Você está na página 1de 98

Principais modelos Discretos e Contı́nuos

Modelos discretos
Modelos contı́nuos
Principais Distribuições ▶ Uniforme
▶ Uniforme
▶ Bernoulli
▶ Exponencial
▶ Binomial
Vicente Garibay Cancho ▶ Gama
▶ Geométrico
▶ Weibull
▶ Binomial Negativa
▶ Beta
17 de outubro de 2023 ▶ Poisson
▶ Normal
▶ Hipergeometrica

Modelo uniforme

Uma v.a. X tem distribuição Uniforme com parâmetros α e β, se


sua função densidade de probabilidade (f.d.p.) é dada por:

 1
, se α ≤ x ≤ β
fX (x; α, β) = β − α
Principais Modelos Contı́nuos  0, c.c.

Notação: X ∼ U(α, β), α < β.


A função distribuição acumulada (f.d.a) de X ∼ U(α, β) é dada por:

 0, se x < α
x − α
FX (x; α, β) = P(X ≤ x) = , se α ≤ x ≤ β
β − α

1, se x ≥ β.
Modelo uniforme Modelo uniforme

Propriedades
Se X ∼ U(α, β), então
α+β (β − α)2
▶ E [X ] = e Var (X ) = .
2 12
▶ A função quantil é dada por

QX (p) = α + p(β − α), 0 < p < 1.

Figura: Função de: (a) densidade e (b) distribuição acumulada, da ▶ a mediana é dada por
distribuição uniforme
α+β
QX (1/2) = x0,5 = .
As f.d.p, f.d.a, função quantil e a função geradora da v.a X ∼ U(α, β) no 2
R.
▶ a f.g.m
dunif(x, min = 0, max = 1, log = FALSE) e βt − e αt
punif(q, min = 0, max = 1, lower.tail = TRUE, log.p = FALSE) mX (t) = , t ̸= 0
β−α
qunif(p, min = 0, max = 1, lower.tail = TRUE, log.p = FALSE)
runif(n, min = 0, max = 1)

A transformada integral de probabilidade Modelo Exponencial


Teorema
Suponha que uma variável aleatória X tem uma distribuição contı́nua para
a qual a função de distribuição cumulativa (FDA) é FX (x). Então a variável Relação entre modelo Poisson e o modelo Exponencial
aleatória definido como Y = FX (X ) tem uma distribuição uniforme padrão,
ou seja, Y ∼ U(0, 1).
Demostração: Dada qualquer variável aleatória contı́nua X, definir Y =
FX (X ). Dado y ∈ [0, 1], FX−1 (y ) existe pois X é uma v.a. contı́nua, então

FY (y ) = P[Y ≤ y ] = P[FX (X ) ≤ y ]
= P[X ≤ FX−1 (y )] = FX (F −1 (y ))
=y

Dai 
0, y < 0

FY (y ) = y , 0 ≤ y < 1 =⇒ Y ∼ U(0, 1)

1, y ≥ 1

Exercı́cio: Mostre, se U ∼ U(0, 1), X = α + u(β − α) ∼ U(α, β) com


α<β∈R
Modelo Exponencial Modelo Exponencial
A função de distribuição acumulada da v.a T
▶ Considere os eventos equivalentes:
FT (t) = P(T ≤ t) = 1 − P(T > t) = 1 − e −λt , t > 0.

A função de densidade de probabilidade da v.a T é dada por


▶ Sejam as variáveis: (
▶ X : Número de eventos discretos no intervalo [0,t); e λe −λt , t > 0
▶ T : Tempo entre as ocorrência dos eventos fT (t) =
0, c.c
▶ Se λ for a média de eventos discretos em uma unidade de
tempo, então X ∼ Po(λt)
▶ Os eventos equivalentes: Exemplo-6
Em uma grande rede corporativa de computadores, as conexões dos
[X = 0] ⇐⇒ [T > t] =⇒ P[X = 0] = P[T > t] usuários ao sistema podem ser modelados como um processo de
Poisson, com uma média de 25 conexões por hora.
▶ Logo, (a) Qual é a probabilidade de não haver conexões em um
intervalo de 6 minutos?
e −λt (λt)0
P[X = 0] = = e −λt = P[T > t] (b) Qual é a probabilidade de que o tempo até a próxima conexão
0!
esteja entre 2 a 3 minutos?

Modelo Exponencial Modelo Exponencial


Solução: A v.a. X tem distribuição Exponencial com parâmetros λ > 0, se sua
Se T : tempo (em horas) do inicio do intervalo até a primeira co- f.d.p. é dada por:
nexão. Então a v.a tem f.d.a. dada por:  −λx
λe , se x > 0
fX (x; λ) =
( 0, c.c.
1 − e −10t , t > 0
FT (t) = Notação: X ∼ Ex(θ).
0, c.c
A função de distribuição acumulada da v.a X ∼ Ex(λ) é dada por

1 − e −λx , se x ≥ 0.

(a) Qual é a probabilidade de não haver conexões em um FX (x; λ) = P(X ≤ x) =
0, c.c.
intervalo de 6 minutos?
Representação gráfica da f.d.p e f.d.a da v.a X ∼ Ex(λ).
P(T > 6/60) = 1 − F (1/10) = 0, 082

(b) Qual é a probabilidade de que o tempo até a próxima conexão


esteja entre 2 a 3 minutos?

P(2/60 < T < 3/60) = F (1/20) − F (1/30) = 0, 152.


Modelo Exponencial Modelo Exponencial
Propriedades
Se X ∼ Ex(λ), tem-se
1 1
1) a média e variância : E [X ] = e Var (X ) = 2 .
λ λ A f.d.p, f.d.a., função quantil e a função geradora da v.a X ∼ Ex(λ)
− log(1 − q) no aplicativo R são dados por
2) A função quantil é dado por: QX (q) = , 0 < q < 1.
λ
log(2) dexp(x, rate = 1, log = FALSE)
3) a mediana: QX (1/2) = x0,5 = . pexp(q, rate = 1, lower.tail = TRUE, log.p = FALSE)
λ
4) A f.g.m. é dada por: qexp(p, rate = 1, lower.tail = TRUE, log.p = FALSE)
rexp(n, rate = 1)
λ
mX (t) = , t < λ.
λ−t

5) Falta de memória

P(X > t + s|X > s) = P(X > t)

Função Gama A função Gama Incompleta


Definição (Função gama incompleta )
A função gama incompleta inferiormente e superiormente são
definidas por
20

A função gama é definida Z x


por
15

γ(a, x) = u a−1 e −u du, e


Γ(x)

Z0 ∞
10

Z ∞
Γ(t) = x t−1 e −x dx. Γ(a, x) = u a−1 e −u du
5

0
x
0

0 1 2 3 4 5

x
respectivamente.
Propriedades Propriedades
▶ Γ(a + 1) = aΓ(a), a > 0, ▶ γ(s + 1, x) = sγ(s, x) − x s e −x
▶ Γ(n + 1) = n!, se n é enteiro. ▶ Γ(s + 1, x) = sΓ(s, x) + x s e −x

▶ Γ(1/2) = π. ▶ γ(s + 1, x) + Γ(s, x) = Γ(s)
▶ Γ(s) = Γ(s, 0′ ) = lim γ(s, x).
x→∞
Modelo gama Modelo Gama
A função de distribuição acumulada da v.a X ∼ Gama(α, λ).
é dado por
A v.a. X tem distribuição Gama com parâmetros α > 0 e λ > 0, se sua
 γ(a, λx) , se x ≥ 0,

f.d.p. é dada por:
FX (x; α, λ) = Γ(α)
 α α−1 −λx 0, se x < 0,

λ x e
, se x ≥ 0,
fX (x; α, λ) = Γ(α)
Representação gráfica da f.d.p e f.d.a da v.a. X ∼ Gama(α, 1).
0, se x < 0,

1.0

1.0
onde α é o parâmetro de forma e λ o parâmetro de escala e Γ(·) é a função α=1

gama. α=2

0.8

0.8
Notação: X ∼ Gama(α, λ). Da f.d.p da distribuição gama tem-se α=4

Função de distribuição acumulada


0.6

0.6
Z ∞ α=8

Γ(α)

Densidade
x α−1 e −λx dx = α .
λ α=1

0.4

0.4
0
α=2

0.2

0.2
α=4

α=8

0.0

0.0
0 2 4 6 8 10 0 2 4 6 8 10

x x

Modelo Gama Modelo Gama


Observação (Distribuição qui-quadrado)
Propriedades Se X ∼ Gama(α, β) com α = k/2 e λ = 1/2, k ∈ Z+ , a v.a X tem
Se X ∼ Gama(α, β), tem-se distribuição qui-quadrado com k graus de liberdade e sua f.d.p.
α α é dada por:
1) E [X ] = e Var (X ) = 2 .
λ λ 
k/2−1 e −x

λ
α  t −α  x

, x > 0,
2) A f.g.m. é dada por: mX (t) = = 1− . fX (x; k) = (k/2)Γ(1/2)
λ−t λ
x ≤0

0,
3) Se α = 1, então X ∼ Ex(λ).

A f.d.p, f.d.a, função quantil e função geradora da v.a X ∼ Gama(α, β)


Notação: X ∼ χ2(k) .
dgamma(x, shape, rate = 1, scale = 1/rate, log = FALSE)
pgamma(q, shape, rate = 1, scale = 1/rate, lower.tail = TRUE,log.p = FALSE) Propriedades
qgamma(p,
rgamma(n,
shape,
shape,
rate
rate
=
=
1,
1,
scale
scale
=
=
1/rate, lower.tail = TRUE,log.p = FALSE)
1/rate)
Se X ∼ χ2(k) , tem-se
1) E [X ] = k e Var (X ) = 2k.
2) A f.g.m. é dada por: mX (t) = (1 − 2t)−k/2 , t < 1/2.
Distribuição de uma função de uma v.a. Distribuição de uma função de uma v.a.
▶ Suponha X é uma v.a contı́nua com fX (x), e temos interesse
em determinar a distribuição de probabilidade de uma V.A. Y
definida por: Y = g (X ), onde g (·) é uma função continua e
▶ Daı́,
diferenciável.
▶ Como determinar a distribuição Y ? 1 1 λα  y α−1 −λy /c
▶ a função de distribuição da v.a Y ; fY (y ) = fX (y /c) = e
c c Γ(α) c
▶ a f.g.m da v.a Y .
(λ/c)α y α−1 e −λy /c
= , y > 0.
Exemplo (1) Γ(α)
Suponha que X ∼ Gama(α, λ). Determinar a f.d.p. da V.A. ▶ Portanto, Y ∼ Gama(α, λ/c).
Y = cX , c > 0.
Outra forma,
Solução:
 α  α
▶ O suporte de X é dada por RX = {x; x > 0} e da v.a. Y é tY tcX λ λ/c
MY (t) = E [e ] = E [e ] = MX (tc) = =
RY = {y ; y > 0}. λ − tc λ/c − t
▶ Para y ∈ RY , a função de probabilidade acumulada é:
Daı́ tem-se que Y ∼ Gama(α, λ/c).
FY (y ) = P(Y ≤ y ) = P(cX ≤ y ) = P(X ≤ y /c) = FX (y /c).

Distribuição de uma função de uma v.a. Distribuição de uma função de uma v.a.

Suponha que RX é um intervalo e H(x) é uma função monótona


Teorema (crescente ou decrescente) sobre x.
Suponha que X é uma V.A. contı́nua com f.d.p. fX (x); seja RX =
▶ Crescente: H ′ (x) > 0 ⇔ d
dy H
−1
(y ) > 0 sobre RY . Para y ∈ RY ,
{x; fX (x) > 0} o suporte da V.A. Assuma que:
i) Y = H(X ) define uma transformação 1 a 1 de RX em RY Fy (Y ) = P(Y ≤ y ) = P(H(X ) ≤ y ) = P(X ≤ H −1 (y ))
(suporte Y ).
Daı́
ii) A derivada de x = H −1 (y ) em relação à y é contı́nua e diferente d d −1
fY (y ) = FY (y ) = H (y )fX (H −1 (y )).
de zero para y ∈ RY , onde H −1 (y ) é a função inversa de H(x), dy dy
isto é, H −1 (y ) é o valor de x que corresponde H(x) = y . Então,
▶ Decrescente: H ′ (x) < 0 ⇔ d
dy H
−1
(y ) < 0 sobre RY . Para y ∈ RY ,
Y é uma V.A. contı́nua com f.d.p.:
d FY (y ) = P(Y ≤ y ) = P(H(X ) ≤ y ) = P(X > H −1 (y )) = 1 − P(X ≤ H −1 (y
fY (Y ) = | H −1 (y )|fX (H −1 (y ))IRY (y ).
dy ⇒ FY (y ) = 1 − FX (H −1 (y )).

d −1
Daı́, fY (y ) = − H (y )fX (H −1 (y ))IRY (y ).
dy
Exemplo (Gama-Inversa)
Modelo Weibull
Suponha X ∼ Gama(α, λ) . Determine a f.d.p. da v.a. Y = 1/X . Uma v.a. X tem distribuição Weibull com parâmetros α > 0 e λ > 0, se
Solução: Note que y = H(x) = 1/x ⇒ x = y1 = H −1 (y ). sua f.d.p. é dada por:
 α α−1 −( x )α
dx 1 x e λ , x >0
=− 2 fX (x; α, λ) = λα
dy y 0, c.c.

Pelo teorema anterior a f.d.p. de Y é Notação: X ∼ Weibull(α, λ).


A f.d.a. da distribuição Weibull(α, λ) é dada por:
d
fY (y ) = | (H −1 (y ))|fX (H −1 (y )) x α
1 − e −( λ ) , x ≥ 0

dy
FX (x) =
0, c.c.
λα x α−1 −λx
onde fX (x) = e IRX (x) com suporte RX = {x; x > 0}. Daı́,
Γ(α) No aplicativo R as f.d.p, f.d.a, a função quantil e função geradora da
( α distribuição Weibull são respectivamente,
λ
1 λα − λy λ
y −(α+1) e − y , y > 0
fY (y ) = 2 e , y > 0 ⇒ fY (y ) = Γ(α)
dweibull(x, shape, scale = 1, log = FALSE)
y Γ(α) 0 , c.c.
pweibull(q, shape, scale = 1, lower.tail = TRUE, log.p = FALSE)
qweibull(p, shape, scale = 1, lower.tail = TRUE, log.p = FALSE)
A distribuição da V.A. Y é conhecida como a distribuição
rweibull(n, shape, scale = 1)
Gama-Inversa.

Modelo Weibull Modelo Weibull

Propriedades
Representação gráfica da f.d.p e f.d.a da v.a. X ∼ Weibull(α, 1). Se X ∼ Weibull(α, λ), tem-se
1) r -ésimo momento
1.0
3.0

µ′r = E (X r ) = λr Γ(1 + r /α)


α=1
2.5

α=2
0.8

α=4
Função de distribuição acumulada

2) A media e variância são:


2.0

0.6

α=8
Densidade

1.5

E [X ] = λΓ(1+1/α), ee; Var (X ) = λ2 Γ(1 + 2/α) − Γ(1 + 1/α)2 .



0.4

α=1
1.0

α=2
0.2

α=4
3) A função quantil
0.5

α=8
0.0

0.0

0 1 2 3 4 0 1 2 3 4 QX (p) = −λ log(1 − q)α , 0 < q < 1;


x x

4) A mediana
QX (1/2) = x0 .5 = λ log(2)α .
Modelo Weibull Modelo Weibull

Exemplo (a) Qual é a probabilidade de um capacitor operar por um tempo


O tempo de vida de um certo tipo de capacitor tem distribuição superior a 1 ano?
Weibull com parâmetros λ = 100.000 horas e α = 0, 5. 
8760 0,5

(a) Qual é a probabilidade de um capacitor operar por um tempo P(X > 365×24) = 1−FX (8760) = exp −( ) = 0.743
100.000
superior a 1 ano?
(b) Determine o tempo médio de vida do capacitor. No R:= 1-pweibull(8760,shape=0.5, scale=10000)
Solução: (b) Determine o tempo médio de vida do capacitor.
▶ Se X representa o tempo de vida de capacitores, então E [X ] = λΓ(1 + 1/α)
X ∼ Weibull(α = 0, 5, λ = 100.000)
= 100.000Γ(1 + 1/0, 5) = 100.000 × 2! = 200.000h
▶ Assim,
x 0,5
1 − e −( 100.000 ) , x ≥ 0

FX (x) = Observação
0, c.c.
Se X ∼ Weibull(α = 1, λ), então X ∼ Ex(λ)

Modelo Beta Modelo Beta


Uma v.a. X tem distribuições Beta com parâmetros α > 0 e β > 0,
se a f.d.p. é dada por: Observação
Das propriedades da f.d.p da distribuição Beta, tem-se
x α−1 (1 − x)β−1
f (x; α, β) = I(0,1) (x), Z 1
B(α, β) Γ(α)Γ(β)
x α−1 (1 − x)β−1 dx = .
0 Γ(α + β)
Γ(α)Γ(β)
onde, B(α, β) =
Γ(α + β)
Notação: X ∼ Beta(α, β). A FDA da distribuição é dada por A representação gráfica da f.d.p da X ∼ Beta(α, β)
R x a−1
t (1 − t)b−1 dt α=0,1,β=0,1

3.0
F (x; α, β) = 0 α=2,β=1

B(α, β)

2.5
α=1,β=2

2.0
α=2,β=2

B(x; α, β) Densidade
= α=3,β=4

B(α, β) 1.5
1.0 α=1,β=1

= Ix (α, β)
0.5

onde B(x; α, β) é a função beta incompleta e Ix (α, β) é a função


0.0 0.2 0.4 0.6 0.8 1.0

beta incompleta regularizada.


Modelo Beta Modelo Beta

Propriedades
Se X ∼ Beta(α, β), tem-se
Exercı́cio
1) O r -ésimo momento de X é
Considere que a v.a X ∼ Beta(α, β). Determine
1
x r x α−1 (1 − x)β−1 (a) a f.d.p da v.a. Y = cX , c > 0
Z
E [X r ] = dx
0 B(α, β) (b) a f.d.p da v.a. Y = − log X , quando β = 1.
Z 1
1 B(α + r , β) No aplicativo R, as f.d.p, f.d.a., função quantil e gerador do modelo
= x α+r −1 (1 − x)β−1 dx = , são respectivamente
B(α, β) 0 B(α, β)
dbeta(x, shape1, shape2, ncp = 0, log = FALSE)
onde r = 1, 2, 3, . . .. pbeta(q, shape1, shape2, ncp = 0, lower.tail = TRUE, log.p = FALSE)
2) De (1), tem-se qbeta(p, shape1, shape2, ncp = 0, lower.tail = TRUE, log.p = FALSE)
rbeta(n, shape1, shape2, ncp = 0)

B(α + 1, β) α αβ
E [X ] = = e Var (X ) = .
B(α, β) α+β (α + β)2 (α + β + 1)

Modelo Normal Modelo Normal


Uma v.a. X tem distribuição Normal com parâmetros µ ∈ R e
σ 2 > 0, se sua f.d.p. é dada por: Propriedades
1 1 x−µ 2 Se X ∼ N(µ, σ 2 ), então:
fX (x; µ, σ ) = √2
e− 2 ( σ ) , x ∈ R (1)
2πσ (i) E [X ] = µ e Var (X ) = σ 2 .
2 σ 2 /2
(ii) A f.g.m. é mX (t) = e µt+t .
Notação: X ∼ N(µ, σ 2 ).
(iii) O coeficiente de assimetria, Sk = 0
(iv) O coeficiente de curtose, Cx = 3
0.20

N(2,2) N(1,3)
N(2,3) N(2,3)

(v)
0.12

N(2,4) N(4,3)
0.15

0.10
0.08

P[µ − σ ≤ X ≤ µ + σ] = 0, 6826
FX(x)
fX(x)

0.10

0.06

P[µ − 2σ ≤ X ≤ µ + 2σ] = 0, 9544


0.04
0.05

0.02

P[µ − 3σ ≤ X ≤ µ + 3σ] = 0, 9973


0.00

0.00

−10 −5 0 5 10 −10 −5 0 5 10 15

x x
Modelo Normal Modelo Normal Padrão

Se Z é uma variável aleatória normal com média zero e variância


A FDA de uma v.a. X ∼ N(µ, σ 2 ) é dada por
um, então Z é chamado de uma v.a. normal padrão ou reduzida e
Z x
1 1 t−µ 2 sua f.d.p é dada por:
2
FX (x; µ, σ ) = √ e − 2 ( σ ) dt.
−∞ 2πσ 1 2
fZ (z) = √ e −z , z ∈ R

1.0

1.0
N(2,2) N(1,3)
N(2,3) N(2,3)
N(2,4) N(4,3)
0.8

0.8
0.6

0.6
A FDA de a v.a. Z ∼ N(0, 1), é
FX(x)

FX(x)
0.4

0.4
representada por
0.2

0.2
Z z
1 2
Φ(z) = P(Z ≤ z) = √ e −t dt
0.0

0.0
−10 −5 0

x
5 10 −10 −5 0

x
5 10 15
−∞ 2πσ

Tabela Normal Padrão

Exemplo
Seja Z ∼ N(0, 1) determinar:
(a) P(Z ≤ 1.80)
(b) P(0.55 ≤ Z < 1.80),
(c) P(Z < −0, 55)
(d) o valor de k tal que P(Z ≤ k) = 0.05
Modelo Normal Exemplos de aplicação
Resultado (Transformação linear) Exemplo
Suponha que X ∼ N(µ, σ 2 ). Então a V.A. Y = a + bX tem Seja X ∼ N(90, 100) determinar
distribuição Normal com média igual a a + bµ e variância dada (a) P(90 ≤ X ≤ 100),
por b 2 σ 2 . (b) P(|X − 90| ≤ 30),
Demonstração:
(c) o valor de x0 tal que P(X ≤ x0 ) = 0, 985
mY (t) = E [e tY ] = E [e t(a+bX ) ] = E [e ta e tbX ] = e ta E [e tbX ]
2 t 2 σ 2 /2 Solução: (a)
= e ta mX (tb) = e ta e µbt+b  
90 − 90 X − 90 100 − 90
2 (b 2 σ 2 )/2 P(90 ≤ X ≤ 100) = P ≤ ≤
⇒ MY (t) = e t(a+µb)+t . 10 10 10
= P (0 ≤ Z ≤ 1) = Φ(1) − Φ(0)
Portanto, Y ∼ N(a + bµ, b 2 σ 2 ). ■
= 0, 841345 − 0, 5 = 0, 341345.
Corolário (Normal padrão)
(b)
Se X ∼ N(µ, σ 2 ) a v.a.  
X − 90 30
X −µ P(|X − 90| ≤ 30) = P ≤
Z= ∼ N(0, 1). 10 10
σ = P (|Z | ≤ 3) = P(−3 ≤ Z ≤ 3) = Φ(3) − Φ(−3)

Exemplos de aplicação A função quantil da distribuição normal

Note que Φ(−3) = 1 − Φ(3),


Seja X ∼ N(µ, σ), a função quantil é dado por
P(|X − 90| ≤ 30) = Φ(3) − Φ(−3) = 2Φ(3) − 1
= 2(0, 99865) − 1 = 0, 9973 QX (p) = µ + σΦ−1 (p), 0 < p < 1

(c) onde Φ−1 (p) é a função quantil da distribuição normal padrão.



X − 90 x0 − 90
 Observação
P(X ≤ x0 ) = 0, 985 =⇒ P ≤ = 0, 985
10 10 ▶ Φ−1 (1/2) = 0,
−90
Da Tabela normal padrão x0 10 = 2, 17, daı́ tem-se
▶ QX (1/2) = µ + σΦ−1 (1/2) = µ = xmd
x0 = 90 + 10(2, 17) = 111, 7
Exemplos de aplicação

No aplicativo R, as f.d.p, f.d.a., função quantil e gerador do modelo são


respectivamente Exercı́cio
O tempo gasto no exame vestibular de uma universidade tem
dnorm(x, mean = 0, sd = 1, log = FALSE)
pnorm(q, mean = 0, sd = 1, lower.tail = TRUE, log.p = FALSE)
distribuição normal com média 120 minutos e desvio padrão 15
qnorm(p, mean = 0, sd = 1, lower.tail = TRUE, log.p = FALSE) minutos. Sorteando-se um aluno ao acaso, qual é probabilidade
rnorm(n, mean = 0, sd = 1) dele terminar o exame antes de 100 minutos?
(a) Sorteando-se um aluno ao acaso, qual é probabilidade dele
Cálculo das probabilidades com o software R
terminar o exame antes de 100 minutos?
(a) P(90<X<100)=pnorm(100, 90,10)-pnorm(90, 90,10)=0,3413447 (b) Qual deve ser o tempo de prova de modo que permita o
95% dos vestibulandos terminem no prazo estipulado?
(b) P(|X-90|\leq 30 )=P(-39<X-90<30)
=pnorm(30,0,10)-pnorm(30,0,10)= 0,9973002 (c) Qual o intervalo central de tempo, tal que 80

(c) P(X<= x_0)=F_X(x_0)= 0,985,


x_0=Q_X(0,985)=qnorm(0.985,90,10)= 111.7009

Resultado (Distribuição qui-quadrado)


Se X ∼ N(0, 1), então a v.a. Y = X 2 tem distribuição qui–quadrado
com 1 grau de liberdade.
Demonstração:
√ 2
(i) Se X ∼ N(0, 1), temos que fX (x) = ( 2π)−1 e −x /2 , x ∈ R;
(ii) Já que Y = X 2 o suporte da v.a Y é RY = {y : y > 0};
(iii) Para y ∈ RY ,
√ √
FY (y ) = P(Y ≤ y ) = P(X 2 ≤ y ) = P(− y ≤ X ≤ y )
√ √
= P(X ≤ y ) − P(X ≤ − y )
√ √
FY (y ) = FX ( y ) − FX (− y ),
Principais Modelos Contínuos
d d √ d √
(iv) Derivando, FY (y ) = FX ( y ) − FX (− y ).
dy dy dy
(iv) Obtém-se
1 1
fY (y ) = √ √ e −y /2 = √ 1/2 y 1/2−1 e −y /2
y 2π π2
1
= y 1/2−1 e −y /2 , y > 0.
Γ(1/2)21/2

Portanto, Y ∼ χ2(1) .

