Epr503 8949 NT 001 PDF

EPR503 - ESTATSTICA APLICADA
Universidade Federal de Itajub
EPR503
ESTATSTICA APLICADA
Prof. Dr. Anderson Paulo de Paiva

andersonppaiva@unifei.edu.br
(35) 3629-1272
Prof. Dr. Anderson Paulo de Paiva - IEPG
EPR503
ESTATSTICA E PROBABILIDADE PARTE I
Estatstica Descritiva
Distribuies de Probabilidade
Inferncia
SUMRIO
EPR503
PARTE I
1 Estatstica Descritiva
2 Distribuies de Probabilidade
3 Estimao
4 Intervalos de Confiana
PARTE II
Bibliografia bsica:
5 Testes de Hiptese
Montgomery, D.C., Runger, G.C.,

Estatstica Aplicada e Probabilidade
para Engenheiros, 2 ed., LTC Livros
Tcnicos e Cientficos, 2002, 461 p.
6 Anlise de Varincia
PARTE III
7 Sries Temporais
8 Correlao e Regresso
Software Minitab 16
AVALIAO
EPR503
Atividades e Cronograma
1 Avaliao: 4 Notas de Prova, 2 Notas de Trabalho
1 Exame
2 Composio da Nota:
N1 = 0,4*P1+ 0,4*P2+ 0,2T1
N2 = 0,4*P3+ 0,4*P4+ 0,2T2
N3 = Exame
3 Trabalhos em Grupo ( 12 alunos) = Listas de Exerccio;
4 Aulas Prticas (Software Estatstico Minitab 15.0).
EPR503
Estatstica para a Engenharia
T
6
7
0,42
Ct
1,5
2
0,39
Tt
2,5
3
0,0
0,36
Kp
7
8
MMSE
-1,5
MRR
6
8
0,33
-3,0
0,3
0,2
0,050
0,075
f
0,100
0,125
0,1
Ra
0,39
0,41
0,30
Hold Values
V 218
0,27
0,070
0,075
0,080
0,085
0,090
0,095
EPR503
1 - Estatstica Descritiva
Uma mente que se abre para uma nova idia, jamais retornar ao seu tamanho
original. (Albert Einstein)
EPR503
A essncia da cincia a observao. Estatstica , portanto, a
cincia que se preocupa com a organizao, descrio, anlise
e interpretao dos dados experimentais. um ramo da
Matemtica Aplicada. Entre os principais conceitos, tem-se:
A Populao (ou Distribuio) a coleo de todas as observaes
potenciais sobre determinado fenmeno.
O conjunto de dados efetivamente observados, ou extrados, constitui
uma Amostra da populao.
Um Censo uma coleo de dados relativos a Todos os elementos de uma
populao.
Um Parmetro est para a Populao assim como uma Estatstica est para
a Amostra.
EPR503
Nominal
Qualitativa
Ordinal
Varivel
Contnua
Quantitativa
Discreta
Varivel
Tipo
Estado: Perfeita ou defeituosa; Tipo de ferramenta de usinagem, tipo

Qualitativa Nominal
de gs de proteo em soldagem.
Qualidade: 1a, 2a ou 3a categoria
Qualitativa Ordinal
No de peas defeituosas, No de defeitos, No de reclamaes por

Quantitativa Discreta
semana.
Dimetro das peas, rugosidade, largura de cordes de solda.
Quantitativa Contnua
8
EPR503
Mdia
Varincia
n
i =1
S2 =
n 1
Varivel Reduzida ou
Padronizada
Varincia (Opcional)
2
n
xi
n
1
2
S2 =
xi i=1n
n 1 i =1
Mediana
Z=
=~
x
PQ1 =
x-
n 1
CV =
S
x
Terceiro Quartil
(n + 1) Q
4
i=1
Coeficiente de Variao
Primeiro Quartil
(n + 1) Q
i =1
S=
(x x )
PQ2 =
(x x )
x
x=
Desvio Padro
PQ3 =
3(n + 1)
Q3
4
EPR503
Mediana o valor que representa o meio de um conjunto de dados
dispostos em ordem crescente ou decrescente. Representa o quinquagsimo
percentil, ou seja, 50% dos dados da amostra ou populao estaro acima e/ou
abaixo deste valor. A mediana no sofre a interferncia de valores extremos
(Outliers). Seu clculo, assim como quartis e percentis, depende exclusivamente
da quantidade de termos n da sequncia. Sua representao grfica feita
atravs de um boxplot. Assim, tem-se que:
Se n mpar:
Se n par:
o
n + 1
~
termo
x =
2
Ex.:
n
n
termo + + 1 termo
2
2
~
x=
2
{35, 36, 37, 38, 40, 40, 41, 43 ,46} x~ = 40

{12, 14, 14, 15, 16, 16, 17, 20} ~x = 15 +2 16 = 15,5
10
EPR503
Outlier Upper (x Q3 + 1,5D)
*
X mx
Outlier Lower (x Q1 - 1,5D)
Observao Mxima
1,5D
Q3=75 Percentil
Q3
Q2
D=Q3-Q1
Q1=25 Percentil
Q1
X min
Q2=Mediana (50 Percentil)

11
EPR503
Supe-se que a durabilidade de baterias
usadas em aparelhos celulares seja normalmente
distribuda. Uma amostra aleatria de 10 baterias
submetida a um teste de vida acelerada, fazendo-as
funcionar continuamente a uma alta temperatura, at
acabarem. Estes resultados esto na tabela ao lado.
Durabilidade (Y)
25,5
26,1
26,8
23,2
24,2
28,4
25,0
27,8
27,3
25,7
Mdia:
26,00
Boxplot of Durabilidade
29
28
27
Durabilidade
Determine:
a) A mdia
b) A varincia e o desvio padro;
c) Mediana;
d) 1 e 3 Quartil;
e) Coeficiente de Variao;
f) Z, para x = 30 h.
g) Construa um boxplot para os dados.
26
25
24
23
12
EPR503
i
1
2
3
4
5
6
7
8
9
10
Soma:
xi
x=
i=1
260
= 26,0
10
(x x )
23,8
=
= 2,64
n 1
9
2
n
xi
n
1
S2 =
xi 2 i=1n
n 1 i =1
S =
i =1
Desvio (ei)
-2,8
-1,8
-1,0
-0,5
-0,3
0,1
0,8
1,3
1,8
2,4
0,0
(ei) 2
7,8
3,2
1,0
0,3
0,1
0,0
0,6
1,7
3,2
5,8
23,8
(xi)2
538,2
585,6
625,0
650,3
660,5
681,2
718,2
745,3
772,8
806,6
6783,8
(Z x = 30) = x - = 30 26 = 2,46
(260)2
6783,8
10
xi
23,2
24,2
25,0
25,5
25,7
26,1
26,8
27,3
27,8
28,4
260,0
1,625
~ (25,7 + 26,1) = 25,9

2 = x =
2
2
2
1,625
S = 2,64 = 1,625 CV =
= 6, 25% P = (n + 1) = 11 = 2,75 Q = 24,8 (interpola o )
1
Q1
26,000
4
4
3(n + 1) 33
PQ3 =
=
= 5,5 Q3 = 27, 425 (interpola o )
4
4
2
S =
= 2,64
PQ2
(n + 1) = 11 = 5,5 Q
=
13
EPR503
Cordo de Solda
H
AR
P
AP
Aplicaes convencionais
Metal de base
Soldagem de revestimento
14
EPR503
Em processo de soldagem de deposio
por FCAW de ao inoxidvel ABNT 316L
em ao carbono 1020, deseja-se que o
cordo de solda tenha a mxima largura
(W) possvel. Em um dado setup, uma
amostra de 25 sees transversais destes
cordes foram obtidas as larguras
descritas na tabela ao lado.
Determine:
Largura (W) do cordo (mm)

10,373 10,745 11,041 10,395 11,554
a) A largura mdia dos cordes;

b) A varincia e o desvio padro das
larguras;
c) A largura Mediana;
d) O 1 e 3 Quartil dos dados;
f) O valor de Z para x = 11 mm.
10,334 10,211 10,248 10,660 10,754

11,146 10,625 11,169 10,461 10,684
10,525 10,500 10,793 11,041 10,680
10,681 11,158 10,394 10,391 10,414
15
EPR503
Como se trata de um processo de
deposio superficial apenas, deseja-se
que os cordes tenham mnima
penetrao (P). Analogamente ao Caso
1, pede-se:
Penetrao (P) do cordo (mm)
Determinar:
a) A penetrao mdia dos cordes;
b) A varincia e o desvio padro dos
dados;
c) A Mediana;
f) O valor de Z para x = 1,800 mm;
g) Construa
um
boxplot,
um
histograma e um grfico de ramoe-folhas e um CDF para os dados.
1,738
1,659
1,363
1,772
1,456
1,810
1,566
1,338
1,439
1,604
1,732
1,615
1,539
1,320
1,742
1,529
1,467
1,783
1,638
1,672
1,490
1,596
1,874
1,752
1,821
1,868
1,533
1,622
16
EPR503
Reforo (H) do cordo (mm)
2,429
2,472
2,693
2,643
2,601
2,576
2,657
2,638
2,335
2,707
2,355
2,368
2,895
2,182
2,774
2,719
Para o reforo ou altura do cordo (H),

determine:
2,774
2,659
2,607
2,397
2,719
2,656
2,622
2,561
a) O reforo mdio dos cordes;

b) A varincia e o desvio padro dos
dados;
c) A Mediana;
f) O valor de Z para x = 3,000 mm.
2,845
2,653
2,556
2,421
g)
Represente os dados atravs de

um boxplot e de um histograma.
h) Construa um grfico de Ramo-efolhas;
i) Construa um CDF emprica.
17
EPR503
Repita a anlise estatstica para as variveis aleatrias AR e AP.
rea de Reforo (AR) do cordo (mm2)
rea de Penetrao (AP) do cordo (mm2)
2,429
2,472
2,693
2,643
2,429
2,472
2,693
2,643
2,601
2,576
2,657
2,638
2,601
2,576
2,657
2,638
2,335
2,707
2,355
2,368
2,335
2,707
2,355
2,368
2,895
2,182
2,774
2,719
2,895
2,182
2,774
2,719
2,774
2,659
2,607
2,397
2,774
2,659
2,607
2,397
2,719
2,656
2,622
2,561
2,719
2,656
2,622
2,561
2,845
2,653
2,556
2,421
2,845
2,653
2,556
2,421
18
EPR503
Os dados a seguir referem-se Vida (durabilidade, em min.) de 6 tipos de
ferramentas utilizadas no torneamento de aos endurecidos H13, usando
Vc=162,5 m/min, avano f= 0,16 mm/rev e profundidade de corte de 0,24 mm.
Construa um boxplot para comparar as propriedades destas ferramentas.
CC6049
CC6050W
CC650
CC650W
PCBN7024
PCBN7025W
42,00
43,50
40,50
42,00
43,50
43,50
41,50
43,00
41,00
42,50
44,50
44,50
42,50
44,50
42,00
41,50
42,50
42,50
41,00
44,00
41,50
42,00
43,25
43,25
42,25
45,00
42,00
43,00
44,00
44,00
19
EPR503
Boxplot of Vida
45
44
43
42
41
40
CC6050
CC6050W
CC650
CC650W
PCBN7025
PCBN7025W
TOOL
20
10
EPR503
Para as mesmas condies de usinagem, calcule as estatsticas descritivas e
construa os respectivos boxplots para o custo (Kp) do processo de torneamento
do ao H13 com cada uma das ferramentas disponveis.
CC6049
CC6050W
CC650
CC650W
PCBN7024
PCBN7025W
1,876
1,990
1,724
1,815
3,475
3,475
1,857
1,969
1,708
1,797
3,421
3,421
1,898
2,015
1,743
1,836
3,538
3,538
1,855
1,967
1,707
1,795
3,416
3,416
1,836
1,946
1,692
1,778
3,364
3,364
21
EPR503
Considerando as condies de usinagem anteriores, utilizando um boxplot, qual
ferramenta deveria ser selecionada de modo que a rugosidade (Ra) promovida
pela ferramenta fosse a menor possvel?
CC6049
CC6050W
CC650
CC650W
PCBN7024
PCBN7025W
1,14
0,47
0,82
0,31
0,21
0,21
1,13
0,49
0,83
0,32
0,22
0,22
1,12
0,49
0,81
0,35
0,23
0,23
1,14
0,48
0,82
0,32
0,21
0,21
1,13
0,47
0,83
0,34
0,23
0,23
22
11
EPR503
DISTRIBUIO DE FREQUNCIAS
x
(Varivel
Aleatria)
xi
(Ponto
mdio)
10 20
20 30
Fi
f%
(Frequncia
percentual)
Fi
Ni
(Relativa
(Absoluta
Acum.)
Acum.)
F%
(Percentual
Acum.)
ni
(Frequncia
absoluta)
(Frequncia
relativa)
15
0.04
0.04
25
12
0.24
24
14
0.28
28
30 40
35
18
0.36
36
32
0.64
64
40 50
45
13
0.26
26
45
0.9
90
50 60
55
0.1
10
50
1.0
100
50
100
S
n
(x n )
i i
X=
i =1
n
h ( P Faa )
Mediana = ~
x = Li +
Fi
Onde :
Li = Limite inferior da classe mediana;
h = Intervalo de classe da distribui o;
P = Posio do elemento mediano
Faa = Frequncia Acumulada Anterior da
i =1
classe mediana
23
EPR503
The demand for bottled water increases during the hurricane
season in Florida. The operations manager at a plant that
bottles drinking water wants to be sure that the filling process
for one-gallon bottles is operating properly. Currently, the
company is testing the weights of one-gallon (3,78 l) bottles. A
random sample of 75 bottles is tested and the weights are
described in the following table.
3,57 3,63 3,64 3,65 3,67 3,67 3,67 3,69 3,69 3,71 3,71 3,71 3,71 3,72 3,72
3,73 3,74 3,74 3,74 3,74 3,74 3,75 3,75 3,75 3,76 3,76 3,77 3,77 3,77 3,77
3,77 3,77 3,78 3,78 3,79 3,79 3,79 3,79 3,80 3,81 3,81 3,81 3,81 3,81 3,82
3,82 3,82 3,82 3,82 3,84 3,84 3,85 3,85 3,86 3,86 3,87 3,87 3,88 3,89 3,89
3,90 3,91 3,93 3,93 3,94 3,94 3,94 3,94 3,95 3,96 3,96 3,98 3,99 4,06 4,11
Find the descriptive statistics for these data and write your conclusions about
the process. If the specifications for the process are LSL=3,70 and USL=3,90,
calculate the percentage of Nonconformity.
24
12
EPR503
Mostre que:
n
a)
(x x) = 0
i
i =1
b)
(x x ) = x
2
i =1
( x )
=x
n
n
2
i
i =1
ni (xi x ) = ni xi2 nx 2
2
i =1
i =1
d)
nx
i =1
c)
2
i
f (x x ) = f x
2
i =1
2
i i
x2
i =1
25
EPR503
e) Mostre que a soma de uma constante k a todos os elementos

