Introdução Variáveis Aleatórias Contı́nuas Distribuição Uniforme Distribuição Exponencial Distribuição Normal Referências

Variáveis Aleatórias Contı́nuas

Prof. James S. Eger

Universidade Federal de Santa Catarina

2016

Prof. James S. Eger Universidade Federal de Santa Catarina

EMB 5010 - Estatı́stica e Probabilidade para Engenharia
Introdução Variáveis Aleatórias Contı́nuas Distribuição Uniforme Distribuição Exponencial Distribuição Normal Referências

Relembrando caso de variáveis discretas:

I X = número do setor circular onde o ponteiro para
I p(x)=?

Prof. James S. Eger Universidade Federal de Santa Catarina

EMB 5010 - Estatı́stica e Probabilidade para Engenharia
Introdução Variáveis Aleatórias Contı́nuas Distribuição Uniforme Distribuição Exponencial Distribuição Normal Referências

I X = valor do ângulo (em graus) onde o ponteiro para

I p(x)=?

Prof. James S. Eger Universidade Federal de Santa Catarina

EMB 5010 - Estatı́stica e Probabilidade para Engenharia
Introdução Variáveis Aleatórias Contı́nuas Distribuição Uniforme Distribuição Exponencial Distribuição Normal Referências

Função Densidade de Probabilidade

1. f (x ) ≥ 0
Z ∞
2. f (x )dx = 1
−∞
Z b
3. P(a ≤ X ≤ b) = f (x )dx
a
•P(X = x0 ) = 0
=⇒ P(a ≤ X ≤ b) = P(a < X < b) = P(a < X ≤ b) = P(a ≤ X < b)
Prof. James S. Eger Universidade Federal de Santa Catarina
EMB 5010 - Estatı́stica e Probabilidade para Engenharia
Introdução Variáveis Aleatórias Contı́nuas Distribuição Uniforme Distribuição Exponencial Distribuição Normal Referências

VAD // VAC

Função de Probabilidade (VAD) Função Densidade de Probabilidade (VAC)

1. f (x ) ≥ 0
1. f (xi ) ≥ 0 Z ∞
2.
P
f (xi ) = 1 2. f (x )dx = 1
−∞
3. f (xi ) = P(X = xi ) Z b
3. P(a ≤ X ≤ b) = f (x )dx
a

Prof. James S. Eger Universidade Federal de Santa Catarina

EMB 5010 - Estatı́stica e Probabilidade para Engenharia
Introdução Variáveis Aleatórias Contı́nuas Distribuição Uniforme Distribuição Exponencial Distribuição Normal Referências

Função Densidade e Histograma

I O histograma aproxima a função densidade de probabilidade

I Discreto → Contı́nuo

Prof. James S. Eger Universidade Federal de Santa Catarina

EMB 5010 - Estatı́stica e Probabilidade para Engenharia
Introdução Variáveis Aleatórias Contı́nuas Distribuição Uniforme Distribuição Exponencial Distribuição Normal Referências

Exercı́cio

A espessura, em micrometros, de um revestimento condutivo pode ser modelada pela

função abaixo:

f (x ) = 600x −2 , 100 ≤ x ≤ 120

a) Qual a proporção de peças com espessura superior a 110µm?

b) Qual a probabilidade de uma peça ter espessura igual a 110µm?
c) Qual a probabilidade de uma peça ter espessura inferior a 100µm?

Prof. James S. Eger Universidade Federal de Santa Catarina

EMB 5010 - Estatı́stica e Probabilidade para Engenharia
Introdução Variáveis Aleatórias Contı́nuas Distribuição Uniforme Distribuição Exponencial Distribuição Normal Referências

Função de Distribuição Acumulada

Z x
F (x ) = P(X ≤ x ) = f (s)ds
−∞

Onde f (s) é a função densidade de probabilidade

•Exemplo: obter a função de distribuição acumulada para a variável do exercı́cio

anterior.

Prof. James S. Eger Universidade Federal de Santa Catarina

EMB 5010 - Estatı́stica e Probabilidade para Engenharia
Introdução Variáveis Aleatórias Contı́nuas Distribuição Uniforme Distribuição Exponencial Distribuição Normal Referências

Média e Variância

I Média: medida de posição central:

Z ∞
µ = E (x ) = x · f (x )dx
−∞
I Variância: medida de dispersão:

Z ∞
σ 2 = V (x ) = E (x − µ)2 = (x − µ)2 · f (x )dx
−∞

•Variância = valor esperado do desvio quadrático em relação à média

Prof. James S. Eger Universidade Federal de Santa Catarina

EMB 5010 - Estatı́stica e Probabilidade para Engenharia
Introdução Variáveis Aleatórias Contı́nuas Distribuição Uniforme Distribuição Exponencial Distribuição Normal Referências

