Escolar Documentos
Profissional Documentos
Cultura Documentos
Na aula 4, aprendemos a calcular probabilidades de eventos relacionados à realização de um experimento aleatório, que
apresenta mais de um resultado possível.
Nem sempre os resultados de um experimento aleatório são numéricos e vimos em aulas anteriores que as técnicas de
análise de dados para variáveis quantitativas são muito mais ricas do que para as variáveis qualitativas, pois conseguimos
encontrar medidas descritivas como média e desvio-padrão.
Nessa aula, aprenderemos a atribuir uma descrição numérica ao resultado de um experimento por meio de uma variável
aleatória. Além disso, estudaremos os principais modelos probabilísticos para variáveis aleatórias discretas e contínuas.
Objetivos
Calcular probabilidades de variáveis aleatórias que seguem uma distribuição Binomial ou Poisson;
Calcular probabilidades de variáveis aleatórias que seguem uma distribuição normal, exponencial ou Weibulll.
Classi cação de conceitos
Antes de formalizarmos o conceito de variável aleatória, vamos analisar a seguinte situação: três componentes eletrônicos são
testados e eles podem ser classi cados como: D (defeituosos) ou N (não defeituosos).
Quando realizamos esse experimento, quais são os possíveis resultados que podemos
obter?
O diagrama de árvore nos auxilia na obtenção do espaço amostral relacionado a esse experimento aleatório:
Ou seja:
É natural o departamento de controle de qualidade, por exemplo, estar interessado no número de componentes defeituosos
dentre os três componentes testados. Analisando o espaço amostral, chegamos à conclusão que as possíveis respostas são: 0, 1
ou 2 componentes defeituosos.
Na estatística descritiva, construímos distribuições de frequências que associam uma frequência a cada valor da variável. Aqui,
também podemos construir uma tabela, denominada distribuição de probabilidade. A estrutura é apresentada a seguir.
X p (x)
x1 p (x1 )
x2 p (x2 )
x3 p (x3 )
⋮ ⋮
xn p (xn )
Total 1
Os valores x1 , x2 , … , xn são aqueles cuja variável aleatória pode assumir p (x1 ), p (x2 ), … , p (xn ) e suas respectivas
probabilidades.
Como já sabemos o que signi ca uma variável aleatória e o que é uma distribuição de probabilidade, vamos estudar algumas
variáveis aleatórias que aparecem com bastante frequência em situações práticas e, por isso, merecem um estudo mais
aprofundado.
Exemplo
Podemos pensar em melhorar o tempo de espera em uma la de banco. Para isto, devemos primeiro escolher um modelo
probabilístico para esse tempo de espera, que é uma variável aleatória. Ou, uma loja virtual quer estudar a necessidade de
aumentar o número de operadores no atendimento telefônico. Este estudo é feito por meio de modelos probabilísticos2 .
(Fonte: Shutterstock).
Distribuição binomial
Uma distribuição de probabilidade muito conhecida é a distribuição binomial, que estuda o número X de sucessos em n
tentativas e as suas respectivas probabilidades. Naturalmente, os valores possíveis da variável aleatória X são os números
inteiros 1, 2, 3, 4, … , n.
uma distribuição binomial tem as seguintes características:
Exemplo
Número de peças defeituosas em 15 extrações, com reposição, de um lote contendo 300 peças;
Número bebês do sexo feminino que nascerão, dentre os 30 próximos nascimentos, em um hospital.
Nas duas situações, há repetição do experimento (15 extrações e 30, respectivamente). Há somente dois resultados possíveis
(ser defeituosa ou não e ser do sexo feminino ou não).
Na primeira situação, a probabilidade de sucesso é a mesma em cada repetição e permanece a mesma durante todo o
experimento, e as repetições são independentes umas das outras, pois o experimento é feito com reposição. Ou seja, o resultado
de uma repetição não altera a probabilidade de sucesso nas repetições subsequentes.
No segundo experimento, também temos que os nascimentos são independentes, não afetando o sexo do recém-nascido em
cada um dos nascimentos.
A função de probabilidade de uma variável aleatória X , que segue o modelo binomial, é de nida como:
P X = k = nk ⋅ pk ⋅ qn − k
em que:
p + q = 1 .
Quando a variável aleatória X tiver distribuição binomial, com parâmetros n e p , indicaremos por X~b (n, p).
Exemplo
Cada amostra de água tem 8% de probabilidade de conter um determinado poluente orgânico.
