EPR503_8949_NT_001.pdf
Transcript of EPR503_8949_NT_001.pdf
EPR503 - ESTATÍSTICA APLICADA Universidade Federal de Itajubá
Prof. Dr. Anderson Paulo de Paiva 1
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG 1
ESTATÍSTICA APLICADA
Prof. Dr. Anderson Paulo de Paiva
(35) 3629-1272
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG 2
ESTATÍSTICA E PROBABILIDADE – PARTE I
Estatística Descritiva
Distribuições de Probabilidade
Inferência
EPR503 - ESTATÍSTICA APLICADA Universidade Federal de Itajubá
Prof. Dr. Anderson Paulo de Paiva 2
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG 3
SUMÁRIO
PARTE I
1 – Estatística Descritiva
2 – Distribuições de Probabilidade
3 – Estimação
4 – Intervalos de Confiança
PARTE II
5 – Testes de Hipótese
6 – Análise de Variância
PARTE III
7 – Séries Temporais
8 – Correlação e Regressão
Bibliografia básica:
• Montgomery, D.C., Runger, G.C.,Estatística Aplicada e Probabilidadepara Engenheiros, 2ª ed., LTC LivrosTécnicos e Científicos, 2002, 461 p.
• Software Minitab 16®
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG 4
Atividades e Cronograma
1 – Avaliação: 4 Notas de Prova, 2 Notas de Trabalho
1 Exame
2 – Composição 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 Exercício;
4 – Aulas Práticas (Software Estatístico Minitab® 15.0).
AVALIAÇÃO
EPR503 - ESTATÍSTICA APLICADA Universidade Federal de Itajubá
Prof. Dr. Anderson Paulo de Paiva 3
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG 5
Estatística para a Engenharia
-3,0
-1,5
0,0500,075
0,100f 0,125
0,0500,0750,075
0,0
0,10,125
0,3
0,2
0,3
d
f
d
0,0950,0900,0850,0800,0750,070
0,42
0,39
0,36
0,33
0,30
0,27
Hold Values
V 218
T
2
Tt
2,5
3
Kp
7
8
MRR
6
8
Ra
0,39
6
0,41
7
Ct
1,5
MMSE
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG 6
1 - Estatística Descritiva
“Uma mente que se abre para uma nova idéia, jamais retornará ao seu tamanho
original”. (Albert Einstein)
EPR503 - ESTATÍSTICA APLICADA Universidade Federal de Itajubá
Prof. Dr. Anderson Paulo de Paiva 4
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG 7
A População (ou Distribuição) é a coleção de todas as observaçõespotenciais sobre determinado fenômeno.
O conjunto de dados efetivamente observados, ou extraídos, constituiuma Amostra da população.
Um Censo é uma coleção de dados relativos a Todos os elementos de umapopulação.
Um Parâmetro está para a População assim como uma Estatística está paraa Amostra.
A essência da ciência é a observação. Estatística é, portanto, a
ciência que se preocupa com a organização, descrição, análise
e interpretação dos dados experimentais. É um ramo da
Matemática Aplicada. Entre os principais conceitos, tem-se:
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG 8
Variável Tipo
Estado: Perfeita ou defeituosa; Tipo de ferramenta de usinagem, tipode gás de proteção em soldagem.
Qualitativa Nominal
Qualidade: 1a, 2a ou 3a categoria Qualitativa Ordinal
No de peças defeituosas, No de defeitos, No de reclamações porsemana.
Quantitativa Discreta
Diâmetro das peças, rugosidade, largura de cordões de solda. Quantitativa Contínua
Variável
Qualitativa
Nominal
Ordinal
Quantitativa
Contínua
Discreta
EPR503 - ESTATÍSTICA APLICADA Universidade Federal de Itajubá
Prof. Dr. Anderson Paulo de Paiva 5
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
Média Variância Desvio Padrão
Variância (Opcional)Variável Reduzida ou
PadronizadaCoeficiente de Variação
Mediana Primeiro Quartil Terceiro Quartil
9
( )
11
2
2
−
−
=∑
=
n
xx
S
n
i
i
−−
= ∑∑
=
=n
i
n
i
i
in
x
xn
S1
2
122
1
1
n
x
x
n
i
i∑=
=1
x
SCV =
σ
x-μZ =
( )
11
2
−
−
=∑
=
n
xx
S
n
i
i
( ) ( ) ( )312 4
13
4
1 ~
2
1312
Qn
PQn
PxQn
PQQQ
⇒+
=⇒+
==⇒+
=
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG 10
~xn
o
=+
1
2termo ~x
n n
=
+ +
2 21
2
o o
termo termo
35 36 37 38 40 40 41 43 46 40, , , , , , , , ~⇒ =x
12 14 14 15 16 16 17 2015 16
215 5, , , , , , , ~ ,⇒ =
+=x
Ex.:
Se n é ímpar: Se n é par:
Mediana é o valor que representa o “meio” de um conjunto de dadosdispostos em ordem crescente ou decrescente. Representa o quinquagésimopercentil, ou seja, 50% dos dados da amostra ou população estarão acima e/ouabaixo deste valor. A mediana não sofre a interferência de valores extremos(Outliers). Seu cálculo, assim como quartis e percentis, depende exclusivamenteda quantidade de termos n da sequência. Sua representação gráfica é feitaatravés de um boxplot. Assim, tem-se que:
EPR503 - ESTATÍSTICA APLICADA Universidade Federal de Itajubá
Prof. Dr. Anderson Paulo de Paiva 6
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG 11
*Outlier Upper (x ≥ Q3 + 1,5D)
Outlier Lower (x ≤ Q1 - 1,5D)
Q3=75ª Percentil
Observação Máxima
Q1=25ª Percentil
Q2=Mediana (50ª Percentil)
D=Q3-Q1
1,5D
Q3
Q1
D
X máx
X min
Q2
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG 12
25,5 26,126,8 23,224,2 28,425,0 27,827,3 25,7
Média: 26,00
Durabilidade (Y)Supõe-se que a durabilidade de bateriasusadas em aparelhos celulares seja normalmentedistribuída. Uma amostra aleatória de 10 baterias ésubmetida a um teste de vida acelerada, fazendo-asfuncionar continuamente a uma alta temperatura, atéacabarem. Estes resultados estão na tabela ao lado.
Determine:a) A médiab) A variância e o desvio padrão;c) Mediana;d) 1º e 3º Quartil;e) Coeficiente de Variação;f) Z, para x = 30 h.g) Construa um boxplot para os dados.
29
28
27
26
25
24
23
Du
rab
ilid
ad
e
Boxplot of Durabilidade
EPR503 - ESTATÍSTICA APLICADA Universidade Federal de Itajubá
Prof. Dr. Anderson Paulo de Paiva 7
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG 13
i xi Desvio (ei) (ei)2 (xi)
2
1 23,2 -2,8 7,8 538,22 24,2 -1,8 3,2 585,63 25,0 -1,0 1,0 625,04 25,5 -0,5 0,3 650,35 25,7 -0,3 0,1 660,56 26,1 0,1 0,0 681,27 26,8 0,8 0,6 718,28 27,3 1,3 1,7 745,39 27,8 1,8 3,2 772,810 28,4 2,4 5,8 806,6
Soma: 260,0 0,0 23,8 6783,8
( )
( )
CV S
S
n
x
xn
S
n
xx
S
n
x
x
n
i
n
i
i
i
n
i
i
n
i
i
%25,6000,26
625,1625,164,2
64,29
10260
8,6783
1
1
64,29
8,23
1
0,2610
260
2
2
1
2
122
1
2
2
1
====
=−
=
−−
=
==−
−
=
===
∑∑
∑
∑
=
=
=
=
( )
( ) ( )
( ) ( )
( ) ( )ãointerpolaç425,275,54
33
4
13
ãointerpolaç8,2475,24
11
4
1
9,252
1,267,25~5,52
11
2
1
46,2625,1
2630-x 30xZ
3
1
2
3
1
2
⇒=⇒==+
=
⇒=⇒==+
=
=+
==⇒==+
=
=−
===
Qn
P
Qn
P
xQn
P
Q
Q
Q
σ
µ
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG 14
Metal de base
Cordão de Solda
W
P
HAR
AP
•Aplicações convencionais •Soldagem de revestimento
EPR503 - ESTATÍSTICA APLICADA Universidade Federal de Itajubá
Prof. Dr. Anderson Paulo de Paiva 8
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG 15
Largura (W) do cordão (mm)
10,373 10,745 11,041 10,395 11,554
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
Em processo de soldagem de deposiçãopor FCAW de aço inoxidável ABNT 316Lem aço carbono 1020, deseja-se que ocordão de solda tenha a máxima largura(W) possível. Em um dado setup, umaamostra de 25 seções transversais destescordões foram obtidas as largurasdescritas na tabela ao lado.
Determine:
a) A largura média dos cordões;b) A variância e o desvio padrão das
larguras;c) A largura “Mediana”;d) O 1º e 3º Quartil dos dados;e) Coeficiente de Variação;f) O valor de Z para x = 11 mm.
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG 16
Penetração (P) do cordão (mm)
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
Como se trata de um processo dedeposição superficial apenas, deseja-seque os cordões tenham mínimapenetração (P). Analogamente ao Caso1, pede-se:
Determinar:
a) A penetração média dos cordões;b) A variância e o desvio padrão dos
dados;c) A “Mediana”;d) O 1º e 3º Quartil dos dados;e) Coeficiente de Variação;f) O valor de Z para x = 1,800 mm;g) Construa um boxplot, um
histograma e um gráfico de ramo-e-folhas e um CDF para os dados.
EPR503 - ESTATÍSTICA APLICADA Universidade Federal de Itajubá
Prof. Dr. Anderson Paulo de Paiva 9
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG 17
Reforço (H) do cordão (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
2,774 2,659 2,607 2,397
2,719 2,656 2,622 2,561
2,845 2,653 2,556 2,421
Para o reforço ou altura do cordão (H),determine:
a) O reforço médio dos cordões;b) A variância e o desvio padrão dos
dados;c) A “Mediana”;d) O 1º e 3º Quartil dos dados;e) Coeficiente de Variação;f) O valor de Z para x = 3,000 mm.
g) Represente os dados através deum boxplot e de um histograma.
h) Construa um gráfico de Ramo-e-folhas;
i) Construa um CDF empírica.
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG 18
Área de Penetração (AP) do cordão (mm2)
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
2,774 2,659 2,607 2,397
2,719 2,656 2,622 2,561
2,845 2,653 2,556 2,421
Área de Reforço (AR) do cordão (mm2)
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
2,774 2,659 2,607 2,397
2,719 2,656 2,622 2,561
2,845 2,653 2,556 2,421
Repita a análise estatística para as variáveis aleatórias AR e AP.
EPR503 - ESTATÍSTICA APLICADA Universidade Federal de Itajubá
Prof. Dr. Anderson Paulo de Paiva 10
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
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
Os dados a seguir referem-se à Vida (durabilidade, em min.) de 6 tipos deferramentas utilizadas no torneamento de aços endurecidos H13, usandoVc=162,5 m/min, avanço f= 0,16 mm/rev e profundidade de corte de 0,24 mm.Construa um boxplot para comparar as propriedades destas ferramentas.
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG 20
PCBN7025WPCBN7025CC650WCC650CC6050WCC6050
45
44
43
42
41
40
TOOL
T
Boxplot of Vida
EPR503 - ESTATÍSTICA APLICADA Universidade Federal de Itajubá
Prof. Dr. Anderson Paulo de Paiva 11
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
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
Para as mesmas condições de usinagem, calcule as estatísticas descritivas econstrua os respectivos boxplots para o custo (Kp) do processo de torneamentodo aço H13 com cada uma das ferramentas disponíveis.
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
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
Considerando as condições de usinagem anteriores, utilizando um boxplot, qualferramenta deveria ser selecionada de modo que a rugosidade (Ra) promovidapela ferramenta fosse a menor possível?
EPR503 - ESTATÍSTICA APLICADA Universidade Federal de Itajubá
Prof. Dr. Anderson Paulo de Paiva 12
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG 23
x
(Variável
Aleatória)
xi
(Ponto
médio)
ni
(Frequência
absoluta)
Fi
(Frequência
relativa)
f%
(Frequência
percentual)
Ni
(Absoluta
Acum.)
Fi
(Relativa
Acum.)
F%
(Percentual
Acum.)
10 20 15 2 0.04 4 2 0.04 4
20 30 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 5 0.1 10 50 1.0 100
S 50 1 100
DISTRIBUIÇÃO DE FREQUÊNCIAS
( )
∑
∑
=
==n
i
i
n
i
ii
n
nx
X
1
1i
iF
FaaPhLxMediana
)(~ −+==
mediana classe
da à Anterior Acumulada FrequênciaFaa
mediano elemento do PosiçãoP
ão;distribuiç da classe de Intervaloh
mediana; classe da inferior LimiteL
Onde
i
=
=
=
=
:
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG 24
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
The demand for bottled water increases during the hurricaneseason in Florida. The operations manager at a plant thatbottles drinking water wants to be sure that the filling processfor one-gallon bottles is operating properly. Currently, thecompany is testing the weights of one-gallon (3,78 l) bottles. Arandom sample of 75 bottles is tested and the weights aredescribed in the following table.
Find the descriptive statistics for these data and write your conclusions aboutthe process. If the specifications for the process are LSL=3,70 and USL=3,90,calculate the percentage of Nonconformity.
EPR503 - ESTATÍSTICA APLICADA Universidade Federal de Itajubá
Prof. Dr. Anderson Paulo de Paiva 13
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG 25
∑=
=−n
i
i xx a1
0)()
( )( )
∑ ∑∑ ∑== =
−=−=−n
i
i
i
n
i
n
i
iin
xxxnxxx b
1
2
22
1 1
22)
( ) ∑∑==
−=−k
i
iii
k
i
ixnxnxxn c
1
222
1
)
( ) ∑∑==
−=−k
i
iii
k
i
ixxfxxf d
1
222
1
)
Mostre que:
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG 26
e) Mostre que a soma de uma constante k a todos os elementosde uma série é igual à média da série mais k.
f) Mostre que a multiplicação de cada elemento de uma série poruma constante é igual à média vezes a constante.
g) Mostre que a variância de uma série não se altera quando seadiciona uma constante a cada um de seus termos.
h) Mostre que multiplicando-se cada elemento de uma série porconstante, a variância fica multiplicada pelo quadrado daconstante.
EPR503 - ESTATÍSTICA APLICADA Universidade Federal de Itajubá
Prof. Dr. Anderson Paulo de Paiva 14
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG 27
Mostre que: ( )n
x
xxx
n
i
in
i
i
n
i
i
2
1
1
22
1
−=−∑
∑∑ =
==
( ) ( )
( )
( )n
x
xn
x
nn
x
xxx
n
x
nxn
x
xxnxxxxx
xxxxxxxxn
x
xxx
n
i
in
i
i
n
i
i
n
i
in
i
i
n
i
i
n
i
in
i
i
n
i
in
i
i
n
i
i
n
i
i
n
i
i
n
i
n
i
i
n
i
i
n
i
ii
n
i
in
i
i
n
i
i
2
1
1
22
2
1
2
1
1
22
1
2
1
1
1
1
22
11
22
1
1
2
11
2
1
22
2
1
1
22
1
2
22
22
−=
+
−=−
+
−=+−=−
+−=+−=
−=−
∑∑
∑∑∑∑
∑∑
∑∑∑∑∑
∑∑∑∑∑
∑∑
=
=
==
==
=
=
=
====
====
=
==
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG 28
Mostre que a variância não se altera se uma constante k for somadaa todas as observações de um conjunto.
( ) ( )( )
( )
( )( )
( )
( )( )
( )( )
( )( )
+
+
−++−
=
=
+
−+−
=
+
−+−
=
+
−+−
=
+
−+−
=
−−
=
∑∑ ∑∑∑
∑ ∑∑
∑ ∑∑
∑∑
∑∑
∑∑
== ==
=
= =
=
= =
=
=
=
=
=
=
=
n
kkxx
kkxxn
s
n
kx
kxnn
kx
kxn
s
n
kx
kxnn
kx
kxnn
x
xn
s
n
i
n
i
n
i
i
n
i
in
i
ii
n
i
n
i
in
i
i
n
i
n
i
in
i
i
n
i
in
i
i
n
i
in
i
i
n
i
in
i
i
2
11 1
2
1
1
222
2
1 1
1
2
2
1 1
1
22
2
1
1
2
2
1
1
2
2
1
1
22
2
21
1
1
1
1
1
1
1
1
1
1
1
EPR503 - ESTATÍSTICA APLICADA Universidade Federal de Itajubá
Prof. Dr. Anderson Paulo de Paiva 15
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG 29
Logo, tem-se:
( )
( )
−=
+
+
−++−
=
+
+
−++−
=
∑∑
∑∑∑∑
∑∑ ∑∑∑∑∑
=
=
==
==
== ==
===
n
x
xn
knxnkx
nkxkxn
s
n
kkxx
kkxxn
s
n
i
in
i
i
n
i
i
n
i
in
i
i
n
i
i
n
i
n
i
n
i
i
n
i
in
i
n
i
i
n
i
i
2
1
1
2
2
22
1
2
12
11
22
2
11 1
2
1
1
2
11
22
2
21
1
2
21
1
( ) ( ) ( ) 111
111
kkn
xn
kxn
n
i
n
i
i
n
i
i+=+=+ ∑∑∑
===
µ
No caso da média, porém, tem-se:
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG 30
Mostre que se todas as observações de um conjunto de dados foremmultiplicadas por uma constante k, a média fica multiplicada por k e avariância, multiplicada pelo quadrado de k.