1. Modelo uniforme Exemplo

Uma v.a. contínua X tem distribuição uniforme com parâmetros  e  A dureza de uma peça de aço pode ser pensada como sendo uma
( < ) se sua função densidade de probabilidade é dada por variável aleatória uniforme no intervalo (50,70) unidades. Qual a
 1 probabilidade de que uma peça tenha dureza entre 55 e 60?
 ,  x
f ( x)     
 0, c.c Solução. X representa a dureza de uma peça de aço, sendo que X ~
U(50, 70) e
Notação: X ~ U( , ))
1
A função de distribuição acumulada é dada por  , 50  x  70,
f ( x)   20
 0 x0  0, c.c.
 x  
F ( x)    x
  Portanto,
 1 x
60
1 5
Propriedades: P ( 55  X  60 )   20 dx  20  0,25 .
E( X ) 
 
, Var ( X ) 
   2 . 55

2 12
2 3

2. Modelo exponencial 2. Modelo exponencial


Uma v.a. contínua X tem distribuição exponencial com parâmetro  > 0 Propriedade. Se X ~ Ex(), então P(X > k + m | X > m) = P(X > k).
se sua função de densidade é dada por
É a única distribuição contínua com esta propriedade (“falta de

memória”).
 e  x , x  0, Observação. Também encontramos X ~ Ex(), em que
f (x)  
f(x)

 0, c .c .  1  x

f ( x)   e , x  0, Relação:  = 1 / .
Notação: X ~ Ex().
 0 , c .c .
0

0
x
A função de distribuição acumulada é

1
dada por
1

Exemplo. Diferentes

2
1  e   x , x0 valores de .
F ( x)  
F(x)

f(x)
 0, c.c.

3
Propriedades:
E ( X )  1 /  , Var ( X )  1 /  2 .
0

0
x x
4 5
Exemplo Exemplo
Certo tipo de fusível tem duração de vida que segue uma
distribuição exponencial com vida média de 100 horas. Cada (b) O custo C é uma v.a. discreta dada por
peça tem um custo de $10,0 e se durar menos de 200 horas
há um custo adicional de $8,0.  10 , se X  200 ,
(a) Qual é a probabilidade de uma durar mais de 150 horas? C(X )  
(b) Determinar o custo esperado.
 10  8 , se X  200 .

O custo total esperado é E(C) = 10 P(C = 10) + 18 P(C = 18).


Solução. Se X é o tempo de duração de uma peça, do enunciado tem- Usando a variável X calculamos
se que E(X) = 100 horas e X ~ Ex(0,01). Ou seja,
P (C  10)  P ( X  200)  1  P ( X  200)  1  F (200)  e 2 ,
 
x

F ( x )  1  e , x  0,
100
P (C  18)  P ( X  200)  F (200)  1  e 2 e
 0 c.c. E ( C )  10  e  2  18  (1  e  2 )  $ 16 , 9 .
150

(a) P( X  150)  1  P( X  150)  1  (1  e 100
)  e 1,5  0,223.

6 7

3. Modelo normal (ou gaussiano) Exemplos


Uma variável aleatória contínua X tem distribuição normal com média  e
variância 2 se sua função densidade é dada por

 x 
2 Distribuições normais
1 
 
 com médias diferentes e
f ( x)  e , x  R. variâncias iguais.
2 

Notação: X ~ N(, 2).

Distribuições normais com


médias iguais e variâncias
diferentes.

8 9
Exemplos Propriedades

(a) E(X) = , Var(X) = 2 e mediana = moda = .


(b) A distribuição é simétrica em relação à média.
(c) Como a área total sob curva é igual a 1, cada metade da curva área = 0,5.
 (d) P (     X     )  0 , 6896 ,
P (   2   X    2  )  0 , 9546 e
P (   3   X    3  )  0 , 9973 .

 





11

Propriedades Uso da tabela normal

A função de distribuição acumulada de uma v.a. X ~ N(, 2) é Table A.3. Areas under the normal curve.
x
1  1  t    2
 Integral sem solução analítica.
Z ~ N(0,1): distribuição normal padrão.
F ( x)  
 2 
exp 
 2   
 dt.

Cálculo de probabilidades
com o auxílio de tabelas. Valores no corpo da tabela: (z) = P(Z  z), z com duas decimais.
0.4

z
Normal padrão ou reduzida. Se Z é uma 1 1
v.a. normal com média 0 e variância 1,
 ( z)  P (Z  z)   2
exp(  t 2 ) dt ,  3 , 49  z  3 , 49 .
2
0.3


então Z é chamada de uma v.a. normal
padrão ou reduzida e sua função
f(z)
0.2

densidade é
2
1  z2
0.1

f ( z)  e , z  R.
2
0.0

-4 -3 -2 -1 0 1 2 3 4
z

A função de distribuição acumulada de uma v.a. Z ~ N(0,1) é


z
1 1 2
 (z)  P (Z  z)  
  2
exp( 
2
t ) dt .

12 13
Uso da tabela normal Exemplo

1a coluna: parte inteira de z e 1a decimal. Em R e Excel:


Seja Z ~ N(0,1). Calcular
(a) P(Z < 1,80), (a) pnorm(1.8) e =DIST.NORMP(1,8).
1a linha: 2a decimal de z.
(b) P(0,80 < Z < 1,40), (b) pnorm(1.4)-pnorm(1.8) e
Exemplo. P(Z  -1,25) é encontrada na interseção da linha (c) P(Z > -0,57) e = DIST.NORMP(1,4)-DIST.NORMP(0,8).
correspondente a –1,2 com a coluna 0,05: (d) o valor de k tal que
P(Z < k) = 0,05. (c) 1-pnorm(-0.57) e =1-DIST.NORMP(-0,57).
(d) qnorm(0.05) e =INV.NORMP(0,05).
Solução. Da tabela normal padrão tem-se
2a decimal
(a) P(Z  1,80)  (1,80)  0,9641,
z 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09 (b) P(0,80  Z  1,40)  (1,40) - (0,80)  0,9192- 0,7881 0,1311,
-3,4
(c) P ( Z  0,57)  1  P ( Z  0,57)  1  0,2843  0,7157,
... ( d ) P ( Z  k )  0,05  k  1,64 .
Parte inteira
e 1a decimal -1,2 0,1056
... Observação. Para todo k > 0,
3,4 (i ) P ( Z   k )  1  P ( Z  k ) e
Resposta. P(Z  -1,25) = 0,1056. ( ii ) P (  k  Z  k )  2 P ( Z  k )  1  1  2 P ( Z   k ).
14 15

Exemplo (b) Transformação linear de uma variável normal

A = B – C, sendo que
Se X é uma v.a. normal com média  e variância
2, então a v.a. Y = a + bX tem distribuição normal
f(z)

B e C são
encontradas na A
com média y = a + b e variância   b  .
2 2 2

tabela normal. 0.8 1.4


Y

z
Tomando a = -  /  e b = 1 /  obtemos a padronização

X  
Z  ~ N ( 0 ,1 ).
f(z)

B

1.4
z
Exemplo. Se X ~ N(90,100), determinar
(a) P(80 < X < 100),
(b) P(|X - 90| < 30) e
(c) o valor de a tal que P(90 - 2a < X < 90 + 2a) = 0,99.
f(z)

0.8
z

16 17
Exemplo Exemplo

O tempo necessário para produzir um lote de itens tem distribuição


80  90 X   100  90
(a) P(80  X  100)  P(   )  P(1,00  Z  1,00) normal com média 120 minutos e desvio padrão 15 minutos.
10  10 (a) Sorteando-se um lote produzido, qual a probabilidade de que
 2 P( Z  1,00)  1  2  0,8413  1  0,6826. tempo de produção seja inferior a 100 minutos?
30 X  90 30 Solução. Definimos X como o tempo de produção do lote. Pelo
(b ) P (| X  90 | 30 )  P ( 30  X  90  30 )  P (    )
10 10 10 enunciado, X ~ N(120, 152). Calculamos
 P ( 3,00  Z  3,00 )  2 P ( Z  3,00 )  1  100  120 
 2  0,9987 - 1  0,9974.
P ( X  100)  P Z    P( Z  1,33)
 15 
 2a X  90 2a    (1,33)  0,0918.
(c) P(90 2a  X  90 2a)  P(2a  X  90 2a)  P    
 10 10 10 
a a
 2P(Z  ) 1  0,99 P(Z  )  0,995
5 5
a
  2,57 a 12,85.
5

18 19

Exemplo Exemplo
(c) Qual o intervalo de tempo central correspondente à produção de 80% dos
(b) Qual o tempo correspondente à produção de 95% dos itens? itens?
Solução. Devemos encontrar x1 e x2 tais que
Solução. Devemos encontrar x tal que P(X < x) = 0,95. Após uma
transformação,  x  120 x  120 
P ( x 1  X  x 2 )  0 , 80  P  1  Z  2   0 ,80 .
 x  120   15 15 
P ( X  x )  P Z    0,95.
 15 
Iniciamos encontrando z tal que (z)=0,95.

Iniciamos encontrando z tal que (z) = 0,90. Da tabela normal, z = 1,28.


Logo, x 1  120
  1 , 28  x 1  120  15  1, 28  x 1  100 , 8 min,
15
x 2  120
Da tabela normal, z = 1,64. Logo x = 120 + 1,64  15 = 144,6.  1 , 28  x 2  120  15  1 , 28  x 2  139 , 2 min .
15
20 21
Propriedade Exemplo

Se X 1 ,, X n são v.a. independentes tais que Xi ~ N(, 2), Solução. Pelo enunciado,
para i=1,...,n, então, a v.a. X i : peso da i - ésima caixa  X i ~ N (65,16), i  1,  ,120.
n
Y  X1   X n  
i 1
X i
Logo,
120

tem distribuição normal com média n e variância n2, isto é, Y ~ N(n, n2). Y : peso da carga  Y  
i 1
X i ~ N (120  65 ,120  16 ),
Padronização:
Y ~ N ( 7800 ,1920 ).
n

X i  n
X  n ( X  ) Calculamos
Z i 1
  ~ N (0,1).
n / n   7893  7800 7910  7800 
P ( 7893  Y  7910 )  P   Z  
 1920 1920 
Exemplo. O peso de uma caixa de peças é uma v.a. normal com média
 P ( 2 ,12  Z  2 ,51 )   ( 2 ,51 )   ( 2 ,12 )
65 kg e desvio padrão de 4 kg. Um carregamento de 120 caixas de peças
é despachado. Qual a probabilidade de que a carga pese entre 7.893 kg  0 , 4940  0 , 4830  0 , 0110 .
e 7.910 kg?

22 23

Bibliografia

Bibliografia

Essas notas de aulas foram baseadas nas seguintes obras:


Métodos Estocásticos da Engenharia I 1 CAMPOS, M. A.; RÊGO, L. C.; MENDONÇA, A. F. Métodos Probabilísticos e Estatísticos com Aplicações
em Engenharias e Ciências Exatas. Rio de Janeiro: LTC, 2017.
Capítulo 4 - Principais Modelos Contínuos 2 CANCHO, V.G. Notas de Aulas sobre Noções de Estatística e Probabilidade. São Paulo: USP, 2010.
3 HINES, W.W.; et al. Probabilidade e Estatística na Engenharia. 4. ed. Rio de Janeiro: LTC, 2006.
4 MENDES, F. C. T. Probabilidade para Engenharias. Rio de Janeiro: LTC, 2010.
5 MEYER, P.L. Probabilidade: Aplicações à Estatística. 2. ed. Rio de Janeiro: LTC, 1983.
6 MONTGOMERY, D.C.; RUNGER, G.C. Estatística Aplicada e Probabilidade para Engenheiros. 6. ed. Rio
Prof. Magno Silvério Campos de Janeiro: LTC, 2016.
7 MORABITO, R. Modelos Probabilísticos Aplicados à Engenharia de Produção. 1. ed. São Carlos: Edufscar,
2002.
2019/1
Aconselha-se pesquisá-las para se obter um maior aprofundamento e um
melhor aproveitamento nos estudos.

(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 1 / 103 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 2 / 103
Conteúdo Programático Principais Modelos Contínuos

Conteúdo Programático Distribuição Uniforme Contínua


1 Distribuição Uniforme Contínua Definição
2 Distribuição Exponencial Uma VAC X tem distribuição uniforme com parâmetros α e β se sua função
3 Distribuição de Gama e Erlang de densidade é dada por
4 Distribuição de Weibull
 1
5 Distribuição de Raleigh β−α , α≤x≤β
f (x) =
6 Distribuição do Valor Extremo 0, caso contrário.
7 Distribuição Normal
8 Distribuição Lognormal A função da distribuição acumulada de uma variável aleatória uniforme con-
9 Distribuição Logística tínua é:
Distribuição Loglogística (ou de Fisk)

10
 0; x<α
Distribuição de Pareto Contínua x−α
11
F (x) = , α≤x<β
12 Ditribuição Beta  β−α
1, x≥β
13 Distribuição de Cauchy (ou de Lorentz)
14 Distribuição de Laplace (ou Exponencial Dupla) Na figura a seguir, é mostrada a representação gráfica da função de densidade
15 Distribuição de Gompertz de probabilidade (figura a) e da função de distribuição acumulada da variável
16 Distribuição Triangular aleatória uniforme contínua (figura b).
(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 3 / 103 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 4 / 103
Principais Modelos Contínuos Principais Modelos Contínuos

Exemplo - [Montgomery e Runger(2016)]


Seja a variável aleatória contínua X a corrente medida em um fio delgado
de cobre, em miliampéres. Considere que a faixa de X seja [0; 20 mA]. Qual
é a probabilidade da medida da corrente estar entre 5 e 10 mA? Qual o valor
esperado para a corrente e sua respectiva variância?

Fonte: Adaptado de [Cancho(2010)], p.84

Notação
A notação X ∼ U (α, β) é usada para indicar que X tem distribuição uni-
tβ −etα
forme no intervalo (α, β), com MX (t) = et(β−α) , t 6= 0.

Média e Variância
α+β
(a) µ = E(X) = 2
2
(b) σ 2 = V ar(X) = (β−α)
12

(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 5 / 103 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 6 / 103
Principais Modelos Contínuos Principais Modelos Contínuos

Distribuição Exponencial As figuras abaixo representam a função densidade de probabilidade e a função


de distribuição acumulada de uma VAC exponencial:

Definição λ

Uma VAC X tem distribuição exponencial com parâmetro λ (constante real


positiva, que mostra o número médio de ocorrências por unidade de medida),
se sua função densidade de probabilidade é dada por:

λe−λx , x ≥ 0 Fonte: Adaptado de [Cancho(2010)], p.84-85



f (x) =
0, x<0
Notação
A notação X ∼ Exp(λ) indica que a variável aleatória X tem distribuição
A função da distribuição acumulada de uma VAC exponencial com parâmetro λ
exponencial com parâmetro λ, com MX (t) = λ−t , t < λ.
λ é dada por:
1 − e−λx , x ≥ 0

F (x) = Média e Variância
0, x<0 1
(a) µ = E(X) = λ
1
(b) σ 2 = V ar(X) = λ2
(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 7 / 103 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 8 / 103
Principais Modelos Contínuos Principais Modelos Contínuos

Exemplo - [Hines e outros(2006)] A relação da Distribuição Exponencial com a Distribuição de


Sabe-se que um componente eletrônico tem vida útil representada por uma Poisson
f dp exponencial, com taxa de falha de 10−5 falhas por hora.
Qual é o tempo médio para a falha desse componente?
A distribuição exponencial tem uma relação muito próxima com a distribuição
de Poisson. Vejamos:

Seja um processo de Poisson, onde fixamos o tempo em algum valor t. Então,


Qual é a fração de tais componentes que falhariam antes da vida desenvolvemos a distribuição da variável aleatória X: número de ocorrências
média esperada? no intervalo [0, t]:

e−µ µx
f (x) =
x!

e−λt (λt)x
= , x = 0, 1, 2, 3, . . . (1)
x!

(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 9 / 103 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 10 / 103
Principais Modelos Contínuos Principais Modelos Contínuos

Considere, agora, a probabilidade de nenhuma ocorrência em [0, t], isto é,

f (0) = e−λt Conclusão:


Se o número de ocorrências segue uma distribuição de Poisson, como mos-
Esse resultado, também pode ser interpretado como a probabilidade de o trado em (1), então o tempo entre ocorrências sucessivas segue uma distri-
tempo da primeira ocorrência ser maior que t. buição exponencial, como descrito em (2)!
Considerando esse tempo de ocorrência como uma variável aleatória T, ve-
mos que: Por exemplo,
f (0) = P (T > t) = e−λt , t ≥ 0.
Se o número de clientes que entram em uma agência bancária, em certo
Assim, intervalo de funcionamento desta, segue uma Distribuição de Poisson, então
o tempo entre chegadas de clientes seguirá uma distribuição exponencial.
F (t) = P (T ≤ t) = 1 − P (T > t) = 1 − e−λt , t ≥ 0.

E como, f (t) = F 0 (t), vem que: Observe que:


Uma variável é discreta (contagem) e a outra (tempo) é contínua.
−λt
f (t) = λe , t ≥ 0. (2)

Que é a f dp exponencial!
(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 11 / 103 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 12 / 103
Principais Modelos Contínuos Principais Modelos Contínuos

Propriedade da falta de memória da distribuição exponencial


Exemplo - [Cancho(2010)]

Considere no exemplo anterior, que um componente esteja funcionando a s O tempo de vida (em horas) de um transistor é uma variável aleatória T
horas sem falhar. Qual a probabilidade dele não falhar nas próximas t horas? com f dp:
 1 − t
500 e
500 , t≥0
Propriedade da falta de memória f (t) =
0, t<0
P (T > s + t|T > s) = P (T > t)
(a) Qual é a média de vida do transistor?
Logo, a probabilidade de o componente não falhar nas próximas t horas,
dado que ele não falhou nas primeiras s horas, é igual à probabilidade dele (b) Qual é a probabilidade de que o tempo de vida seja maior do que a
não falhar nas primeiras t horas (isto é, P (X > t)). média?

Note que a informação de que ele não falhou nas primeiras s horas pode (c) Se um transistor já durou mais que 300 horas, qual é a probabilidade
ser esquecida, e por isso dizemos que a Distribuição Exponencial “não tem de que dure pelo menos outras 400 horas?
memória”, sendo que ela é a única distribuição de VAC com essa propriedade.

(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 13 / 103 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 14 / 103
Principais Modelos Contínuos Principais Modelos Contínuos

Distribuições Gama e Erlang Observação 1


Pode ser mostrado que a integral na definição de Γ(r) é finita. Além disso,
Considere o seguintes parâmetros: integrando por partes, pode ser mostrado que
λ: constante real positiva, que mostra o número médio de ocorrências
Γ(r) = (r − 1)Γ(r − 1)
por unidade de medida;
r: número de ocorrências em um processo de Poisson. Assim, pode-se mostrar também que se r for um inteiro positivo, temos

Dizemos que uma VAC X tem distribuição Gama, com parâmetros λ e r, se Γ(r) = (r − 1)!
sua f dp é dada por:
(
λ r−1 e−λx , com r > 0, x > 0
Alguns resultados interessantes:
f (x) = Γ(r) (λx)
0, caso contrário. Γ(1) = 0! = 1

em que Γ(1/2) = π
Z ∞
Γ(r) = xr−1 e−x dx , para r > 0 A função gama pode ser interpretada como uma generalização para valores
0 não-inteiros de r do termo (r − 1)!.
é a chamada função Gama.
(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 15 / 103 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 16 / 103
Principais Modelos Contínuos Principais Modelos Contínuos

Observação 2
Os parâmetros λ e r são frequentemente chamados de parâmetros de escala e
forma, respectivamente. No entanto, devem-se verificar as definições usadas
nos programas computacionais comerciais. Por exemplo, o MINITAB define
o parâmetro de escala como λ1 .

Observação 3
Esboços da distribuição gama para alguns valores de λ e r são mostrados na
figura a seguir.

(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 17 / 103 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 18 / 103
Principais Modelos Contínuos Principais Modelos Contínuos

Distribuição de Erlang
Se r for um número inteiro, então a distribuição Gama passa a ser chamada
A F DA da distribuição Gama é intratável analiticamente, mas é perfeita- de Distribuição de Erlang. Neste caso, Γ(r) = (r − 1)! e a f dp anterior
mente obtida de sof twares computacionais tais como, Excel e Minitab. passa a ser dada por:
(
λ r−1 e−λx , com r ∈ Z + , x > 0
Notacão f (x) = (r−1)! (λx)
0, caso contrário.
λ r
X ∼ Gama(λ, r), com MX (t) = ( λ−t ) .

Integrando-se f (x) entre 0 e x, obtém-se a F DA de X dada por:


Média e Variância
r
(a) µ = E(X) = λ

 1 − r−1
P e−λx (λx)k
, x>0
k=0 k!
r
(b) σ 2 = V ar(X) = λ2 F (x) = P (X ≤ x) =

0, caso contrário.

que corresponde ao complementar da soma de termos de Poisson com média


λx.

(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 19 / 103 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 20 / 103
Principais Modelos Contínuos Principais Modelos Contínuos

Observação 1
Relação entre a Distribuição de Erlang e a Distribuição Exponencial
Note que a distribuição exponencial pode ser vista como o caso particular
Seja a VAC X definida como a seguir:
da distribuição de Erlang, quando r = 1.
Observação 2
X = X1 + X2 + X3 + . . . + Xr
A figura abaixo ilustra a forma da distribuição de Erlang para alguns valores
de r. Note que para r = 1, ela corresponde à distribuição exponencial. em que cada uma das r VAC Xi é independente das demais e exponencial-
mente distribuída com parâmetro λ.

Portanto, se cada Xi representa o tempo decorrido até ocorrer um sucesso,


com
1 1
E(Xi ) = e σ 2 (Xi ) = 2 ,
λ λ
então a VAC X, com parâmetros λ e r, pode ser interpretada como tempo
necessário até ocorrerem r sucessos e,
r r
Observação 3 E(X) = e σ 2 (X) = 2 .
No limite r → ∞, a distribuição de Erlang concentra toda a sua “massa de λ λ
certeza” em torno de sua média E(X), ou seja, X passa a ser determinístico.
(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 21 / 103 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 22 / 103
Principais Modelos Contínuos Principais Modelos Contínuos

Exemplo 1 Exemplo 2
A duração de certa lâmpada é uma VAC exponencialmente distribuída com O tempo entre falhas de um laser em uma determinada máquina é distribuído
média igual a 1.000 horas. exponencialmente, com média de 25.000 horas.
1 Qual é o tempo esperado até que a segunda falha ocorra?
Quando uma lâmpada queima, ela é imediatamente substituída por outra.
Qual a probabilidade da duração de 3 lâmpadas trocadas uma após a outra,
ser menor ou igual a 2.000 horas? 2 Qual é a probabilidade de que o tempo até a terceira falha exceda
50.000 horas?

(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 23 / 103 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 24 / 103
Principais Modelos Contínuos Principais Modelos Contínuos

Exercício
Mostre que Γ(r) = (r − 1)Γ(r − 1).

Observação 4
Quando λ = 12 e r é igual a um dos valores 12 , 1, 32 , 2, 52 , 3, 72 , 4, . . ., a
distribuição Gama passa a ser denominada de Distribuição Qui-Quadrado.

(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 25 / 103 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 26 / 103
Principais Modelos Contínuos Principais Modelos Contínuos

Distribuição de Weibull e de Raleigh


A F DA de X é dada por
Introdução  x−γ β

A distribuição de Weibull tem sido aplicada amplamente a vários fenômenos  1 − e[−( δ ) ] , x>γ
F (x) =
aleatórios. Uma importante área de aplicação tem sido como modelo para o 
tempo de falha de componentes e sistemas elétricos e mecânicos. 0, caso contrário.

Uma VAC X possui distribuição de Weibull se sua f dp é dada por: Notação


 
k
 β x−γ x−γ β X ∼ W eibull(β, δ, γ), com E(X k ) = δ K Γ + 1 , já que MX (t) não
 δ ( δ )β−1 e[−( δ ) ] , x>γ β

f (x) = possui uma forma fechada.



0, caso contrário.
Média e Variância
em que:
(a) µ = E(X) = γ + δΓ(1 + β1 )
β > 0 é chamado parâmetro de forma;
(b) σ 2 = V ar(X) = δ 2 {Γ(1 + β2 ) − [Γ(1 + β1 )]2 }
δ > 0 é chamado parâmetro de escala;
−∞ < γ < ∞ é chamado parâmetro de localização;
(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 27 / 103 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 28 / 103
Principais Modelos Contínuos Principais Modelos Contínuos

Frequentemente, assume-se γ = 0. Logo, a fdp passa a ser escrita como Observação 1


A flexibilidade da distribuição de Weibull é ilustrada na figura abaixo:
 β x x β
 δ ( δ )β−1 e[−( δ ) ] , x>0
f (x) =
caso contrário.

0,

A FDA de X passa a ser


 x β
 1 − e[−( δ ) ] , x>0
F (x) =
caso contrário.

0,
e,
Observação 2
Note que quando γ = 0 e β = 1 a distribuição de Weibull se reduz à
(a) µ = E(X) = δΓ(1 + β1 ) distribuição exponencial com λ = 1δ .
(b) σ 2 = V ar(X) = δ 2 {Γ(1 + β2 ) − [Γ(1 + β1 )]2 } Nota:Embora a distribuição exponencial seja um caso especial das distribuições Gama e Weibull, as distribuições Gama
e Weibull não são, em geral, permutáveis.

