UNIVERSIDADE FEDERAL DO PARÁ

INSTITUTO DE CIÊNCIAS SOCIAIS APLICADAS

FACULDADE DE ECONOMIA

Estatística II

Prof. Dr. Ricardo Bruno Nascimento dos Santos

VARIÁVEIS ALEATÓRIAS
CONTÍNUAS
I.2 – VARIÁVEIS ALEATÓRIAS CONTÍNUAS
I.2.1 - Introdução
Definição: Uma função X definida pelo espaço amostral  e
assumindo valores num intervalo de ´números reais, é dita uma
variável aleatória contínua.
A principal característica de uma v.a. contínua é que, sendo
resultado de uma mensuração, o seu valor pode ser pensado como
pertencendo a um intervalo ao redor do valor efetivamente
observado (sempre nosso valor efetivamente observado será a
média).
I.2 – VARIÁVEIS ALEATÓRIAS CONTÍNUAS
I.2.1 - Introdução
Podemos então destacar as diferenças da v.a. discreta e contínua
como sendo:
I.2 – VARIÁVEIS ALEATÓRIAS CONTÍNUAS
I.2.1 - Introdução
Exemplos de v.a. contínuas:
- Tempo de resposta de um sistema computacional
- Tempo de vida de uma máquina
- Resistência de um material
- Oscilação diária em um índice na bolsa de valores

Além destas podemos também destacar:

I.2 – VARIÁVEIS ALEATÓRIAS CONTÍNUAS
I.2.1 - Introdução
De forma semelhante àquela desenvolvida para variáveis discretas,
precisamos estabelecer para as contínuas a atribuição de probabilidades às
suas diversas realizações que, neste caso, podem assumir um número
infinito de valores diferentes. Abordamos esta questão através do próximo
exemplo.
Exemplo: Estudos anteriores revelam a existência de um grande lençol
de água no subsolo de uma grande região. No entanto, sua profundidade
ainda não foi determinada, sabendo-se apenas que o lençol pode estar
situado em qualquer ponto, entre 20 e 100 metros.
Vamos supor que escolhemos, ao acaso, um ponto nessa região e
dispomos de uma sonda que, ao fazer a perfuração, detecta com precisão à
profundidade do reservatório de água. Denotamos por X a variável
aleatória representando a profundidade.
Notemos que, apesar de X poder ser qualquer número entre 20 e 100
metros, o instrumento, com que trabalhamos, pode não ser tão preciso
como gostaríamos. Por exemplo, uma profundidade de 32,571 metros
poderia ser medida por 32,6 metros.
I.2 – VARIÁVEIS ALEATÓRIAS CONTÍNUAS
I.2.1 - Introdução
Vamos assumir que temos um instrumento ideal que não faz
aproximações. Nessas condições, podemos supor a sonda acoplada a
um instrumento indicador da profundidade e um dispositivo que,
quando a sonda encontrar água, provoque a imediata interrupção da
perfuração.
Uma vez não que temos informações adicionais a respeito da
profundidade do lençol, é razoável assumirmos que a sonda pode
parar em qualquer ponto entre 20 e 100 metros, sem que tenhamos
motivos para privilegiar essa ou aquela profundidade. Assim,
consideraremos todos os pontos como igualmente prováveis. Se
utilizarmos a mesma idéia de atribuir a cada possível ponto uma
probabilidade, teremos uma dificuldade extra, pois eles pertencem a
um intervalo de [20; 100], em que existem infinitos números reais.
I.2 – VARIÁVEIS ALEATÓRIAS CONTÍNUAS
I.2.1 - Introdução
Assim, se cada um deles tiver, individualmente, probabilidade
maior que 0, a soma das probabilidades será igual a infinito e não 1,
como requer a definição da função de probabilidades. Em geral, em
situações como esta, não é interessante considerar um único valor
para a variável aleatória, mas intervalos de valores na atribuição de
probabilidades. Neste caso, sabemos que o espaço amostral
corresponde ao intervalo [20; 100] e as profundidades são
igualmente prováveis.
Suponha por um momento, que dividimos o espaço amostral em 8
intervalos de comprimento 10. Logo, é razoável atribuir aos
intervalos a probabilidade 1/8, correspondendo à relação entre o
comprimento de cada um deles e o comprimento do espaço amostral.
Isto é, 10 para 80 ou 1/8.
I.2 – VARIÁVEIS ALEATÓRIAS CONTÍNUAS
I.2.1 - Introdução
Assim, como dividimos em 8 faixas de igual comprimento e sem
intersecção entre elas, teremos os intervalos [20; 30), [30; 40), ...,
[90; 100] todos com a mesma probabilidade de 1/8, pois todos tem o
mesmo tamanho.
Para construirmos um histograma, podemos supor que 1/8 é a
frequência relativa da ocorrência de cada um dos intervalos. As
ordenadas do gráfico são as densidades, calculadas de modo que a
área de cada retângulo seja a frequência relativa (probabilidade) do
intervalo.
I.2 – VARIÁVEIS ALEATÓRIAS CONTÍNUAS
I.2.1 - Introdução

