Académique Documents
Professionnel Documents
Culture Documents
4)
4.1 Introduo.
Como discute Wilks (1995) distribuies de probabilidade so abstraes. Ou seja, representam os dados apenas aproximadamente,
embora em muitos casos a aproximao pode ser muito boa. Basicamente, existem 3 jeitos nos quais o emprego de distribuies de
probabilidade pode ser til:
i)
ii)
Compactao: quando tratamos com conjuntos de dados grandes. Uma distribuio de probabilidades terica que se
ajuste bem aos seus dados reduz o nmero de quantidades requeridas para caracterizar propriedades dos dados, uma
vez que podemos usar alguns poucos parmetros da distribuio.
Alisamento e interpolao: dados reais esto sujeitos a variaes amostrais que levam a regies sem dados (vazios ou
buracos no conjunto de dados) nas distribuies empricas. Por exemplo, podemos considerar a distribuio de
freqncia da precipitao diria obtida por satlite (mdia de 5 dias) para o ponto de grade 15.0S e 47.5W.
Precipitacao diaria em 15.0S e 47.5W
70
60
50
40
30
20
10
38.5
More
36.5
34.5
32.5
30.5
28.5
26.5
24.5
22.5
20.5
18.5
16.5
14.5
12.5
8.5
10.5
6.5
4.5
2.5
Precipitacao(mm/dia)
Note que no existe nenhum valor observado entre 26.5mm/dia e 28.5mm/dia, embora certamente valores de precipitao podem
certamente ocorrer nesse ponto no espao. A imposio de uma distribuio terica nestes dados representaria a possibilidade
destas temperaturas ocorrerem, bem como permitiria a estimativa de sua probabilidade de ocorrncia.
iii)
Extrapolao: Estimar probabilidades para eventos fora do intervalo de um conjunto de dados particular requer
suposies sobre um comportamento ainda no observado.
desvio-padro ao parmetro . Usualmente, para diferenciao a notao para as estatsticas amostrais envolve o uso de letras do
nosso alfabeto e para os parmetros da distribuio utilizam-se letras gregas.
4.3. Distribuies discretas versus distribuies contnuas.
Existem dois tipos distintos de distribuies tericas, correspondentes a diferentes tipos de dados ou variveis aleatrias. As
distribuies discretas descrevem quantidades aleatrias (isto , os dados de interesse) que podem ser tomados apenas em alguns
valores particulares. Isto , os valores permitidos so FINITOS, ou pelo menos contaveis. Por exemplo, uma varivel discreta aleatria
poderia ter apenas os valores 0 ou 1; ou qualquer dos inteiros no negativos; ou uma das trs cores vermelho, amarelo ou azul. Uma
varivel aleatria continua tipicamente pode tomar qualquer valor dentro de um intervalo especificado de nmeros reais. Por exemplo,
uma varivel aleatria contnua poderia ser definida com os nmeros reais entre 0 e 1; ou todos os nmeros reais no negativos; ou
para algumas distribuies qualquer nmero real.
Estritamente falando, o uso de uma distribuio contnua para representar dados observados implica que as observaes so
conhecidas para um nmero suficientemente grande de casos. Claro que isto nunca verdade totalmente, mas conveniente e no
to impreciso representar como contnuas aquelas variveis que so CONCEITUALMENTE contnuas mas obtidas de forma discreta.
Temperatura e precipitao so exemplos claros, pois variam em alguma poro da reta dos reais, mas que so obtidos em intervalos
discretos como 1 C ou 1mm. Pouco se perde em tratar estas observaes discretas como contnuas.
4.3.1. Distribuies Discretas.
Existe um grande nmero de distribuies de probabilidade tericas para variveis aleatrias discretas. Aqui vamos discutir algumas
delas, as mais importantes para a meteorologia.
i)
DISTRIBUIES BINOMIAIS:
A distribuio binomial provavelmente a mais simples distribuio terica possvel e, portanto, freqentemente empregada em livrostexto para ilustrar o uso e propriedades das distribuies tericas mais gerais. Esta distribuio pertence a situaes onde existem
dois eventos possveis de ocorrerem. Classicamente, estes dois eventos tm sido referidos como sucesso e falha, mas esta
atribuio meramente arbitrria. De maneira mais geral, um dos eventos (digamos o sucesso) designado com o nmero 1, e o
outro (falha) com o nmero zero.
A varivel aleatria de interesse, X, o nmero de ocorrncias do evento (dado pela soma de valores 1 ou 0) em um nmero
de tentativas. O nmero de tentativas N pode ser qualquer inteiro positivo e a varivel X pode tomar qualquer valor no negativo
inteiro variando de 0 (se o evento de interesse no ocorrer para todas as N tentativas) a N (se ocorrer em todas as ocasies). A
distribuio binomial pode ser usada para calcular probabilidades para cada um destes N+1 possveis valores de X se as duas
condies forem satisfeitas: 1) a probabilidade do evento ocorrer no mudar de tentativa para tentativa e 2) as sadas ou
resultados das N tentativas forem mutuamente independentes. Estas duas condies so raramente estritamente satisfeitas, mas
situaes reais podem ser prximas o suficiente a esta ideal tal que a distribuio binomial fornece representaes suficientemente
acuradas.