(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 29 / 103 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 30 / 103
Principais Modelos Contínuos Principais Modelos Contínuos

Exemplo 1 - [Hines e outros(2006)]


Distribuição de Raleigh Sabe-se que a distribuição do tempo de falha para submontagens eletrônicas
Quando γ = 0 e β = 2, a distribuição de Weibull é denominada Distribuição tem densidade de Weibull com γ = 0, β = 12 e δ = 100.
Raleigh. Conseqüentemente, teremos: 1 Qual é a fração que se espera que sobreviva a 400 horas?
 2 x [−( x )2 ]
 δ ( δ )e δ , x>0
f (x) =
caso contrário.

0,
x 2
Qual é o tempo médio para falha?

 1 − e[−( δ ) ] , x>0 2

F (x) =
caso contrário.

0,
e,
(a) µ = E(X) = δΓ( 23 )
(b) σ 2 = V ar(X) = δ 2 {Γ(2) − [Γ( 32 )]2 }

(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 31 / 103 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 32 / 103
Principais Modelos Contínuos Principais Modelos Contínuos

Exemplo 2 - [Montgomery e Runger(2016)] Distribuição do Valor Extremo


O tempo de falha (em horas) de um mancal em um eixo mecânico é satis-
fatoriamente modelado como uma variável aleatória de Weibull, com γ = 0,
β = 12 e δ = 5000 horas.
1 Qual é o tempo médio para falha desse mancal?

Essa distribuição é utilizada para modelar valores extremos de certas variá-


veis, que podem ser mínimos ou máximos. Assim, temos duas possibilidades:

2 Qual é a probabilidade de uma mancal durar no mínimo 6000 horas? Distribuição do Menor Valor Extremo (ou de Gumbel)
Distribuição do Maior Valor Extremo

(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 33 / 103 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 34 / 103
Principais Modelos Contínuos Principais Modelos Contínuos

[1] - Distribuição do Menor Valor Extremo (ou de Gumbel)


É indicada para modelar o valor mínimo a partir de uma distribuição de ob-
servações aleatórias, descrevendo fenômenos extremos, como a temperatura
mínima ou a precipitação durante uma seca. A F DA é dada por:
x−ξ
 
−e( θ )
Essa distribuição surge quando se toma o logaritmo natural de uma variável F (x) = 1 − e
com distribuição de Weibull. Isto é, se a variável W tem uma distribuição
de Weibull com f dp igual a f (w), então a variável X = ln(w) tem uma Média e Variância
distribuição do menor valor extremo com a seguinte f dp: (a) E(X) = ξ − νθ
π2 θ2
x−ξ
(b) V ar(X) = 6 ,
 
1 ( x−ξ
θ )−e( θ )
f (x) = e , −∞ < x < ∞, −∞ < ξ < ∞, θ > 0
θ sendo ν = 0, 5772 . . . , conhecida como constante de Euler.
1
com θ = β e ξ = ln(δ).

Notação
X ∼ V E(inf ) (ξ, θ)
(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 35 / 103 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 36 / 103
Principais Modelos Contínuos Principais Modelos Contínuos

Exemplo
A figura abaixo ilustra distribuições de Menor Valor Extremo para valores Considere que a temperatura de operação para um determinado processo
selecionados dos parâmetros ξ e θ: industrial possa ser modelada através de uma distribuição do Menor Valor
Extremo, com parâmetros ξ = 30 o C e θ = 2. Valores de temperatura
abaixo de 20 o C são raros, porém quando acontecem, inviabilizam o processo.
Deternine a probabilidade disso ocorrer, bem como a temperatura média do
processo.

Observe que: a distribuição tem assimetria negativa.

(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 37 / 103 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 38 / 103
Principais Modelos Contínuos Principais Modelos Contínuos

[2] - Distribuição do Maior Valor Extremo


É indicada para modelar o valor máximo a partir de uma distribuição de
observações aleatórias, descrevendo fenômenos extremos, como velocidades A F DA é dada por:
x−ρ
 
−e ( α )

de vento extremas, perdas altas de seguro e os níveis de água em um rio.
F (x) = e

A variável X tem uma distribuição do maior valor extremo se sua f dp é dada


Média e Variância
por:
(a) E(X) = ρ + να
( x−ρ
 
−( x−ρ
− α ) (b) V ar(X) = π 2 α2
1 α ) 6 ,
−e
f (x) = e , −∞ < x < ∞, −∞ < ρ < ∞, α > 0
α sendo ν = 0, 5772 . . . , conhecida como constante de Euler.

Notação
X ∼ V E(sup) (ρ, α)

(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 39 / 103 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 40 / 103
Principais Modelos Contínuos Principais Modelos Contínuos

Exemplo
A figura abaixo ilustra distribuições de Maior Valor Extremo para valores Considere que valores altos de perda financeira por uma operadora de seguro
selecionados dos parâmetros ρ e α: veicular possam ser modelados através de um distribuição do Maior Valor Ex-
tremo, com parâmetros ρ = R$ 100.000 e α = 2. Determine a probabilidade
de ocorrerem perdas acima do valor médio para essa seguradora.

Observe que: a distribuição tem assimetria positiva.

(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 41 / 103 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 42 / 103
Principais Modelos Contínuos Principais Modelos Contínuos

Distribuição Normal ou Gaussiana (“De Moivre”) A fdp normal pode ser esboçada conforme a figura abaixo:

Introdução
A Distribuição Normal é, sob muitos aspectos, a pedra angular da estatística.
Indubitavelmente, o modelo mais utilizado para a distribuição de uma variável
aleatória é a distribuição normal.

Fonte: Adaptado de [Montgomery e Runger(2016)], p.97


Uma VAC X tem distribuição normal, com média µ (−∞ < µ < ∞) e
variância σ 2 , se tem a seguinte fdp:
Propriedades
1 1 x−µ 2
R∞
f (x) = √ e− 2 ( σ ) , −∞ < x < ∞. −∞ f (x)dx = 1;
1

σ 2π 2 f (x) ≥ 0;
Denotação
3 limx→±∞ f (x) = 0;
2 2 4 f (µ + x) = f (µ − x) ⇒ a função é simétrica em torno de µ;
[tµ+ σ 2t ]
X ∼ N (µ, σ 2 ), com MX (t) = e . 5 O máximo de f (x) ocorre em x = µ;
(a) E(X) = µ 6 Os pontos de inflexão estão em x = µ ± σ.
(b) V ar(X) = σ2
(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 43 / 103 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 44 / 103
Principais Modelos Contínuos Principais Modelos Contínuos

Alguns resultados úteis relativos à curva normal são apresentados abaixo:


A figura abaixo ilustra fdp’s normais com valores selecionados de µ e σ 2 :

Fonte: [Montgomery e Runger(2016)], p.97

Ou seja, para qualquer variável aleatória normal X,


FDA normal
A FDA normal de X é dada por P (µ − σ < X < µ + σ) = 0, 6827
Z x
1 1 t−µ 2
P (µ − 2σ < X < µ + 2σ) = 0, 9545
F (x) = P (X ≤ x) = √ e− 2 ( σ ) dt
−∞ σ 2π
P (µ − 3σ < X < µ + 3σ) = 0, 9973
Além disso, P (X < µ) = P (X > µ) = 0, 5.
(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 45 / 103 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 46 / 103
Principais Modelos Contínuos Principais Modelos Contínuos

Exemplo 1 - (Adaptado de [Montgomery e Runger(2016)])


Suponha que as medidas da corrente em um pedaço de fio sigam a distri-
buição normal, com uma média de 15 miliampéres e uma variância de 9 Alternativamente, a probabilidade requerida anteriormente pode ser expressa
(miliampres)2 . Qual é a probabilidade da medida exceder 17 miliampéres? em termos da FDA de X da seguinte maneira:
Z 17
Seja X a corrente em miliampéres. Logo, a probabilidade requerida é dada 1 1 t−µ 2
P (X > 17) = 1 − P (X ≤ 17) = 1 − F (17) = 1 − √ e− 2 ( σ ) dt
por P (X > 17) e é mostrada como a área sombreada sob a fdp normal da −∞ σ 2π
figura abaixo:
Também é impossível avaliar essa integral sem se recorrer a métodos numé-
ricos e mesmo assim, a avaliação teria de ser feita para cada par (µ, σ 2 )!

Nos próximos slides serão apresentadas maneiras de se calcular probabilidades


Z ∞ Z ∞
normais.
1 1 x−µ 2
P (X > 17) = f (x)dx = √ e− 2 ( σ ) dx
17 17 σ 2π
Infelizmente, não há uma expressão exata para a integral de uma fdp normal.
Métodos numéricos são requeridos.
(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 47 / 103 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 48 / 103
Principais Modelos Contínuos Principais Modelos Contínuos

Variável aleatória normal padrão Exemplo 2 - [Montgomery e Runger(2016)]


Uma variável aleatória normal com µ = 0 e σ 2 = 1 e com fdp Para a variável aleatória normal padrão em cada item a seguir, calcule a
1 1 2
probabilidade requerida.
ϕ(z) = f (z) = √ e− 2 (z) , −∞ < z < ∞.

a) P (Z > 1, 26)
é chamada de VA normal padrão e é denotada por Z ∼ N (0, 12 ).

A FDA de uma variável aleatória normal padrão é denotada por

Φ(z) = F (z) = P (Z ≤ z)

A figura abaixo ilustra o cálculo de FDA’s normais: b) P (Z < −0, 86)


Rz − 1 (u)2
Φ(z) = P (Z ≤ z) = √1 e 2 du
−∞ 2π

Fonte: Adaptado de [Montgomery e Runger(2016)], p.97


(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 49 / 103 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 50 / 103
Principais Modelos Contínuos Principais Modelos Contínuos

c) P (Z > −1, 37) d) Encontre o valor de z tal que P (Z > z) = 0, 05

d) P (−1, 25 < Z < 0, 37) e) Encontre o valor de z tal que P (−z < Z < z) = 0, 99

e) P (Z < −4, 6) f) P (Z > 7)

(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 51 / 103 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 52 / 103
Principais Modelos Contínuos Principais Modelos Contínuos

Observação
Padronizando uma variável aleatória normal
Os exemplos precedentes mostram como calcular as probabilidades para as
variáveis aleatórias normais padrões, isto é, para Z ∼ N (0, 12 ). Se X é uma variável aleatória normal com E(X) = µ e V (X) = σ 2 , então
a variável aleatória
X −µ
Z=
No entanto, usar a mesma abordagem para um variável aleatória normal σ
arbitrária necessitaria uma tabela em separado para cada par possível de é uma variável aleatória normal, com E(Z) = 0 e V (Z) = 1. Ou seja, Z é
valores de µ e σ! uma variável aleatória normal padrão.

Felizmente, uma simples transformação numa VAC X normal, faz com que Ao fazer essa transformação em X, dizemos que estamos padronizando X.
os cálculos sejam independentes de µ e σ. Essa idéia é explicitada a seguir:

(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 53 / 103 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 54 / 103
Principais Modelos Contínuos Principais Modelos Contínuos

A partir da padronização da variável aleatória X, podemos escrever e calcular Exemplo 3


a FDA de X como a seguir: Suponha que X ∼ N (100, 22 ). Calcule P (X ≤ 104).
Z x
1 1 x−µ 2
F (x) = P (X ≤ x) = √ e− 2 ( σ ) dx =
−∞ σ 2π

X −µ x−µ
P (X ≤ x) = P ( ≤ )=
σ σ
Z z
P (Z ≤ z) = Φ(z) = ϕ(z)dz =
−∞
Z z
Observação
1 1 2
√ e− 2 (z) dz = Note que na relação z = x−µσ , a variável z mede o afastamento de x em
−∞ 2π
relação à média µ, em unidades de desvio padrão.
Z x−µ
σ 1 1 x−µ 2
√ e− 2 ( σ ) dx = Por exemplo, calculamos acima que F (104) = Φ(+2). Logo, x = 104 está
−∞ 2π dois desvios-padrão acima da média, sendo neste exemplo σ = 2. Em geral,
x−µ
Φ( )
σ x = µ + σz.
(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 55 / 103 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 56 / 103
Principais Modelos Contínuos Principais Modelos Contínuos

Exemplo 4 - [Hines e outros(2006)] Exemplo 5 - [Hines e outros(2006)]


A força de ruptura (em Newtons) de uma tela sintética é denotada por X e O diâmetro primitivo da rosca em uma conexão é X ∼
2 2 As especificações do projeto são
tem distribuição N (800, 144). N (0, 4008 cm 0, 0004 cm ).
0, 4000 ± 0, 0010 cm.
O comprador da tela exige que ela tenha uma força de, pelo menos, 772
N. Uma amostra da tela é selecionada aleatoriamente e testada. Qual é a Desejamos determinar que fração do produtos que está dentro da tolerância.
probabilidade de atender as exigências?

(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 57 / 103 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 58 / 103
Principais Modelos Contínuos Principais Modelos Contínuos

Continuação do exemplo 5 Propriedade Reprodutiva da Distribuição Normal


Quando os engenheiros do processo estudam os resultados de tais cálculos,
decidem substituir uma ferramenta de corte usada e ajustar a máquina que Teorema: Sejam X1 , X2 , . . . , Xn variáveis aleatórias independentes onde
produz as conexões, de modo que a nova média cai diretamente para o valor Xi ∼ N (µi , σi2 ) para i = 1, 2, . . . , n e sejam a0 , a1 , . . . , an contantes reais.
nominal de 0,4000.
Seja a VA Y uma combinação linear das variáveis aleatórias normais
Determine a nova fração do produtos que está dentro da tolerância. X1 , X2 , . . . , Xn . Isto é,

Y = a0 + a1 X1 + a2 X2 + a3 X3 + . . . + an Xn .

Então, a VA Y tem distribuição normal com média e variâncias dadas por


n
X
µy = a0 + a1 µ1 + a2 µ2 + a3 µ3 + . . . + an µn = a0 + ai µi
i=1

n
X
σY2 = a21 σ12 + a22 σ22 + a23 σ32 + ... + a2n σn2 = a2i σi2 .
i=1
(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 59 / 103 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 60 / 103
Principais Modelos Contínuos Principais Modelos Contínuos

Teorema do Limite Central - enunciado 1 Exemplo 6 - [Morabito(2002)]


São fabricadas peças sem defeito com probabilidade p = 0, 95. Qual a
Se uma VA Y puder ser descrita como a soma de quaisquer outras n variáveis probabilidade de termos no mínimo 80 peças sem defeito em um lote de 100
aleatórias independentes X1 , X2 , . . . , Xn , cada uma com pequena contribui- peças?
ção para o valor de Y , então para n suficientemente grande, essa soma Y
terá distribuição normal. Ou seja,

Se X1 , X2 , . . . , Xn são variáveis aleatória independentes, cada uma com

E(Xi ) = µi e σ 2 (Xi ) = σi2 ,

então para n → ∞, a soma

Y = X1 + X2 + . . . + Xn

tem distribuição normal, isto é Y ∼ N ( ni=1 µi , ni=1 σi2 ).


P P

(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 61 / 103 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 62 / 103
Principais Modelos Contínuos Principais Modelos Contínuos

Exemplo 7 - [Morabito(2002)] Distribuição Lognormal


5000 peças são embaladas em caixas. Os pesos das peças são variáveis
aleatórias independentes, com µi = 0, 5 libra e σ = 0, 10 libra. Calcule a Introdução
probabilidade de que as peças na caixa excederão 2510 libras. Variáveis em um sistema seguem, algumas vezes, uma relação exponencial
como x = ew .

Se o expoente for uma variável aleatória, isto é W , então X = eW será uma


variável aleatória e está-se interessado na distribuição de X.

Um importante caso especial ocorre quando W tem uma distribuição normal.


Nesse caso, a distribuição de X é chamada de Distribuição Lognormal.

O nome é proveniente da transformação

ln(X) = ln(eW ) = W, com X > 0.

Ou seja, o logaritmo natural de X é normalmente distribuído.


(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 63 / 103 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 64 / 103
Principais Modelos Contínuos Principais Modelos Contínuos

Portanto, seja W ∼ N (µ, σ 2 ). Então, X = eW é uma variável aleatória


lognormal com fdp
1 1 ln(x)−µ 2
Suponha que W seja normalmente distribuída, com média µ e variânciaσ 2 . f (x) = √ e− 2 ( σ
)
, 0 < x < ∞.
xσ 2π
Então, a FDA para X é dada por
Atenção:
F (x) = P (X ≤ x) = P (eW ≤ x) = P (W ≤ ln(x)) =
µ e σ se referem à variável aleatória W .
ln(x) − µ ln(x) − µ
P (Z ≤ ) = Φ( )
σ σ Notação
com x > 0, Z ∼ N (0, 12 ) e F (x) = 0 para x ≤ 0. X = eW ∼ LN (µ, σ 2 )

Média e variância
σ2
(a) E(X) = eµ+ 2
2 2
(b) V ar(X) = e(2µ+σ ) (eσ − 1)

(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 65 / 103 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 66 / 103
Principais Modelos Contínuos Principais Modelos Contínuos

Exemplo - [Montgomery e Runger(2016)]


O tempo de vida de um laser semicondutor tem uma distribuição lognormal,
com µ = 10 horas e σ = 1, 5 hora.
A figura abaixo ilustra distribuições lognormais para valores selecionados dos 1 Qual é a probabilidade do tempo de vida exceder 10.000 horas?
parâmetros:

2 Qual o tempo de vida que é excedido por 99% dos lasers?

3 Determine a média do tempo de vida.

(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 67 / 103 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 68 / 103
Principais Modelos Contínuos Principais Modelos Contínuos

Distribuição Logística

Essa distribuição é indicada para variáveis que tenham distribuições simétri-


cas, porém com caudas mais pesadas do que a distribuição normal.

A f dp de X é dada por:
x−ξ
e−( θ )
f (x) = h i2 , −∞ < x < ∞, −∞ < ξ < ∞, θ > 0
−( x−ξ
θ )
θ 1+e

Notação
X ∼ Log(ξ, θ)

(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 69 / 103 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 70 / 103
Principais Modelos Contínuos Principais Modelos Contínuos

A figura abaixo ilustra distribuições Logística para valores selecionados dos


parâmetros ξ e θ:
A F DA é dada por:
1
F (x) = x−ξ
1 + e−( θ )

Média e Variância
(a) E(X) = ξ
π2 θ2
(b) V ar(X) = 3 ,

Observe que:
A distribuição é simétrica em torno de ξ;
A distribuição tem caudas mais pesadas que a distribuição normal.

(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 71 / 103 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 72 / 103
Principais Modelos Contínuos Principais Modelos Contínuos

Exemplo Distribuição Loglogística (ou de Fisk)


Considere que o tempo necessário para se concluir um determinado projeto
de engenharia possa ser modelado através de uma distribuição Logística, Essa distribuição surge quando se toma o logaritmo natural de uma variável
com parâmetros ξ = 400 horas e θ = 36. Determine a probabilidade desse com distribuição Logística. Isto é, se a variável W tem uma distribuição
projeto ultrapassar o deadline de 500 horas. Logística com f dp igual a f (w), então a variável X = ln(w) tem uma
distribuição Loglogística com a seguinte f dp:
 
ln(x−λ)−ξ

1 e θ
f (x) =  2 , x > λ, θ > 0
θ(x − λ)
 
ln(x−λ)−ξ

1+e θ

A distribuição loglogística é utilizada, por exemplo, em modelos de cresci-


mento e para modelar respostas binárias em aplicações de bioestatística e
economia.

Notação
X ∼ Loglog(ξ, θ, λ)
(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 73 / 103 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 74 / 103
Principais Modelos Contínuos Principais Modelos Contínuos

A figura abaixo ilustra distribuições Loglogísticas para valores selecionados


dos parâmetros ξ, θ e λ:

A F DA é dada por:
1
F (x) = 
ln(x−λ)−ξ


1+e θ

Média e Variância
(a) E(X) = e(ξ) Γ(1 + θ)Γ(1 − θ) + λ, θ < 1
(b) V ar(X) = e(2ξ) Γ(1 + 2θ)Γ(1 − 2θ) − Γ2 (1 + θ)Γ2 (1 − θ) , θ < 1/2
 

(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 75 / 103 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 76 / 103
Principais Modelos Contínuos Principais Modelos Contínuos

Exemplo
Um determinada carteira de investimentos financeiros possui retornos per-
centuais modelados segundo uma distribuição Loglogística, com parâmetros
ξ = 0, θ = 0, 4 e λ = 0, 7. Determine o rendimento médio e o desvio-padrão
para essa carteira.

(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 77 / 103 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 78 / 103
Principais Modelos Contínuos Principais Modelos Contínuos

Distribuição de Pareto Contínua


Uma variável X possui Ditribuição de Pareto Contínua, com parâmetros
x0 > 0 e α > 0, se sua f dp é dada por:
1
αxα0 x(α+1)

, x0 > 0, α > 0, x ≥ x0
A distribuição de Pareto Contínua é útil para modelar variáveis aleatórias f (x) =
0, caso contrário
que apresentam o comportamento de caudas pesadas (heavy tails), isto é,
para situações onde a grande maioria dos dados fica numa faixa estreita de
variação e uma proporção não desprezível tem valores ordens de grandeza Notação
maior que o valor esperado da variável. X ∼ P areto(α, x0 )

São exemplos dessas variáveis: distribuição de renda, perdas em alguns tipos Função de Distribuição Acumulada
de suguros, atrasos em transmissão de dados na internet, entre outras. 
1− x0 α

, se x ≥ x0
F (x) = x
0, se x < x0

(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 79 / 103 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 80 / 103
Principais Modelos Contínuos Principais Modelos Contínuos

Média e Variância Exemplo


α Suponha que a renda de uma determinada população possa ser modelada

α−1 x0 , se α > 1
E(x) = por uma distribuição de Pareto Contínua, com parâmetros α = 1, 5 e x0 =
∞, se 0 < α ≤ 1
( R$ 500. Determine:
α
x2 ,
(α−1)2 (α−2) 0
se α > 2 A probabilidade de se obter rendas maiores que R$ 15 mil;
V ar(x) =
∞, se 0 < α ≤ 2 A renda média dessa população;
A figura abaixo ilustra distribuições de Pareto para valores selecionados dos O percentual de rendas menores que a média.
parâmetros x0 e α:

(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 81 / 103 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 82 / 103
Principais Modelos Contínuos Principais Modelos Contínuos

Distribuição Beta

A distribuição Beta é utilizada para representar variáveis limitadas a um


intervalo [a, b].

São exemplos dessas variáveis: proporção de salários pagos em relação ao


custo total de uma empresa; razão entre o comprimento do ante-braço e
o braço; a proporção requerida por uma atividade específica em relação ao
tempo máximo de um determinado projeto; entre outras. Observe que,
nestes casos, as variáveis assumem valores no intervalo contínuo [0, 1].

(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 83 / 103 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 84 / 103
Principais Modelos Contínuos Principais Modelos Contínuos

Uma variável X ∈ [a, b] possui distribuição Beta, com parâmetros α > 0 e A distribuição Beta não possui uma fórmula fechada para F (X), necessi-
β > 0, se sua f dp é dada por: tando ser definida através de métodos numéricos.
(
Γ(α+β) (x−a)α−1 (b−x)β−1
, a ≤ x ≤ b, α > 0, β > 0 A figura abaixo ilustra distribuições Beta para valores selecionados dos pa-
f (x) = Γ(α)Γ(β) (b−a)α+β−1
0, caso contrário râmetros α e β:

Notação
X ∼ beta(α, β)

Média e Variância
Para o caso onde X ∈ [0, 1], temos:
α
E(x) =
α+β Observe que:
Quando α = β = 1, a função Beta se reduz ao caso da distribuição contínua Uniforme;
αβ Quando α = β, a função é simétrica ao redor de 1/2, aumentando a probabilidade ao redor desse valor à
V ar(x) = 2
. medida que a(= b) cresce;
(α + β) (α + β + 1) Quando α < β, a função é assimétrica à direita;
Quando α > β, a função é assimétrica à esquerda.
(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 85 / 103 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 86 / 103
Principais Modelos Contínuos Principais Modelos Contínuos

Exemplo - Adaptado de [Montgomery e Runger(2016)] Distribuição de Cauchy (ou Lorentz)


Considere o tempo para completar uma certa etapa de um projeto urbano. A
razão desse tempo em relação ao tempo total do projeto pode ser modelada
por uma distribuição Beta, com parâmetros α = 2, 5 e β = 1. Qual é a
probabilidade dessa razão exceder 0,7? Muitas vezes, é útil analisar a razão entre duas variáveis normais padrão e
independentes entre si. O resultado dessa razão fica bem modelado por uma
distribuição de Cauchy-Lorentz, nome dado em homenagem aos pesquisado-
res Augustin-Louis Cauchy e Hendrik Lorentz.

Uma variável X tem distribuição de Cauchy com parâmetros α (localização)


e β (escala) se sua f dp é dada por

 1

 2  , −∞ < x < ∞, −∞ < α < ∞, β > 0
x−α
f (x) = πβ 1+ β

0, caso contrário

(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 87 / 103 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 88 / 103
Principais Modelos Contínuos Principais Modelos Contínuos

A figura abaixo ilustra distribuições de Cauchy para valores selecionados dos


Notação parâmetros α e β:
X ∼ Cauchy(α, β)

A FDA de X é dada por:


(  
1 1 x−α
2 + π arctan β , −∞ < x < ∞, −∞ < α < ∞, β > 0
F (x) =
0, caso contrário

Média e Variância
A distribuição de Cauchy pode ser considerada uma distribuição patológica, Observe que: a distribuição de Cauchy, assim como no caso da distribuição
pois ela não apresenta nem média e nem variância. Normal, também é representada por uma curva em forma de sino. No en-
tanto, no caso da distribuição de Cauchy, as caudas se aproximam de zero
mais lentamente.

(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 89 / 103 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 90 / 103
Principais Modelos Contínuos Principais Modelos Contínuos

Exemplo Distribuição de Laplace (ou Exponencial Dupla)


Seja considerar que a razão entre o comprimento e o diâmetro de determina
peça metálica possa ser modelada por uma distribuição de Cauchy, com Pode ser utilizada quando a distribuição dos dados tiver mais picos do que
parâmetros α = 10 e β = 1. Determine a probabilidade dessa razão estar a distribuição normal. Exemplos de aplicação são mais comuns em biologia
compreendida entre 7 e 8. e finanças.