de uma srie igual mdia da srie mais k.
f) Mostre que a multiplicao de cada elemento de uma srie por
uma constante igual mdia vezes a constante.
g) Mostre que a varincia de uma srie no se altera quando se
adiciona uma constante a cada um de seus termos.
h) Mostre que multiplicando-se cada elemento de uma srie por
constante, a varincia fica multiplicada pelo quadrado da
constante.
26
13
EPR503
n
xi
2
n
n
2
i =1
(
x
x
)
=
x
Mostre que: i
i
n
i =1
i =1
(x
x)
i =1
(x
x)
i =1
n
xi
n
n
n
n
n
2
= xi i=1 = xi2 2 xxi + x 2 = xi2 2 x xi + x 2
n
i =1
i =1
i =1
i =1
i =1
n
xi
n
n
n
2
2
2
= xi 2 x xi + nx = xi 2 i =1
n
i =1
i =1
i =1
(x
x)
i =1
n
n
xi
x + n i =1
i
n
i =1
n
n
n
x
x
xi
i
i
n
n
= xi2 2 i =1 + n i =1 2 = xi2 i =1
n
n
n
i =1
i =1
27
EPR503
Mostre que a varincia no se altera se uma constante k for somada
a todas as observaes de um conjunto.
2
2
2
n
n
n
(xi + k )
(xi + k )
xi
n
n
n
1
1
= 1 (x + k )2 i =1

s2 =
xi2 i =1 =
(xi + k )2 i =1
i
(n 1)
(n 1)
(n 1)
n
n
n
i =1
i =1
i =1
2
2
n
n
n

n

xi + k
xi + k
n
n
1
1
i =1
i =1
( xi + k )2 i=1
( xi + k )2 i =1
s2 =
=
=
(n 1)
(n 1)
n
n
i =1
i =1
2
n
n 2 n
n
n
xi + 2 xi k + k
1
i =1 i=1 i =1
s2 =
xi2 + 2 xi k + k 2 i =1
(n 1)
n
i =1
28
14
EPR503
Logo, tem-se:
2
n
n 2 n
n
n
+
2
x
k
i
i

n
n
1
2
2
i =1 i =1 i =1
i =1
s2 =
xi + 2 xi k + k
(n 1) i=1
n
i =1
i =1
n 2
n 2 2
n
n
+
+
x
2
nk
x
n
k
x
i
i
i
n
n
1
i =1
2
2
i =1
= x 2 i =1
s2 =
xi + 2k xi + nk
i
i =1
(n 1) i=1
n
n
i =1
No caso da mdia, porm, tem-se:

n
n
1 n
(xi + k ) = 1 (xi ) + 1 (k ) = + k
n i =1
n i =1
n i =1
29
EPR503
Mostre que se todas as observaes de um conjunto de dados forem
multiplicadas por uma constante k, a mdia fica multiplicada por k e a
varincia, multiplicada pelo quadrado de k.
Para a mdia:
x=
n
n
1 n
(xi ) xT = 1 (kxi ) = k 1 (xi ) = kx
n i =1
n i =1
n i =1
Para a varincia:
(s )
2
2
n
n
(kxi )
k xi
n
n
1
(kxi )2 i =1 = 1 k 2 xi2 i =1 =
=
(n 1)
n
(n 1) i =1
n
i =1
(s )
n
(xi )
n
k
2
i
=
1
s2
=
(xi )
(n 1)
n
i =1
( )
= k 2s 2
30
15
EPR503
Processo A
Processo B
Tempo Total (A+B)
?
3
X=3
s=1
X=7
s=2
S A +B = S A + S B =
(1) + (2)
5 = 2.23
1+ 2 = 3
Correto;
Some as
varincias e
depois
obtenha o
Desvio
Padro
Incorreto;
31
EPR503
Linha A
Diferena:
Linha A Linha B
Linha B
-10
-5
5
X = 3
X A B = X A - XB = 3 - 7 = - 4
2
SA B = S A + SB = (1) + (2)
s = 1
10
15
X = 7
s = 2
= 5 = 2.23
Correto
1 2= 1
Incorreto
32
16
EPR503
Considere que uma varivel aleatria simples, X,
que represente uma dimenso de uma pea, por exemplo.
Ento, o valor esperado e a varincia de X, sero dados,
respectivamente por:
E( X ) =
E ( X 1 X 2 ) = E ( X 1 ) E ( X 2 ) = 1 2
2
Var ( X ) = E ( X ) =
E ( X 1 + X 2 ) = E ( X 1 ) + E ( X 2 ) = 1 + 2
Em uma articulao (Knuckle), por exemplo, o comprimento total a soma dos

comprimentos individuais e a folga entre os garfos, uma diferena. Se o
processo que produziu a articulao tem variao, esta variao se propaga
para o acoplamento. Se uma varivel aleatria simples, X1, for multiplicada por
uma constante k, ento:
Var ( kX 1 ) = E ( kX 1 k1 ) 2
E (kX 1 ) = k .E ( X 1 ) = k1
= k 2Var ( X 1 ) = k 2 11
33
EPR503
Se X2 uma segunda varivel aleatria e se a e b so constantes,

ento, usando a propriedade da adio na expectncia, vem que:
Cov (aX 1 , bX 2 ) = E (aX 1 a1 )(bX 2 b 2 )
= abE ( X 1 1 )( X 2 2 )
= abCov( X 1 , X 2 )
= ab 12
E (aX 1 ) = aE ( X 1 ) = a1
E (bX 2 ) = bE ( X 2 ) = b 2
34
17
COVARINCIA
EPR503
Covarincia a medida da varincia conjunta de duas variveis

aleatrias. Ela mede o grau de associao, dependncia ou relao
entre elas. Tal como a varincia, a covarincia no possui
significado fsico, o que a torna de difcil interpretao.
Matematicamente, pode-se escrever que:

n
(x
xx =
i
xi )(x j x j )
(x x )(x
i
i =1 j =1
S xi x j =
(Covarincia Populacional)
xj )
i =1 j =1
n 1
(Covarincia Amostral)
35
CORRELAO
EPR503
Correlao (xixj) a medida da dependncia ou relao

entre duas variveis, escrita na forma adimensional como a razo
entre a covarincia de xi e xj e o produto das varincias individuais
destas variveis aleatrias, tal que:
n
(x x )(x
i
xj )
x x =
i
n
n
(x x ) (x
2
j =1
(x x )(x
i =1 j =1
j =1
xj )
xj )
i =1 j =1
n
(x
xi ) (x j x j )
2
j =1
= rxi x j
j =1
Diferentemente da covarincia, a correlao possui fcil

interpretao se considerarmos a escala de Pearson, tal que:
1 rxi x j +1
36
18
EXEMPLO
EPR503
Considere os dados a seguir
referentes ao torneamento do ao
H13. Calcule a correlao entre os
seguintes pares de variveis:
a)
T e Kp;
b) T e Fr;
c)
T e Ecc; Fr e Kp
T
62
33
52
30,5
63
30
52
28,5
59
24,5
39
40,25
51
47,5
43,5
43
44,5
44
45
Kp
2,555
1,583
2,04
1,325
3,173
1,856
2,499
1,174
3,352
1,231
2,875
1,518
1,512
1,984
1,99
1,969
2,015
1,967
1,946
Ra
0,13
0,11
0,41
0,72
0,34
0,09
0,08
0,42
0,22
0,29
0,13
0,49
0,22
0,12
0,47
0,49
0,49
0,48
0,47
Rt
1,18
1,09
2,82
3,52
2,44
0,66
0,72
2,23
1,74
1,42
1,18
2,6
1,48
0,92
0,98
0,97
0,96
0,98
0,97
Fr
340,221
236,493
432, 593
240,32
451,47
244,18
459, 395
246,31
485,87
224,48
319,28
358,85
330,98
359,24
336,52
335,28
334,92
337,83
334,78
ECC
0,00422
0,01434
0,00654
0,03165
0,00776
0,03034
0,01623
0,06737
0,00487
0,04696
0,00734
0,02953
0,00727
0,02841
0,01878
0,01858
0,01896
0,01837
0,01895
37
EXEMPLO
EPR503
Scatterplot T x Kp
60
50
40
30
20
1 ,0
1,5
2,0
2,5
3,0
3,5
Kp
Scatterplot T x Fr
Scatterplot T x ECC
60
50
50
60
40
40
30
30
20
20
200
250
300
350
400
450
500
0,00
0,01
0,02
0,03
0,04
0,05
0,06
0,07
ECC
Fr
38
19
Projeto de Tolerncias
EPR503
Suponha que uma combinao linear possa ser escrita como:

Y = ax1 + bx2
E (Y ) =
+ +
(ax + bx ) f
1
x1, x 2
( x1 , x2 ) dx1dx2
= a x1 f x1 ( x1 ) dx1 +b x2 f x 2 ( x2 ) dx2
= aE ( X 1 ) + bE ( X 2 ) = a1 + b 2
Obs.: Acoplamentos so exemplos

tpicos de combinaes lineares do
tipo
soma,
nos
quais
o
comprimento final o resultado da
soma das dimenses de vrios
componentes.
39
Combinaes LIneares
EPR503
Analogamente, se Y = aX 1 bX 2 , ento:
E (Y ) =
+ +
(ax
bx2 ) f x1, x 2 ( x1 , x2 )dx1dx2
= a x1 f x1 ( x1 )dx1 b x2 f x 2 ( x2 )dx2
= aE ( X 1 ) bE ( X 2 ) = a1 b 2
Obs.: FOLGAS so exemplos tpicos de
combinaes lineares do tipo Diferena. Por
exemplo, em um sistema pisto-cilindro, a folga
mdia que separa os dois elementos ser dada
por:
Y = aX 1 bX 2 F = Furo Eixo F = Furo Eixo
40
20
Varincia de Funes
EPR503
A varincia da combinao linear dada por:
Var ( aX 1 + bX 2 ) = E [(aX 1 + bX 2 ) (a1 + b 2 )]
= E [(aX 1 a1 ) + (bX 2 b 2 )]
2
2
= E a 2 ( X 1 1 ) + b 2 ( X 2 2 )
+ 2abE[( X 1 1 )( X 2 2 )]
= E a 2Var ( X 1 ) + b 2Var ( X 2 ) + 2abCov( X 1 , X 2 )
Var (aX 1 + bX 2 ) = a 2 11 + b 2 22 + 2ab 12

Var (aX 1 + bX 2 ) = a 11 + b 22 + 2ab(r12 ) 11 22
2
11 12
=
12 22
Onde a matriz de varincia-covarincia e r12 o coeficiente de

correlao amostral de Pearson entre as variveis X1 e X2.
41
Somas
EPR503
Utilizando-se as demonstraes
anteriores para Mdia e Varincia de
Combinaes Lineares, tem-se, no
caso da soma de variveis aleatrias,
a soma das mdias e a raiz quadrada
da soma das varincias como
medidas resultantes.
Processo A
Processo B
Tempo Total (A+B)
?
3
X3
=
s=1
X7
=
s=2
2
S A +B = S A + S B = (1) + (2)
1+ 2 = 3
Incorreto!
5 = 2.23
Correto; Some as
varincias e depois
obtenha o Desvio
Padro
42
21
EXEMPLO
EPR503
Para o caso de uma diferena
entre variveis aleatrias, a
mdia resultante igual
diferena entre as mdias e o
desvio padro igual raiz
quadrada
da
Soma
das
varincias! (Prove!)
-10
Linha A
Diferena:
Linha A Linha B
Linha B
-5
X= 3
s = 1
X= 7
s = 2
10
15
X A B = X A - XB = 3 - 7 = - 4
2
SA B = S A + SB = (1) + (2)
1 2= 1
= 5 = 2.23
Incorreto
Correto
E se tivssemos uma funo de

variveis aleatrias, como seria a
mdia e o desvio-padro desta
funo?
43
EPR503
Exemplo 1: Em um projeto necessrio avaliar-se a folga que separa dois
componentes, j que se desconfia que em algumas vezes a montagem do
dispositivo no ser possvel. O componente A (eixo) tem sua dimenso com
distribuio normal, com mdia 9,90 mm e desvio-padro de 0,02mm. O
componente B (Furo) tem tambm distribuio normal, mas com mdia 10,05
mm e desvio-padro de 0,04 mm, conforme mostra a figura.
Determine a mdia e o desvio padro para
a folga entre os componentes supondo que
estas medidas sejam:
a)
b)
c)
d)
independentes;
correlacionadas (r=0.8);
correlacionadas (r=-0.75).
Em cada caso descrito anteriormente,
determine a probabilidade do sistema
no poder ser montado.
44
22
EXEMPLO
EPR503
Exemplo 2: Quatro processos de fabricao so
usados sequencialmente para se fabricar um
lote de 25 peas de um sistema Pisto-Cilindro.
Supondo que o tempo de execuo de cada
operao seja uma varivel aleatria
normalmente distribuda com mdias e desvio
padro descritos na figura ao lado, determine:
a)
O tempo mdio de fabricao do lote de

pistes e sua respectiva varincia;
b) O tempo mdio de fabricao do lote de
cilindros e sua respectiva varincia;
c) A probabilidade de se gastar mais de 85
minutos para se produzir o lote de pistes;
d) A probabilidade de se gastar entre 80 e 90
minutos para se produzir o lote de
cilindros.
45
MDIAS DE FUNES
EPR503
Consideremos a srie de Taylor unidimensional:

n

f (n ) (a )( x a )
f ( x ) =
n
!
n =0
Expandindo-se a srie em torno da mdia, tal que: a = x
f (n ) ( x )( x x )n
f ( x ) =
n
!
n =0
Tomando-se o valor esperado da funo, E[f(x)], tem-se:
f (n ) ( x )(x x )n
E[ f (x )] = E
n
!
n=0
46
23
MDIAS DE FUNES
EPR503
Truncando-se a srie no termo quadrtico, tem-se:

