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:
x
i
= 0, 1, 2
x
i
0 1 2
p
i
1/4 1/2 1/4
Populao
Valor Mdio
E(X) ou
Varincia
Populacional
Var(X) = o
2
Amostra
Mdia


Varincia
Amostral
Var = s
2

x
Valor Mdio
e Varincia Populacional
Populao
E(X) = =

=
Var(X) = o
2
=
=

Amostra
Var = s
2
=
=

=
=

=
i i
i i
f r x
N
f x
x

i i
p x
2
) (
i i
x p
2
) ( x x fr
i i

Valor Mdio
e Varincia Populacional
Exemplo:
X: lanamento de duas moeda e observao das faces
voltadas para cima
x
i
0 1 2
p
i
1/4 1/2 1/4
E(X) = = 1
4
1
2
2
1
1
4
1
0 = + + =
i i
p x
Var(X) = o
2
=
( ) ( ) ( )
707 , 0 5 , 0
5 , 0 1 2
4
1
1 1
2
1
1 0
4
1
) (
2 2 2
2
~ =
= + + = =

i i
x p
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
Uniforme Poisson Geomtrico Binomial
Contnuos
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 x
i
.
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 o=)
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:

X P() e P(X=k) =

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)
,... 3 , 2 , 1 , 0 ,
!
=

k
k
e
k

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 x
i
, em que a probabilidade
de ocorrer x
i
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) =

O valor mdio E(X)== 1/p
A varincia Var(X)= (1-p)/p
2

Calculadora: Seja X Geom(0.3); ento, P(X=6) = 0.7
5
x0.3 =
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
p p
k

1
) 1 (
Modelos infinitos discretos:
Modelo Binomial
Seja X uma varivel aleatria que modela a
probabilidade de um acontecimento x
i
se realizar k
vezes em n realizaes de uma dada experincia. A
probabilidade de x
i
p (entre 0 e 1) e de no acontecer
x
i
q = 1-p. Ento, X modelada por uma distribuio
Binomial de parmetros n e p:

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
k n k n
k
p p C

) 1 (
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 situa-
se completamente acima do eixo dos xx.

Modelos discretos vs Modelos contnuos
Soma das
probabilidades
associadas a cada valor
da v.a. 1
P(aXb) = P(X=a) +
P(X=a+1) + () +
P(X=b)
Discretos
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].
Contnuos
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]
e P(c X d) =

(rea do retngulo de lados d-c e b-a)

O valor mdio E(X)== (a+b)/2
Obs.: P(a X b) = 1.
b d c a , s s s

a b
c d
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) =
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) =
b a
e e

369 . 0
6 2 . 0 2 2 . 0
=

e e
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(,o), ento:
O valor mdio E(X)=
A varincia Var(X)= o
2
;
o o desvio-padro populacional
Calculadora: P(aXb) = normalcdf(a,b,,o).
Exemplo:
Seja X N(5, 0.7); ento, P(4X6) = normalcdf(4,6,5,0.7)=0.8469