( ) ( ) ( ) xkxn
kkxn
xxn
xn
i
i
n
i
iT
n
i
i =
==⇒= ∑∑∑
=== 111
111
( )( )
( )( )
( )
( )( )
( )( )
( ) 222
2
1
1
22
2
2
1
1
22
2
1
1
22
1
1
1
1
1
sksn
x
xn
ks
n
xk
xknn
kx
kxn
s
T
n
i
in
i
iT
n
i
in
i
i
n
i
in
i
iT
=⇒
−−
=
=
−
−=
−−
=
∑∑
∑∑
∑∑
=
=
=
=
=
=
Para a variância:
Para a média:
EPR503 - ESTATÍSTICA APLICADA Universidade Federal de Itajubá
Prof. Dr. Anderson Paulo de Paiva 16
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG 31
3 7
Processo A
Processo B
Tempo Total (A+B)
?
= 3s = 1
X = 7s = 2
X
3 2 1
2.23 5 (2) (1) S S S222
B2ABA
=+≠
==+=+=+
Correto; Some as
variâncias e depois
obtenha o Desvio Padrão
Incorreto;
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG 32
-10 -5 0 5 10 15
Linha A
Linha B
Diferença:Linha A – Linha B
?
= 3s = 1X = 7
s = 2X
4 - 7 - 3 X -X X BABA ===−
121
2.235(2)(1)SSS222
B2ABA
= −−≠
==+=+=–
Correto
Incorreto
EPR503 - ESTATÍSTICA APLICADA Universidade Federal de Itajubá
Prof. Dr. Anderson Paulo de Paiva 17
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG 33
111 )(.)( µkXEkkXE ==
112
12
2111
)(
)()(
σ
µ
kXVark
kkXEkXVar
==
−=
µ=)(XE
Considere que uma variável aleatória simples, X,que represente uma dimensão de uma peça, por exemplo.Então, o valor esperado e a variância de X, serão dados,respectivamente por:
212121
212121
)()()(
)()()(
µµ
µµ
+=+=+
−=−=−
XEXEXXE
XEXEXXE22)()( σµ =−= XEXVar
Em uma articulação (Knuckle), por exemplo, o comprimento total é a soma doscomprimentos individuais e a folga entre os garfos, uma diferença. Se oprocesso que produziu a articulação tem variação, esta variação se propagapara o acoplamento. Se uma variável aleatória simples, X1, for multiplicada poruma constante k, então:
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
Se X2 é uma segunda variável aleatória e se a e b são constantes,então, usando a propriedade da adição na expectância, vem que:
12
21
2211
221121
),(
))((
))((),(
σ
µµ
µµ
ab
XXabCov
XXabE
bbXaaXEbXaXCov
=
=
−−=
−−=
222
111
)()(
)()(
µ
µ
bXbEbXE
aXaEaXE
==
==
34
EPR503 - ESTATÍSTICA APLICADA Universidade Federal de Itajubá
Prof. Dr. Anderson Paulo de Paiva 18
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
Covariância é a medida da variância conjunta de duas variáveisaleatórias. Ela mede o grau de associação, dependência ou relaçãoentre elas. Tal como a variância, a covariância não possuisignificado físico, o que a torna de difícil interpretação.
Matematicamente, pode-se escrever que:
(Covariância Populacional) (Covariância Amostral)
( )( )
n
xxxxn
i
n
j
jjii
xx ji
∑∑= =
−−
=1 1σ
COVARIÂNCIACOVARIÂNCIA
35
( )( )
11 1
−
−−
=∑∑
= =
n
xxxx
S
n
i
n
j
jjii
xx ji
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
Correlação (ρxixj) é a medida da dependência ou relaçãoentre duas variáveis, escrita na forma adimensional como a razãoentre a covariância de xi e xj e o produto das variâncias individuaisdestas variáveis aleatórias, tal que:
Diferentemente da covariância, a correlação possui fácilinterpretação se considerarmos a escala de Pearson, tal que:
( )( )
( ) ( )
( )( )
( ) ( )jiji xxn
j
jj
n
j
ii
n
i
n
j
jjii
n
j
jj
n
j
ii
n
i
n
j
jjii
xx r
xxxx
xxxx
n
xxxx
n
xxxx
=
−×−
−−
=
−×−
−−
=
∑∑
∑∑
∑∑
∑∑
==
= =
==
= =
1
2
1
2
1 1
1
2
1
2
1 1
ρ
CORRELAÇÃOCORRELAÇÃO
36
11 +≤≤−ji xxr
EPR503 - ESTATÍSTICA APLICADA Universidade Federal de Itajubá
Prof. Dr. Anderson Paulo de Paiva 19
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
Considere os dados a seguirreferentes ao torneamento do açoH13. Calcule a correlação entre osseguintes pares de variáveis:
a) T e Kp;
b) T e Fr;
c) T e Ecc; Fr e Kp
EXEMPLOEXEMPLO
37
T Kp Ra Rt Fr ECC
62 2,555 0,13 1,18 340,221 0,0042233 1,583 0,11 1,09 236,493 0,01434
52 2,04 0,41 2,82 432, 593 0,0065430,5 1,325 0,72 3,52 240,32 0,03165
63 3,173 0,34 2,44 451,47 0,00776
30 1,856 0,09 0,66 244,18 0,0303452 2,499 0,08 0,72 459, 395 0,01623
28,5 1,174 0,42 2,23 246,31 0,0673759 3,352 0,22 1,74 485,87 0,00487
24,5 1,231 0,29 1,42 224,48 0,0469639 2,875 0,13 1,18 319,28 0,00734
40,25 1,518 0,49 2,6 358,85 0,02953
51 1,512 0,22 1,48 330,98 0,0072747,5 1,984 0,12 0,92 359,24 0,02841
43,5 1,99 0,47 0,98 336,52 0,0187843 1,969 0,49 0,97 335,28 0,01858
44,5 2,015 0,49 0,96 334,92 0,0189644 1,967 0,48 0,98 337,83 0,01837
45 1,946 0,47 0,97 334,78 0,01895
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
EXEMPLOEXEMPLO
38
3,53,02,52,01,51 ,0
60
50
40
30
20
Kp
T
Scatterplot T x Kp
500450400350300250200
60
50
40
30
20
Fr
T
Scatterplot T x Fr
0,070,060,050,040,030,020,010,00
60
50
40
30
20
ECC
T
Scatterplot T x ECC
EPR503 - ESTATÍSTICA APLICADA Universidade Federal de Itajubá
Prof. Dr. Anderson Paulo de Paiva 20
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
( ) ( )
( ) ( ) 2121
22221111
21212,121
21
)()(
),(
µµ baXbEXaE
dxxfxbdxxfxa
dxdxxxfbxaxYE
bxaxY
xx
xx
+=+=
+=
+=∴
+=
∫∫
∫ ∫∞+
∞−
∞+
∞−
∞+
∞−
∞+
∞−
Suponha que uma combinação linear possa ser escrita como:
Obs.: Acoplamentos são exemplostípicos de combinações lineares dotipo soma, nos quais ocomprimento final é o resultado dasoma das dimensões de várioscomponentes.
Projeto de TolerânciasProjeto de Tolerâncias
39
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
( ) ( )
( ) ( ) 2121
22221111
21212,121
)()(
),(
µµ baXbEXaE
dxxfxbdxxfxa
dxdxxxfbxaxYE
xx
xx
−=−=
−=
−=
∫∫
∫ ∫∞+
∞−
∞+
∞−
+∞
∞−
+∞
∞−
21 bXaXY −=Analogamente, se , então:
Obs.: FOLGAS são exemplos típicos decombinações lineares do tipo “Diferença”. Porexemplo, em um sistema pistão-cilindro, a folgamédia que separa os dois elementos será dadapor:
EixoFuroFbXaXY −=⇒−= 21 EixoFuroF µµµ −=⇒
Combinações LInearesCombinações LIneares
40
EPR503 - ESTATÍSTICA APLICADA Universidade Federal de Itajubá
Prof. Dr. Anderson Paulo de Paiva 21
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
A variância da combinação linear é dada por:
( ) ( )[ ]2212121 )( µµ babXaXEbXaXVar +−+=+
( ) ( )[ ]
( ) ( )[ ]( )( )[ ]
( ) ( ) ( )[ ]2122
12
2211
222
2211
2
22211
,2
2
XXabCovXVarbXVaraE
XXabE
XbXaE
bbXaaXE
++=
−−+
−+−=
−+−=
µµ
µµ
µµ
( ) 221112222
112
21
12222
112
21
2)(
2)(
σσσσ
σσσ
×++=+
++=+
rabbabXaXVar
abbabXaXVar
=Σ
2212
1211
σσ
σσ
Onde Σ é a matriz de variância-covariância e r12 é o coeficiente decorrelação amostral de Pearson entre as variáveis X1 e X2.
Variância de FunçõesVariância de Funções
41
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
3 7
Processo A
Processo BTempo Total (A+B)
?
= 3s = 1
X = 7s = 2
X
3 2 1
2.23 5 (2) (1) S S S222
B2ABA
=+≠
==+=+=+
Correto; Some as variâncias e depois obtenha o Desvio Padrão
Incorreto!
Utilizando-se as demonstraçõesanteriores para Média e Variância de“Combinações Lineares”, tem-se, nocaso da soma de variáveis aleatórias,a soma das médias e a raiz quadradada soma das variâncias comomedidas resultantes.
SomasSomas
42
EPR503 - ESTATÍSTICA APLICADA Universidade Federal de Itajubá
Prof. Dr. Anderson Paulo de Paiva 22
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
-10 -5 0 5 10 15
Linha A
Linha BDiferença:Linha A – Linha B
?
= 3s = 1X = 7
s = 2X
4 - 7 - 3 X -X X BABA ===−
121
2.235(2)(1)SSS222
B2ABA
= −−≠
==+=+=–
CorretoIncorreto
Para o caso de uma diferençaentre variáveis aleatórias, amédia resultante é igual àdiferença entre as médias e odesvio padrão é igual à raizquadrada da Soma dasvariâncias! (Prove!)
E se tivéssemos uma função devariáveis aleatórias, como seria amédia e o desvio-padrão destafunção?
EXEMPLOEXEMPLO
43
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
Exemplo 1: Em um projeto é necessário avaliar-se a folga que separa doiscomponentes, já que se desconfia que em algumas vezes a montagem dodispositivo não será possível. O componente A (eixo) tem sua dimensão comdistribuição normal, com média 9,90 mm e desvio-padrão de 0,02mm. Ocomponente B (Furo) tem também distribuição normal, mas com média 10,05mm e desvio-padrão de 0,04 mm, conforme mostra a figura.
Determine a média e o desvio padrão paraa folga entre os componentes supondo queestas medidas sejam:
a) independentes;
b) correlacionadas (r=0.8);
c) correlacionadas (r=-0.75).
d) Em cada caso descrito anteriormente,determine a probabilidade do sistemanão poder ser montado.
44
EPR503 - ESTATÍSTICA APLICADA Universidade Federal de Itajubá
Prof. Dr. Anderson Paulo de Paiva 23
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
Exemplo 2: Quatro processos de fabricação sãousados sequencialmente para se fabricar umlote de 25 peças de um sistema Pistão-Cilindro.Supondo que o tempo de execução de cadaoperação seja uma variável aleatórianormalmente distribuída com médias e desviopadrão descritos na figura ao lado, determine:
a) O tempo médio de fabricação do lote depistões e sua respectiva variância;
b) O tempo médio de fabricação do lote decilindros e sua respectiva variância;
c) A probabilidade de se gastar mais de 85minutos para se produzir o lote de pistões;
d) A probabilidade de se gastar entre 80 e 90minutos para se produzir o lote decilindros.
EXEMPLOEXEMPLO
45
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
Expandindo-se a série em torno da média, tal que:
( )( )( )( )
∑∞
=
−=
0 !n
nn
n
axafxf
xa µ=
( )( )( )( )
∑∞
=
−=
0 !n
n
xx
n
n
xfxf
µµ
Consideremos a série de Taylor unidimensional:
Tomando-se o valor esperado da função, E[f(x)], tem-se:
( )[ ]( )( )( )
−= ∑
∞
=0 !n
n
xx
n
n
xfExfE
µµ
MÉDIAS DE FUNÇÕESMÉDIAS DE FUNÇÕES
46
EPR503 - ESTATÍSTICA APLICADA Universidade Federal de Itajubá
Prof. Dr. Anderson Paulo de Paiva 24
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
Truncando-se a série no termo quadrático, tem-se:
( )[ ] ( ) ( )( ) ( )( )
−+
−+=
!2!1
' 2''xxxx
x
xfxffExfE
µµµµµ
Distribuindo-se o operador de valor esperado (E) por todos ostermos, decorre que:
( )[ ] ( )[ ] ( )[ ] ( )[ ] ( ) ( )[ ]2''
2' x
xxxx xE
fxEffExfE µ
µµµµ −
+−+=
Considerando que:
(Prove!) e , temos:( )[ ] 0=− xxE µ ( )[ ] 22xxxE σµ =−
MÉDIAS DE FUNÇÕESMÉDIAS DE FUNÇÕES
47
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
O valor esperado para uma função de variáveis aleatórias pode serescrita como:
Esta é a forma da Expansão em Série de Taylor para o momento deprimeira ordem (média) de uma função de variáveis aleatórias.
Desconsiderando a derivada segunda, o valor esperado será escritoapenas como:
( )[ ] ( )[ ] ( ) 2''
2 xx
x
ffExfE σ
µµ
+=
MÉDIAS DE FUNÇÕESMÉDIAS DE FUNÇÕES
48
( )[ ] ( )[ ]xfExfE µ=
EPR503 - ESTATÍSTICA APLICADA Universidade Federal de Itajubá
Prof. Dr. Anderson Paulo de Paiva 25
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
É possível generalizar estes resultados para uma função de variávelaleatória multidimensional.
Se , o valor aproximado para a média deY pode ser obtido pela expansão da série de Taylor em torno dovetor de médias .
( )xfxxxfY n == ),...,,( 21
),...,,( 21 nxxx
( ) ( )
ji
n
i
n
j
jjii
i
n
i
iinxx
xfxxxx
x
xfxxxxxfY
∂∂
∂−−+
∂
∂−+= ∑∑∑
= ==
2
1 1121 ))((
2
1)(),...,,(
Avaliemos o segundo termo da expansão:
( )
i
n
i
iix
xfxx
∂
∂−∑
=1
)(
MÉDIAS DE FUNÇÕESMÉDIAS DE FUNÇÕES
49
Truncando-se a expansão no termo quadrático, tem-se:
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
Então:
Portanto:( )
ji
n
i
n
j
jjiinxx
xfxxxxxxxfY
∂∂
∂−−+= ∑∑
= =
2
1 121 ))((
2
1),...,,(
Admitindo-se que o segundo termo é nulo e que o terceiro termopode ser desprezado por uma questão de simplificação, a médiade uma função de variáveis aleatórias poderá ser escrita como:
),...,,( 21 nxxxfY =
( ) ( ) ( )
( ) ( ) ( ) ( )[ ] 0)(
)()(
1
1 111
=−∂
∂=
∂
∂−
−
∂
∂=
−
∂
∂=
∂
∂−
∑
∑ ∑∑∑
=
= ===
ii
ii
n
i
ii
n
i
n
i
ii
i
n
i
ii
ii
n
i
ii
xnxnx
xf
x
xfxx
xxx
xfxx
x
xf
x
xfxx
MÉDIAS DE FUNÇÕESMÉDIAS DE FUNÇÕES
50
EPR503 - ESTATÍSTICA APLICADA Universidade Federal de Itajubá
Prof. Dr. Anderson Paulo de Paiva 26
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
Considere que a Série de Taylor seja truncada no termo linear eaplicada para duas variáveis aleatórias x1 e x2. Assim, tem-se:
Como:
Ou:
( ) ( )
i
n
i
iix
xfxxfxxf
∂
∂−+= ∑
=
=
2
12121 )(),(, µµ
( ) ( ) ( )
−
∂
∂+−
∂
∂+= )()(),(,
2
2
1
1
22
11
2121 xx xx
xfx
x
xffxxf
xx
µµµµµµ
( ) ( ) ( )
−
∂
∂+−
∂
∂=− )()(),(,
2
2
1
1
22
11
2121 xx xx
xfx
x
xffxxf
xx
µµµµµµ
VARIÂNCIA DE FUNÇÕESVARIÂNCIA DE FUNÇÕES
51
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
Elevando-se ao quadrado os termos dos dois lados da equaçãoanterior e aplicando-se o operador de valor esperado E, tem-se:
( )[ ] ( ) ( )2
22
11
22121 )()(),(,
2
2
1
1
−
∂
∂+−
∂
∂=− xx x
x
xfx
x
xfEfxxfE
xx
µµµµµµ
( )[ ] ( ) ( )
( ) ( )
−−
∂
∂
∂
∂+
−
∂
∂+
−
∂
∂=
))((2
)()(,
21
21
2
2
1
1
2121
2
22
2
11
21
xx
xx
xxx
xf
x
xfE
xx
xfx
x
xfExxfVar
xx
xx
µµ
µµ
µµ
µµ
VARIÂNCIA DE FUNÇÕESVARIÂNCIA DE FUNÇÕES
52
EPR503 - ESTATÍSTICA APLICADA Universidade Federal de Itajubá
Prof. Dr. Anderson Paulo de Paiva 27
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
E a variância da função bivariada avaliada no vetor de médias setorna:
Genericamente, tem-se:
( )[ ]( ) ( ) ( ) ( )
21
21
2
2
1
1
21
2
2
2
2
2
121 2, xx
xx
x
x
x
x
x
f
x
f
x
f
x
fxxfVar σ
µµσ
µσ
µ
∂
∂
∂
∂+
∂
∂+
∂
∂=
( )[ ] ( ) ( ) ( )jii xx
n
i
n
ij
x
i
xx
n
i i
x
xj
f
x
f
x
ffVar σ
µµσ
µ∑ ∑∑
−
= +==
∂
∂
∂
∂+
∂
∂=
1
1 1
2
1
2
2x
Obs.: Embora a demonstração seja complexa, Var[f(x)] é uma importanteidentidade matemática extremamente útil para cálculo de incertezascombinadas, programação estocástica, projeto de tolerâncias e ProjetoRobusto de Parâmetros (RPD)!