Considerando que amostras sejam independentes com relação à presença do poluente, encontre a probabilidade de que nas
próximas 15 amostras:
Resolução
X = 0, 1, 2, 3, … , 15
n = 15
P S = p = 0, 08
P F = q = 0, 92
Note que a probabilidade de sucesso está relacionada à amostra ser poluente, pois a variável aleatória está de nida como o
número de amostras que contém o poluente.
a)
15 3 12
P (X = 3) = ( ) ⋅ (0, 08) ⋅ (0, 92) = 0, 0857
3
P (X ≥ 4) = P (X = 4) + P (X = 5) + P (X = 6) + … + P (X = 15)
Neste caso, podemos simpli car os cálculos utilizando o evento complementar, isto é:
P (X ≥ 4) = 1 − P (X < 4) = 1 − [P (X = 0) + P (X = 1) + P (X = 2) + P (X = 3)]
15 0 15
15 1 14
15 2 13
P (X ≥ 4) = 1 − [( ) ⋅ (0, 08) ⋅ (0, 92) + ( ) ⋅ (0, 08) ⋅ (0, 92) + ( ) ⋅ (0, 08) ⋅ (0, 92) + (
0 1 2
1 − 0, 9727 = 0, 0273
Distribuição de Poisson
O modelo Poisson é muito utilizado em experimentos físicos e biológicos. Por exemplo, podemos de nir as seguintes variáveis
aleatórias:
X3 : número de chamadas recebidas por uma central telefônica durante um período de 45 minutos;
X4 : número de carros que passam por um cruzamento, por minuto, durante certa hora do dia.
Em todas as situações descritas, a variável aleatória consiste na contagem de resultados discretos que ocorrem em um meio
contínuo (tempo, superfície ou volume). Essas variáveis podem assumir os valores 0, 1, 2, ..., e seu comportamento é descrito pela
distribuição de Poisson, cuja função distribuição de probabilidade é:
−λ k
e λ
P (X = k) =
k!
em que λ é o parâmetro da distribuição e é usualmente referido como a taxa de ocorrência ou número médio de ocorrências.
Utilizamos a notação:
X~P (λ)
A média e a variância de uma variável aleatória que segue uma distribuição de Poisson são, respectivamente:
EX = V arX = λ
1. A probabilidade de uma ocorrência é a mesma para quaisquer dois intervalos de igual
comprimento.
Exemplo
Tráfego de carros é tradicionalmente modelado como uma distribuição de Poisson. Um engenheiro de tráfego monitora o uxo de
carros em um cruzamento que tem uma média de seis carros por minuto. Para estabelecer o tempo de um sinal, as seguintes
probabilidades são usadas:
Resolução
.
a) Queremos encontrar a probabilidade de a ocorrência de nenhum carro passar pelo cruzamento em 30 segundos. O intuito
deste item é mostrar que, em algumas situações, devemos encontrar o número médio de ocorrências de acordo com a pergunta
do exercício. Sabemos que o número médio de ocorrências (taxa) é 6 para o período de um minuto.
Segundos λ
60 6
30 x
Montando a proporção:
60 6
=
30 x
É claro que, para esses dados, não é necessário usar o conceito de proporção devido à facilidade para encontrar o valor da taxa
média para 30 segundos (que é metade de 1 minuto). Mas, optamos por montá-la para que você consiga aplicar o conceito em
exercícios mais complexos.
Então:
x = 3
b)
−3 0
e ⋅3
P (X = 0) = = 0, 0498
0!
PX ≥ 3 = 1 − PX < 3
P X ≥ 3 = 1 − P X = 0 + P X = 1 + P (X = 2)
−3 0 −3 1 −3 2
e ⋅3 e ⋅3 e ⋅3
P (X ≥ 3) = 1 − [ + + ]
0! 1! 2!
P (X ≥ 3) = 1 − 0, 4232 = 0, 5768
Distribuição normal
A distribuição normal é uma distribuição contínua de probabilidade de uma variável aleatória X . Seu grá co é chamado de curva
normal.
Muitas populações possuem distribuições que podem ser ajustadas aproximadamente por uma curva normal, como: pesos,
alturas, erros de medidas em experimentos cientí cos, medidas de inteligência e aptidão, pontuações em testes variados, entre
outros.
Além disso, a distribuição normal proporciona a base para a inferência estatística clássica.
A distribuição normal tem as seguintes propriedades:
A curva normal tem dois parâmetros, μ e σ. Eles determinam a posição e a forma da distribuição.
A Figura 1.2 nos mostra que temos uma família de distribuições normais, diferenciadas por suas médias e desvios padrões.
Para obtermos a curva da distribuição normal, utilizamos a seguinte função densidade de probabilidade:
1 x−μ 2
1 − ( )
f (x) = −−− e 2 σ
√2πσ
em que −∞ < x < ∞ . Valores especí cos para μ e σ geram diferentes curvas, como as apresentadas na Figura 1.2. A
maneira de fazer o grá co é a mesma que utilizamos para qualquer função que relaciona x e y ou x e f (x) .
Como a área total sob a curva de densidade é igual a 1, existe uma correspondência entre área e probabilidade (TRIOLA, 2008, p.
