Você está na página 1de 46

Modelos probabilísticos

Julienne Borges
V. a. contínuas
Os principais modelos de probabilidades que são designados
para descreverem o comportamento de uma variável aleatória
contínua são:
a) Uniforme
b) Normal
c) Exponencial
d) Gama
e) Weibull
f) Beta
g) Lognormal
Distribuição Exponencial
• É muito útil para descrever o tempo que se leva para
completar uma tarefa ou tempo de duração de um
equipamento.
• Exemplos:
o Tempo para realizar uma prova.
o Tempo de chegadas de pacotes em um roteador.
o Tempo de vida de aparelhos.
o Tempo de espera em restaurantes, caixas de banco,
postos de saúde.
Distribuição Exponencial
Definição: Uma v. a. X tem distribuição exponencial se sua função de
densidade de probabilidade (f.d.p.) é da forma:
e −x , x  0 e  0
f (x ) = 
 0 , para quaisqueroutros valores

A notação que utilizaremos para representar que uma v. a. contínua X tem


distribuição exponencial é: X ~ Exp ().
A média e a variância da distribuição exponencial são: E ( X ) =
1

Var ( X ) =
1
2
Distribuição Exponencial

Apresentamos o gráfico da
distribuição exponencial para três
valores diferentes para o
parâmetro ().
Distribuição Exponencial

Para uma variável aleatória contínua X distribuída exponencialmente, para


qualquer intervalo de a até b, a probabilidade P(a<X<b) é calculada por:
𝑏 𝑏
−𝛼𝑥
𝛼𝑒 −𝛼𝑥 𝑏
𝑃 𝑎 ≤ 𝑋 ≤ 𝑏 = න 𝛼𝑒 𝑑𝑥 = ቤ = − 𝑒 −𝛼𝑥 ቚ = 𝑒 −𝛼𝑎 − 𝑒 −𝛼𝑏
𝑎 −𝛼 𝑎 𝑎

Lembre-se de que a inclusão ou não dos extremos a e b não altera o cálculo


efetuado acima.
Distribuição Exponencial

Propriedade de falta de memória

Supondo que X representa o tempo de vida de um equipamento, podemos fazer


a seguinte interpretação para a propriedade da falta de memória: a probabilidade
do equipamento durar pelo menos t+s anos, sabendo-se que já está funcionando
a pelo menos s, é igual a probabilidade de um equipamento novo durar pelo
menos t anos. Em outras palavras, a informação da “idade” do equipamento pode
ser esquecida e o que importa, para o cálculo da probabilidade, é quantos anos a
mais queremos que dure.
Distribuição Exponencial

Propriedade de falta de memória


Demonstração P(X>15|X>5)=P(X>10)

Considere uma variável aleatória contínua X com distribuição exponencial e


parâmetro . Considere também s e t > 0, então temos que:
P( X  t + s  X  s ) P( X  t + s )
P( X  t + s | X  s ) = = =
P( X  s ) P( X  s )
 

=
t+s
e −x dx
=
− e −x
t+s e − (t + s )
= − ( s ) = e −t = P( X  t )
 −x 

−x
e dx −e
s
e
s
Distribuição Exponencial – Utilizando o Excel

Distribuição exponencial para o


=DISTR.EXPON(x;alfa;VERDADEIRO)*
cálculo de P(0<X<x)

*Os resultados exibidos mostrarão a probabilidade acumulada!


Distribuição Exponencial – Utilizando o R

Distribuição exponencial
pexp(x, rate = alfa, lower.tail = TRUE, log.p
para o cálculo de
P(0<X<x)
= FALSE)
onde:
alfa= parâmetro da distribuição exponencial
lower.tail=TRUE → Fornece a probabilidade acumulada → P(X<x)
lower.tail=FALSE → Fornece a probabilidade acima de x → P(X>x)
log=FALSE → Fornece as probabilidades numéricas e não em escala logarítmica.
Distribuição Exponencial – Exemplo

A vida útil de uma lâmpada (em horas) é modelada através da distribuição


exponencial com parâmetro 1/8000.

X: Tempo de duração da lâmpada (em horas)


X ~ exp (1/8000)

a) Calcule o tempo médio de duração dessas lâmpadas.