Note que, dada as características do problema, a divisão em 8 intervalos

produziu o mesmo valor de densidade de 1/80 pra todos eles. Se dividirmos
o intervalo [20; 100] em 16 faixas iguais, utilizando o mesmo argumento
anterior, temos que os intervalos [20; 25), [25; 30), ..., [95; 100] terão todos
a mesma probabilidade 1/16. O histograma correspondente será:
I.2 – VARIÁVEIS ALEATÓRIAS CONTÍNUAS
I.2.1 - Introdução

O histograma mostra que apesar de termos diferentes intervalos, a

densidade permanece a mesma, igual a 1/80.
Podemos continuar esse procedimento aumentando cada vez mais a
quantidade de faixas, com a consequente diminuição de suas amplitudes de
tal forma que, em uma situação teórica com infinitos intervalos, temos o
seguinte histograma:
I.2 – VARIÁVEIS ALEATÓRIAS CONTÍNUAS
I.2.1 - Introdução
I.2 – VARIÁVEIS ALEATÓRIAS CONTÍNUAS
I.2.1 - Introdução
Estamos agora em condições de caracterizar, completamente a
atribuição de probabilidade para o caso contínuo. Ela será definida
pela área abaixo de uma função positiva, denominada de função de
densidade de probabilidade (fdp). Observe que a densidade em si não
é uma probabilidade, mas uma função matemática que nos auxilia na
atribuição de probabilidades. Assim, para a variável aleatória
contínua X representando a profundidade do lençol de água, a fdp f é
dada por:
1 / 80 para 20  x  100;
f ( x)  
 0 para x  20 ou x  100.
I.2 – VARIÁVEIS ALEATÓRIAS CONTÍNUAS
I.2.1 - Introdução
Tendo em vista que, nesse exemplo a função de densidade é
bastante simples, a probabilidade de que a profundidade do lençol
esteja em um dado intervalo pode ser calculada com o uso de área de
figuras planas. Assim, para obter a probabilidade de uma
profundidade entre 25 e 29, calculamos a área do retângulo:

1 1 4
e, portanto, P(25 ≤ X < 29) = (29  25)   4 
80 80 80
I.2 – VARIÁVEIS ALEATÓRIAS CONTÍNUAS
I.2.2 – A função de densidade
probabilidade
Dizemos que f(x) (fdp)
é uma função contínua de probabilidade ou
função de densidade de probabilidade para uma variável aleatória
contínua X, se satisfaz duas condições:
i) 𝑓(𝑥) ≥ 0, para todo 𝑥 ∈ (−∞, +∞)
ii) A área definida por f(x) é igual a 1.
Com auxílio do cálculo diferencial e integral, podemos
caracterizar a condição ii) através de


 f ( x)dx  1.

