo é mostiauo na figuia 6.
TNA |BISTRIB0IÇ0ES C0NTÍN0AS]

30 Bertolo












Figuia 6. Totais ue chuva mensal ue janeiio em Pelotas, RS, ajustauos a uistiibuição gama (Assis et al., 1996, pg. S9).
S. BISTRIB0IÇÂ0 uANA N0 EXCEL
0 Excel uispõe uas funções estatisticas BISTuANA e INvuANA paia cálculos com a uistiibuição gama.
A sintaxe ua função BISTuANA é:
DISTGAMA(x;alfa;beta;cumulativo)
A função BISTuANA ietoina a uistiibuição gama, conheciuos aigumentos alfa e beta, paiâmetios ua uistiibuição,
númeios positivos. Se β = 1, a BISTuANA ietoina a uistiibuição gama pauião. 0 aigumento cumulativo é um valoi
logico: ietoinai a função ue uistiibuição cumulativa = vERBABEIR0, ietoinai a função ue piobabiliuaue ue massa =
FALS0, ou não especificauo.

A sintaxe ua função INvuANA é:
INVGAMA(probabilidade;alfa;beta)
Ela ietoina o inveiso ua uistiibuição cumulativa gama. Se p = BISTuANA(x;...), então INvuANA(p;...) = x. você poue
usai esta função paia estuuai uma vaiiável cuja uistiibuição poue sei enviesaua.
Piobabiliuaue é a piobabiliuaue associaua à uistiibuição gama.
Alfa é um paiâmetio ua uistiibuição.
Beta é um paiâmetio paia a uistiibuição. Se β = 1, INvuANA ietoinaiá a uistiibuição gama pauião.
Bauo um valoi ue piobabiliuaue, INvuANA piocuia aquele valoi x ue mouo que BISTuANA(x, alfa, beta, vERBABEIR0)
= piobabiliuaue. Assim, a piecisão ue INvuANA uepenue ua piecisão ue BISTuANA. INvuANA utiliza uma técnica ue
busca inteiativa. Se a busca não tivei conveigiuo apos 1uu iteiações, a função ietoinaiá o valoi ue eiio #N¡B.










|BISTRIB0IÇ0ES C0NTÍN0AS] TNA

Bertolo 31

B Bi is st ti ii ib bu ui iç çã ão o t t u ue e S St tu uu ue en nt t
Be acoiuo com o teoiema uo limite cential, a uistiibuição amostial
4
ue uma estatistica (como uma méuia ua amostia)
seguiiá uma uistiibuição noimal, enquanto o tamanho ua amostia foi suficientemente gianue. Poitanto, quanuo
conheceimos o uesvio pauião ua população, pouemos calculai um z‐escoie
S
, e usaimos a uistiibuição noimal paia
avaliai piobabiliuaues com a méuia amostial.
Nas os tamanhos uas amostias são algumas vezes pequenos, e fiequentemente não conhecemos o uesvio pauião ua
população. Quanuo um uestes pioblemas ocoiieiem, os estatisticos contam com a uistiibuição ua estatistica t (também
conheciua como t‐escoie), cujos valoies são uauos poi:
t =
x - μ
s
√n

0nue x é a méuia amostial, μ é a méuia ua população, s é o uesvio pauião ua amostia e n é o tamanho ua amostia. A
uistiibuição ua estatistica t é chamaua ue uistiibuição t ou ue uistiibuição t ue Stuuent.
A uistiibuição t ue Stuuent tem gianue impoitância paia a infeiência ue paiâmetios ua população e paia a estatistica ue
pequenas amostias.
uiaus ue Libeiuaue
Existem iealmente muitas uistiibuições t uifeientes. A foima paiticulai ua uistiibuição t é ueteiminaua pelos seus
giaus ue libeiuaue. 0s giaus ue libeiuaue se iefeiem ao númeio ue obseivações inuepenuentes num conjunto ue uauos.
Quanuo estimai um escoie méuio ou uma piopoição ue uma amostia simples, o númeio ue obseivações inuepenuentes
é igual ao tamanho ua amostia menos um. Bai então, a uistiibuição ua estatistica t uas amostias ue tamanho 8 seião
uesciitas poi uma uistiibuição t tenuo 8 – 1 ou 7 giaus ue libeiuaue. Similaimente, uma uistiibuição t tenuo 1S giaus
ue libeiuaue seiia usaua com uma amostia ue tamanho igual a 16.
A notação utilizaua paia giaus ue libeiuaue é gl
6
.
Paia outias aplicações, os giaus ue libeiuaue pouem sei calculauos uifeientemente. Bescieveiemos estes cálculos
quanuo eles suigiiem.
Piopiieuaues ua Bistiibuição t
A uistiibuição t tem as seguintes piopiieuaues:
• A méuia ua uistiibuição é igual a u.
• A vaiiância é igual a υ¡(υ ‐ 2), onue υ é o giau ue libeiuaue (vei última seção) e υ ≥ 2.

4
Suponha que retiremos todas as amostras possíveis de tamanho n de uma dada população. Suponha, ainda mais, que
calculemos uma estatística (p.ex., uma média, desvio padrão) para cada amostra. A distribuição de probabilidade desta
estatística é chamada de distribuição amostral.
5
Um escore-z (também conhecido como escore padrão) indica quantos desvios padrões um elemento está da média. Um
escore-z pode ser calculado pela seguinte fórmula.
z = (X - μ) / σ
onde z é o z-escore, X é o valor do elemento, μ é a média da população, e σ é o desvio padrão.
Aqui está como interpretar os z-escores.
• 0m z‐escoie menoi que u iepiesenta um elemento menoi que a méuia.
• 0m z‐escoie maioi que u iepiesenta um elemento maioi que a méuia.
• 0m z‐escoie igual a u iepiesenta um elemento igual à méuia.
• 0m z‐escoie igual a 1 iepiesenta um elemento que está 1 uesvio pauião maioi que a méuia; um z‐escoie igual a
2, 2 uesvios pauiões maioi que a méuia; etc.
• 0m z‐escoie igual a ‐1 iepiesenta um elemento que está 1 uesvio pauião menoi que a méuia; a z‐escoie igual a
‐2, 2 uesvio pauião menoi que a méuia; etc.
• Se o númeio ue elementos no conjunto foi gianue, ceica ue 68% uos elementos tem um z‐escoie entie ‐1 e 1;
ceica ue 9S% tem um z‐escoie entie ‐2 e 2; e ceica ue 99% tem um z‐escoie entie ‐S e S.

6
Alguns autoies utilizam a notação inglesa uf (uegiee of fiee)
TNA |BISTRIB0IÇ0ES C0NTÍN0AS]

32 Bertolo

• A vaiiância é sempie maioi que 1, emboia ela esteja pioxima ue 1 quanuo existiiem muitos giaus ue libeiuaue.
Com infinitos giaus ue libeiuaue, a uistiibuição t é a mesma que a uistiibuição noimal pauião.

Quanuo 0sai a Bistiibuição t
A uistiibuição t poue sei usaua com qualquei estatistica tenuo uma uistiibuição com a foima ue sino (isto é,
apioximauamente noimal). 0 teoiema uo limite cential estabelece que a uistiibuição amostial ue uma estatistica seiá
noimal ou apioximauamente noimal, se qualquei uma uas conuições seguinte se aplicai:
A uistiibuição ua população é noimal.
A uistiibuição amostial é simétiica, unimoual, sem outlieis, e o tamanho ua amostia está entie 1S ou menos
A uistiibuição amostial é moueiauamente assimétiica, unimoual, sem outlieis, e o tamanho ua amostia está
entie 16 e 4u.
0 tamanho ua amostia é maioi que 4u, sem outlieis.
A uistiibuição t não ueveiá sei usaua com amostias pequenas uas populações que não foiem apioximauamente
noimais.
Piobabiliuaue e a Bistiibuição t ue Stuuent
Quanuo uma amostia ue tamanho n foi extiaiua ue uma população tenuo uma uistiibuição noimal (ou
apioximauamente noimal), a méuia amostial poue sei tiansfoimaua numa t‐escoie, usanuo a equação apiesentaua no
inicio ua lição. Repetimos aquela equação abaixo:
t =
x - μ
s
√n

0nue x é a méuia amostial, μ é a méuia ua população, s é o uesvio pauião ua amostia, n é o tamanho ua amostia e os
giaus ue libeiuaue são iguais a n – 1.
A t‐escoie piouuziua poi esta tiansfoimação poue sei associaua com uma única piobabiliuaue cumulativa. Esta
piobabiliuaue cumulativa iepiesenta a piobabiliuaue ue se encontiai uma méuia amostial menoi que ou igual a x ,
uaua uma amostia aleatoiia ue tamanho n.
Função ue Piobabiliuaue
A função uensiuaue ue piobabiliuaue é uaua poi:
¡(t, v) =
Γ[
v +1
2
¸
Γ [
v
2
¸ √nv
. _1 +
t
2
v
_
-
v+1
2

0nue Γ é a função uama e t ∈ℜ.
A méuia é uaua poi E(t) = u e a vaiiância vai(t) =
v
v-2
.
A Bistiibuição t ue Stuuent no Excel
0 Excel uispõe uas funções estatisticas BISTT e INvT paia a uistiibuição t cujas sintaxes são as seguintes:
BISTT(t;giaus_libeiuaue;cauuas)
A função estatistica BISTT uá a piobabiliuaue uo valoi t sei exceuiuo consiueianuo os aigumentos giaus‐libeiuaue e
cauuas ua uistiibuição t
• Se o aigumento cauuas foi igual a 1, a função BISTT uaiá a piobabiliuaue coiiesponuente a uma cauua ua
uistiibuição.
• Se o aigumento cauuas foi igual a 2, a função BISTT uaiá a piobabiliuaue coiiesponuente às uuas cauuas ua
uistiibuição.
INvT(piobabiliuaue;giaus_libeiuaue)
A função estatistica INvT uá o t‐ciitico ua uistiibuição t iefeiente aos aigumentos piobabiliuaue e giaus_libeiuaue,
consiueianuo que a piobabiliuaue se iefeie às uuas cauuas ua uistiibuição. A função INvT é a função inveisa ua BISTT
quanuo o aigumento cauuas é igual a 2. Paia o cálculo ua função INvT o Excel aplica um pioceuimento iteiativo até
alcançai um eiio ue ±Sx1u
‐7
. Se em 1uu iteiações não foi possivel obtei o iesultauo, a função INvT apiesenta #N¡A.
|BISTRIB0IÇ0ES C0NTÍN0AS] TNA

Bertolo 33

A planilha abaixo mostia como pouemos usai as funções ua uistiibuição t paia um exemplo.

Nesta planilha foiam constiuiuos uois mouelos:
• 0 piimeiio mouelo calcula a piobabiliuaue consiueianuo a escolha iealizaua na caixa ue combinação: Buas
cauuas ou 0ma cauua, iesultauos pievistos na piopiia função BISTT.
• 0 segunuo mouelo calcula o t‐ciitico consiueianuo a escolha iealizaua na caixa ue combinação: Buas cauuas ou
0ma cauua. 0 iesultauo paia uma cauua não está pievisto na função INvT; entietanto, como o valoi uo
aigumento piobabiliuaue ueveiá sei o uobio uo valoi uo pioblema, na célula C18 iegistiamos a foimula:
=INvT(C14*SE(ES=1;2;1);C17) senuo ES o enueieço ua célula vinculaua com a caixa ue combinação Buas
cauuas ou 0ma cauua.
Notação e t escoie
0s estatisticos usam t
α
paia iepiesentai a t‐escoie que tem uma uistiibuição ue piobabiliuaues cumulativa ue (1 ‐ α).
Poi exemplo, suponha que estamos inteiessauos no t‐escoie tenuo uma piobabiliuaue cumulativa ue u,9S. Neste
exemplo, α seiá igual a (1 – u,9S) ou u,uS. Refeiiiemos ao t‐escoie como t
u,uS
.
E claio, o valoi ue t
u,uS
uepenue uo númeio ue giaus ue libeiuaue. Poi exemplo, com 2 giaus ue libeiuaue, aquele t
u,uS
é
igual a 2,92; mas com 2u giaus ue libeiuaue, aquele t
u,uS
é igual a 1,72S.
Nota: Beviuo a uistiibuição t sei simétiica ao ieuoi ue uma méuia zeio, o seguinte é veiuaueiio:
t
α
= ‐t
1 ‐ α
e t
1 ‐ α
= ‐t
α

Assim, se t
u,uS
= 2,92, então t
u,9S
= ‐2,92.
Testanuo o seu entenuimento
EXENPL0 1
A Tomaz Euison fabiica lâmpauas incanuescentes. 0 CE0 exige que uma lâmpaua ua TE sobieviva em méuia Suu uias.
0m pesquisauoi seleciona aleatoiiamente 1S lâmpauas paia teste. As lâmpauas amostiauas sobieviveiam em méuia
29u uias, com um uesvio pauião ue Su uias. Se a exigência uo CE0 foi veiuaueiia, qual é a piobabiliuaue que 1S
lâmpauas selecionauas aleatoiiamente teiiam uma viua méuia ue não mais que 29u uias.
Solução
A primeira coisa que precisamos fazer é calcular o t-escore, baseado na seguinte
equação:
t =
x - μ
s
√n

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
A B C D E F
Distribuição t Student
Função DISTT Uma cauda
Duas caudas
t 1,896 2
n 40
g.l. 39
P( t >1,896) 0,065 <--=DISTT(C5;C8;E5)
Função INVT
P 0,065
n 40
g.l. 39 <--=C15-1
t 1,896 <--=INVT(C14*SE(E5=1;2;1);C17)
="P( t >"&C5&")"
Duas caudas
Duas caudas
TNA |BISTRIB0IÇ0ES C0NTÍN0AS]

34 Bertolo

t =
29u - Suu
Su
√1S
=
-1u
12,9u994S
= -u,774S966
0nue x é a méuia amostial, μ é a méuia ua população, s é o uesvio pauião ua amostia e n é o tamanho ua amostia.
Agoia, estamos piontos a usai a planilha acima paia os cálculos:

EXENPL0 2
Suponha os escoies ue um teste ue QI estejam noimalmente uistiibuiuos, com méuia ue 1uu. Suponha que 2u pessoas
sejam selecionauas aleatoiiamente e testauas. 0 uesvio pauião no giupo amostial é 1S. Qual é a piobabiliuaue que a
méuia uo escoie uo teste no giupo amostial seiá no máximo 11u.
Solução
Graus de liberdade – gl = 20 – 1 = 19
Média da população = 100
Média da amostra = 110
Desvio padrão da amostra = 15
Entrando comeste valor na planilha como aquela acima, temos:













1
2
3
4
5
6
7
8
9
A B C
Distribuição t Student
Função DISTT
t 0,7745966
n 14
g.l. 13
P( t >0,7745966) 0,226
Uma cauda
1
2
3
4
5
6
7
8
9
A B C
Distribuição t Student
Função DISTT
t 2,98142397
n 20
g.l. 19
P( t >2,98142397) 0,004
Uma cauda
A planilha encontiou a piobabiliuaue cumulativa: u,226.
Poitanto, se a viua veiuaueiia ua lâmpaua fosse Suu
uias, há uma chance ue 22,6% que a viua méuia ua
lâmpaua paia 1S lâmpauas selecionauas aleatoiiamente
seiá menoi que ou igual a 29u uias.
t =
11u - 1uu
1S
√2u
=
1u
S,SS41u1966
= 2,98142S97
A planilha encontiou a piobabiliuaue: u,uu46. Poitanto, a
piobabiliuaue cumulativa é u,996, ou seja, há 99,6% ue chance
que a méuia amostial não seiá maioi que 11u.
|BISTRIB0IÇ0ES C0NTÍN0AS] TNA

Bertolo 35

B Bi is st ti ii ib bu ui iç çã ão o Q Qu ui i‐ ‐Q Qu ua au ui ia au uo o
Suponha que conuuzimos o seguinte expeiimento estatistico. Selecionamos uma amostia aleatoiia ue tamanho n ue
uma população noimal, tenuo um uesvio pauião igual a σ. Encontiamos que o uesvio pauião ua nossa amostia é igual a
s. Com estes uauos, uefinimos uma estatistica, chamaua qui‐quauiauo, usanuo a seguinte equação:
χ
2
=
|(n -1) - s
2
]
σ
2

Se iepetiimos este expeiimento um númeio infinito ue vezes, poueiemos obtei uma uistiibuição amostial paia a
estatistica qui‐quauiauo. A uistiibuição qui‐quauiauo é uefiniua pela seguinte função ue uensiuaue ue piobabiliuaue
(fup):
¥ = ¥
0
- (χ
2
)
[
v
2
-1¸
- c
-
χ
2
2

0nue Y
u
é uma constante que uepenue uo númeio ue giaus ue libeiuaue, χ
2
é a estatistica qui‐quauiauo, ν = n‐1 é o
númeio ue giaus ue libeiuaue, e e é uma constante igual a base uo sistema ue logaiitmo natuial (apioximauamente
2,71828). Y
u
é uefiniuo, ue mouo que a áiea sob a cuiva qui‐quauiauo seja igual a um.
Na figuia abaixo, a cuiva veimelha mostia a uistiibuição ue valoies qui‐quauiauos calculauos ue touas amostias
possiveis ue tamanho S, onue os giaus ue libeiuaue são n – 1 = S – 1 = 2. Similaimente, a cuiva veiue mostia a
uistiibuição ue amostias ue tamanho S (giaus ue libeiuaue igual a 4); e a cuiva azul, paia amostias ue tamanho
11(giaus ue libeiuaue igual a 1u).

Piobabiliuaue Cumulativa e a Bistiibuição Qui‐Quauiauo
A uistiibuição qui‐quauiauo é constiuiua ue mouo que a áiea total sob a cuiva seja igual a 1. A áiea sob a cuiva entie u
e um paiticulai valoi qui‐quauiauo é uma piobabiliuaue cumulativa associaua com aquele valoi qui‐quauiauo. Poi
exemplo, na figuia abaixo, a áiea hachuiiaua iepiesenta uma piobabiliuaue cumulativa associaua com uma estatistica
qui‐quauiaua igual a A; isto é, ela é a piobabiliuaue que o valoi ue uma estatistica qui‐quauiauo caia entie u e A.

A Bistiibuição Qui‐Quauiauo no Excel
0 Excel uispõe uas funções estatisticas BIST.Q0I, INv.Q0I e TESTE.Q0I paia a uistiibuição χ
2
cujas sintaxes são as
seguintes:
BIST.Q0I(x;giaus_libeiuaue)
A função estatistica BIST.Q0I uá a piobabiliuaue P(χ
2
≥ x) na cauua supeiioi ua uistiibuição qui‐quauiauo paia os
giaus_libeiuaue especificauos. Este iesultauo é o p‐value na cauua supeiioi ua uistiibuição.
0,00
0,10
0,20
0,30
0,40
0,50
0 10 20
P
r
o
b
a
b
i
l
i
d
a
d
e
x
Distribuição Qui-Quadrado
2
4
10
A uistiibuição qui‐quauiauo tem as seguintes piopiieuaues:
• A méuia ua uistiibuição é igual ao númeio ue giaus ue
libeiuaue: μ = ν.
• A vaiiância é igual a uuas vezes o númeio ue giaus ue
libeiuaue: σ
2
= 2*ν
• Quanuo os giaus ue libeiuaue foiem maioies que ou
iguais a 2, o valoi máximo ue Y ocoiie quanuo χ
2
= ν
‐ 2
• Quanto giaus ue libeiuaue, mais a cuiva qui‐quauiauo
se apioxima ue uma uistiibuição noimal.
Felizmente, não temos que calculai a áiea sob a cuiva paia
encontiai a piobabiliuaue. 0 mouo mais fácil ue encontiai a
piobabiliuaue cumulativa associaua com uma estatistica qui‐
quauiauo é usai a planilha Excel.
TNA |BISTRIB0IÇ0ES C0NTÍN0AS]

36 Bertolo

Com a função BIST.Q0I foi constiuiua a cuiva ua uistiibuição qui‐quauiauo. A foimula: =BIST.Q0I($BS;C$4)‐
BIST.Q0I($B6;C$4) foi, piimeiio, iegistiaua na célula CS e uepois copiaua no inteivalo CS:ESu, como mostia a planilha
abaixo. Nuuanuo os giaus ue libeiuaue uo inteivalo C4:E4 o mouelo constiuiiá outias cuivas ua uistiibuição qui‐
quauiauo.


