Upload
becredaebso
View
77
Download
0
Embed Size (px)
Citation preview
5/14/2018 Modelo de Probabilidade_distribui oes_completo - slidepdf.com
http://slidepdf.com/reader/full/modelo-de-probabilidadedistribuicoescompleto 1/23
Modelo de Probabilidade
Definição de Modelo de Probabilidade
Valor médio eVariância Populacional
5/14/2018 Modelo de Probabilidade_distribui oes_completo - slidepdf.com
http://slidepdf.com/reader/full/modelo-de-probabilidadedistribuicoescompleto 2/23
Modelo de Probabilidade• É um modelo que descreve matematicamente
um fenómeno aleatório em duas partes:primeiro, identifica os valores da variável
, ,deles o valor da respetiva probabilidade. Cadauma destas probabilidades tem que estar
entre 0 e 1 (ou 0% e 100%) e a soma de todasas probabilidades é 1 (ou 100%).
5/14/2018 Modelo de Probabilidade_distribui oes_completo - slidepdf.com
http://slidepdf.com/reader/full/modelo-de-probabilidadedistribuicoescompleto 3/23
Modelo de Probabilidade
Experiência Aleatória – Identificação
do espaço de Resultados
Correspondência entre oselementos do Espaço de resultadose um valor (quantitativo)
Atribuição, a cada um dos valoresanteriores, a respetiva
probabilidade.
5/14/2018 Modelo de Probabilidade_distribui oes_completo - slidepdf.com
http://slidepdf.com/reader/full/modelo-de-probabilidadedistribuicoescompleto 4/23
Exemplo:
X: “lançamento de duas moeda e observação das facesvoltadas para cima”
E = {(N,N), (N,C), (C,N), (C,C)}
Correspondência:“Número de faces N observadas”:
xi = 0, 1, 2
xi
0 1 2
pi 1/4 1/2 1/4
5/14/2018 Modelo de Probabilidade_distribui oes_completo - slidepdf.com
http://slidepdf.com/reader/full/modelo-de-probabilidadedistribuicoescompleto 5/23
População Amostra
Valor Médio
e Variância Populacional
Valor MédioE(X) ou µ
VariânciaPopulacional
Var(X) = σ2
a
VariânciaAmostral
Var = s2
x
5/14/2018 Modelo de Probabilidade_distribui oes_completo - slidepdf.com
http://slidepdf.com/reader/full/modelo-de-probabilidadedistribuicoescompleto 6/23
PopulaçãoE(X) = µ =
Amostra
∑=
×=
ii f x x
Valor Médio
e Variância Populacional
=
Var(X) = σ2
==
Var = s2 ==
∑ ×= ii fr x N ∑ × ii p x
2)( µ −×∑ ii x p 2)( x x fr ii −×∑
5/14/2018 Modelo de Probabilidade_distribui oes_completo - slidepdf.com
http://slidepdf.com/reader/full/modelo-de-probabilidadedistribuicoescompleto 7/23
Exemplo:
X: “lançamento de duas moeda e observação das facesvoltadas para cima”
xi
0 1 2
pi 1/4 1/2 1/4
E(X) = µ = 1422140 =×+×+×=× ii p
Var(X) = σ2 =
( ) ( ) ( )
707,05,0
5,0124111
2110
41)( 2222
≅=
=−+−+−=−×=∑
σ
µ ii x p
5/14/2018 Modelo de Probabilidade_distribui oes_completo - slidepdf.com
http://slidepdf.com/reader/full/modelo-de-probabilidadedistribuicoescompleto 8/23
Modelo de Probabilidade
Modelos discretos/Modelos contínuos
Modelos finitos/Modelos infinitos
5/14/2018 Modelo de Probabilidade_distribui oes_completo - slidepdf.com
http://slidepdf.com/reader/full/modelo-de-probabilidadedistribuicoescompleto 9/23
Modelo Discreto• Associado a uma variável aleatória discreta.
– Exemplos:• N.º de faces Nacionais observadas no lançamento de
duas moedas (modelo finito);
• N.º de telefonemas atendidos por hora na centraltelefónica da EBSO (modelo infinito – modelo dePoisson).
5/14/2018 Modelo de Probabilidade_distribui oes_completo - slidepdf.com
http://slidepdf.com/reader/full/modelo-de-probabilidadedistribuicoescompleto 10/23
Modelo Contínuo• Associado a uma variável aleatória contínua.
– Exemplos:• Tempo até ser atendido na fila supermercado (modelo
infinito – modelo Exponencial);
• Duração de um anuncio publicitário (modelo infinito –modelo Uniforme);
• Altura dos rapazes aos 18 anos (modelo infinito –
modelo normal).
5/14/2018 Modelo de Probabilidade_distribui oes_completo - slidepdf.com
http://slidepdf.com/reader/full/modelo-de-probabilidadedistribuicoescompleto 11/23
Modelos finitos e
Modelos infinitos
Modelos
Finitos - Definidos com auxílio de diagramas ouobservações. Apresentam-se em tabelas.
