Instituto Tecnolgico de Aeronutica

Diviso de Engenharia Mecnica

MOQ-13/PO-210:
Probabilidade e Estatstica
Profa. Denise Beatriz Ferrari
www.mec.ita.br/denise
denise@ita.br

2o. semestre/2017
SEMANA 08: Roteiro

I Distribuies Notveis - parte II

Poisson
Exponencial
Gama
Distribuies Notveis - Parte II
recapitulando...

Processo de Bernoulli

Na aula passada, analisamos um tipo de processo aleatrio que descreve

probabilisticamente a ocorrncia de sucessos em uma srie de repeties de
experimentos discretos independentes:
1. Existem apenas dois resultados possveis
(que chamamos de sucesso ou fracasso)
2. Cada repetio do experimento ocorre independentemente da outra
3. A chance de obter sucesso (e, consequentemente, de obter fracasso) se mantm
constante para todos os experimentos.

4/1
recapitulando...

Vimos tambm algumas distribuies associadas a um Processo de Bernoulli:

5/1
recapitulando...

Vimos tambm algumas distribuies associadas a um Processo de Bernoulli:

1. X = nmero total de sucessos em n repeties do experimento de Bernoulli

X Bin(n, p)

5/1
recapitulando...

Vimos tambm algumas distribuies associadas a um Processo de Bernoulli:

1. X = nmero total de sucessos em n repeties do experimento de Bernoulli

X Bin(n, p)

2. X = nmero de experimentos necessrios at observar o primeiro sucesso

X Geo(p)

5/1
recapitulando...

Vimos tambm algumas distribuies associadas a um Processo de Bernoulli:

1. X = nmero total de sucessos em n repeties do experimento de Bernoulli

X Bin(n, p)

2. X = nmero de experimentos necessrios at observar o primeiro sucesso

X Geo(p)

3. X = nmero de experimentos necessrios at observar k sucessos

X BinNeg (p, k)

5/1
recapitulando...

... e variaes:

6/1
recapitulando...

... e variaes:

1. X = (X1 , X2 , . . . , Xm ) = nmero total de ocorrncias de cada um de m possveis

resultados de um experimento de De Moivre (multinomial)
X Multin(p1 , p2 , . . . , pm , n)

6/1
recapitulando...

... e variaes:

1. X = (X1 , X2 , . . . , Xm ) = nmero total de ocorrncias de cada um de m possveis

resultados de um experimento de De Moivre (multinomial)
X Multin(p1 , p2 , . . . , pm , n)

2. X = nmero total de sucessos em n repeties de um experimento de Bernoulli

quando a amostragem realizada sem reposio
X HiperGeo(N, n, k)

6/1
recapitulando...

... e variaes:

1. X = (X1 , X2 , . . . , Xm ) = nmero total de ocorrncias de cada um de m possveis

resultados de um experimento de De Moivre (multinomial)
X Multin(p1 , p2 , . . . , pm , n)

2. X = nmero total de sucessos em n repeties de um experimento de Bernoulli

quando a amostragem realizada sem reposio
X HiperGeo(N, n, k)

3. X = nmero de repeties de um experimento de Bernoulli com amostragem sem

reposio at obter k sucessos
X HiperGeoNeg (N, K , k)

6/1
Vamos analisar agora outro tipo de processo aleatrio, que trata da descrio
probabilstica da contagem de sucessos ocorrendo em domnio contnuo
(linear: tempo, comprimento, rea, volume).

Por convenincia (e sem perda de generalidade), vamos analisar o caso em que

observamos certas ocorrncias de um fenmeno de interesse no tempo.

7/1
Processo de Poisson
Processo de Poisson
Motivao

Suponha que observamos a chegada de

pessoas a um posto, onde est localizado um
caminho pipa que fornece gua no serto e
que registramos o nmero de pessoas que
visitam o posto num certo perodo de tempo.

Em mdia, 10 famlias chegam ao caminho

diariamente. O caminho pipa tem
capacidade para abastecer no mximo 15
famlias.

Qual a probabilidade de que, em um

determinado dia, algumas famlias tenham
que ser desviadas para outro posto? Os Retirantes (1944). Cndido Portinari.

