Sie sind auf Seite 1von 29

Modelos Discretos

Vamos agora estudar alguns modelos probabilísticos com grande aplicação na


prática.

Distribuição binomial

Consideremos uma experiência aleatória com as seguintes características:

• a experiência é constituída por n provas, entendendo-se por prova uma


repetição em condições idênticas
• as provas são independentes
• em cada prova ocorre apenas um de dois resultados possíveis, designados por
sucesso e insucesso. A probabilidade de sucesso mantém-se constante de prova
para prova e representa-se por p.

Uma sucessão de provas com estas características designa-se por sucessão de


provas de Bernoulli.

Cristina Rocha - DEIO/FCUL 1


Exemplos:
• lançamento de uma moeda: cara (sucesso), coroa (insucesso)
• transmissão de um dígito binário através de um canal de comunicação:
dígito recebido correctamente (sucesso), dígito recebido incorrectamente
(insucesso)
• resultado de um tratamento para certa doença aplicado a pacientes em
condições bem definidas: paciente curado (sucesso), paciente não curado
(insucesso)

Seja X a v.a. que representa o número de sucessos em n provas de Bernoulli,


em que a probabilidade de sucesso é p. Então, a sua f.m.p. é

n k
P( X k) p (1 p) n k
k 0,1,, n
k

X é uma v.a. Binomial de parâmetros n e p e representa-se por

X Bi (n, p)

Cristina Rocha - DEIO/FCUL 2


Mostra-se que

E(X) = np e var(X) = np(1-p)

Caso particular: quando n=1, X é designada por v.a. de Bernoulli

Amostragem com reposição

Consideremos o processo de amostragem em que, para cada indivíduo recolhido


aleatoriamente na população, se verifica se tem ou não uma determinada
característica, repondo o elemento recolhido antes de proceder a nova
extracção. Então, estamos em condições de aplicar o modelo Binomial quando
se quer estudar a v.a. que representa o número de indivíduos da amostra assim
obtida que têm a dita característica.

Cristina Rocha - DEIO/FCUL 3


Distribuição geométrica

Uma v.a. X diz-se geométrica de parâmetro p se representa o número de


provas necessárias até à obtenção do 1º sucesso (inclusive), numa sucessão
de provas de Bernoulli em que a probabilidade de sucesso é p.

A f.m.p. de X é dada por

P(X = K) = p(1-p) k-1 k = 1, 2, …

Mostra-se que

1 1 p
E( X ) var( X )
p p2

Cristina Rocha - DEIO/FCUL 4


Distribuição binomial negativa

Uma v.a. X diz-se binomial negativa de parâmetros r e p se representa o


número de provas necessárias até à obtenção do r-ésimo sucesso (inclusive),
numa sucessão de provas de Bernoulli em que a probabilidade de sucesso é p.

A f.m.p. de X é dada por

k 1
P( X k) p r (1 p) k r
k r , r 1,
r 1

Mostra-se que
r r (1 p)
E( X ) var( X )
p p2

Caso particular: fazendo r = 1 obtém-se a distribuição geométrica.


Cristina Rocha - DEIO/FCUL 5
Distribuição de Poisson

Vamos agora considerar um modelo discreto que se aplica em situações em que


interessa estudar

o número de ocorrências de um certo acontecimento, num determinado


intervalo de tempo ou região do espaço

Suponhamos que se verificam as seguintes hipóteses (processo de Poisson):

• a ocorrência do acontecimento num determinado intervalo é independente da


ocorrência do acontecimento em qualquer outro intervalo distinto
• a probabilidade de exactamente uma ocorrência do acontecimento em
qualquer intervalo de amplitude h arbitrariamente pequena é
aproximadamente h
• a probabilidade de duas ou mais ocorrências do acontecimento em qualquer
intervalo de amplitude h arbitrariamente pequena é aproximadamente zero

Seja X a v.a. que representa o número de ocorrências do acontecimento, num


intervalo unitário. Então dizemos que X tem distribuição de Poisson de
parâmetro , com f.m.p. dada por
6
Cristina Rocha - DEIO/FCUL
k
P( X k) e k 0,1, 2, 0
k!

Representa-se por X P( )

O parâmetro é o número médio de ocorrências num intervalo unitário.

