MODELO UNIFORME CONTNUO Notao: X ~Exp()

Notao: X ~ U[a,b] Parmetro: >0

{ {
1 1
x
se a x b . e se x 0
Funo densidade de probabilidade: f(x;a,b)= (ba) Funo Densidade de Probabilidade: f(X; )=
0 caso contrrio 0 caso contrrio

a+b Mdia: E(X)=

Mdia: E(X)= 2
Varincia: Var(X)= 2

ba
2 Funo de Distribuio Acumulada: F(x)=P(Xx)=

{
x x
Varincia: Var(X)=
f (t ) dt= 1e se x 0
inf 0 caso contrrio
x

Funo de distribuio acumulada: F(x)=P(Xx)= f (t ) dt = Histograma:

inf

{
0 se x <a
xa
se a x b
ba
1 se x> b

Histograma

Obs. A Poisson(quantidade de ocorrncias num intervalo de

tempo) pode ser transformada em Exponencial(tempo entre duas
ocorrncias)

MODELO EXPONENCIAL
A distribuio exponencial no possui memria!
Estatstica 3.Modelos Contnuos - Pgina 1/ 7
P(X>s+t)|X>s)=P(X>t)
 A nica varivel aleatria contnua X que toma valores no
negativos para os quais P(X>s+t)|X>s)=P(X>t) para todo
s,t>0 uma varivel contnua exponencialmente distribuda
Histograma

MODELO NORMAL

Notao: X ~ N (, 2)

Parmetro: -<< e 2>0Funo Densidade de Probabilidade: Propriedades:

2
1 x
. 1. Mediana(X)=Moda(X)=Mdia(X)=
1 2
f ( x) e

2 2. Curva muda de concavidade nos pontos + e -

3. Simtrica ao redor de X=
Mdia: E(X) =
4. f(X) 0 quando x
Varincia: Var(X) = 2
5. Probabilidades conforme o desvio padro:
Funo de Distribuio Acumulada:
1 x 2
.
1 2
( x) ( x)dx f ( x) e
dx
2

Estatstica 3.Modelos Contnuos - Pgina 2/ 7

 X np
Y
np(1 p )
Se a v.a. X ~ Binomial(n,p) e se , ento para uma
amostra suficientemente grande e com p no muito prximo de 0 ou 1,
Y ter uma distribuio aproximadamente N(0,1)

X np
Y
np(1 p )
~N(0,1) se np>5 e n(1-p)>5

lim ( Y y )= ( y )
n
6. Mudana na mdia descola o grfico horizontalmente

De acordo com Bussab e Moretin, a aproximao boa quando np>5 e

n(1-p)>5

Correo de Continuidade: Ao aproximar a normal binomial,

estamos aproximando uma distribuio de varivel discreta com uma
distribuio contnua. sabido que no modelo contnuo a probabilidade
7. Mudana no desvio padro descola o grfico horizontalmente (altera a
de P(X=x) assume valor igual a zero. Todavia, se a varivel aleatria for
curtose)
discreta, ento a probabilidade associada pode ser no-nula. Como
soluo, podemos calcular a probabilidade a partir do modelo normal,
somando-se 0.5 aos extremos. Ex. P(X=30)=0 no modelo normal, logo
calculamos P(29,5<x<30,5)

Distribuio da combinao linear de v.a. i.i.d. normalmente

distribudas
A combinao linear de variveis aleatrias independentes e
Distribuio Normal Padro normalmente distribudas resultar numa varivel aleatria
normalmente distribuda. A distribuio ser normal exata, com
Seja X normalmente disIribuda com E(X) = e Var(X) = 2,ento varincia igual a soma das varincias de cada varivel e com mdia
igual a soma das mdias individuais.
X Sn~N(i, i 2)
Z= ~ N(0,1)

Se W = aX + bY + c, ento W ter distribuio normal com
parmetros:
Aproximao Normal Binomial
Mdia: mw = a. mx + b. my + c