Da mesma forma, para calcular probabilidades, temos que para
b
𝑎 ≤ 𝑏, P(a  X  b)  a f ( x)dx; , a integral indica a área sob f(x) definida
pelo intervalo [a; b].
I.2 – VARIÁVEIS ALEATÓRIAS CONTÍNUAS
I.2.2 – A função de densidade
probabilidade (fdp)
Note que, pela forma como a atribuímos as probabilidades no
caso contínuo, teremos área zero sob qualquer valor individual, isto
é, P(X = k) = 0 para qualquer k. Portanto, em se tratando de variáveis
aleatórias contínuas, a probabilidade de ocorrência de um valor
isolado é sempre zero e, consequentemente, as probabilidades
calculadas sobre os intervalos [a; b], [a; b), (a; b] e (a; b) são as
mesmas, para qualquer valor de a e b.
Exemplo: Num teste intelectual com alunos de um colégio Y, o
tempo para realização de uma bateria de questões de raciocínio
lógico é medido e anotado para ser comparado com um modelo
teórico. Este teste é utilizado para identificar o desenvolvimento da
capacidade de raciocínio lógico e auxiliar a aplicação de medidas
corretivas. O modelo teórico considera T, tempo de teste em minutos,
como uma variável aleatória contínua com função de densidade de
probabilidade dada por:
I.2 – VARIÁVEIS ALEATÓRIAS CONTÍNUAS
I.2.2 – A função de densidade
probabilidade
1 (fdp)
(t  4) se 8  t  10;
 40

 3
f (t )   se 10  t  15
 20
 0 caso contrário


O gráfico da fdp é apresentado a seguir (construiremos ele no
software R). Deve ser notado que, pela definição de f(x), ela se
anula para t < 8 ou t >15.

Vamos verificar agora se a função f(t) satisfaz a definição de

densidade. Para calcular P(9 < T  12), vamos obter a área sob f(t)
no intervalo (9; 12]:
I.2 – VARIÁVEIS ALEATÓRIAS CONTÍNUAS
I.2.2 – A função de densidade
probabilidade (fdp)
Assim P(9< T  12) = 7/16 valor esse obtido pela soma do
trapézio definido no intervalo (9, 10) com o retângulo determinado
pelo intervalo [10,12] (veja a figura).
0.15
0.10
f(t)

0.05
0.00

6 8 10 12 14 16 18

t
I.2 – VARIÁVEIS ALEATÓRIAS CONTÍNUAS
I.2.2 – A função de densidade
probabilidade
Através do uso de(fdp)
integral, essa mesma probabilidade seria
calculada da seguinte forma:
12 10 12
P(9  T  12)   f (t )dt   f (t )dt   f (t )dt 
9 9 10
10
1 t 
12
 3 
2
10 1 12 3

9 40
(t  4)dt  
10 20
dt    4t    t  
40  2 9  20 10
11 6 7
   0, 4375
80 20 16
I.2 – VARIÁVEIS ALEATÓRIAS CONTÍNUAS
I.2.3 – Valor Médio de uma Variável
Aleatória Contínua
O valor esperado ou média da variável aleatória contínua X, com
fdp dada por 𝑓(𝑥), é dada pela expressão:

E ( X )     xf ( x)dx.


Já a sua variância é dada por:


   ( x   ) 2 f ( x)dx.
2


Como no caso discreto, a variância é a medida de dispersão mais

utilizada na prática. Aqui podemos, também, utilizar a expressão
alternativa 𝜎 2 = 𝐸 𝑋 2 − 𝜇2 , com 𝐸 𝑋 2 sendo calculada como:

E ( X )   x 2 f ( x)dx.
2

I.2 – VARIÁVEIS ALEATÓRIAS CONTÍNUAS
I.2.3 – Valor Médio de uma Variável
Aleatória Contínua
O desvio padrão é a raiz quadrada da variância e, como já
mencionado anteriormente, tem a mesma unidade de medida da
variável original, o que facilita a interpretação dos seus valores.

