Baixe o app para aproveitar ainda mais
Prévia do material em texto
Variáveis Aleatórias Contínuas e Distribuições de Probabilidades FTL124 – Eng da Qualidade Introdução › James Maxwell usou algumas suposições básicas para determiner a distibuição de velocidade molecular em um gás em equilíbrio. › A partir desse conceito, ele considerou probabilidades iguais em todas as direções x, y e z e também independência dessas componentes de velocidade. › Logo a distribuição de probabilidades da velocidade em uma direção particular é a distribuição continua conhecida como distribuição normal. Objetivos de aprendizagem › Determinar probabilidades a partir de funções densidades de probabilidade › Determinar probabilidades a partir de funções de distribuição cumulativa e funções de distribuição cumulativa a partir de funções de densidade de probabilidade, e ao contrário. › Calcular médias e variâncias para variáveis aleatórias contínuas › Entender as suposições para algumas distribuições contínuas de probabilidades comuns › Selecionar uma distribuição contínua apropriada de probabilidades para calcular probabilidades em aplicações específicas Introdução › Uma variável aleatória pode ser discreta ou contínua. Quando a variável é contínua – assume valores em intervalos de reta ou números reais – a distribuição de frequência pode ser representada por um histograma. › Os Gráficos a seguir mostram as distribuições de frequências dos preços de uma amostra hipotética de 100 ações. Gráficos Introdução › Vamos agora dirigir nossa atenção para a população de onde a amostra analisada foi extraída. Qual será a probabilidade de que o preço de uma ação seja superior a R$ 12,00? – Se a amostra foi aleatoriamente retirada da população, poderemos afirmar que a estimativa de preço P é 30% – Para o cálculo exato, necessitamos de um modelo para a distribuição de frequência relativa da população. Variáveis aleatórias contínuas › Suponha que um comprimento seja medido em uma peça manufaturada e selecionada a partir de um dia de produção. › Na prática, pode haver pequenas variações nas medidas em razão de muitas causas: – Vibrações – Flutuações na temperatura – Desgaste da ferramenta de corte – Desgaste do mancal Variáveis aleatórias contínuas › Em um experimento, a medida é naturalmente representada como uma variável aleatória X e é razoável modelar a faixa de valores possíveis de X com um intervalo de números reais. › O modelo é adequado para qualquer precisão em medidas de comprimento. DEFINIÇÂO: VARIÁVEL ALEATÓRIA CONTÍNUA é uma variável com um intervalo (finito ou infinito) de Números reais para sua faixa Variáveis aleatórias contínuas › Pelo fato de o número de valores possíveis de X ser infinito e incontável, X tem uma distribuição distintamente diferente das variáveis aleatórias discretas previamente estudadas. › Essas variáveis aleatórias são descritas à seguir: DISTRIBUIÇÕES DE PROBABILIDADES E FUNÇÕES DENSIDADES DE PROBABILIDADE Funções densidade são comumente usadas em engenharia para descrever sistemas físicos. Por exemplo: Considere a função densidade de uma carga em uma longa e delgada viga. Para qualquer ponto x ao longo da viga, o dilatamento pode ser descrita por uma função. DISTRIBUIÇÕES DE PROBABILIDADES E FUNÇÕES DENSIDADES DE PROBABILIDADE A carga total entre os pontos a e b é determinada como uma integral da função densidade, de a e b. Essa integral é a área sob a função densidade ao longo desse intervalo, podendo ser aproximadamente interpretada como a soma de todas as cargas ao longo desse intervalo Distribuições de Probabilidades e Funções Densidades de Probabilidade › Logo, uma função densidade de probabilidade f(x) pode ser usada para descrever a distribuição de probabilidades de uma variável aleatória contínua X. Se um intervalo for provável de conter um valor para X, então sua probabilidade é grande e ela corresponde a valores grandes para f(x). › A probabilidade de X estar entre a e b é determinada pela integral de f(x) de a e b. Distribuições de Probabilidades e Funções Densidades de Probabilidade › Uma função densidade de probabilidade fornece uma descrição simples das probabilidades associadas a uma variável aleatória. › Uma função densidade de probabilidade é zero para valores de x que não possam ocorrer e é