35

3.5 LEI LOG-NORMAL de parmetros R e > o

[ ou famlia de leis ( , ) ]

Estudamos, aqui, as leis log-normais a dois parmetros R e > o ou

famlia ( , ) . (*) Assim, seja X uma varivel aleatria essencialmente positiva,
isto , tal que X >0 . Seja Y = ln X. Dizemos, ento, que X possui distribuio log-
normal de parmetros e > 0 que se nota ( ; ) , quando Y for N ( ; 2).
(*) Trataremos tambm das leis log-normais a trs parmetros ou famlia ( , , )

Proposio 3.11 Sejam : X > 0 e Y = lnX ; f = fX e g = fY suas

funes densidades ; F = FX e G = GY suas funes de distribuio. Ento :

F (x) = G(ln x) ; [3.29]

f (x) = (1/x) g (ln x) ; x > 0 [3.30]

Demonstrao -

Tem-se : Prob {X < x} = Prob {ln X < ln x} = Prob {Y < lnx} ,

isto : F(x) = G(ln x) ; x > 0 .

Por outro lado :

f(x) = (d/dx) F(x) = (d/dx) [G (ln x)] = (1/x) {(d/dy) G(y)}y=ln x =

= (1/x) g (ln x); x > 0.

Proposio 3.12
Se X > 0 (;) , ento possui funo densidade de probabilidades :
1 ln x 2
f (x) = exp [- (1/2) ( )] , se x > 0 ;
x 2

= 0, se x < 0 . [3.31]
Demonstrao -
aplicao direta do resultado precedente, isto , f (x) = (1/x) g (1nx), x > 0,
tendo em vista que g (y) = (1 / 2 ) exp {(-1/2 [y-)/]2}, se y R
 36

Exemplo 3.6

Seja X > 0, com distribuio log-normal de parmetros = 0,4 e = 0,6.

(i) Calcular o valor da densidade de X no ponto x = 0,9 ;

(ii) Utilizando a distribuio normal reduzida, obter Prob{X < 0,9};

(iii) Idem, obter P(0,5 < X < 0,9).

Clculos -

(i) f (0,9) =
1
exp [- 1 ( 1n(0,9) (0,4) )2] =
(0,9)(0,6) 2 2 (0,6)

(0,738782) exp (-0,354707) (0,738782).(0,701379) 0,518

Obs. - Neste clculo empregou-se a frmula [3.31] para a densidade da lei log-
normal. Contudo, sendo a densidade da lei normal reduzida N(0 ; 1) pode-
se tambm escrever para a densidade f da lei ( ; ) :
ln x
f (x) =
1
( );
x
dessa maneira poderia ser utilizada uma tabela para ordenadas da lei normal
reduzida.

(ii) A varivel aleatria X > 0 possui distribuio ( ; ) , donde Y = lnX

N( ; 2) e Z = (X )/ possui distribuio normal reduzida N(0 ; 1) ;
segue-se :

Prob {X 0,9} = Prob {1nX 1n(0,9)} = Prob{Y 1n (0,9)} =

Prob {(X-)/ (ln (0,9) - 0,4)/0,6} Prob {Z - 0,84} =
= 1 - Prob {Z 0,84} 1 0,79954 0,200 .

(iii) Analogamente :

Prob {0,5 X 0,9} =

= Prob {(ln(0,5)-0,4)/0,6< Z < (ln (0,9) - 0,4)/0,6}
Prob {-1,82 < Z < -0,84} = Prob {0,84 < Z < 1,82} =
= Prob {Z 1,82} Prob {Z < 0,84} = 0,96562 0,79954 0,166
 37

Proposio 3.13 -
r
Sejam X > 0 uma varivel aleatria que ( ; ) , r = E[X ] seu r-simo
momento no centrado e MY(t) a f.g.m. de Y = 1n X . Ento :

r tY 1 2 2
r = E[X ] = E[e ] = MY(r) = exp (r + r ) ; [3.32]
2
r = 1, 2, ...