2
f ' ( x )( x x ) f '' ( x )( x x )
+
E [ f ( x )] = E f ( x ) +
1!
2!
Distribuindo-se o operador de valor esperado (E) por todos os

termos, decorre que:
f '' ( x )
2
E[ f (x )] = E[ f ( x )] + [ f ' ( x )]E[(x x )] +
E (x x )
2
Considerando que:
2
E[(x x )] = 0 (Prove!) e E (x x ) = x , temos:
47
MDIAS DE FUNES
EPR503
O valor esperado para uma funo de variveis aleatrias pode ser

escrita como:
f '' ( x ) 2
E [ f ( x )] = E[ f ( x )] +
x
2
Esta a forma da Expanso em Srie de Taylor para o momento de

primeira ordem (mdia) de uma funo de variveis aleatrias.
Desconsiderando a derivada segunda, o valor esperado ser escrito
apenas como:
E [ f ( x )] = E [ f ( x )]
48
24
MDIAS DE FUNES
EPR503
possvel generalizar estes resultados para uma funo de varivel

aleatria multidimensional.
Se Y = f ( x1 , x2 ,..., xn ) = f (x ) , o valor aproximado para a mdia de
Y pode ser obtido pela expanso da srie de Taylor em torno do
vetor de mdias ( x1 , x2 ,..., xn ) .
Truncando-se a expanso no termo quadrtico, tem-se:
n
Y = f ( x1 , x2 ,..., x n ) + ( xi xi )
i =1
f ( x ) 1 n n
2 f (x )
+ ( xi xi )( x j x j )
xi
2 i =1 j =1
xi x j
Avaliemos o segundo termo da expanso:

n
(x x )
i
i =1
f (x )
xi
MDIAS DE FUNES
EPR503
n
Ento:
(x x )
i
i =1
n
(x x )
i
i =1
49
n
f ( x ) f ( x ) n
f (x ) n
=
(
x
x
)
=
x
xi
i
i
xi
xi i =1
xi i =1
i =1
f ( x ) f ( x )
=
[(nxi ) (nxi )] = 0
xi
xi
Portanto: Y = f ( x1 , x2 ,..., xn ) +
1 n n
2 f (x)
(
x
x
)(
x
x
)
i i j j x x
2 i =1 j =1
i
j
Admitindo-se que o segundo termo nulo e que o terceiro termo

pode ser desprezado por uma questo de simplificao, a mdia
de uma funo de variveis aleatrias poder ser escrita como:
Y = f ( x1 , x2 ,..., xn )
50
25
VARINCIA DE FUNES
EPR503
Considere que a Srie de Taylor seja truncada no termo linear e

aplicada para duas variveis aleatrias x1 e x2. Assim, tem-se:
Como:
f (x1 , x2 ) =
n=2
f ( 1 , 2 ) + ( xi xi )
i =1
f ( x )
xi
f ( x )
f (x )
f (x1 , x2 ) = f ( 1 , 2 ) +
( x1 x1 ) +
( x2 x 2 )
x 2
x1 x
x2
1
Ou:
f ( x )
f ( x )
f (x1 , x2 ) f ( 1 , 2 ) =
( x1 x1 ) +
( x2 x 2 )
x2
x1 x
x2
1
EPR503
51
VARINCIA DE FUNES
Elevando-se ao quadrado os termos dos dois lados da equao

anterior e aplicando-se o operador de valor esperado E, tem-se:
f (x )
f ( x )
2
E [ f ( x1 , x 2 ) f ( 1 , 2 ) ] = E
( x1 x1 ) +
( x 2 x2 )
x2
x1 x
x2
2
2
f ( x )

f ( x )
Var [ f ( x1 , x2 )] = E
( x1 x1 ) +
( x 2 x2 )
x 2 x

x1 x1
2

f ( x ) f ( x )
+ E 2
( x1 x1 )( x2 x2 )
x1 x1 x 2 x2
52
26
VARINCIA DE FUNES
EPR503
E a varincia da funo bivariada avaliada no vetor de mdias se

torna:
( )
f x1
Var [ f ( x1 , x2 )] =
x1
2
x1
( )
f x2
+
x2
2
x2
( ) f ( )
f x1
+ 2
x1
x2
x
2
x1 x 2
Genericamente, tem-se:
2
n 1 n
f ( x ) 2
f ( x ) f ( x )
xi + 2
x x
Var [ f (x )] =
xi
xi xj i j
i =1
i =1 j = i +1
n
Obs.: Embora a demonstrao seja complexa, Var[f(x)] uma importante

identidade matemtica extremamente til para clculo de incertezas
combinadas, programao estocstica, projeto de tolerncias e Projeto
Robusto de Parmetros (RPD)!
53
VARINCIA DE FUNES
EPR503
Considerando que a covarincia pode ser escrita em funo da

correlao, Var[f(x)] se torna ento:
2
n 1 n f ( x ) f ( x )
f ( x ) 2
xi + 2
rxi x j x2i x2j

Var [ f (x )] =
xi
i =1
i =1 j = i +1 xi xj
Voltando ao caso anterior, se as variveis aleatrias forem

independentes (r=0), ento:
2
n 1 n f ( ) f ( )
f ( x ) 2
2
2
x
x
Var [ f (x )] =
+
2
x
x
x
x
x
i j
i
j
xi i
i =1
i =1 j = i +1 xi xj {
0
1444444442444444443
n
0
2
f ( x ) 2
x
Var [ f (x )] =
xi i
i =1
n
54
27
EXEMPLO
EPR503
Considere que a impedncia de um sistema seja: Z = V I 1 . Dados histricos

destas variveis revelam que V normalmente distribuda tal que V~N(5.136;
0.2318) e I tambm normalmente distribuda com I~N(0.01860;0.001051). As
variveis so corrrelacionadas tal que rVI=0.818. Determine o valor esperado, a
varincia e o CV% de Z.
Scatterplot of V vs I
5.75
Pearson correlation of V and I = 0.818

5.50
5.25
5.00
4.75
4.50
0.016
0.017
0.018
0.019
0.020
0.021
55
EXEMPLO
EPR503
Usando os conceitos de funes de v.a.s, temos:

2
f 2 f 2
f f
x1 +
x2 + 2
x1 x 2
Var [ f ( x1 , x2 )] =
x1
x2
x1 x2
2
Z 2 Z 2
Z Z
Var [Z (V , I )] =
V +
I + 2
V
I
V I
2
2
2
rVI V I
V
1
1 V
Var [Z (V , I )] = V2 + 2 I2 + 2 2 rVI V2 I2
I
I I
I
56
28
EXEMPLO
EPR503
Substituindo-se os valores dados no problema, tem-se:

2
1
5.136
2
Var [Z (V , I )] =
(0.001051)2
(0.2318 ) +
2
0.0186
0.0186
1 5.136
+ 2
0.818 (0.2318)(0.001051)

2
0.0186 0.0186
Var [Z (V , I )] = 155.31 + 243.45 327.19 = 71.56
E [Z (V , I )] =
V
5.136
=
= 276.13
I 0.0186
C .V .%[Z (V , I )] =
Var [Z (V , I )]
8.46
=
= 3.06%
E [Z (V , I )]
276.13
57
EPR503
2 PROBILIDADE E DISTRIBUIES DE
PROBABILIDADE
58
29
PROBABILIDADE
EPR503
Probabilidade a razo entre o

nmero de ocorrncias (sucessos) de
um dado evento e o nmero de
elementos do espao amostral ao
qual pertence este evento.
Matematicamente, tem-se:
0 P ( A) 1

P U Ai = P( A1 ) + P( A2 ) + L + P ( Ai )
i =1

P U Ai = P Ai
i =1
i =1
P ( A) =
nA
n
; P (B ) = B
n
n
n
P Ac = 1 P( A) = 1 A
n
( )
n
P B c = 1 P(B ) = 1 B
n
( )
59
PROBABILIDADE
EPR503
Com base no Diagrama de Venn, podem
ser escritas as seguintes relaes:
P( A B ) =
n A B
n + nB
= P ( A) + P ( B ) = A
n
n
P( A B ) =
n A B
n + nB n A B
;
= P ( A) + P ( B ) P( A B ) = A
n
n
P(B A) =
n A B P ( A B )
=
n*
P( A)
P( A B ) = P(B A) P( A) = P( A B ) P(B )
P( A B ) = P( A) P(B ) Independentes
60
30
PROBABILIDADES
EPR503
Um lote com 50 peas contm 30 peas defeituosas. Retirando-se

uma amostra de tamanho 5, determine a probabilidade de se obter 2
peas defeituosas e 3 boas.
Soluo: Supondo que o evento A seja formado por todas as
amostras de 2 peas defeituosas e 3 boas que podem ser
selecionadas aleatoriamente de um conjunto com 30 e 20 peas
defeituosas e boas, respectivamente, ento, pelo Princpio da
Contagem, tem-se que:
30 20 30! 20!

n A 2 3 2!28! 3!17!
P ( A) =
=
=
= 0.234
n
50!
50

5!45!
5
61
PROBABILIDADE CONDICIONAL
EPR503
A=*
A
P(B A) =
(AB)
n A B P ( A B )
=
P( A B ) = P (B A) P( A)
n*
P ( A)
62
31
EXEMPLO 2
EPR503
Prof. Pedro Paulo ministra aulas de Previso para as turmas de

Engenharia Mecnica e Produo, que tm as quantidades de alunos
discriminadas pela tabela a seguir. Por descuido, Pep misturou as
provas das duas turmas. Suponha que ele decida sortear algum para
tirar um zero. Qual a probabilidade do sortudo (a) ser uma aluna,
dado que ela faz produo. E um aluno da mecnica?
Curso/Sexo
Masculino
Feminino
Total
Mecnica
50
10
60
Produo
30
30
60
Total
80
40
120
P(F P ) =
nF P 30
n
50
=
= 0.50; P(M M ) = F P =
= 0.833
nP
60
nP
60
RVORE DE DECISO
EPR503
uma maneira simples de
condicionais.
P(A)
63
tratar
as
probabilidades
P(B)
Evento (B)
P(Bc)
Evento (Bc)
P(B)
Evento (B)
P(Bc)
Evento (Bc)
Evento (A)
Incio
P(Ac)
Evento (Ac)
64
32
EXEMPLO
EPR503
Em um lote de 40 peas, 10 so defeituosas e 30 so boas. Se duas

peas forem selecionadas aleatria e sequencialmente (amostragem
sem reposio), determine:
A probabilidade das duas peas sorteadas serem defeituosas;
A probabilidade das duas no serem defeituosas;
A probabilidade de uma ser defeituosa (primeira ou segunda) e a
outra ser no ser defeituosa (primeira ou segunda).
Considere como eventos: A 1a. Pea defeituosa;

Ac 1a. Pea no defeituosa;
B 2a. Pea defeituosa;
Bc 2a. Pea no defeituosa.
65
RVORE DE DECISO
EPR503
Soluo: considere a seguinte rvore de probabilidades:

P(B)=9/39
P(A)=10/40
Evento (A):
1. Pea
defeituosa
P(Bc)=30/39
Evento (B):
2. Pea
defeituosa
Evento (Bc):
2. Pea no
defeituosa
Incio
Evento (Ac):
Evento (B):
2. Pea
defeituosa
1. Pea no
defeituosa
Evento (Bc):
P(B)=10/39
P(Ac)=30/40
P(Bc)=29/39
2. Pea no
defeituosa
66
33
SOLUO
EPR503
a) A probabilidade das duas peas

sorteadas serem defeituosas igual
interseo entre A e B. Ento:
P( A B ) = P(B A) P( A)
9 10
P( A B ) = = 0.058
39 40
b) A probabilidade das duas no serem defeituosas igual

interseo entre Ac e Bc. Ento:
29 30
P Ac B c = P B c Ac P Ac = = 0.558
39 40
) (
) ( )
c) A probabilidade de uma ser defeituosa e a outra no:
[(
) (
P[(A B ) (A
)] (
) ( )
P A B c Ac B = P B c A P ( A ) + P B A c P Ac
c
30 10 10 30
B = + = 0.3846
39 40 39 40
)]
67
EVENTOS INDEPENDENTES
EPR503
Se os eventos A e B forem
considerados independentes, ento a
probabilidade de ocorrncia de B no
ser influenciada pela ocorrncia de A
porque no h alterao no espao
amostral (). Logo:
P(B A) =
P( A B )
P( A B ) = P(B A) P( A) = P( A) P(B )
P ( A)
Analogamente, tem-se:
P(A B ) =
P( A B )
P ( A B ) = P ( A B ) P ( B ) = P ( A ) P ( B )
P(B )
) (
) ( ) ( ) ( )
P Ac B c = P Ac B c P B c = P Ac P B c
68
34
PROBABILIDADES
EPR503
O circuito mostrado a seguir opera somente de A para B. A

probabilidade de que cada elemento do circuito funcione
mostrada na figura a seguir. Determine a probabilidade de que
o circuito opere sabendo-se que os componentes podem falhar
de maneira independente.
0.90
0.95
A
0.90
0.99
0.95
0.90
P ( A B ) = P ( A ) + P (B ) P ( A B )
P( A B )
P (B A ) =
P( A B ) = P(B A) P( A) = P( A) P(B )
P ( A)
69
PROBABILIDADES
EPR503
Generalizando as probabilidades em cada componente e

supondo que seus funcionamentos so independentes, vem:
F1
F4
A
F2
F6
F5
F3
n
U Fi
i =1
n
U Fi
i =1
n
U Fi
i =1
n
Fi
i =1
70
35
PROBABILIDADES
EPR503
Logo, para as ligaes em paralelo, haver passagem de corrente se

pelo menos um dos componentes funcionar. J para as ligaes em
srie, s haver passagem de corrente se todas funcionarem.
Combinando os dois tipos de ligaes, teremos:
P(F1 F2 F3 ) = P(F1 ) + P(F2 ) + P(F3 ) P(F1 F2 )

P(F1 F3 ) P(F2 F3 ) + P(F1 F2 F3 )
P(F1 F2 F3 ) = P(F1 ) + P(F2 ) + P(F3 ) [P(F1 ) P(F2 )] [P(F1 ) P(F3 )]
[P(F2 ) P(F3 )] + [P(F1 ) P(F2 ) P(F3 )]
Analogamente:
P(F4 F5 ) = P(F4 ) + P(F5 ) [P(F4 ) P(F5 )]

Combinando o sistema todo, teremos:
P(F1 F2 F3 ) P(F4 F5 ) P(F6 )

71
PROBABILIDADES
EPR503
F3
Substituindo as probabilidades fornecidas no

problema anterior , teremos:
2
F 1F3
F1F2F3
F2F3
P(F1 F2 F3 ) = 3(0.9) 3(0.9) + (0.9) = 0.999

Analogamente:
F1
F2
F1F2
P(F4 F5 ) = 0.95 + 0.95 (0.95) = 0.9975

Combinando o sistema todo, teremos:
P(Funcionar ) = P(F1 F2 F3 ) P(F4 F5 ) P(F6 )