VARIÂNCIA DE FUNÇÕESVARIÂNCIA DE FUNÇÕES
53
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
Considerando que a covariância pode ser escrita em função dacorrelação, Var[f(x)] se torna então:
Voltando ao caso anterior, se as variáveis aleatórias foremindependentes (r=0), então:
( )[ ] ( ) ( ) ( )
××
∂
∂
∂
∂+
∂
∂= ∑ ∑∑
−
= +==
221
1 1
2
1
2
2jijii xxxx
n
i
n
ij
x
i
xx
n
i i
x rxj
f
x
f
x
ffVar σσ
µµσ
µx
( )[ ] ( ) ( ) ( )
( )[ ] ( ) 2
1
2
0
22
0
1
1 1
2
1
2
2
i
jijii
x
n
i i
x
xxxx
n
i
n
ij
x
i
xx
n
i i
x
x
ffVar
rxj
f
x
f
x
ffVar
σµ
σσµµ
σµ
∑
∑ ∑∑
=
−
= +==
∂
∂=
××
∂
∂
∂
∂+
∂
∂=
x
x
44444444 344444444 21
VARIÂNCIA DE FUNÇÕESVARIÂNCIA DE FUNÇÕES
54
EPR503 - ESTATÍSTICA APLICADA Universidade Federal de Itajubá
Prof. Dr. Anderson Paulo de Paiva 28
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
Considere que a impedância de um sistema seja: . Dados históricosdestas variáveis revelam que V é normalmente distribuída tal que V~N(5.136;0.2318) e I também é normalmente distribuída com I~N(0.01860;0.001051). Asvariáveis são corrrelacionadas tal que rVI=0.818. Determine o valor esperado, avariância e o CV% de Z.
1−×= IVZ
0.0210.0200.0190.0180.0170.016
5.75
5.50
5.25
5.00
4.75
4.50
I
V
Scatterplot of V vs I
Pearson correlation of V and I = 0.818
EXEMPLOEXEMPLO
55
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
Usando os conceitos de funções de v.a.’s, temos:
( )[ ]2121
21
2
2
2
2
2
121 2, xxxx
x
f
x
f
x
f
x
fxxfVar σσσ
∂
∂
∂
∂+
∂
∂+
∂
∂=
( )[ ] 2222
22
2, IVVIIV rI
Z
V
Z
I
Z
V
ZIVZVar σσσσ ×××
∂
∂
∂
∂+
∂
∂+
∂
∂=
( )[ ] 222
2
2
22
21
21
,IVVIIV
rI
V
II
V
IIVZVar σσσσ ×××
−
+
−+
=
EXEMPLOEXEMPLO
56
EPR503 - ESTATÍSTICA APLICADA Universidade Federal de Itajubá
Prof. Dr. Anderson Paulo de Paiva 29
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
Substituindo-se os valores dados no problema, tem-se:
( )[ ] ( ) ( )
( )( )001051.02318.0818.00186.0
136.5
0186.0
12
001051.00186.0
136.52318.0
0186.0
1,
2
22
2
22
××
−
+
−+
=IVZVar
( )[ ] 56.7119.32745.24331.155, =−+=IVZVar
( )[ ] 13.2760186.0
136.5, ===
I
VIVZE
( )[ ] ( )[ ]( )[ ]
%06.313.276
46.8
,
,,.%. ===
IVZE
IVZVarIVZVC
EXEMPLOEXEMPLO
57
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG 58
2 – PROBILIDADE E DISTRIBUIÇÕES DE PROBABILIDADE
EPR503 - ESTATÍSTICA APLICADA Universidade Federal de Itajubá
Prof. Dr. Anderson Paulo de Paiva 30
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
( ) ( )
( ) ( )
( ) ( )
−=−=
−=−=
==
Ω
Ω
ΩΩ
n
nBPBP
n
nAPAP
n
nBP
n
nAP
Bc
Ac
BA
11
11
;
PROBABILIDADEPROBABILIDADE
Probabilidade é a razão entre onúmero de ocorrências (sucessos) deum dado evento e o número deelementos do espaço amostral aoqual pertence este evento.
Matematicamente, tem-se:
( )
( ) ( ) ( )
=
+++=
≤≤
∑∞
=
∞
=
∞
=
11
211
10
i
i
i
i
i
i
i
APAP
APAPAPAP
AP
U
U L
59
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
( ) ( ) ( )
( ) ( ) ( ) ( )
( ) ( )( )
( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) tesIndependenBPAPBAP
BPBAPAPABPBAP
AP
BAP
n
nABP
n
nnnBAPBPAP
n
nBAP
n
nnBPAP
n
nBAP
BA
BABABA
BABA
⇒×=∩
×=×=∩
∩==
−+=∩−+==∪
+=+==∪
Ω
∩
Ω
∩
Ω
∪
ΩΩ
∪
*
;
PROBABILIDADEPROBABILIDADE
Com base no Diagrama de Venn, podemser escritas as seguintes relações:
60
EPR503 - ESTATÍSTICA APLICADA Universidade Federal de Itajubá
Prof. Dr. Anderson Paulo de Paiva 31
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
( ) 234.0
!45!5!50
!17!3!20
!28!2!30
5
50
3
20
2
30
=
×
××
×=
×
==Ωn
nAP A
Um lote com 50 peças contém 30 peças defeituosas. Retirando-seuma amostra de tamanho 5, determine a probabilidade de se obter 2peças defeituosas e 3 boas.
Solução: Supondo que o evento A seja formado por todas asamostras de 2 peças defeituosas e 3 boas que podem serselecionadas aleatoriamente de um conjunto com 30 e 20 peçasdefeituosas e boas, respectivamente, então, pelo “Princípio daContagem”, tem-se que:
PROBABILIDADESPROBABILIDADES
61
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
( ) ( )( )
( ) ( ) ( )APABPBAPAP
BAP
n
nABP BA ×=∩⇒
∩==
Ω
∩
*
PROBABILIDADE CONDICIONALPROBABILIDADE CONDICIONAL
A=Ω*
B
Ω (A∩B)
Ω*
A
62
EPR503 - ESTATÍSTICA APLICADA Universidade Federal de Itajubá
Prof. Dr. Anderson Paulo de Paiva 32
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
( ) ( ) 833.060
50;50.0
60
30====== ∩∩
P
PF
P
PF
n
nMMP
n
nPFP
EXEMPLO 2EXEMPLO 2
Prof. Pedro Paulo ministra aulas de “Previsão” para as turmas deEngenharia Mecânica e Produção, que têm as quantidades de alunosdiscriminadas pela tabela a seguir. Por “descuido”, Pepê misturou asprovas das duas turmas. Suponha que ele decida sortear alguém para“tirar um zero”. Qual é a probabilidade do “sortudo (a)” ser uma aluna,dado que ela faz produção. E um aluno da mecânica?
Curso/Sexo Masculino Feminino Total
Mecânica 50 10 60
Produção 30 30 60
Total 80 40 120
63
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
ÁRVORE DE DECISÃOÁRVORE DE DECISÃO
Início
Evento (A)
Evento (B)
Evento (Bc)
Evento (Ac)
Evento (B)
Evento (Bc)
P(Ac)
P(A)
P(B)
P(B)
P(Bc)
P(Bc)
É uma maneira simples de tratar as probabilidadescondicionais.
64
EPR503 - ESTATÍSTICA APLICADA Universidade Federal de Itajubá
Prof. Dr. Anderson Paulo de Paiva 33
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
EXEMPLOEXEMPLO
Em um lote de 40 peças, 10 são defeituosas e 30 são boas. Se duaspeças forem selecionadas aleatória e sequencialmente (amostragemsem reposição), determine:
A probabilidade das duas peças sorteadas serem defeituosas;
A probabilidade das duas não serem defeituosas;
A probabilidade de uma ser defeituosa (primeira ou segunda) e aoutra ser não ser defeituosa (primeira ou segunda).
Considere como eventos: A – 1a. Peça é defeituosa;
Ac – 1a. Peça não é defeituosa;
B – 2a. Peça é defeituosa;
Bc – 2a. Peça não é defeituosa.
65
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
ÁRVORE DE DECISÃOÁRVORE DE DECISÃO
Início
Evento (A):
1ª. Peça é defeituosa
Evento (B):
2ª. Peça é defeituosa
Evento (Bc):
2ª. Peça não é defeituosa
Evento (Ac):
1ª. Peça não é defeituosa
Evento (B):
2ª. Peça é defeituosa
Evento (Bc):
2ª. Peça não é defeituosa
P(Ac)=30/40
P(A)=10/40
P(B)=9/39
P(B)=10/39
P(Bc)=29/39
P(Bc)=30/39
Solução: considere a seguinte árvore de probabilidades:
66
EPR503 - ESTATÍSTICA APLICADA Universidade Federal de Itajubá
Prof. Dr. Anderson Paulo de Paiva 34
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
( ) ( ) ( )
( ) 058.040
10
39
9=
×
=∩
×=∩
BAP
APABPBAP
b) A probabilidade das duas não serem defeituosas é igual àinterseção entre Ac e Bc. Então:
c) A probabilidade de uma ser defeituosa e a outra não:
a) A probabilidade das duas peçassorteadas serem defeituosas é igual àinterseção entre A e B. Então:
( ) ( ) ( ) 558.040
30
39
29=
×
=×=∩ ccccc APABPBAP
( ) ( )[ ] ( ) ( ) ( ) ( )
( ) ( )[ ] 3846.040
30
39
10
40
10
39
30=
×
+
×
=∩∪∩
×+×=∩∪∩
BABAP
APABPAPABPBABAP
cc
ccccc
SOLUÇÃOSOLUÇÃO
67
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
( ) ( )( )
( ) ( ) ( ) ( ) ( )BPAPAPABPBAPAP
BAPABP ×=×=∩⇒
∩=
Se os eventos A e B foremconsiderados independentes, então aprobabilidade de ocorrência de B nãoserá influenciada pela ocorrência de Aporque não há alteração no espaçoamostral (Ω). Logo:
Analogamente, tem-se:
( ) ( )( )
( ) ( ) ( ) ( ) ( )BPAPBPBAPBAPBP
BAPBAP ×=×=∩⇒
∩=
( ) ( ) ( ) ( ) ( )cccccccBPAPBPBAPBAP ×=×=∩
EVENTOS INDEPENDENTESEVENTOS INDEPENDENTES
68
EPR503 - ESTATÍSTICA APLICADA Universidade Federal de Itajubá
Prof. Dr. Anderson Paulo de Paiva 35
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
0.99
0.95
0.95
0.90
0.90
0.90
A B
O circuito mostrado a seguir opera somente de A para B. Aprobabilidade de que cada elemento do circuito funcione émostrada na figura a seguir. Determine a probabilidade de queo circuito opere sabendo-se que os componentes podem falharde maneira independente.
( ) ( ) ( ) ( )
( ) ( )( )
( ) ( ) ( ) ( ) ( )BPAPAPABPBAPAP
BAPABP
BAPBPAPBAP
×=×=∩⇒∩
=
∩−+=∪
PROBABILIDADESPROBABILIDADES
69
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
F6
F5
F4
F3
F2
F1
A B
Generalizando as probabilidades em cada componente esupondo que seus funcionamentos são independentes, vem:
∏
=
n
i
iF
1
=
Un
i
iF1
=
Un
i
iF1
=
Un
i
iF1
PROBABILIDADESPROBABILIDADES
70
EPR503 - ESTATÍSTICA APLICADA Universidade Federal de Itajubá
Prof. Dr. Anderson Paulo de Paiva 36
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
Logo, para as ligações em paralelo, haverá passagem de corrente sepelo menos um dos componentes funcionar. Já para as ligações emsérie, só haverá passagem de corrente se todas funcionarem.Combinando os dois tipos de ligações, teremos:
( ) ( ) ( ) ( ) ( )( ) ( ) ( )
( ) ( ) ( ) ( ) ( ) ( )[ ] ( ) ( )[ ]( ) ( )[ ] ( ) ( ) ( )[ ]32132
3121321321
3213231
21321321
FPFPFPFPFP
FPFPFPFPFPFPFPFFFP
FFFPFFPFFP
FFPFPFPFPFFFP
××+×−
×−×−++=∪∪
∩∩+∩−∩−
∩−++=∪∪
Analogamente:
( ) ( ) ( ) ( ) ( )[ ]
( ) ( ) ( )654321
545454
FPFFPFFFP
FPFPFPFPFFP
∩∪∩∪∪
×−+=∪
Combinando o sistema todo, teremos:
PROBABILIDADESPROBABILIDADES
71
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
Substituindo as probabilidades fornecidas noproblema anterior , teremos:
( ) ( ) ( ) ( ) 999.09.09.039.03 32321 =+−=∪∪ FFFP
Analogamente:
( ) ( )
( ) ( ) ( ) ( )
( ) 9865.09900.09975.09990.0
9975.095.095.095.0
654321
254
=××=
∩∪∩∪∪=
=−+=∪
FuncionarP
FPFFPFFFPFuncionarP
FFP
Combinando o sistema todo, teremos:
Logo:
F1 F2
Ω F1∩F2
F3
F2∩F3F1∩F3 F1∩F2∩F3
PROBABILIDADESPROBABILIDADES
72
EPR503 - ESTATÍSTICA APLICADA Universidade Federal de Itajubá
Prof. Dr. Anderson Paulo de Paiva 37
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
Em confiabilidade, uma definição geral para aprobabilidade de funcionamento de um circuitocomo o da figura ao lado pode ser escritogenericamente como:
( ) ( ) 23
22
21
23213
22132
21323121321 xxxxxxxxxxxxxxxxxxFFFP +++−++=∪∪
Onde xi e xj são probabilidades de funcionamento ou falha dosrespectivos componentes i e j.
( ) ( ) ( )( )( )[ ]3231211
111111 xxxxxxxxxn
i
jii −−−−=−−= ∏=
φ
CircuitosCircuitos
73
1 2
1 3
2 3( ) ( ) jixxxn
i
jii <−−= ∏=1
11φ
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
( ) ( ) ( )
( ) ( ) ( )
( ) ( ) ( ) ( ) ( )cc
c
c
APABPAPABPBP
BABAPBP
BAPBAPBP
×+×=
∩+∩=
∩∪∩=
TEOREMA DA PROBABILIDADE TOTALTEOREMA DA PROBABILIDADE TOTAL
( ) ( )BABABc ∩∪∩=
Considere os eventos A e B, com:
Se A e Ac formam uma partiçãodo espaço amostral e B é umoutro evento qualquer, então:
A
Ac
74
EPR503 - ESTATÍSTICA APLICADA Universidade Federal de Itajubá
Prof. Dr. Anderson Paulo de Paiva 38
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
Se Ai forem eventos mutuamente excludentes e exaustivos, então:
(B∩A1)
B
A1
A5
A4
A3
A2
(B∩A2)
(B∩A6)
(B∩A4)
(B∩A5)
(B∩A3)
A6
( ) ( ) ( ) ( )
( ) ( ) ( ) ( )i
m
i
i
m
i
i
m
APABPBAPBP
BAPBAPBAPBP
×=∩=
∩++∩+∩=
∑∑== 11
21 L
TEOREMA DA PROBABILIDADE TOTALTEOREMA DA PROBABILIDADE TOTAL
75
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
TEOREMA DE BAYESTEOREMA DE BAYES
Uma das relações mais importantes envolvendo probabilidadescondicionais é dada pelo Teorema de Bayes que expressa umaprobabilidade condicional em termos de outras probabilidadescondicionais. Se A1, A2, ... An são eventos mutuamente excludentes(Ai∩Aj = Φ para todo i≠j) de um espaço amostral Exaustivo E, tal que:
Então cada Ai é denominado de partição de E. Se B é um eventoarbitrário de B com P(B) > 0, então a probabilidade de ocorrência deuma das partições Ai, dado que ocorreu o evento B, pode ser expressapor:
=
=
AAn
i
iU1
( )( )
( )
( )∑=
∩
∩=
∩=
n
i
i
iii
ABP
BAP
BP
BAPBAP
1
)|(
76
EPR503 - ESTATÍSTICA APLICADA Universidade Federal de Itajubá
Prof. Dr. Anderson Paulo de Paiva 39
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
( ) ( ) ( )
( )
( ) ( )
( ) ( )
( ) ( )( )BP
APABP
APABP
APABP
BAP
APABPBAP
ii
n
i
ii
ii
n
i
i
ii
i
×=
×
×=
∩
×=
∑∑== 11
TEOREMA DE BAYESTEOREMA DE BAYES
( ) ( )( )
( ) ( )( )
( ) ( ) ( )
( ) ( ) ( )( )BP
APABPBAP
APABPBAP
AP
BAPABP
BP
BAPBAP
×=
×=∩
∩=
∩=
Verifica-se no Diagrama de Venn que:
Então, pode-se escrever genericamente que:
( ) ( ) ( ) ( )i
n
i
i
n
i
i APABPBAPBP ×=∩= ∑∑== 11
77
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
F1
(D∩F1) (D∩F3)D
F2 F3
(D∩F2)
( ) ( ) ( )
( )
( ) ( )
( ) ( )
( ) ( )( )DP
FPFDP
FPFDP
FPFDP
DFP
FPFDPDFP
ii
n
i
ii
ii
n
i
i
ii
i
×=
×
×=
∩
×=
∑∑== 11
TEOREMA DE BAYESTEOREMA DE BAYES
78
EPR503 - ESTATÍSTICA APLICADA Universidade Federal de Itajubá
Prof. Dr. Anderson Paulo de Paiva 40
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
TEOREMA DE BAYESTEOREMA DE BAYES
Ex.: Uma companhia produz circuitos integrados em trêsfábricas, I, II e III. A fábrica I produz 30% dos circuitos, enquanto II e IIIproduzem 45% e 25% respectivamente. As probabilidades de que umcircuito integrado produzido por estas fábricas não funcione P(Di) são0.01, 0.02 e 0.04, respectivamente. Escolhido um circuito da produçãocom defeito, qual a probabilidade de ele ter sido fabricado em I?