INv.Q0I(piobabiliuaue;giaus_libeiuaue)
A função estatistica INv.Q0I uá o valoi‐ciitico na cauua supeiioi ua uistiibuição qui‐quauiauo paia a piobabiliuaue e os
giaus_libeiuaue especificauos. A função INv.Q0I é a função inveisa ua BIST.Q0I.
TESTE.Q0I(inteivalo_obseivauo;inteivalo_espeiauo)
A função estatistica TESTE.Q0I uá a piobabiliuaue P(χ
2
≥ x) na cauua supeiioi ua uistiibuição qui‐quauiauo paia o
inteivalo_obseivauo e o inteivalo_espeiauo especificauos. Esta função uá o mesmo iesultauo que a função BIST.Q0I.
EXENPL0 1
A Nose Batteiy Company (NBC) uesenvolveu uma nova bateiia ue telefone celulai. Em méuia, a bateiia sobievive 6u
minutos com uma única caiga. 0 uesvio pauião é 4 minutos.
Suponha que o uepaitamento ue fabiicação executa um teste ue contiole ue qualiuaue. Eles selecionam aleatoiiamente
7 bateiias. 0 uesvio pauião uas bateiias selecionauas é 6 minutos. Qual seiia a estatistica qui‐quauiauo iepiesentaua
neste teste.
Solução
Sabemos o seguinte:
• O desvio padrão da população é 4 minutos
• O desvio padrão da amostra é 6 minutos
• O número de observações da amostra é 7.
Para calcular a estatística qui-quadrado, liguemos estes dados na equação qui-
quadrado, como mostrado abaixo
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
A B C D E F G H I J K L M
DISTRIBUIÇÃO QUI-QUADRADO
Graus de liberdade
x 2 4 10
0 0,3935 0,0902 0,0002
1 0,2387 0,1740 0,0035
2 0,1447 0,1779 0,0149
3 0,0878 0,1518 0,0341
4 0,0533 0,1187 0,0562
5 0,0323 0,0881 0,0759
6 0,0196 0,0633 0,0898
7 0,0119 0,0443 0,0966
8 0,0072 0,0305 0,0967
9 0,0044 0,0207 0,0916
10 0,0027 0,0139 0,0830
11 0,0016 0,0092 0,0725
12 0,0010 0,0061 0,0614
13 0,0006 0,0040 0,0507
14 0,0004 0,0026 0,0409
15 0,0002 0,0017 0,0324
16 0,0001 0,0011 0,0253
17 0,0001 0,0007 0,0194
18 0,0000 0,0004 0,0147
19 0,0000 0,0003 0,0110
20 0,0000 0,0002 0,0082
21 0,0000 0,0001 0,0060
22 0,0000 0,0001 0,0044
23 0,0000 0,0000 0,0031
24 0,0000 0,0000 0,0023
25 0,0000 0,0000 0,0016
26 -1,00000 -0,99997 -0,99626
0,00
0,10
0,20
0,30
0,40
0,50
0 5 10 15 20 25
P
r
o
b
a
b
i
l
i
d
a
d
e
x
Distribuição Qui-Quadrado
2
4
10
<‐‐=DIST.QUI($B5;E$4)‐DIST.QUI($B6;E$4)
|BISTRIB0IÇ0ES C0NTÍN0AS] TNA

Bertolo 37

χ
2
=
|(n -1) - s
2
]
σ
2
=
|(7 -1) - 6
2
]
4
2
= 1S,S
0nue χ
2
é a estatistica qui‐quauiauo, n é o tamanho ua amostia, s é o uesvio pauião ua amostia, e σ é o uesvio pauião
ua população.
EXENPL0 2
vamos ievisai o pioblema apiesentauo acima. 0 uepaitamento ue fabiicação executou um teste ue contiole qualiuaue,
usanuo 7 bateiias selecionauas aleatoiiamente. Nos seus testes, o uesvio pauião foi 6 minutos, que igualou à estatistica
qui‐quauiauo ue 1S,S.
Suponha que eles iepetiiam o teste com uma nova amostia aleatoiia ue 7 bateiias. Qual é a piobabiliuaue que o uesvio
pauião no novo teste seiá maioi que 6 minutos.
Solução
Sabemos o seguinte:
• O desvio padrão da amostra n é igual a 7
• Os graus de liberdade são iguais a n – 1 = 7 – 1 = 6
• A estatística qui-quadrado é igual a 13,5 (ver exemplo 1 acima).
Dados os graus de liberdade, podemos determinar a probabilidade cumulativa que a
estatística qui-quadrado caia entre 0 e qualquer valor positivo. Para encontrar a
probabilidade cumulativa que uma estatística qui-quadrado caia entre 0 e 13,5,
entremos com os graus de liberdade (6) e a estatística qui-quadrado (13,5) na função
DIST.QUI da planilha abaixo:
















1
2
3
4
5
6
7
8
9
10
A B C D
DISTRIBUIÇÃO QUI_QUADRADO
tamanho da amostra 7,0
desvio padrão da amostra 6,0
desvio padrão da população 4,0
qui-quadrado 13,5 <--=((C3-1)*C4^2)/(C5^2)
graus de liberdade 6,0 <--C3-1
Probabilidade 0,04 <--=DIST.QUI(C6;C7)
Probabilidade Cumulativa 0,96 <--=1-C8
A planilha mostrou que a
probabilidade cumulativa é
0,96.
Isto nos diz que a
probabilidade que um desvio
padrão será menor que ou
igual a 6 minutos é 0,96.
Isto significa que a
probabilidade que o desvio
padrão será maior que 6
minutos é 1 – 0,96 = 0,04.
TNA |BISTRIB0IÇ0ES C0NTÍN0AS]

38 Bertolo


B Bi is st ti ii ib bu ui iç çã ão o F F
A estatistica F é uma vaiiável aleatoiia que tem uma uistiibuição F.
Aqui estão os passos exigiuos paia se calculai uma estatistica F:
• Selecione uma amostia aleatoiia ue tamanho n
1
ue uma população noimal, tenuo um uesvio pauião
7
igual a σ
1
.
• Selecione uma amostia aleatoiia inuepenuente ue tamanho n
2
ue uma população noimal, tenuo uesvio pauião
igual a σ
2
.
• A estatistica F é a iazão ue
s
1
2
c
1
2
e
s
2
2
c
2
2
.
Assim, paia veiificai se uuas populações inuepenuentes têm a mesma vaiiância é utilizaua a estatistica ua ielação uas
vaiiâncias uas amostias
s
1
2
s
2
2
ietiiauas uas populações. Se as uistiibuições uas uuas populações foiem noimais, então a
ielação
s
1
2
s
2
2
tem uistiibuição F. Sempie que as uistiibuições uas populações foiem noimais, a uistiibuição F seiá utilizaua,
também, paia compaiai uuas ou mais méuias simultaneamente, pioceuimento uenominauo análise ua vaiiância.
As seguintes equações equivalentes são comumente usauas paia se calculai uma estatistica F:
F =
_
s
1
2
o
1
2
_
_
s
2
2
o
2
2
_
; F =
|s
1
2
-c
2
2
]
|s
2
2
-c
1
2
]
; F =
_
_
1
2
v
1
_
_
_
2
2
v
2
_
; F =
|¿
1
2
-v
2
]
|¿
2
2
-v
1
]

0nue σ
1
é o uesvio pauião ua população 1, s
1
é o uesvio pauião ua amostia ietiiaua ua população 1, σ
2
é o uesvio
pauião ua população 2, s
2
é o uesvio pauião ua amostia ietiiaua ua população 2, χ
1
2
é a estatistica qui‐quauiauo paia a
amostia ietiiaua ua população 1, ν
1
é o giau ue libeiuaue paia χ
1
2
, χ
2
2
é a estatistica qui‐quauiauo paia a amostia
extiaiua ua população 2, e ν
2
são os giaus ue libeiuaue paia χ
2
2
. Note que os giaus ue libeiuaue ν
1
= n
1
– 1 e giaus ue
libeiuaue ν
2
= n
2
– 1.
A uistiibuição ue touos os possiveis valoies ua estatistica F é chamaua ue uma uistiibuição F
8
, com ν
1
= n
1
– 1 e ν
2
= n
2

– 1 giaus ue libeiuaue.
Caiacteiisticas Piincipais ua Bistiibuição F
ƒ A uistiibuição F é continua e sempie positiva com valoies no inteivalo (u, +∞)
ƒ Bá uma familia ue uistiibuições F iuentificauas poi uois paiâmetios: giaus ue libeiuaue uo numeiauoi ν
1
e
giaus ue libeiuaue uo uenominauoi ν
2
.
ƒ A uistiibuição F tem inclinação positiva. A foima final ua uistiibuição uepenue uos giaus ue libeiuaue ν
1
e ν
2,
como mostia a figuia abaixo

A uistiibuição F tem as seguintes piopiieuaues:
• A méuia ua uistiibuição é igual a ν
1
¡ (ν
2
‐ 2).

7
Besvio pauião ua população
8
Também conheciua como uistiibuição F ue Sneuecoi
0,00
0,05
0,10
0,15
0,20
0,25
0 1 2 3 4 5
P
r
o
b
a
b
i
l
i
d
a
d
e
x
Distribuição F
8
20
30
Quanuo uescievenuo uma uistiibuição F,
o númeio ue giaus ue libeiuaue
associauos com o uesvio pauião no
numeiauoi ua estatistica F é sempie
estabeleciuo piimeiio. Assim, f(S,9)
iefeiiiemos a uma uistiibuição F com ν
1

= S e ν
2
= 9 giaus ue libeiuaue. Note que
a cuiva iepiesentaua poi f(S,9) uifeiiiá
ua cuiva iepiesentaua poi f(9,S).
|BISTRIB0IÇ0ES C0NTÍN0AS] TNA

Bertolo 39

• A vaiiância é igual a
|v
2
2
-(v
1
+2)]
|v
1
-(v
2
-2)-(v
2
-4)]
.
Piobabiliuaue Cumulativa e a Bistiibuição F
Caua estatistica F poue sei associaua com uma única piobabiliuaue cumulativa. Esta piobabiliuaue cumulativa
iepiesenta a piobabiliuaue ue que a estatistica F seja menoi que ou igual a um valoi especifico.
0s estatisticos usam f
α
paia iepiesentai o valoi ue uma estatistica F tenuo uma piobabiliuaue cumulativa ue (1 ‐ α).
Poi exemplo, suponha que estamos inteiessauos na estatistica F tenuo uma piobabiliuaue cumulativa ue u,9S.
Refeiiiemos a esta estatistica F como f
u,uS
, uesue que (1 – u,9S) = u,uS.
E claio, paia encontiai o valoi f
α
piecisaiemos sabei os giaus ue libeiuaue, ν
1
e ν
2
. Na notação, os giaus ue libeiuaue
apaiecem entie paiênteses como segue: f
α

1
, ν
2
). Assim, f
u,uS
(S,7) se iefeie ao valoi ua estatistica F tenuo uma
piobabiliuaue cumulativa ue u,9S, ν
1
= S giaus ue libeiuaue, e ν
2
= 7 giaus ue libeiuaue.
A Bistiibuição F no Excel
0 Excel uispõe uas funções estatisticas DISTF e INVF paia a uistiibuição F com as seguintes sintaxes:
DISTF(x;gl_numerador;gl_denominador)
A função estatistica BISTF uá a piobabiliuaue P(F ≥ x) na cauua supeiioi ua uistiibuição F consiueianuo os giaus ue
libeiuaue uo numeiauoi gl_numeiauoi e os giaus ue libeiuaue uo uenominauoi gl_uenominauoi. Poi exemplo, paia x =
14,4 e giaus ue libeiuaue gl_numeiauoi = 9 e gl_uenominauoi = S, com a foimula: =DISTF(14,4;9;5) obtemos o
iesultauo u,uu4S1 iefeiente à piobabiliuaue P(F ≥ 14,4) na cauua supeiioi ua uistiibuição F.

INVF(probabilidade;gl_numerador;gl_denominador)
A função estatistica INvF uá o F ciitico (F
c
) ua uistiibuição F quanuo conheciua a piobabiliuaue na cauua supeiioi ua
uistiibuição F, e os giaus ue libeiuaue uo numeiauoi e uo uenominauoi. A função INvF é a função inveisa ua BISTF. Poi
exemplo, paia a piobabiliuaue u,uu4S1, gl_numeiauoi = 9 e gl_uenominauoi = S, a foimula: INVF(0,00451;9;5) uá o F
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
A B C D E F G H I J K L
DISTRIBUIÇÃO F
Graus de liberdade numerador
5 15 25
Graus de liberdade denominador
x 9 15 30
0 0,0455 0,0017 0,0001
0,2 0,1172 0,0413 0,0110
0,4 0,1351 0,1235 0,0870
0,6 0,1255 0,1690 0,1887
0,8 0,1071 0,1644 0,2180
1 0,0878 0,1357 0,1813
1,2 0,0708 0,1030 0,1259
1,4 0,0567 0,0749 0,0790
1,6 0,0453 0,0533 0,0468
1,8 0,0363 0,0376 0,0269
2 0,0291 0,0265 0,0153
2,2 0,0235 0,0187 0,0086
2,4 0,0191 0,0133 0,0049
2,6 0,0156 0,0096 0,0028
2,8 0,0128 0,0069 0,0016
3 0,0106 0,0050 0,0009
3,2 0,0088 0,0037 0,0005
3,4 0,0073 0,0027 0,0003
3,6 0,0061 0,0020 0,0002
3,8 0,0052 0,0015 0,0001
4 0,0044 0,0012 0,0001
4,2 0,0037 0,0009 0,0000
4,4 0,0032 0,0007 0,0000
4,6 0,0027 0,0005 0,0000
4,8 0,0023 0,0004 0,0000
5 0,0078 0,0011 0,0000
0,00
0,05
0,10
0,15
0,20
0,25
0 1 2 3 4 5
P
r
o
b
a
b
i
l
i
d
a
d
e
x
Distribuição F
9
15
30
TNA |BISTRIB0IÇ0ES C0NTÍN0AS]

40 Bertolo

ciitico como F
c
= 14,4u. Como o cálculo ue F
c
é um pioceuimento iteiativo, se uepois ue iealizai 1uu iteiações não foi
alcançauo o iesultauo com um eiio ue ± S x 1u
‐7
, a função INvF apiesentaiá o iesultauo #N¡A.
EXENPL0 1
Suponha que você selecionou aleatoiiamente 7 mulheies ue uma população ue mulheies, e 12 homens ue uma
população ue homens. A tabela abaixo mostia os uesvios pauiões ue caua amostia e ue caua população.
População Besvio Pauião ua População Besvio Pauião ua Amostia
Nulheies Su SS
Bomens Su 4S
Calcule a estatistica F. ν
1
e ν
2

Solução
A estatística F pode ser calculada a partir dos desvios padrões da população e da
amostra, usando a seguinte equação:
F =
_
s
1
2
o
1
2
_
_
s
2
2
o
2
2
_

Como você pode ver da equação, existem realmente duas maneiras de se calcular uma
estatística F desses dados. Se os dados das mulheres aparecem no numerador, podemos
calcular uma estatística F como segue:
F =
_
SS
2
Su
2
_
_
4S
2
Su
2
_
=
j
1.22S
9uu
[
j
2u2S
2Suu
[
=
1.S61
u,81
= 1,68
Para este cálculo, os graus de liberdade do numerador são ν
1
= 7 – 1 = 6; e os do
denominador ν
2
= 12 -1 = 11.
Na planilha teremos:

Por outro lado, se os dados dos homens aparecem no numerador, calculamos a
estatística F como segue:
F =
_
4S
2
Su
2
_
_
SS
2
Su
2
_
=
j
2.u2S
2.Suu
[
j
1.22S
9uu
[
=
u,81
1,S61
= u,S9S
Para este cálculo, os graus de liberdade do numerador são ν
1
= 12 – 1 = 11; e os do
denominador ν
2
= 7 -1 = 6.
Na planilha teremos:

EXENPL0 2
Encontie a piobabiliuaue cumulativa associaua com caua uma uas estatisticas F uo Exemplo 1, acima.
1
2
3
4
5
G H I J K
DesvPad Pop 1 30
DesvPad Pop2 50
DesvPad Amostra 1 35
DesvPad Amostra 2 45
Estatística F 1,680384 <--=((H3^2/H1^2)/(H4^2/H2^2))
1
2
3
4
5
G H I J K
DesvPad Pop 1 50
DesvPad Pop2 30
DesvPad Amostra 1 45
DesvPad Amostra 2 35
Estatística F 0,595102 <--=((H3^2/H1^2)/(H4^2/H2^2))
Onde σ
1
é o desvio padrão da população 1, s
1
é o desvio padrão da
amostra retirada da população 1, σ
2
é o desvio padrão da população
2, s
2
é o desvio padrão da amostra retirada da população 2,
|BISTRIB0IÇ0ES C0NTÍN0AS] TNA

Bertolo 41

Solução
Para resolver este problema, precisamos encontrar os graus de liberdade de cada
amostra. Depois então, usaremos a planilha Excel que realiza os cálculos para
encontrar as probabilidades.
ƒ Os graus de liberdade da amostra de mulheres são iguais a n – 1 = 7 – 1 = 6.
ƒ Os graus de liberdade da amostra de homens são iguais a n – 1 = 12 – 1 = 11.
Portanto, quando os dados das mulheres aparecerem no numerador, os graus de liberdade
do numerador ν
1
são iguais a 6; e os do denominador ν
2
= 11. E, baseado nos cálculos
mostrados no exemplo anterior, a estatística F é igual a 1,680384. Levando estes
valores à planilha encontramos que a probabilidade cumulativa é 0,7844.

Por outro lado, quando os dados dos homens aparecerem no numerador, os graus de
liberdade do numerador ν
1
são iguais a 11; e os do denominador ν
2
= 6. E, baseado nos
cálculos mostrados no exemplo anterior, a estatística F é igual a 0,595102. Levando
estes valores à planilha encontramos que a probabilidade cumulativa é 0,2156.


