Distribuições de Probabilidade Distribuição Uniforme Distribuição Exponencial Distribuição Normal 1
Distribuição Uniforme A distribuição Uniforme atribui uma densidade igual ao longo de um intervalo (a,b). 2
Distribuição Uniforme 3
Distribuição Exponencial A distribuição possui uma densidade que decai exponencialmente. 4
Distribuição Normal ou Gaussiana A distribuição Normal ou Gaussiana é muito utilizada em análises estatísticas. É uma distribuição simétrica em torno da sua média e em forma de sino. Depende de dois parâmetros que são a média e a variância da distribuição. X ~ N(µ, σ 2 ) significa que X tem distribuição Normal com média µ e bvariânciaσ 2. 5
Curva de densidade da Normal 6
Densidades Normais N(0,5) N(0,1) N(0,1.5) 7
Normal standard ou padrão Quando µ = 0 e σ = 1 temos a distribuição Normal standard (também se diz Normal padrão ou Normal centrada e reduzida). Os valores da função de distribuição, F(x), e os valores de certos quantis mais utilizados encontram-se tabelados. 8
Normal Standard Habitualmente utiliza-se: a letra Z para representar uma Normal Standard. A designação Φ(z) para representar F(z). A designação z p para representar o quantil de ordem p. Atenção que os quantis têm diferentes representações de autor para autor. Muitos utilizam z p para representar o quantil de ordem 1-p, ou ainda (1-p)/2. 9
Normal Standard quantil de ordem 0.95 z 0.95 10
Normal Standard quantis de ordem 0.025 e 0.975 z 0.025 e z 0.975 11
Cálculo de probabilidades da Normal Para calcular probabilidades associadas a uma distribuição Normal qualquer, podemos recorrer às tabelas ou a software ou a máquinas de calcular. No SPSS as funções associadas à distribuição Normal são: Cdf.Normal(x,µ,σ) para a função de distribuição no ponto x, F(x); Idf.Normal(p,µ,σ) para o quantil de ordem p, x p. 12
Cálculo de probabilidades da Normal: Normalização Para recorrer às tabelas é necessário normalizar a variável antes de calcular uma probabilidade (ou um quantil). Se X ~ N(µ,σ 2 ) então Z = (X-µ) / σ ~ N(0,1). 13
14 Cálculo de probabilidades da Normal: Normalização Por exemplo, se X tem distribuição N(5,4) e queremos calcular P(X 7): ( ) 8413 0 1 1 2 5 7 2 5 7, ) ( ) ( = = Φ = = Z P X P X P
Propriedades da Normal Se adicionarmos uma constante b a uma variável Normal X ~ N(µ,σ 2 ), obtemos uma nova variável Normal, Y=X+b ~ N(µ+b, σ 2 ). Se multiplicarmos uma variável Normal por uma constante a obtemos uma nova variável Normal, Y=aX ~ N(aµ,a 2 σ 2 ). 15
Propriedades da Normal A soma de variáveis aleatórias Normais é ainda Normal com média igual à soma das médias. Se as variáveis forem independentes a variância é igual à soma das variâncias. Em particular a média X de n variáveis Normais independentes e com a mesma distribuição é ainda Normal ( ) µ σ 2 n X ~ N, / 16
Resultados Importantes Lei dos Grandes Números Teorema do Limite Central 17
Lei dos grandes números A média de um conjunto de n variáveis aleatórias independentes e identicamente distribuídas, com média µ e desvio padrão σ, converge para µ à medida que n aumenta. A partir deste resultado podemos dizer que a frequência relativa de um certo acontecimento de interesse num conjunto de n experiências independentes, converge para a probabilidade do acontecimento à medida que n aumenta. 18
Estabilização das frequências relativas no lançamento sucessivo de uma moeda ao ar 19
Teorema do Limite Central Vimos anteriormente que a média de uma conjunto de variáveis aleatórias Normais, é ainda Normal: ( 2 µ, σ n) X ~ N( µ, σ ) X ~ N / O Teorema do Limite Central permite dizer que a média de um conjunto de variáveis aleatórias com uma qualquer distribuição é aproximadamente Normal (cada vez mais Normal à medida que o nº de variáveis aumenta) X ~ F( x) X ~ apr. N ( 2 µ, σ / n) 20
Teorema do Limite Central Se tivermos n variáveis aleatórias X 1,X 2,X n independentes e com a mesma distribuição de média µ e variância σ 2,então quando n cresce para infinito, X σ / µ n ou equivalentemente dist N( 01, ) X i n nµ σ dist N( 0, 1) 21
Ilustrações do TLC e da LGN Alguns sites para explorar o TLC e a LGN http://www.stat.sc.edu/~west/javahtml/clt.html (dados) http://www.rand.org/statistics/applets/clt.html (bolinhas a cair) http://www.statisticalengineering.com/central_limit_t heorem_(inverse).htm (texto com pequena simulação) 22
Aproximações baseadas no TLC Podemos efectuar cálculos de probabilidades aproximadas com base no TLC. Ilustramos esta situação com dois exemplos: Probabilidades associadas a distribuições Binomiais; Probabilidades associadas a distribuições de Poisson. 23
Aproximações baseadas no TLC: Binomial - Normal Probabilidades associadas a uma distribuição Binomial, B(n,p), podem ser aproximadas utilizando uma distribuição Normal, N(µ,σ 2 ), com µ=np e σ 2 = np(1-p). Para que a aproximação não seja muito má, devemos ter np 5 e n (1-p) 5. 24
Aproximações baseadas no TLC: Binomial - Normal Quando usamos a distribuição Normal (que é uma distribuição contínua) para aproximar a distribuição Binomial (que é uma distribuição discreta), fazemos uma correção de continuidade ao valor discreto x na distribuição binomial representando o valor x pelo intervalo de x 0.5 a x + 0.5. 25
Aproximações baseadas no TLC: Binomial - Normal 26
Aproximações baseadas no TLC: Binomial - Normal 27
Aproximações baseadas no TLC: Poisson - Normal Probabilidades associadas a uma distribuição de Poisson, P(λ), podem ser aproximadas utilizando uma distribuição Normal, N(µ,σ 2 ), com µ= λ e σ 2 =λ. A aproximação será tanto melhor quanto maior for λ. 28