Infinitos – Funções obtidas por modelação. Podemapresentar-se por meio de uma expressão algébrica.
o caso o mo e o ra a a o an er ormen e.
Discretos
Uniforme Poisson Geométrico Binomial
Contínuos
Uniforme Exponencial Normal
5/14/2018 Modelo de Probabilidade_distribui oes_completo - slidepdf.com
http://slidepdf.com/reader/full/modelo-de-probabilidadedistribuicoescompleto 12/23
Modelos teóricos (infinitos)• Modelos discretos:
–
Modelo uniforme – todos os acontecimentos do espaçotêm a mesma probabilidade.
– Modelo de Poisson – determina a probabilidade se
acontecimento de uma experiência num determinadoperíodo de tempo.
– Modelo Geométrico – determina a probabilidade de onúmero de realizações de dada experiência até se obter
um valor dado ser igual a k. – Modelo Binomial – Determina a probabilidade de, em n
repetições de uma certa experiência em iguais condições,se observar exactamente k vezes o acontecimento x
i
.
5/14/2018 Modelo de Probabilidade_distribui oes_completo - slidepdf.com
http://slidepdf.com/reader/full/modelo-de-probabilidadedistribuicoescompleto 13/23
Modelos teóricos (infinitos)• Modelos contínuos:
–
Modelo Uniforme – a probabilidade distribui-se deigual forma num dado intervalo de tempo.
– Modelo Exponencial – determina a probabilidade de o
acontecimento se situar num determinado intervalo. – Modelo Normal – Modela a maioria das distribuições
contínuas e aproxima de forma adequada as
distribuições discretas quando o número derealizações da experiência que lhes está associada égrande (>20).
5/14/2018 Modelo de Probabilidade_distribui oes_completo - slidepdf.com
http://slidepdf.com/reader/full/modelo-de-probabilidadedistribuicoescompleto 14/23
Modelos teóricos (infinitos)• Para cada uma das variáveis aleatórias
caracterizadas pelos modelos referidos vamosestudar: – A Ex ressão do modelo se X ∩ … então
P(X=k)=…) – O valor médio (E(X)=µ=…)
– A variância e o desvio padrão populacional
(Var(X)=… e σ=…) – Como usar a calculadora para calcular
probabilidades com base em cada um dos
modelos.
5/14/2018 Modelo de Probabilidade_distribui oes_completo - slidepdf.com
http://slidepdf.com/reader/full/modelo-de-probabilidadedistribuicoescompleto 15/23
Modelos infinitos discretos:
Modelo Uniforme• Seja X uma variável aleatória cujo o espaço de
resultados é composto por n acontecimentoselementares equiprováveis. Então:
– = =
– O valor médio (E(X)=µ= média entre o maior e omenor valor da v.a.)
–
A variância e o desvio padrão populacionalcalculam-se usando as listas e o “varstat” do menuSTAT da calculadora.
5/14/2018 Modelo de Probabilidade_distribui oes_completo - slidepdf.com
http://slidepdf.com/reader/full/modelo-de-probabilidadedistribuicoescompleto 16/23
Modelos infinitos discretos:
Modelo de Poisson• Seja X uma variável aleatória que descreve o número
de realizações de um dado acontecimento num
determinado período de tempo, sobre a qual se sabeque a média de realizações é λ. Então, X é modeladapor uma distribuição de Poisson:
– X ∩ P PP P (λ) e P(X=k) =
– O valor médio é E(X)=µ=λ
–
A variância é Var(X)=λ – Calculadora: Seja X ∩ P PP P (5); então, P(X=6) = 0,146
(2nd/distr/poissonpdf(5,6)/enter); P(2≤X≤6) = 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
ek
λ λ
5/14/2018 Modelo de Probabilidade_distribui oes_completo - slidepdf.com
http://slidepdf.com/reader/full/modelo-de-probabilidadedistribuicoescompleto 17/23
Modelos infinitos discretos:
Modelo Geométrico• Seja X uma variável aleatória que modela o número de
repetições de uma determinada experiência necessárias
até que se obtenha o resultado xi, em que a probabilidadede ocorrer xi é p (entre 0 e 1) e de não ocorrer é 1-p. Então,X é modelada por uma distribuição Geométrica de
arâmetro :
– X ∩ Geom Geom Geom Geom (p) e P(X=k) =
– O valor médio é E(X)=µ= 1/p –
A variância é Var(X)= (1-p)/p2
