Modelo de Probabilidade

Definio de Modelo de Probabilidade Valor mdio e Varincia Populacional

Modelo de Probabilidade
um modelo que descreve matematicamente um fenmeno aleatrio em duas partes: primeiro, identifica os valores da varivel aleatria e, em seguida, associa a cada um deles o valor da respetiva probabilidade. Cada uma destas probabilidades tem que estar entre 0 e 1 (ou 0% e 100%) e a soma de todas as probabilidades 1 (ou 100%).

Modelo de Probabilidade
Experincia Aleatria Identificao do espao de Resultados

Correspondncia entre os elementos do Espao de resultados e um valor (quantitativo) Atribuio, a cada um dos valores anteriores, a respetiva probabilidade.

Exemplo: X: lanamento de duas moeda e observao das faces voltadas para cima
E = {(N,N), (N,C), (C,N), (C,C)}

Correspondncia: Nmero de faces N observadas: xi = 0, 1, 2

xi pi

0 1/4

1 1/2

2 1/4

Valor Mdio e Varincia Populacional

Populao
Valor Mdio E(X) ou

Amostra
Mdia

x
Varincia Amostral Var = s2

Varincia Populacional Var(X) = 2

Valor Mdio e Varincia Populacional

Populao
E(X) = = =

Amostra
x = =

xi fi

x p
i

N x i fr i

Var(X) = 2 = =

Var = s2 =
2

pi (xi )

fri ( xi x) 2 =

Exemplo: X: lanamento de duas moeda e observao das faces voltadas para cima
xi pi 0 1/4 1 1/2 2 1/4

E(X) = =

1 1 1 xi pi = 0 4 + 1 2 + 2 4 = 1
2

1 2 1 2 1 2 = pi (xi ) = (01) + (11) + (21) = 0,5 4 2 4 = 0,5 0,707

Var(X) = 2 =

Modelo de Probabilidade
Modelos discretos/Modelos contnuos Modelos finitos/Modelos infinitos

Modelo Discreto
Associado a uma varivel aleatria discreta.
Exemplos:
N. de faces Nacionais observadas no lanamento de duas moedas (modelo finito); N. de telefonemas atendidos por hora na central telefnica da EBSO (modelo infinito modelo de Poisson).

Modelo Contnuo
Associado a uma varivel aleatria contnua.
Exemplos:
Tempo at ser atendido na fila supermercado (modelo infinito modelo Exponencial); Durao de um anuncio publicitrio (modelo infinito modelo Uniforme); Altura dos rapazes aos 18 anos (modelo infinito modelo normal).

Modelos finitos e Modelos infinitos

Modelos

Finitos - Definidos com auxlio de diagramas ou observaes. Apresentam-se em tabelas. o caso do modelo trabalhado anteriormente.

Infinitos Funes obtidas por modelao. Podem apresentar-se por meio de uma expresso algbrica.

Discretos

Contnuos

Uniforme

Poisson

Geomtrico

Binomial

Uniforme

Exponencial

Normal

Modelos tericos (infinitos)

Modelos discretos:
Modelo uniforme todos os acontecimentos do espao tm a mesma probabilidade. Modelo de Poisson determina a probabilidade se observarem um determinado nmero de vezes um dado acontecimento de uma experincia num determinado perodo de tempo. Modelo Geomtrico determina a probabilidade de o nmero de realizaes de dada experincia at se obter um valor dado ser igual a k. Modelo Binomial Determina a probabilidade de, em n repeties de uma certa experincia em iguais condies, se observar exactamente k vezes o acontecimento xi.

Modelos tericos (infinitos)

Modelos contnuos:
Modelo Uniforme a probabilidade distribui-se de igual forma num dado intervalo de tempo. Modelo Exponencial determina a probabilidade de o tempo de espera para a realizao de dado acontecimento se situar num determinado intervalo. Modelo Normal Modela a maioria das distribuies contnuas e aproxima de forma adequada as distribuies discretas quando o nmero de realizaes da experincia que lhes est associada grande (>20).

Modelos tericos (infinitos)

Para cada uma das variveis aleatrias caracterizadas pelos modelos referidos vamos estudar:
A Expresso do modelo (se X , ento, P(X=k)=) O valor mdio (E(X)==) A varincia e o desvio padro populacional (Var(X)= e =) Como usar a calculadora para calcular probabilidades com base em cada um dos modelos.

Modelos infinitos discretos: Modelo Uniforme

Seja X uma varivel aleatria cujo o espao de resultados composto por n acontecimentos elementares equiprovveis. Ento:
X U (n) e P(X=k) = 1/n O valor mdio (E(X)== mdia entre o maior e o menor valor da v.a.) A varincia e o desvio padro populacional calculam-se usando as listas e o varstat do menu STAT da calculadora.