196).
Quando utilizamos a função “densidade de probabilidade da distribuição normal” para fazer cálculos, percebemos que valores
mais fáceis para μ e σ são μ = 0 eσ = 1 .
Considerando-se estes valores para os parâmetros, matemáticos calcularam diferentes áreas sob a curva, que são apresentadas
em uma tabela.
Como existe uma correspondência entre área e probabilidade, utilizamos a tabela para encontrar probabilidades.
Podemos transformar qualquer variável aleatória X com distribuição normal em Z (distribuição normal reduzida). Mas, como
fazemos esta transformação?
Z = X − μσ
X−μ
Z =
σ
A tabela disponível na maioria dos livros de Estatística, utilizada nos cálculos das probabilidades, nos fornece
P 0 ≤ Z ≤ Zc = P , isto é:
Figura 1.4: Área correspondente à P (0 ≤ Z ≤ Z c ) , fornecida pela tabela.
P Z ≥ 0 = 0, 5 = P (Z ≤ 0)
Exemplo
A resistência à compressão de amostras de cimento pode ser modelada por uma distribuição normal, com uma média de 6.000
quilogramas por centímetro quadrado e um desvio-padrão de 100 quilogramas por centímetro quadrado.
Resolução
Dentro dos parênteses, colocamos o valor da variância. Então, tomamos o valor do desvio-padrão e elevamos ao quadrado.
P X < 6. 250 =?
Primeiramente, identi camos a área do intervalo que queremos encontrar (X < 6. 250 ) na curva normal.
6.250−6.000
Z = = 2, 5
100
O número 2,5 é igual a 2,50, ou seja, a segunda casa decimal é 0. Vamos à linha 2,5 e à coluna 0. O número encontrado é 0,4938.
Então:
a. P Z ≥ 0 = 0, 5 = P (Z ≤ 0)
b. P 6. 100 ≤ X ≤ 6. 200 =?
Transformando:
6.100−6.000
Z1 = = 1
100
6.200−6.000
Z2 = = 2
100
O objetivo deste item é alertar para o fato de que a tabela fornece a área do zero ao valor tabelado. A área pintada neste item não
corresponde à área fornecida diretamente na tabela.
Se encontrarmos a área 0 ≤ Z ≤ 2 e a área 0 ≤ Z ≤ 1 (que são obtidas na tabela) e subtrairmos as duas áreas, encontramos
justamente a área pintada!
Então:
P 6. 100 ≤ X ≤ 6. 200 = P1 ≤ Z ≤ 2 = P0 ≤ Z ≤ 2 − P (0 ≤ Z ≤ 1)
Distribuição exponencial
A distribuição exponencial é uma distribuição contínua de uma variável aleatória X . Essa distribuição é muito utilizada na teoria
das las para modelar o tempo decorrido entre chegadas em processos, como: clientes em caixas eletrônicos de bancos e
pacientes dando entrada em uma unidade de emergência de um hospital. Variáveis como vida útil de equipamentos e tempos de
falha são modeladas pela distribuição exponencial.
Uma variável aleatória contínua X , assumindo valores não negativos, tem distribuição exponencial com parâmetro α > 0 se sua
função densidade de probabilidade tem a forma:
−αx
αe , para x ≥ 0
f (x) = {
0, caso contr rio á
Usaremos a notação:
X~Exp (α)
A média e a variância de uma variável aleatória que segue uma distribuição exponencial são, respectivamente:
1
E (X) =
α
1
V ar (X) =
2
α
O cálculo de probabilidades para a distribuição exponencial envolve o cálculo de áreas sob a curva da função densidade de
probabilidade, exigindo recursos do cálculo integral. Assim:
b b
−αx αx −αa −αb
P (a < X < b) = ∫ αe dx = −e = e − e
a
a
−αx
P (X > x) = e
−αx
P (X ≤ x) = 1 − e
Exemplo
O tempo de vida (em horas) de um transistor pode ser considerado uma variável aleatória com distribuição exponencial. A vida
média do transistor é ET = 500horas .
Calcule:
Resolução
1
E (T ) =
α
1
500 =
α
α = 0, 002
Então:
−0,002×500 −1
P T > 500 = e = e = 0, 3679
b)
1000 b
−0,002x −0,002x
P (300 < X < 1000) = ∫ 0, 002e dx = −e
300
a
−0,002(300) −0,002(1000)
= e − e = 0, 5488 − 0, 1353 = 0, 4135
Distribuição Weibull
A distribuição Weibull é frequentemente usada para modelar dados de con abilidade e para descrever o tempo de vida de
produtos industriais.
quantas solicitações de garantia podem ser esperadas durante a fase de vida útil de um pneu? ou,
quando a manutenção regular deve ser programada para impedir que os motores entrem em sua fase de desgaste?