1
2
3
4
5
6
7
8
9
10
11
12
13
N O P Q R
Função DISTF Função INVF
DesvPad Pop 1 30 Probabilidade 0,2156
DesvPad Pop2 50 gl numerador 6
DesvPad Amostra 1 35 gl denominador 11
DesvPad Amostra 2 45 F crítico(0,2156;6;11) 1,680
Estatística F 1,680384 <--=((O5^2/O3^2)/(O6^2/O4^2))
x 1,680384 <--=O7
gl numerador 6
gl denominador 11
P( F >=1,6803840877915 ) 0,2156 <--=DISTF(O8;O9;O10)
P( F<1,6803840877915 ) 0,7844 <--=1-O11
1
2
3
4
5
6
7
8
9
10
11
12
N O P Q R
Função DISTF Função INVF
DesvPad Pop 1 50 Probabilidade 0,2156
DesvPad Pop2 30 gl numerador 6
DesvPad Amostra 1 45 gl denominador 11
DesvPad Amostra 2 35 F crítico(0,2156;6;11) 1,680
Estatística F 0,595102 <--=((O5^2/O3^2)/(O6^2/O4^2))
x 0,595102 <--=O7
gl numerador 11
gl denominador 6
P( F >=0,595102040816327 ) 0,7844 <--=DISTF(O8;O9;O10)
P( F<0,595102040816327 ) 0,2156 <--=1-O11
TNA |BISTRIB0IÇ0ES C0NTÍN0AS]

42 Bertolo

B Bi is st ti ii ib bu ui iç çã ão o u ue e W We ei ib bu ul ll l
A uistiibuição ue piobabiliuaue Weibull é uma uistiibuição ue piobabiliuaue continua amplamente utilizaua na análise
ue uauos ue viua ue equipamentos ueviuo a sua flexibiliuaue – ela poue imitai outias uistiibuições ue piobabiliuaue,
como a uistiibuição exponencial e a uistiibuição noimal, uepenuenuo uo valoi ue seus paiâmetios.
0 seu nome se ueve ao seu inventoi, Walouui Weibull, e é usaua extensivamente em engenhaiia ue confiabiliuaue e no
cálculo uo tempo méuio ue falha paia ueteiminauo uispositivo.
As piincipais vantagens ua utilização ua uistiibuição ue Weibull paia análise ua sobievivência é que atiavés ua
estimativa ue apenas uois paiâmetios (alfa e beta) são obtiuas infoimações tanto ue longeviuaue méuia quanto uo tipo
ue cuiva ue sobievivência. 0utia vantagem é que as obseivações não necessitam sei iealizauas a inteivalos constantes,
como, poi exemplo, com as tabelas ue espeiança ue viua.
A fup ua uistiibuição Weibull é uesciita pela Equação:
¡(x; [; o) =
[
u
µ
x
[-1
c
-[
x
o
¸
µ
β>u e α >u
0nue:
• β é o paiâmetio ue foima (shape);
• α é o paiâmetio ue escala (scale);
A fua
9
ua uistiibuição Weibull é uesciita pela Equação:
F(x; [; o) = 1 - c
-[
x
u
¸
µ

0 paiâmetio β influencia na fup ua uistiibuição Weibull ua seguinte foima:
• Paia u < β ¸ 1:
o f(t) - ∞ quanuo t - u;
o f(t) - u quanuo t - ∞.
• Paia β > 1:
o f(t) = u quanuo t = u;
o f(t) ciesce quanto t -
~
t (moua) e ueciesce logo apos.
0 Fatoi ue Foima β (inuica a foima ua cuiva e a caiacteiistica uas falhas).
"β < 1" moitaliuaue infantil
"β = 1" falhas aleatoiias (função exponencial negativa)
"β > 1" falhas poi uesgaste
0bseivações ielativas ao Fatoi ue Foima "β":
A escolha apiopiiaua ue "β" e "α" na Bistiibuição ue Weibull poue sei usaua paia iepiesentai uma laiga faixa ue
uistiibuições, incluinuo tanto uistiibuições ianuômicas (exponencial negativa) quanto às uistiibuições
apioximauamente noimais. Emboia a expeiiência tenha mostiauo que a uistiibuição ue Weibull possa sei usaua paia
iepiesentai a gianue maioiia ue mouelos ue falha, é essencial notai que é uma função semi‐empiiica, e poue não sei
capaz ue iepiesentai algumas uistiibuições paiticulaies encontiauas na piática.
Com ielação ao Fatoi ue Foima "β", temos que:
o Se "β = 1" (taxa ue falha constante), poue sei uma inuicação que mouos ue falhas múltiplos estão piesentes ou
que os uauos coletauos uos tempos paia falhai são suspeitos. Este é fieqüentemente o caso uos sistemas os
quais uifeientes componentes têm uifeientes iuaues, e o tempo inuiviuual ue opeiação uos componentes não

9
Função uistiibuição acumulaua
|BISTRIB0IÇ0ES C0NTÍN0AS] TNA

Bertolo 43

estão uisponiveis. 0ma taxa ue falhas constante poue também inuicai que as falhas são piovocauas poi agentes
exteinos, tais como: uso inauequauo uo equipamento ou técnicas inauequauas ue manutenção.
o 0 mouo ue falhas poi uesgaste é caiacteiizauo poi "β > 1", mas poue ocoiiei situações as quais as falhas poi
uesgaste ocoiiam uepois ue um tempo finito livie ue falhas, e um valoi ue "β = 1" é obtiuo. Isto poue ocoiiei
quanuo uma amostiagem contém uma piopoição ue itens impeifeitos, acaiietanuo falhas antes ue um tempo
finito livie ue falhas. 0s paiâmetios ua Bistiibuição ue Weibull uos mouos ue falhas poi uesgaste pouem sei
ueuuziuos se foiem eliminauos os itens impeifeitos e analisauos os seus uauos sepaiauamente.

Figura A - Efeito do parâmetro β na fdp. Retirado de [Life Data Analysis
10
].
0 paiâmetio α influencia na fup ua uistiibuição Weibull ua seguinte foima (Figuia 2‐2):
• Se α ciesce enquanto β é constante, a fup se estica paia a uiieita e sua altuia uiminui;
• Se α ueciesce enquanto β é constante, a fup se encolhe paia a esqueiua e sua altuia aumenta.

1u
http:¡¡www.weibull.com¡lifeuatawebcontents.htm
TNA |BISTRIB0IÇ0ES C0NTÍN0AS]

44 Bertolo


Figura B - Efeito do parâmetro α na fdp. Retirado de [Life Data Analysis].

A uistiibuição exponencial (usaua paia estuuai tempo ue espeia) é um caso especial ua uistiibuição Weibull com alfa =
1, méuia = beta e lâmbua(a taxa ue iisco)=1¡beta. 0utio caso especial ua uistiibuição Weibull é a uistiibuição Rayleigh
(usaua paia estuuai o espalhamento ue iauiação, velociuaue ue ventos ou fazei ceitas tiansfoimações). Paia a
uistiibuição Rayleigh alfa é fixauo em 2.
Na piática a uistiibuição Weibull é usaua paia uescievei uois giupos ue fenômenos. 0 tempo ue viua ue objetos é
fiequentemente usauo em contiole ue qualiuaue. 0m fabiicante foinece os paiâmetios Weibull paia um piouuto e o
usuáiio poue calculai a piobabiliuaue que uma paite falhe apos um, uois, tiês ou mais anos. 0 piogiama uistiibuição
Weibull peimite‐lhe fazei estes cálculos com base nos paiâmetios já conheciuos. Poi exemplo, se você quisei sabei a
piopoição que falha apos um ou mais anos, entie com o valoi um na caixa 'x' e leia o valoi ua piobabiliuaue acumulaua.
Se você quisei sabei o momento no tempo em que as paites foiam uiviuiuas você fiacassaiá, entie com o valoi u.S caixa
'%' e leia o valoi ue 'x'.
A uesciição ua velociuaue uos ventos é um exemplo uo uso ua uistiibuição Weibull paia uescievei fenômenos natuiais.
Caua paite uo planeta tem os seus piopiios paiâmetios paia uma uistiibuição Weibull paia uescievei o mouelo ua
velociuaue uos ventos naquele lugai. Com base nisto você poue calculai o númeio ue uias poi ano, ou hoias poi uia,
com velociuaue uos ventos acima ue ceita foiça, ou a méuia ua velociuaue uos ventos, ou a meuiana ua velociuaue uos
ventos, uiviuii em uois os uias uo ano e tei uma velociuaue uos ventos abaixo ua foiça méuia, metaue uos uias acima. A
uistiibuição Weibull muito piática nesta áiea poique a uistiibuição não peimite valoies negativos e é fácil ue
consiueiai apiopiiauamente o fato que na maioiia uos uias existiião um pouco ue vento, em alguns uias uma poição e
você tem aqueles uias que existem muito mais vento.
A uistiibuição‐log Weibull se concentia no log ue uma vaiiável uistiibuiua poi Weibull. Ela uá o limite ua uistiibuição
paia os menoies e os maioies valoies nas amostias extiaiuas ue uma vaiieuaue ue uistiibuições. A uistiibuição é usaua
paia uescievei conuições extiemas, tais como iajaua ue vento extiema, eneigia extiema libeiaua uuiante teiiemotos,
ou stiess extiemos paia os quais os componentes estão sujeitos. Algumas vezes a uistiibuição é usaua como uma
alteinativa à uistiibuição noimal no caso ue uauos assimétiicos. 0utios nomes paia a log‐Weibull são "uistiibuição
Fishei‐Tippett" ou "uistiibuição extieme value". Emboia a uistiibuição mais usaua seja a uistiibuição extieme value
existem outias uistiibuições ue valoies extiemos uescievenuo a uistiibuição limite paia os menoie e os maioies
valoies extiaiuos ue uma paiticulai uistiibuição. A uistiibuição ue uumbel é um caso especial ue log uistiibuição
Weibull. Paia a uistiibuição uumbel alfa=u e beta=1.
Existem váiios pacotes estatisticos paia estimai os paiâmetios Weibull paia um conjunto ue uauos. Não existe poitanto
muitos pacotes paia a log‐Weibull. você teiá ue piocuiai poi eles na Inteinet. Infelizmente estes pacotes tenuem a sei
caios.

Weibull no Excel
|BISTRIB0IÇ0ES C0NTÍN0AS] TNA

Bertolo 45

0 Excel possui a função WEIB0LL com a seguinte sintaxe:
WEIBULL(x;beta;alfa;cumulativo)
X é o valoi no qual se avalia a função.
Alfa é um paiâmetio ua uistiibuição
Beta é um paiâmetio ua uistiibuição
Cumulativo ueteimina a foima ua função
Quanuo alfa = 1, a WEIB0LL ietoinaiá a uistiibuição exponencial com : λ= 1¡β.
Poi exemplo: =WEIB0LL(1uS;2u;1uu;FALS0) uá u,uSSS89
=WEIB0LL(1uS;2u;1uu;vERBABEIR0) uá u,929S81

Você poderia também usar o procedimento que desenvolvemos em Javascript para a
realização deste cálculo. Assim

O link
11
é:
http:¡¡www.beitolo.pio.bi¡FinEst¡Estatistica¡BistiibuicaoPiobabiliuaues¡binomial.htm






11
0utias uistiibuições poueião sei calculauas neste site: http:¡¡www.beitolo.pio.bi¡FinEst¡Estatistica¡inuex.html

TMA   

DISTRIBUIÇÕES CONTÍNUAS
b a

P (a ≤ X ≤ b ) = ∫ f (X ) dX = F (b ) − F (b ) = 0

6

Há muitas distribuições teóricas contínuas. Algumas das mais usadas aqui são: distribuição normal, distribuição  gamma,  distribuição  de  valores  extremos  e  distribuição  exponencial.  Neste  material  vamos  tratar  dos  modelos  probabilísticos  citados,  que  têm  importância  prática  na  investigação  científica,  abordando  as  formas  das  funções  densidade de probabilidade, bem como a esperança e a variância. 

Distribuição Uniforme
Uma  distribuição  de  variável  aleatória  contínua  é  a  distribuição  uniforme  cuja  função  densidade  de  probabilidade  é  constante dentro de um intervalo de valores da variável aleatória X.  A variável aleatória X tem distribuição uniforme de probabilidades no intervalo  a, b  se a função densidade f x  for:  
  , com as seguintes condições: b ≥ a e a ≤ x ≤ b. 

A representação gráfica da distribuição uniforme é um retângulo com base definida pelos valores a e b que estabelecem  os limites de valores possíveis da variável aleatória X, Figura XXXXX.                Da definição da distribuição uniforme deduzimos:  A área do retângulo é igual a 1, pois a base é  b – a  e a altura 1/ b – a .  A probabilidade da variável aleatória X ser igual ou maior que a e, ao mesmo tempo, menor ou igual a b é igual  a 1 ou 100%  A média e a variância da variável aleatória X com distribuição uniforme de probabilidades no intervalo  a,b  são:  Média:  Variância:  EXEMPLO 1  A variável aleatória X tem distribuição uniforme no intervalo  50, 200 . Calcular a média e o desvio padrão.  Solução A média da variável aleatória contínua X é 150 obtida com a fórmula:  200 125 2 2 Da mesma forma, a variância é 1875,00, obtida com a fórmula:     200 50 1875,00 12 12 O desvio padrão é obtido como:     √1875 EXEMPLO 2  Continuando o Exemplo 1, qual a probabilidade de um valor da variável X se encontrar entre 110 e 150?  Solução 43,30   50  
 

f(X)  1/(b‐a) 

0      a                    b                X 

  

 

 

2

Bertolo

DISTRIBUIÇÕES CONTÍNUAS

TMA 

  A probabilidade de um valor da variável X se encontrar entre 110 e 150 é P(110 ≤ X ≤ 150) = 0,0,2667 ou 26,67%

2. DISTRIBUIÇÃO UNIFORME NO EXCEL 
O Excel não tem nenhuma função estatística para a distribuição uniforme. Entretanto é possível automatizar os cálculos  criando um modelo estatístico para a distribuição uniforme. No segmento de planilha abaixo mostramos o modelo  Distribuição Uniforme resolvendo os Exemplos 1 e 2. Com o modelo é possível realizar cálculos, conforme apresentado  a seguir:  • As células pintadas na cor verde são células que aceitam somente dados. As células pintadas em azul são as  células resultados. As restantes células pintadas de cor alaranjado são células contendo títulos.  • Nas células C4 e C5 são informados os limites a e b da variável aleatória uniforme X  • As células C6, C7 e C8 calculam, respectivamente, a média, a variância e desvio padrão.  • Informando os valores c e d pertencentes ao intervalo  a, b  nas células C10 e C11, o modelo calculará na célula  C12 a probabilidade P c ≤ X ≤ d . As células C10 e C11 estão preparadas para aceitar apenas valores dentro do  intervalo  a, b .  • Ao mesmo tempo, o modelo constrói a função f x  no intervalo  a, b  e destaca a área de cálculo da probabilidade  P c ≤ X ≤ d . 
A B C D E 1 DISTRIBUIÇÃO UNIFORME 2 Variável Aleatória Uniforme X 3 Mínimo 50 4 0,007 50 0,006 50 Máximo 200 5 0,005 200 Média 125,00 6 0,004 Variância 1875,00 200 7 0,003 Desvio Padrão 43,30 8 0,002 110 Cálculo de Probabilidades 9 0,001 110 0 150 110,00 10 c 150,00 150 11 d 0 26,67% 12 P (c<X<d ) 13 F G H

0 0,00666667 0,00666667 0 0 0,00666667 0,00666667 0 100 50

150

200

250

 

     

=SE(E(C11<=C5;C11>=C4;C10<=C5;C 10>=C4);(C11-C10)/(C5-C4);"Erro!") 

EXERCÍCIOS RESOLVIDOS 

EXERCÍCIOS  
1. Determine a probabilidade de obtermos

   

 

Bertolo

3

TMA   

DISTRIBUIÇÕES CONTÍNUAS

Distribuição Normal 
1. DISTRIBUIÇÃO NORMAL – CURVA NORMAL 
Entre  as  distribuições  teóricas  de  variável  aleatória contínua,  uma das  mais  empregadas  é  a distribuição normal.  Sua  importância  em  análise  matemática  resulta  do  fato  de  que  muitas  técnicas  estatísticas,  como  análise  de  variância,  de  regressão e alguns testes de hipótese, assumem e exigem a normalidade dos dados. Além disso, a ampla aplicação dessa  distribuição vem em parte devido ao teorema do limite central. Este teorema declara que na medida em que o tamanho  da amostra aumenta, a distribuição amostral das médias amostrais tende para uma distribuição normal  Triola, 1998 .  O aspecto gráfico de uma distribuição normal é o da Figura 01: 

FIGURA 01     Para uma perfeita compreensão da distribuição normal, observe a Figura 01 e procure visualizar as seguintes  propriedades:  1ª  A variável aleatória X pode assumir todo e qualquer valor real.  2ª  A representação gráfica da distribuição normal é uma curva em forma de sino, simétrica em torno da média  μ , que  recebe o nome de     ou de  .  3ª  A área total limitada pela curva e pelo eixo das abcissas é igual a 1, já que essa área corresponde à probabilidade da  variável aleatória X assumir qualquer valor real.  4ª   A  curva  normal  é  assintótica  em  relação  ao  eixo  das  abcissas,  isto  é,  aproxima‐se  indefinidamente  do  eixo  das  abcissas sem, contudo, alcançá‐lo.  5ª   Como  a  curva  é  simétrica  em  torno  de  μ,  a  probabilidade  de  ocorrer  valor  maior  do  que  a  média  é  igual  à  probabilidade  de  ocorrer  valor  menor  do  que  a  média,  isto  é,  ambas  as  probabilidades  são  iguais  a  0,5.  Escrevemos:  P X μ    P X  μ    0,5.    Quando  temos  em  mãos  uma  variável  aleatória  com  distribuição  normal,  nosso  principal  interesse  é  obter  a  probabilidade dessa variável aleatória assumir um valor em um determinado intervalo.  

  Calcular esta integral toda vez, não seria fácil.  A  fim  de  ultrapassar  este  inconveniente,  o  Sr.  Gauss  um  dos estatísticos  que  inicialmente  estudou  esta  função  de  distribuição desenvolveu  uma  metodologia conducente  à  estandardização,  ou  redução a um caso único, de qualquer que seja a função de  distribuição normal, caracterizada por µ e σ. Esta estandardização transforma qualquer função de distribuição normal  N µ,σ  numa única função de distribuição normal, caracterizada por ter média µ   0 e desvio padrão σ   1, isto é,  N 0,1 , que é designada por função de distribuição normal reduzida.  Vejamos como proceder, por meio de um exemplo concreto. 
Seja X a variável aleatória que representa os diâmetros dos parafusos produzidos por certa máquina. Vamos supor que essa variável tenha distribuição normal com média μ = 2 cm desvio padrão σ = 0,04 cm. Pode haver interesse em conhecer a probabilidade de um parafuso ter um diâmetro com valor entre 2 e 2,05 cm. É fácil notar que essa probabilidade, indicada por:

4

Bertolo

isto é.desv_padrão) Esta Tabela foi produzida no Excel usando a função estatística =DIST. Para se obter os valores das outras células. A Figura abaixo é uma tabela de distribuição normal reduzida2. Note que a função está definida assim para a célula B2.05). Entretanto. que. corresponde à área hachurada na Figura 02: TMA  Figura 02 2 2. =PADRONIZAR(x. para valores  padronizados em z.5000 para os valores ficarem restritos à primeira metade dos valores acima de zero da gaussiana. média. que nos dá a probabilidade de Z tomar qualquer valor entre a média 0 e um dado valor z.5000. tem distribuição normal de média 0 e desvio padrão 1. podemos contornar o problema facilmente.NORMP($A2+B$1)-0. Foi feita a subtração de 0. Basta aceitar. se X é uma variável aleatória com distribuição normal de média μ e desvio padrão σ. As probabilidades associadas à distribuição normal padronizada são encontradas em tabelas. entre os quais se pretende calcular a probabilidade. basta arrastarmos a alça do canto inferior direito de B2 até K42. não havendo necessidade de serem calculadas. isto é: Convertidos os intervalos da variável x.DISTRIBUIÇÕES CONTÍNUAS   P(2 < X < 2. o cálculo desta probabilidade será: ILUSTRAÇÂO Porcentagens da Área Sob a Curva Normal Padrão Um gráfico desta curva normal padronizada  média 0 e Variância 1  é:                                                                    1 2 O valor de Z pode ser obtido no Excel pela função Padronizar.05 O cálculo direto dessa probabilidade exige um conhecimento de Matemática mais avançado do que aquele que dispomos aqui. Assim. Bertolo 5 . então a variável:     1 tem distribuição normal reduzida . sem demonstração.

