Estatística Aplicada Prof. Me. Walter Garcia Alvares 3 Estatística Aplicada Prof. Me.

Walter Garcia Alvares 2

Estatística Aplicada Prof. Me. Walter Garcia Alvares 5 Estatística Aplicada Prof. Me. Walter Garcia Alvares 4
 I) II)
III)
Estatística Aplicada Prof. Me. Walter Garcia Alvares 7 Estatística Aplicada Prof. Me. Walter Garcia Alvares 6
Estatística Aplicada Prof. Me. Walter Garcia Alvares 9 Estatística Aplicada Prof. Me. Walter Garcia Alvares 8
Estatística Aplicada Prof. Me. Walter Garcia Alvares 11 Estatística Aplicada Prof. Me. Walter Garcia Alvares 10
 M
Estatística Aplicada Prof. Me. Walter Garcia Alvares 13 Estatística Aplicada Prof. Me. Walter Garcia Alvares 12
 x
x
Estatística Aplicada Prof. Me. Walter Garcia Alvares 15 Estatística Aplicada Prof. Me. Walter Garcia Alvares 14
 x
Z
Estatística Aplicada Prof. Me. Walter Garcia Alvares 17 Estatística Aplicada Prof. Me. Walter Garcia Alvares 16
Estatística Aplicada Prof. Me. Walter Garcia Alvares 19 Estatística Aplicada Prof. Me. Walter Garcia Alvares 18
10 - Distribuição Exponencial de probabilidades:
É muito aplicada em Logística, nos casos onde queremos analisar o espaço ou intervalo de tempo de acontecimentos
de um evento. Na distribuição de Poisson, dada anteriormente, aestimativa da quantidade de eventos num intervalo
é denominada de distribuição de dados discreta. A distribuição Exponencial está ligada à de Poisson, pois ela analisa
inversamente o experimento, num intervalo ou espaço de tempo para ocorrência de um evento. A distribuição
Exponencial depende somente da suposição de que o evento ocorra seguindo o processo de Poisson.
A função densidade de probabilidade P (x) exponencial da variável aleatória X é dada por:
P (x) = f (x) = . e .t , ou:
x/µ
y = f (x) = . e
onde: = , sendo: µ = média da distribuição.
O ponto inicial para medir a variável aleatória X não importa, porque a probabilidade do número de falhas num
intervalo de um processo de Poisson, depende somente da dimensão do intervalo e não da sua localização.
Se uma variável aleatória X possuir uma distribuição exponencial, com parâmetro , então:
Média ou Valor Esperado ou Esperança matemática da v.a. X = E(x) = µ = , e
2 0,5
Desvio Padrão = =( )
Revisão do Cálculo sobre Integral Definida - Teorema Fundamental do Cálculo Integral
Seja y = f(x) uma função contínua no intervalo [a,b] e: isto é: F(x) é uma primitiva ou anti-derivada de
f(x), então: = F(x)]ba = F(b) F(a).
x
Analisando através do gráfico cartesiano (vide gráfico do Ex. 5 abaixo) da função: y = f(x) = e , observamos
facilmente que: (copiar do quadro)
Exemplo 1) Um fio de cobre apresenta uma taxa de 2 falhas por metro. Qual a probabilidade dele apresentar, em
um metro, 4 falhas? Podemos tentar obter também a probabilidade de ocorrer uma falha em 0,5 m., se ele possui
uma taxa média de ocorrências de 2 falhas por metro. Nesse ex. a probabilidade relacionada ao comprimento do
fio, depende apenas da suposição das falhas no fio seguirem o processo de Poisson.
O ponto inicial para medir a variável aleatória X não importa, porque a probabilidade do número de falhas num
intervalo de um processo de Poisson, depende somente da dimensão do intervalo e não da sua localização.
Então a Média ou valor esperado de distância por falha será: E(x) = µ = 1/2 = 0,5 m/falha; e
2 0,5
o Desvio Padrão = =( ) , ou seja, se: = 2 falhas/m. = 0,5 m. por falha
Exemplo 2) Uma máquina de tecer fios, apresenta em média 1 defeito a cada 400 m. de fios tecidos. Calcular a
probabilidade do intervalo entre 2 defeitos consecutivos seja:
a) no mínimo de 1.000 m. ?
b) entre 800 e 1.000 m. ?
c) calcular a média e o desvio padrão da distribuição.