– Calculadora: Seja X ∩ Geom Geom Geom Geom (0.3); então, P(X=6) = 0.75x0.3 =0.05 (ou 2nd/distr/Geometpdf(0.3,6)/enter); P(2≤X≤6) = P(X ≤6)-P(X ≤1) = Geometcdf(0.3,6)-Geometcdf(0.3,1)/enter=0.5824
p p k ×−
−1)1(
5/14/2018 Modelo de Probabilidade_distribui oes_completo - slidepdf.com
http://slidepdf.com/reader/full/modelo-de-probabilidadedistribuicoescompleto 18/23
Modelos infinitos discretos:
Modelo Binomial• Seja X uma variável aleatória que modela a
probabilidade de um acontecimento xi se realizar k
vezes em n realizações de uma dada experiência. Aprobabilidade de xi é p (entre 0 e 1) e de não acontecerxi é q = 1-p. Então, X é modelada por uma distribuição
nom a e par me ros n e p: – X ∩ Bi Bi Bi Bi (n,p) e P(X=k) =
–
O valor médio é E(X)=µ= n x p – A variância é Var(X)= n x p x (1- p) = n x p x q
– Calculadora: Seja X ∩ Bi Bi Bi Bi (5, 0.3); então, P(X=3) = 0.1323(2nd/distr/Binompdf(5,0.3,3)/enter); P(2≤X≤4) = P(X ≤ 4)-P(X
≤1) = Binomcdf(5,0.3,4)-Binomcdf(5,0.3,1)/enter=0.4694
k nk n
k p pC −−×× )1(
5/14/2018 Modelo de Probabilidade_distribui oes_completo - slidepdf.com
http://slidepdf.com/reader/full/modelo-de-probabilidadedistribuicoescompleto 19/23
Modelos infinitos contínuos
• Um modelo de probabilidades diz-se contínuo selhe está associada uma v. a. Contínua. Neste caso, o
domínio do modelo será o intervalo ou intervalosonde está definida a variável. À função modelo
-se completamente acima do eixo dos xx.
5/14/2018 Modelo de Probabilidade_distribui oes_completo - slidepdf.com
http://slidepdf.com/reader/full/modelo-de-probabilidadedistribuicoescompleto 20/23
Modelos discretos vs Modelos contínuos
Soma dasprobabilidadesassociadas a cada valorda v.a. é 1
Discretos
Área totalcompreendida entre ográfico da funçãodensidade e o eixo dosxx é 1
Contínuos
P(a≤X≤b) = P(X=a) +P(X=a+1) + (…) +P(X=b)
P(a≤X≤b) = áreacompreendida entre ográfico e o eixo dos xxna barracorrespondente ao
intervalo [a , b].
5/14/2018 Modelo de Probabilidade_distribui oes_completo - slidepdf.com
http://slidepdf.com/reader/full/modelo-de-probabilidadedistribuicoescompleto 21/23
Modelos infinitos contínuos:
Modelo Uniforme• Associado a v.a. contínuas que se encontram
uniformemente distribuídas num intervalo [a,b], isto é,
uma v.a. em que, dados quaisquer dois valores dointervalo, a probabilidade que lhes está associada éexatamente a mesma. Seja X uma v.a. Uniforme em
a, . n o: – X ∩ U UU U [a,b] e P(c ≤ X ≤ d) =
(área do retângulo de lados d-c e b-a)
– O valor médio é E(X)=µ= (a+b)/2 – Obs.: P(a ≤ X ≤ b) = 1.
bdca , ≤≤≤−
−
ab
cd
5/14/2018 Modelo de Probabilidade_distribui oes_completo - slidepdf.com
http://slidepdf.com/reader/full/modelo-de-probabilidadedistribuicoescompleto 22/23
Modelos infinitos contínuos:
Modelo Exponencial• Seja X uma variável aleatória que modela a probabilidade de
o tempo de espera (entre chegadas numa fila de espera,
entre falhas num dispositivo eletrónico, entre chegadas deum pedido a um servidor de Internet, etc.) se situar numdado intervalo, então X é modelada por uma distribuiçãoEx onencial de arâmetro λ:
– X ∩ Exp Exp Exp Exp (λ) e P(a ≤ X ≤ b) =
– O valor médio é E(X)=µ=1/λ
– Não existe esta distribuição na calculadora. Assim, seja X∩Exp Exp Exp Exp (0.2)
(significa que, por exemplo, o tempo médio de espera é 1/0.2 = 5);
então, P(2 ≤ X ≤ 6) =
ba ee λ λ −−−
369.062.022.0
=−×−×−
ee
5/14/2018 Modelo de Probabilidade_distribui oes_completo - slidepdf.com
http://slidepdf.com/reader/full/modelo-de-probabilidadedistribuicoescompleto 23/23
Modelos infinitos contínuos:
Modelo Normal
• Baseia-se na distribuição Normal, que é a maisimportante distribuição contínua, já estudada no10.º ano (características no manual).
•
e ∩ µ,σ , en o: – O valor médio é E(X)=µ
– A variância é Var(X)= σ2;
–σ é o desvio-padrão populacional
– Calculadora: P(a≤X≤b) = normalcdf(a,b,µ,σ).Exemplo:
Seja X ∩ N(5, 0.7); então, P(4≤X≤6) = normalcdf(4,6,5,0.7)=0.8469