A f dp de X é dada por:
 
1 − |x−a|
f (x) = e b
, −∞ < x < ∞, −∞ < a < ∞, b > 0
2b
A distribuição Laplace também é conhecida como a distribuição exponencial
dupla, porque é composta por duas distribuições exponenciais, uma positiva
e outra negativa.

Notação
X ∼ Laplace(a, b)
(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 91 / 103 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 92 / 103
Principais Modelos Contínuos Principais Modelos Contínuos

A figura abaixo ilustra distribuições de Laplace para valores selecionados dos


parâmetros a e b:
A F DA de X é dada por:
(
1 ( x−a
b ),
2e x≤a
F (x) = x−a
1 − 21 e−( b ) , x>a

Média e Variância
(a) E(X) = a
(b) V ar(X) = 2b2

Observe que: a distribuição de Laplace apresenta curtose maior que 0 (lep-


tocúrtica).

(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 93 / 103 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 94 / 103
Principais Modelos Contínuos Principais Modelos Contínuos

Exemplo Distribuição de Gompertz


Considere que o retorno financeiro de dado investimento possa ser modelado
de acordo com um distribuição de Laplace, com parâmetros a = R$ 1 milhão
e b = 1. Calcule a probabilidade do retorno ser superior a R$ 1 milhão. Essa distribuição é muito indicada para modelar o tempo de vida a partir dos
22 anos, possuindo importantes aplicações no mercado de seguros.

Sua f dp é dada por:


b(cx −1)
h i
x −
f (x) = bc e log(c)
, x > 0, b > 0 e c > 1

O parâmetro b possui um valor típico em torno de 1, 02 × 10−4 . Já para c,


um valor usual é 1, 09.

Notação
X ∼ Gompertz(b, c)

(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 95 / 103 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 96 / 103
Principais Modelos Contínuos Principais Modelos Contínuos

A figura abaixo ilustra a distribuição de Gompertz para os parâmetros b =


1, 02 × 10−4 e c = 1, 09:
A F DA é dada por:
−b(cx −1)
h i
F (x) = 1 − e log(c)

Fonte: Adaptado de [Assuncao(2017)], p.221

(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 97 / 103 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 98 / 103
Principais Modelos Contínuos Principais Modelos Contínuos

Exemplo Distribuição Triangular


Considere que uma seguradora esteja utilizando a distribuição de Gompertz
para modelar o tempo de vida de seus clientes. Para isso, ela definiu os É indicada para descrever uma variável com amostra limitada.
seguintes valores de parâmetros: b = 1, 02 × 10−4 e c = 1, 09. Calcule a
probabilidade de um indivíduo qualquer dessa população, apresentar tempo Exemplos de aplicação são mais comuns quando se modela o risco de um
de vida inferior a 40 anos. negócio e processos estocásticos. Por exemplo, amostrar custos de produção
de um nova aeronave é difícil. No entanto, é possível estimar os custos
mínimos, máximos, e mais prováveis (moda) de produção.
A f dp é dada por:
( 2(x−a)
(b−a)(c−a) , a ≤ x ≤ c
f (x) = 2(b−x)
(b−a)(b−c) , c ≤ x ≤ b,

onde a é o valor mínimo, c é a moda e b é o valor máximo.

Notação
X ∼ 4(a, c, b)
(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 99 / 103 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 100 / 103
Principais Modelos Contínuos Principais Modelos Contínuos

A figura abaixo ilustra a distribuição Triangular para valores diferentes dos


parâmetros a, b e c:

A F DA é dada por:
(x−a)2
(
(b−a)(c−a) , a≤x≤c
F (x) = (b−x)2
1 − (b−a)(b−c) , c < x ≤ b,

Média e Variância
(a) E(X) = 13 (a + b + c)
1 2
(b) V ar(X) = 18 (a + b2 + c2 − ab − ac − bc)

(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 101 / 103 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 102 / 103
Principais Modelos Contínuos Principais Modelos Contínuos

Exemplo Assuncao, R., 2017. Fundamentos estatísticos de ciência dos dados -


Considere que os custos de armazenagem para certo item possam ser mo- voltado para aplicações -Belo Horizonte: UFMG.
delados através de uma distribuição Triangular, com valor mínimo de R$ Cancho, V., 2010. Notas de aulas sobre noções de estatística e
1.000, máximo de R$ 1.500 e moda de R$ 1.200. Calcule a probabilidade probabilidade - São Paulo: USP.
desse custo estar comprrendido entre R$ 1.100 e R$ 1.300.
Hines, W., outros, 2006. Probabilidade e Estatística na Engenharia.
Rio de Janeiro: LTC.
Montgomery, D., Runger, G., 2016. Estatística Aplicada e
Probabilidade para Engenheiros. Rio de Janeiro: LTC.
Morabito, R., 2002. Modelos Probabilísticos Aplicados à Engenharia de
Produção. São Carlos: Edufscar.

(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 103 / 103 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/1 103 / 103
Aula de Exercı́cios - Modelos Probabilı́sticos Contı́nuos Aula de Exercı́cios - Modelos Probabilı́sticos Contı́nuos

Modelo Uniforme

Exemplo
Aula de Exercı́cios - Modelos Probabilı́sticos A temperatura T de destilação do petróleo é crucial na
Contı́nuos determinação da qualidade final do produto. Suponha que T seja
considerada uma v.a. com distribuição uniforme no intervalo
(150, 300). Suponha que o custo para produzir um galão de
Organização: Airton Kist Digitação: Guilherme Ludwig petróleo seja C1 reais. Se o óleo for destilado a uma temperatura
inferior a 200o , o produto obtido é vendido a C2 reais; se a
temperatura for superior a 200o , o produto é vendido a C3 reais.
(a) Fazer o gráfico da f.d.p. de T .
(b) Qual o lucro médio por galão?
Fonte: Morettin & Bussab, Estatı́stica Básica 5a edição, pág 182.
Aula de Exercı́cios - Modelos Probabilı́sticos Contı́nuos Aula de Exercı́cios - Modelos Probabilı́sticos Contı́nuos

Modelo Uniforme Modelo Uniforme

(a) O gráfico de f (t) é dado por: (b) Seja X o lucro obtido. Então E(X ) =
E(X |T < 200)P(T < 200) + E(X |T ≥ 200)P(T ≥ 200)
0.014
R 200
0.012 Note que P(T < 200) = 150 1/(300 − 150)dt = 1/3, e
0.010 consequentemente P(T ≥ 200) = 2/3. Repare também que
0.008 E(X |T < 200) = C2 − C1 , pois o lucro é completamente
0.006
determinado pela temperatura de destilação. De modo
análogo, E(X |T ≥ 200) = C3 − C1 . Temos portanto que
0.004

0.002

C2 − C1 2(C3 − C1 ) C2 + 2C3
150 200 250 300 E(X ) = + = − C1
3 3 3

Aula de Exercı́cios - Modelos Probabilı́sticos Contı́nuos Aula de Exercı́cios - Modelos Probabilı́sticos Contı́nuos

Modelo Normal Modelo Normal

Exemplo Para calcular as probabilidades, é necessário integração numérica –


2
Se X ∼ N(10, 4), calcular: e −x não tem antiderivada. Contudo, os valores para Z ∼ N(0, 1)
encontram-se tabelados. Tudo o que precisamos fazer é
(a) P(8 < X < 10) transformar a variável em N(0, 1).
(b) P(9 ≤ X ≤ 12)
(c) P(X > 10) Recorde que se X ∼ N(µ, σ 2 ), então X − µ ∼ N(0, σ 2 ) e
(d) P(X < 8 ou X > 11) (X − µ)/σ ∼ N(0, 1). Neste problema, sabemos que µ = 10 e
σ 2 = 4, logo σ = 2. Então (X − 10)/2 ∼ N(0, 1).
Fonte: Morettin & Bussab, Estatı́stica Básica 5a edição, pág 182.
Aula de Exercı́cios - Modelos Probabilı́sticos Contı́nuos Aula de Exercı́cios - Modelos Probabilı́sticos Contı́nuos

Modelo Normal Modelo Normal

(a) O gráfico da curva normal, com a região correspondente ao


(a) Devemos transformar X de modo que o evento 8 < X < 10
item (a) em destaque:
permaneça inalterado. Fazemos isso transformando todos os
0.20
lados da inequação:
8 < X < 10 ⇔ 8−10 < X −10 < 10−10 ⇔ −2 < X −10 < 0
0.15
⇔ −2/2 < (X − 10)/2 < 0/2 ⇔ −1 < Z < 0.

0.10
Portanto P(8 < X < 10) = P(−1 < Z < 0) = 0,3413

0.05
(b) P(9 ≤ X ≤ 12) = P(9 − 10 ≤ X − 10 ≤ 12 − 10) =
P(−1/2 ≤ Z ≤ 1) = 0,5328
6 8 10 12 14

Aula de Exercı́cios - Modelos Probabilı́sticos Contı́nuos Aula de Exercı́cios - Modelos Probabilı́sticos Contı́nuos

Modelo Normal Modelo Normal

(c) P(X > 10) = P(Z > 0) = 0,5 Exemplo


Para a v.a. X ∼ N(µ, σ 2 ), encontre:
(d) P(X < 8 ou X > 11) = P(X < 8) + P(X > 11), pois (a) P(X ≤ µ + 2σ)
{X < 8} ∩ {X > 11} = ∅.
(b) P(|X − µ| ≤ σ)
P(X < 8) = P(Z < −1) = 0,1586 e (c) O número a tal que P(µ − aσ ≤ X ≤ µ + aσ) = 0,99
P(X > 11) = P(Z > 1/2) = 0,3085, logo (d) O número b tal que P(X > b) = 0,90
P(X < 8 ou X > 11) = 0,4671
Fonte: Morettin & Bussab, Estatı́stica Básica 5a edição, pág 182.
Aula de Exercı́cios - Modelos Probabilı́sticos Contı́nuos Aula de Exercı́cios - Modelos Probabilı́sticos Contı́nuos

Modelo Normal Modelo Normal

De modo análogo ao exercı́cio anterior, queremos transformar (c) Note que P(µ−aσ ≤ X ≤ µ+aσ) = P(−a ≤ (X − µ)/σ ≤ a) =
X ∼ N(µ, σ 2 ) em Z ∼ N(0, 1). P(−a ≤ Z ≤ a). Como X é simétrica, então sabemos que
2P(Z > a) = 2P(Z < −a) = 1 − P(−a ≤ Z ≤ a). Basta
(a) P(X ≤ µ + 2σ) = P(X − µ ≤ 2σ) = P((X − µ)/σ ≤ 2) =
então olhar qual a satisfaz P(Z > a) = 0,005. Consultando a
P(Z ≤ 2) = 0,9772
tabela, vemos que a = 2, 5758.

(b) P(|X − µ| ≤ σ) = P(|X − µ|/σ ≤ 1) =


(d) Note agora que P(X > b) = P(Z > (b − µ)/σ). Consultando
P(|(X − µ)/σ| ≤ 1) = P(|Z | ≤ 1) = P(−1 ≤ Z ≤ 1) =
a tabela, vemos que P(Z > (b − µ)/σ) = 0,9 se
0,6827
(b − µ)/σ = 1,2816, ou b = 1,2816σ + µ.

Aula de Exercı́cios - Modelos Probabilı́sticos Contı́nuos Aula de Exercı́cios - Modelos Probabilı́sticos Contı́nuos

Modelo Normal Modelo Normal

Exemplo
As alturas de 10.000 alunos de um colégio têm distribuição (a) A proporção de alunos com altura superior a 165cm é dada
aproximadamente normal, com média 170cm e desvio padrão 5cm. por P(X > 165), ou P(Z > (165 − 170)/5) = P(Z > −1)
(a) Qual o número esperado de alunos com altura superior a = 0,8413. Logo, o número de alunos com mais de 1,65 é uma
165cm? variável aleatória com distribuição binomial(10000, 0,8413) e,
(b) Qual o intervalo simétrico em torno da média que conterá como sabemos, o número esperado é de 8413 alunos.
75% das alturas dos alunos?
Fonte: Morettin & Bussab, Estatı́stica Básica 5a edição, pág 182.
Aula de Exercı́cios - Modelos Probabilı́sticos Contı́nuos Aula de Exercı́cios - Modelos Probabilı́sticos Contı́nuos

Modelo Normal Modelo Normal

(b) Queremos P(q1 < X < q2 ) = 0,75. Transformando X em Z ,


Exemplo
temos que
As vendas de um determinado produto tem distribuição
P(q1 < X < q2 ) = P((q1 − 170)/5 < Z < (q2 − 170)/5) aproximadamente normal, com média 500 unidades e desvio
padrão 50 unidades. Se a empresa decide fabricar 600 unidades no
Note agora que P(−w < Z < w ) = 0,75 se, e somente se, mês em estudo, qual é a probabilidade de que não possa atender a
w = 1,1503, então (q2 − 170)/5 = 1,1503 ⇔ q2 = 175,75 (e todos os pedidos desse mẽs, por estar com a produção esgotada?
analogamente, q1 = 164,24. Portanto, o intervalo simétrico Fonte: Morettin & Bussab, Estatı́stica Básica 5a edição, pág 183.
que contém 75% das alturas é (175,75, 164,24)

Aula de Exercı́cios - Modelos Probabilı́sticos Contı́nuos Aula de Exercı́cios - Modelos Probabilı́sticos Contı́nuos

Modelo Normal Modelo Normal

Seja X o número de peças fabricadas num mês. X ∼ N(500, 502 ). Exemplo


A probabilidade da produção se esgotar antes do final do mês é
dada por P(X < 600). Suponha que as amplitudes de vida de dois aparelhos elétricos, D1
e D2 , tenham distribuições N(42, 36) e N(45, 9), respectivamente.
Padronizando X, obtemos P(X < 600) = P(Z < [600 − 500]/50) Se os aparelhos são feitos para ser usados por um perı́odo de 45
= P(Z < 2). Consultando a tabela, vemos que a probabilidade de horas, qual aparelho deve ser preferido? E se for por um perı́odo de
não atender todos os pedidos do mês, isto é, de não produzir as 49 horas?
600 peças é de 97,72%. Fonte: Morettin & Bussab, Estatı́stica Básica 5a edição, pág 183.
Aula de Exercı́cios - Modelos Probabilı́sticos Contı́nuos Aula de Exercı́cios - Modelos Probabilı́sticos Contı́nuos

Modelo Normal Modelo Exponencial

(i) Para o caso de perı́odos de 45 horas, temos


P(D1 > 45) = P(Z > [45 − 42]/6) = P(Z > 0.5) = 0,3085, Exemplo
enquanto P(D2 > 45) = P(Z > [45 − 45]/3) Suponha que um mecanismo eletrônico tenha um tempo de vida X
= P(Z > 0) = 0,5. Note que a probabilidade do segundo (em 1.000 horas) que possa ser considerado uma v.a. contı́nua
aparelho durar mais que 45 horas é maior que a do primeiro e, com f.d.p. f (x) = e −x , x > 0. Suponha que o custo de fabricação
portanto, ele é preferı́vel. de um item seja 2,00 reais e o preço de venda seja 5,00 reais. O
(ii) Analogamente, P(D1 > 49) = P(Z > [49 − 42]/6) = P(Z > fabricante garante total devolução se X ≤ 0,9. Qual o lucro
1.1666) = 0,1216, e P(D2 > 49) = P(Z > [49 − 45]/3) = esperado por item?
P(Z > 1.3333) = 0,0912. Neste cenário, é preferı́vel o Fonte: Morettin & Bussab, Estatı́stica Básica 5a edição, pág 183.
primeiro aparelho.

Aula de Exercı́cios - Modelos Probabilı́sticos Contı́nuos Aula de Exercı́cios - Modelos Probabilı́sticos Contı́nuos

Modelo Exponencial Modelo Uniforme

A probabilidade do item durar menos que 900 horas é dada por Exemplo
Z 0,9 Dada a v.a. X , uniforme em (5, 10), calcule as probabilidades
P(X < 0,9) = e −x dx = 0,5934 abaixo, usando a tabela do problema anterior.
0
(a) P(X < 7)
Temos portanto que o item será devolvido com essa probabilidade
(b) P(8 < X < 9)
(implicando numa perda de $2), ou permanecerá com o cliente
(implicando num ganho de $5 − $2 = $3). Segue que portanto o (c) P(X > 8,5)
lucro lı́quido é de −2 · 0,5934 + 3 · 0,4066 = $0,033, ou (d) P(|X − 7,5| > 2)
aproximadamente três centavos de lucro por item. Fonte: Morettin & Bussab, Estatı́stica Básica 5a edição, pág 195.
Aula de Exercı́cios - Modelos Probabilı́sticos Contı́nuos Aula de Exercı́cios - Modelos Probabilı́sticos Contı́nuos

Modelo Uniforme Modelo Normal

Note que a densidade de X é f (x) = 1/(10 − 5) se x ∈ (5, 10) e 0


caso contrário. Basta integrar na região dos eventos, isto é:
Z 7
1 7 5 2 Exemplo
(a) P(X < 7) = dx = − =
5 5 5 5 5 O peso bruto de latas de conserva é uma v.a. normal, com média
Z 9
1 9 8 1 1.000g e desvio padrão 20g .
(b) P(8 < X < 9) = dx = − =
8 5 5 5 5 (a) Qual a probabilidade de uma lata pesar menos de 980g ?
Z 10
1 10 17 3 (b) Qual a probabilidade de uma lata pesar mais de 1.010g ?
(c) P(X > 8,5) = dx = − =
8,5 5 5 10 10
Fonte: Morettin & Bussab, Estatı́stica Básica 5a edição, pág 195.
(d) P(|X − 7,5| > 2) = P(X > 9,5 ou X < 5,5) =
Z 10 Z 5,5
1 1 1 1 1
dx + dx = + =
9,5 5 5 5 10 10 5

Aula de Exercı́cios - Modelos Probabilı́sticos Contı́nuos Aula de Exercı́cios - Modelos Probabilı́sticos Contı́nuos

Modelo Normal Modelo Normal


Exemplo
Uma enchedora automática de garrafas de refrigerantes está
Seja X a variável aleatória “peso da lata de conserva”. Basta regulada para que o volume médio de lı́quido em cada garrafa seja
traduzir os enunciados em seus eventos e padronizar para consultar de 1.000cm3 e o desvio padrão de 10cm3 . Pode-se admitir que a
a tabela da Normal, isto é: variável volume seja normal.
(a) Qual é a porcentagem de garrafas em que o volume de lı́quido
(a) P(X < 980) = P(Z < [980 − 1000]/20) = P(Z < −1) é menor que 900cm3 ?
(b) Qual é a porcentagem das garrafas em que o volume lı́quido
(b) P(X > 1010) = P(Z > [1010 − 1000]/20) = P(Z > 0,5) não se desvia da média em mais do que dois desvios padrões?
(c) O que acontecerá com a porcentagem do item (b) se a
máquina for regulada de forma que a média seja 1.200cm3 e o
desvio padrão 20cm3 ?
Fonte: Morettin & Bussab, Estatı́stica Básica 5a edição, pág 196.
Aula de Exercı́cios - Modelos Probabilı́sticos Contı́nuos Aula de Exercı́cios - Modelos Probabilı́sticos Contı́nuos

Modelo Normal Modelo Normal

Exemplo
(a) P(X < 900) = P(Z < [900 − 1000]/10) = P(Z < −10) = Uma empresa produz televisores e garante a restituição da quantia
7 × 10−24 ; note que esse valor dificilmente está disponı́vel em paga se qualquer televisor apresentar algum defeito grave no prazo
tabelas; para fins práticos, ele é igual a zero. de seis meses. Ela produz televisores do tipo A (comum) e do tipo
(b) No caso geral, P(|X − µ| < 2σ) = P(−2 < Z < 2) B (luxo), com lucros respectivos de $1.000,00 e $2.000,00, caso
= 0,9545 ≈ 0,95; portanto, 95% das garrafas estão a 2 não haja restituição, e com prejuı́zos de $3.000,00 e $8.000,00, se
desvios-padrões da média. houver restituição. Suponha que o tempo para a ocorrência de
(c) P(X < 900) = P(Z < [900 − 1200]/20) = P(Z < −15) = algum defeito grave seja, em ambos os casos, uma v.a. com
3 × 10−51 . Novamente, é preciso empregar algum pacote distribuição normal, respectivamente, com médias 9 meses e 12
estatı́stico (R, MATLAB, etc.) para calcular com precisão tal meses, e variâncias 4 meses2 e 9 meses2 . Se tivesse de planejar
quantia. uma estratégia de marketing para a empresa, você incentivaria as
vendas dos aparelhos do tipo A ou do tipo B?
Fonte: Morettin & Bussab, Estatı́stica Básica 5a edição, pág 196.

Aula de Exercı́cios - Modelos Probabilı́sticos Contı́nuos Aula de Exercı́cios - Modelos Probabilı́sticos Contı́nuos

Modelo Normal Modelo Normal

Basta verificar qual negócio é mais lucrativo para a empresa. A O lucro médio de A é, portanto:
probabilidade de um televisor ser restituido é igual a probabilidade
dele apresentar defeito em um prazo de seis meses: L(A) = 0,934 · 1000 − 0,066 · 3000 = 736
P(XA < 6) = P(Z < [6 − 9]/2) = 0,066, enquanto
Enquanto o lucro médio de B é:
P(XB < 6) = P(Z < [6 − 12]/3) = 0,023. Isso significa que ao
vender um televisor do tipo A, a empresa tem lucro de 1000 com
L(B) = 0,977 · 2000 − 0,023 · 8000 = 1770
0,934 de probabilidade, e prejuı́zo de 3000 com 0,066 de
probabilidade. Por outro lado, B dá lucro de 2000 com 0,977 de Consequentemente, é mais interessante para a empresa vender
probabilidade, e prejuı́zo de 8000 com 0,023 de probabilidade. televisores do tipo B.
Principais modelos Discretos e Contı́nuos

Modelos discretos
Modelos contı́nuos
Principais Distribuições ▶ Uniforme
▶ Uniforme
▶ Bernoulli
▶ Exponencial
▶ Binomial
Vicente Garibay Cancho ▶ Gama
▶ Geométrico
▶ Weibull
▶ Binomial Negativa
▶ Beta
11 de outubro de 2023 ▶ Poisson
▶ Normal
▶ Hipergeometrica

Modelo Uniforme Modelo Uniforme


Definição No caso especial em que xi = i, a distribuição uniforme discreta
torna-se
Uma variável aleatória X tem uma distribuição uniforme discreta se (
1
, x = 1, 2, . . . , N
e somente se sua distribuição de probabilidade é dada por fX (x; N) = N
0, caso contrario
(
1
, x = x1 , . . . , xN aplica-se, por exemplo, ao número de pontos ao lançar um dado
fX (x; N) = N
0, caso contrario equilibrado.

onde xi ̸= xj e i ̸= j. Exercı́cio-1
Se a variável aleatória X tem distribuição uniforme discreta,
A média e variância desta distribuição são
f (x; k) = 1/k, para x = 1, . . . , k, mostre que
N N k+1
X X 1 x1 + · · · + xk (a) A média: µX = 2 ,
E (X ) = µX = xi f (xi ; N) = xi = 2
i=1 i=1
N N (b) A variância: σX2 = k 12−1 ,
e (c) A função geradora de momentos:
N
e t (1 − e kt )
PN
X 1 (xi − µ)2
Var (X ) = σX2 = E [(X − µ)2 ] = (xi − µ)2 = i=1 . mX (t) =
N N k(1 − e t )
i=1
Modelo Bernoulli Modelo Bernoulli

Na prática muitos experimentos admitem apenas dois resultados. Uma variável aleatória (v.a.) X tem distribuição de Bernoulli com
Exemplos: parâmetro θ (0 < θ < 1), se somente se sua função de probabilidade
▶ Uma peça é classificada como boa ou defeituosa; (f.p.) é dada por:
▶ O resultado de um exame médico para detecção de uma doença  x
θ (1 − θ)1−x , se x = 0, 1
é positivo ou negativa. fX (x; θ) =
0, caso contrario
▶ Um entrevistado concorda ou não com a afirmação feita;
▶ No lançamento de um dado ocorre ou não face 6; Equivalentemente,
▶ No lançamento de uma moeda ocorre cara ou coroa. fX (x; θ) = θx (1 − θ)1−x I{0,1} (x),
▶ Situações com alternativos dicotômicas, podem ser represen-
tadas genericamente por resposta do tipo sucesso (0)-fracasso onde 
(1). 1, se x ∈ A
IA (x) = .
0, se x ∈
/A
Esses experimentos recebem o nome de Ensaio de Bernoulli e origi-
nam uma v.a. com distribuição de Bernoulli (ou modelo Bernoulli). Notação: X ∼ Bernoulli(θ).

Modelo Bernoulli Modelo Binomial

Propriedades
Se X ∼ Bernoulli(θ), então Repetições independentes de ensaios de Bernoulli dão origem ao modelo
Binomial.
(1) a média e variância são
Exemplo-1
E [X ] = θ, e Var (X ) = θ(1 − θ), Suponha que uma moeda é lançada 3 vezes e probabilidade de cara seja
θ em cada lançamento. Determinar a distribuição de probabilidade da
respectivamente. variável X, número de caras nos 3 lançamentos.
(2) a função geradora de momentos (f.g.m.) é ▶ Denotemos, S: sucesso, ocorrer cara e F:fracasso, ocorrer coroa.

mX (t) = E (e tX ) = (1 − θ) + θe t , t ≤ 1. ▶ O espaço amostral para o experimento de lançar um moeda 3 vezes


é:
(3) o r -ésimo momento, S = {FFF .FFS, FSF , SFF , FSS, SFS, SSF , SSS}.