considerada igual a zero onde ela não for especificadamente definida. Distribuições de Probabilidades e Funções Densidades de Probabilidade › Um histograma é uma aproximação da função densidade de probabilidade. Para cada intervalo do histograma, a área da barra é igual à frequencia relativa (proporção) das medidas do intervalo. › A frequência relativa é uma estimativa da probabilidade de a medida cair no intervalo. › Similarmente, a área sob f(x) ao longo de qualquer intervalo é igual à probabilidade verdadeira de a medida cair no intervalo. Exemplo Corrente Elétrica › Seja a variável aleatória contínua X a corrente em um fio delgado de cobre, medida em miliampères. Suponha que a faixa de X seja [4,9;5,1 mA] e considere que a função densidade de probabilidade de X seja f(x)=5 para esse intervalo. Qual é a probabilidade de uma medida da corrente ser menor que 5 miliàmperes? – A função densidade de probabilidade é mostrada na figura. É suposto que f(x)=0, onde quer que ela não esteja definida especificamente. A probabilidade requerida é indicada pela área sombreada. Exemplo Corrente Elétrica › A probabilidade que seja menor que 5: › Área entre 4,9 e 5,1 Exemplo Diâmetro do Orifício › Exemplo diâmetro do Orifício › Pergunta 01: Exemplo › Pergunta 2 Exemplo – Interpretação dos Resultados › Pelo fato de ser a proporção de peças com diâmetros maiores do que 12,60 mm uma grande proporção de peças é descartada. Melhorias no processo são necessárias para aumentar a proporção de peças com dimensões próximas de 12,50 mm Distribuição Contínua Uniforme › A distribuição contínua mais simples é análoga à sua correspondente discreta. Distribuição Contínua Uniforme Exemplo Corrente Uniforme › Seja a variável aleatória contínua X a corrente medida em um fio delgado de cobre em miliampères. Considere que a faixa de X seja [4,9; 5,1] e suponha que a função densidade de probabilidade de X seja f(x)=5 › Qual é a probabilidade de a medida da corrente estar entre 4,95 e 5 miliàmperes? A probabilidade requerida é mostrada como: Exemplo › Logo › As fórmulas da média e da variância podem ser usada com a=4,9 e b=5,1 › Distribuição Normal › O modelo mais largamente utilizado para uma medida contínua é uma variável aleatória normal › Toda vez que um experimento aleatório for replicado, a variável aleatória que for igual ao resultado médio (ou total) das réplicas tenderá a ter uma distribuição normal, à medida que o número se torne grande. Introdução › O modelo mais largamente utilizado para a distribuição de uma variável aleatória › A base teórica de uma distribuição normal é mencionada para justificar a forma um tanto complexa da função densidade de probabilidade. Exemplo – Peso de recém-nascidos › Exemplo: O peso de recém-nascidos é uma variável aleatória contínua. As Figuras abaixo mostram a distribuição de frequências relativas de 100 e 5000 pesos de recém-nascidos com intervalos de classe de 500g e 125g, respectivamente. Exemplo – Peso de recém-nascidos › O segundo histograma é um refinamento do primeiro, obtido aumentando-se o tamanho da amostra. › Ele sugere a curva na figura acima, que é conhecida como curva normal ou Gaussiana. › A variável aleatória considerada neste exemplo e muitas outras variáveis da área biológica podem ser descritas pelo modelo normal ou Gaussiano. Distribuição Normal › A equação da curva Normal é especificada usando 2 parâmetros: a média μ, e o desvio padrão σ. › Denotamos N(μ, σ) à curva Normal › A média refere-se ao centro da distribuição e o desvio padrão aoespalhamento (ou achatamento) da curva. › A distribuição normal é simétrica em torno da média o que implica que a média, a mediana e a moda são todas coincidentes. Distribuição Normal › A área sob a curva normal (na verdade abaixo de qualquer função de densidade de probabilidade) é 1. Então, para quaisquer dois valores específicos podemos determinar a proporção de área sob a curva entre esses dois valores. › Para a distribuição Normal, a proporção de valores caindo dentro de um, dois, ou três desvios padrão da média são: Exemplo: Bebês › Suponhamos que no exemplo do peso do recém-nascidos: média=2800g e desvio-padrão=500g. Então: › Usando este modelo podemos dizer que cerca de 68% dos recém-nascidos pesam entre 2300g e 3300g. O peso de aproximadamente 