ESCOLA DE ENGENHARIA INSDUTRIAL E METALRGICA DE VOLTA REDONDA UNIVERSIDADE FEDERAL FLUMINENSE

Projeto Aplicao de Conceitos Estatsticos x Motivao do Estudante de Engenharia

PESQUISA SOBRE AS DISTRIBUIES ESTATSTICAS NORMAL E EXPONENCIAL, APLICADAS ENGENHARIA.

Aluno: Marcus Vinicius Monteiro Responsvel pelo Projeto: Sergio Sodr da Silva

Volta Redonda 2013

1. Distribuio Normal

O modelo mais largamente utilizado para a distribuio de uma varivel aleatria uma distribuio normal. Um resultado fundamental, conhecido como teorema do limite central, implica que histogramas tm frequentemente a forma caracterstica simtrica, similares a um sino, no mnimo aproximadamente. Toda vez que um experimento aleatrio for aplicado, a varivel aleatria que for igual ao resultado mdio (ou total) das rplicas tender a ter uma distribuio normal, medida que o nmero de rplicas se torne grande. De Moivre apresentou este resultado em 1733. Infelizmente, seu trabalho ficou perdido por algum tempo e Gauss, independentemente, desenvolveu uma distribuio normal, cerca de 100 anos depois. Embora de Moivre tivesse recebido posteriormente o crdito pela deduo, uma distribuio normal tambm referida como uma distribuio gaussiana. Quando fazemos a mdia (ou totalizamos) dos resultados? Quase sempre. Se considerarmos que cada medida resulta em uma rplica de um experimento aleatrio, ento a distribuio normal pode ser usada para tirar concluses aproximadas em torno dessa mdia. Alm disso, algumas vezes o teorema central do limite menos bvio. Por exemplo, considere que o desvio (ou erro) no comprimento de uma pea usinada seja a soma de um grande numero de efeitos infinitesimais (pequenos), tais como pulsos na temperatura e umidade, vibraes, variaes no ngulo de corte, desgaste da ferramenta de corte, desgaste do mancal, variaes na velocidade rotacional, variaes de montagem e fixao, variaes nas inmeras caractersticas da matria prima e variao nos nveis de contaminao. Se os erros dos componentes forem independentes e igualmente provveis de serem positivos ou negativos, ento se pode mostrar que o erro ter uma distribuio normal aproximada. Alm disso, a distribuio normal aparece no estudo de numerosos fenmenos fsicos bsicos. Por exemplo, o fsico Maxwell desenvolveu uma distribuio normal a partir de suposies simples, considerando as velocidades das molculas. A base terica de uma distribuio normal mencionada para justificar a forma um tanto complexa da funo densidade de probabilidade. Variveis aleatrias com diferentes mdias e varincias podem ser modeladas pelas funes densidade de probabilidade normal, com escolhas apropriadas do centro e da largura da curva. O valor de E(X) = determina o centro da funo densidade de probabilidade e o valor de V(X) = 2 determina a largura. A seguinte definio fornece a frmula para as funes densidade de probabilidade normal. Definio Uma varivel aleatria X, com funo densidade de probabilidade,

Tem uma distribuio normal (e chamada de uma varivel aleatria normal), com parmetros e , em que - < < , e >0. Tambm

E(X) = e V(X) = 2 A notao N (,2) frequentemente usada para denotar uma distribuio normal, com mdia e varincia 2 .

Quando uma distribuio contnua, o grfico de distribuio uma linha contnua. No se visualiza as barras de um histograma, mas frequncias de ocorrncias de cada valor de x em intervalos infinitesimais. Forma uma Curva de Densidade de Probabilidade (funo pdfProbabilityDensityFunction). A funo densidade da normal (e de qualquer outra varivel aleatria contnua) pode ser compreendida como uma extenso natural de um histograma.

Note que a distribuio normal especificada por dois parmetros: representa a mdia populacional, e que representa o desvio-padro populacional.

Cada par de parmetros (, ) define u ma distribuio normal distinta. A figura abaixo mostra as curvas de densidade para alturas de mulheres e homens adultos nos EUA.