Vamos a um exemplo:
Investidores estudaram uma certa carteira de ações e
estabeleceram um modelo teórico para a variável R, rendimento das
ações (em mil R$). Suponha que R é uma variável aleatória contínua
com a seguinte função de densidade:
1  r 
   1  , se 0  r  20
f (r )   40  10 

 0, caso contrário

Vamos aplicar no Software R

I.2 – VARIÁVEIS ALEATÓRIAS CONTÍNUAS
I.2.3 – Medidas de Posição para Variáveis Aleatórias
Contínuas
Vamos determinar a média e a variância de R. Temos,
20 20
20 1  r  1 r  1 r 
3
20 2
35
 r   1dr         5  R$ mil.
0 40  10  400  3 0 40  2 0 3 3
Para variância, calculamos primeiro E(R2):
20 20
20 1  r  1 r 
4
1 r 3
200 500
E(R )  
2 2
r   1dc        100   R$ mil.
0 40  10  400  4 0 40  3 0 3 3
2
500  35  275
Assim:  2
 E ( R 2
)   2
      R $30,56 mil 2

3  3  9

Portanto o desvio padrão será:  R  30,56  R$5,53 mil

Qual seria a probabilidade de conseguirem um rendimento entre 8
e 10 mil? Vamos fazer no R
I.2 – VARIÁVEIS ALEATÓRIAS CONTÍNUAS
I.2.4 – O modelo de distribuição Normal
A distribuição normal é uma das mais essenciais e importantes
distribuições da estatística, conhecida também como Distribuição de Gauss
ou Gaussiana. Foi primeiramente introduzida pelo matemático Abraham de
Moivre.
Além de descrever uma série de fenômenos físicos e financeiros,
possui grande uso na estatística inferencial. É inteiramente descrita por
seus parâmetros de média e desvio padrão, ou seja, conhecendo-se estes
consegue-se determinar qualquer probabilidade em uma distribuição
Normal.
Um interessante uso da Distribuição Normal é que ela serve de
aproximação para o cálculo de outras distribuições quando o número de
observações fica grande. Essa importante propriedade provém do Teorema
do Limite Central que diz que "toda soma de variáveis aleatórias
independentes de média finita e variância limitada é aproximadamente
Normal, desde que o número de termos da soma seja suficientemente
grande" (Ou seja, que a amostra seja maior que 30 observações).
I.2 – VARIÁVEIS ALEATÓRIAS CONTÍNUAS
I.2.4 – O modelo de distribuição Normal
Diz-se que X tem Distribuição Normal com média  e variância
2 se sua função de densidade de probabilidade (fdp) é:

( x )2
1 
f X ( xi )  e 2 2
x 
 2
E(X) = 
Var(X) = 2

Pode-se ainda verificar que os parâmetros  e 2 representam,

respectivamente, a média e a variância da distribuição. A
demonstração requer algumas manipulações de integral. O que não
vai ser demonstrado aqui. Assim quando indicarmos que X ~ N (;
2), segue imediatamente que E(X) =  e Var(X) = 2.
I.2 – VARIÁVEIS ALEATÓRIAS CONTÍNUAS
I.2.4 – O modelo de distribuição Normal
Graficamente a curva normal comporta-se da seguinte maneira:
Distribuição Nomal(60.000,8.300)
4e-05
3e-05
f(x)

2e-05
1e-05
0e+00

30000 40000 50000 60000 70000 80000 90000

x
I.2 – VARIÁVEIS ALEATÓRIAS CONTÍNUAS
I.2.4 – O modelo de distribuição Normal
Algumas propriedades da densidade da Normal podem ser,
facilmente, observadas de seu gráfico:
fX(xi) é simétrica em relação à ;
fX(xi)  0 quando x  ;
o valor máximo de fX(xi) se dá para x =  e 𝜇 − 𝜎 e 𝜇 + 𝜎 são
pontos de inflexão de f(xi)
Quando temos 𝜇 = 0 e 𝜎 2 = 1, temos uma distribuição padrão
ou reduzida, ou brevemente N(0,1). Para essa a função de densidade
reduz-se a
z2
1 
f z ( zi )   ( z )  e 2
x 
2
I.2 – VARIÁVEIS ALEATÓRIAS CONTÍNUAS
I.2.4 – O modelo de distribuição Normal
Assim, o gráfico da normal padrão pode ser representado por:
I.2 – VARIÁVEIS ALEATÓRIAS CONTÍNUAS
I.2.4 – O modelo de distribuição Normal
Vamos partir de um exemplo prático:
Vamos trabalhar com uma série dos fundos de investimentos da
Petrobrás gerenciado pelo Bando do Brasil. Observou-se que o
comportamento dos fundos entre 02/01/2012 a 13/03/2012 tiveram
um comportamento muito aproximado a uma curva normal como
pode ser observado no gráfico abaixo:
A média ficou em torno de R$ 7,27
a cota do fundo e o desvio padrão
foi de R$ 0,295.