Fábrica Produção [P(F)] P(D) P(D|F).P(F)
F1 30% 0,01 0,003
F2 45% 0,02 0,009
F3 25% 0,04 0,010
Total 100% Total 0,022
( ) ( ) ( )
( ) ( )%66.13
022.0
003.0
|
|| 3
1
111 ==
×
×=
∑=
=
n
i
ii FPFDP
FPFDPDFP
79
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
Por árvore de falhas, tem-se:
PRODUÇÃO
FÁBRICA I
P(F1)=30%
Peça defeituosa
P(D|F1)=1%
Peça Não defeituosa
P(DC|F1)=99%
FÁBRICA II
P(F2)=45%
Peça defeituosa
P(D|F2)=2%
Peça Não defeituosa
P(DC|F2)=98%
FÁBRICA III
P(F3)=25%
Peça defeituosa
P(D|F3)=4%
Peça Não defeituosa
P(DC|F3)=96%
Fábrica Produção D P(D|F).P(F)
I 30% 1% 0,003
II 45% 2% 0,009
III 25% 3% 0,010
- - - 0,022
TEOREMA DE BAYESTEOREMA DE BAYES
80
EPR503 - ESTATÍSTICA APLICADA Universidade Federal de Itajubá
Prof. Dr. Anderson Paulo de Paiva 41
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
TRÊS EVENTOSTRÊS EVENTOS
• Para dois eventos A e B, sabe-se que:
( ) ( ) ( ) ( ) ( ) ( )( ) ( )
( ) ( )[ ] ( )[ ] ( )
( ) ( )[ ] ( )[ ] ( )[ ]
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( )
P
APABPBPBAPBAP
APABPBPAPBAPBPAPBAP
ACBPBCAPCBAPCBAP
BPCAPCBAPCBAP
CBAPCBP
CAPBAPCPBPAPCBA
×=×=∩
×−+=∩−+=∪
∩∩=∩∩=∩∩=∩∩
∩∩=∩∩=∩∩
∩∩+∩−
∩−∩−++=∪∪
• Para três eventos A, B e C, tem-se:
81
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
QUATRO EVENTOSQUATRO EVENTOS
Das figuras a seguir, pode-se deduzir as seguintes relações:
( ) ( )[ ]( )[ ] ( )
( ) ( )[ ]( )[ ] ( )
( ) ( )[ ]( )[ ] ( )APCBP
ACBPCBAP
BPCAP
BCAPCBAP
CPBAP
CBAPCBAP
∩∩=
∩∩=∩∩
∩∩=
∩∩=∩∩
∩∩=
∩∩=∩∩
82
EPR503 - ESTATÍSTICA APLICADA Universidade Federal de Itajubá
Prof. Dr. Anderson Paulo de Paiva 42
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
QUATRO EVENTOSQUATRO EVENTOS
( ) ( ) ( ) ( ) ( ) ( )( ) ( ) ( ) ( )( ) ( ) ( )( ) ( )DCBAPDCBP
DBAPCBAPDCP
DBPCBPDAPCAP
BAPDPCPBPAPDCBAP
∩∩∩−∩∩+
∩∩+∩∩+∩−
∩−∩−∩−∩−
∩−+++=∪∪∪
Para quatro eventos A, B, C e D, pode-se escrever que:
83
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
( ) ( ) ( )( ) ( ) ( ) ( ) ( )
×+×=
∩∪∩=cc
c
APABPAPABPBP
BAPBAPBP
BRIDGEBRIDGE
BRIDGE são sistemas complexos de engenharia (circuitos, sistemasmecânicos ou mapas de processos) cuja confiabilidade total deve sercalculada como uma combinação de elementos independentes econdicionais. Sua modelagem e resolução utiliza o Teorema de Bayes.
84
EPR503 - ESTATÍSTICA APLICADA Universidade Federal de Itajubá
Prof. Dr. Anderson Paulo de Paiva 43
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
( ) ( ) ( ) ( ) ( ) ( ) ( ) cccAPABPAPABPBAPBAPBP ×+×=∩∪∩=
BRIDGE: COMPLEX NETWORK SYSTEMSBRIDGE: COMPLEX NETWORK SYSTEMS
Considere na figura anterior que possam ocorrerdois eventos, respectivamente A e Ac, tal que:
Evento A: Se o elemento 5 funciona,tem-se a configuração mostrada naFigura 1:
Evento B: Logo, a probabilidade de o sistema funcionar será:
Evento Ac : Já se o elemento 5falha, a configuração resultanteserá como na Figura 2:
(Figura 1) (Figura 2)
85
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
( ) ( ) ( ) ( ) ( )( )( ) ( )[ ] ( )[ ]
( )( ) ( )[ ] ( )[ ] ( )
×××−×+×=
−=
×−+××−+=
=
×+×=
43214321
5
42423131
5
1
RRRRRRRRAB
RAP
RRRRRRRRABP
RAP
APABPAPABPBP
c
c
cc
BRIDGEBRIDGE
Então, para o sistema tem-se:
( )
( )
cABP
ABP
Assim:
86
EPR503 - ESTATÍSTICA APLICADA Universidade Federal de Itajubá
Prof. Dr. Anderson Paulo de Paiva 44
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG 87
2.2 – DISTRIBUIÇÕES DE PROBABILIDADE
Variáveis Contínuas
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG 88
( ) 0≥xf
( ) 1=∫∞
∞−xf
( ) ∫ >=≤≤b
aabdxxfbXaP )( )(
Algumas Distribuições Contínuas:
Normal Uniforme Chi-square Fisher(F) Student(t)
Beta Cauchy Exponential Gamma Laplace Logistic Lognormal Weibull
Função densidade de probabilidade:
Área da curva é unitária:
Probabilidade está associada à área:
Distribuições de Probabilidade contínuas são as funções de densidadede probabilidade e de distribuição de frequências associadas à variáveiscontínuas. Variável contínua é aquela que pode ser medida por alguminstrumento. Possuem:
900
0,5404
13001200
EPR503 - ESTATÍSTICA APLICADA Universidade Federal de Itajubá
Prof. Dr. Anderson Paulo de Paiva 45
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
Suponha que f(x)=1/8x seja um função de densidade de probabilidade (FDP)no domínio [0, k]. Determine o valor de k, a média, a variância, a mediana e o3° quartil desta distribuição.
Solução:
(Adota-se o valor positivo porque k é limite superior do domínio).
4
416116
18
1)(
2
0
2
0
=
±=⇒=⇒=
=
⇒= ∫∫
+∞
∞−
k
kkx
dxx
dxxf
k
k
Exemplo
-0.4
-0.2
0
0.2
0.4
0.6
0.8
1
1.2
-4 -2 0 2 4 6 8 10
8)(
xxf =
89
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
( ) 67.23
8
8)(
4
0
==
=== ∫∫
+∞
∞−
dxx
xdxxxfXEµ
Uma vez definido o domínio da fdp, tem-se:
( ) ( ) 89.083
8)(
4
0
222 =
−=−== ∫∫
+∞
∞−
dxx
xdxxfxXVar µσ
Exemplo
83.250.016
50.016
50.08 2
22
0
2
0
22
=⇒=
⇒=
⇒=
∫ Q
Qxdx
xQQ
46.375.016
75.016
75.08 3
23
0
2
3
0
33
=⇒=
⇒=
⇒=
∫ Q
Qxdx
xQ
Quartil
Q
o
44 344 21
00.225.016
25.016
25.08 1
21
0
2
0
11
=⇒=
⇒=
⇒=
∫ Q
Qxdx
xQQ
90
EPR503 - ESTATÍSTICA APLICADA Universidade Federal de Itajubá
Prof. Dr. Anderson Paulo de Paiva 46
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG 91
e) M áx f(x) ocorre em x = µ
f) Os pontos de inflexão são x = µ ± σ
g) E(X ) = µ
h) Var(X ) = σ2
a) f x dx( )− ∞
∞
∫ = 1
b) f(x ) ≥ 0
c ) lim ( ) lim ( )x x
f x f x→ ∞ → − ∞
= =0 0 e
d ) f (µ + x) = f (µ - x)
DISTRIBUIÇÃO NORMALDISTRIBUIÇÃO NORMAL
260240220200180160140
Data
200,0 19,88 1000
200,4 9,937 1000
199,8 4,915 1000
Mean StDev N
Y1
Y2
Y3
Variable
3210-1-2-3
X
( ) ( )2
2
1
2
1:;
−−
= σ
µ
πσσµ
x
exfN
( ) ( )( )2
2
1
2
1:1;0
z
ezfNZ−
==π
A distribuição Normal é uma fdp simétricacom parâmetros µ e σ.
Pode ser padronizada, tal que:σ
µ−=
xZ
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
3210-1-2-3
0.5
0.4
0.3
0.2
0.1
0.0
X
De
nsit
y
0
0.4Fmáx d[f(x)]=0
Exemplo
Mostre que o ponto de máximo da função de densidade eprobabilidade Normal ocorre no ponto em que a variável aleatória éigual à média, x=μ.
( )2
21
2
1
−−
= σ
µ
πσ
x
exf
92
EPR503 - ESTATÍSTICA APLICADA Universidade Federal de Itajubá
Prof. Dr. Anderson Paulo de Paiva 47
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
Derivada
Como se nota na figura, a condição de máximo ocorrerá noponto onde a derivada da função é nula. Assim, tem-se:
( ) ( )
( )
( )
µσ
µ
πσσ
µ
πσ
πσπσ
σ
µ
σ
µ
πσπσ
σ
µ
σ
µ
σ
µ
σ
µ
=⇒=
−−∴
=
×
−−==
=
=−
−××−=⇒
−−=
=
=⇒=
−−
−−
−−
−−
xx
ex
duexfLogo
edu
de
dx
dxfseTem
xdu
xuFazendo
edx
dxfexfSe
x
u
u
x
xx
0
02
1
2
1':
2
1
2
1':
22
1
2
1:
02
1'
2
1:
2
2
22
21
2
1
2
2
1
2
1
93
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG 94
Exemplo 1: Uma companhia produz lâmpadas cuja vidasegue uma distribuição normal com média 1.200 horas edesvio padrão de 250 horas. Escolhendo-sealeatoriamente uma lâmpada, qual é a probabilidade desua durabilidade estar entre 900 e 1.300 horas?
0,0018
0,0016
0,0014
0,0012
0,0010
0,0008
0,0006
0,0004
0,0002
0,0000
X
Densi
ty
900
0,5404
13001200
Distribution PlotNormal; Mean=1 200; StDev=250
EPR503 - ESTATÍSTICA APLICADA Universidade Federal de Itajubá
Prof. Dr. Anderson Paulo de Paiva 48
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG 95
Exercício: A demanda antecipada de consumo de um certo produto érepresentada por uma distribuição normal com média 1.200 unidadese desvio padrão de 100.
a) Qual é a probabilidade de que as vendasexcedam 1.000 unidades?
b) Qual é a probabilidade de que as vendasestejam entre 1.100 e 1300 unidades?
c) A probabilidade de se vender mais do quek unidades é de 10%. Determine k.
d) Determine o octagésimo percentil dadistribuição.
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG 96
Reforço (H) do cordão (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
2,774 2,659 2,607 2,397
2,719 2,656 2,622 2,561
2,845 2,653 2,556 2,421
Faça um teste de normalidade para os dadosda tabela.
3,02,92,82,72,62,52,42,32,22,1
99
95
90
80
70
60
50
40
30
20
1 0
5
1
Mean 2,590
StDev 0,1 668
N 28
AD 0,508
H
Per
cen
t
Probability Plot of H
Como P-Value>5%, aceita-se a hipótese nulade que os dados são normalmentedistribuídos.
EPR503 - ESTATÍSTICA APLICADA Universidade Federal de Itajubá
Prof. Dr. Anderson Paulo de Paiva 49
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
Das demonstrações anteriores, depreende-se que se a área sob a curva normalé unitária e simétrica, então:
( )( ) ( )
∫∫−
∞−
−
+==≤k zk z
dxedxekxPLogo0
21
21 22
2
1
2
1
2
1:
ππ
Área da Normal
Mas como se calcula a integral da função normal? Para isto precisaremosempregar a “Série de Taylor”.
( )( )
2
1
2
10
02
1 2
==≤ ∫ ∞−
−
dxexPz
π( )
( )
∫−
=≤≤k z
dxekxP0
2
1 2
2
10
π
97
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
A Série de Taylor é uma das mais importantes contribuiçõesdo cálculo integral e diferencial para a engenharia. Por definição, aSérie de Taylor é uma série infinita1 que pode ser usada comoaproximação de qualquer função contínua em torno de um ponto deinteresse a. Na sua forma genérica, a série pode ser escrita como:
Ou, de maneira resumida, como:
1 - Embora seja infinita, a série truncada (interrompida) no termo quadrático já apresentaexcelentes aproximações das funções originais.
( ) ( ) ( )( ) ( )( ) ( )( )( )!
...!2
''
!1
' 2
n
axafaxafaxafafxf
nn −++
−+
−+=
SÉRIE DE TAYLOR
( )( )( )( )
∑=
−=
n
i
nn
n
axafxf
0 !
98
EPR503 - ESTATÍSTICA APLICADA Universidade Federal de Itajubá
Prof. Dr. Anderson Paulo de Paiva 50
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
Considere a Série de Taylor:
( ) ( ) ( )( ) ( )( ) ( )( ) ( )( )( )!
...!3
'''!2
''!1
' 32
n
axafaxafaxafaxafafxf
nn −++
−+
−+
−+=
( ) ( ) ( )( ) ( )( ) ( )( ) ( )( )( )!
00...
!3
0'''
!2
0''
!1
0'0
32
n
xfxfxfxffxf
nn −+++++=
( ) ( ) ( ) ( ) ( ) ( ) 10...0'''0''0'0 ======⇒= nx fffffexf
22
2
1
2
1z
xx −=
−−=
σ
µ
Para a=0, a seqüência se torna uma Série de Maclaurin:
Considere agora que:
Usando a função , tem-se: ( ) xexf =
Série de Maclaurin
99
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
( )( )
( ) ( )( )
+−+−+−+−=≤≤
=≤≤ ∫
−
!2121...
34563364061
20
2
10
28642
0
2
1 2
nn
xxxxxxztP
dzeztP
n
nn
xz
π
π
Ou seja, utilizando uma expansão em Série de Maclaurin pode-secalcular a integral definida da função Normal que, via de regra,não apresenta solução analítica. Assim, pode-se demonstrar que:
Série de Maclaurin
100
EPR503 - ESTATÍSTICA APLICADA Universidade Federal de Itajubá
Prof. Dr. Anderson Paulo de Paiva 51
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
( ) ∫ ∞−
−−
=≤k
x
dxekxP
2
2
1
2
1 σ
µ
πσ
( ) ( )( )
−=→+=≤=≤ ∫
−
σ
µ
π
xzdxexzPkxP
zx z
0
2
1 2
2
1
2
1
( )
+−+−+=≤ ...
3456
1
336
1
40
1
6
1
2
1
2
1 9753 xxxxxkxP
π
( )( ) ( )
∫∫−
∞−
−
+==≤x zk z
dxedxekxP0
2
1
2
1 22
2
1
2
1
2
1
ππ
Série de Maclaurin
101
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
( )
( )( )
( )( )
( )
( )( )
( )
+−+−+−+−=
+−+−+−+−=
−+++−+−=
−++
−+
−+
−+=
+−
+−
−
−
∫
∫
∫∫
∫∫
!2121...
3456
1
336
1
40
1
6
1
2
1
2
1
!2121...
3456
1
336
1
40
1
6
1
2
1
2
1
!21...
384
1
48
1
8
1
2
11
2
1
2
1
!
1
2
1...
!3
1
2
1
!2
1
2
1
2
11
2
1
2
1
129753
0
2
1
0
129753
0
2
1
0
28642
0
2
1
0
23
22
22
0
21
2
2
2
2
nn
xxxxxxdxe
nn
zzzzzzdxe
dzn
zzzzzdxe
dzn
zzzzdxe
n
nnx z
x
n
nnx z
x
n
nnx z
xn
x z
ππ
ππ
ππ
ππ
Série de Maclaurin
102
EPR503 - ESTATÍSTICA APLICADA Universidade Federal de Itajubá
Prof. Dr. Anderson Paulo de Paiva 52
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
( )( )
( )
( )1554.04.0
3456
14.0
336
14.0
40
14.0
6
14.0
2
1
2
1
!2121...