Solução: Média = E(x) = µ => E(x) = µ = = 0,0025 metros/defeito;
2 0,5
Desvio Padrão: = (1 ) => = (1/4002)0,5 = 400;
1000 . 0,0025
P( ) = e .t = e = e 2,5 = 0,0821 = 8,21 % ;
P( e 2 e 2,5 = 0,0532 = 5,32 %
Exemplo 3) Numa grande rede de computadores, as conexões dos usuários do sistema podem ser modeladas como
um processo de Poisson, com média de 25 conexões/hora. Calcular:
a) a probabilidade de não haver nenhuma conexão num intervalo de 6 min.?
b) a probabilidade de que o tempo até a próxima conexão esteja entre 2 e 3 min.?
c) calcular o intervalo de tempo tal que a probabilidade de que não haja nenhuma conexão no intervalo seja = 0,90.
Obs.: A distribuição exponencial é frequentemente usada em estudos de confiabilidade, como sendo um modelo para
o tempo até a falha de um equipamento (muito usado para componentes eletrônicos, tais como: computadores,
circuitos integrados, resistências, capacitores ou em equipamentos eletrônicos em geral.
Solução: Média ou Valor esperado até a próxima conexão: = = 0,04 horas = 25 min.
O desvio padrão do tempo até a próxima conexão: = = 0,04 horas = 25 min.
P (x) = .
Estatística Aplicada Prof. Me. Walter Garcia Alvares 21 Estatística Aplicada Prof. Me. Walter Garcia Alvares 20
2) A propriedade de falta de memória da distribuição exponencial implica que o equipamento não se desgasta, ou a) P(x > 6) = e 25 x 0,1 = 0,082 = 8,20 %
seja: independente de quanto tempo o equipamento tenha operado, a probabilidade de 1 falha nas próximas 1.000h é b) Qual é a probabilidade que o tempo de conexão esteja entre 2 e 3 min.?
a mesma que a probabilidade de 1 falha nas primeiras 1.000 h. de vida do equipamento. 25 x 0,05
P(2 < x < 3 ) = P(0,33 h. < x < 0,05 h.) = = e 25 x 0,033 ( e ) = 0,152 = 15,20%;
3) Portanto equipamentos que sofrem desgastes com o tempo, ou seja: a taxa de falhas varia com o tempo de uso,
sendo: 0,033... h. e: 0,05 h.
como peças mecânicas (mancais, rolamentos, etc.), são melhor modelados através de uma distribuição tal que:
P (L< > t) (sendo L o tempo de vida do equipamento, dado que ele sempre aumenta com o tempo). Notas: A probabilidade de não haver conexão no intervalo de 6 min. é de: 0,082 = 8,2 %, e é independente do
Essas distribuições são denominadas istribuições de Weibull tempo inicial, pois o processo de Poisson supõe que os eventos ocorrem uniformemente através do intervalo de
observação, não ocorrendo agrupamentos de eventos. Assim, a probabilidade da 1ª ligação ocorrer das 12:00 h. até
as 12:06 h. éa mesma probabilidade da ligação ocorrer das 15:00 h. até as 15:06 h.
Trabalho Prático nº. 9 (T.P. 9):
1) Uma lâmpada tem a duração de acordo com a seguinte função de densidade exponencial de probabilidades: Exemplo 4) Determine o intervalo de tempo tal que a probabilidade de nenhuma conexão ocorrer neste intervalo seja
P ( x ) = f (x) =1/1000 .e 1/1000.t igual a 0,90.
Calcular a probabilidade de: a) uma lâmpada queimar antes de 1.000 h. de uso ? Resposta: Obs.: Por integral é o mesmo que dizer: não ocorrer nenhuma conexão (x = 0) num intervalo = 0,90 é igual a dizer
b) uma lâmpada queimar depois de sua duração média ? Resposta: que a probabilidade de ocorrer uma conexão nesse intervalo seja = 0,10
c) obter a média, a variância e o desvio padrão dessa distribuição. Resposta: Solução: f (x) = P (x) = . => f (t) = P (t) = . => P( 0) = 0,90 = 90% => = 0,90 =
= e 25. t ( e 25 x 0) = 0,90 => e 25 t + 1 = 0,90 => e 25 t = 0,90 1 => e 25 t = 0,10 => e 25 t = 0,10 =>
2) Sabendo-se que os apagões (interrupções acidentais de energia elétrica) na região sudeste ocorrem de acordo
ln e 25 t = ln 0,10 => 25 t . ln e = ln 0,10 => 25 t . 1 = ln 0,10 => 25 t = - 1 => t = 1/25 h. = 0,04 h. = 25 min.
