Escolar Documentos
Profissional Documentos
Cultura Documentos
Distribuições de Probabilidade
DISTRIBUIÇÕES DE
PROBABILIDADE
Distribuição Binomial
Distribuição Hipergeométrica
Distribuição de Poisson
exemplos:
Lançar uma moeda e observar se ocorre cara ou
coroa;
Lançar um dado e observar se ocorre seis ou não;
Numa linha de produção, observar se um item,
tomado ao acaso, é defeituoso ou não defeituoso;
Verificar se um servidor de intranet está ativo ou
não ativo.
Onde p= P{Sucesso}
classes ou categorias.
As categorias devem ser mutuamente excludentes, de
forma que não haja dúvidas na classificação do
resultado da variável nas categorias e coletivamente
exaustivas, de forma que não seja possível nenhum
outro resultado diferente das categorias.
Por exemplo, um produto manufaturado pode ser
classificado como perfeito ou defeituoso, a resposta
de um questionário pode ser verdadeira ou falsa, as
chamadas telefônicas podem ser locais ou
interurbanas.
ESTATÍSTICA PARA ENGENHARIA 7
Distribuição Binomial
Mesmo variáveis contínuas podem ser divididas em
duas categorias, como por exemplo, a velocidade de
um automóvel pode ser classificada como dentro ou
Distribuições de Probabilidade
P ( sucesso ) P ( falha ) 1
Conseqüentemente, sabendo-se que, por exemplo, a
probabilidade de sucesso é P(sucesso) = 0,6, a
probabilidade de falha é P(falha) = 1-0,6 = 0,4.
Condições de aplicação:
são feitas n repetições do experimento, onde n
Distribuições de Probabilidade
é uma constante;
há apenas dois resultados possíveis em cada
repetição, denominados sucesso e falha
a probabilidade de sucesso (p) e de falha (1- p)
permanecem constante em todas as repetições;
as repetições são independentes, ou seja, o
resultado de uma repetição não é influenciado
por outros resultados.
P( x )
n
x p x (1 p)n x x = 0,1,....,n
onde xn representa o número de combinações de n
objetos tomados x de cada vez, calculado como:
n
x
n!
x!( n x )!
= np
2 = np(1 - p)
A distribuição Binomial é usada com freqüência no
controle de qualidade quando a amostragem é feita
sobre uma população infinita ou muito grande.
parâmetros N, n e r.
r N r
x = 0,1,....,min(r,n)
x n x
P( x)
N
n
n p
Distribuições de Probabilidade
N n
n p (1 p)
2
N 1
medida.
e x
P( x ) x = 0, 1, ...,n
x!
A média e a variância da distribuição de Poisson são:
=
² = ²
Distribuição Exponencial
Distribuição Weibull
Distribuição Normal
1
1
t
Distribuições de Probabilidade
ano.
F (t ) P{T 1} 1 e0,5 x1 1 - 0,607 0,393
A probabilidade de falhar no próximo ano é de 0,393 e
de não falhar no próximo ano é de 1-0,393=0,607.
Ou seja, se forem vendidos 100 máquinas 39,3% irão
falhar no período de um ano.
Conhecendo-se os tempos até a falha de um produto
é possível definir os períodos de garantia.
á re a = 1
á r e a = 0 ,5 á re a = 0 ,5
2 7 .6 2 7 .8 28 2 8 .2 2 8 .4 2 8 .6 2 8 .8 29 2 9 .2
-1 +1
-2 +2
-3 +3
desvio-padrão.
Ou seja, diferentes médias e desvio-padrões originam
curvas normais distintas, como se pode visualizar nos
exemplos contidos na tabela abaixo onde há
amostras provenientes de distribuições com média e
desvios-padrões distintos.
A B
x
P( X x ) F ( x ) f ( x) dx
x
P X x P Z F ( Z ) Tabelado
ESTATÍSTICA PARA ENGENHARIA 37
Distribuição Normal
A variável reduzida mede a magnitude do desvio em
relação à média, em unidades de desvio padrão.
Distribuições de Probabilidade
XX
Z
S
ESTATÍSTICA PARA ENGENHARIA 38
Para sabermos o valor da probabilidade, utilizamos a
tabela da distribuição Normal. Essa tabela nos
fornece a área acumulada até o valor de Z
Distribuições de Probabilidade
Á re a = 0 ,8 4
Z=1
1 ,0
0,84
0,0
P r o b a b ilid a d e d e o c o r r ê n c ia d e v a lo r e s a b a ix o d e Z
x 1 11 00 0
Z = Z 1
1 0
Queremos saber qual a probabilidade que um rolo,
pego ao acaso da produção, possuir peso menor ou
igual a 110: P( x <110) = P( Z < 1) = 0,8413
111,6 100
Z 1,16
10
LEI x LES
= 0 ,0 5
2 4 ,8 5 25 ,08 2 5 ,1 5
x 85
P{ X x} 1 P{X x} 1 P Z 0,05
9
x 85
P Z 0,95
9
1 1 2 1,0 5 2 7 3,5
1 2 3 1,5 3 4 7 3,5
2 1 3 1,5 4 3 7 3,5
1 3 4 2,0 2 6 8 4,0
Distribuições de Probabilidade
3 1 4 2,0 6 2 8 4,0
2 2 4 2,0 3 5 8 4,0
1 4 5 2,5 5 3 8 4,0
4 1 5 2,5 4 4 8 4,0
3 2 5 2,5 3 6 9 4,5
2 3 5 2,5 6 3 9 4,5
1 5 6 3,0 4 5 9 4,5
5 1 6 3,0 5 4 9 4,5
2 4 6 3,0 4 6 10 5,0
4 2 6 3,0 6 4 10 5,0
3 3 6 3,0 5 5 10 5,0
1 6 7 3,5 5 6 11 5,5
6 1 7 3,5 6 5 11 5,5
2 5 7 3,5 6 6 12 6,0
Média de
Distribuições de Probabilidade
5/36
4/36
3/36
2/36
1/36
1,0 1,5 2,0 2,5 3,0 3,5 4,0 4,5 5,0 5,5 6,0 x
f(x)
Distribuições de Probabilidade
x
x
LNI LCI x LCS LNS
25 35 24 43 35 22 49 56
34 26 35 52 40 35 35 25
61 42 58 56 45 40 38 45
33 53 22 35 23 25 36 39
xi 25 ... 39 38,19
N 32
25 35 24 43 35 22 49 56
34 26 35 52 40 35 35 25
61 42 58 56 45 40 38 45
33 53 22 35 23 25 36 39
Média (x) 38,25 39 34,75 46,5 35,75 30,5 39,5 41,25
Desvio (S) 15,69 11,40 16,52 9,40 9,43 8,43 6,45 12,92
2
xi x
x xi
38,25 ... 41,25
38,18
ˆ x
k 1
11,11
x 4,75 x 5,55
n 4
x
xi 38,62 ... 40,37 38,18
k 4
xi x 38,62 38,18 2 ... 40,37 38,18 2
2
ˆ x 3,49
k 1 4 1
11,11
x 38,18 38,19 ˆ x 3,49 x 3,93
n 8
ESTATÍSTICA PARA ENGENHARIA 64
Teorema do Limite Central
A média das médias amostrais é igual a média dos
valores individuais e o desvio-padrão das médias é
menor do que o desvio-padrão dos valores individuais
Distribuições de Probabilidade
na razão de .
1/ n
f(x)
x
x
LNI LCI x LCS LNS