E(X) = e var(X) =

Ex: de aplicação da distribuição de Poisson

• número de consultas a uma base de dados por minuto


• número de novos casos de hepatite numa certa região num mês
• número de clientes que chegam a um balcão de atendimento num certo
intervalo de tempo
• número de chamadas telefónicas recebidas num call center numa hora
• número de bactérias num determinado volume de água

Cristina Rocha - DEIO/FCUL 7


Distribuição hipergeométrica

Quando se procede a extracções sem reposição numa população finita, o que


podemos dizer quanto à v.a. que representa o número de elementos da amostra
assim obtida que possuem determinada característica?

Consideremos uma população de N elementos dos quais M possuem determinada


característica (sucesso), enquanto que os restantes N-M elementos não a têm.
Seja n a dimensão de uma amostra extraída da população (sem reposição) e X a
v.a. que representa número de elementos da amostra que possuem a dita
característica.

Então a v.a. X tem distribuição Hipergeométrica com f.m.p. dada por


M N M
k n k
P( X k) k max( 0, n ( N M )),, min( M , n)
N
n

Cristina Rocha - DEIO/FCUL 8


Os parâmetros são N, n e p = M/N (que é a probabilidade de que um elemento
extraído ao acaso da população possua a característica)

N n
E ( X ) np var( X ) np(1 p)
N 1

O modelo Hipergeométrico é adequado quando se procede a extracções sem


reposição:
• as extracções não são independentes
• a probabilidade de sucesso varia de extracção para extracção

No entanto, quando se procede a extracções sem reposição, se a dimensão N


da população for muito maior que a dimensão n da amostra, o modelo Binomial
pode ser usado para representar o número de elementos da amostra que
possuem determinada característica.
De facto, neste caso, as sucessivas extracções podem ser consideradas
independentes e a probabilidade de sucesso não se altera substancialmente de
extracção para extracção.

Cristina Rocha - DEIO/FCUL 9


Soma de variáveis aleatórias independentes com distribuição binomial

Dadas as v.a.’s X1, …, Xk independentes com distribuição binomial

Xi Bi(ni , p) i 1,, k

a soma Sk= X1+…+ Xk também tem distribuição binomial


k
Sk Bi ni , p i 1,, k
i 1

Soma de variáveis aleatórias independentes com distribuição de Poisson

Dadas as v.a.’s X1, …, Xn independentes com distribuição de Poisson

Xi P( i ) i 1,, n

a soma Sn= X1+…+ Xn também tem distribuição de Poisson


n
Sn P i i 1,, n
i 1

Cristina Rocha - DEIO/FCUL 10


Modelos Contínuos

Distribuição Uniforme

X tem distribuição Uniforme no intervalo (a,b) se a sua f.d.p. for dada por

1
a x b
f ( x) b a
0 x a ou x b

Simbolicamente, representa-se por X U ( a, b)

A função de distribuição é dada por

0 x a
x a
F ( x) a x b
b a
1 x b

Cristina Rocha - DEIO/FCUL 11


Então, se X U (a, b) , temos que

a b (b a) 2
E( X ) var( X )
2 12

Distribuição Exponencial

X tem distribuição Exponencial de parâmetro > 0 se a sua f.d.p. é dada por


x
e x 0
f ( x)
0 x 0

A função de distribuição é

0 x 0
F ( x)
x
1 e x 0

Cristina Rocha - DEIO/FCUL 12


X Exp ( )

1 1
E( X ) var( X ) 2

O modelo Exponencial aplica-se frequentemente no estudo do tempo de vida de


componentes electrónicas, do tempo de vida de seres vivos, etc.

Quando o número de ocorrências de um acontecimento num determinado


intervalo segue um modelo de Poisson, o tempo decorrido entre ocorrências
sucessivas tem distribuição Exponencial.

A distribuição Exponencial não tem “memória” e é o único modelo contínuo


que possui esta propriedade:

P(X > t+s| X > t) = P(X > s) para qualquer t>0, s>0

Cristina Rocha - DEIO/FCUL 13


Distribuição Normal (ou Gaussiana)

A distribuição normal é a mais conhecida das distribuições contínuas e uma das


mais importantes.

Do ponto de vista das aplicações empíricas, tem-se comprovado que muitas


características observáveis de determinada população são bem representadas
por variáveis aleatórias que seguem uma distribuição normal.

