Estatı́stica - Tópico 4

Aldo Matheus Aquino de Franca

July 2024

1 Variáveis Aleatórias e Distribuições de Prob-

abilidades Discretas
1.1 Variáveis Aleatórias
Em um experimento aleatório, uma variável aleatória X é uma função matemática
que atribui um número real a cada resultado do espaço amostral S.

X:S→R

O conjunto de valores que X assume é denominado de suporte da variável X,

denotado por RX .

1.2 Variável Aleatória Discreta

Uma variável aleatória é dita ser discreta se seu suporte é um conjunto finito
ou infinito enumerável.

1.3 Função de Probabilidade

Seja X uma variável aleatória discreta X com suporte RX = {x1 , x2 , · · · }.
A distribuição de probabilidades de X pode ser representada pela função de
probabilidades de X, a qual é dada por:

f (x) = P (X = x), ∀x ∈ RX

1.3.1 Observações
Qualquer função f : Rx → R para ser uma função de probabilidades deve
satisfazer:

1) f (x) ≥ 0, ∀x ∈ RX
P
2) x∈Rx f (x) = 1

1
1.3.2 Exemplo

x → Valor que x assume, RX 0 1 2 ··· n Total

f (x) → Probabilidade de ser um dos RX 0,5 0,1 0,2 ··· k 1

1.4 Função de Distribuição Acumulada

A função de distribuição acumulada (fda), denotada por F (x) e é dada por:
X
F (x) = P (X ≤ x) = f (y), x ∈ R
y≤x

1.4.1 Observações
1) 0 ≤ F (X) ≤ 1, ∀x ∈ R
2) Se x ≤ y, então F (x) ≤ F (y)

1.5 Média, Variância e Desvio Padrão

Em uma distribuição de probabilidade, seja X uma variável aleatória com função
de probabilidade f (·). Temos então:
1) Média (µ) ou valor esperado [E(X)] de X é:
X
µ = E(X) = xf (x)
x∈RX

2) Variância de X, denotado por σ 2 ou V (X), é dado por:

X X
σ 2 = V (X) = E[(X − µ)2 ] = (x − µ)2 f (x) = x2 f (x) − µ2
x∈RX x∈RX

3) Desvio padrão de X, σ é:

σ = [V (X)]1/2

1.6 Propriedades da Esperança e da Variância

Para constantes a e b, temos:
1) E(aX + b) = aE(X) + b
2) E(aX + bY ) = aE(X) + bE(Y )
3) V (aX + b) = a2 V (X)
4) V (aX + bY ) = a2 V (X) + b2 V (Y ) + 2abCov(X, Y )
4.1) Cov(X, Y ) = E(XY ) − E(X)E(Y )
XX
4.2) E(XY ) = xyP (X = x, Y = y)
x y
4.3) Se X e Y forem independentes ⇒ Cov(X, Y ) = 0

2
1.7 Distribuição Discreta - Distribuição Uniforme
Uma variável aleatória X é dita ter distribuição uniforme discreta no conjunto
{x1 , x2 , · · · , xn } se ela asume os valores x1 , x2 , · · · , xn com iguais probabili-
dades, isto é:
1
f (xi ) = P (X = xi ) = , i = {1, 2, · · · , n}
n
X ∼ Uniforme {x1 , x2 , · · · , xn }, RX = {x1 , x2 , · · · , xn }

1.7.1 Observações
Se X ∼ Uniforme {a, a + 1, a + 2, · · · , b}(a e b ∈ Z, a ≤ b), então:
(b + a)
1) µ = E(X) =
2
{(b − a + 1)2 − 1}
2) σ 2 = V (X) =
12

1.8 Distribuição Discreta - Distribuição Binomial

1.8.1 Ensaios de Bernoulli
Ensaios de Bernoulli são teste em que:
1) Cada ensaio tem apenas 2 resultados possı́veis, sucesso ou falha.

2) Probabilidade de sucesso em cada ensaio é constante.

3) Os ensaios são independentes.
Um experimento composto por n ensaios de Bernoulli é denominado de binomial.