VAD // VAC

Média e Variância de uma Variável Aletória Média e Variância de uma Variável Aletória
Discreta Contı́nua
n
Z ∞
1. E (x ) = 1. E (x ) = x · f (x )dx
X
xi · pi
−∞
i=1 Z ∞
n 2. V (x ) = (x − µ)2 · f (x )dx
2. V (x ) = (xi − µ) · pi
X
2 −∞
i=1

Prof. James S. Eger Universidade Federal de Santa Catarina

EMB 5010 - Estatı́stica e Probabilidade para Engenharia
Introdução Variáveis Aleatórias Contı́nuas Distribuição Uniforme Distribuição Exponencial Distribuição Normal Referências

Exercı́cios

1. A espessura, em micrometros, de um revestimento condutivo pode ser modelada

pela função abaixo:

f (x ) = 600x −2 , 100 ≤ x ≤ 120

a) Determine a média e a variância da espessura do revestimento (109,39 e 33,19) ;

b) Se o custo do revestimento for de US$0,50 por micrometro de espessura em cada
peça, qual será o custo médio por peça? (54,70)
2. Determine a função densidade de probabilidade a partir da função de distribuição
cumulativa:
F (x ) = 1 − e −2x

Prof. James S. Eger Universidade Federal de Santa Catarina

EMB 5010 - Estatı́stica e Probabilidade para Engenharia
Introdução Variáveis Aleatórias Contı́nuas Distribuição Uniforme Distribuição Exponencial Distribuição Normal Referências

Principais Distribuições Contı́nuas

I Distribuição Uniforme
I Distribuição Exponencial
I Distribuição Normal

Prof. James S. Eger Universidade Federal de Santa Catarina

EMB 5010 - Estatı́stica e Probabilidade para Engenharia
Introdução Variáveis Aleatórias Contı́nuas Distribuição Uniforme Distribuição Exponencial Distribuição Normal Referências

Distribuição Uniforme
É o modelo contı́nuo mais simples:

1
I f (x ) =
b−a
a+b
I µ=
2
(b − a)2
I σ2 =
12
Prof. James S. Eger Universidade Federal de Santa Catarina
EMB 5010 - Estatı́stica e Probabilidade para Engenharia
Introdução Variáveis Aleatórias Contı́nuas Distribuição Uniforme Distribuição Exponencial Distribuição Normal Referências

Exercı́cio

A espessura de um filme fotorresistente aplicado a pastilhas na fabricação de

semicondutores, em uma certa localização na pastilha, é uniformemente distribuı́da
entre 0, 2050µm e 0, 2150µm:
a) Determine a função densidade de probabilidade da espessura do filme
b) Determine a função de distribuição cumulativa da espessura do filme; (100x-20,50)

c) Qual é a proporção de pastilhas cuja espessura excede 0, 2125µm? (0,25)

d) Que espessura é excedida por 10% das pastilhas? (0,2140)

e) Determine a média e o desvio-padrão da espessura. (0,2100 e 2,89x10-3)

Prof. James S. Eger Universidade Federal de Santa Catarina

EMB 5010 - Estatı́stica e Probabilidade para Engenharia
Introdução Variáveis Aleatórias Contı́nuas Distribuição Uniforme Distribuição Exponencial Distribuição Normal Referências

Distribuição Exponencial
I X = intervalo decorrido entre contagens sucessivas de um processo de Poisson
I Válida para as mesmas suposições:
I Taxa média de ocorrências = constante = λ
I Ocorrências independentes

I f (x ) = λe −λx
1
I µ=
λ
1
I σ2 = 2
λ

Prof. James S. Eger Universidade Federal de Santa Catarina

EMB 5010 - Estatı́stica e Probabilidade para Engenharia
Introdução Variáveis Aleatórias Contı́nuas Distribuição Uniforme Distribuição Exponencial Distribuição Normal Referências

Distribuição Exponencial - Exemplo

O tempo de vida de um transistor é uma variável aleatória (X) com distribuição
exponencial. O tempo médio de vida do transistor é de 500 horas:

I Calcule a probabilidade de o
transistor durar até 500 horas
I Calcule a proporção de
transistores que terá falhado
após 1000 horas

Prof. James S. Eger Universidade Federal de Santa Catarina

EMB 5010 - Estatı́stica e Probabilidade para Engenharia
Introdução Variáveis Aleatórias Contı́nuas Distribuição Uniforme Distribuição Exponencial Distribuição Normal Referências