1554 0.00 2.4968 0.0675 0.46 649 0.4838 0.4495 0.39 997 0.4999 0.4997 0.4830 0.49 986 0. Temos.1293 0.3554 0.4971 0.1443 0.3413 0.49 999 0.4918 0.07 0 0. então o: 6 Bertol lo .1331 0.47 719 0.44 463 0.4750 0.4999 9 0.80 0. que s X é uma v se variável aleató ória com distribuição norma de média μ e desvio pad al drão σ.5000 0.3830 0 0.4999 0.4992 0.38 869 0.2580 0.4846 0.49 991 0.4956 0.49 995 0.2357 0.4999 0.10 3.4994 0.ÁREA SUB F BTENDIDA P PELA CURVA NORMAL REDUZIDA DE 0 A Z A Z 0.2995 0.49 999 0.2734 0.4793 0.2157 0.4999 0.19 950 0.4945 0.4554 0.2454 0.4927 0.4925 0.4986 6 0.0160 0.4998 0.4989 0.0199 0.3078 0.4893 0.1664 0.4418 0.5000 0.4911 0.49 966 0.4808 0.49 951 0.4857 7 0.4909 0.4898 0.4943 0. ca alcular o valor de r z q correspond a x = 2.5000 0.30 1.0000 0.4744 0.48 887 0.15 591 0.4997 0.49 998 0.50 000 0.4977 0.4996 0.49 982 0.4236 0.4994 0.2486 0.31 186 0.5000 0. T que de 0. podem mos esc crever: P(μ < X < x) = P(0 < Z < z).2123 0.3023 0.4726 0.5000 0 Temos.4732 0.4904 0.0398 0.4994 0.4881 0.4678 0.38 810 0.4990 0.4474 0.4957 0.4999 0.70 3.4992 0.4996 0.12 217 0.0 08 0.05 Para obter essa probabil mos P(2 5).4953 0.3621 0.4850 0.4987 0.4977 0.4995 5 0.49 998 0.4082 0.0359 9 0.46 699 0.0636 0.10 2.50 000 0.30 3.20 1.42 207 0.4997 0.48 864 0.80 2.1628 0.4998 0.0239 0.4948 0.5000 0.03 319 0.0279 0.4999 0.4319 9 0.4984 0.5000 0. então.3686 0.4251 0.34 438 0.49 997 0.3907 0.4871 0.49 995 0.4545 5 0.4990 0 0.4964 4 0.4515 0.4989 0.3508 0.2054 0.40 2.4997 0.TMA    DISTRIBUIÇÕ ÕES CONTÍN NUAS P(0 < Z < z) ) FIGURA 03 .3051 0.4999 0.4641 0.4999 0.00 0 0.1736 0.41 162 0.4991 0.2673 0.1141 0.0478 0.4959 0.3888 0.4969 0.2967 0.4671 0.49 998 0.4821 0.4767 7 0.1406 0.49 987 0.4999 0.4987 0.3770 0.4997 0.31 106 0. ao n os.5000 0.80 3.4995 0.4441 0.90 4.4922 0.90 3.4906 0.0948 0.49 934 0.4868 0.0987 0.4999 9 0.44 429 0.4979 0.1879 9 0.4394 0.60 0.35 599 0.4998 0.4996 0.20 0.3264 0.4192 0.10 0.43 306 0.2549 9 0.4015 5 0.3708 0.2794 0.80 1.4991 0.49 990 0.4994 0.05 0.3749 0.49 999 0.4265 0.2389 0. precisa amos.4834 0.49 963 0.03 0.4332 0.00 3.1808 0.3790 0.4756 0.1255 0.50 0.40 049 0.4999 0.90 2.4916 6 0.04 0.00 040 0.4656 0.08 832 0.4099 0.2088 0. Querem calcular P < X < 2.2939 0.0871 0.49 997 0.47 761 0.4962 0.4032 0.4989 0.49 993 0.29 910 0.20 3.3925 0.3643 0.43 345 0.4999 0.4994 0.3849 0.48 854 0.4817 7 0.4706 6 0.4982 0.25 517 0.1772 0.4999 0.4131 0.4177 7 0.4931 0.4382 0.4147 0.2257 0.1179 0.4995 0.4505 0.2642 0.4999 0.4988 0.4932 0.45 564 0.60 2.49 975 0.4591 0.4999 0.5000 0.4798 0.3531 0.2422 0.5000 0.4998 0.4960 0.0 01 0.60 3. em prim meiro lugar.4999 0.00 1.48 896 0.4984 0.4946 0.45 535 0.4998 0.4599 0.49 920 0.3944 0.30 0.60 1.4664 0.4582 0.4992 0.14 480 0.49 940 0.10 1.4616 0.70 0.0793 0. nosso problem ma.0753 3 0.4949 0. com m     .4961 0.4993 0.1700 0.0517 0.3461 0.3159 0.04 438 0.90 1.3315 0.4901 0.3340 0.4938 0.4936 6 0.4999 9 0.05 (x = 2 ⇒ z = 0 pois μ =2).4999 0.4998 8 0.0120 0.3289 0.4997 7 0.1915 0. Voltemo então.09 0.1368 0.40 3.02 0.50 000 0.1026 0.5000 0 0.4783 0.4875 0.4738 0.4988 0.28 823 0.4996 0.4861 0.4981 0.2224 4 0.2852 2 0.48 826 0.3729 0.4974 0.4970 0.4983 0.4370 0.4999 0.4985 0.4573 0.4992 0.47 778 0.36 665 0.4713 0.4884 0.49 999 0.4525 0.70 1.4803 0.3485 0.4842 0.30 2.4279 0.00 0.4292 0.2881 0.5000 0.5000 0.4878 0.18 844 0.4998 0.4693 0.3212 0.3238 0.4999 0.50 3.4633 3 0.4686 0.70 2.4115 0.4608 0.33 365 0.4985 0.2764 0.49 999 0.4974 4 0.50 1.4066 0.4995 0.46 625 0.4952 2 0.40 0.3389 9 0.4978 0.4972 0.49 996 0.49 973 0.06 0.4967 0.3962 0.4998 8 0.21 190 0.4965 0.5000 0.3980 0.0910 0. lidade.5000 0.4222 0.4981 0.49 955 0.07 714 0.49 980 0.48 812 0.11 103 0.4998 0.26 611 0.4976 0.4996 0.4452 0.0080 0.4999 0.2324 0.4406 0.4929 0.1517 7 0.22 291 0.4890 0 0.0596 0.4788 0.50 000 0.5000 0.20 2.3133 3 0.4997 0.4993 3 0.2019 0.49 913 0.2704 0.4772 0.4941 0.1985 0.4979 0.4999 0.4998 0.49 993 0.1064 0.4357 0.4484 0.40 1.50 2.3577 0.0557 0.4997 0.

25) = 0.3944 Pela simetria da curva. temos: P(-1.1915 + 0.8   Z   1.44%. Na primeira coluna encontramos o valor 1.DISTRIBUIÇÕES CONTÍNUAS     donde: P(2 < X < 2.1915 e P(0 < Z < 1.4306 obtemos: P(-0.25. na primeira linha.25. P ‐0.05) = P(0 < Z < 1.3944 Assim. TMA      2.48   A Probabilidade procurada corresponde à parte hachurada da figura: Temos P(-0.5 < Z < 0 = P(0 < Z < 0. na Figura 03 acima o valor de z = 1.3944 b. Na intersecção da linha e coluna correspondentes encontramos o valor 0. agora. a probabilidade de um parafuso fabricado por essa máquina apresentar um diâmetro entre a média μ = 2 e o valor x = 2.05  2 0. Em seguida.4306 = 0. P ‐1.25) = 0. encontramos. que corresponde ao último algarismo do número 1.3944 ou 39.04   0. então: P(2 < X < 2.5) = 0. o valor 5. EXERCÍCIOS RESOLVIDOS  1.6221 c.23   Bertolo 7 .5 < Z < 1.48) = 0. o que nos permite escrever: P(0 < Z < 1. Escrevemos.3944.5   Z   1.05 é 0.5 < Z < 1.48) = 0.2.  P 0.05) = P(0 < X 1.3944. Determine as probabilidades:  a.05 0.25) Procuremos.48) = P(-0.25 < Z < 0 = P(0 < Z < 1.5 < Z < 0) + P(0 < Z < 1.25.48) Como: P(-0.04 1.25   Z   0   Solução:  A probabilidade procurada corresponde à parte hachurada da figura: Sabemos que: P(0 < Z < 1.25) = 0.25) = 0.

  P Z   0.5 + 0.3212 = 0.8) Como: P(0 < Z < 1.2258 obtemos: P(Z > 0. quantificou‐se a variância do processo.  P Z   0. outros  que ficam com menos cimento. contenha:  8 Bertolo .1026. x ~ N µ   50.5 e P(0 < Z < 0.2881.23) = P(0 < Z < 1.3212 obtemos: P(Z < 0.6) = P(Z > 0) – P(0 < Z < 0.6) = 0.3907 e P(0 < Z < 0.23) = 0. Obtemos: P(0.8) = 0. É  óbvio que nem todos os sacos ficam exatamente com a quantidade de 50 kg. selecionado aleatoriamente. tendo‐se concluído que é de σ2   0.3907 – 0.2742 e. devido a diversos fatores aleatórios que ocasionam variabilidade no processo.92) = 0.92) = P(Z < 0) + P(0 < Z < 0.25   0.2258 = 0.25  kg2 ou o desvio padrão σ   √0.2881 = 0. A unidade de ensacamento de uma fábrica de cimentos é pressuposto encher os sacos com um peso médio µ 50 kg.23) = 0.8 < Z < 1.5 e P(0 < Z < 0.92) como: P(Z < 0) = 0.8212 2.8 < Z < 1.5 – 0. havendo alguns que ficam com mais.5 kg.92   A probabilidade procurada corresponde à parte hachurada da figura: Temos: P(Z < 0. d.6) = 0.92) = 0.  Admitindo que o processo de ensacamento segue a lei de distribuição normal com média µ   50 e variância σ   0. 5 .  Estudada esta variabilidade ou dispersão.6) Como: P(Z > 0) = 0. calcule a probabilidade de que um saco. σ   0.23) – P(0 < Z < 0. 5  isto é.TMA    DISTRIBUIÇÕES CONTÍNUAS Temos: P(0.6   A probabilidade procurada corresponde à parte hachurada da figura: Temos: P(Z > 0.

 do intervalo central onde existem 90% dos sacos saídos desta linha de  ensacamento.  c  entre 49 kg e 51 kg.4772 ou 47. depara-se à dificuldade de que a tabela anexa apenas dá os valores das probabilidades para intervalos acima de z = 0.5 a) Pretende-se calcular Pr(50 ≤ x ≤ 51). σ²=0.00. Esta probabilidade é graficamente traduzida pela seguinte área: Convertam-se os limites do intervalo para a variável z normal reduzida:   .  TMA  i  Em 1 000 sacos saídos desta unidade de ensacamento.5 ≤ x ≤ 50).   .  h  abaixo de 48.  f  entre 50.25) μ = 50 σ = 0.DISTRIBUIÇÕES CONTÍNUAS   a  entre 50 kg e 51 kg.5 kg e 49. Pr(-1 ≤ z ≤ 0) = Pr(0 ≤ z ≤1).5 kg. fazendo esta leitura na tabela para z = 2. isto é Pr(0 ≤ z ≤ zα).   • para x=49.5 ≤ x ≤50) = Pr(-1 ≤ z ≤0) = Pr(0 ≤ z ≤ 1) = 0.  Solução:  Estabeleça-se que: x: peso dos sacos (variável aleatória) x~N(μ=50.  b  entre 49.72%.5 kg.  e  abaixo de 48.75 kg.   c) Pretende-se calcular Pr(49 ≤ x ≤ 51). Então: Pr(49.  g  entre 48. sendo zα ≥ 0.5 kg e 50 kg.5 kg?  j  Calcule os limites. Então: Pr(49.5 kg e 51. Esta probabilidade é graficamente traduzida pela seguinte área: Bertolo 9 .5 kg ou acima de 51. inferior e superior.5 kg. quantos serão esperados com o peso entre 49. Esta probabilidade é graficamente traduzida pela seguinte área: Convertam-se os limites do intervalo para a variável z normal reduzida:     • para x=50 vem:      0 • para x=51 vem:      2 . isto é. Então: Pr(50 ≤ x ≤ 51) = Pr(0 ≤ z ≤ 2) = 0. b) Pretende-se calcular Pr(49.5 ≤ x ≤ 50) = Pr(-1 ≤ z ≤ 0) Neste ponto. Apelando para a propriedade da simetria da distribuição normal.3413 ou 34.5 kg. conclui-se que as duas áreas abaixo indicadas são idênticas.5 kg e 51.5 vem:       1 • para x=50 vem:      0 .13%     .  d  acima de 51.

tem-se: Pr(-2 ≤ z ≤ 2) = Pr(-2 ≤ z ≤ 0) + Pr(0 ≤ z ≤ 2) Como a tabela só permite a leitura direta de Pr(0 ≤ z ≤ 2).   • para x= 51. no ramo inferior da curva.   Analisando a área que traduz a probabilidade.TMA    DISTRIBUIÇÕES CONTÍNUAS Convertam-se os limites do intervalo para a variável z normal reduzida:     • para x=49 vem:       2 • para x=51 vem:      2 . há que transformar.Pr(0 ≤ z ≤ 3) Então: Pr(x ≥ 51.5).4987 = 0.5) = Pr(z ≥ 0) – Pr(0 ≤ z ≤ 3) = 0.5 – 0. a tabela em uso dá leituras para áreas delimitadas inferiormente por z = 0 e superiormente por z = zα (neste caso z = 3). a área abaixo de z = 0 numa área equivalente acima de z = 0. nota-se que essa área é composta por duas partes. delimitada inferiormente por z = 3. nomeadamente a área compreendida entre z = -2 e z = 0. Então: Pr(x ≥ 51) = Prz ≥ 2)     Analisando a área que traduz a probabilidade. Numa situação deste gênero.13% fundamental da 10   Bertolo .0013 ou 0.44% d) Pretende-se calcular Pr(x ≥ 51. Então: Pr(49 ≤ x ≤ 51) = Pr(-2 ≤ z ≤ 2)   . depreende-se que: Pr(z ≥ 3) = Pr(z ≥0) . Pela análise das áreas envolvidas. nota-se que essa área é a cauda superior da área total à direita de z = 0. e pela área delimitada z = 0 e z = 2. Fica então: Pr(49 ≤ x ≤ 51) = Pr(-2 ≤ z ≤ 2) = Pr(-2 ≤ z ≤ 0) + Pr(0 ≤ z ≤ 2) = (propriedade da simetria) = Pr(0 ≤ z ≤ 2) + Pr(0 ≤ z ≤ 2) = 2 x Pr(0 ≤ z ≤ 2) = 2 x 0. pela propriedade da simetria.9544 ou 95. que estabelece que Pr(x ≥ μ) = Pr(z ≥ 0) = 0.5. Em termos de probabilidade.5 vem:      3 . no ramo superior. Contudo.4772 = 0. há que apelar para uma propriedade distribuição normal. Esta probabilidade é graficamente traduzida pela seguinte área: Convertam-se os limites do intervalo para a variável z normal reduzida:   .

5 ≤ x ≤ 51.5) = 0.Pr(0 ≤ z ≤1) = 0.5) = Pr(z ≥ 0) .755 vem:       2.5 vem:      3 .0062 ou 0.4987 – 0. .Pr(0 ≤ z ≤ 2.5 ≤ x ≤ 49.   • para x= 48. Esta probabilidade é graficamente traduzida pela seguinte área: Convertam-se os limites do intervalo para a variável z normal reduzida:   .75).5)= Pr(z ≥ 2. Aplicando a propriedade da simetria: Pr(x ≤ 48.   g) Pretende-se calcular Pr(48. Então: Pr(50. Esta probabilidade é graficamente traduzida pela seguinte área: Bertolo 11 .5).5 ≤ x ≤ 51.Pr(0 ≤ z ≤ 1) Isto é.5) Então: Pr(x ≤ 48. Esta probabilidade é graficamente traduzida pela seguinte área: Convertam-se os limites do intervalo para a variável z normal reduzida:   . sem que contudo os seus limites coincidam com z = 0.75) = Pr(z ≤ -2. conclui-se que: Pr(z ≤ 2.5) = Pr(1 ≤ z ≤3) = Pr(0≤z≤3) .1574 ou 15.62% f) Pretende-se calcular Pr(50.5 – 0.74%   . conclui-se que: Pr(1 ≤ z ≤ 3) = Pr(0 ≤ z ≤ 3) .DISTRIBUIÇÕES CONTÍNUAS TMA    e) Pretende-se calcular Pr(x ≤ 48.3413 = 0.75) = Pr(z ≤ -2.      1   • para x=50. Então: Pr(50.Pr(0 ≤ z ≤ 2.5 vem: • para x=51.5 .5) = Pr(z ≥ 2.4938 = 0.5) = Pr(1 ≤ z ≤ 3)   Note-se que a área que traduz esta probabilidade é uma área no ramo superior da curva da distribuição normal. expressou-se a área a calcular em função da diferença de duas áreas cuja leitura é direta na tabela.5)   Pelo que foi exposto na alínea anterior.5) = Pr(z ≥0) . Analisando as área envolvidas.5 ≤ x ≤ 51.5).

conclui-se que: Pr(z ≤ -3 z ≥3) = Pr(z ≤-3) + Pr( z ≥3) Aplicando a propriedade da simetria à área que traduz a Pr(z ≤ -3).5.5 vem:       1 .5 vem:       3 • para x=49. .3413 = 0.5 ≤ x ≤ 49.6826 Então: 12 Bertolo .5 ≤ x ≤ 49.   Aplicando a propriedade da simetria da distribuição normal. vem uma situação análoga à resolvida na alínea anterior: Então: Pr(48.   • para x=48. Então: Pr(48.5) = Pr(-1 ≤ z ≤1) = Pr(-1 ≤ z ≤0) + Pr(0 ≤ z ≤1) = (propriedade da simetria) = Pr(0 ≤ z ≤1) + Pr(0 ≤ z ≤1) = = 2 x Pr(0 ≤ z ≤ 1) = = 2 x 0.5].1).5). conclui-se: que: Pr(z ≤ -3 z ≥3) = Pr(z ≤-3) + Pr( z ≥3) = Pr( z ≥ 3) + Pr( z ≥ 3) = = 2 x Pr( z ≥3) = (aplicando a resolução da alínea d) = 2 x [Pr(z ≥ 0) .0013 = 0. conclui-se que: Pr(49.5 ≤ x ≤ 50.4987] = = 2 x 0.Pr(0 ≤ z ≤3)] = = 2 x [0.5 x ≥ 51. 50.0026 i) No fundo. Aplicando o mesmo método de resolução da alínea c).5) = Pr(-3 ≤ z ≤-1) = Pr(1≤z≤3) .74% h) Pretende-se calcular Pr(x ≤ 48. vem: Pr(x ≤ 48.5) = Pr(-3 ≤ z ≤ -1)   .5 traduzida pela seguinte área: x ≥ 51.TMA    DISTRIBUIÇÕES CONTÍNUAS Convertam-se os limites do intervalo para a variável z normal reduzida:   .Pr(0 ≤ z ≤3). pretende-se calcular a proporção de sacos com peso x [49.1574 ou 15.5) = Pr(z ≤ -3 z ≥ 3) Analisando as áreas envolvidas.Pr(0 ≤ z ≤ 1) = 0.4987 – 0.3413 = 0. Esta probabilidade é graficamente Após fazer a transformação para a curva normal N(0.5 – 0.

65 Como Pr(0 < z < z2) = 0.4495 para Pr(0 < z < zα) = 0.25 < Z < 08)+ P(0 < Z < 0. Sendo Z uma variável com distribuição normal reduzida.8225 Concluindo.5) = 0. sabe-se que Pr(0 < z < z2) = 0.645 x 0. o intervalo pretendido é: x 3.5 . então z1 e z2 (redução de x1 e x2 respectivamente.Pr(x1 (propriedade da distribuição normal) Pr(x > x2) = 0.5] = TMA  = Nº total de sacos x Pr(49. 50. obtém-se:   x2 = 50. 50. j) Pretendem-se calcular os limites inferior (x1) e superior (x2) central onde existem 90% dos sacos saídos desta linha de ensacamento. x2 = 50 + 1. tem-se a seguinte situação. . expressão   Por Pr(μ < x < x2) = 0.1915 = 0.σ torno de μ)   x2 = 50 .5 . pois. através da   são simétricos em relação a z = 0. em média.5) = P(-0. Os salários mensais dos executivos de uma determinada indústria são distribuídos normalmente. com desvio padrão de R$ 800.05 = 0.90 (dado do enunciado) Pr(x1 < x < μ) = 0.6826 ≈ 683 sacos.Pr(μ (propriedade da distribuição normal)  < < x x < < μ) x 2) Tendo em atenção que x1 e x2 são simétricos em torno de μ=50 (porque definem um intervalo central).05 = 0.45. de se esperar que. fazendo interpolação direta nos dois valores zα calculados anteriormente.0987 + 0.  0.5 . calcule:  Bertolo 13 .800 e R$ 10. conclui-se que z2 = 1.2902 É.25 e   . onde se sabem as seguintes probabilidades.400.45 = Pr(μ < x < x2) (intervalo central) Pr(x < x1) = 0. Por leitura na tabela da distribuição normal.8225]. .5     .645 x 0.4505.1775 .02% dos executivos tenham salários entre R$ 9.800 < Z < 10.645. EXERCÍCIOS   1.5 ≤x ≤50.000. pela análise do intervalo pretendido em conjugação com as propriedades da distribuição normal: Pr(x > μ) = Pr(x < μ) = 0. do intervalo Graficamente. Calcule a probabilidade de um executivo ter um salário semanal situado  entre R$ 9.1.1775 (porque x1 e x2 são simétricos em [49. determinar os valores da variável de distribuição normal reduzida.5)= 1 000 x 0. Assim:   .   0.4505 zα = 1.4495 e Pr(0 < z < zα) = 0.σ e x2 = μ + z2.45. fica-se a saber que: para Pr(0 < z < zα) = 0. inicialmente.800 e R$ 10.DISTRIBUIÇÕES CONTÍNUAS   Nº esperado de sacos com peso x [49.5 Pr(x1 < x < x2) = 0.25 < Z < 0. Então.400) = P(-0.64    zα = 1.5   x1 = 49.400  Solução:  Devemos. utilizando a expressão de redução x2 = μ + z2. 29.45 está exatamente ao centro entre Pr(0 < z < zα) = 0.5 Logo. em torno da média  de R$ 10. a probabilidade procurada é dada por: P(9.