95% dos recém-nascidos está entre 1800g e 3800g. Praticamente todos os bebês desta população nascem com peso no intervalo (1300,4300). › Na prática desejamos calcular probabilidades para diferentes médias e desvios-padrão. Distribuição Normal › Exemplo: Concentração de poluentes › A concentração de um poluente em água liberada por uma fábrica tem distribuição N(8,1.5). Qual a chance, de que num dado dia, a concentração do poluente exceda o limite regulatório de 10 ppm? de um poluente em água liberada › A solução do problema resume-se em determinar a proporção da distribuição que está acima de 10 ppm, ie P(X>10). Usando a estatística Z temos: Exemplo – Corrente distribuída normalmente › Suponha que as medidas da corrente em um pedaço de fio sigam a distribuição normal, com uma média de 10 miliampères e uma variância de 4 (miliampères)? Qual é a probabilidade de a medida excer 13 miliampères? – Seja X a corrente em miliampères. A probabilidade requeria pode ser representada por P(X>13). Seja Z=(X-10)/2. Exemplo – Corrente distribuída normalmente › Em vez de usar a equação acima, a probabilidade pode ser encontrada a partir da desigualdade X>13. Isto é: › Interpretação prática: › Probabilidades para qualquer variável aleatória normal podem ser calculadas com uma simples transformação para uma variável aleatória normal padrão. Exemplo – Corrente distribuída Normalmente › Continuando o exemplo: Qual é a probabilidade de a média da corrente estar entre 9 e 11 miliampères? Distribuição Exponencial › A distribuição de Poisson definiu uma variável aleatória como o número de falhas ao longo do comprimento de um fio de cobre. › A distância entre as falhas é outra variável aleatória que é frequentemente de interesse. › Seja a variável aleatória X o comprimento de qualquer ponto inicial no fio até o ponto em que uma falha seja detectada. Distribuição Exponencial › A derivação da distribuição de X depende somente da suposição de as falhas no fio seguirem o processo de Poisson. › Também, o ponto inicial para medir X não importa, porque a probabilidade do número de falhas em um intervalo de um processo de Poisson depende somente do comprimento do intervalo e não da localização. › Para qualquer processo de Poisson, o seguinte resultado geral se aplica: Média e variância para uma função exponencial Exemplo Uso do Computador › Em uma grande rede corporativa de computadores, as conexões dos usuários ao sistema podem ser modeladas como um processo de Poisson, com uma média de 25 conexões por hora. Qual é a probabilidade de não haver conexões em um intervalo de seis minutos? – Seja X o tempo, em horas, do início do intervalo até a primeira conexão. Então X tem uma distribuição exponencial, com λ=25 conexões por hora. Estamos interessados na probabilidade de X exceder seis minutos. Uma vez que λ é dado em conexões por hora, expressamos todas as unidades de tempo em horas. Ou seja 6 min = 0,1 h Exemplo Uso do Computador › A probabilidade requerida é mostrada como a área sombreada sob a função densidade de probabilidade. Logo: Exemplo Uso do Computador › Qual é a probabilidade de que o tempo até a próxima conexão esteja entre 2 e três minutos? – Primeiro converta tudo para horas e depois coloque na integral Exemplo Uso do Computador › Determine o intervalo de tempo tal que a probabilidade de nenhuma conexão ocorrer no intervalo seja 0,90. A questão pergunta o comprimento de tempo x tal que P(X>x)=0,90 › O tempo médio e a variância: Exemplo › Probabilidades para variáveis aleatórias exponenciais são largamente usadas por organização para avaliar níveis de recursos e de pessoal de modo a encontrar as necessidades dos consumidores. › Na engenharia de produção ela também é largamente utilizada para representar tempos de chegadas de clientes dentro da teoria das filas Distribuição de Weibull › A distribuição de Weibull é frequentemente usada para modelar o tempo até a falha de muitos sistemas físicos diferentes. Os parâmetros na distribuição fornecem uma grande flexibilidade para modelar sistemas em que o número de falhas aumenta com o tempo (desgaste do rolamento), diminui com o tempo (alguns semicondutores) ou permanecem constantes com o tempo (falhas causadas pelos choques externos ao sistema). Distribuição de Weibull
Compartilhar