Distribuição Exponencial - Exercı́cio

O tempo entre as chegadas de táxis a uma interseção movimentada é distribuı́do

exponencialmente, com uma média de 10 minutos:
a) Qual a probabilidade de você esperar mais de meia hora por um táxi neste ponto?
(0,0498)

b) Qual o tempo mı́nimo de espera que você encontrará 75% das vezes? (2,9 min)

c) Qual o tempo máximo de espera que você encontrará 90% das vezes? (23,0 min)

d) Na próxima meia hora, qual a probabilidade de chegarem mais de 4 táxis? (0,1848)

Prof. James S. Eger Universidade Federal de Santa Catarina

EMB 5010 - Estatı́stica e Probabilidade para Engenharia
Introdução Variáveis Aleatórias Contı́nuas Distribuição Uniforme Distribuição Exponencial Distribuição Normal Referências

Distribuição Normal

1 −(x −µ)2
I f (x ) = √ e 2σ2
2πσ
I E (x ) = µ
I V (x ) = σ 2

I Modelo mais largamente utilizado para variáveis aleatórias contı́nuas

I Teorema do Limite Central:
A variável aleatória que for o resultado médio das réplicas de um experimento
aleatório tenderá a ter uma distribuição normal
I Quando fazemos a média de um resultado? Alguns exemplos...
Prof. James S. Eger Universidade Federal de Santa Catarina
EMB 5010 - Estatı́stica e Probabilidade para Engenharia
Introdução Variáveis Aleatórias Contı́nuas Distribuição Uniforme Distribuição Exponencial Distribuição Normal Referências

Distribuição Normal - Alguns exemplos

I Controle estatı́stico de processo

I Erro dimensional em uma peça

usinada

I Experimentos em geral: medição de

temperatura, pressão, massa,
grandezas elétricas, dimensões, etc...

Prof. James S. Eger Universidade Federal de Santa Catarina

EMB 5010 - Estatı́stica e Probabilidade para Engenharia
Introdução Variáveis Aleatórias Contı́nuas Distribuição Uniforme Distribuição Exponencial Distribuição Normal Referências

Caracterı́sticas Especiais
I Simétrica em torno de µ

I Qualquer combinação linear de duas ou mais variáveis aleatórias normais é

também uma variável aleatória normal

Prof. James S. Eger Universidade Federal de Santa Catarina

EMB 5010 - Estatı́stica e Probabilidade para Engenharia
Introdução Variáveis Aleatórias Contı́nuas Distribuição Uniforme Distribuição Exponencial Distribuição Normal Referências

Cálculo de probabilidades para uma V.A. Normal

I Seja uma V.A. normal X, com média = 170 e desvio-padrão = 10. Qual a
probabilidade de ocorrer o evento X > 180?
1
Z ∞ Z ∞ −(x −µ)2
I P(X > 180) = f (x )dx = √ e 2σ2 dx
180 180 2πσ
I Não pode ser integrado explicitamente
I Solução: calculado numericamente e tabelado: V.A. Normal Padrão (Z)
X −µ
I Z=
σ
I Z tem parâmetros E (Z ) = 0 e V (Z ) = 1

Prof. James S. Eger Universidade Federal de Santa Catarina

EMB 5010 - Estatı́stica e Probabilidade para Engenharia
Introdução Variáveis Aleatórias Contı́nuas Distribuição Uniforme Distribuição Exponencial Distribuição Normal Referências

Cálculo de probabilidades para uma V.A. Normal

I F(Z) é tabelada
I P(Z < 0, 25) = 0, 5987
I P(Z > 0, 25) =
1 − P(Z < 0, 25) =
1 − 0, 5987 = 0, 4013

Prof. James S. Eger Universidade Federal de Santa Catarina

EMB 5010 - Estatı́stica e Probabilidade para Engenharia
Introdução Variáveis Aleatórias Contı́nuas Distribuição Uniforme Distribuição Exponencial Distribuição Normal Referências

Cálculo de probabilidades para uma V.A. Normal

I Diferentes tabelas...
I P(Z > 0, 25) = 0, 4013

Prof. James S. Eger Universidade Federal de Santa Catarina

EMB 5010 - Estatı́stica e Probabilidade para Engenharia
Introdução Variáveis Aleatórias Contı́nuas Distribuição Uniforme Distribuição Exponencial Distribuição Normal Referências

Cálculo de probabilidades para uma V.A. Normal

Voltando ao exemplo:
I X tem distribuição normal com µ = 170 e σ = 10
I P(X > 180) =?
180 − 170
I Z= =1
10
I P(X > 180) = P(Z > 1)
I Da tabela: P(Z > 1) = 0, 1587
I Portanto, P(X > 180) = 0, 1587