Demonstrao
Tem-se:
+
r
E[X ] =
xr
exp {- [(ln x - )/)2]} dx ;
x 2
0
y
fazendo y = ln x, isto , x = e , teremos dy = (1/x) dx ou dx = eydy bem
r ry
como x = e ; para x = 0, + , tem-se y = -, + . Portanto :
+
r ry y y y
E[X ] = e [1/ e 2 ] exp [-1/2 ( )2] e dy =


rY
= E [e ] = MY(r) ;
contudo, conhecido que MY(t) = exp (t + (1/2)) t22),, t ]-, + [ ;
portanto :
1 2 2
E[Xr] = exp (r + r ).
2

Corolrio - Se X > 0 ( ; ) , ento :

1 2
= 1 = E[X] = exp ( + ); [3.33]
2

= Var[X] = 2 2 , onde 2 = exp 2 -1 [3.34]

Demonstrao - Para obter = E[X] imediato, bastando fazer r = 1 em

r
E[X ] . Alm disso, segue-se que :

= Var(X) = E(X2) [E(X)]2 = exp (2+(1/2)42) [exp (+(1/2) 2)] 2

= exp (2 + 22) exp (2 + 2) = exp (2 + 2) [exp(2) 1] =
= {exp ( + (1/2) 2)}2 [ exp (2) 1 ] = 2 [ exp(2) 1 ] .
 38

OBS -
1) preciso ter em mente que os parmetros (mdia) e (desvio padro) de uma
varivel aleatria X > 0 com distribuio log-normal, que so parmetros da
varivel aleatria Y = ln X a ela associada e que tem distribuio normal, no
coincidem com a mdia = E(X) ou com o desvio padro = Var ( X ) ,
resp., da referida distribuio log-normal .

2) Seja 2 = /2, donde

2 = / = Var ( X )' / E ( X ) = {desvio-padro de X} {mdia de X} =
= coeficiente de variao de X.

Exemplo 3.6 (cont.)

Obter (iv) a mdia e a varincia da lei (0,4 ; 0,6) . Calcula-se :
= exp ( + (1/2) 2) = exp (0,4 +(0,5)(0,6)2) 1,786 ;
2 = e2 1 = exp (0,6)2 1 0,433 ;
= 2 2 (1,786)2 0,433 1,381

Proposio 3.14 -
Se X > 0 ( ; ) ento seu p-simo quantil xp ou quantil de
ordem p ]0,1[ dado por :

(i) xp = exp (yp) ; [3.35]

(ii) xp = exp ( + zp) ; [3.36]

onde yp e zp so os quantis de ordem p da lei da lei normal N( ; 2) e da

lei normal reduzida N(0 ;1) , respectivamente.
Demonstrao:

(i) Tem-se Prob {X < xp} = p donde, considerando Y = ln X segue-se :

Prob {Y < ln xp} = p . Ento ln xp= yp e, portanto, xp= exp (yp ).

(ii) A relao com o quantil zp da distribuio normal reduzida N(0 ; 1)

obtm-se de maneira anloga :
Prob { (Y-)/ (ln xp - )/} = p , isto ,

Prob { Z (ln xp - )/} = p , donde

zp = (ln xp - )/ ; em conseqncia
1n xp = + zp , isto
xp = exp ( + zp)
 39

Corolrio - A mediana dada por :

Md = x0,5 = exp [3.37]

Verificao: Sai de xp = exp ( + zp) ; com p = 0,5 tem-se z0,5 = 0 pois

Z N(0 ; 1) , donde x0,5 = exp ( + z0,5 ) = exp ( + 0) = exp .

Exemplo 3.6 (cont.)

Calcular ; (v) os quartis Q1, Q2 = Md (mediana) e Q3 para a lei (0,4 ; 0,6)

Clculos :
Q1 = exp ( + z0,25) = exp ( + (z0,75)) = exp (0,4 + 0,6 (z0,75)) ;
Q2 = exp (0,4) 1,492 ;
Q3 = exp ( + z0,75) = (0,4 + 0,6 z0,75) .

Para Q1 e Q3 resta procurar a obcissa z = z0,75 que corresponde ao valor (z0,75) = 0,75
numa tabela da normal reduzida (*).
(*) Tem-se: (0,67) = 0,74857 e (0,68) = 0,75174, logo 0,67 < z0,75 < 0,68. Portanto uma
aproximao para z0,75 pode obter-se por interpolao linear:

0,75 0,74857
z0,75 = 0,67 + 0,01 = 0,6745 ,
0,75174 0,74857
donde Q1 = exp (0,4 + 0,6 ( 0,6745)) = 0,995 e Q3 = exp (0,4 + 0,6 0,6745) = 2,236.