A distribuio normal padronizada tem mdia e desvio padro iguais a: 0= 1= A distribuio normal padronizada facilita os clculos de probabilidade, evitando o uso da frmula e projetando qualquer anlise mediante utilizao de ESCORES (Z). Se x uma observao de uma distribuio que tem mdia e desvio-padro , o valor padronizado de x : Z= Note que o valor padronizado representa o nmero de desvios-padro pelo qual um valor x dista da mdia (para mais ou para menos).

A estimativa de probabilidades associadas a variveis aleatrias contnuas envolve o clculo de reas sob a curva da densidade. O uso da distribuio normal padronizada nos permite calcular reas sob a curva de uma distribuio normal qualquer, pois as reas associadas com a normal padronizadas so tabeladas. Exemplo de Aplicao: Uma empresa fabrica termmetros que devem acusar a leitura de 0C no ponto de congelamento da gua. Testes feitos em uma grande amostra desses termmetros revelaram que alguns acusavam valores inferiores a 0C e alguns acusavam valores superiores. Supondo que a leitura mdia seja 0C e que o desvio-padro das leituras seja 1,00 C, qual a probabilidade de que, no ponto de congelamento, um termmetro escolhido aleatoriamente marque entre 0 e 1,58 C? Admita que a frequncia de erros se assemelhe a uma distribuio normal.

A distribuio de probabilidade das leituras uma normal padronizada porque as leituras tm = 0 e = 1. A rea da regio sombreada, delimitada pela mdia 0 e pelo nmero positivo z, pode ser lida na Tabela Estatstica de Z. Portanto, a probabilidade de se escolher aleatoriamente um termmetro com erro entre 0 e 1,58 C 44,29 %.

Com os termmetros do exemplo anterior, agora queremos determinar a probabilidade de se selecionar aleatoriamente um termmetro que acuse ( no ponto de congelamento da gua), uma leitura entre -2,43 Ce0 C.

Estamos interessados na regio sombreada da Figura (a), mas a Tabela estatstica de Z se aplica apenas a regies direita da mdia (0), como a da Figura (b). Podemos ver que ambas as reas so idnticas porque a curva de densidade simtrica.

Portanto, a probabilidade de se escolher aleatoriamente um termmetro com erro entre -2,43C e 0C 49,25 %.

Mais uma vez, fazendo uma escolha aleatria da mesma amostra de termmetros. Qual a probabilidade de que o termmetro escolhido acuse ( no ponto de congelamento da gua), uma leitura superior a +1,27 C?

A probabilidade de escolher um termmetro que acuse leitura superior a 1,27 C corresponde rea sombreada da figura. Se a rea total sob a curva da densidade igual a um, a rea direita de zero vale metade, isto , 0,5. Assim, podemos calcular facilmente a rea sombreada!

Podemos concluir que h uma probabilidade de 10,20% de escolher aleatoriamente um termmetro com leitura superior a +1,27C.

De novo, fazendo uma escolha aleatria da mesma amostra de termmetros. Qual a probabilidade de que o termmetro escolhido acuse ( no ponto de congelamento da gua), uma leitura entre 1,20 e 2,30 C?

A probabilidade de escolher um termmetro que acuse leitura entre 1,20 e 2,30 C corresponde rea ombreada da figura. fcil perceber que podemos calcular esta rea, subtraindo-se a rea de 0 at o maior valor (2,30), da rea de 0 at o menor valor (1,20), que so lidas na Tabela de Z.

As figuras abaixo ajudam na interpretao das expresses mais comuns no clculo de probabilidades:

Os exemplos feitos com o termmetro no so muito realistas porque a maioria das populaes distribudas normalmente tm mdia diferente de 0, desvio

diferente de 1, ou ambos. Como proceder, ento, para calcular probabilidades de distribuies normais no padronizadas? A ideia utilizar a frmula dos valores padronizados e TRANSFORMAR qualquer distribuio normal dada na normal padronizada, como mostrado abaixo.

