Modulo 2 D - Distribuicoes de Probabilidade

Universidade de Brasília
Departamento de Engenharia Mecânica

Programa de Pós graduação em Integridade Estrutural
Distribuições de Probabilidade
Confiabilidade Estrutural
Jorge Luiz A.
Professor
Ferreira
Distribuições de Probabilidade Importantes

Distribuições Discretas
Distribuição Binomial
Vamos Construir uma Experimento 3 - A probabilidade de um
Aleatório com as Seguintes sucesso, denotada por p, não se
Características: modifica de ensaio para ensaio.
Conseqüentemente, a
1 - O experimento consiste de uma probabilidade de um fracasso,
seqüência de n ensaios idênticos. denotado por 1-p, se mantém
constante nos diversos ensaios.
2 - Dois resultados são possíveis em cada
ensaio. Um deles será denominado
4 - Os ensaios são
sucesso e o outro será denominado
independentes entre si.
fracasso.

• Se as propriedades 2, 3 e 4 estiverem presentes, diz-se
que os ensaios são gerados por um processo de Bernoulli.
• Se, além disso, a propriedade 1 for satisfeita, diz-se que o

se tem um experimento binomial.
• Em um experimento binomial, nosso interesse estará

centrado no número de sucessos que ocorrem nos n ensaios.

Exemplos de Situações em que tais experimentos são
praticados:
• Uma peça é classificada como boa ou defeituosa;
• O resultado de um exame médico para detecção de uma doença é
positivo ou negativa.
• Um entrevistado concorda ou não com a afirmação feita;
• No lançamento de um dado ocorre ou não face 6;
• No lançamento de uma moeda ocorre cara ou coroa.

• Se X denota o número de sucessos que ocorrem nos n
ensaios, vemos que X pode assumir os valores 0, 1, 2, 3, ...,
n.
• A probabilidade de X assumir um valor k dentre os n + 1

possíveis é:
Combinação
n k nk
P ( X  k ; n; p )    p (1  p ) n
   C k 
n n!
k  k  k! n  k !

Distribuição Binomial – Média e Desvio Padrão
No caso especial em que a variável aleatória tem uma
distribuição binomial com um número conhecido de n ensaios e
uma probabilidade conhecida de p sucessos:
Média:   x  n  p
Desvio-Padrão:   x   n  p  1  p 

Distribuição Binomial – Exemplo
Dez por cento das peças fabricadas em uma determinada
linha de produção são defeituosas. Considerando que tais
peças são usadas na montagem de um equipamento e que são
usados em cada equipamento 4 peças, faça uma análise da
chance de se encontrar peças defeituosas em um
equipamento.

Basicamente este estudo consiste em avaliar a probabilidade
de se encontrar em um mesmo equipamento 4, 3, 2, 1, ou zero
peças defeituosas. Assim, considerando:
Número de Peças Usadas, n: 4
Probabilidade de extrair 1 peça com Defeito da linha de produção, p: 10%
Probabilidade de extrair 1 peça sem Defeito da linha de Produção, q: 90%
Teremos:

n  4 p  0.1
r  0 q  1  p
r n r
P( r)  100 combin ( n  r)  p  q
P( 0)  65.61 P( 1)  29.16 P( 2)  4.86 P( 3)  0.36 P( 4)  0.01


Distribuição Binomial – Campo de Aplicação
Campo de Aplicação Ensaios
Estudo de problemas que envolvem o •Inspecção de produtos defeituosos em
número de defeitos em amostras de uma remessa de peças de aço;
tamanho n retirada de um grande lote • Inspeção de pneus defeituosos em um
tendo uma probabilidade de defeitos lote de produção;
p; probabilidade de x ocorrências em • Determinação de defeitos solda;
um grupo de y ocorrências, ou seja, • Probabilidade que uma máquina de
situações que envolvam dicotomias; produção irá desempenhar a sua função;
proporção de lotes que não mudam • Comportamento de Spins não
significativamente como resultado da interagentes
amostra sorteada. • etc

Distribuição Hipergeométrica
Tal distribuição é usada nas mesmas situações em que se usa a
distribuição binomial, com uma importante diferença:
“Na distribuição binomial o percentual de defeitos (e, portanto, de
“conformes”) é assumida como sendo constante ao longo de todo o
teste.”
Isso é verdade se o lote do qual a amostra é colhida é tão
grande que a retirada da amostra não afeta a proporção de
produtos defeituosos.

Ou, se o lote for pequeno, presume-se que, quando a amostra é
colhida, cada item da amostra é reposta antes do próximo
seleção.
Assim, se a proporção de defeitos não puder ser assumida
como constante, a distribuição hipergeométrica deve ser
utilizada.