9/1
Processo de Poisson

O processo de chegada das pessoas no completamente previsvel.

As pessoas chegam ao posto em instantes aleatrios T1 , T2 , . . . durante o intervalo de

tempo (0, t].

As ocorrncias no tempo podem ser representadas da seguinte maneira:

10 / 1
Processo de Poisson

Se iniciamos a contagem no instante de tempo igual a 0, ento o nmero de pessoas

registradas N(t) no instante t > 0 o resultado de um processo aleatrio
{N(t) : t 0}, tal que:

. N(0) = 0
. N(t) {0, 1, 2, . . .}
. s < t N(s) N(t)

Sejam t, s > 0 instantes quaisquer aps o instante inicial t0 = 0:

. O intervalo (0, t] tem comprimento t

. O intervalo (t, t + s] tem comprimento s

11 / 1
Processo de Poisson

Seja:

P[N(t) = k]: probabilidade de exatamente k ocorrncias em um intervalo de tempo

qualquer de comprimento t 0.

Ento:

X
P[N(t) = k] = 1,
k=0

ou seja, em cada intervalo de comprimento t , devemos ter exatamente ou zero, ou 1 ou

2, ou ..., e assim por diante, ocorrncias.

Note que P[N(t) = k] f.d.p. com respeito a k mas no f.d.p. com respeito a t .
Podemos apenas garantir que:
Z
0 P[N(t) = k]dt
t=0

12 / 1
Processo de Poisson

Vamos assumir que:

1. (Homogeneidade, estacionariedade fraca)

A probabilidade de exatamente uma ocorrncia em um pequeno intervalo de
comprimento h aproximadamente proporcional ao comprimento do intervalo:
o(h)
P[N(h) = 1] = h + o(h); lim =0
h0 h

2. A probabilidade de mais de uma ocorrncia em um pequeno intervalo de

comprimento h desprezvel:

P[N(h) > 1] = o(h)

3. (Independncia, ausncia de memria)

O nmero de ocorrncias em qualquer intervalo de comprimento h independente
do histrico de ocorrncias em outros instantes fora deste intervalo.

13 / 1
Processo de Poisson

Precisamos determinar, para qualquer valor de n:

Pn (s) = P[N(s) = n]
= P[exatamente n ocorrncias em um intervalo de comprimento s]

14 / 1
Processo de Poisson

Precisamos determinar, para qualquer valor de n:

Pn (s) = P[N(s) = n]
= P[exatamente n ocorrncias em um intervalo de comprimento s]

Faamos, ento, para n = 0, n = 1 e, assim, sucessivamente.

14 / 1
Processo de Poisson

(1). Para n = 0:

P0 (t + h) = P [nenhuma ocorrncia no intervalo (0, t + h]]

= P [nenhuma ocorrncia em (0, t] E nenhuma ocorrncia em (t, t + h]]
(indep.) = P [nenhuma ocorrncia em (0, t]] P [nenhuma ocorrncia em (t, t + h]]
= P0 (t) P0 (h)

Mas, blabla

P0 (h) = P [nenhuma ocorrncia no intervalo (t, t + h]]

= 1 P[pelo menos uma ocorrncia em (t, t + h]]
= 1 P[exatamente uma ocorrncia em (t, t + h]]
= 1 P[pelo menos duas ocorrncias em (t, t + h]]
= 1 h o(h) o(h)

15 / 1
Processo de Poisson

Portanto,

P0 (t + h) = P0 (t) P0 (h)
= P0 (t) (1 h o(h) o(h))
= P0 (t) hP0 (t) P0 (t)(o(h) + o(h))

Dividindo toda a expresso por h:

P0 (t + h) P0 (t) o(h) + o(h)
= P0 (t) P0 (t)
h h
Tomando o limite quando h 0 :
P0 (t + h) P0 (t)
lim = P0 (t)
h0 h

16 / 1
Processo de Poisson

Obtemos:

P00 (t) = P0 (t)

Sob a condio inicial P0 (0) = 1, esta uma equao diferencial cuja soluo :

P0 (t) = e t

17 / 1
Processo de Poisson

Analogamente,

(2). Para n = 1:

P1 (t + h) = P1 (t) P0 (h) + P0 (t) P1 (h)

= P1 (t)(1 h o(h)) + P0 (t)(h + o(h))

Que leva equao diferencial:

P10 (t) = P1 (t) + P0 (t)

Cuja soluo, sob a condio inicial P1 (0) = 0, :

P1 (t) = (t)e t

18 / 1
Processo de Poisson

possvel mostrar que:

Pn0 (t) = Pn (t) + Pn1 (t), para n = 2, 3, . . .

