Você está na página 1de 32

Modelos de Probabilidade

Modelo Normal

Varivel Aleatria
Para descrever um experimento aleatrio
conveniente associar valores numricos aos
seus resultados.
Como os eventos que ocorrem quando se
realizam experimentos aleatrios variam a cada
realizao dos mesmos, tambm variaro os
valores numricos que lhes so associados.

Varivel Aleatria
Uma varivel aleatria (va) uma
funo definida num espao amostral
que assume valores reais.

O Modelo!
O Modelo uma simplificao da realidade.
Dados bem coletados so importantes para
produzir bons modelos.
Modelos bem construdos tendem a gerar boas
solues para problemas reais.

Exemplos
1. Observar se um doente de cncer fumante
ou no fumante.
S = { fumante, no fumante}
X = 1, se fumante
0, se no fumante
2. Observar o peso de crianas ao nascer.
X = peso = { x, x real, x > 0 }

Exemplos
3. Observar uma caixa de bombons e
observar o nmero de bombons com peso
abaixo do esperado.
X = nmero de bombons = {0, 1, 2, ..., 26}
4. Inspecionar bombons, um a um at
encontrar o primeiro com peso abaixo do
esperado.
X = {1,2,3,...}

Exemplos
5. Observar o tempo at falhar de um
equipamento industrial
X = {t, t real positivo, tempo at falhar}

Tipos de v.a.
Dependendo dos possveis valores de X uma va
pode ser discreta (valores inteiros, finito ou
infinito) ou contnua (valores reais em um
determinado intervalo).
Veremos a seguir algumas variveis aleatrias
muito utilizadas. So modelos probabilsticos
aplicados a diversas situaes.

Variveis Aleatrias Discretas


Binomial
(no. de peas defeituosas num lote de n peas)

Poisson
(no. de acidentes em rodovias, no. de defeitos em material
por m2, por metro, km e etc.)

Geomtrica
Hipergeomtrica
Binomial Negativa

Variveis Aleatrias
Contnuas
Uniforme
Normal
Exponencial
t Student
Qui-quadrado
F Snedecor

Modelo Normal
As distribuies Normais remontam ao sculo
XVIII.
Mensuraes repetidas de uma mesma
quantidade apresentavam histograma com uma
forma de sino.
Essa distribuio estava associada aos erros
de mensurao, e ficou conhecida como
distribuio Normal dos erros ou Normal.

Modelo Normal
Gauss (1777-1855) deduziu matematicamente a
curva normal que ficou um bom tempo conhecida
como distribuio de probabilidade de erros de
medidas, ou Lei normal dos erros.
Empiricamente, a forma dos histogramas dos
erros de medio dos pesquisadores, em geral,
se assemelhavam distribuio de Gauss. Por
isso a distribuio Normal tambm conhecida
como Gaussiana.

Caractersticas
O grfico de uma distribuio Normal se
assemelha a um sino, sendo simtrico em torno
da mdia.
A distribuio Normal (ou distribuio Gaussiana)
est definida para todos os valores, tanto
positivos como negativos.

Forma de Sino

f(x)

Caractersticas

A Normal especificada por dois parmetros:


a mdia da distribuio ()
e a varincia da distribuio (2).
A notao usual para essa distribuio
X ~ N(, 2 )
O parmetro um parmetro de locao.
Variando-se os valores da mdia, a forma da
distribuio se mantm inalterada. H apenas
mudana na localizao da distribuio.

Normais com mdias diferentes

f(x)

Disperso
O desvio padro um parmetro de disperso.
Quanto maior for o desvio padro , mais
espalhada estar a distribuio;
Quanto menor for o desvio padro , mais
concentrada estar a distribuio. Assim, variando
o parmetro de disperso , obtm-se formas
diferentes.

Disperso

(leptocrtica)

pequeno

f(x)
(mesocrtica)
moderado

(platocrtica)
grande

Probabilidades

A rea total sob a curva Normal representa a


probabilidade total que vale 1 (um).
Como a curva simtrica em relao mdia,
a rea sob a curva direita da mdia vale 0,5
e esquerda tambm vale 0,5.

Probabilidades

100%
f(x)

Probabilidades

50%
f(x)

Probabilidades

f(x)

Probabilidades

reas sob a distribuio Normal em Relao ao


Desvio Padro
Intervalo


Probabilidade (rea)
Interna
Externa
68.26%
31.74%
95.46%
4.54%
99.73%
0.27%

Probabilidades
Como calcular probabilidade
normal: Normal Padronizada.

num

modelo

X
Z
/ n

Exemplo: Suponha que o tempo de vida (X) de


um equipamento possa ser modelada por uma
distribuio Normal, com mdia =15 e desvio
padro =4.
Calcular P( X 22.84) e P( X 8.44).

Probabilidades

Passo 1
x 22.84 15

196
.
Calcula-se z1

4
x 8.44 15

164
.
Calcula-se z 2

Probabilidades

Passo 2
Obter P( Z 1,96)=0.975 e P( Z -1.64)=0.05 atravs da tabela
Passo 3
Fazer
P( X 22.84) = P( Z 1.96) = 0.975
P( X 8.44) = P( Z -1.64) = 0.05

Outros modelos importantes


Qui-quadrado
t Student

Qui-quadrado
Sejam Z1, Z2, ..., Zv variveis aleatrias Normais
com mdia 0 e desvio padro 1 independentes.
Ento:
2v = Z21 + Z22 + ... + Z2v
uma varivel aleatria Qui-Quadrado (2v) com
v graus de liberdade.

T-Student

Sejam Z varivel aleatria Normal com mdia 0


e desvio padro 1 e Y uma varivel aleatria
Qui-quadrado com v graus de liberdade, com Z
independente de Y. Ento a varivel t de
Student (t) dada pela expresso abaixo.

T-Student
A distribuio t de Student possui
caractersticas semelhantes Normal Padro:
simetria em torno de 0, tem forma de sino, e as
caudas tendem rapidamente a zero.
Entretanto, ao compararmos a forma de uma
distribuio t e a Normal padro, vemos que a
primeira mais varivel (mais espalhada),
como ilustra a Figura abaixo.

X
T
s/ n

T-Student (linha pontilhada)

-4

-3

-2

-1

Exerccios
4.90 e 4.93 (pg. 71)