Logo:
P(Funcionar ) = 0.9990 0.9975 0.9900 = 0.9865

72
36
Circuitos
EPR503
Em confiabilidade, uma definio geral para a
probabilidade de funcionamento de um circuito
como o da figura ao lado pode ser escrito
genericamente como:
(xi ) = 1 (1 xi x j )
i< j
i =1
Onde xi e xj so probabilidades de funcionamento ou falha dos

respectivos componentes i e j.
P(F1 F2 F3 ) = x1 x2 + x1 x3 + x2 x3 (x12 x2 x3 + x1 x22 x3 + x1 x2 x32 ) + x12 x22 x32

n
(xi ) = 1 (1 xi x j ) = 1 [(1 x1 x2 )(1 x1 x3 )(1 x2 x3 )]

i =1
73
TEOREMA DA PROBABILIDADE TOTAL
EPR503
Considere os eventos A e B, com:
B = ( A B ) Ac B
Se A e Ac formam uma partio

do espao amostral e B um
outro evento qualquer, ento:
P(B ) = P( A B ) P Ac B
P(B ) = P( A B ) + Ac B
Ac
)
) ( )
P(B ) = P(B A) P( A) + P B Ac P Ac
74
37
TEOREMA DA PROBABILIDADE TOTAL
EPR503
A1
A2
(BA2)
(BA1)
A6
B (BA )
6
(BA3)
A3
A5
(BA5)
A4
(BA4)
Se Ai forem eventos mutuamente excludentes e exaustivos, ento:
P(B ) = P( A1 B ) + P( A2 B ) + L + P( Am B )
m
P(B ) = P( Ai B ) = P(B Ai ) P( Ai )
i =1
i =1
75
TEOREMA DE BAYES
EPR503
Uma das relaes mais importantes envolvendo probabilidades

condicionais dada pelo Teorema de Bayes que expressa uma
probabilidade condicional em termos de outras probabilidades
condicionais. Se A1, A2, ... An so eventos mutuamente excludentes
(AiAj = para todo ij) de um espao amostral Exaustivo E, tal que:
U Ai = A
i =1
Ento cada Ai denominado de partio de E. Se B um evento

arbitrrio de B com P(B) > 0, ento a probabilidade de ocorrncia de
uma das parties Ai, dado que ocorreu o evento B, pode ser expressa
por:
P( Ai | B ) =
P( Ai B )
P( A B )
= n i
P (B )
P(B Ai )
i =1
76
38
TEOREMA DE BAYES
EPR503
P( A B )
P (B )
P( A B )
P (B A) =
P ( A)
P (A B ) =
P( A B ) = P(B A) P( A)
P (A B ) =
Verifica-se no Diagrama de Venn que:
n
i =1
i =1
P(B A) P( A)
P (B )
P( B ) = P( Ai B ) = P(B Ai ) P( Ai )
Ento, pode-se escrever genericamente que:
P (Ai B ) =
P (B Ai ) P ( Ai )
n
P (B Ai ) P ( Ai )
P( A B ) P(B A ) P( A )
i
i =1
P (B Ai ) P( Ai )
P (B )
i =1
TEOREMA DE BAYES
EPR503
F1
F2
P(D Fi ) P(Fi )
n
F3
D
(DF2)
(DF1)
P (Fi D ) =
(DF3)
P(D Fi ) P(Fi )
n
P ( F D ) P (D F ) P ( F )
i
i =1
P (D Fi ) P (Fi )
P (D )
i =1
77
78
39
TEOREMA DE BAYES
EPR503
Ex.: Uma companhia produz circuitos integrados em trs

fbricas, I, II e III. A fbrica I produz 30% dos circuitos, enquanto II e III
produzem 45% e 25% respectivamente. As probabilidades de que um
circuito integrado produzido por estas fbricas no funcione P(Di) so
0.01, 0.02 e 0.04, respectivamente. Escolhido um circuito da produo
com defeito, qual a probabilidade de ele ter sido fabricado em I?
Fbrica Produo [P(F)]
F1
F2
F3
Total
30%
45%
25%
100%
P(F1| D ) =
P(D| F1 ) P(F1 )
n =3
P(D| F ) P(F )
i
P(D)
P(D|F).P(F)
0,01
0,02
0,04
Total
0,003
0,009
0,010
0,022
0.003
= 13.66%
0.022
i =1
79
TEOREMA DE BAYES
EPR503
Por rvore de falhas, tem-se:
Pea defeituosa
FBRICA I
P(F1)=30%
P(D|F1)=1%
Pea No defeituosa
P(DC|F1)=99%
Pea defeituosa
PRODUO
FBRICA II
P(F2)=45%
P(D|F2)=2%
Pea No defeituosa
P(DC|F2)=98%
Fbrica Produo D P(D|F).P(F)

I
30%
1%
0,003
II
45%
2%
0,009
III
25%
3%
0,010
0,022
Pea defeituosa
FBRICA III
P(F3)=25%
P(D|F3)=4%
Pea No defeituosa
P(DC|F3)=96%
80
40
TRS EVENTOS
EPR503
Para trs eventos A, B e C, tem-se:

P( A B C ) = P( A) + P(B ) + P(C ) P( A B ) P( A C )
P (B C ) + P ( A B C )
P( A B C ) = P[( A B ) C ] = P[( A C )] P(B )
P( A B C ) = P[( A B ) C ] = P[( A C ) B] = P[(B C ) A]
Para dois eventos A e B, sabe-se que:

P( A B ) = P( A) + P(B ) P( A B ) = P( A) + P(B ) P(B A) P( A)
P( A B ) = P( A B ) P(B ) = P(B A) P( A)
81
QUATRO EVENTOS
EPR503
Das figuras a seguir, pode-se deduzir as seguintes relaes:
P( A B C ) = P[( A B ) C ]
= P[( A B )] P(C )
P( A B C ) = P[( A C ) B]
= P[( A C )] P(B )
P( A B C ) = P[(B C ) A]
= P[(B C )] P( A)
82
41
QUATRO EVENTOS
EPR503
Para quatro eventos A, B, C e D, pode-se escrever que:
P( A B C D ) = P( A) + P(B ) + P(C ) + P(D ) P( A B )

P ( A C ) P ( A D ) P (B C ) P ( B D )
P(C D ) + P( A B C ) + P( A B D )
+ P (B C D ) P ( A B C D )
83
BRIDGE
EPR503
BRIDGE so sistemas complexos de engenharia (circuitos, sistemas

mecnicos ou mapas de processos) cuja confiabilidade total deve ser
calculada como uma combinao de elementos independentes e
condicionais. Sua modelagem e resoluo utiliza o Teorema de Bayes.
P(B ) = P ( A B ) P Ac B
c
c
P(B ) = P (B A) P ( A) + P B A P A
) ( )
84
42
BRIDGE: COMPLEX NETWORK SYSTEMS
EPR503
Considere na figura anterior que possam ocorrer

dois eventos, respectivamente A e Ac, tal que:
Evento Ac : J se o elemento 5
falha, a configurao resultante
ser como na Figura 2:
Evento A: Se o elemento 5 funciona,

tem-se a configurao mostrada na
Figura 1:
(Figura 1)
(Figura 2)
Evento B: Logo, a probabilidade de o sistema funcionar ser:
{P(B ) = P( A B ) P(A
) ( )
B = P (B A) P ( A) + P B Ac P Ac
BRIDGE
EPR503
Ento, para o sistema tem-se:
P(B A)
P B Ac
Assim:
85
) ( )
P (B ) = P (B A) P ( A) + P B Ac P Ac
P( A) = R5
P(B A) = [R1 + R3 (R1 R3 )] [R2 + R4 (R2 R4 )]
c
P A = 1 R5
B Ac = [(R R )] + [(R R )] (R R R R )
1
2
3
4
1
2
3
4
( )
86
43
EPR503
2.2 DISTRIBUIES DE PROBABILIDADE

Variveis Contnuas
87
EPR503
Distribuies de Probabilidade contnuas so as funes de densidade
de probabilidade e de distribuio de frequncias associadas variveis
contnuas. Varivel contnua aquela que pode ser medida por algum
instrumento. Possuem:
Funo densidade de probabilidade:
rea da curva unitria:
f (x ) 0
0,5404
f (x ) = 1
Probabilidade est associada rea:
900
P (a X b ) = f ( x ) dx
a
12001300
(b > a )
Algumas Distribuies Contnuas:

Normal Uniforme Chi-square Fisher(F) Student(t)
Beta Cauchy Exponential Gamma Laplace Logistic Lognormal Weibull
88
44
Exemplo
EPR503
Suponha que f(x)=1/8x seja um funo de densidade de probabilidade (FDP)

no domnio [0, k]. Determine o valor de k, a mdia, a varincia, a mediana e o
3 quartil desta distribuio.
Soluo:
+
1.2
x
f ( x)dx = 1 0 8 dx = 1
x
8
0.6
x
= 1 k 2 = 16 k = 4
16 0
k=4
2
f ( x) =
1
0.8
0.4
0.2
0
-4
-2
10
-0.2
-0.4
(Adota-se o valor positivo porque k limite superior do domnio).

89
Exemplo
EPR503
Uma vez definido o domnio da fdp, tem-se:

4
8
3
x
8
= E ( X ) = xf ( x)dx = x dx = = 2.67
0
2 = Var ( X ) =
2
(x ) f ( x)dx = x
x
dx = 0.89
3 8
Q1
x2
Q2
x
0 8 dx = 0.25 16 = 0.25 161 = 0.25 Q1 = 2.00
0
Q1
Q2
x2
Q22
x
= 0.50 Q2 = 2.83
dx
=
0
.
50
=
0
.
50
0 8
16
0
16
Q2
Q3
x2
Q2
x
0 8 dx = 0.75 16 = 0.75 163 = 0.75 Q3 = 3.46
0
1442443
Q3
3 o Quartil
90
45
DISTRIBUIO NORMAL
EPR503
Variab le
Y1
Y2
Y3
a)
Mean StDev
N
200,0 19,88 1000
200,4 9,937 1000
199,8 4,915 1000
f ( x )dx = 1
b ) f(x ) 0
c ) lim f ( x ) = 0
x
lim f ( x ) = 0
d ) f ( + x) = f ( - x)
140
160
180
200
Data
N ( ; ) : f (x ) =
220
240
260
1 x

1
e 2
2
A distribuio Normal uma fdp simtrica

com parmetros e .
e) M x f(x) o co rre em x =
f) O s po nto s de inflexo so x =
g) E(X ) =
h) Va r(X ) = 2
-3
-2
-1
0
X
Z = N (0;1) : f ( z ) =
1 2 ( z )2
e
2
Pode ser padronizada, tal que: Z =
91
Exemplo
EPR503
Mostre que o ponto de mximo da funo de densidade e

probabilidade Normal ocorre no ponto em que a varivel aleatria
igual mdia, x=.
0
0.5
d[f(x)]=0
Fmx
Density
0.4
0.3
0.4
f (x) =
1 x

0.2
0.1
0.0
-3
-2
-1
0
X
92
46
Derivada
EPR503
Como se nota na figura, a condio de mximo ocorrer no

ponto onde a derivada da funo nula. Assim, tem-se:
Se : f (x ) =
1 x

d 1
f ' (x) =
e 2
dx 2
1 x
=0
1 x
1
x
Fazendo : u =
du = 2
2
2

d 1
Tem se : f ' (x ) =
e 2
dx 2
1 x
d 1
=
eu
du 2
1 x
x 1 2
Logo : f ' ( x ) =
e du =
e
=0
2
2
x

=0 x=

93
EPR503
Exemplo 1: Uma companhia produz lmpadas cuja vida
segue uma distribuio normal com mdia 1.200 horas e
desvio padro de 250 horas. Escolhendo-se
aleatoriamente uma lmpada, qual a probabilidade de
sua durabilidade estar entre 900 e 1.300 horas?
Distribution Plot
Normal; Mean=1 200; StDev=250
0,001 8
0,001 6
0,5404
0,001 4
Density
0,001 2
0,001 0
0,0008
0,0006
0,0004
0,0002
0,0000
900
12001300
94
47
EPR503
Exerccio: A demanda antecipada de consumo de um certo produto

representada por uma distribuio normal com mdia 1.200 unidades
e desvio padro de 100.
a) Qual a probabilidade de que as vendas
excedam 1.000 unidades?
b) Qual a probabilidade de que as vendas
estejam entre 1.100 e 1300 unidades?
c) A probabilidade de se vender mais do que
k unidades de 10%. Determine k.
d) Determine o octagsimo percentil da
distribuio.
95
EPR503
Faa um teste de normalidade para os dados
da tabela.
Reforo (H) do cordo (mm)

2,429
2,472
2,693
2,643
99
2,601
2,576
2,657
2,638
95
2,335
2,707
2,355
2,368
2,895
2,182
2,774
2,719
2,774
2,659
2,607
2,397
2,719
2,656
2,622
2,561
2,845
2,653
2,556
2,421
Probability Plot of H
90
80
Percent
70
60
50
40
30
20
Mean
StDev
N
AD
10
5
2,1
2,2
2,3
2,4
2,5
2,6
2,7
2,8
2,590
0,1 668
28
0,508
2,9
3,0
Como P-Value>5%, aceita-se a hiptese nula

de que os dados so normalmente
distribudos.
96
48
rea da Normal
EPR503
Das demonstraes anteriores, depreende-se que se a rea sob a curva normal

unitria e simtrica, ento:
P( x 0 ) =
1
2
1 2
(z)
2
Logo : P( x k ) =
dx =
1
2
P(0 x k ) =
1 2
(z )
2
1
1
dx = +
2
2
1 2
(z )
2
1 2
(z )
2
dx
dx
Mas como se calcula a integral da funo normal? Para isto precisaremos

empregar a Srie de Taylor.
EPR503
97
SRIE DE TAYLOR
A Srie de Taylor uma das mais importantes contribuies

do clculo integral e diferencial para a engenharia. Por definio, a
Srie de Taylor uma srie infinita1 que pode ser usada como
aproximao de qualquer funo contnua em torno de um ponto de
interesse a. Na sua forma genrica, a srie pode ser escrita como:
f ' (a )( x a ) f ' ' (a )( x a )

f (n ) (a )( x a )
f ( x ) = f (a ) +
+
+ ... +
1!
2!
n!
2
Ou, de maneira resumida, como:
f (n ) (a )(x a )n
f (x ) =
n!
i=0
1 - Embora seja infinita, a srie truncada (interrompida) no termo quadrtico j apresenta

excelentes aproximaes das funes originais.
98
49
Srie de Maclaurin
EPR503
Considere a Srie de Taylor:

f (x ) = f (a ) +
f ' (a )(x a ) f ' ' (a )( x a )

f ' ' ' (a )(x a )
f (n ) (a )(x a )
+
+
+ ... +
1!
2!
3!
n!
Para a=0, a seqncia se torna uma Srie de Maclaurin:

2
f ( x ) = f (0 ) +
f ' (0)( x ) f ' ' (0 )( x )

f ' ' ' (0)( x )
f (n ) (0)( x 0)
+
+
+ ... +
1!
2!
3!
n!
Usando a funo f ( x ) = e x , tem-se:

f (x ) = e x f (0 ) = f ' (0 ) = f ' ' (0 ) = f ' ' ' (0 ) = ... = f n (0) = 1
2
1 x
1 2
Considere agora que: x =
= z
2
2
99
Srie de Maclaurin
EPR503
Ou seja, utilizando uma expanso em Srie de Maclaurin pode-se

calcular a integral definida da funo Normal que, via de regra,
no apresenta soluo analtica. Assim, pode-se demonstrar que:
x
1 12 ( z )2
P (0 t z ) =
e
dz
0 2
P (0 t z ) =
x x2 x4
x6
x8
x 2n
n
+
... + ( 1)
1 +
n
(2n + 1)2 n!
6 40 336 3456
2
100
50
Srie de Maclaurin
EPR503
1
P(x k ) =
1 x

dx
P( x k ) =
1 2
(z)
2
P( x k ) = P ( z x ) =
P(x k ) =
dx =
1
1
+
2
2
1
1
+
2
2
1 2
(z)
2
1 2
(z)
2
dx
x
z
dx
z =
1
1 1 3 1 5
1 7
1 9
+
x x +
x
x +
x ...
2
40
336
3456
6
2
Srie de Maclaurin
EPR503
1 2
(z )
2
dx =
2
1
1 2
(z )
2
dx =
2
1
1 2
(z )
2
2
1
1
2
1 2
(z )
2
n
1 2 1 2 2 1 1 2 3 1
1 1
+ z + ... + z 2 dz
1 + z + z
2 n!
2 2 2! 2 3!
2n
1 2 1 4 1 6
1 8
n z
z + ... + ( 1) n dz
1 z + z z +
2
8
48
384
2
n
!
1 1 3 1 5
1 7
1 9
z 2 n +1
n
dx =
z
z +
z ... + ( 1)
z z +
40
336
3456
(2n + 1)2n n!
6
2
dx =
1 1 3 1 5
1 7
1 9
x 2 n+1
n
x 6 x + 40 x 336 x + 3456 x ... + ( 1) (2n + 1)2n n!
101
102
51
EPR503
0.4
1 2
(z)
2
dx =
2
1
1 2
(z)
2
dx =
Srie de Maclaurin
1 1 3 1 5
1 7
1 9
x 2 n +1
n
x
x +
x ... + ( 1)
x x +
40
336
3456
(2n + 1)2n n!
6
2
1
1 3 1
1
1
5
7
9
0.4 6 0.4 + 40 0.4 336 0.4 + 3456 0.4 = 0.1554
2
103
CDF - NORMAL
EPR503
f (x) =
1 x