Este sistema de equaes diferenciais tem soluo:

(t)n t
Pn (t) = e
n!

Portanto, para o exemplo de motivao, definindo a v.a.

X = no. de famlias que chegam diariamente a uma taxa = 10/dia; t = 1 dia.
15
X e
P[X > 15] = 1 P[X 15] = 1 x = 1 0, 9513 = 0, 0487 5%
x=0
x!

19 / 1
Distribuio de Poisson
Distribuio de Poisson
Definio

X Poi (), > 0:

X = nmero de ocorrncias (sucessos) em um intervalo contnuo unitrio (real)
 x
x! e , x = 0, 1, . . .
fX (x) = >0
0, c.c.

E [X ] = Var [X ] =

(Simulao)

21 / 1
Distribuio de Poisson
Outros exemplos de aplicaes

Contagem do nmero de ocorrncias (sucessos) em um meio contnuo:

- mensagens de emails que chegam em um servidor (tempo)

- asterides que atingem o planeta Terra (tempo ou localizao)
- pessoas que chegam a um banco (tempo)
- ocorrncia de imperfeies em um material (volume)
- veculos que chegam a um cruzamento (tempo)
- estrelas visveis em uma rea do cu (rea)
- fsseis em um stio arqueolgico (volume)
- organismos em uma certa quantidade de fluido (volume)
- etc...

22 / 1
Distribuio de Poisson

Distribuio de Poisson como aproximao para a Distribuio Binomial

X Bin(n, p)
n
I prop. 1: n , p 0, np = constante
I prop. 3: Independncia dos experimentos de Bernoulli
n
X Bin(n, p) Pois ()

I Se p 0: np
I Se p 1: fazer p = P[F ] t.q. p 0 (inverter rtulos de sucesso e fracasso)
I Regra de bolso: n 20 e p 0.05, ou n 100 e p 0.10.
(Simulao)

23 / 1
Distribuio de Poisson
Exemplo 2

Em uma certa fbrica, a ocorrncia de acidentes bastante infreqente. Sabe-se que a

probabilidade de ocorrer um acidente em um dia qualquer 0,005 e que os acidentes
so independentes.
I Qual a probabilidade de que em um perodo de 400 dias ocorrer um acidente em
um dia?
I Qual a probabilidade de que haja no mximo trs dias com acidente?

24 / 1
Distribuio de Poisson
Exemplo 2 Soluo

Temos n = 400 e p = 0, 005. Portanto, = np = 2. Utilizando a aproximao de

Poisson:
1. P[X = 1] = Pois(1; 2) = e 2 21 = 0, 271
P3 P3
2. P[X 3] = x=0 Pois(x; 2) = x=0 e 2 2x /x! = 0, 857

Utilizando o software R...

25 / 1
Distribuio Exponencial
Distribuio Exponencial (Negativa)
Motivao

Um processo de Poisson consiste em um experimento que consiste em contar o nmero

de ocorrncias de um determinado fenmeno aleatrio com certas caractersticas
especiais.

Suponha que uma dessas ocorrncias tenha apenas acontecido. Por exemplo, uma
famlia acabou de chegar ao posto onde est o caminho pipa.

Como se distribui o tempo de espera X at que a prxima famlia chegue?

27 / 1
Distribuio Exponencial
Motivao

Qual a distribuio do tempo de espera X at observar a prxima ocorrncia?

28 / 1
Distribuio Exponencial
Motivao

Qual a distribuio do tempo de espera X at observar a prxima ocorrncia?