µ′r = E (X r ) = θ, r = 1, 2, . . .
Modelo Binomial Modelo Binomial
S Probabilidade X (w ) = x
FFF (1 − θ)3 0
SFF θ(1 − θ)2 1
A distribuição de probabilidade da v.a X é dada por
FSF θ(1 − θ)2 1
FFS θ(1 − θ)2 1 x 0 1 2 3
SSF θ2 (1 − θ) 2 fX (x) = P(X = x) (1 − θ)3 3θ(1 − θ)2 3θ2 (1 − θ) θ3
SFS θ2 (1 − θ) 2
FSS θ2 (1 − θ) 2 O comportamento de X , pode ser representado pela seguinte
SSS θ3 3 função  3 x
θ (1 − θ)n−x , x = 0, 1, 2, 3.
fX (x) = x
Dai tem-se 0 , c.c.
P(X = 0) = P({FFF }) = (1 − θ)3 onde x3 = x!(3−x)!
3!

é o coeficiente binomial.
P(X = 1) = P({SFF , FSF , FFS}) = 3θ(1 − θ)2
P(X = 2) = P({SSF , SFS, FSS}) = 3θ2 (1 − θ)
P(X = 1) = P({SSS}) = θ2

Modelo Binomial Modelo binomial


B(10,0,1) B(10,0,2) B(10,0,3)
Uma v.a. X tem distribuição binomial com parâmetros n e θ se sua

0.4

0.30

0.00 0.05 0.10 0.15 0.20 0.25


f.p. é dada por:

0.3

0.20
 n x
θ (1 − θ)n−x , x = 0, 1, . . . , n.

fx(x)

fx(x)

fx(x)
0.2
fX (x; n, θ) = x

0.10
0 , c.c.

0.1

0.00
0.0
Notação: X ∼ Binomial(n, θ). 0 2 4 6 8 10 0 2 4 6 8 10 0 2 4 6 8 10

x x x

A função de distribuição acumulada da v.a X ∼ Binomial(n, p) é B(10,0,5) B(10,0,7) B(10,0,9)

0.25

0.4
dado por

0.00 0.05 0.10 0.15 0.20 0.25


0.20

0.3
0.15

⌊x⌋
fx(x)

fx(x)

fx(x)

0.2
 P nθi (1 − θ)n−i , 0 ≤ x ≤ n
 0.10

FX (x; n, θ) = P[X ≤ x] = i=0 i

0.1
0.05


0 , c.c.
0.00

0.0
0 2 4 6 8 10 0 2 4 6 8 10 0 2 4 6 8 10

x x x
onde ⌊x⌋ é o maior número inteiro menor ou igual a x.
Figura: Função de probabilidade da distribuição binomial
Modelo binomial Modelo binomial
B(20,0,1) B(30,0,1) B(40,0,1)

0.20
0.20

0.15
0.20 Propriedades

0.15
fx(x)

fx(x)

fx(x)

0.10
0.10
Se X ∼ Binomial(n, θ), então
0.10

0.05
0.05
(1) a média e variância são
0.00

0.00

0.00
0 5 10 15 20 0 5 10 15 20 25 30 0 10 20 30 40

x x x E [X ] = nθ, e, Var (X ) = nθ(1 − θ),


B(50,0,1) B(70,0,1) B(100,0,1)

0.15
respectivamente;

0.12
(2) a f.g.m. é dada por
0.15

0.10

0.08
0.10
fx(x)

fx(x)

fx(x)
mX (t) = [(1 − θ) + θe t ]n , t ≤ 1.
0.05

0.04
0.05
0.00

0.00

0.00
0 10 20 30 40 50 0 10 30 50 70 0 20 40 60 80 100

x x x

Figura: Função de probabilidade da distribuição binomial

Modelo binomial Modelo Binomial


▶ Assim,
Exemplo-1
10
( 15 )x ( 45 )10−x , x = 0, 1, . . . , 10.
 
O professor da disciplina de Estatı́stica elaborou um prova de fX (x; 10, 1/4) = x
múltipla escolha, consistente em 10 questões cada uma com 5 alter- 0 , c.c.
nativas cada questão. Suponha que nenhum dos estudantes que vão
▶ A probabilidade de aprovar a prova um aluno é
a fazer a prova não vão as aulas e não estudaram para a prova. O
professor estabeleceu que para aprovar deve contestar corretamente
P(X ≥ 6) = 1 − P(X < 6) = 1 − F (5) = 0, 00637
ao menos 6 questões. Se 200 alunos se apresentaram, quantos alu-
nos aprovaram a disciplina? ▶ Portanto, dos 200 alunos que fizeram a prova aprovariam:
Solução: 200(0, 00637) ≈ 2, alunos
▶ A função de probabilidade, função de distribuição acumulada,
▶ Seja a v.a. X : número de questões respondidas corretamente
função quantil e a geração de v.a´s binomial no R
nas 10 questões. Então o evento de interesse é:
▶ S:questão respondida corretamente, =⇒ P(S) = 1/5 dbinom(x, size, prob, log = FALSE)
▶ F:questão respondida incorretamente, =⇒ P(F ) = 4/5 pbinom(q, size, prob, lower.tail = TRUE, log.p = FALSE)
qbinom(p, size, prob, lower.tail = TRUE, log.p = FALSE)
▶ Assim, X ∼ Binomial(10, 1/5)
rbinom(n, size, prob)
Aplicação da distribuição binomial numa amostra Exemplo
Numa população grande de Drosophila melanogaster, o 25% da população
tem mutação nas aças. Foram selecionados uma amostra aleatória de 300
moscas para um exame de mutação das aças. Defina X como o número de
moscas que tem mutação nas aças na amostra. Determine E (X ) e Var (X )
Solução:
Uma amostra aleatória de n elementos de uma população pode
1. X (w ) : número de moscas que tem mutação de aças na amostra de
considerar-se como um experimento que consiste em n ensaios in- 300 moscas.
dependentes nos seguintes casos:.
2. A população é grande (infinita), não interessa como foi extraı́da a
▶ Quando a amostra é extraı́da com ou sem reposição de uma amostra (com ou sem reposição), aplica-se a distribuição binomial
população infinita; com n = 300 e θ = 0, 25.
▶ Quando a amostra é sorteada com reposição de uma população 3. A função de probabilidade de X é dada por
finita. (
300 1 x 3 300−x

fX (x) = x (4) (4) , x = 0, 1, . . . , 300
0, c.c

4. A média e variância da variável aleatória X


3 225
E [X ] = nθ = 300/4 = 75, Var (X ) = nθ(1 − θ) = 75 × =
4 4

Exemplo Modelo Hipergeométrica


Um lote contém 100 peças dos quais 10 estão com defeito. Sorteia-se
uma amostra de 5 peças do lote com reposição. Defina X a v.a que ▶ Suponha uma população finita de N elementos. Suponha que M
denota número de peças com defeito na amostra. Determine: (a) a f.p (M ≤ N) elementos da população está na classe de interesse.
de X ; (b) E [X ] e Var [X ].
▶ A classe de interesse dependerá, da situação em consideração. Po-
Solução: dem ser defeituosos (versus não defeituosos) no caso de um lote de
1. X (w ) : número de peças com defeito na amostra de 5 peça. produção, ou pacientes curados (versus não curados) no tratamento
de pacientes com certa doença.
2. A população finita, amostra com reposição, aplica-se a distribuição
▶ Seleciona-se, sem reposição, uma amostra aleatória de tamanho n e a
binomial com n = 5 e θ = 10/100 = 0, 1.
variável de interesse, X , é o número de itens na amostra que pertence
3. A função de probabilidade de X é dada por à classe de interesse.
(
300
 ▶ Pode-se mostrar que a f.p. da v.a. X é dado por
x (0, 1)x (0, 9)10−x , x = 0, 1, . . . , 5
fX (x) =  M N−M
0, c.c  ( x )( n−x ) , x = 0, 1, . . . min(n, M)
fX (x) = (Nn )
0, c.c
4. A média e variância da variável aleatória X

E [X ] = nθ = 5(0, 1) = 0, 5 Var (X ) = nθ(1 − θ) = 0, 5 × 0, 9 = 0, 45 Notação X ∼ H(n, M, N).


Modelo Hipergeométrica Modelo Hipergeométrica
A função de distribuição acumulada da v.a X ∼ Po(µ) é dado por

⌊x⌋
 P (Mi )(N−M
 n−i )
H(4,5,11) H(4,10,30) N , x ≥0
F (x; µ) = i=0 ( n)

0.0 0.1 0.2 0.3 0.4



0, c.c
0.0 0.1 0.2 0.3 0.4
fx(x)

fx(x)
Propriedades
Se X ∼ H(n, M, N), então
0 1 2 3 4 5 0 1 2 3 4 5
▶ E [X ] = n M
 
x x N ,
 h N−n i
▶ Var (X ) = n M M
 
H(4,25,35) H(4,50,100)
N 1− N N−1
0.0 0.1 0.2 0.3 0.4

0.0 0.1 0.2 0.3


A f.p, FDA, função quantil e a geração de v.a´s com distribuição Hiper-
fx(x)

fx(x)
geométrica no R
dhyper(x, m, n, k, log = FALSE)
0 1 2 3 4 5 0 1 2 3 4 5
phyper(q, m, n, k, lower.tail = TRUE, log.p = FALSE)
x x
qhyper(p, m, n, k, lower.tail = TRUE, log.p = FALSE)
rhyper(nn, m, n, k)

Exemplo Modelo Geométrico


Um lote contém 100 peças dos quais 10 estão com defeito. Sorteia-se
uma amostra de 5 peças do lote sem reposição. Defina X a v.a que
denota número de peças com defeito na amostra. Determine: (a) a f.p
de X ; (b) E [X ] e Var [X ]. Em uma série de ensaios independentes de Bernoulli e todos com
a mesma probabilidade de sucesso θ. A variável aleatória X , que
Solução:
conta o número total de fracassos até primeiro sucesso é denominada
1. X (w ) : número de peças com defeito na amostra de 5 peça.
de variável aleatória geométrica com parâmetro θ e sua função de
2. A população finita, amostra sem reposição, aplica-se a
probabilidade é dado por:
distribuição hipergeometrica com n = 5 N = 100 e M = 10
3. A função de probabilidade de X é dada por θ(1 − θ)x , x = 0, 1, 2, . . .

 10 90 fX (x; θ) =
 ( x )(5−x ) , x = 0, 1, . . . , 5 0 , c.c.
fX (x) = (100
5 )
0, c.c Notação: X ∼ G(θ).
4. A média e variância da variável aleatória X A função de distribuição acumulada da v.a X ∼ G(θ)
 
M 10 (
E [X ] = n = 5[ ] = 0, 5 0 x <0
N 100 FX (x; θ) =

10 90 100 − 5
 1 − (1 − θ)⌊x⌋+1 , x ≥ 0
Var (X ) = 5[ ][ ] = 0, 4275
100 100 100 − 1
Modelo Geometrico Modelo Geométrico
G(0,1) G(0,2) G(0,5)

0.10

0.20

0.5
0.08

0.4
0.15
0.06

0.3
fx(x)

fx(x)

fx(x)
0.10
Propriedades
0.04

0.2
0.05
0.02

0.1
Se X ∼ G (θ), então
0.00

0.00

0.0
0 20 40 60 80 0 10 20 30 40 50 60 0 5 10 15 20 25 30 1) E [X ] = (1 − θ)/θ e Var (X ) = (1 − θ)/θ2 .
2) A f.g.m. é dado por mX (t) = (1 + θe t )−1 .
x x x

G(0,7) G(0,8) G(0,9)


3) A falta de memoria
0.8

0.8
0.6

P(X > j + k|X > j) = P(X > k), ∀k, j = 1, 2, . . .


0.6

0.6
0.4
fx(x)

fx(x)

fx(x)
0.4

0.4
0.2

0.2

0.2
0.0

0.0

0.0
0 2 4 6 8 10 0 2 4 6 8 10 0 2 4 6 8 10

x x x

Figura: Função de probabilidade do Modelo Geométrico

Modelo Geométrico Modelo Geométrico


Exemplo-2
Continuação do Exemplo-2
Certo experimento deve ser realizado até se obter um resultado bem
sucedido. Os experimentos são independentes, e o custo de rea- ▶ Seja a v.a C que representa o custo
lização do experimento é de $ 25.000; não entanto, se resulta um ▶ Assim,
fracasso o custo é de $5000 para o preparo para a próxima prova. O
experimentador gostaria de determinar o custo esperado do projeto. C = 25.000(X + 1) + 5000X = 30.000X + 25.500
Se a probabilidade de sucesso de uma única prova é de 0.25.
▶ O custo esperado resulta:
Solução:
0.75
▶ Se X : é o número de experimentos desnecessários para se E (C ) = 30.000(X )+25.500 = 30.000( )+25.000 = 115.000.
0.25
obter um resultado bem sucedido.
▶ então, ∼ G (1/4). (b) Suponha que o experimentador tenha $500.000 de orçamento.
▶ A f.p de X é dada por Qual é a probabilidade que o trabalho experimental custar no
máximo esse valor?
P(C ≤ 500.000) = P(30.000X + 25.500 ≤ 500.000) = P(X ≤ 15, 816)
(
( 14 )( 43 )x , x = 0, 1, . . .
fX (x; 1/4) = = FX (15.816) = 0, 9899.
0, c.c
Modelo Geométrico Modelo Binomial negativa
Em uma série de ensaios independentes de Bernoulli e todos com
a mesma probabilidade de sucesso θ. A variável aleatória X , que
A função de probabilidade, função de distribuição acumulada, função conta o número total de fracassos até r-ésimo sucesso. Neste caso
quantil e a geração de v.a´s com distribuição Geométrico no R a v.a X tem distribuição binomial negativa com parâmetros r e θ e
sua função de probabilidade é dado por
dgeom(x, prob, log = FALSE)
pgeom(q, prob, lower.tail = TRUE, log.p = FALSE)
(
x+r −1 r x

fX (x; r , θ) = r −1 θ (1 − θ) , x = 0, 1, . . . .
qgeom(p, prob, lower.tail = TRUE, log.p = FALSE)
0 , c.c.
rgeom(n, prob)

No Exemplo, Notação: X ∼ BN(r , θ).


A função de distribuição acumulada da v.a X ∼ BN(r , θ)
> pgeom(15.817, 0.25) 
[1] 0.9899774 0
 x <0
⌊x⌋
FX (x; r , θ) = P j+r −1 r j
r −1 θ (1 − θ) x ≥0


j=1

Modelo Binomial negativa Modelo Binomial negativa


BN(20,0,25) BN(30,0,25) BN(40,0,25)
0.020

Propriedades
0.015
0.020

0.015

Se X ∼ BN(r , θ), então


0.010
fx(x)

fx(x)

fx(x)
0.010
0.010

1) E [X ] = r (1 − θ)/θ e Var (X ) = r (1 − θ)/θ2 .


0.005
0.005

2) A f.g.m. é dado por mX (t) = (1 + θe t )−r .


0.000

0.000

0.000

0 50 100 150 200 0 50 150 250 0 50 150 250

x x x

▶ A função de probabilidade, função de distribuição acumulada,


BN(20,0,25) BN(30,0,25) BN(40,0,25)
função quantil e a geração de v.a´s com distribuição binomial
0.00 0.01 0.02 0.03 0.04 0.05

negativa no R
0.06

0.04
0.03
0.04

dnbinom(x, size, prob, mu, log = FALSE)


fx(x)

fx(x)

fx(x)

0.02

pnbinom(q, size, prob, mu, lower.tail = TRUE, log.p = FALSE)


0.02

0.01

qnbinom(p, size, prob, mu, lower.tail = TRUE, log.p = FALSE)


0.00

0.00

rnbinom(n, size, prob, mu)


0 20 40 60 80 100 0 20 40 60 80 100 0 20 40 60 80 100

x x x

Figura: Função de probabilidade do Modelo Binomial negativo


Modelo Binomial negativa Modelo Poisson
Exemplo-4 Na prática muitos experimentos consistem em observar a ocorrência
A probabilidade com que um bit transmitido através de um canal de eventos discretos em um intervalo contı́nuo (unidade de medida)
digital de transmissão seja recebido com erro é de 0,1. Considere
que as transmissões sejam eventos independentes. Qual é a proba- Exemplo:
bilidade de que seja necessário no máximo 10 transmissões até que ▶ Número de consultas a uma base de dados em um minuto.
ocorra o quarto erro? ▶ Número de acidentes de trabalho por semana em uma empresa
Solução industrial.
▶ Seja X a v.a que denota o número de bits transmitidos sem ▶ Número de machas (falhas) por metro quadrado no esmaltado
erros até o quarto erro. de uma geladeira.
▶ X ∼ BN(4, 0, 1); ▶ Número de chamadas que chegam a uma central telefônica de
uma empresa num intervalo de tempo (digamos de 8,0 a 12,0).
▶ Assim
( ▶ Número de autos que chegam ao Campus entre 7,0 a.m. a 10,0
x+4−1 1 4 9 x

4−1 ( 10 ) ( 10 ) , x = 0, 1, . . . . a.m.
f (x; r , θ) =
0 , c.c. ▶ Número de microorganismos por cm cúbico de água contami-
nada.
▶ P(X ≤ 6) = F (6) = pnbinom(6, 4, 1/10) = 0, 0127952.

Modelo Poisson Modelo Poisson


▶ Processo de Poisson;
▶ Aproximação do modelo Binomial. Hipóteses
▶ O número de chegadas durante intervalos de tempo disjuntos
Desenvolvimento a partir de um processo de Poisson sejam variáveis aleatórias independentes,
▶ Existe uma quantidade positiva tal que, para qualquer intervalo
de tempo pequeno, ∆t, os seguintes postulados sejam válidos.

1. A probabilidade de que exatamente uma chegada ocorrerá num


intervalo de comprimento ∆t é aproximadamente λ∆t
2. A probabilidade de que ocorrerão zero chegadas no intervalo é
aproximadamente 1 − λ∆t
3. A probabilidade de que duas ou mais chegadas ocorrerão no
▶ A variável de interesse, Xt número de chegadas que ocorrem intervalo é igual a zero.
no intervalo [0, t]. onde λ é denominado de taxa média de chegada ou taxa média de
▶ O suporte da v.a Xt é RXt = {0, 1, 2, . . . }. ocorrência
Modelo Poisson Modelo Poisson

Seja
p(x) = P(Xt = x) = px (t), x = 0, 1, 2, . . .
Fixamos o tempo t e obtemos
de modo que
p0 (t + ∆t) = P(0 ocorrências no intervalo [0,t + ∆t)) 
p0 (t + ∆t) − p0 (t)

= P(0 ocorrências em [0,t) e 0 ocorrências em [t,t + ∆t) ) = −λp0 (t)
∆t
= p0 (t)p0 (∆t) e  
p0 (t + ∆t) − p0 (t)
lim = p0′ (t) = −λp0 (t)
∆t−→0 ∆t

p0 (t + ∆t) ≈ [1 − λ∆t]p0 (t)

Modelo Poisson

p1 (t + ∆t) = p1 (t)p0 (∆t) + p0 (t)p1 (∆t)


Para x > 0,

px (t + ∆t) = λ∆tpx−1 (t) − [1 − λ∆t]px

de modo que
 
px (t + ∆t) − px (t)
p1 (t + ∆t) ≈ λ∆tp0 (t) + [1 − λ∆t]p1 (t) = −λpx−1 (t) − λpx (t)
∆t
Daı́ e
p1 (t + ∆t) − p1 (t)
 
px (t + ∆t) − px (t)
= λp0 (t) − p1 (t) lim = px′ (t) = −λpx−1 (t) − λpx (t)
∆t ∆t−→0 ∆t
e  
p1 (t + ∆t) − p1 (t)
lim = p1′ (t) = λp0 (t) − p1 (t)
∆t−→0 ∆t
Modelo Poisson Modelo Poisson

Assim temos um sistema de equações diferenciais:


Suposições-modelo binomial
p0′ (t) = −λp0 (t) (1)
Considere que o intervalo pode ser dividido em subintervalos com
e comprimento suficientemente pequeno tal
px′ (t) = −λpx−1 (t) − λpx (t), x = 1, 2, . . . (2) ▶ a probabilidade de mais uma contagem em um subintervalo seja
A solução dessas equações é zero,
▶ a probabilidade de uma contagem em um subintervalo seja a
px (t) = (λt)x e −λt /x!, x = 0, 1, 2, . . . (3)
mesma para todos os subintervalos e proporcional ao compri-
Assim, para t fixo fazemos µ = λt e obtemos a distribuição de Poisson mento de subintervalo e
como ( −µ x ▶ a contagem em cada subintervalo seja independente de outros
e µ
x! , x = 0, 1, . . .
p(x) = subintervalos.
0, c.c

Modelo Poisson Modelo Poisson


▶ Assim,

Note que

µx 
   
n µ x µ n−x n! µ n−x
P(X = x) = 1− = × x 1−
x n n x!(n − x)! n n
(n − x + 1)! µ x  µ  n−x
= × x 1−
x! n n
µ n
x − 1 µx 1 − n
    
1 1
= 1− 1− × ··· × 1 −
▶ Seja X a v.a que conta o sucessos do intervalo de comprimento x! 1 − µn x

n n n
unitário.
▶ Pela suposições: P(S) = µn . Fazendo n −→ ∞, tem-se
▶ A probabilidade de x sucessos nos n sub-intervalos
µx e −µ
    P[X = x] = .
n µ x µ n−x x!
P(X = x) = 1− , x = 0, 1, . . . , n.
x n n
onde E (X ) = µ é número médio de sucessos no intervalo de
comprimento unitário.
Modelo Poisson Modelo Poisson

Uma variável aleatória discreta X tem distribuição Poisson com Po(1) Po(2) Po(5)

parâmetro µ se sua função de probabilidade é dada por

0.00 0.05 0.10 0.15 0.20 0.25

0.15
0.3
( −µ x

0.10
e µ

0.2
fx(x)

fx(x)

fx(x)
fX (x; µ) = x! , x = 0, 1, . . .

0.05
0.1
0, c.c

0.00
0.0
0 5 10 15 20 25 30 0 5 10 15 20 25 30 0 5 10 15 20 25 30

onde X é o número de eventos discretos em t unidades de medida. x x x

▶ λ : é a media de eventos discretos em uma unidade de medida, Po(7) Po(8) Po(10)

0.15
▶ t : unidade de medida

0.12
0.12
0.10
▶ µ = λt : é a media de eventos discretos em t unidades de

0.08
0.08
fx(x)

fx(x)

fx(x)
medida

0.05

0.04
0.04
Notação: X ∼ Po(µ).

0.00

0.00

0.00
0 5 10 15 20 25 30 0 5 10 15 20 25 30 0 5 10 15 20 25 30

x x x

Modelo Poisson Modelo Poisson


A função de distribuição acumulada da v.a X ∼ Po(µ) é dado por
 Exemplo-5
⌊x⌋
 P e −µ µi , x ≥ 0
 Contaminação é um problema de fabricação de discos ópticos de armazena-
FX (x; µ) = i=0 i! gem. O número de partı́culas de contaminação que ocorrem em um disco

0, óptico tem uma distribuição de Poisson e o número médio de partı́culas
c.c
por centı́metro quadrado da superfı́cie é 0,1. A área do disco em estudo é
100 centı́metros quadrados. Encontre a probabilidade de que 12 partı́culas
Propriedades ocorram na área de um disco sob estudo.
Se X ∼ Po(µ), então
Solução:
(1) E [X ] = Var (X ) = µ.
▶ Se X : número de partı́culas na área de um disco sob estudo, então,
(2) a f.g.m. é: MX (t) = exp(µ(e t − 1)).
X ∼ Po(µ), onde µ = λt = 0, 1 × 100 = 10.
A função de probabilidade, função de distribuição acumulada, função ▶ A f.p é dado por
quantil e a geração de v.a´s com distribuição Poisson no R
e −10 10x
dpois(x, lambda, log = FALSE) fX (x; 10) = , x = 0, 1, . . .
x!
ppois(q, lambda, lower.tail = TRUE, log.p = FALSE)
qpois(p, lambda, lower.tail = TRUE, log.p = FALSE) ▶ P[X = 12] = e −10 10x
x! = dpois(12, 10) = 0, 0947
rpois(n, lambda)
Exercicio
Distribuição Binomial

Exemplo
1. Para os modelos apresentados, mostre que são realmente uma Na manufatura de certo artigo, é sabido que um entre dez artigos
função probabilidade. é defeituoso. Qual a probabilidade de que uma amostra casual de
2. Para os modelos introduzidos, mostre as propriedades do tamanho quatro contenha:
texto; (a) Nenhum defeituoso?
3. Para os modelos Binomial, Binomial negativa e Poisson (b) Exatamente um defeituoso?
determine os coeficientes de assimétria e curtose.
(c) Exatamente dois defeitosos?
(d) Não mais do que dois defeituosos?
Fonte: Morettin & Bussab, Estatı́stica Básica 5a edição, pág 157.