3456
1
336
1
40
1
6
1
2
1
2
1
97534.0
0
2
1
129753
0
21
2
2
=
+−+−=
+−+−+−+−=
∫
∫
−
+−
ππ
ππ
dxe
nn
xxxxxxdxe
z
n
nnx z
Série de Maclaurin
103
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
CDF - NORMAL
2
2
1
2
1)(
−−
= σ
µ
πσ
x
exf
104
EPR503 - ESTATÍSTICA APLICADA Universidade Federal de Itajubá
Prof. Dr. Anderson Paulo de Paiva 53
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
Exemplo 3: Quatro processos de fabricação sãousados sequencialmente para se fabricar umlote de 25 peças de um sistema Pistão-Cilindro.Supondo que o tempo de execução de cadaoperação seja uma variável aleatórianormalmente distribuída com médias e desviopadrão descritos na figura ao lado, determine:
a) A probabilidade de se gastar mais de 85minutos para se produzir o lote de pistões;
b) A probabilidade de se gastar entre 80 e 90minutos para se produzir o lote decilindros.
EXEMPLOEXEMPLO
105
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG 106
F(x)
a b
( ) ∫+∞
∞−
== dxxxfXE )(µ
( ) ( ) ( )12
1
2)(
2222 ab
dxab
baxdxxfxXVar
−=
−
+−=−== ∫∫
+∞
∞−
+∞
∞−
µσ
1)()(.
1
=−==
=
xfabhbA
A
( )2
1 badx
abxXE
b
a
+=
−== ∫µ
( ) ( )∫+∞
∞−
−== dxxfxXVar )(22 µσ
)(
1)(
abxf
−=
EPR503 - ESTATÍSTICA APLICADA Universidade Federal de Itajubá
Prof. Dr. Anderson Paulo de Paiva 54
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG 107
Exemplo
A espessura de um componente é uma variável aleatóriauniformemente distribuída entre os valores 0,95 a 1,05 cm.
a) Determine a proporção de componentes que excedem a espessurade 1,02 cm.
b) Qual é o valor de espessura que é excedida por 90% doscomponentes?
c) Qual é o valor da espessura abaixo da qual estão 75% doscomponentes?
d) Qual é a probabilidade de haver componentes com espessuraentre 0,98 e 1,04?
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG 108
x
F(x)
140120100806040200
0,06
0,05
0,04
0,03
0,02
0,01
0,00
0
0
Função Exponencial
( ) ( )2
0
222 11
)(λ
λλ
µσ λ =
−=−== ∫∫
+∞−
+∞
∞−
dxexdxxfxXVarx
( )λ
λµ λ 1
0
=== ∫∞
−dxexXE
x
( ) ixexf
λλ −= .
EPR503 - ESTATÍSTICA APLICADA Universidade Federal de Itajubá
Prof. Dr. Anderson Paulo de Paiva 55
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
Mostre que a área de uma distribuição exponencial é unitária.
Logo:
1,0
0,8
0,6
0,4
0,2
0,0
X
De
nsit
y
1,609
0,8
0
( )
( ) ( )( ) ( )10
10
0
00
0
−−=−−−
−=
==∞≤≤
−∞−
∞−∞
−
∞−
∫
∫
λλ
λλ
λ
λ
λ
ee
edxe
dxexP
xx
x
( ) ixexf
λλ −= .
( ) 100
==∞≤≤ ∫∞
− dxexP xλλ
Integração
109
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
Estimador de Máxima Verossimilhança (MLE) é definido comovalor do parâmetro a ser estimado em uma distribuição deprobabilidade que mais se aproxima da estatística realdefinidora desta distribuição.
Por definição, uma função de verossimilhança é escrita como oprodutório da pdf da distribuição para todos os valores de umconjunto xi, tal que:
( ) ( )i
n
i
xfL ∏=
=1
θ
MLEMLE
110
Para determiná-lo, iguala-se a derivada ou o gradiente dafunção de verossimilhança (caso das distribuições de mais doque um parâmetro) a zero.
EPR503 - ESTATÍSTICA APLICADA Universidade Federal de Itajubá
Prof. Dr. Anderson Paulo de Paiva 56
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
Consideremos a distribuição exponencial, cuja pdf é dada por:
Sua função de verossimilhança será:
( ) ixexf
λλ −= .
( ) ixn
i
eLλλλ −
=
∏= .1
( )∑
=××××== =
−−−−−−
=∏
n
i
i
ni
xnxxxxx
n
i
eeeeeeL 1321 .....1
λλλλλλ λλλλλλλ
( )[ ]
∑= =
−n
i
ixn
enLn 1.λ
λλ ll ( )[ ] ( )
∑+= =
−n
i
ixn
ennLn 1
λ
λλ lll
( )[ ] nexnnLnn
iilll ∑−+=
=1. λλλ
MLEMLE
Calculando-se o logaritmo dessa função, vem que:
Loglikelihood( )[ ]⇒θLnl
111
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
xnxxn
xn
i
i
n
i
i =⇒= ∑∑== 11
1
( )[ ] xnnnnexnnnLn λλλλλ −=−= llll ..
( )[ ] ( )0
.=
∂
−∂=
∂
∂
λ
λλ
λ
λ xnnnLn ll ( )[ ]0=−=
∂
∂xn
nLn
λλ
λl
xnn
=λ x
1=λ
MLE – FUNÇÃO EXPONENCIALMLE – FUNÇÃO EXPONENCIAL
Sabe-se que:
Logo, pode-se escrever que:
Então, o Estimador MLE da do parâmetro de definição da distribuiçãoExponencial será:
112
EPR503 - ESTATÍSTICA APLICADA Universidade Federal de Itajubá
Prof. Dr. Anderson Paulo de Paiva 57
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
⇒====∑ =
06,0100
61
1
n
i ix
n
xλ ( ) x
exf06,006,0 −=
10
0
06,010
0
06,006,0)10( xxedxexP
−− −==< ∫
( ) ( )
4512,0)10(
548,0106,0)10( 006,01006,010
0
06,0
=<
−=+−==< −−−
∫
xP
eedxexPx
Dado o conjunto A=[26, 22, 21, 19, 8, 4], determinar aprobabilidade de x ser menor que 10, dado que x é uma variávelaleatória exponencial.
EXEMPLO - MLEEXEMPLO - MLE
113
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
Um procedimento de Integração bastante útil em Estatística é o Método deIntegração Por Partes (IPP). Este procedimento permite simplificar o processode integração de funções mais complexas por uma combinação de integraçõesde funções mais simples. De maneira geral, o método de IPP pode ser descritocomo:
Onde: u e v são duas funções cujas derivadas são, respectivamente, du e dv.
Exemplo: Mostre que a média e a variância da distribuição exponencial sãodadas por:
a) b)
IPP
∫∫ −=a
b
a
b
vduuvudv
( )λ
µ1
)( === ∫+∞
∞−
dxxxfXE ( ) ( )2
22 1)(
λµσ =−== ∫
+∞
∞−
dxxfxXVar
114
EPR503 - ESTATÍSTICA APLICADA Universidade Federal de Itajubá
Prof. Dr. Anderson Paulo de Paiva 58
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
( )
( )λλλ
λ
λ
λλλ
λλ
λλλλ
λλλ
λλ
λλλ
λ
111
1
1
0
0
000
000
0
=
−−=
−−=
−−−=⇒−=
=−=
==∴−=−=
==
∞
∞−
∞
−∞
∞−−
∞−
∞∞
−−
−−
−−−
∞−
∫
∫∫∫ ∫
∫
∫
eeexedxex
dxexedxexvduvuudv
dxedvev
dxduxueedxe
dxexxE
xxx
xxx
xx
xxx
x
IPP1
Mostre que a média da distribuição exponencial é:
( )λ
µ1
)( === ∫+∞
∞−
dxxxfXE
Considerando que o domínio da exponencial é [0, +∞], tem-se que:
Empregando a técnica de IPP, tem-se:
115
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
( )
220
2
0
2
200
2
0
2
0 0
2
0
2
0 0 0
2
0
2
121
121
1121
121
λλλλ
λ
λλ
λλλ
λ
λλλ
λλλ
λ
λλ
λλλ
λ
λλ
λλλ
λλλ
λλλλ
+−=
−
+
−=
−
+−=
−
+−=
−=
∫∫
∫∫∫
∫ ∫∫
∫ ∫ ∫∫
∞−
∞−
∞−
∞−
∞−
∞ ∞−−
∞−
∞ ∞ ∞−−−
∞−
43421
44 344 2143421
a
xx
b
x
a
xx
xxx
xxxx
dxexdxex
dxexdxexdxex
dxexdxexdxex
dxedxexdxexdxexxVar
IPP2
Mostre que a Variância da distribuição exponencial é:
( ) ( )2
22 1)(
=−== ∫
+∞
∞−λ
µσ dxxfxXVar x
116
EPR503 - ESTATÍSTICA APLICADA Universidade Federal de Itajubá
Prof. Dr. Anderson Paulo de Paiva 59
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
( )
( )222
0
2
00
0
0
2
0
2
2
220
2
0
2
112121
221
12
121
λλλλλλ
λ
λλλλ
λ
λλλλ
λ
λ
λλλλ
λλ
λλ
=+−
=
−=
=
−−
−=
=−=
==
+−=
−=
∫
∫∫∫
∫∫
∞−
∞−
∞−
∞
−∞
−
−−
∞−
∞−
dxexxVar
dxxedxex
exdxex
edvev
xdxduxu
dxexdxexxVar
x
xxxx
xx
a
xx
44 344 21
43421
IPP2
Empregando a integração por partes em (a), tem-se:
Logo, a variância da distribuição exponencial é igual a:
117
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG 118
Ex. 5.73 (Montgomery e Runger, 2003): Otempo entre as chamadas telefônicas para uma lojade suprimentos é distribuído exponencialmente comum tempo médio de 15 minutos entre as chamadas.Determine:
a) A probabilidade de não haver chamadas por um período de 30 minutos. 1-P(x<30)
b) A probabilidade de que no mínimo 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 mínimo uma chamada no intervalo. P(x<k)=0,90
EXPOEXPO
EPR503 - ESTATÍSTICA APLICADA Universidade Federal de Itajubá
Prof. Dr. Anderson Paulo de Paiva 60
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG 119
Exercício 5.77 (Montgomery e Runger, 2003)
O tempo entre as chegadas de ônibus a uma estação rodoviária édistribuído exponencialmente, com média 10 min. Determine:
a) x, tal que a probabilidade de vc esperarmais de x minutos seja de 10%.
b) x, tal que a probabilidade de vc esperarmenos de x minutos seja de 90%.
c) x, tal que a probabilidade de vc esperarmenos de x minutos seja de 50%.
EXPOEXPO
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG 120
Exemplo 5.22 - Adaptado (Montgomery e Runger, 2003)
Propriedade da Falta de memória da Exponencial
O tempo entre a detecção de uma partícula por um contadorgeiger é distribuído exponencialmente com média=1,4 minutos.Após esperarmos 3 minutos, qual a probabilidade de que apartícula seja detectada nos próximos 30 segundos?
( ) ( )( )
( )
( ) ( ) ( )( )
( ) 30,00,35,3
0,3
0,35,35,33
0,35,3
=><
>
<−<=<<
><=∩
=
xxP
xP
xPxPxP
xxPBP
BAPBAP
EXPONENCIALEXPONENCIAL
EPR503 - ESTATÍSTICA APLICADA Universidade Federal de Itajubá
Prof. Dr. Anderson Paulo de Paiva 61
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0.03
0.03523
3.50
P(A)
P(B)
121
( ) ( )( )
( )
( ) ( ) ( )( )
( ) 30,00,35,3
1173.0
8827.09179.0
0,3
0,35,35,33
0,35,3
=><
−=
>
<−<=<<
><=∩
=
xxP
xP
xPxPxP
xxPBP
BAPBAP
FALTA DE MEMÓRIA…FALTA DE MEMÓRIA…
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG 122
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0.0
X
De
nsit
y
0.5
0.3003
0
• A probabilidade de detecção 0.5 minutodepois de se esperar 3 minutos é amesma do que uma detecção 0.5 minutosapós o início da contagem.• O fato de esperar 3 minutos não altera aprobabilidade de detecção nos próximos30 segundos.
EPR503 - ESTATÍSTICA APLICADA Universidade Federal de Itajubá
Prof. Dr. Anderson Paulo de Paiva 62
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG 123
Exercício 5.75 (Montgomery e Runger, 2003)
O tempo entre a chegada de e-mails em seucomputador é distribuído exponencialmente commédia igual a duas horas. Determine:
a) Qual é a probabilidade de receber e-mails antes de 75 minutos?
b) Qual é a probabilidade de receber e-mails entre 45 e 95minutos?
c) Qual a probabilidade de vc não receber uma mensagem duranteo período de duas horas?
d) Se vc não tiver recebido uma mensagem na últimas quatrohoras, qual será a probabilidade de vc não receber mensagensnas próximas duas horas?
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
Um sistema mecânico composto por três elementos de máquina émontado em dois subsistemas em série, R1 e R2, conforme o diagramada figura a seguir. Suponha que as taxas de falha dos trêscomponentes sejam, respectivamente, . .
A confiabilidade de cada elemento é dada por:
Determine a confiabilidade dos subsistemas R1 e R2 e a confiabilidadedo sistema total.
A B
Comp. 2
Comp. 3
Comp. 1
R1 R2
1λ
2λ
2λ
EXERCÍCIOEXERCÍCIO
( ) ∫−=
t
t
ii dtetR i
0
λλ21 λλ e
124
EPR503 - ESTATÍSTICA APLICADA Universidade Federal de Itajubá
Prof. Dr. Anderson Paulo de Paiva 63
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
O circuito da figura opera se, e somente se, houver um caminho decomponentes funcionais, de T1 para T2. Considere que cada um dos 7componentes opere de maneira independente, com as probabilidadesde funcionar SEM falhar dadas pelas funções densidade deprobabilidade descritas em cada componente. Determine aprobabilidade de cada bloco não falhar isoladamente e a probabilidadedo sistema não falhar como um todo.
EXERCÍCIOEXERCÍCIO
T1 T2
Bloco 1 Bloco 3Bloco 2
∫−=
10
0
1.0)( 1.0 dxeP x
A
∫ −−=07,1
95,0
)( )1,1)(9,0( dxxxkPG
∫=9,0
0
2)( 5,1 dxxPE
∫
−−
=17
0
155.0
)(
2
22
1dxeP
x
C
σ
π
∫−=
12
0
4.0)( 4.0 dxeP x
D
( )∫
−−=8,12
5,12
5,1220)( 20 dxeP
x
B
∫
−−
=167
0
1505.0
)(
2
27
1dxeP
x
F
σ
π
125
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
A distribuição de Weibull é usada para modelaro tempo até que uma falha ocorra, assim comopara determinar o tempo médio esperado destaocorrência (MTTF – Mean Time to Failure).
Neste modelo, o número de falhas é função dotempo (desgaste).
Exemplo:
126
( )β
δ
β
δδ
β
−
−
=
x
ex
xf
1
Shape
Scale
WEIBULLWEIBULL
2
222 21
21
11
+Γ−
+Γ=
+Γ=
βδ
βδσ
βδµ
( ) ( )22
1
2
1!11
2
1
2
3 π=
Γ=Γ==+Γ=
+Γ=
Γ nnnn
( ) ( ) π=
Γ−=Γ
2
1 !1nn
EPR503 - ESTATÍSTICA APLICADA Universidade Federal de Itajubá
Prof. Dr. Anderson Paulo de Paiva 64
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG 127
X-Data
Y-D
ata
1086420
1,0
0,8
0,6
0,4
0,2
0,0
0
0
Variable
C7 * Weibull 1 1
C8 * Weibull 3,4 2
C9 * Weibull 4,5 6.2
Weibull
( )β
δ
β
δδ
β
−
−
=
x
ex
xf
1
WEIBULLWEIBULL
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG 128
Exemplo 1 (Montgomery e Runger, 2003 – Ex. 5.25)
O tempo de falha (em horas) de um mancal de rolamentosem um eixo mecânico é modelado segundo uma distribuiçãode Weibull, com beta=0,5 e delta=5.000 horas.
WEIBULLWEIBULL
Determine:
a) O tempo médio até que uma falha ocorra;
b) A probabilidade do mancal durar entre 4.000 e 5.500 horas;
c) A probabilidade do mancal durar no mínimo 6000 horas.
d) A probabilidade do mancal durar 1000 h dado que ele já está emoperação a 5000 h.
h10000
5,0
115000
11
=
+Γ×=
+Γ=
µ
βδµ ( )
( ) 5754,010006000
6394,0
3679,0
1000
600010006000
=≥≥
=≥
≥=≥≥
ttP
t
tttP
EPR503 - ESTATÍSTICA APLICADA Universidade Federal de Itajubá
Prof. Dr. Anderson Paulo de Paiva 65
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG 129
Exemplo 2: A vida útil de uma mola operandocontinuamente em condições normais segue uma distribuiçãoWeibull com beta=1,28 e delta=715 horas.
h66228,1
11715
11 =
+Γ×=
+Γ=
βδµ
WEIBULLWEIBULL
Determine:
a) O tempo médio até que uma falha ocorra;
b) A probabilidade operar por 500 horas;
c) Dado que a mola já operou por 200 horas, qual a probabilidade dela operarpor mais 500 horas?
0,0010
0,0008
0,0006
0,0004
0,0002
0,0000
X
Den
sity
500
0,4688
0
Distribution PlotWeibull; Shape=1 ,28; Scale=71 5; Thresh=0
( )
( ) 4596,0200700
8222,0
3779,0
200
700200700
=≥≥
=≥
≥=≥≥
ttP
t
tttP
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
0,000006
0,000005
0,000004
0,000003
0,000002
0,000001
0,000000
X
Den
sity
2995
0,01
0
Distribution PlotWeibull; Shape=1 ,22; Scale=1 30000; Thresh=0
130
Exemplo 3: Um fabricante de veículos sabe que otempo até a ocorrência da primeira falha em um motorutilizado em condições normais de operação segue umadistribuição Weibull com beta=1,22 e delta=130.000 horas.