104
52
EXEMPLO
EPR503
Exemplo 3: Quatro processos de fabricao so
usados sequencialmente para se fabricar um
lote de 25 peas de um sistema Pisto-Cilindro.
Supondo que o tempo de execuo de cada
operao seja uma varivel aleatria
normalmente distribuda com mdias e desvio
padro descritos na figura ao lado, determine:
a)
A probabilidade de se gastar mais de 85

minutos para se produzir o lote de pistes;
b) A probabilidade de se gastar entre 80 e 90
minutos para se produzir o lote de
cilindros.
105
EPR503
+
= E ( X ) = xf ( x )dx 2 = Var ( X ) =
(x )
f ( x) dx
A =1
A = b.h = (b a ) f ( x) = 1
F(x)
f ( x) =
a
b
= E (X ) = x
a
= Var ( X ) =
2
b
1
a +b
dx =
ba
2
(x )
a + b 1
(b a )
f ( x )dx = x
dx =

12
2 b a

+
1
(b a)
106
53
EPR503
Exemplo
A espessura de um componente uma varivel aleatria
uniformemente distribuda entre os valores 0,95 a 1,05 cm.
a) Determine a proporo de componentes que excedem a espessura
de 1,02 cm.
b) Qual o valor de espessura que excedida por 90% dos
componentes?
c) Qual o valor da espessura abaixo da qual esto 75% dos
componentes?
d) Qual a probabilidade de haver componentes com espessura
entre 0,98 e 1,04?
107
EPR503
Funo Exponencial
0
0,06
f (x ) = .e xi
0,05
F(x)
0,04
0,03
0,02
0,01
0,00
0
20
40
60
80
100
120
140
= E ( X ) = xe x dx =
0
+
= Var ( X ) =
2
(x )
1
1
f ( x ) dx = x e x dx = 2
108
54
Integrao
EPR503
Mostre que a rea de uma distribuio exponencial unitria.
1,0
f (x ) = .e
Density
0,8
xi
0,6
0,8
0,4
dx = e x
0,2
0,0
P(0 x ) = e x dx = 1
e ( ) e (0 ) = 0 ( 1)
1,609
X
Logo:
P(0 x ) = e x dx = 1
0
109
MLE
EPR503
Estimador de Mxima Verossimilhana (MLE) definido como

valor do parmetro a ser estimado em uma distribuio de
probabilidade que mais se aproxima da estatstica real
definidora desta distribuio.
Por definio, uma funo de verossimilhana escrita como o
produtrio da pdf da distribuio para todos os valores de um
conjunto xi, tal que:
n
L( ) = f ( xi )
i =1
Para determin-lo, iguala-se a derivada ou o gradiente da

funo de verossimilhana (caso das distribuies de mais do
que um parmetro) a zero.
110
55
MLE
EPR503
Consideremos a distribuio exponencial, cuja pdf dada por:
f ( x ) = .e xi
Sua funo de verossimilhana ser: L( ) =
.e
xi
i =1
L( ) = .e xi = e x1 e x2 e x3 ... e xn = n .e
xi
i=1
i =1
Calculando-se o logaritmo dessa funo, vem que:
xi
xi
ln[L( )] = ln n .e i=1
ln[L( )] = ln n + ln e i=1
n
ln[L( )] Loglikelihood
ln[L( )] = n.ln + xi lne
n
( )
i =1
MLE FUNO EXPONENCIAL
EPR503
Sabe-se que:
111
x=
n
1 n
x
xi = nx
i
n i =1
i =1
Logo, pode-se escrever que:
ln[L( )] = n.ln nx lne = n.ln nx

ln[L( )] (n.ln nx )
=
=0
ln[L( )] n
= nx = 0
Ento, o Estimador MLE da do parmetro de definio da distribuio

Exponencial ser:
= nx
1
x
112
56
EXEMPLO - MLE
EPR503
Dado o conjunto A=[26, 22, 21, 19, 8, 4], determinar a

probabilidade de x ser menor que 10, dado que x uma varivel
aleatria exponencial.
1
6
n
0, 06 x
= n
=
= 0,06 f (x ) = 0,06e
x xi 100
i =1
10
P( x < 10) = 0,06e 0, 06 x dx = e 0,06 x

0
10
0
10
P ( x < 10) = 0,06e 0, 06 x dx = e 0, 06(10 ) + e 0, 06(0 ) = 1 0,548

0
P ( x < 10) = 0,4512

113
IPP
EPR503
Um procedimento de Integrao bastante til em Estatstica o Mtodo de

Integrao Por Partes (IPP). Este procedimento permite simplificar o processo
de integrao de funes mais complexas por uma combinao de integraes
de funes mais simples. De maneira geral, o mtodo de IPP pode ser descrito
como:
a
a
udv = uv vdu
b
Onde: u e v so duas funes cujas derivadas so, respectivamente, du e dv.

Exemplo: Mostre que a mdia e a varincia da distribuio exponencial so
dadas por:
+
a) = E ( X ) =
xf ( x)dx =
2
b) = Var ( X ) =
(x )
f ( x) dx =
114
57
IPP1
EPR503
Mostre que a mdia da distribuio exponencial :
+
= E ( X ) = xf ( x ) dx =
Considerando que o domnio da exponencial [0, +], tem-se que:
E (x ) = xe x dx =
0
1
dx = e x
1 Empregando a tcnica de IPP, tem-se:
du = dx
u=x
= e x
x
dv = e x dx
v = e
x
x
e dx
udv
=
vu
vdu
x
e
dx
=
xe
0
0
1 0 1
1 x
x
x
x
e
dx
=
xe
e
=
e e =
0
0
0
0

115
IPP2
EPR503
Mostre que a Varincia da distribuio exponencial :
Var ( X ) = x2 =
1
2
(x ) f ( x)dx =
1
2
1
Var (x ) = x e x dx = x 2e x dx xe x dx + e x dx
0
0
0
0
2
1
2
1 1
x
2
x
x
0 x e dx = 0 x e dx 0 xe dx +
2
1
1
2
x
2
x
e
dx
=
x
e
dx
xe x dx + 2
0
0
14243 14
42443
e x dx = x 2e x dx
0
1
4243
2
2
a
116
58
IPP2
EPR503
Empregando a integrao por partes em (a), tem-se:
1
2 1
Var (x ) = x e x dx = x 2e x dx 2 + 2

0
0
1
4243
a
u = x
v = 1 e x
du = 2 xdx
dv = e x
2 1 x 2 x x 2 x
x
2
x e
e dx =
x
e
dx
xe dx
=
0
0
144244
3 0
Logo, a varincia da distribuio exponencial igual a:
1
21 2 1
1
Var (x ) = x e x dx = 2 + 2 = 2

0
117
EXPO
EPR503
Ex. 5.73 (Montgomery e Runger, 2003): O

tempo entre as chamadas telefnicas para uma loja
de suprimentos distribudo exponencialmente com
um tempo mdio de 15 minutos entre as chamadas.
Determine:
a) A probabilidade de no haver chamadas por um perodo de 30
minutos. 1-P(x<30)
b) A probabilidade de que no mnimo uma chamada chegue dentro
do intervalo de 10 minutos. 1-P(x<1)
c) A probabilidade de que a primeira chamada chegue entre 5 e 10
minutos. P(x<10)-P(x<5)
d) O intervalo de tempo, tal que exista uma probabilidade de 90% de
haver no mnimo uma chamada no intervalo. P(x<k)=0,90
118
59
EXPO
EPR503
Exerccio 5.77 (Montgomery e Runger, 2003)

O tempo entre as chegadas de nibus a uma estao rodoviria
distribudo exponencialmente, com mdia 10 min. Determine:
a) x, tal que a probabilidade de vc esperar
mais de x minutos seja de 10%.
b) x, tal que a probabilidade de vc esperar
menos de x minutos seja de 90%.
c) x, tal que a probabilidade de vc esperar
menos de x minutos seja de 50%.
119
EXPONENCIAL
EPR503
Exemplo 5.22 - Adaptado (Montgomery e Runger, 2003)

Propriedade da Falta de memria da Exponencial
O tempo entre a deteco de uma partcula por um contador
geiger distribudo exponencialmente com mdia=1,4 minutos.
Aps esperarmos 3 minutos, qual a probabilidade de que a
partcula seja detectada nos prximos 30 segundos?
P( A B )
= P(x < 3,5 x > 3,0)
P(B )
P( x < 3,5) P (x < 3,0)
P (3 < x < 3,5) =
P( x > 3,0 )
P(A B ) =
P (x < 3,5 x > 3,0) = 0,30

120
60
FALTA DE MEMRIA
EPR503
0.7
P( A B )
= P(x < 3,5 x > 3,0)
P (B )
P( x < 3,5) P( x < 3,0) 0.9179 0.8827
P(3 < x < 3,5) =
=
P(x > 3,0)
0.1173
P( A B ) =
0.6
0.5
P(x < 3,5 x > 3,0) = 0,30
0.4
P(A)
0.3
P(B)
0.2
0.1
0.03523
0.0
3.5
121
EPR503
0.8
0.7
0.3003
0.6
Density
0.5
0.4
A probabilidade de deteco 0.5 minuto

depois de se esperar 3 minutos a
mesma do que uma deteco 0.5 minutos
aps o incio da contagem.
O fato de esperar 3 minutos no altera a
probabilidade de deteco nos prximos
30 segundos.
0.3
0.2
0.1
0.0
0.5
X
122
61
EPR503

O tempo entre a chegada de e-mails em seu
computador distribudo exponencialmente com
mdia igual a duas horas. Determine:
a) Qual a probabilidade de receber e-mails antes de 75 minutos?
b) Qual a probabilidade de receber e-mails entre 45 e 95
minutos?
c) Qual a probabilidade de vc no receber uma mensagem durante
o perodo de duas horas?
d) Se vc no tiver recebido uma mensagem na ltimas quatro
horas, qual ser a probabilidade de vc no receber mensagens
nas prximas duas horas?
123
EXERCCIO
EPR503
Um sistema mecnico composto por trs elementos de mquina

montado em dois subsistemas em srie, R1 e R2, conforme o diagrama
da figura a seguir. Suponha que as taxas de falha dos trs
componentes sejam, respectivamente, 1 e . 2 .
t
A confiabilidade de cada elemento dada por: Ri (t ) = i e
i t
dt
Comp. 2
A
Comp. 1
Comp. 3
2
R1
R2
Determine a confiabilidade dos subsistemas R1 e R2 e a confiabilidade

do sistema total.
124
62
EXERCCIO
EPR503
O circuito da figura opera se, e somente se, houver um caminho de

componentes funcionais, de T1 para T2. Considere que cada um dos 7
componentes opere de maneira independente, com as probabilidades
de funcionar SEM falhar dadas pelas funes densidade de
probabilidade descritas em cada componente. Determine a
probabilidade de cada bloco no falhar isoladamente e a probabilidade
do sistema no falhar como um todo.
P(C) =
10
P( A) = 0.1e
0.1x
e
2
dx
P(F) =
dx
12
T1
17 0.5 x15
P(D) = 0.4e
0.4x
7 2
dx
T2
dx
12,8
167 0.5 x150
1,07
P(G) = k(x 0,9)(1,1 x)dx
P(B) = 20e20( x12,5)dx
0,95
0,9
12,5
P(E) = 1,5x2dx
0
Bloco 1
Bloco 2
Bloco 3
125
WEIBULL
EPR503
A distribuio de Weibull usada para modelar

o tempo at que uma falha ocorra, assim como
para determinar o tempo mdio esperado desta
ocorrncia (MTTF Mean Time to Failure).
Neste modelo, o nmero de falhas funo do
tempo (desgaste).
1
= 1 +
Shape

f (x ) =
2 2 2
1 +

1
(n ) = (n 1)! =
2
2 = 2 1 +
Scale
Exemplo:
1 1
3
1
= + 1 = (n + 1) = n!= n(n) = =
2 2
2
2
2
126
63
WEIBULL
EPR503
Weibull
0
1,0
Variable
C7 * Weibull 1 1
C8 * Weibull 3,4 2
C9 * Weibull 4,5 6.2
Y-Data
0,8
x
f (x) =

0,6
0,4
0,2
0,0
0
0
10
X-Data
127
WEIBULL
EPR503
Exemplo 1 (Montgomery e Runger, 2003 Ex. 5.25)
O tempo de falha (em horas) de um mancal de rolamentos
em um eixo mecnico modelado segundo uma distribuio
de Weibull, com beta=0,5 e delta=5.000 horas.
Determine:
a)
O tempo mdio at que uma falha ocorra;
b) A probabilidade do mancal durar entre 4.000 e 5.500 horas;

c)
A probabilidade do mancal durar no mnimo 6000 horas.
d) A probabilidade do mancal durar 1000 h dado que ele j est em

operao a 5000 h.
= 1 + = 5000 1 +
0,5
= 10000 h
P (t 6000 t 1000 ) =
P (t 6000 t 1000 ) = 0,5754
t 6000 0,3679
=
t 1000 0,6394
128
64
WEIBULL
EPR503
Exemplo 2: A vida til de uma mola operando
continuamente em condies normais segue uma distribuio
Weibull com beta=1,28 e delta=715 horas.
Determine:
a)
O tempo mdio at que uma falha ocorra;
b) A probabilidade operar por 500 horas;

c)
Dado que a mola j operou por 200 horas, qual a probabilidade dela operar
por mais 500 horas?
Distribution Plot
= 1 + = 715 1 +
= 662h
1,28
Weibull; Shape=1 ,28; Scale=71 5; Thresh=0

0,4688
0,001 0
Density
0,0008
P(t 700 t 200 ) =
0,0006
0,0004
P(t 700 t 200 ) = 0,4596
0,0002
0,0000
t 700 0,3779
=
t 200 0,8222
500
129
WEIBULL
EPR503
Exemplo 3: Um fabricante de veculos sabe que o
tempo at a ocorrncia da primeira falha em um motor
utilizado em condies normais de operao segue uma
distribuio Weibull com beta=1,22 e delta=130.000 horas.
a)
Encontre o tempo mdio de funcionamento dos motores em condies

normais de operao;
b) Determine o perodo de garantia dos motores que permita que apenas 1%

dos itens fabricados falhem durante o mesmo.
Distribution Plot
Weibull; Shape=1 ,22; Scale=1 30000; Thresh=0
0,000006
0,000005
Density
0,000004
0,01
0,000003
0,000002
= 0,01
0
2995
= 121778 h
x
0
t
0,000001
0,000000
= 1 + = 130.000 1 +
1,22
dx = 0,01 x = 2995 h
130
65
EPR503
x
0
t
t
ln e
dx = 0,01
1
x

x

du =
u = e

= ln(0,99)
= 0,01 e
+e
t
= ln(0,99)

= 0,01
1 e
t = [ ln (0,99)]
1
t = [ ln (0,99)]
1 1, 22
= 0,01 e
130000
= 0,99
t = 2994,93
EPR503
131
WEIBULL - BINOMIAL
A vida de rolamentos de esferas segue uma distribuio

Weibull com beta=2,00 e delta=10.000 horas.
a)
Determine a probabilidade de um rolamento durar

no mnimo 8000 horas;
b) Determine o tempo mdio at a falha do rolamento

(MTTF);
c)
Determine a probabilidade do rolamento durar 8000 horas;
d) Dado que um certo rolamento de esferas j est em funcionamento h

3000 horas, qual a probabilidade dele durar mais 5000 horas?
e) Se 10 rolamentos esto em uso e, supondo-se que eles possam falhar
de maneira independente, qual a probabilidade de que todos os 10
duraro no mnimo 8000 horas? (Binomial x Weibull)
132
66
LOGNORMAL
EPR503
Usada em modelagem de estoques e tamanho de partculas.