Organização: Airton Kist, Rafael Tovar, Diego Bernardini, Heloisa Oliveira, Beatriz Cuyabano, Guilherme Ludwig
Aula de Exercı́cios - Modelos Probabilı́sticos Discretos

Distribuição Binomial Distribuição Binomial


Cada exame de um artigo é um ensaio de Bernoulli, onde por
“sucesso” definimos o item ser defeituoso. O número de artigos
defeituosos em amostras de tamanho 4 tem, portanto, distribuição
Exemplo
binomial com parâmetros n = 4 e p = 0,1 (supondo que a
probabilidade de sucesso se mantem constante e que os ensaios são Um fabricante de peças de automóveis garante que uma caixa de
independentes). Seja Y a variável aleatória “número de artigos suas peças conterá, no máximo, duas defeituosas. Se a caixa
defeituosos na amostra”. contém 18 peças, e a experiência tem demonstrado que esse
processo de fabricação produz 5% de peças defeituosas, qual a
(a) P(Y = 0) = 40 0,94 = 0,6561 (no R: dbinom(0, 4, 0.1))

probabilidade de que uma caixa satisfaça a garantia?
(b) P(Y = 1) = 41 0,1 · 0,93 = 0,2916 (no R: dbinom(1, 4, 0.1))

Fonte: Morettin & Bussab, Estatı́stica Básica 5a edição, pág 157.
(c) P(Y = 2) = 42 0,12 · 0,92 = 0,0486 (no R: dbinom(2, 4, 0.1))


(d) P(Y ≤ 2) = P(Y = 0) + P(Y = 1) + P(Y = 2) = 0,9963


(no R: pbinom(2, 4, 0.1))

Organização: Airton Kist, Rafael Tovar, Diego Bernardini, Heloisa Oliveira, Beatriz Cuyabano, Guilherme Ludwig Organização: Airton Kist, Rafael Tovar, Diego Bernardini, Heloisa Oliveira, Beatriz Cuyabano, Guilherme Ludwig
Aula de Exercı́cios - Modelos Probabilı́sticos Discretos Aula de Exercı́cios - Modelos Probabilı́sticos Discretos
Distribuição Binomial Distribuição Binomial

A variável X = “número de peças defeituosas”tem distribuição Exemplo


binomial com parâmetros n = 18 e p = 0,05 (sob as suposições Um industrial fabrica peças, das quais 1/5 são defeituosas. Dois
usuais). Note novamente que o “sucesso” dos ensaios de Bernoulli compradores A e B classificaram um grande lote de peças
é encontrar uma peça defeituosa. A probabilidade de uma caixa adquiridas em categorias I e II , pagando $1,20 e $0,80 por peça,
satisfazer a promessa do fabricante (isto é, X ≤ 2) é dada por: respectivamente, do seguinte modo:
P(X ≤ 2) = P(X = 0) + P(X = 1) + P(X = 2) = Comprador A: retira uma amostra de cinco peças; se
      encontrar mais que uma defeituosa, classifica como II .
18 18 18 17 18 Comprador B: retira uma amostra de dez peças; se encontrar
0,95 + 0,05 · 0,95 + 0,052 · 0,9516 = 0,9419
0 1 2 mais que duas defeituosas, classifica como II .
Ou seja, a probabilidade de que uma caixa satisfaça a garantia é de Em média, qual comprador oferece mais lucro?
94,19%. No R: pbinom(2, 18, 0.05). Fonte: Morettin & Bussab, Estatı́stica Básica 5a edição, pág 159.

Organização: Airton Kist, Rafael Tovar, Diego Bernardini, Heloisa Oliveira, Beatriz Cuyabano, Guilherme Ludwig Organização: Airton Kist, Rafael Tovar, Diego Bernardini, Heloisa Oliveira, Beatriz Cuyabano, Guilherme Ludwig
Aula de Exercı́cios - Modelos Probabilı́sticos Discretos Aula de Exercı́cios - Modelos Probabilı́sticos Discretos

Distribuição Binomial Distribuição Binomial

Sabemos que 1/5 das peças são defeituosas. Podemos nos


concentrar na probabilidade dos vendedores julgarem um lote como De modo similar,
tipo I ou II . O experimento do comprador A tem distribuição
1 10 1 9
      
10 10 1
XA ∼ Bin(5, 1/5) enquanto o experimento do comprador B tem P(XB > 2) = 1 − 1− − 1− −
distribuição XB ∼ Bin(10, 1/5), em que Xi é o número de peças 0 5 1 5 5
defeituosas a ser encontrada sob o esquema de avaliação do    2 
1 8

10 1
comprador i ∈ {A, B}. Para o comprador A, temos que − 1− = 0,3222
2 5 5
P(XA > 1) = 1 − P(XA ≤ 1) = 1 − P(XA = 0) − P(XA = 1) = Como o segundo comprador irá classificar o lote como II com
maior probabilidade que o primeiro, ele é o que oferece menor lucro
1 5 1 4
      
5 5 1 para o fornecedor. Mas podemos verificar o lucro esperado do
=1− 1− − 1− = 0,2627
0 5 1 5 5 vendedor (no R: 1 − pbinom(2, 10, 0.2)) .
(no R: 1 − pbinom(1, 5, 0.2))

Organização: Airton Kist, Rafael Tovar, Diego Bernardini, Heloisa Oliveira, Beatriz Cuyabano, Guilherme Ludwig Organização: Airton Kist, Rafael Tovar, Diego Bernardini, Heloisa Oliveira, Beatriz Cuyabano, Guilherme Ludwig
Aula de Exercı́cios - Modelos Probabilı́sticos Discretos Aula de Exercı́cios - Modelos Probabilı́sticos Discretos
Distribuição Binomial Distribuição Poisson

Exemplo
Se o industrial decidir vender o lote para o comprador A, temos que
Numa central telefônica, o número de chamadas ocorrem segundo
E(lucro A) = 1,20 · 0,7373 + 0,80 · 0,2627 ≈ 1,09 uma distribuição de Poisson, com a média de oito chamadas por
minuto. Determinar qual a probabilidade de que num minuto se
ou seja, ele irá lucrar em média $1,09 por peça. Já se ele vender tenha:
para o comprador B, temos que
(a) dez ou mais chamadas;
E(lucro B) = 1,20 · 0,6778 + 0,80 · 0,3222 ≈ 1,07 (b) menos que nove chamadas;
(c) entre sete (inclusive) e nove (exclusive) chamadas.
que é um lucro dois centavos inferior.
Fonte: Morettin & Bussab, Estatı́stica Básica 5a edição, pág 152.

Organização: Airton Kist, Rafael Tovar, Diego Bernardini, Heloisa Oliveira, Beatriz Cuyabano, Guilherme Ludwig Organização: Airton Kist, Rafael Tovar, Diego Bernardini, Heloisa Oliveira, Beatriz Cuyabano, Guilherme Ludwig
Aula de Exercı́cios - Modelos Probabilı́sticos Discretos Aula de Exercı́cios - Modelos Probabilı́sticos Discretos

Distribuição Poisson Distribuição Poisson


Sabemos que se X ∼ Poisson(λ), então sua função de
probabilidade é
e −λ λx (b) A probabilidade de termos menos que nove chamadas é dada
P(X = x) = . −8 e −8 88
x! por P(X < 9) = P(X ≤ 8) = e + . . . + = 0,5926
8!
Além disso, E(X ) = λ. O enunciado diz “média de oito chamadas (no R: ppois(8, 8))..
por minuto”, então a variável aleatória X = “número de chamadas
por minuto” tem distribuição Poisson(8). (c) Novamente é preciso tratar as desigualdades com cuidado no
(a) A probabilidade de dez ou mais chamadas é dada por caso discreto. Desejamos calcular P(7 ≤ X < 9), que é igual
P(X ≥ 10) = 1 − P(X < 10) = 1 − P(X ≤ 9) = a P(7 ≤ X ≤ 8) = P(X = 7) + P(X = 8) =
9
e −8 8k e −8 89 e −8 87 e −8 88
+ = 0,2792 (no R: dpois(7, 8) + dpois(8, 8)).
X
1− = 1− e −8 − ... − = 0,2833 (no R: 7! 8!
k! 9!
k=0
1 − ppois(9, 8)).

Organização: Airton Kist, Rafael Tovar, Diego Bernardini, Heloisa Oliveira, Beatriz Cuyabano, Guilherme Ludwig Organização: Airton Kist, Rafael Tovar, Diego Bernardini, Heloisa Oliveira, Beatriz Cuyabano, Guilherme Ludwig
Aula de Exercı́cios - Modelos Probabilı́sticos Discretos Aula de Exercı́cios - Modelos Probabilı́sticos Discretos
Distribuição Geométrica Distribuição Geométrica

Exemplo
Em sua autobiografia A Sort of Life, o autor inglês Graham Greene
descreveu um perı́odo de grave depressão em que ele jogava roleta (a) Ao girar o tambor, a arma disparar ou não é um ensaio de
russa. Esse “jogo” consiste em colocar uma bala em uma das seis Bernoulli, com probabilidade 1/6 de disparar. Se
câmaras de um revólver, girar o tambor e disparar a arma contra a considerarmos que cada uma das jogadas é independente, a
própria cabeça. probabilidade da arma não ter disparado em nenhuma das seis
(a) Greene jogou seis partidas deste jogo, e teve a “sorte” da arma vezes é  6
nunca ter disparado. Qual a probabilidade desse resultado? 5
= 0,33489
(b) Suponha que ele continue jogando roleta russa até a arma 6
finalmente disparar. Qual é a probabilidade de Greene morrer
na k-ésima jogada?
Fonte: A. Agresti, Categorical Data Analysis.

Organização: Airton Kist, Rafael Tovar, Diego Bernardini, Heloisa Oliveira, Beatriz Cuyabano, Guilherme Ludwig Organização: Airton Kist, Rafael Tovar, Diego Bernardini, Heloisa Oliveira, Beatriz Cuyabano, Guilherme Ludwig
Aula de Exercı́cios - Modelos Probabilı́sticos Discretos Aula de Exercı́cios - Modelos Probabilı́sticos Discretos

Distribuição Geométrica Distribuição Geométrica

Exemplo
(b) Ao efetuar a primeira jogada, o autor pode morrer com
Um banco de sangue necessita sangue do tipo O negativo.
probabilidade 1/6, ou continuar jogando. Se ele sobreviver à
Suponha que a probabilidade de uma pessoa ter este tipo de
primeira, pode jogar pela segunda vez, e morrer com
sangue seja 0,10. Doadores permanentes chegam ao hemocentro
probabilidade 5/6 · 1/6, ou continuar jogando. Repetindo esse
para fazer sua doação rotineira. Calcule as probabilidades de que o
raciocı́nio, concluı́mos que a probabilidade de morte na
primeiro doador com sangue do tipo O negativo seja:
k-ésima jogada é
(a) o primeiro a chegar;
 k−1
5 1 (b) o segundo;
P(X = k) =
6 6 (c) o sétimo.
Chamamos essa distribuição de Distribuição Geométrica, com (d) Quantos doadores esperamos passar pelo hospital até
parâmetro p = 1/6. encontrarmos um com sangue O negativo?
Fonte: Prof. Mario Gneri, Notas de Aula.
Organização: Airton Kist, Rafael Tovar, Diego Bernardini, Heloisa Oliveira, Beatriz Cuyabano, Guilherme Ludwig Organização: Airton Kist, Rafael Tovar, Diego Bernardini, Heloisa Oliveira, Beatriz Cuyabano, Guilherme Ludwig
Aula de Exercı́cios - Modelos Probabilı́sticos Discretos Aula de Exercı́cios - Modelos Probabilı́sticos Discretos
Distribuição Geométrica Distribuição Binomial, aproximação Poisson

Novamente temos um experimento com distribuição geométrica.


Usando a fórmula para a função de probabilidade Exemplo
p(x) = 0,9x−1 0,1, temos que
Suponha que a probabilidade de que um item produzido por uma
(a) P(X = 1) = 0,1 (no R: dgeom(0, 0.1)). máquina seja defeituoso é de 0,2. Se dez itens produzidos por essa
(b) P(X = 2) = 0,9 · 0,1 = 0,09 (no R: dgeom(1, 0.1)). máquina são selecionados ao acaso, qual é a probabilidade de que
(c) P(X = 7) = 0,96 · 0,1 = 0,053 (no R: dgeom(6, 0.1)). não mais do que um defeituoso seja encontrado? Use a binomial e
a distribuição de Poisson e compare os resultados.
(d) Sabemos que se X ∼ Geo(p), então E(X ) = p −1 . Neste caso,
Fonte: Morettin & Bussab, Estatı́stica Básica 5a edição, pág 152.
esperamos que dez doadores passem pelo hospital, em média,
para encontrarmos o primeiro com sangue O negativo.

Organização: Airton Kist, Rafael Tovar, Diego Bernardini, Heloisa Oliveira, Beatriz Cuyabano, Guilherme Ludwig Organização: Airton Kist, Rafael Tovar, Diego Bernardini, Heloisa Oliveira, Beatriz Cuyabano, Guilherme Ludwig
Aula de Exercı́cios - Modelos Probabilı́sticos Discretos Aula de Exercı́cios - Modelos Probabilı́sticos Discretos

Distribuição Binomial, aproximação Poisson Distribuição Binomial, aproximação Poisson

O evento “não mais do que 1 item defeituoso”é dado por


Por outro lado, se utilizamos a distribuição de Poisson para
{X = 0} ∪ {X = 1}, onde X é o número de itens defeituosos. Sua
aproximar a binomial, temos que X ∼ Poisson(2) (onde λ = n · p),
probabilidade é P({X = 0} ∪ {X = 1}) = P(X = 0) + P(X = 1).
e a probabilidade do evento {X = 0} ∪ {X = 1} é dada por:
Se utilizamos a distribuição binomial, X ∼ Bin(10, 0,2), então P({X = 0} ∪ {X = 1}) = P(X = 0) + P(X = 1) =
   
10 10 10 e −2 20 e −2 21
P(X = 0) + P(X = 1) = (1 − p) + p(1 − p)9 = + = 3 · e −2 = 0,4060
0 1 0! 1!
 
10
 
10 As probabilidades diferem em 3 pontos percentuais, o que não é
10
= 0,8 + 0,2 · 0,89 = 0,3758 pouco. A diferença tende a diminuir, contudo, para valores maiores
0 1
de n e menores de p (no R: ppois(1, 2)).
(no R: pbinom(1, 10, 0.2))

Organização: Airton Kist, Rafael Tovar, Diego Bernardini, Heloisa Oliveira, Beatriz Cuyabano, Guilherme Ludwig Organização: Airton Kist, Rafael Tovar, Diego Bernardini, Heloisa Oliveira, Beatriz Cuyabano, Guilherme Ludwig
Aula de Exercı́cios - Modelos Probabilı́sticos Discretos Aula de Exercı́cios - Modelos Probabilı́sticos Discretos
Distribuição binomial negativa Distribuição binomial negativa

Neste caso, temos que X ∼ bn(4, 0.2), em que X é uma vad que
representa o número de minutos necessários até que ocorram 4
quedas de energia. Portanto, a probabilidade requerida é
Um sistema computacional fica inativo se ocorrem 4 quedas de
energia em um certo perı́odo de tempo (contado em minutos).
Suponha que, a cada minuto, ocorre uma queda de energia com P(X ≥ 6) = 1 − P(X ≤ 5) = 1 − P(X = 4) − P(X = 5)
probabilidade 0.20 (a cada minuto não ocorre ou ocorre somente 
4−1
 
5−1

4−4 4
uma queda). Qual é a probabilidade do sistema funcionar por mais = 1− (0, 8) 0, 2 + (0, 8)5−4 0, 24
4−1 4−1
do que 6 minutos? Qual o valor esperado do número de minutos
= 1 − 0.0016 − 0.00512 = 0.99328
que o sistema permanece funcionando.
(no R: 1 − pnbinom(1, 4, prob = 0.2)). Já, o valor esperado é
E (X ) = r /p = 4/0.2 = 20.

Organização: Airton Kist, Rafael Tovar, Diego Bernardini, Heloisa Oliveira, Beatriz Cuyabano, Guilherme Ludwig Organização: Airton Kist, Rafael Tovar, Diego Bernardini, Heloisa Oliveira, Beatriz Cuyabano, Guilherme Ludwig
Aula de Exercı́cios - Modelos Probabilı́sticos Discretos Aula de Exercı́cios - Modelos Probabilı́sticos Discretos

Distribuição Hipergeométrica, aproximação Binomial Distribuição Hipergeométrica, aproximação Binomial

Se o tamanho do lote é “grande” (como já discutimos) e a


Qualidade de Reagentes proporção de itens defeituosos é de 5%, então o número de
O inspetor de qualidade de um laboratório clı́nico recebe um lote reagentes defeituosos numa amostra aleatória simples de 10
grande de reagentes que, segundo o fabricante, não contém mais reagentes tem distribuição binomial, com parâmetros n = 10 e
do que 5% de produtos defeituosos. O inspetor toma uma amostra p = 0,05.
de 10 produtos e decide rejeitar o lote completo se a amostra tiver
pelo menos um reagente defeituoso. Qual a probabilidade de Nesse caso, a probabilidade do inspetor rejeitar um lote dentro das
rejeitar um lote que esteja dentro das especificações do fabricante, especificações do fabricante é dada por
por engano? E se o lote, ao invés de ser “grande”, tiver apenas 80
P(X ≥ 1) = 1 − P(X = 0) = 1 − 0,9510 = 0,4012
reagentes?
(no R: 1 − dbinom(0, 10, 0.05).)

Organização: Airton Kist, Rafael Tovar, Diego Bernardini, Heloisa Oliveira, Beatriz Cuyabano, Guilherme Ludwig Organização: Airton Kist, Rafael Tovar, Diego Bernardini, Heloisa Oliveira, Beatriz Cuyabano, Guilherme Ludwig
Aula de Exercı́cios - Modelos Probabilı́sticos Discretos Aula de Exercı́cios - Modelos Probabilı́sticos Discretos
Distribuição Hipergeométrica, aproximação Binomial Exercı́cios

Se o tamanho do lote é de 80 unidades, então 5% de reagentes


defeituosos representam 4 reagentes defeituosos no lote. O número
de reagentes defeituosos numa amostra de n = 10 reagentes tem
distribuição hipergeométrica, com parâmetros n = 10, N = 80 e Resolver os exercı́cios de motivação (relacionados ao conteúdo
r = 4. Nesse caso, a probabilidade de rejeitar um lote dentro das visto até o momento) apresentados nos slides: https://www.ime.
especificações do fabricante é dada por unicamp.br/~cnaber/aula_0_ME323_C_12_2018.pdf
4 76
 
0 10
P(X ≥ 1) = 1 − P(X = 0) = 1 − 80
 = 0,4202
10

(no R: 1 − dhyper (0, 4, 76, 10))

Organização: Airton Kist, Rafael Tovar, Diego Bernardini, Heloisa Oliveira, Beatriz Cuyabano, Guilherme Ludwig Organização: Airton Kist, Rafael Tovar, Diego Bernardini, Heloisa Oliveira, Beatriz Cuyabano, Guilherme Ludwig
Aula de Exercı́cios - Modelos Probabilı́sticos Discretos Aula de Exercı́cios - Modelos Probabilı́sticos Discretos
Bibliografia

Bibliografia

Essas notas de aulas foram baseadas nas seguintes obras:


Métodos Estocásticos da Engenharia I 1 CAMPOS, M. A.; RÊGO, L. C.; MENDONÇA, A. F. Métodos Probabilísticos e Estatísticos com Aplicações
em Engenharias e Ciências Exatas. Rio de Janeiro: LTC, 2017.
Capítulo 3 - Principais Modelos Discretos 2 CANCHO, V.G. Notas de Aulas sobre Noções de Estatística e Probabilidade. São Paulo: USP, 2010.
3 NETO, P. L. C; CYMBALISTA, M. Probabilidades. São Paulo: Editora Blucher, 2006.
4 HINES, W.W.; et al. Probabilidade e Estatística na Engenharia. 4. ed. Rio de Janeiro: LTC, 2006.
5 MENDES, F. C. T. Probabilidade para Engenharias. Rio de Janeiro: LTC, 2010.
6 MONTGOMERY, D.C.; RUNGER, G.C. Estatística Aplicada e Probabilidade para Engenheiros. 6. ed. Rio
de Janeiro: LTC, 2016.
Prof. Magno Silvério Campos 7 URBANO, J. Estatística: uma nova abordagem. Rio de Janeiro: Editora Ciência Moderna, 2010.
8 WALPOLE, R. E.; MYERS, R. H.; MYERS, S. L.; YE, K. Probabilidade & Estatística para Engenharia e
Ciências. 8. ed. São Paulo: Pearson, 2009.
2019/2

Aconselha-se pesquisá-las para se obter um maior aprofundamento e um


melhor aproveitamento nos estudos.

(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 1 / 74 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 2 / 74
Principais Modelos Discretos Principais Modelos Discretos

Conteúdo Programático Introdução

1 Introdução;
Definição
2 Distribuição Uniforme Discreta (ou Inteira);
Algumas variáveis discretas geradas mediante processos de contagem podem
3 Ensaio e Distribuição de Bernoulli;
ser associadas a funções de probabilidade que tenham um comportamento
4 Distribuição Binomial; particular conhecido. Por exemplo, quando se estuda o número de artigos
5 Distribuição Polinomial ou Multinomial; defeituosos em um lote ou quando se estuda o número de pessoas que chegam
6 Distribuição Geométrica; a um estabelecimento comercial num certo período de tempo, entre outros.
7 Distribuição de Pascal (ou Binomial Negativa);
8 Distribuição Hipergeométrica; Nesses casos, é possível estudar o comportamento de tais variáveis através
de funções de probabilidade particulares em cada caso. Nessa seção, são
9 Distribuição Multi-hipergeométrica;
apresentadas algumas das principais funções de probabilidade ou distribuições
10 Distribuição de Poisson; de probabilidade, que podem ser utilizadas para analisar variáveis, tais como
11 Distribuição de Pareto Discreta ou Zeta; as descritas anteriormente.
12 Distribuição Zipf.

(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 3 / 74 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 4 / 74
Principais Modelos Discretos Principais Modelos Discretos

Distibuição Uniforme Discreta (ou Inteira) Exemplo - [Montgomery e Runger(2016)]


O 10 dígito de um número serial de uma peça é igualmente provável de ser
qualquer um dos dígitos 0 a 9. Se uma peça for selecionada de uma grande
batelada e X for o primeiro dígito do número serial, então X ∼ (0, 9). Isto
é,
Definição: Uma variável aleatória X tem uma distribuição uniforme discreta f (x) = 1/10 ∀ x ∈ <x = [0, 1, . . . , 9]
se cada um dos n valores em sua faixa (a ≤ x ≤ b), isto é, x1 , x2 , . . . , xn
tiver igual probabilidade. Então,

f (xi ) = 1/n.

Adotaremos a seguinte notação: X ∼ U D(a, b)

(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 5 / 74 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 6 / 74
Principais Modelos Discretos Principais Modelos Discretos

Se X ∼ U D(a, b), a média e a variância de X são dadas por: Alguns esboços da distribuição Uniforme Discreta (ou Inteira) para valores
Média escolhidos para a e b são ilustrados no gráfico abaixo.
a+b
µ = E(X) =
2

Variância
(b − a + 1)2 − 1
σ 2 = V ar(X) =
12

Exemplo - [Montgomery e Runger(2016)]


Seja a variável aleatória X o número das 48 linhas telefônicas que estão em
uso em certo tempo. Considere que X seja uma variável aleatória discreta
uniforme, com uma faixa de 0 a 48. Então, X ∼ U D(0, 48) e

0 + 48 (48 − 0 + 1)2 − 1
µ = E(X) = = 24 e σ 2 = V ar(X) = = 200
2 12
(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 7 / 74 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 8 / 74
Principais Modelos Discretos Principais Modelos Discretos

Ensaio e Distribuição de Bernoulli Distribuição de Bernoulli

Ensaio de Bernoulli
Há muitos experimentos que têm somente dois resultados possíveis, chama- Distribuição de Bernoulli
dos de sucesso (S) e fracasso (F ). Logo, o espaço amostral para esse tipo de Seja a variável aleatória X, definida como o número de sucessos num ensaio
experimento é Ω = {S, F }. Por exemplo, ao lançar uma moeda, obtém-se de Bernoulli. Então, o contradomínio de X é dado por RX = {1, 0}. Isto é,
somente dois resultados possíveis, cara (H - Heads) ou coroa (T - Tails). 
Chama-se de sucesso, o evento de interesse. 1, se o resultado é do ensaio é sucesso
X=
0, se o resultado é fracasso.
No exemplo, caso o interesse seja “cara”, obtém-se um sucesso quando no
A variável aleatória assim definida chama-se variável aleatória de Bernoulli.
ensaio ocorre cara. Caso contrário, obtém-se um fracasso. Um experimento
com essa característica é chamado de experimento ou ensaio de Bernoulli.