A função de probabilidade hipergeométrica é definida pela
seguinte expressão:
Onde:
r N r N = Tamanho do Lote;
    
 x  n  x  n = Tamanho da amostra;
P x   , para 0  x  r
N P(x) = Probabilidade de escolher
 
n x sucessos em n ensaios
r = Num. de Defeitos no Lote

Distribuição Hipergeométrica – Média e Desvio Padrão
r
Média:   x  n 
N
r N n  r 
Desvio-Padrão:   x   n    1  
N N 1  N 

Distribuição Hipergeométrica – Exemplo
Um fornecedor recebeu um lote com 15 lâmpadas e vendeu 10
delas. Mais tarde, ele foi informado que 5 das 15 lâmpadas
eram defeituosos. Qual é a probabilidade de que seu cliente
recebeu 3 defeituosas ?
Tamanho do Lote, N: 15 Tamanho da Amostra, n: 10

combin( r  x)  combin( N  r  n  x)
P( x)  100
Número de defeitos: combin( N  n )
no Lote, r: 5,
na Amostra, x: 3
P( 3)  39.96

Distribuição hipergeométrica – Campo de Aplicação
Inspeção de componentes mecânicos, • Probabilidade de obter-se 10 resistores
elétricos, etc quando se possui satisfatórios em um lote de 100, tendo 2%
pequenos lotes para a caracterização de defeituosos; e casos similares
do percentual de defeitos. Mesmas aplicados a pequenos lotes.
situações em que se usa a binomial, • Inspeção de pneus defeituosos em um
exceto, pelo fato das proporções de lote de produção;
falha poderem mudar como resultado • Determinação de defeitos solda;
da amostra sorteada. • Probabilidade que uma máquina de
produção irá desempenhar a sua função
• etc

Distribuição de Poisson
A distribuição de Poisson aplica-se em
situações em que o evento (ou entidade)
de interesse está homogeneamente
distribuído na população. Exemplo:
Siméon Denis Poisson
- A distribuição de parasitas em uma população de 1781 - †1840
hospedeiros;
- O número de vazamentos em 160 km de tubulação.
- O número de reparos necessários em 16 Km de uma rodovia.
- O decaimento radiativo ou a picada de um mosquito infectado com

Para uma melhor compreensão 2 - Um número infinito de ocorrências de
da distribuição, vamos idealizar um evento devem ser possíveis no
o seguinte experimento: intervalo;
3 - A probabilidade de uma única
1 - A ocorrência dos eventos é ocorrência do evento em um dado
independente, ou seja, a intervalo é proporcional ao tamanho do
ocorrência de um evento em um intervalo;
intervalo de espaço ou de tempo 4 - Em uma porção infinitesimal do
não tem qualquer efeito sobre a
intervalo, a probabilidade de mais de uma
probabilidade de ocorrência de
ocorrência do evento é desprezível.
um segundo evento;

Assim, Se x representar a ocorrência de algum evento
aleatório em um intervalo de tempo ou espaço, a probabilidade
de ocorrência de x será definida pela seguinte expressão:
e  l  lx
P x   , x  1, 2, 3, 
x!
Onde:
l é o parâmetro de distribuição, é a média de ocorrência de x
e = 2,71828182846

Distribuição de Poisson – Exemplo
Considere um conjunto testes realizados em motores
monocilíndricos com um certo tipo de combustível. O número
de detonações foi gravado durante 30 minutos. Dez destes
motores foram testados e os resultados são apresentados a
seguir. Determine a probabilidade da ocorrência de zero, um,
dois, três e quatro explosões por minuto, por motor.

Resultados dos Ensaios de Detonação
Solução:
Núm Médio de Detonação por
Minutos: 0,73 (219/(10*30))
Se x representar a ocorrência de
detonações em um intervalo de
tempo, o parâmetro da distribuição,
l, será igual a 0,73

Resultados dos Ensaios de Detonação
Solução:
219
λ 
10 30
λ x
e λ
P( x)  100 
x!
P( 0 )  48.191 P( 3 )  3.125
P( 1 )  35.179 P( 4 )  0.57
P( 2 )  12.84 P( 5 )  0.083

Distribuição de Poisson – Campo de Aplicação
Situações onde o • Número de avarias na máquina em uma fábrica;
número de vezes que • Número de vezes que partículas de pó em suspensão entram em um
ocorre um evento determinado volume de controle;
pode ser observado, • Número de acidentes em plantas industriais;
mas não o número de • Erros dimensionais em desenhos de engenharia;
vez que o evento não • Acidentes de automóvel num determinado local por unidade tempo;
ocorrer. Aplica-se a • Número de urgências hospitalares,
eventos distribuídos • Defeitos ao longo de uma fita longa, arame, corrente, bar, etc;
aleatoriamente no • Número de rebites defeituosos em uma asa de avião;
tempo. • Decaimento radioativo,
• Número de detonações número do motor;
• Número de falhas por metro quadrado em chapa de metal.