Treshold
0
0,7
0,6
Y-Data
0,5
)= e
f ln x , ,
Variable
C4 * C 1
C5 * C 2
C6 * C 3
(ln x )2
0,4
0,3
0,2
0,1
0,0
0
0
10
15
X-Data
20
25
30
133
MLE - LOGNORMAL
EPR503
0
0,7
Deduza os estimadores de mxima verossimilhana

(MLE) para a funo de densidade e probabilidade
Lognormal, que tem pdf dada por:
0,6
0,5
0,4
0,3
0,2
f ln x , ,
L ln x, ,
)=
( ln x1 )2
2 2
(ln x )
2
0,1
0,0
2 2
10
15
20
25
30
( ln xn )2
2
(ln xi )2
1
e i=1 2
=
x1 x2 ...xn
2
1
n
xi
i =1
0
0
( ln x2 )2
L ln x, ,
e
e
e 2
=
L
x1 2 x2 2
xn 2
i =1
( ln xi )2
2 2
134
67
MLE - LOGNORMAL
EPR503
n
L ln x, ,
)=
[(
)]
(ln xi )2
i =1
n
2 2
(2 )
=
2 2
xi
i =1
ln L ln x, , 2
(ln xi )2
2 2
i =1
xi
i =1
n
n
(lnxi )2
2 2 2
2
= ln n
e i=1 2
xi
i =1
(lnxi 2 )
n
i=1 2
ln xi + ln e
i =1
[(
ln L lnx, ,
)]
= ln 2 2
n
2
MLE - LOGNORMAL
EPR503
ln L lnx, , 2 = ln 2 2
[(
135
)]
n
2
n n (lnxi )
l
n
l{
n(e )
xi i
i =1 =1 2
1
n
n
ln xi = ln[x1 x2 L xn ] = lnx1 + lnx2 + ... + lnxn = ln(xi )
i =1
i =1
Logo, a funo log da verossimilhana (Loglikelihood) poder ser definida

como:
n
n
n
1 n
ln L lnx, , 2 = ln2 ln 2 lnxi
(lnxi )2
2
2
2
2 i =1
i =1
[(
)]
136
68
MLE - LOGNORMAL
EPR503
Calculando-se o gradiente da funo log de verossimilhana (Loglikelihood) e

igualando-o a zero, define-se o estimador de mxima verossimilhana
(Maximum Loglikekihood Estimator), tal que:
[(
)]
ln L lnx, , 2
n
n
n
1 n
2
l
n
2
l
n
lnxi
(lnxi )2
2
2
2
2 i =1
i =1
ln L(lnx, , 2 )
2 n
=
(lnxi ) = 0
2 2 i =1
n
i =1
i =1
i =1
(lnxi ) = (lnxi ) ( ) = (lnxi ) n =0

n
(lnxi ) = 0
i =1
ln L (lnx, ,
2
)] = 0
=
n
i =1
1
(lnxi )
n i =1
n
(lnxi )
= i =1
137
EPR503
2.3 DISTRIBUIES DE PROBABILIDADE

Variveis Discretas
138
69
Atributos
EPR503
Em engenharia, os atributos podem ser classificados quanto ao modelo

de distribuio de probabilidade discreta associado a um sistema de
classificaes ou contagem.
Defeituoso
Binomial
(p)
No
Binomial
Defeituoso
(q=1-p)
Defeitos
Poisson
(k)
Defeitos por
Unidade
Poisson
(=k/n)
Classificao
Atributo
Contagem
As distribuies discretas mais comuns em engenharia so: Binomial, Poisson,

Hipergeomtrica e Multinomial.
139
BINOMIAL x POISSON
EPR503
Distribuio Binomial
n! x
n x
P( X = x ) =
p (1 p )
x
!
(
n
x
)
!
x = 0,1, L , n
E ( x) = np
= Var ( x) = np (1 p )
Defeituosos: quantidade ou percentual latas

amassadas em lote de tamanho n=16. P=6/16=37,5%
de itens defeituosos no lote.
Distribuio de Poisson
P( X = k ) =
e k
k!
X = 0 , 1, 2 ,L
= = np = = np
Defeitos: Reclamaes/hora
140
70
BINOMIAL
EPR503
Distribuio Binomial uma distribuio discreta de probabilidade

que surge na observao de sequencias conhecidas como Provas de
Bernoulli, eventos que permitem apenas dois resultados possveis em cada
tentativa: sucesso (p) ou fracasso (1-p). Estas probabilidades so fixas e,
portanto, no mudam a cada teste. Os testes so considerados eventos
independentes (no viciados). Sua funo densidade de probabilidade escrita
como:
n! x
P( X = x ) =
p (1 p ) n x
x
!
(
n
x
)
!
Usando mxima verossimilhana, pode se determinar o parmetro p.

n! x
n!
p (1 p) n x =
ln p x ln(1 p) n x
ln[l ( p n, x )] = ln
x
!
(
n
x
)
!
x
!
(
n
x
)
!

n!
x ln p (n x ) ln(1 p )
ln[l ( p n, x )] =
x!(n x )!
ln[l ( p n, x )]
=
p
n!
l
x ln p (n x ) ln(1 p )
x
n
x
!
(
)
!
=0
p
141
BINOMIAL
EPR503
n!

x ln p + (n x ) ln(1 p)
ln[l ( p n, x )]
x!(n x )!
=0
=
p
p
ln[l ( p n, x )]
p
x (n x )
x (n x )
=0 =
x(1 p ) = p(n x )
p (1 p)
p (1 p )
x xp = pn xp x = pn p =
x
n
Por exemplo, se existem 6 latas

amassadas em uma amostra de tamanho
n=16 o valor do parmetro p ser:
p=
x 6
=
= 0,375
n 16
142
71
EPR503
A probabilidade de haver uma lata amassada (defeituosa) em
um lote de fabricao de 0,375 (p). Selecionando-se uma amostra
aleatria de 6 unidades (n), qual a probabilidade de que exatamente
2 latas (x) estejam amassadas? Deduza a pdf desta distribuio.
a1
a2
a3
a4
a5
H dois eventos independentes neste

problema que podem ocorrer em
cada uma das n provas:
a6
1) o evento A, da lata estar

amassada, que ocorre com
probabilidade (pA=0,375);
2) o evento B, da lata estar perfeita,
com probabilidade de ocorrncia
igual a (pB=0,625).
143
EPR503
Nota-se que, alm de se multiplicar a probabilidade (p) x vezes pela
probabilidade (1-p), (n-x) vezes, este resultado se repetir para todas as
combinaes de n provas (itens) tomadas x a x.
a1
a2
a3
a4
a5
a6
Probabilidade
(p)x.(1-p)n-x
0,375
0,375
0,625
0,625
0,625
0,625
(0,375)2(0,625)4=0,02146
(p)x.(1-p)n-x
0,625
0,625
0,375
0,625
0,625
0,375
(0,375)2x(0,625)4=0,02146
Desse modo, a pdf da distribuio Binomial ser: P( X = x ) =
n! x
p (1 p ) n x
x
!
(
n
x )!
Com o resultado particular de: P( X = 2) = 6! (0,375)2 (0,625)4 = 0,3219

2!4!
144
72
EPR503
O valor desta probabilidade assim como o resultado da probabilidade
acumulada [P(X2)] podem ser representadas graficamente atravs dos
histogramas das figuras a seguir.
Distribution Plot
Binomial; n=6; p=0,375
0,35
Distribution Plot
0,3219
0,30

0,25
Probability
0,35
0,30
Probability
0,25
0,5960
0,20
0,1 5
0,1 0
0,20
0,05
0,1 5
0,00
0,1 0
0,05
0,00
[P(X=2)]
[P(X2)=P(0)+P(1)+P(2)]
145
EPR503
Suponha que um componente eletrnico instalado em determinado
circuito, tenha probabilidade p=0.2 de funcionar durante o tempo de garantia.
So testados 20 componentes. Desse modo:
a)
Qual a probabilidade de que deles, exatamente k, funcionem durante

o tempo de garantia (k = 0, 1, 2, ... 20)?
b) Qual a probabilidade de que 4 funcionem durante o tempo de
garantia?
c) Qual o nmero mdio e o desvio padro de componentes que iro
funcionar durante o tempo de garantia?
Distribution Plot
0,25
Probability
0,20
0,1 5
20
k
20 k
P( X = k ) = (0.2) (0.8)
k
0,4114
0,1 0
0,05
0,00
10
146
73
EPR503
Distribution Plot
0,25
Probability
0,20
0,1 5
0,6296
0,1 0
0,05
0,00
10
20
4
16
P( X = 4) = (0.2 ) (0.8) = 0,2182
4

E ( x ) = np = 20 0,2 = 4
Var ( x ) = np (1 p ) = 20 0,2 0,8 = 3,2
x
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
P(x)
0,01153
0,05765
0,13691
0,20536
0,21820
0,17456
0,10910
0,05455
0,02216
0,00739
0,00203
0,00046
0,00009
0,00001
0,00000
0,00000
0,00000
0,00000
0,00000
0,00000
0,00000
Acumulado
0,01153
0,06918
0,20608
0,41145
0,62965
0,80421
0,91331
0,96786
0,99002
0,99741
0,99944
0,99990
0,99998
1,00000
1,00000
1,00000
1,00000
1,00000
1,00000
1,00000
1,00000
147
EPR503
Exerccio: Complete a tabela referente a Distribuio Binomial a seguir:
0,2
0,5
12
0,7
20
0,8
12
100
0,6
63
P(X=k)
P(X>k) P(Xk) P(X<k)
P(Xk)
E(x)
Var(x)
148
74
EPR503
Exerccio: Mostre que a mdia da Distribuio Binomial igual a np.
n
n
n
n k
E ( X ) = xk .P( xk ) = k . p k (1 p )
k =0
k =0 k
n
n
n! k
n(n 1)!
n k
nk
E ( X ) = k .
p (1 p ) = k .
p. p k 1 (1 p )
k =1 k!(n k )!
k =1 k (k 1)!(n k )!
n
(n 1)! p k 1 (1 p )n k
E ( X ) = np
k =1 (k 1)!(n k )!

Renomeando as variveis m=n-1 e s=k-1, tem-se:
n (m )! s
m s
E ( X ) = np
p (1 p ) = np
s = 0 (s )!(m s )!
1
444442444443
n
[( X = k )]=1
s=0
149
EPR503
Exerccio: Mostre que a varincia da Binomial igual a np(1-p).
n
n
n
nk
E (X 2 ) = k 2 .P( X = k ) = k 2 . p k (1 p )
k =0
k =0
k
n
n
n! k
n(n 1)!
n k
k 1
p (1 p )nk = k 2 .
E X 2 = k 2 .
p. p (1 p )
k
!
(
n
k
)
!
k
(
k
1
)
!
(
n
k
)
!
k =1
k =1
( )
(m )! p s (1 p )m s = np n k. m p s (1 p )m s =
E X 2 = np k.
(s )!(m s )!
s = 0
s=0 s
( )
m
E X 2 = np (s + 1). p s (1 p )m s
s
s=0

( )
n
n
n m
m
m
m s
m s
m s
E X 2 = np (s + 1). p s (1 p ) = np s. p s (1 p ) + p s (1 p )
s
s
s
s =0
s =0

s=0
( )
( )
E X 2 = np.(mp + 1) = np((n 1) p + 1) = np(np p + 1)
( )
Var ( x ) = E x 2 [E ( x )] = np (np p + 1) (np ) = np (1 p )

2
150
75
HIPERGEOMTRICA
EPR503
Considere uma populao de N elementos, r dos quais sejam

sucessos e N - r sejam falha. Escolhendo ao acaso n elementos da
populao (n N), sem reposio, e adotando X como o nmero
de sucessos obtidos, temos a seguinte distribuio de
probabilidade hipergeomtrica:
r N r

k n k
P( X = k ) =
N

n
k = 0, 1, 2, L
E ( X ) = np e Var( X ) = npq
N n
N 1
Este um exemplo
de uma amostragem
SEM REPOSIO!
151
HIPERGEOMTRICA
EPR503
Ex.: Pequenos motores eltricos so expedidos em lotes de 50

unidades. Antes que uma remessa seja aprovada, um inspetor
escolhe 5 desses motores e os inspeciona. Se nenhum dos motores
inspecionados for defeituoso, o lote aprovado. Se um ou mais forem
verificados defeituosos, todos os motores da remessa so
inspecionados. Suponha que existam, de fato, trs motores
defeituosos no lote. Qual a probabilidade de que a inspeo 100%
seja necessria?
3 47

0
5
P( X 1) = 1 P( X = 0) = 1 0.28
50

5
152
76
EPR503
Ex.: Uma empresa recebe, em mdia, quatro reclamaes por dia.