Uma implicao da primeira restrio, relacionando a constante ocorrncia de probabilidade, que os eventos cujas probabilidades
exibem ciclos regulares precisam ser tratados com cuidado. Por exemplo, o evento de interesse poderia ser uma tempestade ou a
ocorrncia de raios perigosos, em um local onde existe uma variao anual ou diurna na probabilidade do evento. Em casos como
este, sub-perodos (por exemplo, horas ou meses, respectivamente) com ocorrncia de probabilidades aproximadamente constantes
seriam usualmente analisados separadamente.
A segunda condio necessria para a aplicabilidade da distribuio binomial, relacionada independncia do evento, usualmente
mais problemtica para os dados atmosfricos. Por exemplo, uma distribuio binomial raramente seria diretamente aplicvel para a
ocorrncia ou no de precipitao diria. Isto porque existe freqentemente uma substancial dependncia dia-a-dia entre os eventos.
Ou seja, a chuva de hoje pode ter uma relao com a chuva de ontem e a de amanh. Assim, os eventos de chuva diria no so
freqentemente independentes. Entretanto, uma dependncia estatstica ano-a-ano na atmosfera usualmente fraca o suficiente tal
que as ocorrncias e no-ocorrncias de um evento em perodos anuais consecutivos podem ser consideradas efetivamente
independentes.
A ilustrao mais usual de uma distribuio binomial em relao ao experimento de se lanar uma moeda e obter cara ou
coroa. Se a moeda no est viciada e nem o jogador tem algum truque, as chances de ocorrer cara ou coroa so iguais a 0.5 e
no mudam de uma jogada para a outra. Se N>1 moedas so lanadas simultaneamente, o resultado para uma moeda no afeta as
outras. A situao das moedas satisfazem todos os requerimentos para a discrio de uma distribuio binomial. Trata-se de eventos
independentes com probabilidade constante e com uma evidente dicotomia.
Por exemplo, considere o caso onde N=3 moedas (no-viciadas) so lanadas simultaneamente, e estamos interessados no nmero
X de caras que podem resultar. Os valores possveis de X so: 0 (nenhuma cara), 1 (s uma moeda caiu cara), 2 (2 moedas
mostraram caras) e 3 (todas as 3 moedas mostraram cara). Tratam-se de 3 eventos mutuamente exclusivos e coletivamente
exaustivos (isto , eventos MECE) , o que significa que a soma das probabilidades necessariamente igual a 1. Vamos analisar o
resultado para as N+1 possibilidades:
1 possibilidade: 3 caras e 0 coroas (so eventos independentes) regra multiplicativa:
N x N x
Pr{ X = x} = p (1 p)
x
(4.1)
O X (maisculo) indica a varivel aleatria cujo valor preciso desconhecido, ou tem ainda que ser observado. O x (minsculo)
denota um valor particular que a varivel aleatria pode ter. A distribuio binomial tem 2 parmetros, N e p. O parmetro p a
probabilidade de ocorrncia do evento de interesse (o sucesso) em cada um dos N independentes tentativas. Para um dado par de
parmetros N e p, a Eq. 4.1 uma funo que associa a probabilidade com cada um dos valores discretos x = 0,1,2,...,N, tal que a
x Pr{ X
= x} =1
O lado direito da Eq. 4.1. consiste de 2 partes: uma parte combinatria e outra parte de probabilidade. A parte que aparece anlise
combinatria especifica o nmero de jeitos distintos de realizar x sucessos a partir de uma coleo de N tentativas. A parte
combinatria dada por:
N N!
=
x !( Nx x) !
(4.2)
Por conveno 0! = 1. Por exemplo, jogando-se N=3 moedas, existe apenas um jeito que x=3 caras podem ser obtidas: todas as 3
moedas precisam mostrar caras. Usando-se a Eq. 4.2 , tem-se 3!/(3!0!) = (3 . 2 . 1)/(3 . 2. 1. 1)=1. Existe 3 jeitos nos quais x =1 pode
ser obtido = se a primeira, a segunda ou a terceira moeda mostrarem cara, com as restantes 2 moedas mostrando coroas. Usando-se
4.2 podemos obter 3!/(1!2!)=(3 . 2 . 1)/(1 . 2 . 1)= 3.
A parte da probabilidade da Eq. 4.1 segue a partir da lei multiplicativa da probabilidade para eventos independentes. A probabilidade
de um arranjo particular da ocorrncia de exatamente x eventos e N x no ocorrncias simplesmente p multiplicado por ele
mesmo x vezes, e ento multiplicado por 1 p (a probabilidade de no ocorrncia) N x vezes.
10!
(0.05)1 (0.9510 ) = 0.40
0!10!
importante lembrar que as distribuies binomiais podem ser aplicadas para situaes que no so intrinsecamente binrias,
atravs de uma redefinio adequada de eventos. Por exemplo, a temperatura no intrinsecamente binria e nem intrinsecamente
discreta. Contudo, para algumas aplicaes de interesse considerar a probabilidade de congelamento Pr{32F}. Junto com a
probabilidade do evento complementar Pr{T>32F}, a situao se qualifica como um evento dicotomizado, e poderia, portanto, ser
uma candidato a uma distribuio binomial.
Pr{ X 1} = 1 Pr{ X = 0} = 1