1.8.2 Distribuição binomial

A variável aleatória X =“Número de sucessos em n ensaios de Bernoulli” tem
distribuição Binomial de parâmetros n e p, em que p representa a probabilidade
de sucesso em qualquer tentativa. A função de probabilidade de X é:
 
n x
f (x) = P (X = x) = p (1 − p)n−x , x = 0, 1, 2, · · · , n
x

X ∼ B(n, p), RX = {0, 1, 2, · · · , n}

1.8.3 Observações
1) µ = E(X) = np
2) σ 2 = V (X) = np(1 − p)

3
1.9 Distribuição Discreta - Distribuição Hipergeométrica
Dado uma amostra de dados sem reposição, no qual as observações não são mais
independentes, a distribuição que devemos usar é a Hipergeométrica.
Uma série de N objetos contém K objetos classificados como sucesso e N − K
como falhas. Uma amostra de n objetos (n ≤ N ) é selecionada aleatoriamente
sem reposição dos N objetos. Seja X =“Número de sucessos na amostra”, onde
queremos achar os x sucessos da amostra que contêm n − x falhas, então:
K N −K



x n−x
f (x) = P (X = x) = N

, x = max{0, n + K − N }, · · · , min{K, n}
n

X ∼ Hipergeométrica(N, n, K), RX = {max{0, n + K − N }, · · · , min{K, n}}

1.9.1 Observações
K
1) µ = E(X) = np, com p =
N
N −n K
2) σ 2 = V (X) = np(1 − p), com p =
N −1 N

1.10 Distribuição Discreta - Distribuição de Poisson

Uma variável aleatória X tem distribuição de Poisson com parâmetro λ(λ > 0)
[número médio de sucessos em um intervalo] se sua função de probabilidades é:

e−λ λx
f (x) = P (X = x) = , x = 0, 1, 2, · · ·
x!
X ∼ Poisson(λ), RX = {0, 1, 2, · · · }

1.10.1 Observações
1) µ = E(X) = λ
2) σ 2 = V (X) = λ

2 Variáveis Aleatórias e Distribuições de Prob-

abilidades Contı́nuas
2.1 Variável Aleatória Contı́nua
Uma variável aleatória é dita ser contı́nua se seu suporte é representado por
intervalos, ou seja, infinito não enumerável.

4
2.2 Função Densidade de Probabilidade
A função densidade de probabilidade (fdp) é uma função f : R → R, tal que,
para todo intervalo [a, b],
Z b
P (a ≤ X ≤ b) = f (x) dx
a

2.2.1 Observações
Toda fdp deve satisfazer as seguintes condições:
1) f (x) ≥ 0, ∀x ∈ R
R∞
2) −∞ f (x) dx = 1

2.3 Função de Distribuição Acumulada

Suponha que uma variável aleatória X tenha fdp dada pela função f (u). A
função de distribuição acumulada (fda) é dada por:
Z x
F (x) = P (X ≤ x) = f (u) du
−∞

2.3.1 Observações
De acordo com a definição, toda fda F (·) é obtida integrando a fdp f (·).
Se a fda F (·) for diferenciável, então pode-se determinar a fdp f (·) derivando a
fda F (·), ou seja:
dF (x)
f (x) =
dx

2.4 Média, Variância e Desvio Padrão

Suponha que uma variável aleatória contı́nua X tenha fdp dada pela função
f (·). Temos então:
1) Média (µ) ou valor esperado [E(x)] é definido como:
Z ∞
µ = E(X) = xf (x) dx
−∞

2) Variância de X, denotada por σ 2 ou V (X) é dado por:

Z ∞ Z ∞
2 2
σ = V (X) = (x − µ) f (x) dx = x2 f (x) dx − µ2
−∞ −∞

3) Desvio padrão de x, σ é:

σ = [V (X)]1/2

5
2.5 Distribuição Contı́nua - Distribuição Uniforme
Uma variável aleatória contı́nua X tem distribuição uniforme em um intervalo
[a, b] se sua fdp é dada por:
(
1/(b − a), se a ≤ x ≤ b,
f (x) =
0, caso contrário