Qual a probabilidade de haver 6 reclamaes em um determinado
dia?
e k
P( X = k ) =
X = 0 , 1, 2, L
Tem-se que:
k!
= = np = = np
Utilizando a distribuio de Poisson com = 4, ento:
e 4 4 6
P ( X = 6) =
= 0.1042
6!
153
POISSON - MLE
EPR503
Encontre o MLE para o parmetro da funo de Poisson, cuja pdf :

n
f (x ) =
xi
e
e
e
e
e
e
L( ) =
=
L
= n
x
!
x
!
x
!
x
!
x!
i =1
i
1
2
n
xi !
n
xi
x1
x2
xn
i =1
ln L( ) = ln
xi
i =1
i =1
= n ln e + xi ln ln (x1!.x2!...xn!)
i =1
xi!
i =1
ln L ( ) = n ln e + xi ln [ln x1!+ ln x2 !... ln xn !]

i =1
i =1
i =1
ln L( ) = n ln e + xi ln ln ( xi !)
ln L ( )
1 n
1 n
= n + xi = 0 = xi
n i =1
i =1
154
77
EPR503
Exerccio: Complete a tabela referente Distribuio Poisson:
12
20
12
100
63
P(X=k)
P(X>k)
P(Xk)
P(X<k)
P(Xk)
E(x)
Var(x)
155
EPR503
Ex. 1: Chegam, em mdia, 10 navios-tanque por
dia a um movimentado porto, que tem capacidade para 15
desses navios. Qual a probabilidade de que, em
determinado dia, um ou mais navios tanque tenham de
ficar ao largo, aguardando vaga?
P ( X > 15) = 1 P ( X 15) = 1 0.9513 = 0.0487 = 4,9%

Ex. 2: Uma central telefnica recebe em mdia
300 chamadas por hora e pode processar no mximo 10
ligaes por minuto. Estimar a probabilidade de a
capacidade da mesa ser ultrapassada.
Soluo: = 300/60 = 5 chamadas/min.
P ( X > 10) = 1 P ( X 10) = 1 0.986 = 0.014 = 1,4%

156
78
EPR503
Seja X uma v.a. distribuda binomialmente com parmetro p

(baseado em n repeties de um experimento). Isto ,
n
P( X = k) = pk (1 p)nk
k
Admita-se que quando n , p 0 e np . Nessas condies,
possvel demonstrar que, para um n suficientemente grande, a
distribuio binomial se aproxima da distribuio de Poisson, tal
que:
lim P(X = k) =
n
ek
k!
157
EPR503
Ex. 1: A probabilidade de um indivduo ter reao negativa a

certa injeo de 0,001. Determinar a probabilidade de que de 2.000
indivduos injetados, exatamente 3 tenham reao negativa.
Usando a distribuio binomial com n = 2.000 e p = 0.001, temos:
2000
(0.001) 3 (0.999)1997
P( X = 3) =
3
O clculo desses nmeros d origem a considervel dificuldade. Pela
aproximao de Poisson, temos:
= np = (2000)(0.001) = 2
e 2 23
P ( X = 3) =
= 0.1804
3!
158
79
EPR503
Ex. 2: Consideremos um experimento binomial com n = 200,

p = 0.04 em que se pede a probabilidade de, no mximo, 5 sucessos.
O clculo direto impraticvel, usando a Distribuio Binomial.
5
200
(0.04) k (0.96)5 k
P ( X 5) =
k
k =0
200
200
200
(0.04) 0 (0.96) 5 +
(0.04)1 (0.96) 4 +
(0.04) 2 (0.96) 3
P( X 5) =
0
1
2
200
200
200
(0.04)3 (0.96) 2 +
(0.04) 4 (0.96)1 +
(0.04)5 (0.96) 0
+
3
4
5
Pela aproximao, contudo, o clculo se torna extremamente

simples.
= np = (200) (0.04) = 8 P(X 5) = 0.1912
159
EPR503
Ex. 3: A probabilidade de um indivduo ter reao negativa a

certa injeo de 0,001. Determinar a probabilidade de que de 2.000
indivduos injetados, mais de quatro tenham reao negativa.
= np = (2000)(0.001) = 2
P( X > 4) = 1 [ P( X = 4) + P( X = 3) + P( X = 2) + P ( X = 1) + P( X = 0)]
e 2 24 e 2 23 e 2 2 e 2 20
=1
+
+
+
3!
1!
0!
4!
16 8 4
= 1 e 2 + + + 2 + 1 = 0.0526
24 6 2
160
80
NORMAL X BINOMIAL
EPR503
Considerando que a mdia da distribuio
Binomial (n, p) np e que a sua varincia

Z
np(1-p), ento pode-se aproxim-la pela 0
Normal (0.1) fazendo:
Distribution n
p
Binomial
100 0.5
Distribution Mean StDev
Normal
50
5
0.07
Density
0.06
0.05
0.04
0.03
0.02
0.01
0.00
30
40
50
X
60
X np0
np0 (1 p0 )
Exemplo:
Distribution Plot: Bin (100;0.5) x N(50; 5)

0.09
0.08
70
X np0
Z =
np0 (1 p0 )
n = 100; p = 0.50
X 50
Z =
2
100 (0.50)
Bin(100;0.5) Z (50;5)
161
POISSON X BINOMIAL
EPR503
Para valores grandes de n, a distribuio Binomial aproxima-se

consideravelmente da distribuio de Poisson. Considere que:
n
e
nk
lim p k (1 p ) =
n k
k!

n
Para p=/n: lim p k (1 p )n k = lim 1

n k
n

k n n
n
n k
k
n k
n k
n!

n k
lim p (1 p ) = lim
1 n
n k
n
3

(n k ) ! k! n 142
4
Aplicando-se a Regra de LHopital, com a=- e x=n, tem-se:

x
a

lim 1 + = e a lim 1 = e
n
n
x
n
162
81
POISSON X BINOMIAL
EPR503
n
k
n
k
k
k
n!
n!
lim
. .1 .1 = lim
1 1
n (n k ) ! k! n k
n n n (n k ) !n k k! n n
14243 123 1
424
3 1424
3
424
3 1424
3
142
4 43
4 { 1
3
4
3
4
2
1
1
2
n
k
n (n 1) (n 2 )
(
n k + 1) (n k )! k
1 1
lim
n
n 44
n444
k! 1
n4
142
3
1
4n24444n44
3 (n k )! {
42n4
3
1444444= 4
nk
3
4
2
4
2
4
4
4
4
4
4
4
4
3
n
k
n (n 1) (n 2 )
(
n k + 1) (n k )! k
1 1
lim
n
n 44
n444
k! 1
n4
142
3
1
4n24444n44
3 (n k )! {
42n4
3
1444444= 4
nk
3
4
2
4244444444
3
1
163
POISSON X BINOMIAL
EPR503
1
= 1 , ento:
Considerando que lim
k
n

1
n
1 = 4 = 1
=
2 k! ; 3 = e

Substituindo-se estes valores na expresso anterior, tem-se:
k
n k
e
n k
lim p (1 p ) = 1 2 3 4 = 1 e 1 =
n k
k!

k!
Logo, demonstra-se que a Binomial tende para Poisson medida que n tende
ao infinito, ou seja, quanto maior for o valor de n, melhor ser a aproximao.
n k
e
nk
lim p (1 p ) =
n k
k!

164
82
EXPONENCIAL X POISSON
EPR503
Suponha que se deva calcular a probabilidade de haver a ocorrncia de uma

causa especial nos prximos t minutos dado que ela no ocorreu at o
instante t. Suponha que esta probabilidade siga distribuio exponencial.
Ento, tem-se:
P[x > t + t x > t ] = P( A B ) =
P( A B ) P(x > t + t )
=
P (B )
P( x > t )
Como : f ( x ) = e x
e dx = e
P[x > t + t x > t ] =
e dx e
P[x > t + t x > t ] = e
t + t
x
x
t + t
x
e (t + t )
e t
Nota-se que a ocorrncia no depende do tempo decorrido t. Logo, pode-se

dizer que as causas especiais ocorrem de maneira aleatria.
165
EPR503
Suponha que ocorram n causas especiais entre 0 e t. Se o tempo decorrido

entre a ocorrncia de duas causas especiais consecutivas for
exponencialmente distribudo [E(x)=1/], ento o nmero de ocorrncias N(t)
ser uma varivel de Poisson com mdia =t. Sem perda de generalidade,
dado que o intervalo de tempos entre chegadas exponencialmente
distribudo, ento a probabilidade de no haver uma causa especial nos
prximos t minutos ser:
P[N (t + t ) = n N (t ) = n] = P[x > t ] = e t

Isto significa que o sistema fica estacionrio no mesmo estado que estava at
t, ou seja, com o mesmo nmero de ocorrncias anterior. Consideremos a
expanso em Srie de Taylor para a expresso anterior, em torno de um t
muito pequeno :
P[N (t + t ) = n N (t ) = n ] = e t
P[N (t + t ) = n N (t ) = n ] = 1 t +
( t )2 + ( t )3 + L
2!
3!
166
83
EPR503
Ento, pode-se escrever que nenhuma causa especial ocorreu da seguinte

maneira:
P[N (t + t ) = n N (t ) = n ] 1 t
Analogamente, se ocorrer uma causa especial no intervalo, ento:
P[N (t + t ) = (n + 1) N (t ) = n ] t
Logo, h duas possibilidades do sistema estar no estado (n) no instante t+t:
(1) a probabilidade do sistema estar no estado n no instante t E/AND
permanecer neste estado no instante t+t OU/OR (2), estar no estado (n-1) no
instante t E/AND haver uma ocorrncia no intervalo t. Logo:
P( A )
P (B )
(B )
P( A)
6
4P7
4
8 6
78 6
7
8
}
Pn (t + t ) = Pn (t ) (1 t ) + Pn 1 (t ) (t )
c
E/AND
OU/OR E/AND
167
EPR503
a) A probabilidade do sistema estar no estado (n) no instante t, P(A), E/AND

permanecer no estado (n) no instante t+t, P(B) :
P( A B ) = P( A) P(B A)
P( A B ) = Pn (t ) (1 + t )
b) A probabilidade do sistema estar no estado (n-1) no instante t, P(Ac), E/AND
passar para o estado (n) no instante t+t, :
) ( ) (
P Ac B c = P Ac P B c Ac = Pn 1 (t )(t )
c) Portanto, a probabilidade total do sistema estar no estado (n) nos instantes
t e t+t [P(AB)], dado que estava nos estados (n) e (n-1) respectivamente no
instante t, :
P ( A B ) Ac B c
)]
= Pn (t ) (1 + t ) + Pn 1 (t ) (t )
168
84
EPR503
Considere que:
Pn (t + t ) = Pn (t ) (1 t ) + Pn 1 (t )(t )
Pn (t + t ) = Pn (t ) Pn (t )(t ) + Pn 1 (t )(t )
Pn (t + t ) Pn (t ) = t [ Pn (t ) + Pn 1 (t )]
Pn (t + t ) Pn (t )
= [ Pn (t ) + Pn 1 (t )]
t
Para n=0, tem-se:
P0 (t + t ) = P0 (t )(1 t )
P0 (t + t ) P0 (t )
= P0 (t )
t
169
EPR503
Considere que: f ' ( x ) = d [ f ( x )] = lim f (x + x ) f ( x )
dx
x 0
Aplicando-se o conceito de derivada, temos:
Pn (t + t ) Pn (t )
d [Pn (t )]
lim
= [ Pn (t ) + Pn 1 (t )] =
t 0
t
dt
Procedendo de maneira anloga para P0(t), tem-se:
P0 (t + t ) P0 (t )
d [P0 (t )]
lim
= P0 (t ) =
t 0
t
dt
170
85
EPR503
Resolvendo as Equaes Diferenciais anteriores, obtm-se:
d [P0 (t )]
d [P0 (t )]
= P0 (t )
+ P0 (t ) = 0
dt
dt
Utilizando o Fator de Integrao
FI = e
dt
= e dt , temos:
du
dv
d [P (t )]
e t 0 + e t P0 (t ) = 0 d [u v ] = v
+u
dx
dx
dt
d e t P0 (t )
= 0 e t P0 (t ) = 0dt e t P0 (t ) = C
dt
t
t
P0 (0) = 1
{t P0 (t ) = Ce C = 1 P0 (t ) = e
0
EPR503
171
Analogamente:
d [Pn (t )]
d [P1 (t )]
= Pn (t ) + Pn 1 (t )
= P1 (t ) + P0 (t )
dt
dt
d [P1 (t )]
d [P1 (t )]
= P1 (t ) + e t
+ P1 (t ) = e t
dt
dt
e t
d [P1 (t )]
d e t P1 (t )
+ e t P1 (t ) = e t e t
=
dt
dt
e t P1 (t ) = dt e t P1 (t ) = t + C P1 (t ) = (t )e t + Ce t
Como : P1 (0) = 0 te t = Ce t C = 0 P1 (t ) = (t )e t
172
86
EPR503
Estendendo o resultado anterior para n=2, tem-se que :
d [P2 (t )]
= P2 (t ) + P1 (t ) = P2 (t ) + 2t e t
dt
( )
e t
d [P2 (t )]
d e t P2 (t )
+ e t P2 (t ) = 2t e t e t
= 2t
dt
dt
( )
e P2 (t ) = tdt e P2 (t ) =
2
2 t 2
2
2
(
t ) t
+ C P (t ) =
e
2
Genericamente, pode-se escrever que:
(
t )n t
k
P (t ) =
e P / t = 1 P (1) = e
n
n!
k!
(Poisson)
173
MULTINOMIAL
EPR503
Vimos que, para duas categorias, temos a distribuio Binomial.

Generalizando a idia para mltiplas categorias, teremos a distribuio
Multinomial. Sua pdf definida como:
P ( X 1 = x1 ; X 2 = x2 ; L; X k = xk ) = p1 1 p2 2 L pk k
x
Onde: n = x1 + x2 + L + xk =
n!
x1! x2 ! L xk !
i =1
Por exemplo, a rugosidade de uma pea pode ser medida em trs posies (ou
categorias): no contra-ponto, no centro ou na castanha.
174
87
MULTINOMIAL
EPR503
Um lote de peas esbeltas usinadas por torneamento,
contm peas que podem ter suas rugosidades medidas
pelo inspetor de controle de qualidade em trs posies:
Centro (x1), Castanha (x2) e Contra-ponto (x3). Sabe-se
que a probabilidade de haver peas medidas no centro da
pea de 90%, na castanha, 8% e no contra-ponto, 2%.
Suponha que sejam selecionadas 4 amostras do lote.
a)
Qual a probabilidade de que haja 1 pea cuja rugosidade foi medida no

centro, 1 que tenha sido medida na castanha e 2 medidas no contra-ponto?
1
P( X = 1; Y = 1; Z = 2 ) = (0,9 ) (0,08) (0,02 )
4!
= 3,46 10 4
1! 1!2!
b) Qual a probabilidade das 4 peas terem sido medidas no contra-ponto?

0
P ( X = 0; Y = 0 ) = (0,9 ) (0,08) (0,02 )
4!
= 1,6 10 7
0!0!0!
175
MULTINOMIAL
EPR503
Vejam como ficariam outras combinaes

possveis com as probabilidades citadas
anteriormente.
4!
0
0
4
7
f XY (0,0) = P ( X = 0; Y = 0) = (0,9 ) (0,08) (0,02) 0!0!0! = 1,6 10
f (0,1) = P ( X = 0; Y = 1) = (0,9)0 (0,08)1 (0,02)3 4! = 2,56 10 6

XY
0!1!3!
0
2
2
f XY (0,2) = P( X = 0; Y = 1) = (0,9) (0,08) (0,02) 4! = 1,54 10 5
0!2!2!
f (1,0) = P ( X = 1; Y = 0) = (0,9)1 (0,08)0 (0,02)3 4! = 2,88 10 5

XY
1!0!3!
4!
1
1
2
f XY (1,1) = P ( X = 1; Y = 1) = (0,9) (0,08) (0,02)
= 3,46 10 4
1
!
1
!
2
!
4!
2
1
1
= 0,01516
f XY (2,1) = P( X = 2; Y = 1) = (0,9) (0,08) (0,02 )
2!1!1!
176
88
JOINT PROBABILITY
EPR503
O exemplo anterior serve tambm para explicar o conceito de

probabilidade conjunta. Uma fdp conjunta definida como:
f XY (x, y ) = P( X = x; Y = y )
0
4,10E-05
f XY (x , y )
4,10E-05
1,84E-03
1,54E-05
1,38E-03
3,11E-02
2,56E-06
3,46E-04
1,56E-02
2,33E-01
1,60E-07
2,88E-05
1,94E-03
5,83E-02
6,56E-01
177
MARGINAL PROBABILITY
EPR503
Se a fdp conjunta definida como f XY (x, y ) = P( X = x; Y = y ) ,

ento, as probabilidades marginais de X e Y sero escritas como:
fY ( x, y ) = f XY (x, y ) = P(Y = y )
Ry
f X ( x, y ) = f XY ( x, y ) = P( X = x )
Rx
Similarmente, o valor esperado e a varincia de X sero escritos

como:
E ( x ) = x f X (x ) = x f XY ( x, y ) = xf XY ( x, y )
x
Rx
Rx
Var ( x ) = ( x X ) f XY (x, y )
2
Rx
178
89
EXEMPLO
EPR503
Para o exemplo em questo, o valor esperado e a varincia de X

sero, respectivamente:
E (x ) = xf XY (x, y ) = 0 [ f XY (0,0) + f XY (0,1) + f XY (0,2 ) + f XY (0,3) + f XY (0,4)]
x
Rx
+ 1 [ f XY (1,0 ) + f XY (1,1) + f XY (1,2) + f XY (1,3)]

+ 2 [ f XY (2,0 ) + f XY (2,1) + f XY (2, 2)]
+ 3 [ f XY (3,0) + f XY (3,1)]
+ 4 [ f XY (4,0 )]
E (x ) = xf XY (x, y ) = 0 [(0,0001)] + 1 [(0,0036 )] + 2 [(0,0486 )]
x
Rx
+ 3 [(0,0292 )] + 4 [(0,6561)]
E (x ) = xf XY (x, y ) = 3,6
x
Rx
Var (x ) = (x X ) f XY (x, y ) = 0,36

2
Rx
179
CONDITIONAL
EPR503
Do conceito de probabilidade condicional, tem-se:
P (B A ) =
P(A B )
P(A)
Analogamente para uma fdp conjunta, a probabilidade condicional

pode ser definida como:
P (B A ) =
P(A B )
f ( x, y )
f Y x ( y ) = XY
= P (Y = y X = x )
P (A)
f X (x )
Com valor esperado e varincia, respectivamente iguais a:

E (Y x ) = Y x = y f Y x ( y )
Var (Y x ) = 2 Y x = y 2 f Y x ( y ) Y2 x
Rx
Por exemplo:
Rx
P (Y = 0 X = 3 ) f Y
P (Y = 1 X = 3 ) f Y
(y) =
f XY (3,0 ) 0,05832
=
= 0, 200
f X (3 )
0,2916
(y) =
f XY (3,1) 0,2333
=
= 0,800
f X (3 )
0, 2916
180
90
CONDITIONAL
EPR503
Determine as probabilidades condicionais para o exemplo deste captulo.