Estatstica 3.Modelos Contnuos - Pgina 3/ 7

Varincia: vw = a2.vx + b2.vy
Teorema do Limite Central

Seja uma sequencia de v.a. independentes X. Ainda, que E(Xi)= i e

Var(Xi)= i 2 . Ento para uma amostra suficientemente grande, a soma
dessas variveis tem, aproximadamente, a distribuio normal padro

X=xi

X i

2
i

Z= ~N(0,1)

Ainda, se todas com mesma distribuio, ento

S n n.
n
Z= ~N(0,1)

De outra forma, a distribuio da mdia de variveis aleatrias quando a

amostra grande aproximadamente normal com mdia e varincia
i2/n

Obs. Estamos falando nesse caso do parmetro varincia, que

geralmente desconhecido. Quando se utiliza a estatstica do desvio-
padro, ento utiliza-se a estatstica t.

Estatstica 3.Modelos Contnuos - Pgina 4/ 7

MODELO LOG-NORMAL
A varivel aleatria X tem distribuio lognormal, com parmetros e 2
MODELO GAMA(extenso do modelo exponencial)
, - < < , 2 > 0, se Y = ln(X) tiver distribuio normal com mdia
e varincia 2 . A varivel aleatria x s assume valores positivos

Funo densidade de probabilidade: {0 casosecontrrio

x >0 Esperana: E(X)=

Varincia: Var(X)=2

Em que parmetro de escala e parmetro de configurao

Funo de distribuio de probabilidade:

Gama( x ) ( ) x 1e x dx
f(x;,)=
{ se x >0
0 caso contr rio em que
0

Observao:

(1) 1
2
n (n 1)!

+
2 ( ) ( 1) ( 1)
Esperana: E ( X )=e
1 / 2
2

Varincia: Var(X)=m2( e -1)

1

t (x) 2
1

x2 2
1
2

Obs: A distribuio exponencial um caso particular da distribuio

x
1
gama, quando =1 f(x| =1,)= . e

Estatstica 3.Modelos Contnuos - Pgina 5/ 7

Obs. A distribuio qui-quadrado um caso particular da gama, quando Esperana: E(t)=0

=v/2 e =2 f ( y ; v)=
v
Varincia: Var(t)= v2
MODELO QUI-QUADRADO

Notao: Y~2(v) com v graus de liberdade (v 1)

( )
2 t 2 ( v 1)
. (1 ) 2
v/2 . .v v
Esperana: E(Y)=v
f.d.p: f(t;v)=
Varincia(Y)=2v
MODELO DE FISHER-SNEDECOR
um caso da distribuio gama que assume os valores =v/2 e =2
Sejam X e Y duas v.a.s independentes, cada uma com distribuio qui-
v 1 quadrado, com 1 e 2 graus de liberdade, respectivamente. Ento, a
Y~2(v) Y~Gamma ( ,
varivel aleatria W tem distribuio F com v1 graus de liberdade no
2 2
numerador e v2 no denominador

X
Funo Distribuio de probabilidade: f(y;v)= { se x >0
0 caso contrrio v1
Y
v2

MODELO T-STUDENT Notao: W~F[v1,v2]

v2
Mdia: E(W)= v 2
2

MODELO T-STUDENT
v 22
Seja Z ~ N(0,1) e Y ~ 2 () . Ainda, considere que Z e Y sejam

Z Esperana: Var(W)= v1
independentes, ento a varivel aleatria t=
Y
v
tem distribuio t 2 v 22( v 1+ v 22)

de Student com v graus de liberdade
Funo Densidade de Probabilidade:
Notao: t~t(v)

Estatstica 3.Modelos Contnuos - Pgina 6/ 7

 v1 v2 v1 2
v1
( )
2 v w 2
g ( w; v1 , v2 )
2
. 1 . v v
v v v2 w.v1 ( 1 2 2 )
1 2 (1 )
2 2 v2

Estatstica 3.Modelos Contnuos - Pgina 7/ 7