Vamos construir a fdp desta

variável aleatória no software R.
Os limites de intervalo serão R$ 6 e
R$ 8,25
I.2 – VARIÁVEIS ALEATÓRIAS CONTÍNUAS
I.2.4 – O modelo de distribuição Normal
No cálculo de probabilidades para variáveis contínuas, devemos
resolver a integral da fdp no intervalo de interesse, isto é,
b ( x   )2
1 
P(a  X  b) =  e 2 2

a  2

Entretanto, a integral acima só pode ser resolvida de modo

aproximado e por métodos numéricos. Por essa razão, as
probabilidades para o modelo Normal são calculadas com auxílio de
software estatísticos ou por tabelas.
A partir do exemplo anterior, vamos visualizar algumas
possibilidades e informações probabilísticas que podem ser tiradas a
partir da curva da normal criada para o fundo de ações da Petrobrás.
I.2 – VARIÁVEIS ALEATÓRIAS CONTÍNUAS
I.2.4 – O modelo de distribuição Normal
Cálculo da probabilidade de um modelo Normal usando o R
Levando em consideração as informações do exemplo anterior,
pergunta-se:
a) Qual a probabilidade de obtermos lucro se na época do resgaste o
valor da ação for de R$ 7,18.
Para realizar tal tarefa vamos usar o comando pnormal que faz o
cálculo da probabilidade. Além disso, vamos fazer também a
representação gráfica na curva da normal.

b) Qual deveria ser o preço máximo (em R$) para que o investidor
tenha uma probabilidade de lucro pequena, de cerca de 10%?
Vamos verificar essa possibilidade com o auxílio do R.
I.2 – VARIÁVEIS ALEATÓRIAS CONTÍNUAS
I.2.4 – O modelo de distribuição Normal
Aplicações da v.a. reduzida.
A transformação da normal para a sua correspondente reduzida
z~N(0,1). Para determinar a probabilidade de X  [a,b], procedemos
com o seguinte cálculo:
P(a  X  b) = P(a -   X -   b - ) =

a X  b a b

P     P Z 
        

e, portanto, quaisquer que sejam os valores de  e , utilizamos a

Normal Padrão para obter probabilidades com a distribuição Normal.
I.2 – VARIÁVEIS ALEATÓRIAS CONTÍNUAS
I.2.4 – O modelo de distribuição Normal
Os valores para P(0  Z  z), z>0 são apresentados na seguinte
tabela.
Com a simetria da densidade Normal podemos calcular valores de
probabilidades em outros intervalos. Note que a simetria também
implica que a probabilidade de estar acima (ou abaixo) de zero é 0,5.
Como probabilidade é sempre um número entre 0 e 1, a tabela
contém apenas a parte decimal.
Por exemplo, para X~N(2,9), teremos:
 22 X 2 52
P(2  X  5)  P     P(0  Z  1)  0,3413
 9 9 9 
Agora como foi localizado o valor 0,3413 na tabela normal?
I.2 – VARIÁVEIS ALEATÓRIAS CONTÍNUAS
I.2.4 – O modelo de distribuição Normal
Para obter P(0  X  2), usamos a assimetria da Normal:
02 22
P(0  X  2)  P  Z   P ( 3  Z  0)  P(0  Z  3 )
2 2
 9 9 
P(0  Z  0, 6666)  0, 2486

