Nas duas últimas aulas, nos dedicamos a estudar como classificar e definir variáveis, agrupá-las e tratá-las. Agora, nos resta saber como tirar conclusões em cima da nossa pesquisa. Para isso, precisamos conhecer a forma como as variáveis se distribuem, para escrever funções e prever casos futuros. Além disso, a distribuição das variáveis nos fornece a significância da medida.
Ao plotar os dados em uma curva de probabilidade, observa-se que ela segue um padrão, na maioria das vezes, semelhantes à um sino (campanário) e é simétrico:
A grande questão é: qual função descreve esta curva e nos permite fazer previsões? Para isso, vamos estudar as três teorias de distribuição de probabilidades mais convenientes para nossa análise.
1. Modelo binomial
O modelo binomial é uma distribuição baseada no Binômio de Newton, que nada mais é que uma maneira para escrever a forma canônica de um polinômio de grau . Relembrando:
O modelo de distribuições binomial serve para variáveis dicotômicas e independentes, ou seja, só há duas respostas possíveis e uma ocorrência não influencia próxima. Ou seja, , a probabilidade de ocorrer dado que ocorreu é igual a probabilidade de ocorrer , já que são eventos independentes, e . Um caso típico é a chance de um casal ter uma menina dado que eles já têm um filho homem, a probabilidade é , já que os eventos são independentes: a cada nova fecundação a probabilidade do óvulo ser ou é a mesma.
Seja a probabilidade de sucesso de um evento, i.e., a probabilidade que ele ocorra dado o espaço amostral. Dessa forma, é a chance de fracasso. Considerando o número de sucessos em realizações, se tem distribuição binomial, a probabilidade de sucesso é de:
https://www.researchgate.net/figure/Figura-31-Graficos-da-distribuicao-binomial_fig2_255665114
Ou seja, interpretando a função, temos que para sucessos em casos, distribuidos aleatoriamente, há maneiras de escolher como distribuir esses valores em casos.
Como a distribuição binomial é uma distribuição de probabilidades, a soma de toda a área sob a curva é 1.
Exemplo retirado de https://www.inf.ufsc.br/~andre.zibetti/probabilidade/binomial.html: Baseado em estudos anteriores, a probabilidade de um certo componente elétrico estar em condições operacionais satisfatórias é de 0.98. Os componentes são amostrados item por item, a partir de uma produção (contínua). Em uma amostra de cinco componentes, quais são as probabilidades de se encontrarem,
- zero;
- exatamente um;
- exatamente dois;
- dois ou mais;
- ao menos quatro, itens defeituosos?
Respostas: Para isso, basta aplicar a fórmula da distribuição binomial, utilizando , e aplicando o valor de (número de sucessos) para cada situação. Então:
O modelo binomial é bastante útil em distribuições de genética mendeliana.
(Retirado do livro Introdução à Bioestatística) "Exemplo 4.2.2: De acordo com a teoria Mendeliana da hereditariedade de caracteres, um cruzamento de determinada espécie de plantas com flores vermelhas e brancas, produz uma nova planta que tem 25% de chance de ter flores vermelhas. Dois cruzamentos essa espécie de plantas foram realizados. Seja o número de plantas com flores vermelhas. a variável aleatória pois: (a) cada planta produz flores vermelhas (V) ou brancas (B) (dicotomia de eventos); (b) é constante em cada realização do experimento (os eventos são independentes). A distribuição de probabilidade de é:
Calculando-se para cada , obtêm-se [...]:
Observe que a ocorrência de nenhuma planta com flores vermelhas, i.e., , equivale ao evento duas plantas com flores brancas () e a probabilidade desse evento é:
As demais probabilidades poderiam ser obtidos de maneira análoga.
A distribuição de probabilidade de está apresentada graficamente na Figura abaixo.
Modelo de Poisson
É utilizado quando sabe-se para representar o número de ocorrências, de forma discreta, de um evento por intervalo de tempo. Nessa distribuição, a taxa de variação ocorrências aferidas por intervalo de tempo deve ser aproximadamente constante (ex.: número de isótopos que sofrem decaimento radioativo por intervalo de tempo: tempo de meia-vida). A distribuição de Poisson é dada por:
Modelo normal ou gaussiano
É o modelo mais usual e que melhor descreve as variáveis biológicas, por isso, é chamado de "normal". Cada distribuição pode ser completamente descrita pela média aritmética das variáveis e o desvio padrão, uma vez que:
A função que descreve a curva de distribuição é dada por:
Porém, é mais comum a representação da média aritmética pela letra grega , sendo possível encontrar a expressão como:
Como essa é uma distribuição de probabilidades, a área sob a curva é 1. Assim, se queremos saber a probabilidade de uma variável assumir uma valor que está contido em um intervalo [a,b], basta efetuar:
Por fim os intervalor mais importantes são , , , que representam respectivamente , e da distribuição.
https://www.inf.ufsc.br/~andre.zibetti/probabilidade/normal.html