Encontre o E(Y|x) e Var(Y|x) para x=2.
P (Y = 0 X = 2 ) =
f XY (2, 0 ) 0,001944
=
= 0 ,04
0, 0486
f X (2 )
P (Y = 1 X = 2 ) =
f XY (2 ,1) 0 ,0155
=
= 0 ,32
f X (2 )
0 ,0486
P (Y = 2 X = 2 ) =
f XY (2 , 2 ) 0 ,0311
=
= 0,64
f X (2 )
0, 0486
0,4100
fY x ( y )
0,4100
0,5110
0,1540
0,3830
E (Y x ) = f Y x ( y ) = 0 0, 04 + 1 0 ,32 + 2 0, 64 = 1, 6
Var (Y x ) = (0 1, 6 ) 0, 04 + (1 1,6 ) 0 ,32
0,6400
+ (2 1,6 ) 0,64 = 0 ,32
0,0256
0,0960
0,3200
0,8000
0,0016
0,0080
0,0400
0,2000
1,0000
181
EPR503
3 - INFERNCIA
91
EPR503
Para uma populao no normal com mdia m e desvio padro s, a

distribuio da mdia amostral X para amostras de tamanho n
suficientemente grande aproximadamente normal com mdia m e
desvio padro n , isto ~ N : (0,1)
=
Ou seja:
X
n
Se X:(m, s) ento a distribuio amostral de X N:(m,
n)
Para uma populao Normal com mdia e desvio padro , a

distribuio da mdia amostral X para amostras de tamanho n
suficientemente grande aproximadamente normal com mdia m e
desvio padro n , isto ~ N : (0,1)
183
EPR503
Considere uma varivel aleatria X que denote uma soma de v.a.s:

k
X = x1 + x2 + x3 + ... + xk = xi = nX
i =1
Tomando-se seu valor esperado E[X] e a varincia Var[X], tem-se:
E [X ] = E [x1 ] + E[x2 ] + E[x3 ] + ... + E [xk ] = + + + ... + = n

Var [ X ] = Var [x1 ] + Var [x2 ] + Var [x3 ] + ... + Var [xk ] = n 2
Logo, a varivel Z relativa X poder ser escrita como:
X n
n 2
nX n
n 2
nX n nX n
X
n
n
=
=
=
n
n 2
n 2
2
n
n
184
92
INTERVALOS DE CONFIANA
EPR503
Consideremos uma populao normal com mdia , desvio padro e

uma amostra dessa populao. Fixando em 0.05, ou seja, 1- =0.95, ento
pelos resultados do Teorema do Limite Central, tem-se:
0,4
X u
n
~ N : (0,1)
Density
0,3
0,2
0,1
P(1.96 < Z < 1.96) = 0.95

0,025
0,025
0,0
-1,960
1,960
X
185
CONFIANA X SIGNIFICNCIA
EPR503
: Nvel de significncia
Interval Plot of Y
95% CI for the Mean
503
1- : Nvel de confiana
502
501
500
C1
500
499
498
497
496
1
10
11
12
13 1 4
15
16
17
18
1 9 20
Sample
Individual standard deviations were used to calculate the intervals.
X
P 1.96 <
< 1.96 = 0.95
n
P X 1.96(
n ) < < X + 1.96(
Ela no significa que a

probabilidade do parmetro
cair dentro de um
intervalo especificado seja
igual a 0.95. Como um
parmetro, ele pode estar
ou no dentro do intervalo
de confiana. 0.95 a
probabilidade de que um
intervalo
aleatrio
contenha .
n ) = 0.95
186
93
EPR503
Sabe-se que os dimetros internos de rolamentos

usados no trem de pouso de avies tm um desvio
padro de 0,002 cm (conhecido a priori). Uma
amostra aleatria de 15 rolamentos mostrou um
dimetro interno de 8,2535 cm. Construa um IC95%
para o dimetro mdio (populacional) do rolamento.
P X 1.96(
n ) X + 1.96(
n ) = 0.95
0,002
0,002
X E X + E 8,2535 1.96
8,2535 + 1.96
15
15
8, 252488 8,254212
187
IC SIGMA DESCONHECIDO
EPR503
IC ( : (1 )100) = X t 2 S
n ; X + t 2 S
)]
1 n
S =
( X i X )2
n 1 i =1
( X )
t=
S n
1-
/2
/2
t
- t/2
t/2
188
94
EPR503
( X )
t=
S n
Distribuio t de
Student, com v
graus de liberdade
1 n
S =
( X i X )2
n 1 i =1
2
Normal
v=n-1
hv(t)
Tal distribuio
usualmente tabelada
para alguns valores de v
e
t
189
EPR503
T-Student
Variable
t5
t10
t50
0,4
Mean StDev
N
0,07920 1,395 500
-0,04086 1,130 500
-0,02822 0,9521 500
Density
0,3
0,2
0,1
0,0
-6
-3
Data
190
95
EPR503
Para se construir intervalos de confiana para a varincia
ou o desvio padro, utiliza-se a distribuio do Qui-quadrado ( 2 ) .
Desse modo, o intervalo de confiana para o desvio padro
populacional pode ser escrito como:
Mean
2,078
5,061
9,800
0,15
Density
(n 1)s 2
Variable
Qui2
Qui5
Qui10
0,20
2 (n1), 2
StDev N
1,906 500
3,431 500
4,522 500
(n 1)s 2
2 (n 1),1 2
(n 1) : df
0,10
s 2 : varincia da amostra
: nvel de significncia
0,05
2 ( n 1 ), 2 : Lower bound
0,00
0
12
16
Data
20
2 ( n 1 ),1 2 : Upper bound
24
191
EPR503
Considere o caso da durabilidade de baterias
usadas em aparelhos celulares avaliada a
partir de uma amostra aleatria de 10 baterias.
Com base nesta amostra, construa um IC95%
para mdia e o desvio padro da durabilidade
para a populao de baterias.
1,625
26,0 + 2,306 1,625

26,0 2,306
10
10
IC 95% 24,815 27,185
(n 1)s 2
( n1),
(n 1)s 2
( n1),1
Durabilidade (Y)
25,5
26,1
26,8
23,2
24,2
28,4
25,0
27,8
27,3
25,7
26,00
Mdia:
1,625
DP.:
9(1,625)
9(1,625)

19,02
2,70
IC 95% 1,118 2,966

192
96
IC - PROPORES
EPR503
Da aproximao da BINOMIAL pela NORMAL, segue que:
Z=
X np
np(1 p)
Dividindo-se cada termo por n, tem-se:
X np
n n =
np(1 p )
n
Z=
p p0
np (1 p )
n2
p p0
p (1 p )
n
Logo, o IC pode ser escrito como:
p Z 2
p (1 p )
p p + Z 2
n
p (1 p )
n
193
EPR503
Exemplo 8.16 (Montgomery e Runger, 2003): Uma amostra aleatria

de 85 camisas, 10 apresentaram algum tipo de defeito (furos,
manchas, costuras soltas, etc). Construa um intervalo de confiana
de 95% para a proporo populacional de defeituosos. Use a
aproximao pela NORMAL.
p Z 2
p (1 p )
p p + Z 2
n
0,118 1,96
p (1 p )
n
0,118 0,882
0,118 0,882
p 0,118 + 1,96
85
85
0,049 p 0,186
194
97
EPR503
Este mtodo utiliza a distribuio F
PL =
1F(1 / 2 )
1 F / 2
PU =
v2 + 1F / 2
v2 + 1 F(1 / 2 )
Onde :
Onde :
1 = 2x
1 = 2(x + 1)
v 2 = 2(n x + 1)
v 2 = 2(n x )
Variable
F1
F3
F2
0,9
0,8
x = events
n = trials
Density
0,7
x = events
n = trials
Mean
1,187
1,060
1,102
0,6
0,5
StDev
N
0,7184 100
0,4298 100
0,6318 100
0,4
0,3
0,2
0,1
0,0
-0,0
0,6
1,2
1,8
Data
2,4
3,0
195
EPR503
PL =
De nsity
1,4
20 0,467
= 0,0578
(152 + 20 1,80)
df1=20; df2=152
Distribution Plot
PU =
1,4
1,2
1,2
1,0
1,0
0,8
0,8
0,6
0,6
0,4
0,4
22 0,485
= 0,2057
(150 + 22 1,77 )
Distribution Plot
df1=22; df2=150
0,2
0,2
0,025
0,025
0,025
0,0
0,467
1,80
0,025
0,0
0,485
1,77
196
98
EXERCCIOS
EPR503
Exemplo 8.45 (Montgomery e Runger, 2003)

De 1000 casos selecionados aleatoriamente de cncer de
pulmo, 823 resultam em morte. Construa um intervalo
bilateral de confiana de 95% para a taxa de morte
populacional por este tipo de cncer.
Exemplo 8.47 (Montgomery e Runger, 2003)
Uma amostra aleatria de 50 capacetes para motociclistas foi
sujeita a um teste de impacto, sendo observado que 18 deles
sofreram algum tipo de dano quando submetidos ao esforo em
questo. Encontre intervalos de 95 e 99% para a taxa populacional
de falha.
197
EPR503

Uma amostra de 500 eleitores revelou que 315 eram favorveis
reduo da maioridade penal. Encontre o intervalo de confiana de
90, 95 e 99% para a opinio geral da populao sobre esta
mudana no cdigo penal.
Determine o tamanho da amostra necessria
para se testar a hiptese de que a proporo
populacional de 75% de concordncia com a
modificao da lei.
198
99
EPR503
Uma amostra de 600 cidados revelou que 87,9%

deles concordam com a construo de barragens
no Sul de Minas para a conteno das enchentes
de vero.
Baseado nesta amostra, um estatstico calculou o
intervalo de confiana para o percentual de
concordncia com o projeto de toda a populao
da regio, tal que 85,8% < p < 90%. Encontre o
nvel de confiana associado a este intervalo.
199
100

Epr503 8949 NT 001 PDF

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Epr503 8949 NT 001 PDF

Caricato da

Copyright:

Formati disponibili

EPR503 - ESTATSTICA APLICADA

Universidade Federal de Itajub

Prof. Dr. Anderson Paulo de Paiva

ESTATSTICA E PROBABILIDADE PARTE I

Prof. Dr. Anderson Paulo de Paiva

EPR503 - ESTATSTICA APLICADA

Universidade Federal de Itajub

Montgomery, D.C., Runger, G.C.,

Prof. Dr. Anderson Paulo de Paiva - IEPG

N2 = 0,4*P3+ 0,4*P4+ 0,2T2

Prof. Dr. Anderson Paulo de Paiva - IEPG

Prof. Dr. Anderson Paulo de Paiva

EPR503 - ESTATSTICA APLICADA

Universidade Federal de Itajub

Estatstica para a Engenharia

Prof. Dr. Anderson Paulo de Paiva - IEPG

Prof. Dr. Anderson Paulo de Paiva

EPR503 - ESTATSTICA APLICADA

Universidade Federal de Itajub

Estado: Perfeita ou defeituosa; Tipo de ferramenta de usinagem, tipo

No de peas defeituosas, No de defeitos, No de reclamaes por

Prof. Dr. Anderson Paulo de Paiva

EPR503 - ESTATSTICA APLICADA

Universidade Federal de Itajub

Prof. Dr. Anderson Paulo de Paiva - IEPG

{35, 36, 37, 38, 40, 40, 41, 43 ,46} x~ = 40

Prof. Dr. Anderson Paulo de Paiva

EPR503 - ESTATSTICA APLICADA

Universidade Federal de Itajub

Outlier Lower (x Q1 - 1,5D)

Q2=Mediana (50 Percentil)

Prof. Dr. Anderson Paulo de Paiva - IEPG

Prof. Dr. Anderson Paulo de Paiva

EPR503 - ESTATSTICA APLICADA

Universidade Federal de Itajub

~ (25,7 + 26,1) = 25,9

Prof. Dr. Anderson Paulo de Paiva - IEPG

Prof. Dr. Anderson Paulo de Paiva - IEPG

Prof. Dr. Anderson Paulo de Paiva

EPR503 - ESTATSTICA APLICADA

Universidade Federal de Itajub

Largura (W) do cordo (mm)

a) A largura mdia dos cordes;

10,334 10,211 10,248 10,660 10,754

Prof. Dr. Anderson Paulo de Paiva - IEPG

Prof. Dr. Anderson Paulo de Paiva - IEPG

Prof. Dr. Anderson Paulo de Paiva

EPR503 - ESTATSTICA APLICADA

Universidade Federal de Itajub

Para o reforo ou altura do cordo (H),

a) O reforo mdio dos cordes;

Represente os dados atravs de

Prof. Dr. Anderson Paulo de Paiva - IEPG

rea de Penetrao (AP) do cordo (mm2)

Prof. Dr. Anderson Paulo de Paiva - IEPG

Prof. Dr. Anderson Paulo de Paiva

EPR503 - ESTATSTICA APLICADA

Universidade Federal de Itajub

Prof. Dr. Anderson Paulo de Paiva - IEPG

Prof. Dr. Anderson Paulo de Paiva

EPR503 - ESTATSTICA APLICADA

Universidade Federal de Itajub

Prof. Dr. Anderson Paulo de Paiva - IEPG

N2 = 0,4P3+ 0,4P4+ 0,2T2