Prof. James S. Eger Universidade Federal de Santa Catarina

EMB 5010 - Estatı́stica e Probabilidade para Engenharia
Introdução Variáveis Aleatórias Contı́nuas Distribuição Uniforme Distribuição Exponencial Distribuição Normal Referências

Exercı́cios
1. Seja X uma variável distribuı́da normalmente, com média igual a 10 e
desvio-padrão igual a 2. Determine:
a) P(X > 13)
b) P(X < 11)
c) P(X < 8)
d) P(X > 9)
e) P(6 < X < 14)
f) P(−2 < X < 8)
2. Para a mesma variável X, determine o valor de x0 que resolve:
a) P(X > x0 ) = 0, 5
b) P(X > x0 ) = 0, 10
c) P(X > x0 ) = 0, 95
d) P(x0 < X < 10) = 0, 2
Esse é o momento para aprender a usar a tabela de distribuição normal
Prof. James S. Eger Universidade Federal de Santa Catarina
EMB 5010 - Estatı́stica e Probabilidade para Engenharia
Introdução Variáveis Aleatórias Contı́nuas Distribuição Uniforme Distribuição Exponencial Distribuição Normal Referências

Exercı́cio

Um experimento necessita de um cilindro de alumı́nio com 1, 41 cm de espessura.

Suponha que a espessura dos cilindros oriundos de um certo fabricante tenha
distribuição normal, com média = 1, 41 cm e desvio-padrão = 0, 01 cm:
a) Qual é a probabilidade de um cilindro ter espessura superior a 1, 42 cm? (0,1587)

b) Que espessura é excedida por 95% dos cilindros? (1,3936)

c) Se as especificações requerem que a espessura esteja entre 1, 39 cm e 1, 43 cm,

qual a porcentagem das peças que satisfazem às especificações? (0,9545)

Prof. James S. Eger Universidade Federal de Santa Catarina

EMB 5010 - Estatı́stica e Probabilidade para Engenharia
Introdução Variáveis Aleatórias Contı́nuas Distribuição Uniforme Distribuição Exponencial Distribuição Normal Referências

Exercı́cio

Sejam as variáveis aleatórias X1 e X2 o comprimento e a largura, respectivamente, de

uma peça retangular. Considere que X1 tem distribuição normal, com média = 2, 0 cm
e desvio-padrão = 0, 1 cm. X2 também tem distribuição normal, com média = 5, 0 cm
e desvio-padrão = 0, 2 cm. Suponha que X1 e X2 sejam independentes.

Determine a probabilidade de o perı́metro Y exceder 14, 5 cm (0,13)

Prof. James S. Eger Universidade Federal de Santa Catarina

EMB 5010 - Estatı́stica e Probabilidade para Engenharia
Introdução Variáveis Aleatórias Contı́nuas Distribuição Uniforme Distribuição Exponencial Distribuição Normal Referências

Aproximação Normal à Binomial

I Caso a binomial seja aproximadamente

simétrica → aproximação pela normal
é possı́vel
I Quando a binomial é simétrica?
I Quando n for grande em relação a p:
I n · p ≥ 5 e n(1 − p) ≥ 5

Prof. James S. Eger Universidade Federal de Santa Catarina

EMB 5010 - Estatı́stica e Probabilidade para Engenharia
Introdução Variáveis Aleatórias Contı́nuas Distribuição Uniforme Distribuição Exponencial Distribuição Normal Referências

Aproximação Normal à Poisson

I A distribuição de Poisson pode ser

aproximada pela normal quando λ for
grande:
I Válida para λ ≥ 5

Prof. James S. Eger Universidade Federal de Santa Catarina

EMB 5010 - Estatı́stica e Probabilidade para Engenharia
Introdução Variáveis Aleatórias Contı́nuas Distribuição Uniforme Distribuição Exponencial Distribuição Normal Referências

Referências

I MONTGOMERY, D.C., RUNGER, G.C. Estatı́stica aplicada e probabilidade

para engenheiros. 4 ed., Editora LTC, Rio de Janeiro, 2009
I BARBETTA, P. A., REIS, M. M. & BORNIA, A. C. Estatı́stica para Cursos de
Engenharia e Informática. 2ª ed., Editora Atlas, São Paulo, 2009
I Devore, J. L. Probabilidade e Estatı́stica para Engenharia e Ciências
I ROSS, S. Introduction to Probability and Statistics for Engineers and
Scientists

Prof. James S. Eger Universidade Federal de Santa Catarina

EMB 5010 - Estatı́stica e Probabilidade para Engenharia