X ∼ Uniforme [a, b]

2.5.1 Observações
a+b
1) µ = E(X) =
2
(b − a)2
2) σ 2 = V (X) =
12


 0, se x < a
x − a
3) F (X) = P (X ≤ x) = , se a ≤ x < b

 b−a
1, se x ≥ b


2.6 Distribuição Contı́nua - Distribuição Normal

Uma variável aleatória X é dita ter distribuição normal de parâmetros µ e σ 2
se sua fdp é dada por:

(x − µ)2
 
1
f (x) = √ exp − , −∞ < x < ∞
σ 2π 2σ 2

X ∼ N (µ, σ 2 )

Figura 1: Distribuição Normal

6
µ = Localização do centro da distribuição.
σ 2 = Curvatura da distribuição, quanto maior, mais suave (mais distribuida) e
menor seu pico.
Note que:
1) ∼ 68, 3% dos dados estão entre (µ − σ) e (µ + σ).

2) ∼ 95, 4% dos dados estão entre (µ − 2σ) e (µ + 2σ).

3) ∼ 99, 7% dos dados estão entre (µ − 3σ) e (µ + 3σ).

2.6.1 Observações
Se X ∼ N (µ, σ 2 ), então:

1) E(X) = µ e V (X) = σ 2
2) Média = Moda = Mediana.
3) Y = aX + b ∼ N (aµ + b, a2 σ 2 ), em que a e b são constantes.
X −µ
4) Z = ∼ N (0, 1) ≡ Distribuição Normal Padrão
σ
   
X −µ x−µ x−µ
5) F (x) = P (X ≤ x) = P ≤ =Φ , em que
σ σ σ
Z z
1 2
5.1) Φ(z) = P (Z ≤ z) ≡ √ e−u /2 du é a fda da distribuição
−∞ 2π
normal padrão (função tabelada).

2.7 Distribuição Contı́nua - Distribuição Exponencial

A fdp da distribuição exponencial de parâmetro λ é dado por:
(
λe−λx , x ≥ 0
f (x) =
0, x<0

X ∼ Exponencial(λ)
A fda da distribuição exponencial de parâmetro λ é dado por:
(
1 − e−λx , x ≥ 0
F (x) =
0, x<0

2.7.1 Observações
1) µ = E(X) = 1/λ

2) σ 2 = V (X) = 1/λ2

7
2.7.2 Propriedade da Falta de Memória
Para todo t1 > 0 e t2 > 0, temos:

P (X < t1 + t2 | X > t1 ) = P (X < t2 )

Ou seja, o fato de ter esperado t1 tempo, não muda em nada a probabilidade

do próximo t2 tempo, de modo que se mantêm a mesma de que se o contador
tivesse zerado.

3 Confiabilidade
3.1 Introdução
Dado um componente ou um sistema sujeito à um esforço, como uma viga sob
uma carga, naturalmente esse sistema deve falhar em algum momento. Assim,
se esse sistema for posto sob condições de esforço em algum instante especificado
(t = 0, por exemplo) e observado até que falhe, a duração T até falhar (duração
de vida) do sistema pode ser considerado como uma variável aleatória contı́nua
com fdp f . Nas análises desse capı́tulo, consideraremos apenas sistemas de
confiabilidade causais, ou seja, P (T < 0) = 0.

3.2 Confiabilidade
A confiabilidade R(t) de um componente ou sistema na época t, é:

R(t) = P (T > t)

em que T é a duração de vida (duração até falhar) do componente. R é denom-

inada função de confiabilidade. Ou seja, a confiabilidade de um componente é a
probabilidade do componente não falhar no intervalo [0, t]. Em outras palavras,
é a probabilidade de que o componente ainda esteja funcionando na época t.
Suponha que a fdp de T seja dado por f (·), temos então:
Z ∞
R(t) = P (T > t) = P (t < T < ∞) = f (s) ds
t

Suponha que a fda de T seja dada por F (·), temos então:

R(t) = 1 − P (T ≤ t) = 1 − F (t)

Note que, por definição:

dR(t) dF (t)
=− = −f (t) ⇐⇒ f (t) = −R′ (t)
dt dt

8
3.3 Taxa de falhas
A taxa de falhas instantânea Z (função de risco) é:

f (t) f (t)
Z(t) = =
1 − F (t) R(t)

definida para F (t) < 1.