P[X > t] = P[nenhuma ocorrncia no intervalo(0, t]] = P0 (t) = e t

Portanto,

P[X t] = FX (t) = 1 P[X > t] = 1 e t , t>0

E, ento:
dF (x)
fX (x) = dx = e x , x >0

28 / 1
Distribuio Exponencial
Definio

X Exp (), > 0:

X = tempo de espera entre ocorrncias sucessivas em um processo de Poisson

e x , x > 0

fX (x) = >0
0, c.c.

1 1
E [X ] = Var [X ] =
2
(Simulao)

I Anloga v.a. geomtrica (no caso de um Processo de Bernoulli)

Distr. geomtrica: v.a. de tempo de espera discreto
Distr. exponencial: v.a. de tempo de espera contnuo

29 / 1
Distribuio Exponencial

Propriedade de Ausncia de Memria

Importante para aplicaes de confiabilidade e tempo de vida de

componentes/sistemas. Por exemplo,
Seja um componente eletrnico, cuja vida til tenha distribuio exponencial. A
probabilidade de que o componente dure t horas, dado que j durou t0 dada
por:
P[X t0 + t|X t0 ] = P[X t]; t > 0, t0 > 0

I Hiptese forte: no existe desgaste

I Se esta hiptese no for razovel:

Distribuio Exponencial FX (x) = P[X x] = 1 e ; x > 0, > 0

:funo taxa de falha constante =
Distribuio de Weibull FX (x) = P[X x] = (1 e x/ ) ; x > 0, > 0, > 0
:funo taxa de falha crescente, constante ou decrescente
(conforme >, = ou < 1, respectivamente)
30 / 1
Distribuio Gama
Distribuio Gama
Definio
R
Funo Gama: () = 0 x 1 e x dx, >0

Propriedade: n Z + : (n) = (n 1)! (1/2) =
X Gama(, ):
X = tempo de espera at observar a -sima ocorrncia em um processo de Poisson
1
() x 1 e x/ , x 0

fX (x) = > 0; > 0

0, c.c.

E [X ] = Var [X ] = 2

I Anloga v.a. Binomial Negativa

I importante para teoria de filas e confiabilidade
I modela o tempo de espera at a ocorrncia de eventos, at a falha de componentes
e sistemas etc.
32 / 1
Distribuio Gama
Casos Especiais

Distribuio Chi-Quadrado:
X 2 () = Gama ( = /2, = 2)
1
x (/2)1 e x/2 , x 0

fX (x) = 2/2 (/2)
0, c.c.

E [X ] = Var [X ] = 2
o nmero de graus de liberdade da distribuio.

33 / 1
Distribuio Gama
Observaes

Relao ao Processo de Poisson

Nas condies de um processo de Poisson:

I A distr. Exponencial modela o intervalo (tempo, espao, etc) entre duas
ocorrncias consecutivas.
= 1/ o tempo mdio entre ocorrncias
I A distr. Gama modela o intervalo de espera at que eventos de Poisson tenham
ocorrido.

Aplicaes da Distr. Chi-Quadrado:

I Papel fundamental em inferncia estatstica (estimao, testes de hipteses)
I Uso intenso em procedimentos envolvendo distribuies amostrais, ANOVA, e
estatstica no-paramtrica

34 / 1
Distribuio Gama
Exemplo 1 Confiabilidade

Um sistema contm componentes cujo tempo (em anos) at falhar dado por T . A
v.a. T bem representada pela distr. exponencial com tempo mdio at falha igual a
5. Se 5 destes componentes so instalados em diferentes sistemas, qual a probabilidade
de que pelo menos 2 continuem funcionando no final de 8 anos?

35 / 1
Distribuio Gama
Exemplo 1 Confiabilidade

Um sistema contm componentes cujo tempo (em anos) at falhar dado por T . A
v.a. T bem representada pela distr. exponencial com tempo mdio at falha igual a
5. Se 5 destes componentes so instalados em diferentes sistemas, qual a probabilidade
de que pelo menos 2 continuem funcionando no final de 8 anos?
Soluo
Temos: T exp( = 1/5).
Para um componente: R
1
P[falha aps 8 anos] = P[T 8] = 5 8 e t/5 dt = e 8/5 0, 2
Est resolvido o problema?...