Exemplo As alturas das mulheres americanas segue uma distribuio normal com mdia de 63,6e desvio-padro de 2,5. Selecionada uma mulher americana ao acaso, qual a probabilidade da sua altura estar entre 63,6 e 68,6 polegadas? Devemos proceder da maneira descrita abaixo: Trace uma curva normal, assinale a mdia e outros valores de interesse, e sombreie a regio que representa a probabilidade desejada; Para cada valor x da fronteira da regio sombreada, aplique a frmula para achar o valor padronizado z; Utilize a Tabela Z para achar a rea da regio sombreada;

H, portanto, uma probabilidade de 0,4772 de escolher uma mulher com altura entre 63,6 pol. e 68,6 pol. Usando a notao, teramos: P (63,6 < x < 68,6) = P (0 < z < 2,00) = 47,72%

A figura abaixo mostra as probabilidades sumarizadas associadas distribuio normal:

2. Distribuio Exponencial

Na distribuio de Poisson, a varivel aleatria definida como o nmero de ocorrncias em determinado perodo, sendo a mdia das ocorrncias no perodo definida como . Na distribuio Exponencial a varivel aleatria definida como o tempo entre duas ocorrncias, sendo a mdia de tempo entre ocorrncias de 1/ . Por exemplo, se a mdia de atendimentos no caixa bancrio de = 6/min, ento o tempo mdio entre atendimentos 1/ = 1/6 de minuto ou 10 segundos. A distncia entre as falhas outra varivel aleatria que frequentemente de interesse. Seja a varivel aleatria X a representao do comprimento de qualquer ponto inicial em um fio at o ponto em que uma falha seja detectada. Como se pode esperar, a distribuio de X pode ser obtida do conhecimento da distribuio do nmero de falhas. A distncia para a primeira falha exceder 3 milmetros se, e somente se, no houver falhas dentro de um comprimento de 3 milmetros simples, mas suficiente para uma anlise da distribuio de X.

Em geral, seja a varivel aleatria N a representao do nmero de falhas em x milmetros de fio. Se o nmero mdio de falhas for por milmetro, ento N ter uma distribuio de Poisson, com mdia x. Consideramos que o fio seja mais longo do que o valor de x. Agora, e

Para x >=0. Se f(x) for uma funo densidade de probabilidade de X, ento a funo distribuio cumulativa ser,

A partir do teorema fundamental de clculo, a derivada de F(x) (com relao a x) f(x). Por conseguinte, a funo densidade de probabilidade de X ,

A distribuio de X depende somente da suposio de que falhas no fio sigam um processo de Poisson. Tambm o ponto de partida para medir X no importa porque a probabilidade do nmero de falhas em um intervalo de um processo de Poisson depende somente do intervalo e no da localizao. Para qualquer processo de Poisson, o seguinte resultado se aplica. Definio A varivel aleatria X, que igual a distancia entre contagens sucessivas de um processo de Poisson, com mdia > 0 tem uma distribuio exponencial como parmetro . A funo densidade de probabilidade de X

A mdia e a varincia de X so e A distribuio exponencial tem sem nome por causa da funo exponencial na funo densidade de probabilidade. importante usar unidades consistentes no clculo de probabilidades, mdias, e varincias envolvendo variveis aleatrias exponenciais.

Exemplo Em uma grande rede corporativa de computadores, as conexes dos usurios ao sistema podem ser modeladas como um processo de Poisson, com uma mdia de 25 conexes por hora. Qual a probabilidade de no haver conexes em um intervalo de 6 minutos? Seja X a representao do tempo, em horas, do incio do intervalo at a primeira conexo. Ento, X tem uma distribuio exponencial, com = 25 conexes por hora. Estamos interessados na probabilidade de X exceder 6 minutos. Uma vez que dado em conexes por hora, expressamos todas as unidades em horas, ou seja, 6 minutos = 0,1 hora. Logo,

Uma resposta idntica obtida expressando o nmero mdio de conexes como 0,417 conexes por minuto e calculando a probabilidade de o tempo exceder 6 minutos at a prxima conexo. Qual a probabilidade de que o tempo at a prxima conexo esteja entre 2 e 3 minutos? Convertendo todas as unidades para horas,