(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 9 / 74 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 10 / 74
Principais Modelos Discretos Principais Modelos Discretos

Sejam P (S) = p e P (F ) = q = 1 − p as probabilidade de sucesso e fracasso, Distribuição Binomial


respectivamente. A distribuição de probabilidade da variável aleatória X de
Bernoulli, é chamada de Distribuição de Bernoulli, e é dada por
x 0 1 Experimento Binomial
f (x) = P [X = x] q = 1 − p p Existem muitos problemas, nos quais o experimento consiste em n ensaios
A Distribuição de Bernoulli pode também ser expressa como (ou experimentos) de Bernoulli ε1 , . . . , εn . Dizemos que uma sequência de
 x ensaios de Bernoulli forma um processo de Bernoulli ou experimento Bi-
p (1 − p)1−x , se x = 0, 1
f (x) = P [X = x] = nomial quando satisfizer às seguintes condições:
0, caso contrário.
(i) Cada ensaio tem somente dois resultados possíveis S ou F .
Notação (ii) Os ensaios são independentes, isto é, o resultado (sucesso ou fracasso)
X ∼ bernoulli(p), com MX (t) = (1 − p) + pet . de qualquer ensaio é independente do resultado de qualquer outro
ensaio.
Média e Variância (iii) A probabilidade de sucesso, p, permanece constante de ensaio em
ensaio. Logo, a probabilidade de fracasso q = 1 − p também
µX = E(X) = 0 × q + 1 × p = p. permanece constante.
2
σX = V ar(X) = E(X 2 ) − µ2x = 02 × q + 12 × p − p2 = p(1 − p)
(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 11 / 74 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 12 / 74
Principais Modelos Discretos Principais Modelos Discretos

Exemplo - [Cancho(2010)]
Suponha um experimento onde uma moeda é lançada três vezes. Suponha
também que p seja a probabilidade de sair coroa (T ) em cada lançamento. wi P ({wi }) X1 (wi ) X2 (wi ) X3 (wi ) X(wi ) = X1 (wi ) + X2 (wi ) + X2 (wi )
Seja X a variável aleatória que representa o número de coroas obtidas ao HHH (1 − p)3 0 0 0 0
HHT (1 − p)2 p 0 0 1 1
final dos três lançamentos. Achar a distribuição de probabilidade de X. HT H (1 − p)2 p 0 1 0 1
T HH (1 − p)2 p 1 0 0 1
Solução: O espaço amostral para experimento de lançar uma moeda três HT T (1 − p)p2 0 1 1 2
T HT (1 − p)p2 1 0 1 2
vezes é: TTH (1 − p)p2 1 1 0 2
TTT p3 1 1 1 3
Ω = {HHH, HHT, HT H, T HH, HT T, T HT, T T H, T T T }. O contradomínio da variável X é: RX = {0, 1, 2, 3}. Logo,

Seja Xi (i = 1, 2, 3) a variável aleatória de Bernoulli que representa o número P [X = 0] = P ({HHH}] = (1 − p)(1 − p)(1 − p) = (1 − p)3
coroas no lançamento i. Então a variável P [X = 1] = P ({HHT }) + P ({HT H}) + P ({T HH}) = 3p(1 − p)2
P [X = 2] = P ({HT T }) + P ({T HT }) + P ({T T H}) = 3p2 (1 − p)
X = X1 + X2 + X3 , P [X = 3] = P ({T T T }) = p3

representa o número de coroas nos 3 lançamentos da moeda. Pode-se mos-


trar que Xi ∼ bernoulli(p).
(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 13 / 74 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 14 / 74
Principais Modelos Discretos Principais Modelos Discretos

A distribuição de probabilidades da variável aleatória X é dada por Distribuição Binomial


x 0 1 2 3 Considere a repetição de n ensaios de Bernoulli independentes, todos com
f (x) = P [X = x] 1(1 − p) 3 3p(1 − p) 2 3p (1 − p) p3
2
a mesma probabilidade de sucesso p. A VA que conta o número total de
O comportamento de X fica completamente determinado pela função sucessos nos n ensaios de Bernoulli, é denominada de variável aleatória
Binomial com parâmetros n e p e sua função de probabilidade é dada por
 3 x 3−x , x = 0, 1, 2, 3
x p (1 − p)
 n x n−x , x = 0, 1, . . . , n
f (x) = x p (1 − p)
0, caso contrário f (x) = P [X = x] =
0, caso contrário
3 3!

onde x = x!(3−x)! . n
 n!
onde x = x!(n−x)! representa o coeficiente Binomial.
Observe que as probabilidades correspondem aos termos do desenvolvimento
em Binômio de Newton de [p+(1−p)]3 , o que justifica o nome Distribuição Notação
Binomial escolhido para esse modelo.
X ∼ B(n, p), com MX (t) = [pet + (1 − p)]n .
Relembrando: Para as constantes a e b, a expansão binomial é dada por Média e Variância
n  
X n (a) µ = E(X) = np
n
(a + b) = · ak · bn−k (b) σ 2 = V ar(X) = np(1 − p)
k
k=0
(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 15 / 74 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 16 / 74
Principais Modelos Discretos Principais Modelos Discretos

Exemplo 1 - [Montgomery e Runger(2016)]


Cada amostra de ar tem 10% de chance de conter um determinado poluente
Exemplos de distribuições binomiais para valores selecionados de n e p
orgânico. Considere que as amostras sejam independentes com relação à
presença de poluente. Encontre a probabilidade de que nas próximas 18
amostras exatamente 2 contenham o poluente. Além disso, determine o
número médio e a variância das amostras que contém o poluente.

(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 17 / 74 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 18 / 74
Principais Modelos Discretos Principais Modelos Discretos

Exemplo 2 - [Cancho(2010)] Exemplo 3 - [Cancho(2010)]


Suponha que os nascimentos de menino e menina sejam igualmente prováveis Um processo seletivo é composto por uma prova de múltipla escolha, cons-
e que o nascimento de qualquer criança não afeta a probabilidade do sexo tituída de 10 questões, cada uma com 4 alternativas. Suponha que os can-
do próximo nascimento. Então, determine a probabilidade de que nasçam: didatos que irão fazer a prova não estudaram para a mesma. O selecionador
(a) Exatamente 4 meninos em 10 nascimentos. estabeleceu que para ser aprovado, o candidato deve acertar pelo menos 6
questões. Qual é a probabilidade do candidato ser aprovado nesse processo?

(b) Pelo menos, 4 meninos em 10 nascimentos.

(c) No máximo, um menino em 10 nascimentos.

(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 19 / 74 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 20 / 74
Principais Modelos Discretos Principais Modelos Discretos

Distribuição Polinomial ou Multinomial


Nestas condições, a probabilidade de B1 ocorrer x1 vezes, B2 ocorrer x2
vezes, . . ., e Bk ocorrer xk vezes é dada por:

f (x1 , x2 , . . . , xk ) = P (X1 = x1 , X2 = x2 , . . . , Xk = xk )
A distribuição Polinomial ou Multinomial é uma generalização da distribui-
n!
ção Binomial, onde o espaço amostral Ω é repartido em k eventos mu- = px1 px2 · · · pxk k ,
x1 !x2 ! · · · xk ! 1 2
tuamente exclusivos B1 , B2 , . . . , Bk , respectivamente com probabilidades
p1 , p2 , . . . , pk , tal que p1 + p2 + . . . + pk = 1. sendo ki=1 xi = n e ki=1 pi = p.
P P

Seja considerar n repeticões independentes do mesmo experimento, sendo Notação


que pi (i = 1, 2, . . . , k) permanecem constantes durante as repetições.
X ∼ M (n1 , n2 , . . . , nk ; p1 , p2 , . . . , pk )

Também, sejam X1 , X2 , . . . , Xk as xi ocorrências de B1 , B2 , . . . , Bk , res- Média e Variância


pectivamente, tal que x1 + x2 + . . . + xk = n.
(a) µi = E(Xi ) = npi
(b) σi2 = V ar(Xi ) = npi (1 − pi )

(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 21 / 74 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 22 / 74
Principais Modelos Discretos Principais Modelos Discretos

Exemplo 1 - [Walpole e outros(2009)]


Para um certo aeroporto que possui três pistas de decolagem/aterrisagem,
sabe-se que, em um cenário ideal, as probabilidades de que as pistas indivi-
duais sejam acessadas pela chegada aleatória de voos são: 20% para a pista
1, 15% para a pista 2 e 65% para a pista 3.
Observação
Vale lembrar que o número de maneiras de se arranjar n objetos, x1 dos Qual é a probabilidade de que 6 aviões, chegando aleatoriamente ao aero-
quais são de uma espécie, x2 são de uma segunda espécie, . . . e xk são de porto, sejam distribuídos da seguinte maneira: 2 aviões aterrisem na pista
uma k−ésima espécie, é dado pelo coeficiente multinomial x1 !x2n!!···xk ! , que 1, 1 avião aterrise na pista 2 e 3 aviões aterrisem na pista 3?
corresponde a uma permutação com repetição.

(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 23 / 74 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 24 / 74
Principais Modelos Discretos Principais Modelos Discretos

Exemplo 2 - [Urbano(2010)]
As causas mais frequentres de paralisação de uma certa linha de produção,
e respectivos percentuais, são:
Falhas mecânicas : 20%;
Erros de operação: 30%;
Material impróprio: 35%;
Falta de energia: 15%.
Durante certo período ocorreram 5 paralisações. Qual a probabilidade de que
tenham sido 2 devidas a erros de operação e 3 devidas a material impróprio?

(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 25 / 74 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 26 / 74
Principais Modelos Discretos Principais Modelos Discretos

Distribuição Geométrica

Em uma série de ensaios de Bernoulli (tentativas independentes, com pro-


babilidade constante p de sucesso), seja a variável aleatória X o número de
tentativas até que o primeiro sucesso ocorra. Então, X é uma variável
aleatória geométrica, com parâmetro 0 < p < 1 e

(1 − p)x−1 · p, x = 1, 2, . . . ,

f (x) = P [X = x] =
0, caso contrário

Notação
pet
X ∼ Geom(p), com MX (t) = 1−qet .

Média e Variância
1
(a) µ = E(X) = p
1−p
(b) σ 2 = V ar(X) = p2
(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 27 / 74 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 28 / 74
Principais Modelos Discretos Principais Modelos Discretos

Exemplos de funções de probabilidade para variáveis aleatórias geométricas Exemplo - [Montgomery e Runger(2016)]
são mostrados na figura a seguir: A probabilidade de uma pastilha de freio conter uma partícula grande de
contaminação é 0,01. Se for considerado que as pastilhas são independentes,
qual será a probabilidade de que exatamente 125 pastilhas necessitem ser
analisadas para que uma partícula grande seja detectada pela primeira vez?

Note que a altura da linha em x é (1 − p) vezes a altura da linha em (x − 1).


Ou seja, as probabilidades diminuem em uma progressão geométrica. A
distribuição tem esse nome por causa desse resultado.
(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 29 / 74 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 30 / 74
Principais Modelos Discretos Principais Modelos Discretos

Propriedade da falta de memória da Distribuição Geométrica Distribuição de Pascal (ou Binomial Negativa)
Uma propriedade interessante e útil da Distribuição Geométrica é que ela
não tem memória, isto é,
Observe a figura a seguir:
P (X > s + x|X > s) = P (X > x). + . . . + Xr

A Distribuição Geométrica é a única distribuição discreta que tem essa pro- . . . Xr


priedade de falta de memória.

Exemplo - [Montgomery e Runger(2016)]


No exemplo anterior, suponha que já tenhamos analisado 90 pastilhas sem
Fonte: Adaptado de Montgomery & Runger (2016), p.72
detectar uma partícula grande. Qual é a probabilidade de que pelo menos ou-
tras 20 pastilhas adicionais precisem ser analisadas para encontrar a primeira Seja X1 o número de tentativas requeridas para obter o primeiro sucesso;
imperfeição? Seja X2 o número de tentativas requeridas para obter o segundo sucesso;
Seja X3 o número de tentativas requeridas para obter o terceiro sucesso, e
assim por diante. Então, o número total de tentativas requeridas para obter
r sucessos é X = X1 + X2 + X3 + . . . + Xr .

(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 31 / 74 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 32 / 74
Principais Modelos Discretos Principais Modelos Discretos

Distribuição de Pascal (ou Binomial Negativa)


Devido à propriedade de falta de memória da Distribuição Geométrica, cada
uma das variáveis aleatórias X1 , X2 , . . . , Xr tem uma distribuição geomé- Em uma série de tentativas de Bernoulli (tentativas independentes, com
trica, com o mesmo valor de p. probabilidade constante p de sucesso), seja a variável aleatória X o número
de tentativas até que r sucessos ocorram. Então X é uma variável de
Consequentemente, uma variável aleatória binomial negativa pode ser in- Pascal ou variável aleatória binomial negativa com parâmetros 0 < p <
terpretada como a soma de r variáveis aleatórias geométricas, conforme 1 e r = 1, 2, 3, . . ., e
ilustrado na figura acima.
x−1
(1 − p)x−r · pr , x = r, r + 1, r + 2 . . .
 
f (x) = P [X = x] = r−1
Comparação 0, caso contrário
Variável aleatória binomial → o número de tentativas é predeterminado e o
número de sucessos é aleatório; Pelo fato de no mínimo r tentativas serem requeridas para obter r sucessos,
Variável aleatória binomial negativa → o número de sucessos é predetermi- a faixa de X é de r a ∞.
nado e o número de tentativas é aleatório.
Notação
pe t
X ∼ P ascal(p, r), com MX (t) = ( 1−qe r
t) .

(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 33 / 74 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 34 / 74
Principais Modelos Discretos Principais Modelos Discretos

Média e Variância
r r(1−p)
µ = E(X) = p e σ 2 = V ar(X) = p2

Observação
No caso especial em que r = 1, uma variável aleatória binomial negativa é
uma variável aleatória geométrica.
Distribuições binomiais negativas selecionadas são ilustradas a seguir:

(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 35 / 74 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 36 / 74
Principais Modelos Discretos Principais Modelos Discretos

Exemplo - [Montgomery e Runger(2016)] Aplicações da Distribuição Binomial numa Amostra


Um site da internet contém três servidores idênticos. Somente um deles é
usado para operar o site; os outros dois são sobressalentes que podem ser
O sorteio de uma amostra de n elementos de uma população pode ser con-
ativados no caso do sistema principal falhar. A probabilidade de uma falha
siderado como um experimento que consiste de n ensaios (ou experimentos)
no computador principal (ou em qualquer sistema sobressalente ativado) é
de Bernoulli. Os n ensaios serão independentes nos seguintes casos:
de 0,0005.

Supondo que cada solicitação represente uma tentativa independente, (a) Quando os elementos da amostra são sorteados com ou sem reposição
qual será o tempo médio para a falha de todos os três servidores? de uma população infinita. Obviamente, o resultado de um sorteio
qualquer é independente do outro sorteio e a proporção p de sucessos
(P (S) = p) permanece constante em cada sorteio. Então, é aplicável
a distribuição Binomial.
Qual é a probabilidade de todos os três servidores falharem em, no
máximo, 5 solicitações? (b) Quando os elementos da amostra são sorteados com reposição de uma
população finita. Suponha que a população tenha N elementos, dos
quais M são de certa classe que temos interesse. Define-se, assim, a
variável X : número de elementos da classe de interesse na amostra de
tamanho n.
(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 37 / 74 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 38 / 74
Principais Modelos Discretos Principais Modelos Discretos

Distribuição Hipergeométrica

Suponha uma população finita com N elementos , dividida em duas classes.


Os sorteios individuais são ensaios de Bernoulli, onde um elemento da classe Uma classe com M elementos (sucessos), (M < N ), e a outra com N − M
de nosso interesse corresponde a um “sucesso” e o experimento de tomar elementos (fracassos).
uma amostra de tamanho n, com reposição, consiste nos n ensaios indepen-
dentes de Bernoulli, onde p = P (sucesso) = M Por exemplo, no caso particular de N peças produzidas, podem ser conside-
N ; isto é, X tem distribuição
binomial, radas as classes: M peças defeituosas e (N-M) peças não defeituosas.
   x 
M n−x

n M
f (x) = 1− , x = 1, . . . , n Considere agora, o seguinte experimento:
x N N
Uma amostra aleatória de tamanho n (n < N ), sem reposição, é sorteada
da população finita de N elementos. Uma variável aleatória X pode ser
definida da seguinte forma:
X: Número de elementos com a característica de interesse (sucessos) na
amostra de tamanho n.

(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 39 / 74 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 40 / 74
Principais Modelos Discretos Principais Modelos Discretos

Exemplo 1 - [Hines e outros(2006)]


A variável aleatória assim definida chama-se variável aleatória Hipergeomé- Em um setor de inspeção de qualidade de uma empresa, lotes de eixos são
trica e sua função de probabilidade é: recebidos periodicamente. Os lotes contém 100 unidades, e o seguinte plano
 M N −M de amostragem de aceitação é usado.
 ( x )( n−x )
, x = 0, 1, . . . , min{n, M }
f (x) = P (X = x) = (N )
 0, n caso contrário Seleciona-se uma amostra aleatória de 10 unidades, sem reposição. O lote é
aceito se a amostragem tiver, no máximo, um eixo defeituoso.
Notação
X ∼ H(N, M, n) Suponha que um lote seja recebido e que é 5% defeituoso. Qual é a proba-
bilidade de que seja aceito?
Média e Variância
Se X ∼ H(N, M, n), então
(a) E(X) = n M
N
M N −n
(b) V ar(X) = n M
N (1 − N )( N −1 )

(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 41 / 74 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 42 / 74
Principais Modelos Discretos Principais Modelos Discretos

Exemplo 2 - [Montgomery e Runger(2016)]


Qual é a probabilidade de no mínimo uma peça na amostra ser
Uma batelada de peças contém 100 peças do processo A e 200 peças de um proveniente do processo A?
outro processo, B. Se 4 peças forem selecionadas, ao acaso e sem reposição:

Qual será a probabilidade de que elas sejam todas provenientes do


processo A?

Determine o número médio esperado de peças na amostra


provenientes do processo A, bem como seu desvio-padrão.
Qual é a probabilidade de duas ou mais peças na amostra serem
provenientes do processo A?

(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 43 / 74 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 44 / 74
Principais Modelos Discretos Principais Modelos Discretos

Distribuição Binomial como aproximação da Distribuição Exemplo - [Cancho(2010)]


Hipergeométrica Foram colocadas em uma caixa, 100 peças, 40 das quais foram fabricadas
pela indústria A e as outras, pela indústria B. Retiradas, sem reposição, 8
peças, qual é a probabilidade de que sejam 4 da indústria B?

Fato:
A Distribuição Binomial pode ser usada como limite da Distribuição Hiper-
geométrica quando n for suficientemente pequeno em relação a N. Isto é,
n
Se X ∼ H(N, M, n) e f = N < 0, 10, então X ∼ B(n, M
N ).

(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 45 / 74 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 46 / 74
Principais Modelos Discretos Principais Modelos Discretos

Distribuição Multi-Hipergeométrica

A distribuição de probabilidades para essa variável multidimensional é co-


nhecida como distribuição Multi-Hipergeométrica, e é uma generalização da
distribuição Hipergeométrica.
Seja uma população finita de N elementos, dos quais, Mi (i = 1, 2, . . . , k)
têm determinadas características.
Sua distribuição de probabilidades é dada pela seguinte função:
Seja também, selecionar n elementos (n ≤ N ) sem reposição. f (x1 , x2 , . . . , xk ) = P (X1 = x1 , X2 = x2 , . . . , Xk = xk )
M1
 M2  Mk

x1 · x2 · . . . · xk
Assim, podemos associar a esse experimento uma variável aleatória multidi- = N
 ,
mensional X = {X1 , X2 . . . , Xk }, com cada dimensão indicando o número n
de vezes que ocorre a correspondente característica nas n extrações. Pk Pk
onde i=1 Mi =N e i=1 xi = n.

(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 47 / 74 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 48 / 74
Principais Modelos Discretos Principais Modelos Discretos

Exemplo - Adaptado de [Neto e Cymbalista(2006)]


Em um processo de seleção para trainees de uma empresa, há 5 engenheiros,
4 economistas e 7 administradores. São chamados para entrevista, sem
reposição, os oito que mais se destacaram na fase de dinâmica de grupos.
Qual é a probabilidade de que, entre os chamados, haja 3 engenheiros, 1
economista e 4 administradores?

(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 49 / 74 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 50 / 74
Principais Modelos Discretos Principais Modelos Discretos

Distribuição de Poisson Os eventos discretos gerados num intervalo contínuo (unidade: compri-
mento, área, volume, tempo, etc.) formam um processo de Poisson com
parâmetro λ se satisfazem às seguintes propriedades:
Processo de Poisson 1 O número médio de ocorrência dos eventos numa unidade de medida
Muitos problemas consistem em observar a ocorrência de eventos discretos (comprimento, área, volume, tempo, etc.) é conhecido e igual a λ.
num intervalo contínuo (unidade de medida), como por exemplo, o número 2 A ocorrência de um evento numa unidade de medida t não afeta a
de manchas (falhas) por unidade de medida (digamos 1m2 ) no esmaltado ocorrência ou a não ocorrência em outra unidade de medida t
de uma superfície metálica. Ao se definir a variável aleatória X : número contígua. Isto é, a ocorrência dos eventos em unidades de medida
de manchas em um metro quadrado dessa superfície, o contradomínio é contíguas são independentes.
<X = {0, 1, 2, . . . , }

Outro exemplo é contar o número de chamadas que chegam a uma central


telefônica de uma empresa num intervalo de tempo de 2 horas. É um evento
discreto, visto que o tempo de chegada de qualquer delas é um ponto isolado
num período de 2 horas.

(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 51 / 74 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 52 / 74
Principais Modelos Discretos Principais Modelos Discretos

Uma variável discreta X tem Distribuição de Poisson com parâmetro µ, se Exemplo 1 - [Cancho(2010)]
sua função de probabilidade é dada por Suponha que a central telefônica de um empresa de grande porte receba,
em média, 3 chamadas a cada 4 minutos. Qual é a probabilidade de que a
e−µ µx
f (x) = , x = 0, 1, 2, . . . , (1) central recepcione 2 ou menos chamadas em um intervalo de 2 minutos?
x!
onde
X: número de eventos discretos em t unidades de medida.
λ: é a média de eventos discretos em uma unidade de medida.
t: número de unidades de medida.
µ = λt : é a média de eventos discretos em t unidades de medida.

Notação
t −1)
X ∼ P (µ), com MX (t) = eµ(e .

Média e Variância
(a) E(X) = µ
(b) V ar(X) = µ
(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 53 / 74 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 54 / 74
Principais Modelos Discretos Principais Modelos Discretos

Exemplo 2 - [Montgomery e Runger(2016)]


Determine a probabilidade de existir no mínimo, 1 falha em dois
Falhas ocorrem ao acaso ao longo do comprimento de um fio delgado de milímetros de fio.
cobre. Suponha que o número de falhas siga uma Distribuição de Poisson,
com uma média de 2,3 falhas por milímetro.
Determine a probabilidade de existirem exatamente 2 falhas em um
milímetro de fio.

Determine a probabilidade de 10 falhas em 5 milímetros de fio.

(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 55 / 74 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 56 / 74
Principais Modelos Discretos Principais Modelos Discretos

Distribuição de Poisson com aproximação da distribuição Exemplo - [Hines e outros(2006)]


Binomial A probabilidade de que um rebite particular na superfície da asa de uma
nova aeronave seja defeituoso é 0,001. Há 4000 rebites na asa. Qual é a
probabilidade de que sejam instalados não mais de seis rebites defeituosos?

A Distribuição de Poisson pode ser utilizada para aproximar probabilidades


de uma Distribuição Binomial quando n é suficientemente grande (n → ∞)
e p é muito pequeno (p → 0).
Nesse caso, faz-se X ∼ B(n, p) ser aproximada por X ∼ P (np).

Na prática, considera-se que a aproximação é aceitável se

p < 0, 1

e n grande. Nesse caso, considera-se que X ∼ P (np).

(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 57 / 74 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 58 / 74
Principais Modelos Discretos Principais Modelos Discretos

Propriedade Reprodutiva da Distribuição de Poisson

Se X1 , . . . , Xn são variáveis aleatórias independentes , com Distribuição


de Poisson com parâmetros µ1 , . . . , µn , respectivamente, então a variável
aleatória
Y = X1 + · · · + Xn ,
tem Distribuição de Poisson com parâmetros µ = µ1 + · · · + µn .

Exemplo - [Cancho(2010)]
Em uma fábrica, foram registradas em três semanas, a média de acidentes:
2,5 na primeira semana, 2 na segunda semana e 1,5 na terceira semana.
Suponha que o número de acidentes por semana segue um processo de
Poisson. Qual é a probabilidade de que haja 4 acidentes nas três semanas?

(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 59 / 74 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 60 / 74
Principais Modelos Discretos Principais Modelos Discretos

Distribuição de Pareto Discreta (ou Zeta)


Observa-se que as probabilidades decrescem de acordo com uma potência
de x. Por isto, ela é chamada de uma distribuição de lei de potência (power
Algumas variáveis aleatórias discretas apresentam distribuição com caudas law ). Ela não cai com uma rapidez exponencial como é o caso de uma
pesadas (heavy tails), isto é, têm probabilidades grandes nas caudas. Alguns Poisson ou de uma Geométrica.
exemplos: número de consumidores afetados por um blackout, tamanhos de
arquivos transferidos via web, número de links em um site, entre outros. Comparando:
A distribuição de Poisson tem cauda curta, valores com probabilidades
O comportamento estocástico dessas variáveis pode ser modelado por uma significativas estão concentrados em uma faixa estreita em torno de
distribuição de Pareto, da seguinte maneira: sua média E(X) = µ;
C Já a distribuição de Pareto tem cauda longa, gerando facilmente
f (x) = P (X = x) = 1+α
, x = 1, 2, 3, . . . , N, valores muito grandes, ordens de grandeza maiores que E(X); e,
x
Por sua vez, a distribuição Geométrica é um caso intermediário.
onde C é uma constante > 0, α > 0 e N pode ser finito ou infinito.

(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 61 / 74 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 62 / 74
Principais Modelos Discretos Principais Modelos Discretos

Pode-se observar também que, ao se fixar um valor de α, o valor de C fica


determinado, uma vez que a soma das probabilidades deve resultar 1, ou
seja, Nota: quando N = ∞, esta constante está associada com a função zeta de
Riemann definida como

1 = P (X = 1) + P (X = 2) + P (X = 3) + . . .
X 1
ζ(s) = , que converge quando s > 1.

1 1 1
 ns
n=1
= C + + + ...
11+α 21+α 31+α
N Assim, quando N = ∞, temos
!
X 1
= C ,
x1+α 1
x=1
C= que converge quando 1 + α > 1 → α > 0.
ζ(1 + α)
o que implica em
1
C = PN 1
.
x=1 x1+α

(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 63 / 74 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 64 / 74
Principais Modelos Discretos Principais Modelos Discretos

Distribuição de Pareto Discreta (ou Zeta)


C Média e Variância
f (x) = P (X = x) = , x = 1, 2, 3, . . . , N,
x1+α 1 Caso N finito:
PN 1
onde C é uma constante > 0, α > 0 e N pode ser finito ou infinito. E(X) = C x=1 xα
h P i2
PN 1
PN N
No caso de N finito, tem-se C = 1 ; V (X) = C 1
x=1 xα−1 − C x=1 1

x=1 x1+α

Já no caso de N = ∞, tem-se 2 Caso N = ∞:


1 ζ(α)
C = ζ(1+α) que converge quando 1 + α > 1 → α > 0. E(X) = ζ(1+α) , α>1
h i2
ζ(α−1) ζ(α)
V (X) = ζ(1+α) − ζ(1+α) , α>2
Notação
X ∼ P areto(N, α)

(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 65 / 74 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 66 / 74
Principais Modelos Discretos Principais Modelos Discretos

Exemplo 1
Alguns sites da internet apresentam poucos links, mas outros apresentam
muitos links. Considere que o número de links possa ser modelado por
uma distribuição de Pareto Discreta (ou Zeta). Considerando um valor de
α = 0, 5, qual a probabilidade de se encontrar apenas um link em uma
página qualquer? E de se encontrar páginas que contenham 50 links?