 0. 0.  Sabendo  que  a  duração é normalmente distribuída.  A  duração  de  um  certo  componente  eletrônico  tem  média  de  850  dias  e  desvio  padrão  de  40  dias.  Um  teste  padronizado  de  escolaridade  tem  distribuição  normal  com  média  100  e  desvio  padrão  10. maior que 120. menos de 750 dias. 0. mais de 800 dias.  3.TMA    a.6338  4.  b.9104  c.05   d. P Z   1. 0.85   Z   05   c. 0.   a.0228  3.  Determine  a  probabilidade de um indivíduo submetido ao teste ter nota:  a. Os pesos de 600 estudantes são normalmente distribuídos com média 65.  A  densidade  de  probabilidade desta distribuição tem a seguinte forma:  f(X ) = 1 σ 2π e − (X − μ )2 2 σ2   para − ∞ < x < +∞ 10 onde  μ  e  σ  são  a  média  e  o  desvio‐padrão  da  população.  respectivamente.  b. 0. Determine o  número de estudantes que pesam:  a. 0. 0. 0.6879  c. PARÂMETROS DA DISTRIBUIÇÃO NORMAL  A  distribuição  normal  é  uma  distribuição  de  dois  parâmetros  μ  média   e  σ  desvio‐padrão .3023  b.2 kg. maior que 100.66   h.  b.7258  2.2546        2.  4.   a. entre 60 e 70 kg.8944  c.9772  b.4251  h.  c. calcule a probabilidade desse componente durar:  a. 0. P ‐0. maior que 80.  O  μ  é  estimado  por  x e  σ  por  s. 0. P Z   ‐0.5  e.03 f. mais que 63. P 0   Z   1.  RESPOSTAS:  1.1401  g.   a.  c. 0. 0. menos que 68 kg. 0.000 dias.89           DISTRIBUIÇÕES CONTÍNUAS e. P Z   ‐2.  que  são  obtidos através das relações:  X = N ∑X i =1 N i 11 2 s2 =   ∑ (X − X ) i =1 i N 12 N −1 14 Bertolo .9998  b.6480  b. entre 700 e 1.44   b. P 0.9788  f.5 kg. 0. P Z   0.  c.8664  c. 0. 0.08   g.0062  d.2064  d.3 kg e desvio padrão 5. 0.   a.48   Z   2. P ‐1.60   2.72   Z   1. entre 85 e 115.  d.

 o gráfico da curva normal assume diferentes formas de sino: de alongada a achatada.B2.  Com  a  média  constante  e  a  variância variável.s2  é estimada por:  F (X ) = 1 σ 2π X −∞ ∫e − (X −μ )2 2 σ2 dX 13 Mas  essa  equação  não  pode  ser  resolvida  analiticamente  sem  o  uso  de  métodos  de  integração  aproximada.  2 Uma notação bastante empregada para designar que uma variável tem distribuição normal com média  x  e variância s2  ( ) O  histograma  de  freqüências  da  distribuição  normal  tem  a  forma  de  sino  ou  parecida.07 0. Se uma amostra de dados tem realmente distribuição  normal a seguinte relação é válida: A    K‐3    0. s .4515 C D E F <--=PADRONIZAR(B1. como a tabela 4.  Por  essa  razão usa‐se a transformação  Z =   (X − X )  e com isso a variável Z tem N 0.A probabilidade  de que X assuma valores menores ou iguais a um dado x quando X é N x .  1 2π Z −∞ ∫e − Z2 2 dZ 14 F Z  na forma da equação  14  é tabulada.  3.  Para  isso  construa  o  Bertolo 15 .60 0. Ainda mais este resultado  poderá  ser  utilizado  em  outras  células  de  cálculo  de  novas  variáveis  que  necessitam  do  conhecimento  do  valor  de         P(0 < Z < z). a escolha da  tabela e sua utilização deve ser feita com muito cuidado. As tabelas de F Z  tanto podem indicar a Prob Z ≤ z .  s A variável Z é chamada variável reduzida e a curva  F (Z ) = é a curva normal reduzida.DISTRIBUIÇÕES CONTÍNUAS   TMA  s é a representação de σ e  x de μ de uma amostra  é  N X . também mostram valores  negativos de Z.B3) <--=ARREDONDAR.BAIXO(B4.1) <--B4-B5 <--=PROCV(B5. A curtose da distribuição normal é igual a 3 e a assimetria é nula.20 1.PARA.basta construir uma planilha como a mostrada abaixo:  1 2 3 4 5 6 7 8 A valor média  desvio padrão valor reduzido z arredondado centésimo P(0<Z<z) B 9. bem como as Prob 0 ≤ Z ≤ z .00 1.67 1. Mas nas tabelas  que fornecem apenas os valores positivos da variável reduzida faz‐se uso da propriedade de simetria da curva normal  reduzida de modo que: P ‐X ≤ Z ≤ 0    P 0 ≤ Z ≤ X .1 . Como a curva normal reduzida é simétrica. A tabela utilizada aqui fornece Prob Z ≤ z .B6*100+2)   O processo fica eficiente e com redução de erros de leitura por parte do usuário da Tabela.  formulário seguinte:  É  possível  automatizamos  esta  busca  na  Tabela  ainda  mais  usando  o  VBA  com  formulários.Dist_Z!$A$2:$K$42. Mas algumas tabelas.00 7.  Para  tanto. essa propriedade é geralmente  utilizada na tabulação de apenas valores positivos de Z. Por isso. DISTRIBUIÇÃO NORMAL NO EXCEL  Poderíamos  construir  uma  planilha  para  realizar  os  cálculos  de  P(0 < Z < z) diretamente  na  planilha  Excel.

 Para ver a janela de código do formulário vá para Exibir   Código ou clique F7. Controles podem ser movidos arrastando‐os pelos seus lados.  Para  colocar  um  controle  no  formulário  clique  no  botão  apropriado  na  caixa  de  ferramentas  e  daí  clique  no  formulário.  Se  você  não  puder  ver  a  janela  properties.  ainda. simplesmente copie o layout mostrado na ilustração acima.  2. Quando a janela de código se abrir primeiramente ela conterá um procedimento UserForm_Click    vazio.  Um  UserForm  realmente  não  fará  qualquer  coisa  até  o  código  que  dirige  o  formulário  e  seus  vários  controles  seja  criado. O próximo passo é escrever o código que dirige o próprio formulário.  Ele usa uma seleção de controles onde temos três rótulos:  Valor. Este processo é chamado de inicialização do formulário  e  ele  é  tratado  por  uma  macro  chamada  UserForm_Initialize. Você pode agora deletar o procedimento UserForm_Click   . Siga os passos  abaixo:  1.  BtnLimpar  e  BtnCancelar.  Quando o usuário clicar o botão  Entrar suas entradas são lançadas nas células  correspondentes na planilha.  txtMedia  e  txtDesvPad  para  as  entradas  dos  parâmetros.  E.  Inicializando o Formulário:  A  maioria  dos  formulários  precisa  de  uma  espécie  de  configuração  quando  são  abertos. Para editar as propriedades de um controle. Para remover um controle de um formulário.  Aqui  está  como  construir  o  código  para  inicializar  o  Formulário de Entrada dos Parâmetros:  1. No VBE clique no botão Inserir UserForm  ou vá para Inserir   UserForm   3. Se a caixa de ferramentas não aparecer por si só  primeiro clique no  form para garantir‐se que ele não está oculto   clique no botão Caixa de Ferramentas. Usamos as  listas  drop‐down no topo da janela de código para escolher UserForm e Initialize.  vá  para  Exibir    Janela  de  Propriedades. ou redimensionando arrastando os botões ao  redor do perímetro. Isto criará o procedimento que você  precisa.  Média e  Desvio Padrão.  Três  caixas  de  textos:  txtValor.TMA    DISTRIBUIÇÕES CONTÍNUAS O  formulário  Entrada  dos  Parâmetros  é  um  simples  formulário  ilustrando  os  princípios de design de UserForm e a codificação VBA associada. selecione‐o e clique a tecla Delete no seu teclado.  5.    As configurações das propriedades dos controles são:  Controle  UserForm Valor Média Desvio Padrão Entrar Limpar Tipo  UserForm Text Box TextBox TextBox Command Button CommandButton Propriedade Name Caption Name Name Name Name Caption Default Name Caption Default Name Caption Default Configuração  frmEntradaParametros Entrada dos Parâmetros txtValor txtMedia txtDesvPad BtnEntrar Entrar True BtnLimpar Limpar True BtnCancelar Cancelar True Cancelar CommandButton   CONSTRUÇÃO DO FORMULÁRIO  Se você quiser construir este formulário.  16 Bertolo . certifique‐se de que os campos estejam vazios. certifique‐se que o  controle escolhido esteja selecionado e daí faça as  mudanças  apropriadas  na  janela  Properties.  Neles  podem  ser  definidos  valores default.  2.  6.  três  botões:  BtnEntrar. Abra a pasta  workbook  que você quer que o formulário pertença  UserForms como macros tem de serem  atribuídos a uma pasta  e ligue o VBE do Excel.  4.

Value = "" txtValor.SetFocus coloca o cursor do usuário na caixa de texto txtValor de modo que ela não precisa ser clicada antes de começar a digitar.  Anteriormente. Quando  você configurar a propriedade Cancelar de um botão de comando para True. usamos a Janela Properties para definir a propriedade Cancel do botão Cancelar para True.  A linha:   txtValor. Aqui está  como:  1. Mas ela sozinha não fará qualquer coisa acontecer para o  formulário.Value = "" definem os conteúdos das duas caixas de texto para vazio. Você precisa criar o código para o evento clique do botão que fechará.  Existem três botões de comendo no formulário e cada um deve ser potencializado pelo seu próprio procedimento. o formulário.  Comecemos com o mais simples deles.Value = "" txtMedia.DISTRIBUIÇÕES CONTÍNUAS   Private Sub UserForm_Initialize() txtValor. configurando os valores default  para os vários controles.Value = "" txtDesvPad.Value = "" txtMedia.Value = "" txtDesvPad. o botão Cancelar. esta tem o efeito de “clicar” aquele botão  quando o usuário pressionar a tecla Esc no seu teclado. neste caso.  As linhas:  txtValor. Com o UserForm aberto      Bertolo 17 .SetFocus End Sub TMA  O propósito do procedimento UserForm_Initialize    é preparar o formulário para uso.

949497 Esta função também é implementada no exemplo Black-Scholes Option Pricing Model .3565638 c4 = 1. (Esta função é similar à função NORMSDIST() fornecida pelo Excel.7814779 c5 = -1.64) = 0.European Call and Put.506628 c2 = 0. Num português simples.821256 c6 = 1.2316419 * w * z) u_SNorm = 0.)                 18 Bertolo .5 + w * (0.TMA  DISTRIBUIÇÕES CONTÍNUAS   MACRO  FUNÇÃO  PARA DISTRIBUIÇÃO NORMAL  Distribuição Normal Padrão Acumulada Esta função calcula a area sob o lado esquerdo de um valor especificado (o valor z) de uma curva de função densidade de distribuição normal padrão (standard normal distribution density function curve).5 . ela retorna a probabilidade de X que é menor que um valor específico. a probabilidade de X ser menor que 1. aqui está um exemplo:   Neste exemplo.(Exp(-z * z / 2) / c1) * _ (y * (c2 + y * (c3 + y * (c4 + y * (c5 + y * c6)))))) End Function u_SNorm(1. Se você não souber com o que uma curva normal se parece ou já se esqueceu dela.64  z  é 94.3302744 If z > 0 Or z = 0 Then w=1 Else: w = -1 End If y = 1 / (1 + 0.3193815 c3 = -0.9497  Function u_SNorm(z) c1 = 2.

 os mercados de ações seguem uma tendência para cima  ou tendência para baixo  dentro de 2 desvios  padrões da média.    Fonte da imagem: incrediblecharts. a última parte do gráfico mostra que o índice somente esteve em queda até o ponto no  fundo do canal e daí então recuperou até a média. Tais análises  ajudam os traders ganharem dinheiro  ou não perderem dinheiro  quando estão investindo. como você pode ver na exibição ampliada abaixo. A linha cinza superior está 2 desvios padrões acima da media e a linha cinza inferior está 2 desvios padrões abaixo da  média.DISTRIBUIÇÕES CONTÍNUAS   4.  Mas de forma interessante.  APLICAÇÃO – O Mercado de Ações  TMA  Algumas vezes.com.           Bertolo 19 .    Fonte da imagem: incrediblecharts.   Note que em Abril de 2006 o índice esteve acima d a margem superior do canal e uma correção seguida  o mercado  despencou .com.  Aqui está um gráfico do Australian index  o All Ordinaries  de 2003 até Set 2006. Isto é chamado mover‐se dentro do canal de regressão linear.

  obtida  no  segmento de planilha:  A B C 1 DISTRIBUIÇÃO EXPONENCIAL 2 0.4 0. Quando os serviços prestados por uma empresa para clientes externos ou  internos são de duração variável é esta distribuição a indicada para analisar esses experimentos.0034 17 18 D E F G H 1 2 1 1.1116 10 4 0. A distribuição exponencial é um caso especial da distribuição gama com o parâmetro λ   1.1353 0.2 0.0092 15 9 0.  média e  desvio padrão. estimado por:  1 Com isso. ou seja:  1           para 0≤ X ≤ a           e 4   1/λ2.0003 0.5000 7 1 0.  • Comparando com a  distribuição normal.5 λ 3 Média 2.  3    para X ≥  a A  esperança  e  a  variância  da  distribuição  exponencial  são  obtidas  através  das  expressões:  μ   1/λ  e  σ2  respectivamente.0410 12 6 0.0000 1.0067 0.00 4 Desvio Padrão 2.0 0 1 2 3 4 5 6 7 8 9 10     C$3*EXP ‐$B17*C$3 • A variável aleatória X assume somente valores positivos. x ≥ 0 e sua função de distribuição de probabilidade é do tipo:  1 As características da função exponencial definida são:  • A  distribuição  não  é  simétrica  como  mostra  a  Figura  abaixo  para  dois  valores  do  parâmetro  λ.0498 0.3033 8 2 0.3679 0.0 0. de J invertido. Sua densidade de probabilidade tem a forma:        com λ  0.8 0.      3 Skewness                                                                     Bertolo 20 .00 5 6 X f(X) 0 0. por exemplo.0025 0.0677 11 5 0. ou seja.1839 9 3 0. a distribuição exponencial é definida por apenas um único parâmetro λ.0151 14 8 0. etc.0009 0.00 f(X) 1.TMA    DISTRIBUIÇÕES CONTÍNUAS Distribuição Exponencial  A distribuição exponencial é geralmente aplicada à dados com forte assimetria3 como aqueles cujo histograma tem a  forma da figura abaixo.0001 0.0183 0.0056 16 10 0.2 1.0249 13 7 0.6 0. a função cumulativa de probabilidade assume a forma geralmente encontrada na literatura. enquanto esta é completamente definida por dois parâmetros. o tempo de operação sem interrupção de um  equipamento.0000 0.00 1. a  duração do atendimento do caixa de um banco ou de postos de saúde.

0696 x 60   F X7    1‐exp ‐0. no período de 1893 a 1994.8762  0.0 mm.52 + 184× 152 + 80 × 252 + 43× 352 + 23× 452 + 9 × 552 + 7 × 652 + 5 × 752 + 2 × 852 + 2 × 952 + 0 × 1052 + 1 × 1152 = 334912   .0 29575.0696       Os valores de F X  e as freqüências esperadas são assim calculados:  F X1    1‐exp ‐0.DISTRIBUIÇÕES CONTÍNUAS   EXEMPLO 1   Projeto PAE – Bolsista: Michelle S.54   2 805 s   14.  Foram considerados apenas os valores   1.5016  0. Reboita   TMA  Considere  os  dados  diários  de  chuva  de  Pelotas  –  RS. tem‐se:  ∑ f = 450 + 184 + 80 + 43 + 23 + 9 + 7 + 5 + 2 + 2 + 0 + 1 = 806   ∑ fX = 450 × 5.9383  0.0 28125.9692  0.7516  0.0 18050.9847  0.5 FX   fe 404 201 100 50 25 12 6 3 2 1 0 0 806 0.9962  0.0 52675.361 0.9998  ‐  s 2 [∑ fX = 1 ∑ fX = 11575 = 14.9924  0.0 334912.0696 x 70   F X8    1‐exp ‐0. com  isso.48              1 14.9692  0.5 41400.0696 x 50   F X6    1‐exp ‐0. X2 13612.361   ∑ f 806 2 − (∑ fX) / ∑ f 2 ∑f −1 ] = 334912.0 50000.5 + 184 × 15 + 80 × 25 + 43 × 35 + 23 × 45 + 9 × 55 + 7 × 65 + 5 × 75 + 2 × 85 + 2 × 95 + 0 × 105 + 1 × 115 = 11575   ∑fX 2 = 450× 5.0696 x 80   F X9    1‐exp ‐0.0696 x 30   F X4    1‐exp ‐0.7516  0.5016  0.9981  0.5 Tabela 15.5 − 11575 / 806 = 209.9847  0.9924  0.0696 x 20   F X3    1‐exp ‐0.0 27225. Neste exemplo os dados brutos não são apresentados.  no  mês  de  janeiro.   Classes  1 – 10  10 – 20  20 – 30   30 ‐ 40   40 – 50  50 ‐ 60  60 ‐70   70 – 80  80 – 90   90 ‐100   100 – 110  110 ‐120  Totais    X= PM  X   5.  cuja  distribuição  de  freqüências  consta  na  tabela 15.8762  0.0 0.5  15  25  35  45  55  65  75  85  95  105  115  ‐  f 450 184 80 43 23 9 7 5 2 2 0 1 806 f .9981  ⇒  ⇒  ⇒  ⇒  ⇒  ⇒  ⇒  ⇒  ⇒  fe   404   fe   201  fe   100  fe   50  fe   25  fe   12  fe   6  fe   3  fe   2  21 .9962  0.9990  0. X 2475 2760 2000 1505 1035 495 455 375 170 190 0 115 11575 f .9995  0.0 46575.0696 x 90   Bertolo 0. Distribuição de freqüências dos totais diários de chuva de janeiro de Pelotas.0 14450.0696 x 40   F X5    1‐exp ‐0.0 13225. RS.9383  0.0696 x 10   F X2    1‐exp ‐0.  Os cálculos necessários para a estimativa da média e da variância dos dados também estão indicados na tabela 15.