WEIBULLWEIBULL
∫ =
−
−t
x
ex
0
1
01,0
β
δ
β
δδ
β
a) Encontre o tempo médio de funcionamento dos motores em condiçõesnormais de operação;
b) Determine o período de garantia dos motores que permita que apenas 1%dos itens fabricados falhem durante o mesmo.
hxdxext
x
299501,00
1
=⇒=
∫
−
−β
δ
β
δδ
β
h121778
22,1
11000.130
11
=
+Γ×=
+Γ=
µ
βδµ
EPR503 - ESTATÍSTICA APLICADA Universidade Federal de Itajubá
Prof. Dr. Anderson Paulo de Paiva 66
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG 131
( )
( )
( )[ ]
( )[ ]
93,2994
13000099,0ln
99,0ln
99,0ln
99,0lnln
22,11
1
=
×−=
×−=
=
−
=
−
t
t
t
t
e
t
δ
δ
β
β
δ
β
99,001,01
01,001,0
01,0
0
0
1
0
1
−=−⇒=−
=+−∴=−
−=⇒=
=
−
−
−
−
−
−
−
−
−
∫
ββ
βββ
β
β
δδ
δδδ
β
βδ
δ
β
δδ
β
δδ
β
tt
tt
x
x
tx
ee
eee
xdueu
dxex
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG 132
A vida de rolamentos de esferas segue uma distribuiçãoWeibull com beta=2,00 e delta=10.000 horas.
WEIBULL - BINOMIALWEIBULL - BINOMIAL
c) Determine a probabilidade do rolamento durar 8000 horas;
d) Dado que um certo rolamento de esferas já está em funcionamento há3000 horas, qual é a probabilidade dele durar mais 5000 horas?
e) Se 10 rolamentos estão em uso e, supondo-se que eles possam falharde maneira independente, qual é a probabilidade de que todos os 10durarão no mínimo 8000 horas? (Binomial x Weibull)
a) Determine a probabilidade de um rolamento durarno mínimo 8000 horas;
b) Determine o tempo médio até a falha do rolamento(MTTF);
EPR503 - ESTATÍSTICA APLICADA Universidade Federal de Itajubá
Prof. Dr. Anderson Paulo de Paiva 67
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
X-Data
Y-D
ata
302520151050
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0,0
0
0
Variable
C4 * C1
C5 * C2
C6 * C3
Treshold
Usada em modelagem de estoques e tamanho de partículas.
( )( )
πσσµ
σ
µ
2,,ln
2
2
2
ln
2
x
exf
x −−
=
133
LOGNORMALLOGNORMAL
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
( )( )
2
2
2
ln2
2
1,,ln σ
µ
πσσµ
−−
=x
ex
xf
( )( ) ( ) ( )
( )
( )
( )
( )
( )n
x
i
n
i
n
x
n
n
xxx
n
i
in
i
i
n
e
x
e
xxxxL
x
e
x
e
x
exL
πσπσσµ
πσπσπσσµ
σ
µ
σ
µ
σ
µ
σ
µ
σ
µ
2
1
2...
1,,ln
222,,ln
12
2
12
2
2
2
2
22
2
21
2
ln
1
2
ln
21
2
2
ln
2
2
ln
1
2
ln
2
∑
×
=
∑
×=
×××=
==
−−
=
−−
−−
−−
−−
∏
L
MLE - LOGNORMALMLE - LOGNORMAL
Deduza os estimadores de máxima verossimilhança(MLE) para a função de densidade e probabilidade“Lognormal”, que tem pdf dada por:
134
302520151050
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0,0
0
0
EPR503 - ESTATÍSTICA APLICADA Universidade Federal de Itajubá
Prof. Dr. Anderson Paulo de Paiva 68
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
( )( )
( ) ( )∑
×=
∑
×= =
=−
−
=
−−
−
=∏∏
n
i
i
n
i
i
x
i
n
i
n
n
x
i
n
i
e
x
e
x
xL 12
2
12
2
2
ln
1
222
ln
1
2 2
2
1,,ln σ
µσ
µ
πσ
πσ
σµ
MLE - LOGNORMALMLE - LOGNORMAL
( )[ ] ( ) ( )
∑
×= =
−−
=
−
∏
n
i
inx
i
n
i
n
e
x
nxLn 12
2
2
1
222 2
,,ln σ
µπσ
σµ
l
ll
( )[ ] ( )( )
∑+
−
= =
−−
=
−
∏
n
i
inx
i
n
i
n
enxnnnxL 12
2
2
1
222 2,,ln σ
µ
πσσµ
l
llll
135
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
( )[ ] ( ) ( ) ( )1
12
2
1
222
22,, en
nxxnnnxLn
n
i
ii
n
i
n
ll
llll ∑−
−
−
=
==
−
∏σ
µπσσµ
[ ] ( )∑∏==
=+++=×××=
n
i
inni
n
i
xnnxnxnxxxxnxn1
21211
... llllLll
MLE - LOGNORMALMLE - LOGNORMAL
( )[ ] ( )∑ −−−−−===
∑n
ii
n
i
i nxnxnn
nn
nxLn1
2
21
22
2
1
22
2,, µ
σσπσµ llllll
Logo, a função log da verossimilhança (Loglikelihood) poderá ser definidacomo:
136
EPR503 - ESTATÍSTICA APLICADA Universidade Federal de Itajubá
Prof. Dr. Anderson Paulo de Paiva 69
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
( )[ ] ( )
∑ −−−−−
∂
∂=
∂
∂
==
∑n
ii
n
i
inxnxn
nn
nnxLn
1
2
21
22
2
1
22
2
,,µ
σσπ
µµ
σµllll
ll
( )[ ] ( )∑ =−=∂
∂
=
n
iinx
nxLn
12
2
02
2,,µ
σµ
σµl
ll
( )∑ =−=
n
iinx
10µl
( ) ( ) ( ) ( )∑ ∑ ∑ =−=−∑ =−= = ==
n
i
n
i
n
iii
n
ii nnxnxnx
1 1 110µµµ lll
( )∑==
n
iinx
n 1
1lµ
( )[ ] ( )
n
nxnxLn
n
ii∑ −
=⇒=∂
∂ =1
2
22
2
0,, µ
σσ
σµ lll
Calculando-se o gradiente da função log de verossimilhança (Loglikelihood) eigualando-o a zero, define-se o estimador de máxima verossimilhança(Maximum Loglikekihood Estimator), tal que:
MLE - LOGNORMALMLE - LOGNORMAL
137
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG 138
2.3 – DISTRIBUIÇÕES DE PROBABILIDADE
Variáveis Discretas
EPR503 - ESTATÍSTICA APLICADA Universidade Federal de Itajubá
Prof. Dr. Anderson Paulo de Paiva 70
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
AtributosAtributos
Atributo
Classificação
DefeituosoBinomial
(p)
Não
Defeituoso
Binomial
(q=1-p)
Contagem
DefeitosPoisson
(k)
Defeitos porUnidade
Poisson
(λ=k/n)
Em engenharia, os atributos podem ser classificados quanto ao modelode distribuição de probabilidade discreta associado a um sistema declassificações ou contagem.
As distribuições discretas mais comuns em engenharia são: Binomial, Poisson,Hipergeométrica e Multinomial.
139
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
( )( )
( )pnpxVar
npxE
nx
ppxnx
nxXP xnx
−==
=
=
−
−== −
1)(
)(
,,1,0
)1(!!
!
σ
L
BINOMIAL x POISSONBINOMIAL x POISSON
npnp
,, , Xk
ekXP
k
====
===−
µσµλ
λλ
210 !
)( L
Distribuição Binomial
Defeituosos: quantidade ou percentual latasamassadas em lote de tamanho n=16. P=6/16=37,5%de itens defeituosos no lote.
Defeitos: Reclamações/hora
Distribuição de Poisson
140
EPR503 - ESTATÍSTICA APLICADA Universidade Federal de Itajubá
Prof. Dr. Anderson Paulo de Paiva 71
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
Distribuição Binomial é uma distribuição discreta de probabilidadeque surge na observação de sequencias conhecidas como “Provas deBernoulli”, eventos que permitem apenas dois resultados possíveis em cadatentativa: sucesso (p) ou fracasso (1-p). Estas probabilidades são fixas e,portanto, não mudam a cada teste. Os testes são considerados eventosindependentes (não viciados). Sua função densidade de probabilidade é escritacomo:
Usando máxima verossimilhança, pode se determinar o parâmetro p.
( )( )
xnx ppxnx
nxXP −−
−== )1(
!!
!
BINOMIALBINOMIAL
( )[ ]( ) ( )
( )[ ]( )
( )
( )[ ] ( )( )
0
)1ln(ln!!
!
,ln
)1ln(ln!!
!,ln
)1ln(ln!!
!)1(
!!
!ln,ln
=∂
−−××
−∂
=∂
∂
−−××
−=
−××
−=
−
−= −−
p
pxnpxxnx
nl
p
xnpl
pxnpxxnx
nxnpl
ppxnx
npp
xnx
nxnpl
xnxxnx
141
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
BINOMIALBINOMIAL
( )[ ] ( )( )
( )[ ] ( ) ( ) ( )
n
xppnxxppnxpx
xnppxp
xn
p
x
p
xn
p
x
p
xnpl
p
pxnpxxnx
n
p
xnpl
=⇒=⇒−=−
−=−⇒−
−=⇒=
−
−−=
∂
∂
=∂
−−+×
−∂
=∂
∂
)1()1(
0)1(
,ln
0
)1ln(ln!!
!
,ln
Por exemplo, se existem 6 latasamassadas em uma amostra de tamanhon=16 o valor do parâmetro p será:
375,016
6===
n
xp
142
EPR503 - ESTATÍSTICA APLICADA Universidade Federal de Itajubá
Prof. Dr. Anderson Paulo de Paiva 72
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
a1 a2 a3 a4 a5 a6
143
A probabilidade de haver uma lata amassada (defeituosa) emum lote de fabricação é de 0,375 (p). Selecionando-se uma amostraaleatória de 6 unidades (n), qual é a probabilidade de que exatamente2 latas (x) estejam amassadas? Deduza a pdf desta distribuição.
Há dois eventos independentes nesteproblema que podem ocorrer emcada uma das n provas:
1) o evento A, da lata estaramassada, que ocorre comprobabilidade (pA=0,375);
2) o evento B, da lata estar perfeita,com probabilidade de ocorrênciaigual a (pB=0,625).
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
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
144
Nota-se que, além de se multiplicar a probabilidade (p) x vezes pelaprobabilidade (1-p), (n-x) vezes, este resultado se repetirá para todas ascombinações de n provas (itens) tomadas x a x.
Desse modo, a pdf da distribuição Binomial será: ( )( )
xnx ppxnx
nxXP −−
−== )1(
!!!
Com o resultado particular de: ( ) ( ) 3219,0)625,0(375,0!4!2
!62 42
=
×==XP
EPR503 - ESTATÍSTICA APLICADA Universidade Federal de Itajubá
Prof. Dr. Anderson Paulo de Paiva 73
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
0,35
0,30
0,25
0,20
0,15
0,10
0,05
0,00
X
Pro
bab
ilit
y
2
0,5960
6
Distribution PlotBinomial; n=6; p=0,375
145
O valor desta probabilidade assim como o resultado da probabilidadeacumulada [P(X≤2)] podem ser representadas graficamente através doshistogramas das figuras a seguir.
0,35
0,30
0,25
0,20
0,1 5
0,1 0
0,05
0,00
XP
rob
ab
ilit
y2
0,3219
0 6
Distribution PlotBinomial; n=6; p=0,375
[P(X=2)]
[P(X≤2)=P(0)+P(1)+P(2)]
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG 146
Suponha que um componente eletrônico instalado em determinadocircuito, tenha probabilidade p=0.2 de funcionar durante o tempo de garantia.São testados 20 componentes. Desse modo:
a) Qual a probabilidade de que deles, exatamente k, funcionem duranteo tempo de garantia (k = 0, 1, 2, ... 20)?
b) Qual a probabilidade de que 4 funcionem durante o tempo degarantia?
c) Qual o número médio e o desvio padrão de componentes que irãofuncionar durante o tempo de garantia?
( ) ( ) kk
kkXP
−
208.02.020
=)=(
0,25
0,20
0,1 5
0,1 0
0,05
0,00
X
Pro
babil
ity
3
0,4114
10
Distribution PlotBinomial; n=20; p=0,2
EPR503 - ESTATÍSTICA APLICADA Universidade Federal de Itajubá
Prof. Dr. Anderson Paulo de Paiva 74
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG 147
( ) ( )
( )
( ) ( ) 2,38,02,0201
42,020
2182,08.02.04
20)4=( 164
=××=−=
=×==
=
=
pnpxVar
npxE
XP
x P(x) Acumulado
0 0,01153 0,01153
1 0,05765 0,06918
2 0,13691 0,20608
3 0,20536 0,41145
4 0,21820 0,62965
5 0,17456 0,80421
6 0,10910 0,91331
7 0,05455 0,96786
8 0,02216 0,99002
9 0,00739 0,99741
10 0,00203 0,99944
11 0,00046 0,99990
12 0,00009 0,99998
13 0,00001 1,00000
14 0,00000 1,00000
15 0,00000 1,00000
16 0,00000 1,00000
17 0,00000 1,00000
18 0,00000 1,00000
19 0,00000 1,00000
20 0,00000 1,00000
0,25
0,20
0,1 5
0,1 0
0,05
0,00
X
Pro
babil
ity
4
0,6296
10
Distribution PlotBinomial; n=20; p=0,2
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG 148
Exercício: Complete a tabela referente a Distribuição Binomial a seguir:
n p k P(X=k) P(X>k) P(X≥k) P(X<k) P(X≤k) E(x) Var(x)
4 0,2 2
8 0,5 4
12 0,7 3
20 0,8 12
100 0,6 63
EPR503 - ESTATÍSTICA APLICADA Universidade Federal de Itajubá
Prof. Dr. Anderson Paulo de Paiva 75
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG 149
Exercício: Mostre que a média da Distribuição Binomial é igual a np.
( ) ( ) ( )∑∑=
−
=
−
==
n
k
knkn
k
kk ppk
nkxPxXE
00
1..
( )( )
( ) ( )( ) ( )
( )∑∑=
−−
=
−
−
−−
−=
−
−=
n
k
knkn
k
knk pppknkk
nnkpp
knk
nkXE
1
1
1
1.!!1
!1.1
!!
!.
( ) ( )( ) ( )
( )
−
−−
−= ∑
=
−−n
k
knkpp
knk
nnpXE
1
1 1!!1
!1
( ) ( )( ) ( )
( )
( )[ ]
npppsms
mnpXE
n
s
kX
n
s
sms =
−
−=
=∑ =
=
−
=
∑44444 344444 21
1
0
0
1!!
!
Renomeando as variáveis m=n-1 e s=k-1, tem-se:
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG 150
Exercício: Mostre que a variância da Binomial é igual a np(1-p).
( ) ( ) ( )∑∑=
−
=
−
===
n
k
knkn
k
ppk
nkkXPkXE
0
2
0
22 1..
( )( )
( ) ( )( ) ( )
( )∑∑=
−−
=
−
−
−−
−=
−
−=
n
k
knkn
k
knkppp
knkk
nnkpp
knk
nkXE
1
12
1
22 1.!!1
!1.1
!!
!.
( ) ( )( ) ( )
( ) ( )
( ) ( ) ( )∑
∑∑
=
−
=
−
=
−
−
+=
=
−
=
−
−=
n
s
sms
n
s
smsn
s
sms
pps
msnpXE
pps
mknppp
sms
mknpXE
0
2
00
2
1.1
1.1!!
!.
( ) ( ) ( ) ( ) ( )
−
+−
=
−
+= ∑ ∑∑
= =
−−
=
−n
s
n
s
smssmsn
s
sms pps
mpp
s
msnppp
s
msnpXE
0 00
2 11.1.1
( ) ( ) ( )( ) ( )1111.2 +−=+−=+= pnpnppnnpmpnpXE
( ) ( ) ( )[ ] ( ) ( ) ( )pnpnppnpnpxExExVar −=−+−=−= 11 222
EPR503 - ESTATÍSTICA APLICADA Universidade Federal de Itajubá
Prof. Dr. Anderson Paulo de Paiva 76
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG 151
Considere uma população de N elementos, r dos quais sejamsucessos e N - r sejam falha. Escolhendo ao acaso n elementos dapopulação (n ≤≤≤≤ N), sem reposição, e adotando X como o númerode sucessos obtidos, temos a seguinte distribuição deprobabilidade hipergeométrica:
P X k
r
k
N r
n k
N
n
k( )= =
−
−
= 0, 1, 2, L
Este é um exemplode uma amostragemSEM REPOSIÇÃO!
E X np Var X npqN n
N( ) ( )= =
−
− e
1
HIPERGEOMÉTRICAHIPERGEOMÉTRICA
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG 152
Ex.: Pequenos motores elétricos são expedidos em lotes de 50unidades. Antes que uma remessa seja aprovada, um inspetorescolhe 5 desses motores e os inspeciona. Se nenhum dos motoresinspecionados for defeituoso, o lote é aprovado. Se um ou mais foremverificados defeituosos, todos os motores da remessa sãoinspecionados. Suponha que existam, de fato, três motoresdefeituosos no lote. Qual a probabilidade de que a inspeção 100%seja necessária?
28.0
5
50
5
47
0
3
1)0(1)1( ≅
×
−==−=≥ XPXP
HIPERGEOMÉTRICAHIPERGEOMÉTRICA
EPR503 - ESTATÍSTICA APLICADA Universidade Federal de Itajubá
Prof. Dr. Anderson Paulo de Paiva 77
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG 153
Ex.: Uma empresa recebe, em média, quatro reclamações por dia.Qual a probabilidade de haver 6 reclamações em um determinadodia?