Determinar o intervalo de tempo tal que a probabilidade de nenhuma conexo ocorrer no intervalo seja 0,90. A questo pergunta o comprimento de tempo x tal que P(X > x) = 0,90. Agora,

Consequentemente, tomando os logaritmos de ambos os lados, x = 0,000421 hora = 0,25 minuto Alm disso, o tempo mdio at a prxima conexo , E(X) = 1/25 = 0,04 hora = 2,4 minutos O desvio padro do tempo at a prxima conexo , x = 1/25 hora = 2,4 minutos No exemplo prvio, a probabilidade de no haver conexes em um intervalo de 6 minutos foi igual a 0,082, independente do tempo inicial do intervalo. Um processo de Poisson supe que eventos ocorram uniformemente atravs do intervalo de observao, isto , no h agrupamento de eventos. Se as conexes forem bem modeladas por um processo de Poisson, a probabilidade de que a primeira conexo depois do meio-dia ocorra depois de 12h06min a mesma probabilidade com que a primeira conexo depois das 15h ocorra

depois das 15h06min. E se algum ocorrer depois das 14h28min ser ainda 0,082. O ponto inicial de observao no sistema no importa. Entretanto, se houver perodos de uso intenso durante o dia, tal como imediatamente depois das 8h, seguido de um perodo de baixo uso, um processo de Poisson no ser um modelo apropriado para as conexes e a distribuio no ser apropriada para calcular probabilidades. Pode ser razovel modelar cada um dos perodos de uso intenso e baixo por um processo separado de Poisson, empregando um valor maior de , durante os perodos de uso intenso, e um valor menor de , caso contrrio. Ento, uma distribuio exponencial com o valor correspondente de pode ser usada para calcular as probabilidades de conexo para os perodos de alto e baixo uso. Uma propriedade ainda mais interessante de uma varivel aleatria exponencial a propriedade da alta de memria. Suponha que no haja conexes de 12h s 12h15min, a probabilidade de no haver conexes de 12h15min, s 12h21min ainda 0,082. Pelo fato de j termos esperado 15 minutos, sentimos que estamos quites. Ou seja, a probabilidade de uma conexo nos prximos 6 minutos deve ser maior que 0,082. No entanto para uma distribuio exponencial, isso no verdade. A propriedade de falta de memria no uma surpresa quando voc considera o desenvolvimento de um processo de Poisson. Nesse desenvolvimento, consideramos que um intervalo poderia ser dividido em pequenos intervalos que fossem independentes. A presena ou ausncia de eventos em subintervalos similar s tentativas independentes de Bernoulli, que compreendem um processo binomial; o conhecimento dos resultados prvios no afeta as probabilidades de eventos em futuros subintervalos. A distribuio exponencial frequentemente usada em estudos de confiabilidade como sendo o modelo para o tempo at a falha de um equipamento. Por exemplo, o tempo de vida de um chip semicondutor pode ser modelado como uma varivel aleatria exponencial, com uma mdia de 40.000 horas. A propriedade de falta de memria da distribuio exponencial implica que o equipamento no se desgasta. Ou seja, independente de quanto tempo o equipamento tenha estado operando, a probabilidade de uma falha nas prximas 1.000 horas a mesma que nas primeiras 1.000 horas de operao. O tempo de vida de um equipamento com falhas causadas pelos impactos aleatrios pode ser modelado apropriadamente como uma varivel aleatria exponencial. Entretanto, o tempo de vida de um equipamento que sofre um lento desgaste mecnico, tal como desgaste no mancal, mais bem modelado por uma distribuio que no falte memria. Referncias MONTGOMERY, C. Douglas; RUNGER C. George; HUBELE, F. Norma. Estatstica Aplicada Engenharia. 2 Edio. LTC. PEDOTT, Alexandre. Apostila Distribuies de Probabilidades do curso de Engenharia de Produo da UFRGS. Disponvel em: <http://www.producao.ufrgs.br/arquivos/disciplinas/384_distribuicao_de_probabilidade.pdf>