.cumulativo) Que dá a função densidade de x ou a probabilidade acumulada de zero até x.  Esta  função  está  mostrada  no  segmento  abaixo. no período de 1917  a 1989  Assis et al.65 com a fórmula 60.9998  ⇒  ⇒  ⇒  fe   1  fe   0  fe   0                    O histograma dos dados da tabela 15 está apresentado abaixo:  Figura 8.0696 x 120   DISTRIBUIÇÕES CONTÍNUAS 0.50 obtemos 60.6321 0. considerando o  parâmetro  lambda.7769 0. complementar. Qual a probabilidade desta máquina conseguir operar mais de 1  hora sem interrupção?  Solução A probabilidade da máquina de embalagem de frascos em conseguir operar 1 hora ou mais sem interrupção é P(X ≥ 1).9179 0. Da distribuição exponencial acumulada.3935 0. Distribuição exponencial ajustada aos totais diários de chuva de janeiro de Piracicaba – SP.9817 0. com média de 2 horas e λ = 0. 1996.  onde  podemos  escolher  na  caixa  de  combinação o tipo de cumulativo  verdadeiro ou falso :  A 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 B C Função DISTEXPON 0.2 0.  • Se cumulativo for FALSO.0 0.0 0 1 2 3 4 5 6 7 8 9 10   Bertolo 22 .9995  0.0696 x 110   F X12    1‐exp ‐0.8647 0.8 0.9933 1.9698 0.lambda.5 λ X 0 1 2 3 4 5 6 7 8 9 10 VERDADEIRO VERDADEIRO  ≥ 1 = . DISTRIBUIÇÃO EXPONENCIAL NO EXCEL  Para a distribuição exponencial. o Excel dispõe da função estatística DISTEXPON cuja sintaxe é:  DISTEXPON(x.65%   3. 72 .4 0.2 1.TMA    F X10    1‐exp ‐0. 0.6 0.9889 0.9990  0.  EXEMPLO 2   O prazo de operação medido em horas de uma máquina de embalagem de frascos sem interrupções para manutenção  tem distribuição exponencial com média de 2 horas.9502 0.6065 ou  D E F G 0.0000 0. conforme o argumento cumulativo.0696 x 100   F X11    1‐exp ‐0. a função estatística DISTEXPON dá a função densidade      . pg.

 a função DISTEXPON dá a probabilidade acumulada de zero até x.VERDADEIRO  →  VERDADEIRO   a  planilha  constrói  a  curva  de  probabilidade  0. o retorno das operações financeiras.    Distribuição Log‐Normal  Nem  todas  as  variáveis  aleatórias  têm  distribuição  normal..  A média e a variância de X com distribuição log‐normal são:        3. P 0 ≤ X ≤ x     . sem nenhuma limitação até onde o próprio mercado  permitir.DISTRIBUIÇÕES CONTÍNUAS   • TMA  Se cumulativo for VERDADEIRO.  se a variável aleatória Y definida como Y   ln X  tiver distribuição normal com média ‐∞   μY    ∞ e  Analisando a variável aleatória X retorno de um investimento em ações:  • A relação entre o resgate e a aplicação pode ser maior que 1. provocando uma distribuição de retornos assimétrica.6065. DISTRIBUIÇÃO Log‐Normal NO EXCEL  Vejamos o segmento de planilha com esta distribuição:               1   Bertolo 23 .  Há  experiências  com  resultados  não  simétricos.  Por  exemplo.  • Entretanto.  por  exemplo.  A  variável  aleatória  X  com  valores  positivos  tem  distribuição  log‐normal  com  função  densidade  de  probabilidade:    1       √2 0                                                   ≥ 0   0   desvio padrão 0 ≤ σY   ∞.  a  considerando  o  parâmetro  lambada.  valor  obtido  com  a  fórmula  P X  ≤  a     1   probabilidade acumulada do exemplo 2 pode ser obtida com a fórmula:  1‐DISTEXPON 1.5.  Escolhendo  na  caixa  de  combinação  VERDADEIRO acumulada.0. a relação entre o resgate e a aplicação pode ser menor que 1 até o limite de não resgatar nada e  perder a aplicação realizada.

0991 0.LOGNORMAL(L5.12 0. No intervalo de células C7:D8 a planilha fornece a média e o desvio padrão de cada  distribuição log‐normal.LOGNORMAL e INVLOG para cálculos com a distribuição log‐normal.04 0.LOGNORMAL dá a probabilidade acumulada de 0 a x.8 23 3.0899 25 3.1166 0.0673 21 2.0861 24 3.  O Excel dispõe das funções estatísticas DIST.1465 0.5 0.10 0.0 0.0913 33 0.5 0.desv_padrão) A função DIST.69 8.00 0 2 4 6 8 10 12 14 16 18 20   Variando a média e o desvio padrão. células C4 e D5.1461 0.8 0.média.0925 26 3.0950 30 4.0001 13 0. como mostrado na figura acima.0257 17 1.3 0. da distribuição normal Y   ln X  pode‐se analisar o  comportamento destas curvas.0929 32 5.3 0.0248 0.L4) <--=DIST.5 3 μY 1 4 σY 4 5 x 0.5 0.0000 12 0.0951 28 4.0 0.0887 0.0838 0.0720 0.0749 22 0.0583 20 2.LOGNORMAL é:  DIST.0 0.5 2 μY 4 1 0.0152 16 1.0937 0.0068 15 1.média.3 0. conhecidos os argumentos média e desv_padrão.5 0. Veja um exemplo:  J K L 1 Função DIST.5 0.8 0.51 σX 8 Função densidade 9 Intervalo da curva: 0.75 σY 5 Distribuição Log-normal X 6 7.1398 0.0481 19 2.1227 0.3 0.0793 0.79 7 μX 9.25 10 11 x f (x ) f (x ) 0.0 0. a função INVLOG é a função inversa da função DIST.8 0.LOGNORMAL.0017 14 0.NORMP((LN(L5)-L3)/L4)   A sintaxe da função INVLOG é:  INVLOG(probabilidade.08 0.0 0.3 0.LOGNORMAL(x.1076 0.   A sintaxe da função DIST.39 9.1047 0.0750 0.0941 31 5.0954 29 4.0370 18 1.desv_padrão) A função INVLOG dá o valor de x para a probabilidade.4547 7 P(X<=4) 8 M N O <--=DIST.0000 0. Veja um exemplo:  24 Bertolo .14 0.1412 0.1346 0.8 0.0942 27 4.1295 0. Em outras  palavras.4547 6 P(X<=4) 0.16 0.1288 0.0812 2.TMA    DISTRIBUIÇÕES CONTÍNUAS E F G H I A B C D 1 DISTRIBUIÇÃO LOG-NORMAL 2 Parâmetros da Distribuição Normal Y 3 1.3 0.LOGNORMAL 2 1.02 0.L3.06 0. conhecidos os argumentos  média e desv_padrão.1441 0.0 0.1106 0.

2.           . . 1995 .5 1 0. μ.  Freqüentemente a distorção ocorre quando há um limite físico à esquerda que é relativamente próximo a variação dos  dados  Wilks. 3. . através da seguinte relação:  Γ onde:    2   √   3 Bertolo 25 . Exemplos comuns desta situação são as quantias de precipitação e a velocidade do vento que são  fisicamente  não  negativas. a probabilidade acumulada de zero até x na  distribuição log‐normal com parâmetros μ e σ é igual à probabilidade acumulada de ‐∞ até ln x  da distribuição normal  com média μ e desvio padrão σ. ou seja.. .L12) <--=EXP(L11+L12*INV. .   para M X > 0   Γ(1 / 5 ) = π = 1.  Há  uma  variedade  de  distribuições  contínuas  que  são  limitas  à  esquerda  por  zero. o cálculo de x para uma  determinada probabilidade acumulada considerando os parâmetros da distribuição log‐normal tem a seguinte  equivalência com a distribuição normal:  .   ∞ Γ para todo X   0  Γ(1) = Γ(2) = 1     2 Γ(X ) = Γ(X − 1)! Γ (X + 1 ) = XΓ (X ) para X = 1.DISTRIBUIÇÕES CONTÍNUAS   J K 9 Função INVLOG 10 11 μY 12 σY 13 Probabilidade 14 x x 15 16 L M N O P TMA  1.   .  Entretanto.  Distribuição Gama  Muitas variáveis aleatórias contínuas possuem assimetria  skewness  positiva.   Esta igualdade pode ser verificada nas células L14 e L15 da planilha acima.   A função densidade de probabilidade da distribuição gama é:  1 1 Γ onde. a distribuição gama é comumente usada para representar dados de precipitação.00 4.4547 4. ln     Esta igualdade pode ser verificada nas células L7 e L8 da planilha acima. isto é:   ≤     . A função gama tem  as seguintes propriedades:  . com boa aproximação.L11. α é o parâmetro de forma e Γ α  é a função gama ordinária de α. são distorcidas à direita. β é um parâmetro de escala. Da mesma maneira..NORMP(L13))   Como a distribuição log‐normal é relacionada com a distribuição normal.77245   O valor de Γ X  pode ser obtido.00 <--=INVLOG(L13.

 que. com base na equação  7 . com α constante.  quando  α  1 ‐ DIST.  e  cumulativo    VERDADEIRO.  Quando α   1. DISTGAMA também será chamada de distribuição Erlang. com β constante. a distribuição gama.    n/2. DISTGAMA retornará a distribuição exponencial com:   1     Para  um  inteiro  positivo  n.   Quando α for um positivo inteiro. Função gama de Y. a variância e o coeficiente de assimetria  A  da distribuição gama podem ser obtidos por:      μ   α β σ2   α β2 2   √ 5 6 7 A distribuição gama tem assimetria positiva com o parâmetro β diminuindo e o parâmetro α aumentando.QUI x  com n graus de liberdade. Variando‐se  β.TMA    DISTRIBUIÇÕES CONTÍNUAS 1   4 1 1 1 12 360 1260 A tabela 7 fornece os valores de Γ X .  Mas  essas  estimativas  não  são  adequadas.  A média. preferindo‐se as estimativas descritas em Thom  1966 :  26 Bertolo . quando α tende para infinito A ⇒ 0.  β    2. muda‐se a sua forma.   Tabela GAMA. muda‐se a escala da distribuição. enquanto variando‐se α.  a  DISTGAMA  retornará   Pode‐se concluir. com base nestas relações. neste  caso. ou seja.  As  estimativas  dos  parâmetros  β  e  α  resultam  da  solução  das  equações  5   e  6 . tende a ser simétrica.

  cuja  distribuição  de  freqüências é mostrada na tabela 9.5     10.5772 e por      8.1 + 9 × 199.  na  tabela  8.56  Bertolo 27 .79728 11.5772   Z   7.968477 quando 0. exigindo tabelas ou técnicas de integração numérica como expansão em série e  a fórmula de Simpson. ou alternativamente. fazendo‐se    .598. tem-se:  ∑ f = 18 + 28 + 20 + 13 + 9 + 4 + 2 + 1 = 95 ∑ fX = 18 × 31. chega‐se a equação  17 .05995 0.  A função cumulativa de probabilidade é:    1 Γ 16 Esta equação não tem solução imediata.1 + 4 × 241. x βt.5 95 111. Solução Considerando-se a tabela 9.  RS.1 + 20 × 115. onde  Z = ln X − Xg 12 0.1 + 13 × 157.9775373 17. por exemplo. dx βdt.0.1 = 10.1 + 2 × 283.1 + 28 × 73.1 + 1 × 325. A série normalmente utilizada é a seguinte:  Γ 1 1 1 2 1 2 3 17 Na equação  15 .  A probabilidade de ocorrer um valor de X ≤ t é F t .DISTRIBUIÇÕES CONTÍNUAS       1 4 1 1 4 3 TMA  8 9 sendo  A = ln X − Xg 10 onde  X = 1 N ∑ Xi N i =1 11 é a média aritmética e  1 N ∑ ln(Xi ) N 1 é a média geométrica das observações.598.5000876 0.  EXEMPLO 1   Projeto PAE – Bolsista: Michelle S. segundo Greenwood e Durand  1960  dada por:  Xg =   quando 0 ≤ Z ≤ 0.054427 13 14 ( ) 15 Neste caso o parâmetro β continua sendo calculado como na equação  23 .1648852 0. Reboita   Considerem‐se  os  95  valores  mensais  de  chuva  do  mês  de  janeiro  em  Pelotas.898919 9.

5  149.0  3   35.7  8  183.574.0  31.1 2 283.3  162...3  159.   .7  64.8 50..7  82.101.5  97.78  149.1 325.3  62.5  83.3 132.5  101..1 10.7 160.9408 11.9  106.  Classes  10..101.846.7206 1 1 4 0.5  9 63.7  239.1 48.1 4.75   ∑   ln ∑   ∑ ∑ 1 31.1 – 220.4  2    113.80  28 Bertolo .6 197.98879     1.6  148.  Ano  189..7206   .1 429.9 135.7 44.  195.767.9 107.7206     1 360 2.1 129.12 + 2 × 283.1 115.08  264.12 + 1 × 325.7395 47.56  σ2   α β2   2.1 119.8 5 112.791..0  269.4  143.  194.5  68. X2  17..4 87.6 6 32.2 325.4 566.1 182.3  232.8  64..01  1.12 + 13 × 157 .1 ‐ f 18 28 20 13 9 4 2 1 95 f .  192.1 ‐ 304.0 246.6 129.75  ln X  .046.4 64.608.1  73.19594 3 2.0  10.3  81.4 148.8 140.2 130..6 22.93   429.1 – 262.1  71.609.19504 4   Γ 111.5  178.302.9  59.9  15.4  86.1 166.6  81.8  58.12 + 9 × 199.0066 ≅ 115.1  136.19504  ln 111.3  84..1 11.  193..1  Totais    1 0.1 – 178.101.0066 2   4.8 151.528.4 210.6 45.29  232.5 105.1  94.1 33.1 1   1.  Ajuste  à  distribuição  gama.8 78.291.2 14.3573 0    68.12 + 28 × 73.8697 120.8 2..3  72. Chuva mensal de janeiro em Pelotas.7 28. RS..1  52.8  82.6  271.7 244.12 + 20 × 115.0 25.6  1    77.0 2.4 41.1 – 94.0  191.1   10.6443 21.2916 5.409.1 – 346.5  117.0 59.1 20.7206 x 41.3 1.5 23.598.1 157.56 2.  196.  198.3573 95 Tabela 8.1 22.9 4 145...1 – 136.3573  0.1 9 199.7841 429.  197.7 92..5 127.7206 .1  262.5 95 115. na qual  α Γ 1     1 12 2.608.1 4 241.22  105.1  85.0 7  129.7206  Ponto Médio  X 31. 0.4  84.1  220.608 . no período de 1895 a 1989.4  119.960.1  178.598.1  121.72  13 157.12 = 1.20  320.  191.12 + 4 × 241. .5  72.TMA    DISTRIBUIÇÕES CONTÍNUAS ∑ fX 2 = 18 × 31.4 151.621.7206  é estimada pela equação  3 .75  94 73.1 241.6 134.    Tabela  9.7 209.1  304.33  356...0066   Γ 2.516.9 964.3  203.1 144..7206 x  41.  Distribuição  de  freqüências  dos  totais  mensais  de  chuva  de  janeiro  em  Pelotas  –  RS.5704  As estimativas dos parâmetros com base nas equações  5  e  6  a fim de comparações ficam:  μ   α β   2.0  340.84  160. X 559. f 61.9160 65.1 283.   1 1260 2.1712 94.5 f .8 2.1 – 52.8  65.5 113.  190.042.1 199.1 213.1 18   28 20 325.6  59.

7206 4.1   0. 2.1 – 262.1  262.7206 6.7206 5.    .1  73.8489 0.   1 Γ .1   0.7206 .9272 0.1   0.1  220. considerando apenas a primeira classe da distribuição de frequências.1  94.1 283.7206 4.1  304.  F X1    F 52.7206 3.9849 0.  .7206 5.2705       3.8490 ⇒ fe   14  F X5    F 220.003859    0.9663 0. 2.7206 1.1  178.1 115.1 – 220. a função densidade de probabilidade. e a função cumulativa de probabilidade  equação 16  será:  F  2. ajustados à distribuição  gama de probabilidade.1   0.1 ‐ 304. 1. .1 325. Mas. então.1  136.4583.12602  1   0.1 41.7052 ⇒ fe   22  F X4    F 178.1  Totais  Ponto Médio  X 31.4734 0.   A solução dessa equação exige o emprego de técnicas de integração numérica ou uso de tabelas específicas.1 – 178.12602 x 1.2705  1.9934 ‐ fe  17  28  22  14  7  4  2  1  95  O histograma de freqüências deste exemplo é mostrado na figura 6.   Bertolo 29 .61 .1 241.341484   0.1 – 52.2705 1.1838  Os valores de F X  e as freqüências esperadas são assim calculados:  F X1    F 52. Adotou‐se  aqui a expansão em série na forma da equação  17 .9663 ⇒ fe   4  F X7    F 304.020413   0.1838 0. .4734 ⇒ fe   28  F X3    F 136. .7052 0.7206 7.1 – 136. a título de exemplo.2705 1.1 – 346.1     0.1  ≅ 0.2705 3.1     0.1   0.  Classes  10. na forma da equação  1 .091909   0.1 ‐ f 18 28 20 13 9 4 2 1 95 FX 0.1 – 94.2705 1. Distribuição de freqüências dos totais mensais de chuva de  janeiro em Pelotas – RS.1.  tem‐se:    52. cuja reprodução de todos os cálculos é praticamente impossível de  ser apresentada aqui. 10   .5704 1  0.1 199.9271 ⇒ fe   7  F X6    F 262.1 157.7206 3.7206 5.7206 6.7206 4.61 .9934 ⇒ fe   1  Tabela 10.7206 3.7206 4. 10  .0066 1.2705 .1838 ⇒ fe   17   F X2    F 94.9849 ⇒ fe   2  F X8    F 346.1  52.DISTRIBUIÇÕES CONTÍNUAS TMA    Com os parâmetros β e α estimado têm‐se.7206 .1   0.

cumulativo) A  função  DISTGAMA  retorna  a  distribuição  gama. 1996. Totais de chuva mensal de janeiro em Pelotas.alfa.                    30 Bertolo ..TMA                          DISTRIBUIÇÕES CONTÍNUAS Figura 6. beta.  Probabilidade   é a probabilidade associada à distribuição gama.alfa.beta... DISTRIBUIÇÃO GAMA NO EXCEL  O Excel dispõe das funções estatísticas DISTGAMA e INVGAMA para cálculos com a distribuição gama.beta) Ela retorna o inverso da distribuição cumulativa gama. 59 . Você pode  usar esta função para estudar uma variável cuja distribuição pode ser enviesada.  Se  β    1. Se β   1. alfa.  conhecidos  argumentos  alfa  e  beta. Assim. pg.  O  argumento  cumulativo  é  um  valor  lógico:  retornar  a  função  de  distribuição  cumulativa    VERDADEIRO.    x. a função retornará o valor de erro #N/D.  parâmetros  da  distribuição.    A sintaxe da função INVGAMA é:  INVGAMA(probabilidade.   A sintaxe da função DISTGAMA é:  DISTGAMA(x. ajustados a distribuição gama  Assis et al.  a  DISTGAMA  retorna  a  distribuição  gama  padrão. Se p   DISTGAMA x. Se a busca não tiver convergido após 100 iterações.  retornar  a  função  de  probabilidade  de  massa    FALSO. VERDADEIRO    probabilidade.  números  positivos..  Dado um valor de probabilidade.  3. INVGAMA utiliza uma técnica de  busca interativa. INVGAMA retornará a distribuição gama padrão. a precisão de INVGAMA depende da precisão de DISTGAMA. RS. .  Alfa   é um parâmetro da distribuição.... INVGAMA procura aquele valor x de modo que DISTGAMA x.  Beta   é um parâmetro para a distribuição. ou não especificado. então INVGAMA p.