Distribuições Contínuas
Distribuição Uniforme ou Retangular
A distribuição uniforme é a Definição da Função de Densidade
distribuição de probabilidades Seja [a,b] o espaço amostral. Então
temos que a função densidade de
contínua mais simples de probabilidade, para a ≤ x ≤ b , é:
conceituar: a probabilidade de
se gerar qualquer ponto em um
intervalo contido no espaço
amostral é proporcional ao
tamanho do intervalo.

Medidas de Tendência Central e Distribuição Acumulada:
de Dispersão
Média Se x ~ Unif(a,b), então a sua função
de distribuição é quantificada pela
ab
  x  E x  equação:
2
Devio Padrão
0, se x  a
x a
  x  E x    
2  b  a 
F  x   , se a  x  b
2 3 b  a
0, se x  b

Distribuição Uniforme ou Retangular - Exemplo
O peso mínimo de um pacote de 1 kg de café é igual a 0,98 kg.
O fabricante garante que a distribuição de pesos é uniforme e
que a função de densidade de probabilidade, f(x) é igual a 9,75.
Se o fabricante disse a verdade, qual é o peso máximo que um
pacote de café pode ter ?
Por definição temos:
1 1
 9,75  b a
ba 9,75
Se a  0,98  b  1,08

Distribuição Uniforme ou Retangular - Exemplo
Um vôo da ponte aérea Rio-São Paulo leva entre 40 e 50
minutos, com igual probabilidade de ocorrência dentro desse
intervalo. Com base nessa informação, calcule qual a
probabilidade do vôo durar mais de 48 minutos e qual a
probabilidade do vôo durar entre 43 e 45 minutos.
xa x  40
Por definição temos: F  x  ,a xb  F  x 
ba 10
48  40 45  40 43  40
 F  x  48  1   20%  F  43  x  45    20%
10 10 10

Distribuição Uniforme – Campo de Aplicação
• Usada comumente nas situações em que não há • Tempo de chegada de um
razão para atribuir probabilidades diferentes a um vôo;
conjunto possíveis de valores da variável aleatória em
um determinado intervalo; • Distância de posição de
• Usualmente associamos uma distribuição uniforme a cargas em uma ponte, em
uma determinada variável aleatória, simplesmente por relação a um pilar terminal;
falta de informação mais precisa, além do
conhecimento do seu intervalo de valores; • avaliar avarias causadas por
• Geração numérica de qualquer outra distribuição desastres naturais, como o
contínua, na qual a função distribuição acumulada seja rastro de destruição causado
inversível, pode ser simulada a partir da distribuição por um tornado,acidentes,
uniforme. (TEOREMA DA TRANSFORMAÇÃO guerras
INTEGRAL)

Quando Usar:
• Quando há um certificado ou limites especificando um nível de
confiança (Ex.: 25ml ± 0,05ml);
• É feito uma estimativa de um valor máximo;
• A variabilidade da medição for baixa.


Distribuição Triangular Definição da Função de Densidade
É a distribuição de
probabilidade contínua que
possui um valor mínimo a, um
valor máximo b e uma moda c,
de modo que a função densidade
de probabilidade é zero para os
extremos (a e b), de forma que
o gráfico dela é um triângulo

Distribuição Triangular
Medidas de Tendência Central e de Dispersão
Média
abc ab
  x  E x    x  E x 
2
 Distribuiç ão Simetrica 
3
Devio Padrão
a2  b2  c2  a  b  b  c  c  a
  x  E x   
2

18
  x  E x    
2  b  a
 Distribuiç ão Simetrica 
2 6

Distribuição Triangular
Quando Usar:
• A Distribuição Triangular é normalmente usada quando existe uma
ideia subjetiva da população, através dos seus extremos e da sua moda
• Quando uma estimativa é feita na forma de ranges máximos [b, a]

descritos por distribuições simétricas;
• A variabilidade da medição for baixa.