A média de uma variável descrita pela distribuição exponencial é E(X)=1/, ou


seja, como =1/8000 teremos um tempo médio de duração de 8000 horas.
Distribuição Exponencial – Exemplo
b) Calcule a probabilidade de que uma lâmpada dure pelo menos 4000 horas.

Como a distribuição exponencial não tem um limite superior mas, tem o zero
como limite inferior, para realizar o cálculo de que a lâmpada dure pelo menos
4000 horas iremos utilizar o complementar, ou seja,
 − 8000
1

1
4000 
P( X  4000) = 1 − P(0  X  4000) = 1 −  e
0
− e 8000  = 0,6065
 
Utilizando o Microsoft Excel: Utilizando o R:
=DISTR.EXPON(4000;1/8000;VERDADEIRO) pexp(4000, rate = 1/8000, lower.tail = FALSE,
Resultado: 0,393469 log.p = FALSE)
Calculando 1-0,393469 = 0,606531 Resultado: 0.6065307
Distribuição Exponencial – Exemplo
c) Sabe-se que o fabricante garante a reposição de uma lâmpada caso ela dure
menos de 50 horas. Determine a probabilidade de haver troca por defeito na
fabricação.
1 1
− −
P( X  50) = P(0  X  50) = e
0 50
8000
−e 8000
= 0,0062

Utilizando o Microsoft Excel: Utilizando o R:


=DISTR.EXPON(50;1/8000;VERDADEIRO) pexp(50, rate = 1/8000, lower.tail = TRUE,
Resultado: 0,006231 log.p = FALSE)
Resultado: 0.006230509
Distribuição Exponencial – Exemplo

d) Uma lâmpada é colocada em teste. Calcule a probabilidade de que ela dure


pelo menos 10000 horas, sabendo-se que ela já está em funcionamento a pelo
menos 6000 horas.
P(X>10000|X>6000) =

Para resolver essa probabilidade condicional podemos utilizar a propriedade


de falta de memória da distribuição exponencial, ou seja,
P(X>10000|X>6000) = P(X>4000) = 0,6065
Distribuição Exponencial – Exercício 1

A vida de certo componente tem uma distribuição aproximadamente


exponencial com média de 1000 horas.

a) Determinar a porcentagem de componentes que queimarão antes de 1000


horas.
b) Qual é a probabilidade de que os componentes durem entre 900 e 1200
horas?
c) Qual é o percentual de componentes que durarão mais de 850 horas?
Respostas: a) 63,21% ; b) 0,1054 ; c) 42,7%
Distribuição Exponencial – Exercício 1 - Resolução

A vida de certo componente tem uma distribuição aproximadamente exponencial com


média de 1000 horas.
X: Tempo de vida de um componente (em horas)
=E(X)= 1000 horas
X~exp(1/1000)

a) Determinar a porcentagem de componentes que queimarão antes de 1000 horas.


→ P(X<1000) = P(0<X<1000) = 0,63212 ou 63,212%

Utilizando o Microsoft Excel: Utilizando o R:


=DISTR.EXPON(1000;1/1000;VERDADEIRO) pexp(1000, rate = 1/1000, lower.tail = TRUE,
Resultado: 0,632121 log.p = FALSE)
Resultado: 0.6321206
Distribuição Exponencial – Exercício 1 - Resolução

b) Qual é a probabilidade de que os componentes durem entre 900 e 1200 horas?


→ P(900<X<1200) = P(0<X<1200) – P(0<X<900) = 0,698806 – 0,59343 = 0,10537

Utilizando o Microsoft Excel: Utilizando o R:


=DISTR.EXPON(900;1/1000;VERDADEIRO) pexp(900, rate = 1/1000, lower.tail = TRUE, log.p
Resultado: 0,59343 = FALSE)
=DISTR.EXPON(1200;1/1000;VERDADEIRO) Resultado: 0.5934303
Resultado: 0,698806 pexp(1200, rate = 1/1000, lower.tail = TRUE,
Resultado final = 0,698806-0,59343=0,1053756 log.p = FALSE)
Resultado: 0.6988058
Resultado final = 0.1053754
Distribuição Exponencial – Exercício 1 - Resolução

c) Qual é o percentual de componentes que durarão mais de 850 horas?