35 / 1
Distribuio Gama
Exemplo 1 Confiabilidade

Um sistema contm componentes cujo tempo (em anos) at falhar dado por T . A
v.a. T bem representada pela distr. exponencial com tempo mdio at falha igual a
5. Se 5 destes componentes so instalados em diferentes sistemas, qual a probabilidade
de que pelo menos 2 continuem funcionando no final de 8 anos?
Soluo
Temos: T exp( = 1/5).
Para um componente: R
1
P[falha aps 8 anos] = P[T 8] = 5 8 e t/5 dt = e 8/5 0, 2
Est resolvido o problema?...
Seja X = no. de componentes funcionando aps 8 anos
X Binom(x; n = 5, p = 0, 2)
5
X 1
X
P[X 2] = Binom(x; n = 5, p = 0, 2) = 1 Binom(x; n = 5, p = 0, 2)
x=2 x=0
= 1 0, 7373 = 0, 2627
35 / 1
Distribuio Gama
Exemplo 2 Tempo de Espera

Suponha que telefonemas chegando em uma central telefnica sigam um processo de

Poisson com mdia de 5 telefonemas por minuto. Qual a probabilidade de que no mais
que um minuto passe at que 2 telefonemas sejam recebidos?

36 / 1
Distribuio Gama
Exemplo 2 Tempo de Espera

Suponha que telefonemas chegando em uma central telefnica sigam um processo de

Poisson com mdia de 5 telefonemas por minuto. Qual a probabilidade de que no mais
que um minuto passe at que 2 telefonemas sejam recebidos?

Soluo

Seja X = tempo at que 2 chamadas sejam recebidas

X Gama( = 2, = 1/ = 1/5)
Z 1 Z 1
1 x/
P[X 1] = 2
xe dx = 25 xe 5x dx = 1 e 5 (1 + 5) = 0, 96.
0 0

36 / 1
Distribuio Gama
Exemplo 3

Sabe-se, historicamente, que o perodo (em meses) entre reclamaes de clientes sobre
um certo produto tem distribuio Gama, com = 2 e = 4. Foram realizadas
modificaes no processo de produo, de forma a melhorar o controle de qualidade.
Aps tais modificaes, houve uma espera de 20 meses at que ocorresse a primeira
reclamao. Pergunta-se: o novo processo de controle de qualidade foi efetivo?

37 / 1
Distribuio Gama
Exemplo 3

Sabe-se, historicamente, que o perodo (em meses) entre reclamaes de clientes sobre
um certo produto tem distribuio Gama, com = 2 e = 4. Foram realizadas
modificaes no processo de produo, de forma a melhorar o controle de qualidade.
Aps tais modificaes, houve uma espera de 20 meses at que ocorresse a primeira
reclamao. Pergunta-se: o novo processo de controle de qualidade foi efetivo?

Soluo
X = tempo de espera at a primeira reclamao.
Queremos saber se plausvel (ou seja, frequente) observar X 20, para = 2, = 4.
Utilizando o R, obtemos P[X 20] = 0, 0404.

Concluso:

37 / 1
Distribuio Gama
Exemplo 3

Sabe-se, historicamente, que o perodo (em meses) entre reclamaes de clientes sobre
um certo produto tem distribuio Gama, com = 2 e = 4. Foram realizadas
modificaes no processo de produo, de forma a melhorar o controle de qualidade.
Aps tais modificaes, houve uma espera de 20 meses at que ocorresse a primeira
reclamao. Pergunta-se: o novo processo de controle de qualidade foi efetivo?

Soluo
X = tempo de espera at a primeira reclamao.
Queremos saber se plausvel (ou seja, frequente) observar X 20, para = 2, = 4.
Utilizando o R, obtemos P[X 20] = 0, 0404.

Concluso: Se o novo controle de qualidade no for efetivo, significa que as condies

permanecem inalteradas: X Gama( = 2, = 4). Nestas condies, a probabilidade
de ter de esperar 20 meses para observar uma reclamao de aproximadamente 4%.
Portanto, razovel concluir que a mudana no controle de qualidade foi efetiva.

37 / 1
 OBRIGADA

Denise B. Ferrari
denise@ita.br
2017