   • Se o número de elementos no conjunto for grande.   • Um z‐escore igual a ‐1 representa um elemento que está 1 desvio padrão menor que a média.  cerca de 95% tem um z‐escore entre ‐2 e 2.μ) / σ onde z é o z-escore. X é o valor do elemento. Aqui está como interpretar os z-escores.  Graus de Liberdade  Existem  realmente  muitas  distribuições  t  diferentes.                                                                     Suponha que retiremos todas as amostras possíveis de tamanho n de uma dada população. • Um z‐escore menor que 0 representa um elemento menor que a média.  A notação utilizada para graus de liberdade é gl6. etc. 2 desvios padrões maior que a média. Quando um destes problemas ocorrerem.  Descreveremos  estes  cálculos  quando eles surgirem. Suponha.  Para  outras  aplicações.   Mas  os  tamanhos  das  amostras  são  algumas  vezes  pequenos.  os  graus  de  liberdade  podem  ser  calculados  diferentemente.  e  usarmos  a  distribuição  normal  para  avaliar probabilidades com a média amostral.  A  forma  particular  da  distribuição  t  é  determinada  pelos  seus  graus de liberdade. ainda mais. 2 desvio padrão menor que a média.  • Um z‐escore igual a 1 representa um elemento que está 1 desvio padrão maior que a média.  Propriedades da Distribuição t  A distribuição t tem as seguintes propriedades:  • • A média da distribuição é igual a 0. o número de observações independentes  é igual ao tamanho da amostra menos um. e σ é o desvio padrão. Daí então.  A variância é igual a υ/ υ ‐ 2 . z = (X . e cerca de 99% tem um z‐escore entre ‐3 e 3.  quando  conhecermos  o  desvio  padrão  da  população. A  distribuição da estatística t é chamada de distribuição t ou de distribuição t de Student. que calculemos uma estatística (p.  • Um z‐escore maior que 0 representa um elemento maior que a média.  e  frequentemente  não  conhecemos  o  desvio  padrão  da  população.DISTRIBUIÇÕES CONTÍNUAS   TMA  Distribuição t de Student  De acordo com o  teorema do limite central. Um escore-z pode ser calculado pela seguinte fórmula.  • Um z‐escore igual a 0 representa um elemento igual à média.ex. cujos valores são dados por:   μ     √ Onde   é a média amostral. desvio padrão) para cada amostra. os estatísticos contam com a distribuição da estatística t  também  conhecida como t‐escore . μ é a média da população. cerca de 68% dos elementos tem um z‐escore entre ‐1 e 1. Similarmente.  podemos  calcular  um  z‐escore5.  Portanto. Os graus de liberdade se referem ao número de observações independentes num conjunto de dados.  A distribuição t de Student tem grande importância para a inferência de parâmetros da população e para a estatística de  pequenas amostras. Um escore-z (também conhecido como escore padrão) indica quantos desvios padrões um elemento está da média.. onde υ é o grau de liberdade  ver última seção  e υ ≥ 2. uma média. uma  distribuição t tendo 15 graus  de liberdade seria usada com uma amostra de tamanho igual a 16.     5 4 6 Alguns autores utilizam a notação inglesa df  degree of free   Bertolo 31 . um z‐escore igual a  2. a distribuição da  estatística t das amostras de tamanho 8 serão  descritas por uma distribuição t tendo 8 – 1 ou 7 graus de liberdade. a z‐escore igual a  ‐2. s é o desvio padrão da amostra e n é o tamanho da amostra.  enquanto  o  tamanho  da  amostra  for  suficientemente  grande. A distribuição de probabilidade desta estatística é chamada de distribuição amostral.  Quando estimar um escore médio ou uma proporção de uma amostra simples. a distribuição amostral4 de uma estatística  como uma média da amostra   seguirá  uma  distribuição  normal. etc. μ é a média da população.

 μ é a média da população.TMA    •   Quando Usar a Distribuição t  DISTRIBUIÇÕES CONTÍNUAS A variância é sempre maior que 1. a função INVT apresenta #N/A.  Probabilidade e a Distribuição t de Student  Quando  uma  amostra  de  tamanho  n  for  extraída  de  uma  população  tendo  uma  distribuição  normal  ou  aproximadamente normal .  A média é dada por E t    0 e a variância Var t     A Distribuição t de Student no Excel  O Excel dispõe das funções estatísticas DISTT e INVT para a distribuição t cujas sintaxes são as seguintes:  DISTT t. sem outliers. n é o tamanho da amostra e os  graus de liberdade são iguais a n – 1.  aproximadamente normal . Se em 100 iterações não for possível obter o resultado. unimodal. unimodal. a função DISTT dará a probabilidade correspondente a uma cauda da  distribuição. usando a equação apresentada no  início da lição.  A distribuição amostral é simétrica.  .graus_liberdade. O teorema do limite central estabelece que a  distribuição amostral de uma estatística será  normal ou aproximadamente normal. Onde Γ é a função Gama e t ∈ℜ.  Com infinitos graus de liberdade. e o tamanho da amostra está entre 15 ou menos  A distribuição amostral é moderadamente assimétrica. se qualquer uma das condições seguinte se aplicar:  A distribuição da população é normal.caudas   A função estatística DISTT dá a probabilidade do valor t ser excedido considerando os argumentos graus‐liberdade e  caudas da distribuição t  • Se o argumento caudas for igual a 1. Para o cálculo da função INVT o Excel aplica um procedimento iterativo até  alcançar um erro de ±3x10‐7. A função INVT é a função inversa da DISTT  quando o argumento caudas é igual a 2.  A  distribuição  t  pode  ser  usada  com  qualquer  estatística  tendo  uma  distribuição  com  a  forma  de  sino  isto  é. 1   2 √ 32 Bertolo .  A  t‐escore  produzida  por  esta  transformação  pode  ser  associada  com  uma  única  probabilidade  cumulativa.  O tamanho da amostra é maior que 40.  A  distribuição  t  não  deverá  ser  usada  com  amostras  pequenas  das  populações  que  não  forem  aproximadamente  normais.  dada uma amostra aleatória de tamanho n. embora ela esteja próxima de 1 quando existirem muitos graus de liberdade.  Função de Probabilidade  A função densidade de probabilidade é dada por:  .  Γ Γ 2 1  .  • Se o argumento caudas for igual a 2. a média amostral pode ser transformada numa  t‐escore. a distribuição t é a mesma que a distribuição normal padrão. a função DISTT dará a probabilidade correspondente às duas caudas da  distribuição. e o tamanho da amostra está  entre 16 e 40.graus_liberdade   A função estatística INVT dá o t‐crítico da distribuição t referente aos argumentos probabilidade e graus_liberdade.  considerando que a probabilidade se refere às duas caudas da distribuição. sem outliers. s é o desvio padrão da amostra.  Esta  probabilidade  cumulativa  representa  a  probabilidade  de  se  encontrar  uma  média  amostral  menor  que  ou  igual  a  .  INVT probabilidade. sem outliers. Repetimos aquela equação abaixo:     μ   √ Onde   é a média amostral.

 resultados previstos na própria função DISTT. então t0.05 é igual a 1.DISTRIBUIÇÕES CONTÍNUAS TMA    A planilha abaixo mostra como podemos usar as funções da distribuição t para um exemplo.C17)   • • O primeiro modelo calcula a probabilidade considerando a escolha realizada na caixa de combinação: Duas  caudas ou Uma cauda. Referiremos ao t‐escore como t0.1 .92. P( t >1.065 40 Duas caudas 39 1.  É claro.E5) ="P( t >"&C5&")" Função INVT P n g. na célula C18 registramos a fórmula:  INVT C14*SE E5 1. com 2 graus de liberdade.95  ou 0.  Neste  exemplo. com um desvio padrão de 50 dias.  A B 1 Distribuição t Student 2 Função DISTT 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 C D E F t n 1.l.  Nesta planilha foram construídos dois modelos:  Notação e t escore  Os estatísticos usam tα para representar a t‐escore que tem uma distribuição de probabilidades cumulativa de  1 ‐ α . entretanto.05. qual é a probabilidade que 15  lâmpadas selecionadas aleatoriamente teriam uma vida média de não mais que 290 dias?  Solução   A primeira coisa que precisamos fazer é calcular o t-escore. t 0.896 40 Duas caudas Uma cauda Duas caudas 2 g. se t0. Por exemplo. O resultado para uma cauda não está previsto na função INVT.05   2.92.725. aquele t0.2.  suponha  que  estamos  interessados  no  t‐escore  tendo  uma  probabilidade  cumulativa  de  0.  O segundo modelo calcula o t‐crítico considerando a escolha realizada na caixa de combinação: Duas caudas ou  Uma cauda.065 <--=DISTT(C5.  Por  exemplo.05 é  igual a 2. como o valor do  argumento probabilidade deverá ser o dobro do valor do problema.  Um pesquisador seleciona aleatoriamente 15 lâmpadas para teste.C17  sendo E5 o endereço da célula vinculada com a caixa de combinação Duas  caudas ou Uma cauda.  Nota: Devido a distribuição t ser simétrica ao redor de uma média zero.2. o valor de t0.05.92. o seguinte é verdadeiro:  tα   ‐t1 ‐ α      e     t1 ‐ α   ‐tα  Assim.896) 39 0.l. O CEO exige que uma lâmpada da TE sobreviva em média 300 dias. aquele t0.  Testando o seu entendimento  EXEMPLO 1  A Tomaz Edison fabrica lâmpadas incandescentes. As lâmpadas amostradas sobreviveram em média  290 dias.1). Se a exigência do CEO for verdadeira. mas com 20 graus de liberdade. α será igual a  1 – 0.95   ‐2.95.C8.896 <--=C15-1 <--=INVT(C14*SE(E5=1. baseado na seguinte equação:   √  μ   Bertolo 33 .05 depende do número de graus de liberdade.

l.98142397 20 Uma cauda g.98142397) 19 0.0046. μ é a média da população.  a  probabilidade cumulativa é 0.98142397 A  planilha  encontrou  a  probabilidade:  0.226   EXEMPLO 2  Suponha os escores de um teste de QI estejam normalmente distribuídos.  Portanto. P( t >0.l. Suponha que 20 pessoas  sejam selecionadas aleatoriamente e testadas. Qual é a probabilidade que a  média do escore do teste no grupo amostral será no máximo 110?  Solução   Graus de liberdade – gl = 20 – 1 = 19 Média da população = 100 Média da amostra = 110 Desvio padrão da amostra = 15 Entrando comeste valor na planilha como aquela acima.7745966) 13 0.909945 √15 Onde   é a média amostral.   g.   t n 2.004 34 Bertolo .6% de chance  que a média amostral não será maior que 110.  Agora. estamos prontos a usar a planilha acima para os cálculos:  A B 1 Distribuição t Student 2 Função DISTT 3 4 5 6 7 8 9 C t n 0.354101966 2.TMA    DISTRIBUIÇÕES CONTÍNUAS   290  300 10     0. O desvio padrão no grupo amostral é 15.  se  a  vida  verdadeira  da  lâmpada  fosse  300  dias.  há  uma  chance  de  22.7745966   50 12.6%  que  a  vida  média  da  lâmpada para 15 lâmpadas selecionadas aleatoriamente  será menor que ou igual a 290 dias. temos: A B 1 Distribuição t Student 2 Função DISTT 3 4 5 6 7 8 9 C 110 100 15 √20 10 3. com média de 100. s é o desvio padrão da amostra e n é o tamanho da amostra.7745966 14 Uma cauda A planilha encontrou a probabilidade cumulativa: 0. P( t >2.  Portanto. há 99. ou seja.226.996.

  não  temos  que  calcular  a  área  sob  a  curva  para  encontrar a probabilidade. a área hachuriada representa uma probabilidade cumulativa associada com uma estatística  qui‐quadrada igual a A.50 Probabilidade • 2 4 10 0.  INV.  Selecionamos  uma  amostra  aleatória  de  tamanho  n  de  uma população normal.20 0. para amostras de tamanho  11 graus de liberdade igual a 10 .  A  distribuição  qui‐quadrado  é  definida  pela  seguinte  função  de  densidade  de  probabilidade  fdp :    χ2 χ2 2  Onde Y0 é uma constante que depende do número de graus de liberdade. a curva verde mostra a  distribuição de amostras de tamanho 5  graus de liberdade igual a 4 .  Na figura abaixo.30 0.DISTRIBUIÇÕES CONTÍNUAS   TMA  Distribuição Qui‐Quadrado  Suponha  que  conduzimos  o  seguinte  experimento  estatístico. na figura abaixo.QUI  e  TESTE. Y0 é definido. Este resultado é o p‐value na cauda superior da distribuição.  Probabilidade Cumulativa e a Distribuição Qui‐Quadrado  A distribuição qui‐quadrado é construída de modo que a área total sob a curva seja igual a 1.QUI.  Felizmente.graus_liberdade   A  função  estatística  DIST. tendo um desvio padrão igual a σ.QUI  dá  a  probabilidade  P χ  ≥ x   na  cauda  superior  da  distribuição  qui‐quadrado  para  os  graus_liberdade especificados. Similarmente.  χ   é a estatística qui‐quadrado.   Bertolo 35 . mais a curva qui‐quadrado  se aproxima de uma distribuição normal. de modo que a área sob a curva qui‐quadrado seja igual a um. usando a seguinte equação:  χ   n 1 σ s Se  repetirmos  este  experimento  um  número  infinito  de  vezes. O modo mais fácil de encontrar a  probabilidade cumulativa associada com uma estatística qui‐ quadrado é usar a planilha Excel.40 0. a curva vermelha mostra a distribuição de valores qui‐quadrados calculados de todas amostras  possíveis de tamanho 3.10 0.71828 . Encontramos que o desvio padrão da nossa amostra é igual a  s.  poderemos  obter  uma  distribuição  amostral  para  a  estatística  qui‐quadrado. Com estes dados. ela é a probabilidade que o valor de uma estatística qui‐quadrado caia entre 0 e A. o valor máximo de Y ocorre quando χ    ν  ‐ 2  Quanto graus de liberdade. onde os graus de liberdade são n – 1   3 – 1   2. e a curva azul. isto é.QUI  para  a  distribuição  χ   cujas  sintaxes  são  as  seguintes:  DIST.  A distribuição qui‐quadrado tem as seguintes propriedades: Distribuição Qui-Quadrado 0.  A variância é igual a duas vezes o número de graus de  liberdade: σ2   2*ν  Quando  os  graus  de  liberdade  forem  maiores  que  ou  iguais a 2. A área sob a curva entre 0  e um particular valor qui‐quadrado é uma probabilidade cumulativa associada com aquele valor qui‐quadrado.  e  e  é  uma  constante  igual  a  base  do  sistema  de  logaritmo  natural  aproximadamente  2. chamada qui‐quadrado.    A Distribuição Qui‐Quadrado no Excel  O  Excel  dispõe  das  funções  estatísticas  DIST.QUI x. definimos uma estatística. ν   n‐1 é o  número  de  graus  de  liberdade. Por  exemplo.00 0 10 • • x 20 •   A média da distribuição é igual ao número de graus de  liberdade: μ   ν.

0003 0.0139 0.0000 0.0004 0.QUI probabilidade.0110 24 20 0.0092 0.0000 0.0001 0.0878 0.0000 0. como mostra a planilha  abaixo.0000 0.0060 26 22 0.0027 0.0002 0.0002 5 1 0.0149 7 3 0.0061 0.QUI dá o valor‐crítico na cauda superior da distribuição qui‐quadrado para a probabilidade e os  graus_liberdade especificados.C$4 ‐ DIST.0443 0.  Suponha que o departamento de fabricação executa um teste de controle de qualidade.0967 13 9 0.1447 0.1518 0.E$4)‐DIST.40 0.0011 0. a bateria sobrevive 60  minutos com uma única carga.0000 0.graus_liberdade   A função estatística INV.  Mudando  os  graus  de  liberdade  do  intervalo  C4:E4  o  modelo  construirá  outras  curvas  da  distribuição  qui‐ quadrado.1187 0.QUI é a função inversa da DIST.00000 -0.99997 -0.50 Probabilidade 0.0902 0.2387 0.0324 20 16 0.0016 31 26 -1.0023 25 30 0.  A B C D E 1 DISTRIBUIÇÃO QUI-QUADRADO 2 Graus de liberdade 3 2 4 10 4 x 0 0.0409 19 15 0.0147 23 19 0.0323 0.QUI intervalo_observado.0253 21 17 0.0305 0.QUI $B6.0016 0.0830 15 11 0.0082 25 21 0.99626 F G H I J K L M <‐‐=DIST.0007 0. Em média.0916 14 10 0.0040 0.QUI($B6.0072 0.TMA  DISTRIBUIÇÕES CONTÍNUAS   Com  a  função  DIST.0194 22 18 0.0017 0.0507 18 14 0.00 0 5 10 15 20 25 2 4 10 x     INV. liguemos estes dados na equação quiquadrado.1740 0.intervalo_esperado   A  função  estatística  TESTE.0001 0. A função INV.QUI.  TESTE. Para calcular a estatística qui-quadrado.  A  fórmula:  DIST.0000 0.  EXEMPLO 1  A  Nose Battery Company  NBC  desenvolveu uma nova bateria de telefone celular.10 0.1779 0.0044 0.0000 0. Qual seria a estatística qui‐quadrado representada  neste teste?  Solução   Sabemos o seguinte: • O desvio padrão da população é 4 minutos • O desvio padrão da amostra é 6 minutos • O número de observações da amostra é 7.0026 0.0196 0.0898 11 7 0.0004 0.0966 12 8 0.C$4  foi.0001 0.0000 29 0. O desvio padrão é 4 minutos.0000 0.E$4) Distribuição Qui-Quadrado 0.30 0.0341 8 4 0. como mostrado abaixo 36 Bertolo . registrada na célula C5 e depois copiada no intervalo C5:E30.0633 0.0044 27 23 0.QUI($B5.0881 0.QUI  foi  construída  a  curva  da  distribuição  qui‐quadrado.0002 0. Eles selecionam aleatoriamente  7 baterias.0035 6 2 0.20 0.0001 0.QUI.0725 16 12 0.0759 10 6 0.0119 0.QUI $B5. Esta função dá o mesmo resultado que a função DIST. O desvio padrão das baterias selecionadas é 6 minutos.0000 0.3935 0.0000 0.QUI  dá  a  probabilidade  P χ   ≥  x   na  cauda  superior  da  distribuição  qui‐quadrado  para  o  intervalo_observado e o intervalo_esperado especificados.0614 17 13 0.0562 9 5 0. primeiro.0031 28 24 0.0006 0.0533 0.0207 0.0010 0.