→ P(X>850) = 1-P(0<X<850) = 1-0,572585 = 0,427415

Utilizando o Microsoft Excel: Utilizando o R:


=DISTR.EXPON(850;1/1000;VERDADEIRO) pexp(850, rate = 1/1000, lower.tail = FALSE, log.p
Resultado: 0,572585 = FALSE)
Resultado final = 1-0,572585=0,427415 Resultado: 0.4274149
Distribuição Normal

• A distribuição normal conhecida também como distribuição


gaussiana é sem dúvida a mais importante distribuição
contínua.
• O requisito mínimo para adotarmos o modelo normal para
um conjunto de dados contínuos é que seu histograma seja
aproximadamente simétrico em torno do ponto central, que
também deve ser o ponto de máximo.
Distribuição Normal – f.d.p.

A variável aleatória X, que toma todos os valores reais - < x< +,
tem uma distribuição normal (ou gaussiana) se sua função
densidade de probabilidade (f.d.p.) for da forma:
− ( x −  )2

f (x ) =
1
e 2 2
,−  x  +
 2
A notação X ~ N (, 2) representa que a v. a. X tem distribuição
Normal com parâmetros  (média) e 2 (variância).
Distribuição Normal - Propriedades
40
• A distribuição é simétrica em torno da
30
média, assim, as medidas de tendência
central (média, mediana e moda)
20

apresentam o mesmo valor.


10
• A distribuição normal fica delimitada
0

μ
pelo seu desvio padrão e sua média.
Função densidade de Para cada combinação de valores de
probabilidade da distribuição média e desvio padrão gera uma
normal.
distribuição Normal diferente;
Distribuição Normal - Propriedades

• A área sob a curva corresponde à 1.


40

30

• O ponto de máximo da curva da


20 distribuição normal ocorre quando x = ,
10
ou seja, em torno da média registra-se
uma probabilidade maior de ocorrência.
0

μ À medida que nos afastamos da média,


Função densidade de as probabilidades de ocorrência vão
probabilidade da distribuição
normal. diminuindo.
Distribuição Normal – Diferentes médias

Distribution Plot
Normal; StDev=1 A distribuição Normal depende dos
0,4 Mean
0
parâmetros: média () e desvio padrão
1
2 (). A depender dos valores da média e do
0,3
desvio, diferentes serão os formatos das
Density

0,2
curvas.
Observe a figura que apresenta três curvas
0,1 distintas, com mesmo desvio padrão
(=1), porém com médias diferentes (μ=0,
0,0
-3 -2 -1 0 1
X
2 3 4 5 6 μ=1 e μ=2).
Distribuição Normal – Diferentes desvios

Distribution Plot
Normal; Mean=0
StDev
A distribuição Normal depende dos
0,4
1
2
3
parâmetros: média () e desvio padrão ().
0,3 A depender dos valores da média e do
desvio, diferentes serão os formatos das
Density

0,2
curvas.
0,1
Observe a figura que apresenta três curvas
distintas, mesma média (μ=0) e desvios
0,0
-10 -5 0 5 10
diferentes (=1, =2 e =3).
X
Distribuição Normal – Utilizando o Excel

Distribuição normal para o =DIST.NORM.N(x;media;desvio


cálculo de P(X<x) padrão;VERDADEIRO)*

*Os resultados exibidos mostrarão a probabilidade acumulada!


Distribuição Normal – Utilizando o R

Distribuição normal para o pnorm(x, mean = m, sd = s, lower.tail =


cálculo de P(X<x) TRUE, log.p = FALSE)

onde:
m= média
s= desvio padrão
lower.tail=TRUE → Fornece a probabilidade acumulada → P(X<x)
lower.tail=FALSE → Fornece a probabilidade acima de x → P(X>x)
log=FALSE → Fornece as probabilidades numéricas e não em escala logarítmica.
Distribuição Normal – Exemplo

Suponha que as medidas da corrente em um pedaço de fio sigam a distribuição


normal, com um média de 10 miliamperes e uma variância de 5 miliamperes2.
X: medida da corrente em miliamperes
 (média) = 10
2 (variância) = 5 → Desvio padrão (σ) = 2,2361
X~N(10;5)
Qual a probabilidade:
Distribuição Normal – Exemplo

a) Da medida da corrente ser de no máximo 12 miliamperes.