β
β−1 −αx
αβx e , x > 0
á
f (x) = {
0, caso contr rio
A função de distribuição acumulada F (x) de uma variável aleatória contínua X é dada por:
f (X) = P (X ≤ x)
F x = 1 − e − αxβ,
para x ≥ 0
Zt = αβtβ − 1, t > 0
2. Se β > 1 Zt, é uma função crescente, o que indica que o componente se desgasta com o tempo.
3. Se β < 1 Zt, é uma função decrescente, o que indica que o componente se fortalece com o tempo.
Exemplo
O tempo de vida X , em horas, de um componente de uma o cina de usinagem tem distribuição Weibull com α = 0, 005 e
β = 1, 5 .
Qual é a probabilidade de que esse componente falhe antes de dez horas de uso? Analisando a taxa de falha, esse componente se
desgasta ou se fortalece como o tempo?
Resolução
−e−αxβ −e−0,005101,5
P X < 10 = 1 = 1 = 1 − 0, 8538 = 0, 1462
β−1
Zt = αβt
1,5−1 0,5
Z (t) = 0, 005 × (1, 5)t = 0, 0075t
Podemos veri car que Zt é uma função crescente (β > 1 ). Portanto, o componente se desgasta com o tempo.
Atividade
1. Uma rede varejista compra certo tipo de equipamento eletrônico de um fabricante. O fabricante indica que a taxa de
equipamentos com defeito é de 4%. O inspetor de qualidade da rede seleciona 30 itens de um carregamento. Qual é a
probabilidade de que haja pelo menos dois itens defeituosos entre esses 30?
2. O número de clientes que chegam a cada hora em determinado estabelecimento de serviço automotivo segue uma distribuição
de Poisson com média λ = 8 . Calcule a probabilidade de que pelo menos 5 clientes cheguem em um período de duas horas.
3. O tempo para que um sistema computacional execute determinada tarefa é uma variável aleatória com distribuição normal,
com média 300 segundos e desvio-padrão de 8 segundos. Qual é a probabilidade de a tarefa ser executada entre 310 e 315
segundos?
4. A vida útil de certo componente eletrônico é, em média, 2.000 horas e apresenta distribuição exponencial. Qual é a
porcentagem esperada de componentes que apresentarão falhas em menos de 2.000 horas?
5. A vida útil, em horas, de uma broca de perfuração em uma operação mecânica tem distribuição Weibull com α = 1 e
β = 0, 5 . Determine a probabilidade de que a broca falhará antes de 5 horas de uso.
Notas
Aleatório 1
A palavra aleatório aparece para indicar que, a cada possível valor da variável, atribuímos uma probabilidade de ocorrência. É
comum que se utilizem na literatura estatística letras latinas maiúsculas para representar variáveis aleatórias.
Modelo probabilístico 2
Para uma variável aleatória X é uma forma especí ca da distribuição de probabilidades, que re ete o comportamento de X.
Há vários modelos probabilísticos para variáveis aleatórias discretas, mas vamos focar os estudos no modelo binomial e o
Referências
modelo Poisson.
ANDERSON, David R.; SWEENEY, Dennis, J.; WILLIAMS, Thomas A. Estatística aplicada à administração e economia. 2. ed. São
Paulo: Pioneira Thomson Learning, 2003.
BUSSAB, Wilton de O.; MORETTIN, Pedro A. Estatística básica. 5. ed. São Paulo: Saraiva, 2002.
LARSON, Ron; FARBER, Betsy. Estatística aplicada. 2. ed. São Paulo: Prentice Hall, 2004.
LEVINE, David M.; STEPHAN, David F.; SZABAT, Kathryn A. Estatística: teoria e aplicações usando Microsoft Excel em português. 7.
ed. Rio de Janeiro: LTC, 2016.
MAGALHÃES, Marcos N.; LIMA, Antonio C. P de. Noções de probabilidade e estatística. 6. ed. São Paulo: Editora da Universidade
de São Paulo, 2004.
MONTGOMERY, Douglas C.; RUNGER, George C. Estatística aplicada e probabilidade para engenheiros. 5. ed. Rio de Janeiro: LTC,
2014.
TRIOLA, Mário F. Introdução à estatística. 10. ed. Rio de Janeiro: LTC, 2008.
WALPOLE, R. E. et al. Probabilidade e estatística para engenharia e ciências. 8. ed. São Paulo: Pearson Prentice Hall, 2009.
Próxima aula
Explore mais
Distribuicao-exponencial <//www.portalaction.com.br/probabilidades/612-distribuicao-exponencial> ;
Distribuicao-normal <//www.portalaction.com.br/probabilidades/62-distribuicao-normal> ;
Distribuicao-binomial <//www.portalaction.com.br/probabilidades/51-distribuicao-binomial> .