Ex: distribuição da altura ou do peso dos indivíduos em populações


razoavelmente homogéneas

Por outro lado, prova-se que a distribuição da soma (ou da média) de um


número suficientemente grande de variáveis aleatórias i.i.d. é bem
aproximada pela distribuição normal, o que permite justificar a sua utilização
em muitas situações.
Tem também um papel importante no âmbito da Inferência Estatística.

Cristina Rocha - DEIO/FCUL 14


Uma v.a. X tem distribuição normal de parâmetros e se a sua f.d.p. é
dada por
2
1 1 x
f ( x) exp x , ,
2 2

Se X N ( , ), então E ( X ) e var( X ) 2

Vejamos algumas propriedades da f.d.p. da normal relativamente à sua


representação gráfica:

1. É simétrica relativamente ao seu valor médio , de modo que duas curvas


correspondentes a duas distribuições com o mesmo desvio padrão têm a
mesma forma, diferindo apenas na localização.

2. É tanto mais achatada quanto maior for o valor de , de modo que duas
curvas correspondentes a duas distribuições com o mesmo valor médio são
simétricas relativamente ao mesmo ponto , diferindo apenas no grau de
achatamento.

Cristina Rocha - DEIO/FCUL 15


Funções densidade de algumas v.a. com distribuição normal

com o mesmo valor médio com o mesmo desvio padrão

Cristina Rocha - DEIO/FCUL 16


Gráfico da f.d.p. de uma v.a. com distribuição N(0,1)

0,5

0,4

0,3

0,2

0,1

0
-4 -3 -2 -1 0 1 2 3 4

Para qualquer v .a. X N( , )

P( X ) 0.6826
P( 2 X 2 ) 0.9544
P( 3 X 3 ) 0.9973
17
Cristina Rocha - DEIO/FCUL
A distribuição normal com valor médio = 0 e desvio padrão = 1 é designada
por distribuição normal “standard” ou padrão e representa-se por N(0,1).

X
Se X N ( , ) então Z N (0,1)

A função de distribuição da normal “standard” tem uma notação especial.

Z N (0,1) P( Z z) ( z)

X N( , )
X b b b
P( X b) P P Z

a X b b a
P(a X b) P

Cristina Rocha - DEIO/FCUL 18


Uma propriedade importante da f.d. da Normal(0,1):

pela simetria da f.d.p. relativamente ao valor médio 0 deduz-se que

( z) 1 ( z)

Existem tabelas para a f.d. da normal “standard”. Pela propriedade acima


referida, constata-se que basta haver tabelas para valores positivos ou negativos.

O quantil de probabilidade da N(0,1) representa-se por z e é tal que

(z ) P( Z z )

Note - se que z z1

O quantil de probabilidade é igual ao simétrico do quantil de probabilidade 1-

Cristina Rocha - DEIO/FCUL 19


Área igual a Área igual a

z 0 z1-
Quantil de prob. Quantil de prob.

Cristina Rocha - DEIO/FCUL 20


Soma de variáveis aleatórias independentes com distribuição normal

Dadas as v.a.’s X1, …, Xn independentes com distribuição normal

Xi N( i , i ) i 1,, n

a soma Sn= X1+…+ Xn também tem distribuição normal

n n
2
Sn N i , i i 1,, n
i 1 i 1

Propriedade mais geral:

Qualquer combinação linear de v.a.’s independentes com distribuição normal


tem ainda distribuição normal

n n n
ai X i N ai i , ai2 i
2
i 1,, n
i 1 i 1 i 1

Cristina Rocha - DEIO/FCUL 21


Valor médio e variância da média

Quando as variáveis aleatórias X1,…,Xn são independentes e identicamente


distribuídas (i.i.d.) diz-se que (X1,…,Xn) é uma amostra aleatória.

n
1
Média X Xi
n i 1

Dada uma amostra aleatória (X1,…,Xn) proveniente de uma população X de valor


médio e desvio padrão , então
2
E( X ) var( X )
n
Dem. :
2
E( X i ) var( X i ) i 1,, n
1 n
n 1 n
n 2 2
E( X ) E( X i ) var( X ) 2 var( X i )
n i 1 n n i 1 n2 n

Cristina Rocha - DEIO/FCUL 22


Distribuição da média para populações normais

Já dissemos que qualquer combinação linear de v.a.’s independentes com


distribuição normal ainda tem distribuição normal. Como a média é uma
combinação linear vem que:

Seja ( X 1 , , X n ) uma amostra aleatória em que X i N ( , ), i 1, , n.