Proposio 3.15 -
Para uma lei (, ) a moda vale : M0 = exp ( - 2) ; [3.37]
conclui-se que M0 < md < , isto , moda < mediana < mdia

Demonstrao:
Tem-se a densidade
ln x 2
exp [- (1/2) ( )]
1
f(x) = ;
x 2
ento:
ln x 2
f(x) =
1
exp [- (1/2) ( ) ] . {(1/x2) [(-1)+( - ln x)/2]} ;
2
igualando a zero obtemos o valor crtico xcritico = exp ( - 2). (*) De fato,
onde f(x) assume seu valor mximo, ou seja xcritico = exp ( - 2) a
moda M0 . (**)
2
(*) f(x) = 0 implica em (-1)+( - ln x)/ =0 cuja soluo xcritico= exp (- 2)
(**) Seria um mnimo, contudo, no caso de uma curva em , mas que no o caso da
densidade log-normal.
 40

Por outro lado, tem-se : 1) e - 2 = e . e-2 < e, isto , M0 < Md (moda <
mediana); 2) e < e . e(1/2)2 = e + (1/2)2, isto Md < (mediana < mdia).

3.5.1 Flexibilidade do Modelo log-normal a 2 parmetros

Na Figura 3.11 temos os grficos das funes densidades de quatro leis
lognormais, a saber : todas de mdia = 1,0 e desvios padres = 1,00 , 0,75 , 0,50 e
0,30 . Note-se que no so aqui consideradas a mdia e os desvios padres das leis
normais que lhe so associadas mediante a transformao logartmica mas, sim, a mdia
e os desvios padres das prprias leis log-normais.

fdp

1.5

0.5

0
0 1 2 3 4
X>0

[FIG. 3.11] Funes Densidades para 4 (quatro)

Leis Log-Normais com :
=1,0 e = 1,00 , 0,75 , 0,50 e 0,30

Esta figura ilustra muito bem a grande versatilidade (ou flexibilidade) da famlia
de leis log-normais em termos da sua forma geomtrica, ou seja, envolvendo desde
densidades com grande assimetria at aquelas com menor assimetria. Portanto, sendo
de esperar que tenham a capacidade de representar grande variedade de fenmenos ou
adaptar-se a muitas situaes de interesse em Hidrologia, Meteorologia, Climatologia e
reas afins.

3.5.2 Ajuste de uma Lei Log-Normal

Ilustramos, aqui, o Ajuste de uma Lei Log-Normal a partir de um exemplo
tomado de HALD, A. (1952), Statistical Theory with Engineering Applications, John
 41

Wiley & Sons (New York, London) / Toppan Co. Ltd. (Tokyo), Example 7.1, pp.
165-171. Reproduzimos uma tabela e grficos desse livro, para o referido exemplo que
se refere distribuio de 750 consumidores de eletricidade de acordo com o tempo de
uso de seu equipamento. So mantidas as entradas e legendas em ingls. (*)
(*) Para a verso final de nosso livro ser apresentado um exemplo nosso, com dados nacionais, que
substituir este.

Exemplo 3.7
Consideremos a TABELA 5, com os dados de HALD j mencionados, a seguir. Os
dados numricos referem-se aos tempos de uso dos equipamentos por 750
consumidores, com valores numricos j distribudos por intervalos de classes de
comprimento unitrio (1 unidade = 100 horas de uso). Esto indicados na tabela os
centros das classes, os nmeros de consumidores em cada classe (ou freqncias
absolutas) e as freqncias acumuladas ascendentes (em porcentuais). Note-se que os
centros de classes consecutivos so : 0,5 ; 1,5 ; 2,5 ; ..... ; 39,5 ; donde as classes tm
extremos : 0,0 a 1,0 ; 1,0 a 2,0 ; 2,0 a 3,0 ; .... ; 39,0 a 40,0 .

TABELA 5 Distribuio de 750 consumidores de energia eltrica conforme o

tempo de uso do equipamento

========================================================================
tempo em nmero de freqncia tempo em nmero de freqncia
unidades consumidores acumulada unidades consumidores acumulada
de 100 h (%) de 100 h (%)
========================================================================

=========================================================================
 42

A partir desses dados da tabela podemos construir o respectivo histograma de

freqncias, cf. Fig. 3.12 .