→P(X<12)=

Usando o Microsoft Excel: Usando o R:


=DIST.NORM.N(12;10;2,2361;VERDADEIRO) pnorm(12, mean = 10, sd = 2.2361,
Resultado: lower.tail = TRUE, log.p = FALSE)
0,81445 Resultado:
0.8144499
Distribuição Normal – Exemplo

b) Da medida da corrente ser de pelo menos 13 miliamperes.


P(X>13)= 1-P(X<13)

Usando o Microsoft Excel: Usando o R:


=DIST.NORM.N(13;10;2,2361;VERDADEIRO) pnorm(13, mean = 10, sd = 2.2361,
Resultado: lower.tail = FALSE, log.p = FALSE)
0,910141 Resultado:
Resultado final= 1- 0910141= 0,089859 0.08985936
Distribuição Normal – Exemplo
c) Um valor entre 9 e 11 miliamperes.
P(9<X<11)= P(X<11) - P(X<9)
Usando o Microsoft Excel: Usando o R:
=DIST.NORM.N(11;10;2,2361;VERDADEIRO) pnorm(11, mean = 10, sd = 2.2361,
Resultado: 0,672637 lower.tail = TRUE, log.p = FALSE)
=DIST.NORM.N(9;10;2,2361;VERDADEIRO) Resultado: 0.6726373
Resultado: 0,327363 pnorm(9, mean = 10, sd = 2.2361, lower.tail
Resultado final= = TRUE, log.p = FALSE)
0,672637-0,327363= 0,345274 Resultado: 0.3273627
Resultado final=
0.6726373-0.3273627= 0,3452746
Distribuição Normal – Exemplo

d) Maior do que 8 miliamperes.


P(X>8)= 1- P(X<8)

Usando o Microsoft Excel: Usando o R:


=DIST.NORM.N(8;10;2,2361;VERDADEIRO) pnorm(8, mean = 10, sd = 2.2361, lower.tail
Resultado: 0,185550 = FALSE, log.p = FALSE)
Resultado final= Resultado: 0.8144499
1-0,185550=0,814450
Distribuição Normal – Exercício

As vendas diárias de um mercado de bairro seguem, aproximadamente, uma


distribuição normal, com média igual a R$5.000,00 e desvio padrão igual a R$2.000,00.
Calcule a probabilidade de que, em um determinado dia, as vendas:
a) Sejam superiores a R$3.500,00?
b) Sejam inferiores a R$3.000,00?
c) Estejam entre R$3.800,00 e R$5.300,00?
d) Estejam entre R$2.100,00 e 7.800,00?

Respostas: a) 0,7734 b) 0,1587 c) 0,2854 d) 0,8457


Distribuição Normal – Exercício - Resolução
As vendas diárias de um mercado de bairro seguem, aproximadamente, uma distribuição normal,
com média igual a R$5.000,00 e desvio padrão igual a R$2.000,00.
X: Vendas diárias de um mercado
 (média) = 5000
σ (desvio padrão) = 2000
Calcule a probabilidade de que, em um determinado dia, as vendas:
a) Sejam superiores a R$3.500,00?
→ P(X>3500) = 1- P(X<3500)
Utilizando o Excel Utilizando o R:
=DIST.NORM.N(3500;5000;2000;VERDADEIRO) pnorm(3500, mean = 5000, sd = 2000,
Resultado: 0,226627 lower.tail = FALSE, log.p = FALSE)
Resultado final= 1-0,226627=0,773373 Resultado: 0.7733726
b) Sejam inferiores a R$3.000,00?
→ P(X<3000)
Utilizando o Excel Utilizando o R:
=DIST.NORM.N(3000;5000;2000;VERDADEIRO) pnorm(3000, mean = 5000, sd = 2000, lower.tail
Resultado: 0,1586553 = TRUE, log.p = FALSE)
Resultado: 0.1586553

c) Estejam entre R$3.800,00 e R$5.300,00?


→ P(3800<X<5300)=P(X<5300)-P(X<3800)
Utilizando o Excel Utilizando o R:
=DIST.NORM.N(5300;5000;2000;VERDADEIRO) pnorm(5300, mean = 5000, sd = 2000, lower.tail
Resultado: 0,559618 = TRUE, log.p = FALSE)
=DIST.NORM.N(3800;5000;2000;VERDADEIRO) Resultado: 0.5596177
Resultado: 0,274253 pnorm(3800, mean = 5000, sd = 2000, lower.tail
Resultado final= 0,5596177-0,2742531=0,285365 = TRUE, log.p = FALSE)
Resultado: 0.2742531
Resultado final= 0.2853646
Distribuição Normal – Exercício - Resolução

d) Estejam entre R$2.100,00 e 7.800,00?