5 6.  usando 7 baterias selecionadas aleatoriamente.96.0 13. Nos seus testes. Isto significa que a probabilidade que o desvio padrão será maior que 6 minutos é 1 – 0. O departamento de fabricação executou um teste de controle qualidade. entremos com os graus de liberdade (6) e a estatística qui-quadrado (13.QUI da planilha abaixo: A B 1 DISTRIBUIÇÃO QUI_QUADRADO 2 tamanho da amostra 3 desvio padrão da amostra 4 desvio padrão da população 5 qui-quadrado 6 graus de liberdade 7 Probabilidade 8 Probabilidade Cumulativa 9 10 C D A planilha mostrou que probabilidade cumulativa 0. podemos determinar a probabilidade cumulativa que a estatística qui-quadrado caia entre 0 e qualquer valor positivo. n é o tamanho da amostra.QUI(C6.96 = 0.0 6.96.0 0. Dados os graus de liberdade.  Suponha que eles repetiram o teste com uma nova amostra aleatória de 7 baterias. Qual é a probabilidade que o desvio  padrão no novo teste será maior que 6 minutos?  Solução   Sabemos o seguinte: • O desvio padrão da amostra n é igual a 7 • Os graus de liberdade são iguais a n – 1 = 7 – 1 = 6 • A estatística qui-quadrado é igual a 13.5 Onde χ  é a estatística qui‐quadrado. que igualou à estatística  qui‐quadrado de 13.  EXEMPLO 2  Vamos revisar o problema apresentado acima. s é o desvio padrão da amostra.5.04 0. Para encontrar a probabilidade cumulativa que uma estatística qui-quadrado caia entre 0 e 13. a é 7. o desvio padrão foi 6 minutos.0 4.5. e σ é o desvio padrão  da população. 37 .04.C7) <--=1-C8                               Bertolo Isto nos diz que a probabilidade que um desvio padrão será menor que ou igual a 6 minutos é 0.5) na função DIST.96 <--=((C3-1)*C4^2)/(C5^2) <--C3-1 <--=DIST.DISTRIBUIÇÕES CONTÍNUAS   TMA  χ   n 1 σ s 7 1 4 6   13.5 (ver exemplo 1 acima).

 para comparar duas ou mais médias simultaneamente.  A estatística F é a razão de   e  .25 Probabilidade 0.  Assim.9   diferirá  da curva representada por f 9.  como mostra a figura abaixo  Distribuição F 0. Sempre que as distribuições das populações forem normais. s2 é o desvio padrão da amostra retirada da população 2.05 0.                              .    A distribuição F tem as seguintes propriedades:  • A média da distribuição é igual a ν1 /  ν2  ‐ 2 . Se as distribuições das duas populações forem normais.10 0. com ν1   n1 – 1 e ν2   n2  – 1 graus de liberdade. então a  relação   tem distribuição F. σ2 é o desvio  padrão da população 2.9   referiremos  a  uma  distribuição F  com  ν1   5 e ν2   9 graus de liberdade.  ∞   Há uma família de distribuições F identificadas por dois parâmetros: graus de liberdade do numerador ν1 e  graus de liberdade do denominador ν2. e ν2 são os graus de liberdade para χ .  Assim. tendo um desvio padrão7 igual a σ1.15 0.  Aqui estão os passos exigidos para se calcular uma estatística F:  • • • Selecione uma amostra aleatória de tamanho n1 de uma população normal. a distribuição F será utilizada.  Características Principais da Distribuição F  A distribuição F é contínua e sempre positiva com valores no intervalo  0.20 0.TMA      DISTRIBUIÇÕES CONTÍNUAS Distribuição F  A estatística F é uma variável aleatória que tem uma distribuição F. s1 é o desvio padrão da amostra retirada da população 1.  o  número  de  graus  de  liberdade  associados  com  o  desvio  padrão  no  numerador  da  estatística  F  é  sempre  estabelecido  primeiro.  também.5 . ν1 é o grau de liberdade para χ .                    . Note que os graus de liberdade ν1   n1 – 1 e graus de  liberdade ν2   n2 – 1. para verificar se duas populações independentes têm a mesma variância é utilizada a estatística da relação das  variâncias das amostras   retiradas das populações.                                                                     7 Desvio padrão da população  8 Também conhecida como distribuição F de Snedecor  38 Bertolo . χ  é a estatística qui‐quadrado para a  amostra retirada da população 1. A forma final da distribuição depende dos graus de liberdade ν1  e ν2. tendo desvio padrão  igual a σ2.  As seguintes equações equivalentes são comumente usadas para se calcular uma estatística F:                   .  f 5. procedimento denominado análise da variância.                         Onde σ1 é o desvio padrão da população 1. χ  é a estatística qui‐quadrado para a amostra  extraída da população 2.  Selecione uma amostra aleatória independente de tamanho n2 de uma população normal. Note que  a  curva  representada  por  f 5.   A distribuição de todos os possíveis valores da estatística F é chamada de uma distribuição F8.00 0 1 2 3 x 4 5 8 20 30 Quando descrevendo uma distribuição F.  A distribuição F tem inclinação positiva.

1813 12 1.0187 0.0069 0.4 0.0016 21 3 0. A função INVF é a função inversa da DISTF.8 0.0037 0.05.4 0.DISTRIBUIÇÕES CONTÍNUAS   • A variância é igual a  . para a probabilidade 0.0269 16 2 0.0000 G H I J K L 0.0078 0.1690 0.95.0567 0. Por exemplo.5)  obtemos  o  resultado 0.10 0.  Por  exemplo.0000 32 5 0.6 0. desde que  1 – 0.  ν2 .15 0.0453 0.0533 0.0032 0.0037 0.4  na cauda superior da distribuição F.0153 17 2.8 0.2 0.0128 0. os graus de liberdade  aparecem  entre  parênteses  como  segue:  fα ν1  .0052 0. a fórmula: INVF(0.0049 19 2.00451 referente à probabilidade P F ≥ 14.1887 10 0.0020 0.  É claro.  Esta  probabilidade  cumulativa  representa a probabilidade de que a estatística F seja menor que ou igual a um valor específico.0002 25 3.1255 0.0086 18 2.0191 0.0027 0.  f0.1644 0.6 0.gl_numerador.2 0. para x    14. e os graus de liberdade do numerador e do denominador.4 0.00451.0291 0.1071 0.05 0.0878 0.  Assim.4 0.9. Por  exemplo. e ν2   7 graus de liberdade.9.0009 22 3.0009 0.0017 0.2 0.8 0.gl_denominador) A função estatística DISTF dá a probabilidade P F ≥ x  na cauda superior da distribuição F considerando os graus de  liberdade do numerador gl_numerador e os graus de liberdade do denominador gl_denominador.05 5.  Os estatísticos usam fα para representar o valor de uma estatística F tendo uma probabilidade cumulativa de  1 ‐ α .0133 0.  A Distribuição F no Excel  O Excel dispõe das funções estatísticas DISTF e INVF para a distribuição F com as seguintes sintaxes:  DISTF(x.0413 0.5) dá o F  Bertolo 39 .  A B C D E F 1 DISTRIBUIÇÃO F 2 Graus de liberdade numerador 3 5 15 25 4 Graus de liberdade denominador 5 9 15 30 6 x 0 0.6 0.0790 14 1.8 0.4 0.0110 8 0.1235 0.0003 24 3.0004 0. para encontrar o valor fα precisaremos saber os graus de liberdade.7   se  refere  ao  valor  da  estatística  F  tendo  uma  probabilidade cumulativa de 0.2 0.8 0.0708 0.0000 29 4.0073 0. Na notação.0106 0.0000 30 4.0050 0.0044 0.  com  a  fórmula:  =DISTF(14.0000 28 4.0001 27 4.1357 0.0001 7 0.  suponha  que  estamos  interessados  na  estatística  F  tendo  uma  probabilidade  cumulativa  de  0.0012 0.0001 26 4 0.0235 0.00 0 1 2 3 4 5 9 15 30 x   INVF(probabilidade.0028 20 2.25 Probabilidade Distribuição F 0. ν1   e ν2.0005 23 3.0088 0.1030 0.2180 11 1 0.0027 0.2 0.0096 0.0468 15 1.1259 13 1.0265 0.1351 0.6 0.0015 0.0061 0.1172 0.4.00451.0005 0.0011 0.05.0376 0.gl_denominador) A função estatística INVF dá o F crítico  Fc  da distribuição F quando conhecida a probabilidade na cauda superior da  distribuição F.0023 31 0.  TMA  Probabilidade Cumulativa e a Distribuição F  Cada  estatística  F  pode  ser  associada  com  uma  única  probabilidade  cumulativa.95.0007 0.0455 0. ν1   5 graus de liberdade.0870 9 0.gl_numerador.95    0.0156 0.4  e  graus  de  liberdade  gl_numerador    9  e  gl_denominador    5.0363 0.6 0.20 0.0749 0.  Referiremos a esta estatística F como f0. gl_numerador   9 e gl_denominador   5.

500 1. a função INVF apresentará o resultado #N/A.81 1.361 0. s2 é o desvio padrão da amostra retirada da população 2.81 1.025   2. existem realmente duas maneiras de se calcular uma estatística F desses dados. e os do denominador ν2 = 12 -1 = 11. Como o cálculo de Fc é um procedimento iterativo. A tabela abaixo mostra os desvios padrões de cada amostra e de cada população.  População  Desvio Padrão da População  Mulheres  Homens  Solução   A estatística F pode ser calculada a partir dos desvios padrões da população e da amostra. σ2 é o desvio padrão da população              2. s1 é o desvio padrão da amostra retirada da população 1.40. Na planilha teremos: 1 2 3 4 5 G H I J K DesvPad Pop 1 30 DesvPad Pop2 50 DesvPad Amostra 1 35 DesvPad Amostra 2 45 Estatística F 1.225   900 2025 2500   1.595102 <--=((H3^2/H1^2)/(H4^2/H2^2)) EXEMPLO 2  Encontre a probabilidade cumulativa associada com cada uma das estatísticas F do Exemplo 1. calculamos a estatística F como segue: 45 50   35 30 2.361 0. os graus de liberdade do numerador são ν1   7 – 1 = 6.TMA    DISTRIBUIÇÕES CONTÍNUAS crítico como Fc    14.  EXEMPLO 1  Suponha  que  você  selecionou  aleatoriamente  7  mulheres  de  uma  população  de  mulheres.     ν1  e ν2   Como você pode ver da equação. e os do denominador ν2 = 7 -1 = 6.  40 Bertolo . usando a seguinte equação:                 Onde σ1 é o desvio padrão da população 1.  30  50  Desvio Padrão da Amostra 35 45 Calcule a estatística F.680384 <--=((H3^2/H1^2)/(H4^2/H2^2)) Por outro lado.595 Para este cálculo. se os dados dos homens aparecem no numerador.225 900   0. se depois de realizar 100 iterações não for  alcançado o resultado com um erro de ± 3 x 10‐7.  e  12  homens  de  uma  população de homens. Se os dados das mulheres aparecem no numerador. os graus de liberdade do numerador são ν1   12 – 1 = 11. podemos calcular uma estatística F como segue: 35 30   45 50 1.68 Para este cálculo. Na planilha teremos: 1 2 3 4 5 G H I J K DesvPad Pop 1 50 DesvPad Pop2 30 DesvPad Amostra 1 45 DesvPad Amostra 2 35 Estatística F 0. acima.

E. precisamos encontrar os graus de liberdade de cada amostra.11) Estatística F 1.2156 <--=DISTF(O8.2156.DISTRIBUIÇÕES CONTÍNUAS   Solução   TMA  Para resolver este problema. quando os dados dos homens aparecerem no numerador.2156. Os graus de liberdade da amostra de homens são iguais a n – 1 = 12 – 1 = 11.6. E. a estatística F é igual a 1. baseado nos cálculos mostrados no exemplo anterior.7844.680 6 F crítico(0.680 6 F crítico(0. Levando estes valores à planilha encontramos que a probabilidade cumulativa é 0.680384. N O P Q R Função INVF 1 Função DISTF 2 3 DesvPad Pop 1 30 Probabilidade 0.6803840877915 ) 0.2156 <--=1-O11 Bertolo 41 . e os do denominador ν2 = 11. os graus de liberdade do numerador ν1 são iguais a 6. Portanto.11) Estatística F 0. Levando estes valores à planilha encontramos que a probabilidade cumulativa é 0. baseado nos cálculos mostrados no exemplo anterior.680384 <--=((O5^2/O3^2)/(O6^2/O4^2)) 7 8 x 1.O10) 12 P( F<0. quando os dados das mulheres aparecerem no numerador. os graus de liberdade do numerador ν1 são iguais a 11.O9.O10) 12 P( F<1.595102 <--=O7 11 9 gl numerador 6 10 gl denominador 11 P( F >=0.595102 <--=((O5^2/O3^2)/(O6^2/O4^2)) 7 8 x 0. e os do denominador ν2 = 6.595102040816327 ) 0.2156.7844 <--=DISTF(O8.6803840877915 ) 0.595102040816327 ) 0.7844 <--=1-O11 13 Por outro lado.680384 <--=O7 6 9 gl numerador 11 10 gl denominador 11 P( F >=1.2156 DesvPad Pop2 30 6 4 gl numerador DesvPad Amostra 1 45 11 5 gl denominador DesvPad Amostra 2 35 1. usaremos a planilha Excel que realiza os cálculos para encontrar as probabilidades. Os graus de liberdade da amostra de mulheres são iguais a n – 1 = 7 – 1 = 6.O9.2156 DesvPad Pop2 50 6 4 gl numerador DesvPad Amostra 1 35 11 5 gl denominador DesvPad Amostra 2 45 1. Depois então.6.595102. N O P Q R Função INVF 1 Função DISTF 2 DesvPad Pop 1 50 3 Probabilidade 0. a estatística F é igual a 0.

 com as tabelas de esperança de vida. Waloddi Weibull.    As principais vantagens da utilização da distribuição de Weibull para análise da sobrevivência é que através da  estimativa de apenas dois parâmetros  alfa e beta  são obtidas informações tanto de longevidade média quanto do tipo  de curva de sobrevivência.  ~  1   O parâmetro β influencia na fdp da distribuição Weibull da seguinte forma:  o f t  cresce quanto t    t   moda  e decresce logo após.  como. Este é freqüentemente o caso dos sistemas os  quais diferentes componentes têm diferentes idades. Onde:  • β é o parâmetro de forma  shape .  o f t    0 quando t   ∞.  como a distribuição exponencial e a distribuição normal. Embora a experiência tenha mostrado que a distribuição de Weibull possa ser usada para  representar a grande maioria de modelos de falha. temos que:  o Se "β   1"  taxa de falha constante .  Com relação ao Fator de Forma "β".  incluindo  tanto  distribuições  randômicas  exponencial  negativa   quanto  às  distribuições  aproximadamente normais.  • Para β   1:  o f t    0 quando t   0.  • α é o parâmetro de escala  scale . por exemplo.TMA    DISTRIBUIÇÕES CONTÍNUAS Distribuição de Weibull   A distribuição de probabilidade Weibull é uma distribuição de probabilidade contínua amplamente utilizada na análise  de dados de vida de equipamentos devido a sua flexibilidade – ela pode imitar outras distribuições de probabilidade.  O Fator de Forma β  indica a forma da curva e a característica das falhas . • Para 0    β   1:  o f t    ∞ quando t   0.            β 0 e α  0  A fda9 da distribuição Weibull é descrita pela Equação:  . e é usada extensivamente em engenharia de confiabilidade e no  cálculo do tempo médio de falha para determinado dispositivo.  "β   1" mortalidade infantil   "β   1" falhas aleatórias  função exponencial negativa    "β   1" falhas por desgaste  Observações relativas ao Fator de Forma "β":  A  escolha  apropriada  de  "β"  e  "α"  na  Distribuição  de  Weibull  pode  ser  usada  para  representar  uma  larga  faixa  de  distribuições. dependendo do valor de seus parâmetros. e pode não ser  capaz de representar algumas distribuições particulares encontradas na prática. Outra vantagem é que as observações não necessitam ser realizadas a intervalos constantes.   O seu nome se deve ao seu inventor. e o tempo individual de operação dos componentes não  9 Função distribuição acumulada                                                                     Bertolo 42 . pode ser uma indicação que modos de falhas múltiplos estão presentes ou  que os dados coletados dos tempos para falhar são suspeitos. . .  A fdp da distribuição Weibull é descrita pela Equação:   . é essencial notar que é uma função semi‐empírica.

 Os parâmetros da Distribuição de Weibull dos modos de falhas por desgaste podem ser  deduzidos se forem eliminados os itens imperfeitos e analisados os seus dados separadamente. mas pode ocorrer situações as quais as falhas por  desgaste ocorram depois de um tempo finito livre de falhas. a fdp se encolhe para a esquerda e sua altura aumenta.com/lifedatawebcontents. acarretando falhas antes de um tempo  finito livre de falhas.DISTRIBUIÇÕES CONTÍNUAS   TMA  estão disponíveis. a fdp se estica para a direita e sua altura diminui.htm  Bertolo 43 .                                                                     10 http://www. e um valor de "β   1" é obtido.weibull. Retirado de [Life Data Analysis10].Efeito do parâmetro β na fdp.  o O modo de falhas por desgaste é caracterizado por "β   1". O parâmetro α influencia na fdp da distribuição Weibull da seguinte forma  Figura 2‐2 :  • Se α cresce enquanto β é constante.  • Se α decresce enquanto β é constante. Isto pode ocorrer  quando uma amostragem contém uma proporção de itens imperfeitos.    Figura A . tais como: uso inadequado do equipamento ou técnicas inadequadas de manutenção. Uma taxa de falhas constante pode também indicar que as falhas são provocadas por agentes  externos.

 Não existe portanto  muitos pacotes para a log‐Weibull. Ela dá o limite da distribuição  para os menores e os maiores valores nas amostras extraídas de uma variedade de distribuições.  Na  prática  a  distribuição  Weibull  é  usada  para  descrever  dois  grupos  de  fenômenos. se você quiser saber a  proporção que falha após um ou mais anos. ou horas por dia.  Algumas  vezes  a  distribuição  é  usada  como  uma  alternativa  à  distribuição  normal  no  caso  de  dados  assimétricos. dividir em dois os dias do ano e ter uma velocidade dos ventos abaixo da força média.  Se você quiser saber o momento no tempo em que as partes foram divididas você fracassará.  com velocidade dos ventos acima de certa força. energia extrema liberada durante terremotos. ou a mediana da velocidade dos  ventos. em alguns dias uma porção e  você tem aqueles dias que existem muito mais vento.TMA    DISTRIBUIÇÕES CONTÍNUAS   Figura B . dois. A distribuição é usada  para descrever condições extremas.5 caixa  '%' e leia o valor de 'x'. A  distribuição  Weibull  muito  prática  nesta  área  porque  a  distribuição  não  permite  valores  negativos  e  é  fácil  de  considerar apropriadamente o fato que na maioria dos dias existirão um pouco de vento.  ou  stress  extremos  para  os  quais  os  componentes  estão  sujeitos.  Cada  parte  do  planeta  tem  os  seus  próprios  parâmetros  para  uma  distribuição  Weibull  para  descrever  o  modelo  da  velocidade dos ventos naquele lugar. Infelizmente estes pacotes tendem a ser  caros. ou a média da velocidade dos ventos. Retirado de [Life Data Analysis]. média   beta e lâmbda a taxa de risco 1/beta.     Weibull no Excel 44 Bertolo .  velocidade  de  ventos  ou  fazer  certas  transformações .  Para  a  distribuição Rayleigh alfa é fixado em 2. Você terá de procurar por eles na Internet.  Outros  nomes  para  a  log‐Weibull  são  "distribuição  Fisher‐Tippett"  ou  "distribuição  extreme  value". três ou mais anos.Efeito do parâmetro α na fdp. entre com o valor um na caixa 'x' e leia o valor da probabilidade acumulada. O programa distribuição  Weibull permite‐lhe fazer estes cálculos com base nos parâmetros já conhecidos.  A  distribuição  de  Gumbel  é  um  caso  especial  de  log  distribuição  Weibull.   Existem vários pacotes estatísticos para estimar os parâmetros Weibull para um conjunto de dados. Um fabricante fornece os parâmetros Weibull para um produto e o  usuário pode calcular a probabilidade que uma parte falhe após um. metade dos dias acima. Para a distribuição Gumbel alfa 0 e beta 1.  O  tempo  de  vida  de  objetos  é  frequentemente usado em controle de qualidade.   A distribuição exponencial  usada para estudar tempo de espera  é um caso especial da distribuição Weibull com alfa    1.   A descrição da velocidade dos ventos é um exemplo do uso da distribuição Weibull para descrever fenômenos naturais.  Embora  a  distribuição  mais  usada  seja  a  distribuição  extreme  value  existem  outras  distribuições  de  valores  extremos  descrevendo  a  distribuição  limite  para  os  menore  e  os  maiores  valores  extraídos  de  uma  particular  distribuição.   A distribuição‐log Weibull se concentra no log de uma variável distribuída por Weibull. Outro caso especial da distribuição Weibull é a distribuição Rayleigh  usada  para  estudar  o  espalhamento  de  radiação. Com base nisto você pode calcular o número de dias por ano. tais como rajada de vento extrema. entre com o valor 0. Por exemplo.

929581    Você poderia também usar o procedimento que desenvolvemos em Javascript para a realização deste cálculo.bertolo.pro.br/FinEst/Estatistica/index.100.FALSO  dá 0.bertolo.VERDADEIRO  dá 0.cumulativo) X é o valor no qual se avalia a função.035589  WEIBULL 105.beta.alfa. a WEIBULL retornará a distribuição exponencial com : λ  1/β.html    Bertolo 45 .pro.htm                                                                             11Outras distribuições poderão ser calculadas neste site: http://www.100.  Por exemplo:  WEIBULL 105.20.  Alfa é um parâmetro da distribuição  Beta é um parâmetro da distribuição  Cumulativo determina a forma da função  Quando alfa   1.20. Assim O link11 é: http://www.br/FinEst/Estatistica/DistribuicaoProbabilidades/binomial.DISTRIBUIÇÕES CONTÍNUAS   O Excel possui a função WEIBULL com a seguinte sintaxe:  TMA  WEIBULL(x.

You're Reading a Free Preview

Download
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->