Modelos infinitos discretos: Modelo de Poisson

Seja X uma varivel aleatria que descreve o nmero de realizaes de um dado acontecimento num determinado perodo de tempo, sobre a qual se sabe que a mdia de realizaes . Ento, X modelada por uma distribuio de Poisson:
e X P() e P(X=k) =

k
k!

, k = 0, 1, 2, 3,...

O valor mdio E(X)== A varincia Var(X)= Calculadora: Seja X P(5); ento, P(X=6) = 0,146 (2nd/distr/poissonpdf(5,6)/enter); P(2X6) = P(X 6)-P(X 1) = 0.7621-0.0404 =0.7217 (poissoncdf(5,6)poissoncdf(5,1)/enter)

Modelos infinitos discretos: Modelo Geomtrico

Seja X uma varivel aleatria que modela o nmero de repeties de uma determinada experincia necessrias at que se obtenha o resultado xi, em que a probabilidade de ocorrer xi p (entre 0 e 1) e de no ocorrer 1-p. Ento, X modelada por uma distribuio Geomtrica de parmetro p:
X Geom(p) e P(X=k) = (1 p ) k 1 p O valor mdio E(X)== 1/p A varincia Var(X)= (1-p)/p2 Calculadora: Seja X Geom(0.3); ento, P(X=6) = 0.75x0.3 = 0.05 (ou 2nd/distr/Geometpdf(0.3,6)/enter); P(2X6) = P(X 6)-P(X 1) = Geometcdf(0.3,6)-Geometcdf(0.3,1)/enter=0.5824

Modelos infinitos discretos: Modelo Binomial

Seja X uma varivel aleatria que modela a probabilidade de um acontecimento xi se realizar k vezes em n realizaes de uma dada experincia. A probabilidade de xi p (entre 0 e 1) e de no acontecer xi q = 1-p. Ento, X modelada por uma distribuio Binomial de parmetros n e p:
Ckn p k (1 p ) n k X Bi(n,p) e P(X=k) =
O valor mdio E(X)== n x p A varincia Var(X)= n x p x (1- p) = n x p x q Calculadora: Seja X Bi(5, 0.3); ento, P(X=3) = 0.1323 (2nd/distr/Binompdf(5,0.3,3)/enter); P(2X4) = P(X 4)-P(X 1) = Binomcdf(5,0.3,4)-Binomcdf(5,0.3,1)/enter=0.4694

Modelos infinitos contnuos

Um modelo de probabilidades diz-se contnuo se lhe est associada uma v. a. Contnua. Neste caso, o domnio do modelo ser o intervalo ou intervalos onde est definida a varivel. funo modelo chamamos funo densidade e o seu grfico situase completamente acima do eixo dos xx.

Modelos discretos vs Modelos contnuos

Discretos
Soma das probabilidades associadas a cada valor da v.a. 1

Contnuos
rea total compreendida entre o grfico da funo densidade e o eixo dos xx 1 P(aXb) = rea compreendida entre o grfico e o eixo dos xx na barra correspondente ao intervalo [a , b].

P(aXb) = P(X=a) + P(X=a+1) + () + P(X=b)

Modelos infinitos contnuos: Modelo Uniforme

Associado a v.a. contnuas que se encontram uniformemente distribudas num intervalo [a,b], isto , uma v.a. em que, dados quaisquer dois valores do intervalo, a probabilidade que lhes est associada exatamente a mesma. Seja X uma v.a. Uniforme em [a,b]. Ento:
X U[a,b]

d c , acdb e P(c X d) = ba

(rea do retngulo de lados d-c e b-a) O valor mdio E(X)== (a+b)/2 Obs.: P(a X b) = 1.

Modelos infinitos contnuos: Modelo Exponencial

Seja X uma varivel aleatria que modela a probabilidade de o tempo de espera (entre chegadas numa fila de espera, entre falhas num dispositivo eletrnico, entre chegadas de um pedido a um servidor de Internet, etc.) se situar num dado intervalo, ento X modelada por uma distribuio Exponencial de parmetro :
X Exp() e P(a X b) =

e a e b

O valor mdio E(X)==1/ No existe esta distribuio na calculadora. Assim, seja XExp(0.2) (significa que, por exemplo, o tempo mdio de espera 1/0.2 = 5); ento, P(2 X 6) = e 0.22 e 0.26 = 0.369

Modelos infinitos contnuos: Modelo Normal

Baseia-se na distribuio Normal, que a mais importante distribuio contnua, j estudada no 10. ano (caractersticas no manual). Se X N(,), ento:
O valor mdio E(X)= A varincia Var(X)= 2; o desvio-padro populacional Calculadora: P(aXb) = normalcdf(a,b,,).
Exemplo: Seja X N(5, 0.7); ento, P(4X6) = normalcdf(4,6,5,0.7)=0.8469