[FIG 3.12] Distribuio de Freqncias Assimtrica

para os dados da tabela precedente

Ora, ao histograma foi ajustada uma curva correspondente densidade log-

normal e o referido ajuste parece ser, em princpio, aceitvel. Desde que para
uma varivel X > 0 log-normal a varivel trasnsformada Y = ln X normal,
examina-se a seguir o histograma para os logaritmos do tempo de uso dos
equipamentos.
Para esse fim, respeito aos valores originais para os tempos de uso dos
equipamentos ou x1 , x2 , .... , x750 teramos de passar a considerar os ln x1 ,
ln x2 , .... , ln x750 ; dessa maneira, montaramos uma nova tabela (como a
Tabela 4 precedente) para a respectiva distribuio de freqncias. Ver a figura
seguinte, Fig. 3.13 , na qual se denota certa simetria para o histograma
construdo a partir dos ln xi , i =1, 2, ...,750. Ao mesmo tempo, a esse
histograma foi ajustada uma curva normal. A questo decidir se o ajuste
aceitvel, embora primeira vista parea.
 43

[FIG 3.13] Distribuio de Freqncias para os

logaritmos dos dados originais

Uma maneira de examinar, de uma maneira expedita ou rpida a qualidade do

ajuste, construir um grfico para as freqncias acumuladas no qual essas
freqncias so expressadas em termos das ordens quantlicas correspondente
lei normal, cf. Fig. 3.14 .

Ora, no caso da amostra da lei normal os pontos representativos devem se

distribuir aproximadamente, sobre uma reta. Esse ltimo grfico corresponde
quele que, outrora, era obtido utilizando um papel probabilstico. Atualmente,
a maioria dos pacotes computacionais estatsticos podem fornecer,
automaticamente, essa modalidade de grfico. De fato, no eixo das ordenadas,
em vez dos valores das freqncias acumuladas, temos as ordens quantlicas
correspondentes, no caso de acordo com a lei normal . No eixo das abscissas,
temos uma escala logartmica, desde que os valores originais so substitudos
pelos seus logaritmos.
 44

[FIG 3.14]

Como se percebe, os pontos distribuem-se aproximadamente ao longo de uma reta, a

menos de uma distoro no extremo superior dos dados, ou seja, para as freqncias
acumuladas a partir de 95%. Em todo caso, o grfico sugestivo de que a lei normal se
adapta aos logaritmos dos dados originais, donde a lei log-normal se adaptaria por sua
vez aos dados originais. Uma lio que se pode tirar deste exemplo o seguinte :
Para ajustar uma lei log-normal a dados x1 > 0 , x2 > 0 , .... , xN > 0 basta ajustar
uma lei normal aos dados tranformados atravs da funo logartmica, ou seja, aos
ln x1 , ln x2 , .... , ln xN . Mas isso j evidente a partir da prpria definio de uma
lei log-normal.

3.5.3 Estimadores para os parmetros e da Lei ( ; ).

Seja X > 0 uma distribuio log-normal de parmetros e ; donde Y = 1n X
2 2
N(; ). Logo, estimadores apropriados para e sero, a partir de observaes
x1, x2,...,xN :
n
T = (1/n) ln xi ;
i =1
n 2
T2 = (1/n) ( ln xi - T ) ;
i =1
2
e uma verso no-viciada para o estimador de ser evidentemente:

n 2
T*2 = [1/(n-1)] ( ln xi - T ) .
i =1
 45

3.5.4 Lei Log-Normal a trs parmetros R , > o e > 0

[ ou famlia de leis ( ; ; ) ]

Para o modelo a 3 (trs) parmetros partimos de um modelo a 2 (dois)

parmetros ou seja de uma varivel aleatria X > 0 que ( ; ) a que se atribui
uma translao > 0 . Assim, passamos a considerar a varivel aleatria W = X +
que se diz possuir uma distribuio log-normal de parmetros , e ou
distribuio ( ; ; ).
Na figura abaixo, temos a representao da densidade de probabilidades de uma
lei log-normal a trs parmetros.

fdp

1.5

0.5

0
0 1 2 3 4
X>0

[FIG 3.14] Lei log-normal a 3 parmetros

O modelo ( ; ; ) aplicvel quando se sabe que a varivel W supera,

obrigatoriamente, certo limiar (ou threshold) > 0 ; isto , tem-se W > > 0 .
Por exemplo, para dados de vazo de um rio perene que, para certo perodo do ano
apresenta uma vazo nunca inferior a > 0 . Por motivo da sazonalidade possvel
que se tenha um valor distinto de > 0 para cada perodo sazonal ou estao do ano.