→ P(2100<X<7800)=P(X<7800)-P(X<2100)
Utilizando o Excel Utilizando o R:
=DIST.NORM.N(7800;5000;2000;VERDADEIRO) pnorm(7800, mean = 5000, sd = 2000, lower.tail
Resultado: 0,9192433 = TRUE, log.p = FALSE)
=DIST.NORM.N(2100;5000;2000;VERDADEIRO) Resultado: 0.9192433
Resultado: 0,0735293 pnorm(2100, mean = 5000, sd = 2000, lower.tail
Resultado final= 0,9192433-0,0735293 = TRUE, log.p = FALSE)
=0,8457140 Resultado: 0.07352926
Resultado final=
0.9192433-0.07352926=0,84571404
Distribuição Normal Padrão

Se X tiver a distribuição normal com média = 0 e


variância = 1, ou seja, X ~ N (0, 1), diremos que X
possui a distribuição normal reduzida ou distribuição
normal padrão.
Distribuição Normal Padrão

O cálculo de probabilidades, para variáveis adequadamente


descritas pela distribuição normal, é realizado por meio da
distribuição normal padrão, também chamada de padronizada ou
reduzida. A variável aleatória Z tem distribuição normal padrão,
pois sua média é igual a zero e sua variância é igual a 1, ou seja,
Z ~ N (0, 1).
Distribuição Normal Padrão
Para obter tal distribuição, isto é, quando se tem uma variável X
com distribuição normal com média μ diferente de 0 (zero) e/ou
desvio padrão  diferente de 1 (um), devemos reduzi-la a uma
variável Z, efetuando o seguinte cálculo:
x−
z=

Onde, z é o valor da variável normal padronizada Z, x é o valor da variável
normal X; μ é a média da variável aleatória X e  é o desvio padrão da
variável aleatória X.
Distribuição Normal Padrão

Existem vários tipos de tabelas que nos fornecem as probabilidades


sob a curva normal padrão.

P(Z<z) P(0<Z<z) P(Z>z)


Tabela da Distribuição Normal Padrão → P(0<Z<z)

z 0 1 2 3 4 5 6 7 8 9
0,0 0,0000 0,0040 0,0080 0,0120 0,0160 0,0199 0,0239 0,0279 0,0319 0,0359
0,1 0,0398 0,0438 0,0478 0,0517 0,0557 0,0596 0,0636 0,0675 0,0714 0,0753
0,2 0,0793 0,0832 0,0871 0,0910 0,0948 0,0987 0,1026 0,1064 0,1103 0,1141
0,3 0,1179 0,1217 0,1255 0,1293 0,1331 0,1368 0,1406 0,1443 0,1480 0,1517
0,4 0,1554 0,1591 0,1628 0,1664 0,1700 0,1736 0,1772 0,1808 0,1844 0,1879
0,5 0,1915 0,1950 0,1985 0,2019 0,2054 0,2088 0,2123 0,2157 0,2190 0,2224
0,6 0,2257 0,2291 0,2324 0,2357 0,2389 0,2422 0,2454 0,2486 0,2517 0,2549
0,7 0,2580 0,2611 0,2642 0,2673 0,2704 0,2734 0,2764 0,2794 0,2823 0,2852
0,8 0,2881 0,2910 0,2939 0,2967 0,2995 0,3023 0,3051 0,3078 0,3106 0,3133
Lembrar sempre que...

P(Z > z) P(Z < -z)


Lembrar sempre que...

= -

P(Z > z) P(Z > 0) = 0,5 P(0 < Z < z)


Quando z é
positivo.
Lembrar sempre que...

= +

P(Z < z) P(Z < 0) = 0,5 P(0 < Z < z)


Quando z é
positivo.
Lembrar sempre que...

= -

P(a < Z < b) P(0 < Z < b) P(0 < Z < a)


Quando ambos são positivos
ou ambos são negativos.