Podemos ainda calcular as probabilidades de intervalos com

extremos negativos, utilizando os correspondentes intervalos na parte
positiva. Um outro recurso importante no uso da tabela é a utilização
do complementar. Por exemplo,

P( X  3)  P Z 

32
   
  P Z  13  0,5  P 0  Z  13  0,5  0,1293  0,3707
3 
I.2 – VARIÁVEIS ALEATÓRIAS CONTÍNUAS
I.2.4 – O modelo de distribuição Normal
A tabela também pode ser utilizada no sentido inverso, isto é,
dado uma certa probabilidade, desejamos obter o valor que a
originou. Por exemplo, quanto vale c tal que P(0 Z  c) = 0,4?
Procurando no corpo da tabela, a probabilidade que mais se
aproxima de 0,4 é 0,3997; correspondendo a 1,28 que será o valor de
c.
Suponha, agora, que queremos encontrar d tal que P(Z > d) = 0,8.
Observamos que d precisa ser negativo, pois a probabilidade
desejada é maior que ½, que é o valor de P(Z > 0). Assim, o
intervalo (0; d) precisa ter probabilidade 0,3. Pela simetria da
Normal, o intervalo (-d, 0) também tem probabilidade 0,3. Da tabela,
segue que –d = 0,84 e portanto d = -0,84.
I.2 – VARIÁVEIS ALEATÓRIAS CONTÍNUAS
I.2.4 – O modelo de distribuição Normal
Vamos finalizar essa seção utilizando o exemplo anterior para o
fundo de ações da Petrobrás/BB.
a) Qual a probabilidade de obtermos lucro se na época do resgaste o
valor da ação for de R$ 7,18?
 X  7, 27 7,18  7, 27 
P( X  7,18)  P     P ( Z  0,31)  0,5  0,1179  0,3821
 0, 295 0, 295 