Distribuição Log Normal
Uma variável x, definida na Definição da Função de Densidade
faixa 0 < x < , tem uma A função densidade de
probabilidade de X é expressa por:
distribuição lognormal se log
1  ( Ln x   t ) 2 
(x) for normalmente f ( x)  Exp  
 t 2  2 t 2

distribuída com média e
desvio-padrão dados por: com valor esperado e variância
calculados por:
 ln x  E (ln x) 
t  Exp E ( Ln x  ) 
Var ( Ln x  ) 

 2 
 2
ln x  Var (ln x)  t2 ( x)  Exp 2 E  Ln x    Var  Ln x   (e Var ( Ln  x  )  1) 

Distribuição Log Normal - Exemplo
Um fabricante quer entrar numa concorrência de fornecimento
de fios de aço de 5,08 mm de diâmetro, que tem uma
resistência ao cisalhamento de 206,8 MPa. Este fio é usado no
controle das barras combustíveis de reatores nucleares. A
substituição destas molas é realizada após a aplicação de 106
ciclos de tensão na condição de operação. Sabe-se de
experiências anteriores que a distribuição da vida de falhas
sob condições de tensão constante é lognormal, com os
seguintes parâmetros:

t  Log 1,38 10 6   6,1399
 t  Log 1,269   0,1035
Determine a probabilidade da falha ocorrer antes da troca.
Considerando que a vida esperada é igual a 106 ciclos, a função de densidade

de probabilidade assumirá a seguinte forma:
1  ( Log  x   6,1399) 2 
f ( x)  Exp  
2   0,1035
2
0,1035  2  
A probabilidade de falha é igual a probabilidade de x assumir o valor menor
que 106 ciclos

Assim, teremos que calcular a seguinte probabilidade:
 ( xlc  6,1399) 2 

P x  106   6 , 000 1
Exp 
 2   0,1035 
2
  P z  z 

0,1035  2  
xlc  l 6  6,1399
z    1,36  P z  z   P z  1,36 
l 0,1035
Ou seja, a chance da mola falhar é igual a 8,69 %.


Distribuição Log-Normal – Campo de Aplicação
• Estudo de fenômenos da vida; • Acúmulo de milhas por diferentes
• Situações assimétricos onde as motorista de uma determinada marca de
ocorrências estão concentradas na veículo;
parte final do intervalo (caudas das • Quantidade de eletricidade usada por
distribuições) ou onde as diferenças vários clientes;
nas suas observações são de uma • Tempo de inatividade de um grande
grande ordem de magnitude número de sistemas elétricos;
• Intensidades de luz das lâmpadas;
• Concentração de resíduos de processo
químico.

Modulo 2 D - Distribuicoes de Probabilidade

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

Modulo 2 D - Distribuicoes de Probabilidade

Caricato da

Copyright:

Formati disponibili

Universidade de Brasília

Departamento de Engenharia Mecânica

Distribuições de Probabilidade Importantes

Distribuições de Probabilidade Importantes

• Se, além disso, a propriedade 1 for satisfeita, diz-se que o

• Em um experimento binomial, nosso interesse estará

Distribuições de Probabilidade Importantes

Distribuições de Probabilidade Importantes

• A probabilidade de X assumir um valor k dentre os n + 1

Distribuições de Probabilidade Importantes

Distribuições de Probabilidade Importantes

Distribuições de Probabilidade Importantes

Número de Peças Usadas, n: 4

Probabilidade de extrair 1 peça com Defeito da linha de produção, p: 10%

Probabilidade de extrair 1 peça sem Defeito da linha de Produção, q: 90%

Distribuições de Probabilidade Importantes

P( 0)  65.61 P( 1)  29.16 P( 2)  4.86 P( 3)  0.36 P( 4)  0.01

Distribuições de Probabilidade Importantes

Distribuições de Probabilidade Importantes

Distribuições de Probabilidade Importantes

Distribuições de Probabilidade Importantes

Distribuições de Probabilidade Importantes

Distribuições de Probabilidade Importantes

Tamanho do Lote, N: 15 Tamanho da Amostra, n: 10

Distribuições de Probabilidade Importantes

Distribuições de Probabilidade Importantes

Distribuições de Probabilidade Importantes

Distribuições de Probabilidade Importantes

Distribuições de Probabilidade Importantes

Distribuições de Probabilidade Importantes

Distribuições de Probabilidade Importantes

Distribuições de Probabilidade Importantes

Distribuições de Probabilidade Importantes

Distribuições de Probabilidade Importantes

Distribuições de Probabilidade Importantes

Distribuições de Probabilidade Importantes

Distribuições de Probabilidade Importantes

Distribuições de Probabilidade Importantes

• É feito uma estimativa de um valor máximo;

• A variabilidade da medição for baixa.

Distribuições de Probabilidade Importantes

Distribuições de Probabilidade Importantes

Distribuições de Probabilidade Importantes

• Quando uma estimativa é feita na forma de ranges máximos [b, a]

• A variabilidade da medição for baixa.

Distribuições de Probabilidade Importantes

Distribuições de Probabilidade Importantes

Distribuições de Probabilidade Importantes

Considerando que a vida esperada é igual a 106 ciclos, a função de densidade

Distribuições de Probabilidade Importantes

Ou seja, a chance da mola falhar é igual a 8,69 %.

Distribuições de Probabilidade Importantes

Potrebbero piacerti anche