(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 67 / 74 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 68 / 74
Principais Modelos Discretos Principais Modelos Discretos

Exemplo 2
Alguns blackouts energéticos podem afetar poucas cidades de uma dada re-
gião. Porém, certas vezes, afetam um número grande de cidades. Considere
que o número de cidades afetadas por blackouts possa ser modelado por
uma distribuição de Pareto Discreta (ou Zeta). Considerando um valor de
α = 0, 5 e que uma região contenha 5 cidades, qual a probabilidade de todas
elas serem afetadas por um eventual blackout? Calcule também o número
médio de cidades afetadas.

(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 69 / 74 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 70 / 74
Principais Modelos Discretos Principais Modelos Discretos

Distribuição Zipf

Um distribuição que também apresenta caudas pesadas é a distribuição Zipf,


cujo nome é em homenagem a seu desenvolvedor, o americano George Kings-
ley Zipf (1902-1950). Média e Variância
ζ(α−1)
E(X) = ζ(α) , α>2
Para essa situação, temos h i2
1 ζ(α−1)
x−α V (X) = ζ(α) ζ(α − 2) − ζ(α) , α>3
f (x) = P (X = x) = , x = 1, 2, 3, . . . e α > 1
ζ(α)
P∞ 1
onde ζ(α) = x=1 xα é a função zeta de Riemann, sendo convergente
quando α > 1.

Notação
X ∼ Zipf (α)

(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 71 / 74 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 72 / 74
Principais Modelos Discretos Principais Modelos Discretos

Exemplo - Adaptado de [Campos e outros(2017)]


Os tamanhos de arquivos armazenados em um banco de dados seguem uma
distribuição Zipf com parâmetro α quando estes tamanhos são medidos em
Kilobytes.
1 Se os tamanhos dos arquivos de 1 KB são 10.000 vezes mais prováveis
que tamanhos de arquivos de 1 MB, então qual o valor do parâmetro
α?
2 Quanto mais prováveis são tamanhos de arquivos de 1MB em
comparação com tamanhos de arquivos de 1 GB?

(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 73 / 74 (UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 74 / 74
Principais Modelos Discretos

Campos, M., outros, 2017. Métodos Probabilísticos e Estatísticos com


Aplicações em Engenharias e Ciências Exatas. Rio de Janeiro: LTC.
Cancho, V., 2010. Notas de aulas sobre noções de estatística e
probabilidade - São Paulo: USP.
Hines, W., outros, 2006. Probabilidade e Estatística na Engenharia.
Rio de Janeiro: LTC. 4. PRINCIPAIS MODELOS
Montgomery, D., Runger, G., 2016. Estatística Aplicada e
Probabilidade para Engenheiros. Rio de Janeiro: LTC. DISCRETOS
Neto, P., Cymbalista, M., 2006. Probabilidades. São Paulo: Blucher.
Urbano, J., 2010. Estatística: uma nova abordagem. Rio de Janeiro:
Editora Ciência Moderna.
2014
Walpole, R., outros, 2009. Probabilidade e Estatística para Engenharia
e Ciências. São Paulo: Pearson.

(UFOP/EM/DEPRO) Métodos Estocásticos da Engenharia I 2019/2 74 / 74

Principais modelos probabilísticos discretos Distribuição de Bernoulli

4.1. Modelo Bernoulli X é uma v.a. que assume apenas dois valores: 1 se ocorrer sucesso (S) e 0 se
ocorrer fracasso (F). Sendo p a probabilidade de sucesso, 0 < p <1.
Muitos experimentos admitem apenas dois resultados.
X(S) = 1 e X(F) = 0. A distribuição de probabilidade é dada por
Exemplos:
1. Uma peça é classificada como defeituosa ou não defeituosa;
0 1  p x (1 − p )1− x , se x = 0, 1.
x f ( x) = P( X = x) = 
2. Em um certo dia chove ou não chove.  0, c.c.
3. Um entrevistado concorda ou não com uma afirmação feita;
P(X=x) 1–p p

4. No lançamento de um dado ocorre ou não face 6; Notação: X ~ Bernoulli (p) indica que a v.a. X tem distribuição de Bernoulli. O
5. O número de solicitações excede ou não excede a capacidade de um servidor. parâmetro da distribuição é p.

Se X ~ Bernoulli(p), então

Situações com alternativas dicotômicas podem ser representadas genericamente E(X) = p


por sucesso ou insucesso (fracasso ou falha). e Var(X) = p (1 – p).
Esses experimentos recebem o nome de ensaios de Bernoulli e originam uma v.a.
com distribuição de Bernoulli. Repetições independentes de um ensaio de Bernoulli dão origem ao
modelo binomial.

2 3
4.2. Modelo binomial Calculamos
Exemplo. A probabilidade de uma peça ser defeituosa é p. Um lote de três peças P( X = 0) = P({FFF }) = (1 − p ) 3 ,
é inspecionado. Determine a distribuição de probabilidade da variável número de
peças defeituosas no lote (X). P( X = 1) = P({FFS , FSF , SFF }) = 3 p (1 − p ) 2 ,
Denotemos S: sucesso, se a peça é defeituosa e F: fracasso, caso contrário.
P( X = 2) = P({FSS , SFS , SSF }) = 3 p 2 (1 − p ) e
O espaço amostral para este experimento é
P( X = 3) = P({SSS }) = p 3 .
Ω = {FFF, FFS, FSF, SFF, FSS, SFS, SSF,SSS}.
A distribuição de probabilidade da v.a. X é dada por
Fazemos Xi ~ Bernoulli(p), i = 1,2,3. Logo, X = X1 + X2 + X3 representa o número
x 0 1 2 3
de peças defeituosas no lote.

Ω Probabilidade X1 X2 X3 X=X1+X2+X3 f ( x) = P( X = x) (1 − p)3 3 p(1 − p) 2 3 p 2 (1 − p) p3


FFF (1-p)3 0 0 0 0
FFS (1-p)2p 0 0 1 1 f(x) pode ser escrita como
FSF (1-p)2p 0 1 0 1   3 x
   p (1 − p ) 3− x , se x = 0,1,2,3,
SFF (1-p)2p 1 0 0 1 f ( x ) =   x 
FSS (1-p)p2 0 1 1 2 
 0, c.c.
SFS (1-p)p2 1 0 1 2
SSF (1-p)p2 1 1 0 2  3 3!
SSS p3 1 1 1 3 em que   = .
 x  x!(3 − x )!
4 5

Distribuição binomial Distribuição B(n =10, p)


Repetição de n ensaios de Bernoulli independentes, todos com a mesma p=0,1 p=0,3
probabilidade de sucesso p. A variável aleatória que conta o número de sucessos

0.4
nos n ensaios de Bernoulli é denominada de variável aleatória binomial com

0.20
P(X=x)

P(X=x)
parâmetros n e p.

0.2
  n x
   p (1 − p ) n − x , se x = 0,1, ⋯, n,

0.00
0.0
f ( x) =   x 
 0, c.c.,
0 2 4 6 8 0 2 4 6 8

x x
 n n!
em que   = representa o coeficiente binomial.
 x  x!(n − x)! p=0,5 p=0,8
Notação: X ~ B(n,p) para indicar que a v.a. X tem distribuição Binomial com
parâmetros n e p.

0.20
P(X=x)

P(X=x)
Se X ~ B(n, p), então 0.15
0.00

0.00
E(X) = np e 0 2 4 6 8 0 2 4 6 8

Var(X) = np(1 – p). x x

6 7
Distribuição B(n = 20, p) Distribuição B(n = 30, p)
p=0,1 p=0,3 p=0,1 p=0,3

0.15
0.20
P(X=x)

P(X=x)

P(X=x)

P(X=x)
0.15

0.10
0.00

0.00
0.00

0.00
0 5 10 15 20 0 5 10 15 20 0 10 20 30 0 10 20 30

x x x x

p=0,5 p=0,8 p=0,5 p=0,8

0.15
0.10
0.15
P(X=x)

P(X=x)

P(X=x)

P(X=x)
0.00 0.10

0.00
0.00

0.00
0 5 10 15 20 0 5 10 15 20 0 10 20 30 0 10 20 30

x x x x

8 9

Exemplo Exemplo
O professor da disciplina de Estatística elaborou uma prova de múltipla escolha,
composta de 10 questões cada uma com 5 alternativas. Aprovação na disciplina x f(x) F(x)
requer pelo menos 6 questões corretas. Se um aluno responde a todas as 0 0,107374 0,10737
questões baseado em palpite (“chute”), qual a probabilidade de ser aprovado? 1 0,268435 0,37581
Solução. X é a v.a. número de questões respondidas corretamente nas 10 2 0,301990 0,67780
questões. Eventos: S: “questão respondida corretamente” e F: “questão 3 0,201327 0,87913
respondida incorretamente”.
4 0,088080 0,96721
P(S) = 1 / 5 e P(F) = 4 / 5. Logo, X ~ B(10, p). 5 0,026424 0,99363
  10   1  x  10− x 6 0,005505 0,99914
4 7 0,000786 0,99992
  , se x = 0,1,⋯,10,
f ( x) =   x   5   
5 8 0,000074 1,00000
 0, c.c.
 9 0,000004 1,00000
A probabilidade de aprovação é
10 0,000000 1,00000
P( X ≥ 6) = 1 − P( X < 6) = 1 − P( X ≤ 5) = 1 − F (5)
= 1 − 0,9936306 = 0,00637.
10 11
Exemplo Exemplo

B(10,p=0,20) Um fabricante adquire certo tipo de componente de um fornecedor. Segundo


este fornecedor, a proporção de componentes defeituosos é 2%.

0.30
(a) O fabricante seleciona 15 componentes de um lote para inspeção. Qual a
probabilidade de que seja encontrado pelo menos um componente defeituoso
neste lote?
0.20 (b) O fabricante adquire 10 lotes por mês e de cada lote são selecionados 15
componentes para inspeção, como no item (a). Qual a probabilidade de que
P(X=x)

sejam encontrados três lotes com pelo menos um componente defeituoso?


Solução. (a) Definimos o evento sucesso (S) como “o componente selecionado é
0.10

defeituoso”. Pelo enunciado, P(S) = p = 0,02. A v.a. X é definida como sendo o


número de componentes defeituosos (sucessos) em n = 15 componentes.
Supondo independência, X ~ B(n = 15, p = 0,02).

Devemos calcular P(X ≥ 1), que é dada por


0.00

P( X ≥ 1) = 1 − P(X < 1 ) = 1 − P( X = 0)
0 2 4 6 8 10
 15 
= 1 −   × 0,02 0 × (1 − 0,02)15− 0 Em Excel:
x  0
= 1 - DISTRBINOM(0; 15; 0,02; FALSO)
= 1 − 0,9815 = 0,261.
12 13

Exemplo 4.3. Modelo hipergeométrico


Solução. (b) Definimos o evento sucesso (S) como “o lote contém pelo menos um Um conjunto de N elementos é dividido em duas classes. Uma classe com M (M < N)
componente defeituoso”. De acordo com o item (a), P(S) = p = 0,261. A v.a. Y é elementos (sucessos) e a outra com N – M elementos (fracassos).
definida como sendo o número de lotes com pelo um componente defeituoso Por exemplo, no caso de N itens produzidos, podem ser considerados M itens defeituosos e
(sucessos) em n = 10 lotes. Supondo independência, Y ~ B(n = 10, p = 0,261). N – M itens não defeituosos.
Uma amostra de tamanho n (n < N) é sorteada sem reposição. A v.a. X é definida como o
Devemos calcular P(Y = 3), que é dada por
número de elementos com a característica de interesse (sucesso) na amostra de tamanho n.
Em Excel:
 10  (1) n elementos são selecionados de um conjunto de N elementos. (2) x
P(Y = 3) =   × 0,2613 × (1 − 0,261)10− 3 = 0,257. = DISTRBINOM(3; 10; 0,261; FALSO)
 3 sucessos são escolhidos de uma classe com M sucessos. (3) Finalmente, n – x
fracassos são escolhidos de uma classe com N – M fracassos.
(a) (b)
0.25

A função de probabilidade da v.a. X é


0.6

0.20

  M  N − M 
P(Y = y)
P(X = x)

    
  x   n − x  ,
0.15

se x = max{0, n − ( N − M )}, ⋯ , min{n, M },


f ( x) = 
0.4

 N
  
0.10

  n
 0, c.c.
0.2

0.05

Notação: X ~ H(N, M, n) indica que a v.a. X tem distribuição hipergeométrica


0.00

com parâmetros N, M e n.
0.0

M   M  M  N − n
0 5 10 15 0 2 4 6 8 10 Se X ~ H(N, M, n), então E( X ) = n  e Var( X ) = n   1−  .
x y  N   N  N  N − 1
14 15
Exemplo (Hines et al., 2006, p. 105) Exemplo (Hines et al., 2006, p. 105)
Em um departamento de inspeção de recebimento, lotes de um certo item são
recebidos periodicamente. Os lotes contêm 100 unidades e o seguinte plano de
amostragem de aceitação é usado. Seleciona-se uma amostra de 10 unidades

0.6
sem reposição. O lote é aceito se a amostra tiver, no máximo, um item
defeituoso. Suponha que um lote seja recebido e que 5% dos itens sejam

0.5
defeituosos. Qual a probabilidade de que o lote seja aceito ?
X: número de defeituosos na amostra ⇒ X ~ H(N = 100, M = 5, n = 10).

0.4
P(X=x)
P(aceitar o lote) = P( X ≤ 1) = P( X = 0) + P( X = 1)

0.3
 5   95   5   95 
       

0.2
0 10  1   9  = 0,923.
=    +

0.1
 100   100 
   
 10   10 

0.0
0 1 2 3 4 5
Em Excel: =DIST.HIPERGEOM(0;10;5;100) + DIST.HIPERGEOM(1;10;5;100).
x

16 17

4.4. Modelo de Poisson Suposições básicas

Muitos experimentos consistem em observar a ocorrência de eventos em


determinada unidade (de tempo, volume, comprimento, área, ...) O fenômeno estudado ocorre em intervalos (de tempo, por exemplo).
O intervalo pode ser dividido em subintervalos com comprimentos
Exemplos suficientemente pequenos tais que
1. Número de navios que atracam em um porto em uma semana. • a probabilidade de ocorrência de mais um evento em um
2. Número semanal de acidentes de trabalho em uma fábrica. subintervalo é pequena,

3. Número de pequenos defeitos por cm2 de uma placa de circuito. • a probabilidade de ocorrência de um evento em um subintervalo
seja a mesma para todos os subintervalos e proporcional ao
4. Número de veículos que passam por um ponto de uma estrada a comprimento do subintervalo e
cada 10 min.
• a contagem em cada subintervalo seja independente de outros
5. Número de microorganismos por cm3 de água contaminada. subintervalos.
Pode ser provado que a distribuição do número de ocorrências é
Poisson.

18 19
Distribuição de Poisson Distribuição Po(µ)

Uma v. a. discreta X tem distribuição de Poisson com parâmetro µ se sua Po(0,8) Po(2)

função de probabilidade é dada por

0.4

0.00 0.10 0.20


P(X = x)
P(X = x)
 e− µ µ x

0.2
 se x = 0,1,2, ⋯ ,
f ( x ) =  x! ,
 0,

0.0
c.c.,
0 5 10 15 20 25 0 5 10 15 20 25
x x
em que x é número de eventos em t unidades de medida,
Po(5,7) Po(10)
λ é o número médio de eventos (taxa) em uma unidade de medida (t = 1) e

0.00 0.04 0.08 0.12


µ = λ t é o número médio de eventos em t unidades de medida.

P(X = x)
P(X = x)

0.10
Notação: X ~ Po(µ) indica que a v.a. X tem distribuição de Poisson com
parâmetro µ.

0.00
Propriedades: E(X) = µ e Var(X) = µ. 0 5 10 15 20 25 0 5 10 15 20 25
x x

20 21

Exemplo Exemplo
O número de pedidos de reparos que uma construtora recebe por mês é uma
As chegadas a um posto de atendimento ocorrem de forma variável aleatória, sendo que em média são recebidos 7,5 pedidos por mês.
independente seguindo a distribuição de Poisson. Suponha que a Determine as probabilidades de que, em um mês qualquer, a construtora
média de chegadas é 3 a cada 4 minutos. Qual é a probabilidade de receba
que este posto receba no máximo 2 solicitações em um intervalo de 2 (a) Exatamente 2 pedidos de reparo;
minutos?
Solução. Se X é número de chegadas a este posto a cada 2 minutos, (b) No máximo 2 pedidos de reparo;
Po(7,5)
então X ~ Po(µ). Aqui, t = 2 min e λ = ¾ = 0,75. Logo, µ = 0,75 × 2 = 1,5. Ou seja, (c) No mínimo 8 pedidos de reparo.

0.15
Po(1,5)
X ~ Po(1,5) e
Solução. Supomos que X (número de
0.00 0.05 0.10 0.15 0.20 0.25 0.30

pedidos de reparo que a construtora


e − 1,5 1,5 x

0.10
f ( x) = , se x = 0,1,2,3.... recebe por mês) tem distribuição
P(X = x)

x! Poisson com média µ = 7,5. Logo,

P(X = x)
Calculamos

0.05
P( X ≤ 2) = F (2) = P( X = 0) + P( X = 1) + P( X = 2)
e − 7 ,5 7,5 x
1,52 f ( x) = , se x = 0,1,2, ⋯.
= e − 1,5 (1 + 1,5 + ) = 0,809. 0 2 4 6 8 10
x!
2

0.00
x

0 5 10 15 20
Em Excel: =POISSON(2;1,5; VERDADEIRO).
x

22 23
Exemplo Exemplo
x f(x)=P(X=x)
0 0,000553 Em Excel:
1 0,004148 Calculamos
2 0,015555

e − 7 ,5 (7,5) 2
3 0,038889
4 0,072916
5 0,109375 (a ) P( X = 2) = = 0,0156,
6
7
0,136718
0,146484 2
8 0,137329

(b) P( X ≤ 2) = F (2) = P( X = 0) + P( X = 1) + P( X = 2)
9 0,114440
10 0,085830
11 0,058521
12
13
0,036575
0,021101 = 0,000553 + 0,004148 + 0,015555 = 0,0203 e
14 0,011304
7


15 0,005652
16
17
0,002649
0,001169
(c) P( X ≥ 8) = 1 − P( X < 8) = 1 − F (7) = 1 − P( X = x)
18 0,000487 x= 0
19 0,000192
20
21
0,000072
0,000026 = 1 − (0,000553 + ⋯ + 0,146484)
22 0,000009
23
24
0,000003
0,000001
= 1 − 0,5246385 = 0,4754.
25 0,000000
26 0,000000
27 0,000000

24 25

Exemplo

O número de partículas contaminantes que ocorrem em um líquido tem uma Resultado. Se X1,..., Xn são variáveis aleatórias independentes com
distribuição de Poisson e o número médio de partículas por cm3 é 0,1. Um frasco distribuição de Poisson com parâmetros µ1,..., µn respectivamente,
de 100 cm3 será analisado. Calcule a probabilidade de que 12 partículas sejam então a variável aleatória Y = X1 + ... + Xn tem distribuição Poisson com
encontradas no frasco.
parâmetro µ = µ1 + ... + µn.
Exemplo. Em uma fábrica, dados históricos mostram que em três
Solução. Se X é o número de partículas no
frasco, então X ~ Po(µ). Temos t = 100 Po(10)
semanas típicas os números médios de acidentes são 2,5 na primeira
cm3 e λ = 0,1 por cm3. Logo, µ = t × λ = semana, 2 na segunda semana e 1,5 na terceira semana. Suponha que o
0.12

100 × 0,1 = 10. Ou seja, X ~ Po(10) e número de acidentes por semana segue uma distribuição de Poisson.
Qual a probabilidade de que ocorram 4 acidentes em três semanas
0.10

e − 1010 x típicas?
f ( x) = , x = 0,1,2, ⋯
0.08

x!
P(X = x)

Solução. Xi representa o número de acidentes na i-ésima semana, i =


0.06

Calculamos
1,2,3, com Xi ~ Po(µi). Supomos que X1, X2 e X3 são independentes.
0.04

e − 101012 Portanto, Y = X1 + X2 + X3 tem distribuição Poisson com parâmetro µ =


P( X = 12) = = 0,095.
0.02

12! 2,5 + 2 + 1,5 = 6. Calculamos


64 e− 6
0.00

Em Excel: =POISSON(12;10;FALSO). P(Y = 4) = = 0,1339.


0 5 10 15 20 25
4!
x

26 27
4.5. Modelo geométrico Distribuição geométrica
Ensaios de Bernoulli são realizados de forma independente e cada um Se ensaios de Bernoulli independentes e com probabilidade de sucesso
com probabilidade de sucesso igual a p. igual a p são realizados, o número de ensaios que antecedem o primeiro
sucesso tem uma distribuição geométrica com parâmetro p e sua função
Estamos interessados no número de ensaios que antecedem a
de probabilidade é dada por
ocorrência do 1o sucesso.
A v.a. X que conta este número tem distribuição geométrica com parâmetro p,
notando que X ∈ {0, 1 , 2, ...}. f ( x) = P( X = x) = (1 − p ) x p, se x = 0,1,2,... e 0 < p < 1.
Se “S” e “F” representam os eventos sucesso e fracasso e X = x, temos a Notação: X ~ Geo(p).
sequência
Se X ~ Geo(p), então
E(X) = (1 – p) / p e
Var(X) = (1 – p) / p2.
Sendo assim,
Propriedade: Se X ~ Geo(p), então P(X > k + m | X > m) = P(X > k).
É a única distribuição discreta com esta propriedade (“falta de
memória”).

28 29

Distribuição Geo(p) Outra definição de distribuição geométrica

Geo( 0.01 ) Geo( 0.1 )


Se ensaios de Bernoulli independentes e com probabilidade de sucesso
0.0092 0.0096 0.0100

igual a p são realizados, o número de ensaios Y até que ocorra o primeiro


0.04 0.06 0.08 0.10

sucesso tem uma distribuição geométrica com parâmetro p e sua função


de probabilidade é dada por
P(X=x)
P(X=x)

f ( y ) = P(Y = y ) = (1 − p ) y − 1 p, se y = 1,2,... e 0 < p < 1.


0 1 2 3 4 5 6 7 8 9 10 0 1 2 3 4 5 6 7 8 9 10
x x Relação entre as duas definições:

Geo( 0.5 ) Geo( 0.9 )


Y = X + 1,
E(Y) = E(X) + 1 = (1 – p ) / p + 1 = 1 / p e
0.0 0.2 0.4 0.6 0.8
0.4

Var(Y) = Var(X) = (1 – p) / p2.


P(X=x)
P(X=x)

0.2
0.0

0 1 2 3 4 5 6 7 8 9 0 1 2 3 4 5
x x

30 31
Exemplo (Hines et al., 2006, p. 101) Exemplo (Hines et al., 2006, p. 101)
Certo experimento deve ser realizado até que seja obtido um resultado bem Na letra (b) devemos calcular P(C(Y) > 500000). Usando a expressão de C(Y),
sucedido. As realizações são independentes e o custo de cada experimento é
$25.000, sendo que se o resultado for um insucesso, há um custo adicional P(C(Y) > 500000) = P(30000 Y – 5000) > 500000)
de $5.000 para o preparo da próxima realização. = P(Y > 505000 / 30000) = P(Y > 16,8)
(a) Obtenha o custo esperado do experimento. = 1 – P(Y ≤ 16,8) = 1 – P(Y ≤ 16)
(b) Se o orçamento não pode ultrapassar $500.000, qual a probabilidade de que 16
este valor seja ultrapassado. = 1− ∑
k= 1
(1 − p) k − 1 p, 0 < p < 1.
Solução. Definimos Y como sendo o número de realizações até que ocorra o

1.0
primeiro resultado bem sucedido, notando que Y ∈ {1, 2, ...} e tem distribuição
geométrica com parâmetro p e f(y) = (1 – p)y–1p (veja lâmina 29). Pelo enunciado,

0.8
Se p = 0,25,

P(C(Y) > 50000)


o custo é uma v.a., função de Y, dada por
P(C(Y) > 500000) = 0,010.

0.6
C(Y) = 25000 Y + 5000 (Y – 1) = 30000 Y – 5000.

0.4
Usando propriedades do valor esperado obtemos

0.2
E[C(Y)] = 30000 E(Y) – 5000 = 30000 / p – 5000.

0.0
Se p = 0,25, o custo esperado vale $115.000. 0.0 0.1 0.2 0.3 0.4
p

32 33

4.6. Modelo binomial negativa Distribuição binomial negativa


Ensaios de Bernoulli são realizados de forma independente e cada um Se ensaios de Bernoulli independentes e com probabilidade de sucesso
com probabilidade de sucesso igual a p. igual a p são realizados, o número de ensaios até que ocorram r
sucessos tem uma distribuição binomial negativa com parâmetros r e p.
Interesse no número de ensaios que até que ocorram r sucessos, r ≥ 1.
Sua função de probabilidade é dada por
A v.a. X que conta este número tem distribuição binomial negativa com  x − 1 r
parâmetros r e p, notando que X ∈ { r, r + 1 , r + 2, ...}. f ( x) = P( X = x) =   p (1 − p) x − r , se x = r , r + 1, r + 2,... e 0 < p < 1.
 r − 1
Se “S” e “F” representam os eventos sucesso e fracasso e X = x, temos
sequências do tipo Notação: X ~ BN(r, p).

cada uma com probabilidade = pr (1 – p)x – r.


Se X ~ BN(r, p), então
E(X) = r / p e
 x − 1 ( x − 1)! Var(X) = r (1 – p) / p2.
Número de sequencias =   = .
 r − 1  ( r − 1)! ( x − r )! Obs. (a) r = 1: distribuição geométrica na lâmina 29.
(b) Em Excel: função DIST.BIN.NEG.

34 35
Distribuição BN(r, p)
BN(r = 2, p = 0.3) BN(r = 4, p = 0.3)

0.08
0.12
P(X = x)

P(X = x)

0.04
0.06
0.00

0.00
5 10 15 20 25 10 20 30 40
x x

BN(r = 2, p = 0.6) BN(r = 4, p = 0.5)

0.00 0.05 0.10 0.15


0.30
P(X = x)

P(X = x)
0.15
0.00

5 10 15 20 25 10 20 30 40
x x

36

Você também pode gostar