Tem-se que:
Utilizando a distribuição de Poisson com λ = 4, então:
1042.0!6
4)6(
64
===−e
XP
npnp
Xk
ekXP
k
====
===−
µσµλ
λλ
2,1, , L0!
)(
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
Encontre o MLE para o parâmetro λ da função de Poisson, cuja pdf é:
POISSON - MLEPOISSON - MLE
( ) ⇒=−
!x
exf
xλλ
( )!
!!!!
1
211
121
i
n
i
xn
n
xxx
i
xn
i x
e
x
e
x
e
x
e
x
eL
n
i
i
ni
∏∏
=
−−−−−
=
∑
=×××===λλλλλ
λλλλλλ
L
( ) ( )!!...!.lnlnln!
lnln 211
1
1
n
n
ii
i
n
i
xn
xxxxen
x
eL
n
i
i
−∑+−=
∑
==
=
−
∏
=
λλλ
λλ
( ) [ ]!ln!...ln!lnlnlnln 211
n
n
ii xxxxenL +−∑+−=
=
λλλ
( ) ( )∑−∑+−===
n
ii
n
ii xxenL
11!lnlnlnln λλλ
( )∑=⇒=∑+−=
∂
∂
==
n
ii
n
ii
xn
xnL
11
10
1lnλ
λλ
λ
154
EPR503 - ESTATÍSTICA APLICADA Universidade Federal de Itajubá
Prof. Dr. Anderson Paulo de Paiva 78
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG 155
Exercício: Complete a tabela referente à Distribuição Poisson:
n k P(X=k) P(X>k) P(X≥k) P(X<k) P(X≤k) E(x) Var(x)
4 2
8 4
12 3
20 12
100 63
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG 156
Ex. 1: Chegam, em média, 10 navios-tanque pordia a um movimentado porto, que tem capacidade para 15desses navios. Qual a probabilidade de que, emdeterminado dia, um ou mais navios tanque tenham deficar ao largo, aguardando vaga?
%9,40487.09513.01)15(1)15( ==−=≤−=> XPXP
Ex. 2: Uma central telefônica recebe em média300 chamadas por hora e pode processar no máximo 10ligações por minuto. Estimar a probabilidade de acapacidade da mesa ser ultrapassada.
Solução: λ = 300/60 = 5 chamadas/min.
%4,1014.0986.01)10(1)10( ==−=≤−=> XPXP
EPR503 - ESTATÍSTICA APLICADA Universidade Federal de Itajubá
Prof. Dr. Anderson Paulo de Paiva 79
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG 157
P X kn
kp p
k n k( ) ( )= =
− −1
!)(lim
k
ekXP
k
n
λλ−
∞→==
Seja X uma v.a. distribuída binomialmente com parâmetro p
(baseado em n repetições de um experimento). Isto é,
Admita-se que quando n → ∞, p →0 e np → λ. Nessas condições, épossível demonstrar que, para um n suficientemente grande, adistribuição binomial se aproxima da distribuição de Poisson, talque:
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG 158
Ex. 1: A probabilidade de um indivíduo ter reação negativa acerta injeção é de 0,001. Determinar a probabilidade de que de 2.000indivíduos injetados, exatamente 3 tenham reação negativa.
Usando a distribuição binomial com n = 2.000 e p = 0.001, temos:
19973 )999.0()001.0(3
2000)3(
==XP
O cálculo desses números dá origem a considerável dificuldade. Pelaaproximação de Poisson, temos:
1804.0!3
2)3(
32
===−
eXP
2)001.0)(2000( === npλ
EPR503 - ESTATÍSTICA APLICADA Universidade Federal de Itajubá
Prof. Dr. Anderson Paulo de Paiva 80
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG 159
Ex. 2: Consideremos um experimento binomial com n = 200,p = 0.04 em que se pede a probabilidade de, no máximo, 5 sucessos.O cálculo direto é impraticável, usando a Distribuição Binomial.
kk
k kXP −
=
∑
=≤ 5
5
0
)96.0()04.0(200
)5(
λ = np = (200) (0.04) = 8 P(X ≤ 5) = 0.1912
051423
324150
)96.0()04.0(5
200)96.0()04.0(
4
200)96.0()04.0(
3
200
)96.0()04.0(2
200)96.0()04.0(
1
200)96.0()04.0(
0
200)5(
+
+
+
+
+
=≤XP
Pela aproximação, contudo, o cálculo se torna extremamentesimples.
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG 160
Ex. 3: A probabilidade de um indivíduo ter reação negativa acerta injeção é de 0,001. Determinar a probabilidade de que de 2.000indivíduos injetados, mais de quatro tenham reação negativa.
( ) ( ) ( ) ( ) ( ) ( )
0526.0122
4
6
8
24
161
!0
2
!1
2
!3
2
!4
21
]01234[14
2
0223242
=
++++−=
+++−=
=+=+=+=+=−=>
−
−−−−
e
eeee
XPXPXPXPXPXP
2)001.0)(2000( === npλ
EPR503 - ESTATÍSTICA APLICADA Universidade Federal de Itajubá
Prof. Dr. Anderson Paulo de Paiva 81
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
NORMAL X BINOMIALNORMAL X BINOMIAL
Considerando que a média da distribuiçãoBinomial (n, p) é np e que a sua variância énp(1-p), então pode-se aproximá-la pelaNormal (0.1) fazendo:
7060504030
0.09
0.08
0.07
0.06
0.05
0.04
0.03
0.02
0.01
0.00
X
De
nsit
y
Binomial 100 0.5
Distribution n p
Normal 50 5Distribution Mean StDev
Distribution Plot: Bin (100;0.5) x N(50; 5)
( )
−
−=
00
00
1 pnp
npXZ
Exemplo:
( )
( )( ) ( )
≈
×
−=
==
−
−=
5;505.0;100
50.0100
50
50.0;100
1
2
00
0
ZBin
XZ
pn
pnp
npXZ
161
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
POISSON X BINOMIALPOISSON X BINOMIAL
Para valores grandes de n, a distribuição Binomial aproxima-seconsideravelmente da distribuição de Poisson. Considere que:
( )!
1limk
epp
k
n knk
n
λλ −−
∞→=−
λλ −
∞→∞→=
−⇒=
+ e
ne
x
an
n
a
x
n1lim1lim
Aplicando-se a Regra de L’Hopital, com a=-λ e x=n, tem-se:
Para p=λ/n: ( )
( )( )
−×
×
−=−
−×
×
=−
−
∞→
−
∞→
−
∞→
−
∞→
43421ξ
λλ
λλ
knk
n
knk
n
knk
n
knk
n
nnkkn
npp
k
n
nnk
npp
k
n
1!!
!lim1lim
1lim1lim
162
EPR503 - ESTATÍSTICA APLICADA Universidade Federal de Itajubá
Prof. Dr. Anderson Paulo de Paiva 82
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
POISSON X BINOMIALPOISSON X BINOMIAL
( ) ( )
−×
−×
×
−=
−
−
−
−
∞→
−
∞→43421434214434421434214342132143421
43214321
11!!
!lim1.1..
!!
!lim
ξξξξξξξξ
λλλλλλknk
kn
kn
k
k
n nnknkn
n
nnnkkn
n
( ) ( ) ( ) ( )( )
−×
−×
×
−
−×
+−×
−×
−×
−
=
∞→4342143421
44444444 344444444 21
444444 3444444 21L
432
1
11!!
!121lim
ξξξ
ξ
λλλknk
n
n nnkkn
kn
n
kn
n
n
n
n
n
n
k
( ) ( ) ( ) ( )( )
−×
−×
×
−
−×
+−×
−×
−×
−
=
∞→4342143421
44444444 344444444 21
444444 3444444 21L
432
1
11!!
!121lim
ξξξ
ξ
λλλknk
n
n nnkkn
kn
n
kn
n
n
n
n
n
n
k
163
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
Considerando que , então:1
1
1lim =
−
∞→ kn
n
λ
=
=
==
−λξλ
ξ
ξξ
ek
k
32
41
;!
1
( )!
1!
11lim 4321k
ee
kpp
k
n kknk
n
λλ λλ
ξξξξ−
−−
∞→=××
×=×××=−
Substituindo-se estes valores na expressão anterior, tem-se:
Logo, demonstra-se que a Binomial tende para Poisson à medida que n tendeao infinito, ou seja, quanto maior for o valor de n, melhor será a aproximação.
( )!
1limk
epp
k
n knk
n
λλ −−
∞→=−
POISSON X BINOMIALPOISSON X BINOMIAL
164
EPR503 - ESTATÍSTICA APLICADA Universidade Federal de Itajubá
Prof. Dr. Anderson Paulo de Paiva 83
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
Suponha que se deva calcular a probabilidade de haver a ocorrência de umacausa especial nos próximos Δt minutos dado que ela não ocorreu até oinstante t. Suponha que esta probabilidade siga distribuição exponencial.Então, tem-se:
Nota-se que a ocorrência não depende do tempo decorrido t. Logo, pode-sedizer que as causas especiais ocorrem de maneira aleatória.
[ ] ( ) ( )( )
( )( )
( )
[ ]( )( )
( )
[ ] t
t
tt
t
x
tt
x
t
x
tt
x
x
etxttxP
e
e
e
e
dxe
dxetxttxP
exfComo
txP
ttxP
BP
BAPBAPtxttxP
∆−
−
∆+−
∞−
∞
∆+
−
∞−
∞
∆+
−
−
=>∆+>
−−
−−=
−
−==>∆+>
=
>
∆+>=
∩==>∆+>
∫
∫
λ
λ
λ
λ
λ
λ
λ
λ
λ
λ
λ:
EXPONENCIAL X POISSONEXPONENCIAL X POISSON
165
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
Suponha que ocorram n causas especiais entre 0 e t. Se o tempo decorridoentre a ocorrência de duas causas especiais consecutivas forexponencialmente distribuído [E(x)=1/λ], então o número de ocorrências N(t)será uma variável de Poisson com média μ=λt. Sem perda de generalidade,dado que o intervalo de tempos entre chegadas é exponencialmentedistribuído, então a probabilidade de não haver uma causa especial nospróximos Δt minutos será:
Isto significa que o sistema fica estacionário no mesmo estado que estava atét, ou seja, com o mesmo número de ocorrências anterior. Consideremos aexpansão em Série de Taylor para a expressão anterior, em torno de um Δtmuito pequeno :
EXPONENCIAL X POISSONEXPONENCIAL X POISSON
( ) ( )[ ] [ ] tetxPntNnttNP
λ−=∆>===∆+
( ) ( )[ ]
( ) ( )[ ] ( ) ( )L+
∆−+
∆−+∆−===∆+
===∆+ ∆−
!3!21
32tt
tntNnttNP
entNnttNPt
λλλ
λ
166
EPR503 - ESTATÍSTICA APLICADA Universidade Federal de Itajubá
Prof. Dr. Anderson Paulo de Paiva 84
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
Então, pode-se escrever que nenhuma causa especial ocorreu da seguintemaneira:
EXPONENCIAL X POISSONEXPONENCIAL X POISSON
( ) ( )[ ]
( ) ( ) ( )[ ] tntNnttNP
tntNnttNP
∆≈=+=∆+
∆−≈==∆+
λ
λ
1
1
Analogamente, se ocorrer uma causa especial no intervalo, então:
Logo, há duas possibilidades do sistema estar no estado (n) no instante t+Δt:(1) a probabilidade do sistema estar no estado n no instante t E/ANDpermanecer neste estado no instante t+Δt OU/OR (2), estar no estado (n-1) noinstante t E/AND haver uma ocorrência no intervalo Δt. Logo:
( ) ( )( )
( )( )
( ) ( )( )87687648476
ccBPAP
n
BPAP
nn ttPttPttP ∆×+∆−×=∆+ − λλ
)(
11
E/AND E/ANDOU/OR
167
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
( ) ( ) ( )( ) ( ) ( )ttPBAP
ABPAPBAP
n ∆+×=∩
×=∩
λ1
b) A probabilidade do sistema estar no estado (n-1) no instante t, P(Ac), E/ANDpassar para o estado (n) no instante t+Δt, é:
c) Portanto, a probabilidade total do sistema estar no estado (n) nos instantest e t+Δt [P(A∩B)], dado que estava nos estados (n) e (n-1) respectivamente noinstante t, é:
a) A probabilidade do sistema estar no estado (n) no instante t, P(A), E/ANDpermanecer no estado (n) no instante t+Δt, P(B) é:
( ) ( ) ( ) ( )( )ttPABPAPBAP n
ccccc ∆=×=∩ − λ1
( ) ( )[ ] ( ) ( ) ( ) ( )ttPttPBABAP nn
cc ∆×+∆+×=∩∪∩ − λλ 11
EXPONENCIAL X POISSONEXPONENCIAL X POISSON
168
EPR503 - ESTATÍSTICA APLICADA Universidade Federal de Itajubá
Prof. Dr. Anderson Paulo de Paiva 85
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
Considere que:
EXPONENCIAL X POISSONEXPONENCIAL X POISSON
( ) ( ) ( ) ( )( )
( ) ( ) ( )( ) ( )( )
( ) ( ) ( ) ( )[ ]
( ) ( ) ( ) ( )[ ]tPtPt
tPttP
tPtPttPttP
ttPttPtPttP
ttPttPttP
nnnn
nnnn
nnnn
nnn
1
1
1
11
−
−
−
−
+−=∆
−∆+
+−∆=−∆+
∆+∆−=∆+
∆+∆−×=∆+
λλ
λλ
λλ
λλ
Para n=0, tem-se:
( ) ( )( )
( ) ( ) ( )tPt
tPttP
ttPttP
000
00 1
λ
λ
−=∆
−∆+
∆−=∆+
169
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
Considere que:
EXPONENCIAL X POISSONEXPONENCIAL X POISSON
( ) ( ) ( ) ( )[ ] ( )[ ]dt
tPdtPtP
t
tPttP nnn
nn
t=+−=
∆
−∆+−
→∆1
0lim λλ
Aplicando-se o conceito de derivada, temos:
( ) ( )[ ] ( ) ( )x
xfxxf
dx
xfdxf
x ∆
−∆+==
→∆ 0
' lim
( ) ( ) ( ) ( )[ ]dt
tPdtP
t
tPttP
t
00
00
0lim =−=
∆
−∆+→∆
λ
Procedendo de maneira análoga para P0(t), tem-se:
170
EPR503 - ESTATÍSTICA APLICADA Universidade Federal de Itajubá
Prof. Dr. Anderson Paulo de Paiva 86
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
Resolvendo as Equações Diferenciais anteriores, obtém-se:
EXPONENCIAL X POISSONEXPONENCIAL X POISSON
( )[ ] ( ) ( )[ ] ( ) 000
00 =+⇒−= tP
dt
tPdtP
dt
tPdλλ
Utilizando o Fator de Integração , temos:dtdt
eeFI λλ=∫=
( )[ ] ( ) [ ]
( )[ ] ( ) ( )
( ) ( ) ( ) tt
ttt
tt
etPCCetPtP
CtPedttPedt
tPed
dx
dvu
dx
duvvudtPe
dt
tPde
λλ
λλλ
λλ
λ
λ
−− =⇒=⇒=⇒∆−=
=⇒=⇒=×
+=×=+
∫
000
0
000
00
110
00
0
171
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
Analogamente:
EXPONENCIAL X POISSONEXPONENCIAL X POISSON
( )[ ] ( ) ( ) ( )[ ] ( ) ( )
( )[ ] ( ) ( )[ ] ( )
( )[ ] ( ) ( )[ ]
( ) ( ) ( ) ( )
( ) ( ) ( ) ttt
tttt
ttttt
tt
nnn
ettPCCetePComo
CeettPCttPedttPe
dt
tPedeetPe
dt
tPde
etPdt
tPdetP
dt
tPd
tPtPdt
tPdtPtP
dt
tPd
λλλ
λλλλ
λλλλλ
λλ
λλ
λλλ
λλλ
λλλλ
λλλλ
−−−
−−
−
−−
−
=∴=⇒−=⇒=
+=⇒+=⇒=
=⇒=+
=+⇒+−=
+−=⇒+−=
∫
11
111
11
1
11
11
011
1
000:
172
EPR503 - ESTATÍSTICA APLICADA Universidade Federal de Itajubá
Prof. Dr. Anderson Paulo de Paiva 87
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
Estendendo o resultado anterior para n=2, tem-se que :
EXPONENCIAL X POISSONEXPONENCIAL X POISSON
( )[ ] ( ) ( ) ( ) ( )
( )[ ] ( ) ( ) ( )[ ]
( ) ( ) ( ) ( ) ttt
ttttt
t
et
tPCt
tPetdttPe
tdt
tPedeettPe
dt
tPde
ettPtPtPdt
tPd
λλλ
λλλλλ
λ
λλλ
λλλ
λλλλ
−
−
−
=⇒+=⇒=
=⇒×=+
+−=+−=
∫ 22
2
2
22
22
2
2222
2
2212
2
Genericamente, pode-se escrever que:
( ) ( ) ( ) λλ λλ −− =⇒=⇒= ek
PtPen
ttP
k
k
t
n
n !11/
!(Poisson)
173
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
Vimos que, para duas categorias, temos a distribuição “Binomial”.Generalizando a idéia para múltiplas categorias, teremos a distribuiçãoMultinomial. Sua pdf definida como:
Onde:
Por exemplo, a rugosidade de uma peça pode ser medida em três posições (oucategorias): no contra-ponto, no centro ou na castanha.
MULTINOMIALMULTINOMIAL
174
( )!!!