X
Então X N , Z N (0,1)
n / n

Quando o parâmetro é desconhecido, no âmbito da Inferência Estatística é


necessário substituir pelo desvio padrão amostral S dado por
n
1 X
S (X i X ) 2 . Então, tem - se que T t(n 1)
n 1i 1 S/ n

T tem distribuição t-Student com n-1 graus de liberdade.

Cristina Rocha - DEIO/FCUL 23


Distribuição da média para populações não normais

Quando a distribuição da população X não é normal, a distribuição da média não é


em geral conhecida.
No entanto, um dos teoremas fundamentais da Teoria das Probabilidades fornece
uma indicação sobre o comportamento da distribuição da média de um número
suficientemente grande de v.a.’s i.i.d.

TEOREMA LIMITE CENTRAL

Se X1,…, Xn são v.a.’s independentes e identicamente distribuídas, com valor


médio e variância 2 finita, então a distribuição da soma Sn = X1+…+ Xn ou
da média (X1+…+ Xn)/n tende a aproximar-se da distribuição normal para n
suficientemente grande (n≥30).

Sn n X
P z ( z) P z ( z)
n / n

Cristina Rocha - DEIO/FCUL 24


Aplicações do Teorema Limite Central

Aproximação da distribuição binomial pela distribuição normal

Uma v.a. X com distribuição Bi(n,p) pode ser considerada como a soma de n
v.a.’s independentes cada uma com distribuição Bi(1,p). Então, pelo
Teorema Limite Central, temos o seguinte resultado:

Se X Bi(n,p) , então para n suficientemente grande

X np
P z ( z)
np(1 p)

i.e., a distribuição da v.a. X Bi(n , p) pode ser aproximada pela distribuição N(np, np(1 p) )

Regra prática: considera-se uma aproximação razoável da distribuição binomial


pela distribuição normal quando np>10 e n(1-p)>10

Cristina Rocha - DEIO/FCUL 25


Aproximação da distribuição de Poisson pela distribuição normal

Uma v.a. X com distribuição P( ) pode ser considerada como a soma de n v.a.’s
independentes cada uma com distribuição P( /n). Então, pelo Teorema Limite
Central, temos o seguinte resultado:

Se X P( ) , então para suficientemente grande

X
P z (z )

Regra prática: considera-se uma aproximação razoável da distribuição de


Poisson pela distribuição normal quando >20.

Cristina Rocha - DEIO/FCUL 26


Distribuição da proporção amostral

Consideremos uma população constituída por indivíduos que pertencem a uma


de duas categorias A e Ā. Seja p a proporção de indivíduos que, na população,
pertencem à categoria A.

p é uma característica populacional p é um parâmetro

Recolha-se da população, ao acaso, n indivíduos, obtendo assim uma amostra


de dimensão n.
Seja X a v.a. que representa o número de indivíduos na amostra que
pertencem à categoria A.

Então X/n representa a proporção de indivíduos que, na amostra, pertencem à


categoria A.

Cristina Rocha - DEIO/FCUL 27


X/n é a proporção amostral X/n é uma estatística

Valor médio e variância da proporção amostral

X Bi(n, p )

X np
E p
n n
X np(1 p ) p (1 p )
var
n n2 n

Distribuição de amostragem da proporção (amostral)

Pelo Teorema Limite Central, para n suficientemente grande, a distribuição


de X/n pode ser aproximada pela distribuição normal de valor médio p e
variância p(1-p)/n

Cristina Rocha - DEIO/FCUL 28


Distribuição da variância amostral para populações normais

Seja (X1,…,Xn) uma amostra aleatória proveniente de uma população N( , )

n
1
S 2
(Xi X )2 é a variância amostral
n 1i 1

Então (n 1) s 2 2
2 n 1

2
onde n 1 designa a distribuição qui-quadrado com n-1 graus de liberdade.

Cristina Rocha - DEIO/FCUL 29

Das könnte Ihnen auch gefallen