b) Qual deveria ser o preço máximo (em R$) para que o investidor
tenha uma probabilidade de lucro pequena, de cerca de 10%?
Assim, precisamos obter um valor em R$ tal que: P(X < R$) = 0,1.
Então,
 X  7, 27 R$  7, 27  R$  7, 27
P    P( Z  )  0,1
 0, 295 0, 295  0, 295
I.2 – VARIÁVEIS ALEATÓRIAS CONTÍNUAS
I.2.5 – A distribuição t de student
A distribuição t de Student é importante no que se refere a
inferências sobre médias populacionais.
Diz-se que uma variável aleatória contínua T tem distribuição t de
Student se sua função de densidade é dada por:
𝑣+1 𝑣+1
 𝑡 2 −
2
𝑓 𝑡; 𝑣 = 2 1+ , −∞ < 𝑡 < ∞
𝑣 𝑣
 𝜋𝑣
2
Essa expressão, certamente, é assustadora! Mas eis uma boa
notícia: não precisaremos dela para calcular probabilidades! No
entanto, é interessante notar duas características básicas dessa
expressão: o argumento t da função aparece elevado ao quadrado e fT
depende apenas do número de graus de liberdade da qui-quadrado e,
portanto, o parâmetro desta distribuição é, também, o número de
graus de liberdade.
I.2 – VARIÁVEIS ALEATÓRIAS CONTÍNUAS
I.2.5 – A distribuição t de student
Em termos de média e variância a distribuição t de Student, (com
v graus de liberdade) que será indicada por t(v), será:
𝑣
𝐸 𝑡 =0 𝑉𝑎𝑟 𝑡 =
𝑣−2
Quanto maior o valor de v mais t aproxima-se de uma normal
N~(0,1), isso pode ser verificado no gráfico abaixo:
I.2 – VARIÁVEIS ALEATÓRIAS CONTÍNUAS
I.2.5 – A distribuição t de student
Assim como no caso da normal, seria necessária uma tabela para
cada valor de v. Os programas computacionais de estatística
calculam probabilidades associadas a qualquer distribuição t. Mas
nos livros didáticos é comum apresentar uma tabela da distribuição t
que envolve os valores críticos, ou seja, valores que deixam
determinada probabilidade acima deles. Mais precisamente, o valor
crítico da t(v) associado à probabilidade α é o valor tv;α tal que
𝑃 𝑡 𝑣 > 𝑡𝑣;𝛼 = 𝛼
Para encontrar o valor tabelado basta pegarmos o grau de
liberdade v e compararmos com a nossa probabilidade de cometer o
erro tipo I (isso será visto mais adiante).
Suponha que tenhamos v=6 e queiramos um erro de 5% para uma
distribuição uni caudal, então teríamos:
Tabela Bicaudal
I.2 – VARIÁVEIS ALEATÓRIAS CONTÍNUAS
I.2.6 – A distribuição Qui-Quadrado
A distribuição qui-quadrado é um caso específico da distribuição
Gama.
Como definição temos:
Uma variável aleatória contínua Y tem distribuição qui-quadrado
com v graus de liberdade (denotada por 2 (𝑣) ) se sua função
densidade for dada por:
𝑣 𝑦
1 −1 −
𝑣 𝑦 2 𝑒 2 ,𝑦 > 0
 𝑣
2
22
𝑓 𝑦; 𝑣 = 0, 𝑦 <0
A média e variância para a qui-quadrado são:
E(Y)=v Var(Y)=2v
I.2 – VARIÁVEIS ALEATÓRIAS CONTÍNUAS
I.2.6 – A distribuição Qui-Quadrado
Graficamente a distribuição qui-quadrado se comporta da seguinte
forma:
I.2 – VARIÁVEIS ALEATÓRIAS CONTÍNUAS
I.2.6 – A distribuição Qui-Quadrado
Usando a tabela qui-quadrado para v=10, observe que
P(Y>2,558)=0,99; ao passo que P(Y>18,307)=0,05.
I.2 – VARIÁVEIS ALEATÓRIAS CONTÍNUAS
I.2.6 – A distribuição F de Snedecor
Sejam U e V duas v.a. independentes, cada uma com distribuição
qui-quadrado, com v1 e v2 graus de liberdade, respectivamente.
Então, a v.a.
U v1
W
V v2
Tem densidade dada por:
𝑣1
 (𝑣1 +𝑣2 ) 2 𝑣1 2 𝑤 (𝑣1 −2)/2
𝑔 𝑤, 𝑣1 , 𝑣2 = ,
(𝑣1 /2)(𝑣2 /2) 𝑣2 (1 + 𝑣1 𝑓/𝑣2 ) (𝑣1 +𝑣2 )/2

𝑤>0
Diremos que W tem distribuição F de Snedecor, com 𝑣1 e 𝑣2
graus de liberdade, e usaremos a notação W~F(𝑣1 , 𝑣2 ). Podemos
mostrar que:
I.2 – VARIÁVEIS ALEATÓRIAS CONTÍNUAS
I.2.6 – A distribuição F de Snedecor
𝑣2 2𝑣2 2 (𝑣1 +𝑣2 −2)
𝐸 𝑊 = 𝑉𝑎𝑟 𝑊 =
𝑣2 −2 𝑣1 (𝑣2 −2)2 (𝑣2 −4)
O gráfico típico de uma distribuição F varia conforme seu grau de
liberdade como pode ser verificado abaixo:
I.2 – VARIÁVEIS ALEATÓRIAS CONTÍNUAS
I.2.6 – A distribuição F de Snedecor
Vamos considerar que nossa distribuição F tenha comportamento
de média e variância com a seguinte característica W~F(5,7).
Consultando a Tabela F teremos: P(F > 3,97) = 0,05, ou P (F  3,97)
= 0,95.

Agora se quisermos encontrar:

0,05 = P{F(5,7) < f0}=P{1/F(7,5) < f0}=P{F(7,5) > 1/ f0},
Procurando na Tabela F, para F(7,5), obtemos 1/ f0=4,88 e,
portanto, f0=0,205.