!;;;
21212211
21
k
x
k
xx
kkxxx
npppxXxXxXP k
×××××××====
LLL
∑=
=+++=k
i
ik xxxxn1
21 L
EPR503 - ESTATÍSTICA APLICADA Universidade Federal de Itajubá
Prof. Dr. Anderson Paulo de Paiva 88
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
a) Qual é a probabilidade de que haja 1 peça cuja rugosidade foi medida nocentro, 1 que tenha sido medida na castanha e 2 medidas no contra-ponto?
b) Qual a probabilidade das 4 peças terem sido medidas no contra-ponto?
Um lote de peças esbeltas usinadas por torneamento,contém peças que podem ter suas rugosidades medidaspelo inspetor de controle de qualidade em três posições:Centro (x1), Castanha (x2) e Contra-ponto (x3). Sabe-seque a probabilidade de haver peças medidas no centro dapeça é de 90%, na castanha, 8% e no contra-ponto, 2%.Suponha que sejam selecionadas 4 amostras do lote.
MULTINOMIALMULTINOMIAL
175
( ) ( ) ( ) ( ) 4211 1046,3!2!1!1
!402,008,09,02;1;1 −×=
×××××==== ZYXP
( ) ( ) ( ) ( ) 7400 106,1!0!0!0
!402,008,09,00;0 −×=
×××××=== YXP
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
Vejam como ficariam outras combinaçõespossíveis com as probabilidades citadasanteriormente.
MULTINOMIALMULTINOMIAL
176
( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( )
=××
×××====
×=××
×××====
×=××
×××====
×=××
×××====
×=××
×××====
×=××
×××====
−
−
−
−
−
01516,0!1!1!2
!402,008,09,01;21,2
1046,3!2!1!1
!402,008,09,01;11,1
1088,2!3!0!1
!402,008,09,00;10,1
1054,1!2!2!0
!402,008,09,01;02,0
1056,2!3!1!0
!402,008,09,01;01,0
106,1!0!0!0
!402,008,09,00;00,0
112
4211
5301
5220
6310
7400
YXPf
YXPf
YXPf
YXPf
YXPf
YXPf
XY
XY
XY
XY
XY
XY
EPR503 - ESTATÍSTICA APLICADA Universidade Federal de Itajubá
Prof. Dr. Anderson Paulo de Paiva 89
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
43210
4
3
2
1
0
x
y
0
06,56E-01
2,33E-01
5,83E-02
3,11E-02
1,56E-02
1,94E-03
1,84E-03
1,38E-03
3,46E-04
2,88E-05
4,10E-05
4,10E-05
1,54E-05
2,56E-06
1,60E-07
O exemplo anterior serve também para explicar o conceito deprobabilidade conjunta. Uma fdp conjunta é definida como:
( ) ( )yYxXPyxf XY === ;,
JOINT PROBABILITYJOINT PROBABILITY
177
( )yxf XY ,
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
Se a fdp conjunta é definida como ,então, as probabilidades marginais de X e Y serão escritas como:
( ) ( )yYxXPyxf XY === ;,
MARGINAL PROBABILITYMARGINAL PROBABILITY
178
( ) ( ) ( )xXPyxfyxfRx
XYX ===∑ ,,
( ) ( ) ( )yYPyxfyxfRy
XYY ===∑ ,,
Similarmente, o valor esperado e a variância de X serão escritoscomo:
( ) ( ) ( ) ( )∑∑∑∑∑ ===x Rx
XY
Rx
XY
x
X
x
yxxfyxfxxfxxE ,,
( ) ( ) ( )∑∑ −=x Rx
XYX yxfxxVar ,2µ
EPR503 - ESTATÍSTICA APLICADA Universidade Federal de Itajubá
Prof. Dr. Anderson Paulo de Paiva 90
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
Para o exemplo em questão, o valor esperado e a variância de Xserão, respectivamente:
EXEMPLOEXEMPLO
179
( ) ( ) ( ) ( ) ( ) ( ) ( )[ ]
( ) ( ) ( ) ( )[ ]( ) ( ) ( )[ ]( ) ( )[ ]( )[ ]
( ) ( ) ( )[ ] ( )[ ] ( )[ ]
( )[ ] ( )[ ]( ) ( ) 6,3,
6561,040292,03
0486,020036,010001,00,
0,44
1,30,33
2,21,20,22
3,12,11,10,11
4,03,02,01,00,00,
==
×+×+
×+×+×==
×+
+×+
++×+
+++×+
++++×==
∑∑
∑∑
∑∑
x Rx
XY
x Rx
XY
XY
XYXY
XYXYXY
XYXYXYXY
XYXYXYXYXY
x Rx
XY
yxxfxE
yxxfxE
f
ff
fff
ffff
fffffyxxfxE
( ) ( ) ( ) 36,0,2=−=∑∑
x Rx
XYX yxfxxVar µ
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
Do conceito de probabilidade condicional, tem-se:
Analogamente para uma fdp conjunta, a probabilidade condicionalpode ser definida como:
Com valor esperado e variância, respectivamente iguais a:
Por exemplo:
CONDITIONALCONDITIONAL
180
( ) ( )( )AP
BAPABP
∩=
( ) ( )( )
( ) ( )( )
( )xXyYPxf
yxfyf
AP
BAPABP
X
XY
xY====⇒
∩=
,
( ) ( ) ( )( )
( ) ( ) ( )( )
800,02916,0
2333,0
3
1,331
200,02916,0
05832,0
3
0,330
===⇒==
===⇒==
X
XY
xY
X
XY
xY
f
fyfXYP
f
fyfXYP
( ) ( )∑==Rx
xYxYyfyxYE µ ( ) ( ) 222
xY
Rx
xYxY yfyxYVar µσ ∑ −==
EPR503 - ESTATÍSTICA APLICADA Universidade Federal de Itajubá
Prof. Dr. Anderson Paulo de Paiva 91
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
43210
4
3
2
1
0
x
y
0
01,0000
0,8000
0,2000
0,6400
0,3200
0,0400
0,5110
0,3830
0,0960
0,0080
0,4100
0,4100
0,1540
0,0256
0,0016
Determine as probabilidades condicionais para o exemplo deste capítulo.Encontre o E(Y|x) e Var(Y|x) para x=2.
CONDITIONALCONDITIONAL
181
( )yfxY
( ) ( )( )
( ) ( )( )
( ) ( )( )
( ) ( )
( ) ( ) ( )
( ) 32,064,06,12
32,06,1104,06,10
6,164,0232,0104,00
64,00486,0
0311,0
2
2,222
32,00486,0
0155,0
2
1,221
04,00486,0
001944,0
2
0,220
2
22
=×−+
×−+×−=
=×+×+×==
=====
=====
=====
xYVar
yfxYE
f
fXYP
f
fXYP
f
fXYP
xY
X
XY
X
XY
X
XY
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
3 - INFERÊNCIA
EPR503 - ESTATÍSTICA APLICADA Universidade Federal de Itajubá
Prof. Dr. Anderson Paulo de Paiva 92
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG 183
“Para uma população não normal com média m e desvio padrão s, adistribuição da média amostral para amostras de tamanho n
suficientemente grande é aproximadamente normal com média m edesvio padrão , isto é ~ N : (0,1)”
X
nσ
n
X
σ
µ−=Ζ
Ou seja:
Se X:(m, s) então a distribuição amostral de é N:(m, ) X nσ
“Para uma população Normal com média µ e desvio padrão σ, adistribuição da média amostral para amostras de tamanho n
suficientemente grande é aproximadamente normal com média m edesvio padrão , isto é ~ N : (0,1)”
X
nσ
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG 184
[ ] [ ] [ ] [ ] [ ]
[ ] [ ] [ ] [ ] [ ]
n
X
n
n
n
nXn
n
n
n
nXn
n
nXn
n
nX
nxVarxVarxVarxVarXVar
nxExExExEXE
XnxxxxxX
k
k
k
i
ik
σ
µ
σ
µ
σ
µ
σ
µ
σ
µ
σ
µµµµµ
−=
−
=
−
=−
=−
=Ζ
=++++=
=++++=++++=
==++++= ∑=
2
2222
2321
321
1321
...
......
...
Considere uma variável aleatória X que denote uma soma de v.a.´s:
Tomando-se seu valor esperado E[X] e a variância Var[X], tem-se:
Logo, a variável Z relativa à X poderá ser escrita como:
EPR503 - ESTATÍSTICA APLICADA Universidade Federal de Itajubá
Prof. Dr. Anderson Paulo de Paiva 93
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
0,4
0,3
0,2
0,1
0,0
X
Den
sity
-1,960
0,025
1,960
0,025
0
185
Consideremos uma população normal com média µ, desvio padrão σ euma amostra dessa população. Fixando α em 0.05, ou seja, 1- α=0.95, entãopelos resultados do Teorema do Limite Central, tem-se:
95.0)96.196.1( =<<− ZP
INTERVALOS DE CONFIANÇAINTERVALOS DE CONFIANÇA
n
uX
σ
−~ N : (0,1)
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG 186
α : Nível de significância
1- α: Nível de confiança
95.096.196.1 =
<
−<−
n
XP
σ
µ
[ ] 95.0)(96.1)(96.1 =+<<− nXnXP σµσ
CONFIANÇA X SIGNIFICÂNCIACONFIANÇA X SIGNIFICÂNCIA
201 9181716151 413121 110987654321
503
502
501
500
499
498
497
496
Sample
C1
500
95% CI for the Mean
Individual standard deviations were used to calculate the intervals.
Interval Plot of Y
Ela não significa que aprobabilidade do parâmetroµ cair dentro de umintervalo especificado sejaigual a 0.95. Como µ é umparâmetro, ele pode estarou não dentro do intervalode confiança. “0.95 é aprobabilidade de que umintervalo aleatóriocontenha µ .”
EPR503 - ESTATÍSTICA APLICADA Universidade Federal de Itajubá
Prof. Dr. Anderson Paulo de Paiva 94
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG 187
Sabe-se que os diâmetros internos de rolamentosusados no trem de pouso de aviões têm um desviopadrão de 0,002 cm (conhecido a priori). Umaamostra aleatória de 15 rolamentos mostrou umdiâmetro interno de 8,2535 cm. Construa um IC95%para o diâmetro médio (populacional) do rolamento.
[ ]
254212,8252488,8
15
002,096.12535,8
15
002,096.12535,8
95.0)(96.1)(96.1
≤≤
+≤≤
−⇒+≤≤−
=+≤≤−
µ
µµ
σµσ
EXEX
nXnXP
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG 188
- tα/2 0 tα/2
α/2 α/2
1-α
t
( ) ( )[ ]nStXnStXIC 22 ; )100)1(:( αααµ +−=−
nS
Xt
)( µ−= ∑
=
−−
=n
i
iXX
nS
1
22 )(1
1
IC – SIGMA DESCONHECIDOIC – SIGMA DESCONHECIDO
EPR503 - ESTATÍSTICA APLICADA Universidade Federal de Itajubá
Prof. Dr. Anderson Paulo de Paiva 95
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG 189
nS
Xt
)( µ−= ∑
=
−−
=n
i
iXX
nS
1
22 )(1
1
“Distribuição t de
Student”, com vgraus de liberdade
v = n - 1Tal distribuição é
usualmente tabelada para alguns valores de v
e α
Normal
hv(t)
t
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG 190
9630-3-6
0,4
0,3
0,2
0,1
0,0
Data
De
nsit
y
0,07920 1,395 500
-0,04086 1,130 500
-0,02822 0,9521 500
Mean StDev N
t5
t10
t50
Variable
T-Student
EPR503 - ESTATÍSTICA APLICADA Universidade Federal de Itajubá
Prof. Dr. Anderson Paulo de Paiva 96
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG 191
Para se construir intervalos de confiança para a variânciaou o desvio padrão, utiliza-se a distribuição do Qui-quadrado .
( )( )
( )( ) 21,1
2
2
2,12
2 11
αα χσ
χ −−−
−≤≤
−
nn
snsn
( )2χ
Desse modo, o intervalo de confiança para o desvio padrãopopulacional pode ser escrito como:
24201612840
0,20
0,15
0,10
0,05
0,00
Data
De
nsit
y
2,078 1,906 500
5,061 3,431 500
9,800 4,522 500
Mean StDev N
Qui2
Qui5
Qui10
Variable
( )
( )
( ) bound Upper:χ
bound Lower:χ
ncia significâde nível:α
amostra da variância:s
dfn
2α,11n2
2α,1n2
2
−−
−
− :1
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG 192
25,5 26,126,8 23,224,2 28,425,0 27,827,3 25,7
Média: 26,00DP.: 1,625
Durabilidade (Y)Considere o caso da durabilidade de bateriasusadas em aparelhos celulares avaliada apartir de uma amostra aleatória de 10 baterias.
Com base nesta amostra, construa um IC95%para média e o desvio padrão da durabilidadepara a população de baterias.
( )( )
( )( )
( ) ( )
966,2118,1%95
70,2
625,19
02,19
625,1911 22
21,12
2
2,12
2
≤≤⇒
≤≤⇒−
≤≤−
−−−
σ
σχ
σχ αα
IC
snsn
nn
185,27815,24%95
10
625,1306,20,26
10
625,1306,20,26
≤≤⇒
+≤≤
−
µ
µ
IC
EPR503 - ESTATÍSTICA APLICADA Universidade Federal de Itajubá
Prof. Dr. Anderson Paulo de Paiva 97
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG 193
( ) ( )n
ppZpp
n
ppZp
ˆ1ˆˆ
ˆ1ˆˆ 22
−+≤≤
−− αα
)1( pnp
npXZ
−
−=
Da aproximação da BINOMIAL pela NORMAL, segue que:
Dividindo-se cada termo por n, tem-se:
n
pp
pp
n
ppn
pp
n
pnp
n
np
n
X
Z)ˆ1(ˆ
ˆ
)ˆ1(ˆ
ˆ
)1(
0
2
0
−
−=
−
−=
−
−=
Logo, o IC pode ser escrito como:
IC - PROPORÇÕESIC - PROPORÇÕES
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG 194
Exemplo 8.16 (Montgomery e Runger, 2003): Uma amostra aleatóriade 85 camisas, 10 apresentaram algum tipo de defeito (furos,manchas, costuras soltas, etc). Construa um intervalo de confiançade 95% para a proporção populacional de defeituosos. Use aaproximação pela NORMAL.
( ) ( )
186,0049,0
85
882,0118,096,1118,0
85
882,0118,096,1118,0
ˆ1ˆˆ
ˆ1ˆˆ 22
≤≤
×+≤≤
×−
−+≤≤
−−
p
p
n
ppZpp
n
ppZp αα
EPR503 - ESTATÍSTICA APLICADA Universidade Federal de Itajubá
Prof. Dr. Anderson Paulo de Paiva 98
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG 195
2/12
2/1
α
α
ν
ν
Fv
FP
L+
=
Este método utiliza a distribuição F
( )
trialsn
eventsx
xnv
x
Onde
=
=
+−=
=
12
2
:
2
1ν
( )
( )2/112
2/11
α
α
ν
ν
−
−
+=
Fv
FPU
( )( )
trialsn
eventsx
xnv
x
Onde
=
=
−=
+=
2
12
:
2
1ν
3,02,41,81,20,6-0,0
0,9
0,8
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0,0
Data
De
nsit
y 1,187 0,7184 100
1,060 0,4298 100
1,102 0,6318 100
Mean StDev N
F1
F3
F2
Variable
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG
1,4
1,2
1,0
0,8
0,6
0,4
0,2
0,0
X
De
nsit
y
0,467
0,025
1,80
0,025
0
1,4
1,2
1,0
0,8
0,6
0,4
0,2
0,0
X
0,485
0,025
1,77
0,025
0
Distribution Plot Distribution Plotdf1=20; df2=152 df1=22; df2=150
196
( ) ,PL 05780
80,120152
467,020=
×+
×=
( )2057,0
77,122150
485,022=
×+
×=UP
EPR503 - ESTATÍSTICA APLICADA Universidade Federal de Itajubá
Prof. Dr. Anderson Paulo de Paiva 99
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG 197
Exemplo 8.45 (Montgomery e Runger, 2003)
De 1000 casos selecionados aleatoriamente de câncer depulmão, 823 resultam em morte. Construa um intervalobilateral de confiança de 95% para a taxa de mortepopulacional por este tipo de câncer.
Exemplo 8.47 (Montgomery e Runger, 2003)
Uma amostra aleatória de 50 capacetes para motociclistas foisujeita a um teste de impacto, sendo observado que 18 delessofreram algum tipo de dano quando submetidos ao esforço emquestão. Encontre intervalos de 95 e 99% para a taxa populacionalde falha.
EXERCÍCIOSEXERCÍCIOS
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG 198
Exercício 8.75 (Montgomery e Runger, 2003)
Uma amostra de 500 eleitores revelou que 315 eram favoráveis àredução da maioridade penal. Encontre o intervalo de confiança de90, 95 e 99% para a opinião geral da população sobre estamudança no código penal.
Determine o tamanho da amostra necessáriapara se testar a hipótese de que a proporçãopopulacional é de 75% de concordância com amodificação da lei.
EPR503 - ESTATÍSTICA APLICADA Universidade Federal de Itajubá
Prof. Dr. Anderson Paulo de Paiva 100
EPR503
Prof. Dr. Anderson Paulo de Paiva - IEPG 199
Uma amostra de 600 cidadãos revelou que 87,9%deles concordam com a construção de barragensno Sul de Minas para a contenção das enchentesde verão.
Baseado nesta amostra, um estatístico calculou ointervalo de confiança para o percentual deconcordância com o projeto de toda a populaçãoda região, tal que 85,8% < p < 90%. Encontre onível de confiança associado a este intervalo.