com uma distribuição de Poisson, com uma média de 1 interrupção por mês de 4 semanas, calcular a probabilidade
de que entre 2 interrupções consecutivas ocorra num intervalo de: a) menos de 1 semana; Resposta:
Exemplo 5) O tempo médio para encher uma caixa d água é de 20 min. (µ = 20), e segue uma distribuição
b) entre 10 e 12 semanas; Resposta:
c) exatamente 1 mês; Resposta: exponencial cuja função de probabilidade seria dada por: P (x) = f (x) = . e x/20
d) mais de 3 semanas. Resposta: Assim como semelhantemente na Distribuição Normal a área sob sua curva característica é dada pelo gráfico:
3) Provar que P(t) = f(t) é uma função de densidade exponencial de probabilidades. Resposta:
4) Provar que a média da distribuição é igual a: µ = 0,25 mês/interrupções. Resposta:
2 2
5) Provar que a variância da distribuição é igual a: = = 16 interrupções2 Resposta:
É também correspondente a um intervalo, e fornece a probabilidade da variável aleatória assumir qualquer valor
nesse intervalo. A probabilidade de seu enchimento ser de 8 min. ou menos (x definida como sendo a área
entre: x = 0 até x = 8, sob a curva.
A probabilidade do enchimento de uma outra caixa d água levará 15 min. sde x = 0 até
x = 15, sob a curva. Também podemos concluir que a probabilidade de encher a caixa levará entre 8 min. e 15 min.
(8 x 15) é dada pela área entre: x = 8 até x = 15 . Para calcular probabilidades exponenciais, usaremos a seguinte
formula da função de distribuição de densidade de probabilidade exponencial:
o) = 1 e xo/µ
No ex. anterior, do enchimento da caixa d água, a fórmula seria aplicada como:
o) = 1 e xo/20
Portanto a probabilidade de que o enchimento dure 8 min. ou menos
e 8/20 = 0,3297 = 32,97%
Exemplo 6) Exemplo da propriedade de falta de memória :
Seja X o tempo entre o nº. de detecções de uma partícula radioativa Considere que X possui
uma distribuição exponencial com média: = 1,4 min. A probabilidade de detectarmos 1 partícula dentro de 30 s. a
partir do começo da contagem é: = 1,4 min. => µ = = partíc./min. = 0,714 partic./min.
x
Pelo processo de Poisson: P(X = x) = e . x = e 1,4 .
x! x!
esperamos 3 min. sem detectar nenhuma partícula, a
probabilidade de uma partícula ser detectada nos próximo 30 seg. é igual a: depois de esperar por 3 min. sem
nenhuma detecção, a probabilidade de 1 detecção nos próximos 30 s. é a mesma probabilidade de 1 detecção nos 30
s. seguintes imediatamente após começarmos a contagem.
A distribuição exponencial é frequentemente usada em estudos de confiabilidade como modelo para contagem do
tempo até a falha de 1 equipamento. Ela é muito utilizada para medir a vida útil de componentes eletrônicos e em
outras situações semelhantes.
Obs.: 1) O tempo de vida até a falha de 1 semicondutor pode ser modelado por 1 variável aleatória exponencial com
média de 40.000 horas.
Estatística Aplicada Prof. Me. Walter Garcia Alvares 23 Estatística Aplicada Prof. Me. Walter Garcia Alvares 22
Estatística Aplicada Prof. Me. Walter Garcia Alvares 25 Estatística Aplicada Prof. Me. Walter Garcia Alvares 24
Bibliografia:
1- Stevenson, Willian J.
Estatística Aplicada à Administração de Empresas São Paulo: Harper & Row do Brasil Ltda, 1991
2 Kazmier, Leonard J.
Estatística Aplicada à Economia e Administração de Empresas São Paulo: Mc Graw-Hill, 1992
3 Spiegel, Murray R. - Estatística São Paulo, Mc Graw-Hill, 1984
4 Akamine, Carlos Takeo
Estatística São Paulo: Érica, 1998
5 - Schaum & Kazmier, Leonard J. Estatística Aplicada à Economia e Administração. São Paulo, Makron
Books, 1982
6 Fonseca, Jairo Simon da e Gilberto de Andrade Martins 2ª. Edição
Curso de Estatística São Paulo -Editora Atlas 1979
Bibliografia Básica:
7 - FARHAT, Cecília Aparecida Vaiano. Introdução à Estatística Aplicada. São Paulo, F.T.D., 1998
8 - CRESPO, Antonio Arnot. Estatística Fácil. 18ª edição. São Paulo. Saraiva, 2002.
Bibliografia Complementar:
9 - SILVA, Élio Medeiros da. Estatística para os cursos de Economia, Administração e Ciências
Contábeis. Volume1; 3ª Edição. Atlas, São Paulo, 1999
10 - BUSSAB, Wilton; MORETTIN, Pedro A. Estatística básica, Ed. São Paulo. Atual, 1997.
Estatística Aplicada Prof. Me. Walter Garcia Alvares 27 Estatística Aplicada Prof. Me. Walter Garcia Alvares 26