Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Distribuições de probabilidade
2.1 Introdução
escala contínua.
Exemplo: o diâmetro de segmentos de um pistão de motor.
Uma distribuição contínua apresenta-se sob a forma de uma curva, função real de
variável real contínua, sendo a área abaixo da curva igual à probabilidade; assim, a
probabilidade da variável aleatória x estar compreendida no intervalo [a, b] nota-se
por:
p {a ≤ x ≤ b } =
b
∫ f ( x ) dx
a
∑x i
µ= i =1
(2.1)
N
Sendo N a dimensão da população (finita).
∑ (xi − µ )
N
σ 2
= i =1
(2.2)
N
∑ (xi − µ )
N
σ = σ = 2 i =1
(2.3)
N
A figura 2.3 apresenta duas distribuições com a mesma média mas diferentes
desvios padrões.
Figura 2.3 – Duas distribuições de probabilidade com a mesma média µ e diferentes desvios
padrões
∞ 2
σ = ∑ ( xi − µ ) p( xi )
2
(2.5)
i =1
∞
µ = ∫ xf ( x)dx (2.6)
−∞
∞
σ = ∫ ( x − µ ) f ( x)dx
2 2
(2.7)
−∞
nD
µ= (2.9)
N
nD ⎛ D ⎞⎛ N − n ⎞
σ2 = ⎜1 − ⎟⎜ ⎟ (2.10)
N ⎝ N ⎠⎝ N − 1 ⎠
Exemplo: Um lote de dimensão 30 contém 3 unidades defeituosas. Qual é a probabilidade de que uma
amostra de 5 unidades retirada aleatoriamente contenha uma unidade não conforme?
⎛ 3 ⎞⎛ 30−3 ⎞
⎜ ⎟⎜ ⎟
P{x = 1} = p (1) = ⎝ 1 ⎠⎝ 5 − 1 ⎠ = 0.369
⎛ 30 ⎞
⎜ ⎟
⎝5⎠
σ 2 = np(1 − p ) (2.13)
Exemplo: Um processo de produção opera produzindo 2% de não conformes; de hora a hora é retirada
uma amostra de 50 unidades. Se ocorrerem uma ou mais unidades não conformes o processo é parado e
um técnico de controlo da qualidade é destacado para estudar a causa da produção de defeituosas. Qual
a probabilidade desta ocorrência?
e −λ λx
p(x ) = x = 0, 1,... (2.14.)
x!
Com parâmetro λ 〉 0 .
µ =λ (2.15)
e
σ2 =λ (2.16)
Exemplo: suponhamos que o número de defeitos de brasagem por unidade que ocorre
num componente de semicondutor está distribuído de acordo com a distribuição de
Poisson com parâmetro λ = 4 . Então a probabilidade de que um semicondutor
seleccionado aleatoriamente contenha 2 ou menos defeitos é:
2
e −4 4 x
P{x ≤ 2} = ∑ = 0.0183 + 0.0733 + 0.1464 = 0.2380
x =0 x!
x −1⎞ ν
P( x) = ⎛⎜ ⎟ p (1 − p )
x −ν x = ν ,ν + 1,ν + 2,... (2.17)
⎝ν −1⎠
em que ν é inteiro e ≥ 1
ν
µ= (2.18)
p
ν (1 − p )
σ2 = (2.19)
p2
1 ⎛ x−µ ⎞ 2
1 − ⎜ ⎟
f ( x) = e 2⎝ σ ⎠ -∞ < x < ∞ (2.20)
σ 2π
Na figura 2.5 está ilustrada uma interpretação simples do significado do desvio padrão
⎧ a−µ⎫ ⎛a−µ⎞
P{x ≤ a} = P ⎨Z ≤ ⎬ = φ⎜ ⎟ (2.23)
⎩ σ ⎭ ⎝ σ ⎠
aleatória N ( µ , σ ) noutra N (0 , 1 ).
2
P{x ≥ a} = 1 − P{x ≤ a}
P{x ≤ − a} = P{x ≥ a} (2.24)
P{x ≥ − a} = P{x ≤ a}
Exemplo: a tensão de saída de uma fonte de alimentação segue uma distribuição normal com média
12 V e desvio padrão 0.05 V; considerando imites superior e inferior de especificação para a tensão,
respectivamente, 12.10 e 11.90 V, calcular a probabilidade de uma fonte de alimentação escolhida
aleatoriamente estar conforme a especificação.
x ≈ N (12,0.052 )
LSE = 12.10
LIE = 11.90
Então:
f ( x ) = λ e − λx x ≥ 0 (2.25)
1
µ= (2.26)
λ
1
σ2 = (2.27)
λ2
1 1
P{x ≤ 1} = ∫ λe −λx dx = ∫ 0.125e −0.125 dx =
0 0
−0.125
= 1− e = 0.118
Faremos aqui apenas uma referência sumária a estes dois tipos de distribuições
contínuas dada a sua aplicação em problemas de fiabilidade não especificamente
tratados no âmbito deste curso, como sejam a modelação do tempo até ocorrência de
avarias em sistemas com redundância ou em sistemas com componentes eléctricos e
mecânicos.
β −1 ⎛ x⎞
β
β ⎛ x⎞ −⎜ ⎟
⎝θ ⎠
f ( x) = ⎜ ⎟ e x≥0 (2.32)
θ ⎝θ ⎠
θ (> 0) - parâmetro de escala
β (> 0) - parâmetro de forma
⎛ 1⎞
µ = θΓ⎜⎜1 + ⎟ (2.33)
⎝ β ⎟⎠
⎡ ⎛ 2⎞ ⎛ 1⎞
2⎤
σ 2 = θ 2 ⎢Γ⎜⎜1 + ⎟ − Γ⎜1 + ⎟ ⎥
β ⎟⎠ ⎜⎝ β ⎟⎠
(2.34)
⎢ ⎝ ⎥
⎣ ⎦
n
(Quanto menor for , melhor a aproximação)
N
n
≤ 0. 1
N
⎛ D ⎞
B ⎜ p = ,n⎟
⎝ N ⎠
p < 0. 1
n ≥ 20
(Quanto menor for p e maior n,
melhor a aproximação)
P
np > 10 (λ = np )
p ≥ 0.5
λ ≥ 15
(Quanto maior, melhor a
aproximação)
N
⎛ µ = np ⎞
⎜ 2 ⎟ µ =σ2 =λ
⎜ σ = np (1 − p ) ⎟
⎝ ⎠