3.3.1 Teorema
Se T , a duração até falhar, for contı́nua, com fdp f e se a fda F (0) = 0, ou seja,
a probabilidade de falha inicial é nula, então f pode ser expresso em termos de
Z, tal que: Rt
f (t) = Z(t)e− 0 Z(s) ds

3.4 Esperança
Se a esperança (duração média até falhar) E(T ) for finita, ou seja:

E(T ) < ∞

então: Z ∞
E(T ) = µ = R(t) dt
0

3.5 Lei de falha Normal

Definimos lei de falha como a forma que a fdp de T deve ter.
Assim, se T , a duração até falhar, segue uma distribuição normal, ou seja, sua
fdp é: (  2 )
1 1 t−µ
f (t) = √ exp −
2πσ 2 σ
Temos que:
T ∼ N (µ, σ 2 )
e  
t−µ
R(t) = P (T > t) = 1 − P (T ≤ t) = 1 − Φ
σ
Ainda, da definição de distribuição normal, sabemos que:

E(T ) = µ e V (T ) = σ 2

9
3.6 Lei de falha Exponencial
Dado uma taxa de falha constante, ou seja:
Z(t) = α
A fdp de T será:
f (t) = αe−αt
Assim, temos que T , a duração até falhar, segue uma distribuição exponencial,
ou seja:
T ∼ Exponencial(α)
e
R(t) = e−αt
Ademais, por consequência:
1 1
E(T ) = e V (T ) = 2
α α
F (t) = 1 − e−αt

3.7 Lei de falha Weibull

Dado que a taxa de falha Z assuma o seguinte formato:
Z(t) = (αβ)tβ−1
no qual α e β sejam constantes positivas.
A fdp de T será:
β
f (t) = (αβ)tβ−1 e−αt
para t > 0, α > 0 e β > 0.
Assim, temos que T , a duração até falhar, segue uma distribuição de Weibull,
ou seja:
T ∼ Weibull(α, β)
e β
R(t) = e−αt
Ademais, por consequência:
 
−1/β1
E(T ) = α Γ +1
β
(     2 )
−2/β 2 1
V (T ) = α Γ +1 − Γ +1
β β
A distribuição de Weibull é um modelo adequado quando o sistema for com-
posto de vários componentes e a falha seja essencialmente devido à mais “grave”
imperfeição ou irregularidade dentre um conjunto de imperfeições do sistema.
Esse modelo de distribuição oferece uma grande flexibilidade para modelar tem-
pos de falha, pois permite que as taxas de falha sejam constantes, aumentem
ou diminuam com o tempo. Assim, podemos adequar β para diversas situações,
na qual Z assumirá diferentes tipos de funções (linear, quadrática, etc).

10
3.8 Confiabilidade de sistemas
3.8.1 Sistema em Série
Dado um sistema em série com n componentes com funcionamento independente
uma das outras, no qual Ti é a duração até a falha do i-ésimo componente e Ri (t)
a confiabilidade do i-ésimo componente, com i = 1, 2, · · · , n. A confiabilidade
do sistema completo, R(t) será:

R(t) = R1 (t)R2 (t) · · · Rn (t)

Note que:
R(t) ≤ min[R1 (t), R2 (t), · · · , Rn (t)]
ou seja, para um sistema em série formado por n componentes independentes,
a confiabilidade do sistema é menor do que a confiabilidade de qualquer uma de
suas partes.

Figura 2: Circuito em série

3.8.2 Sistema em Paralelo

Dado um sistema em paralelo com n componentes com funcionamento indepen-
dente uma das outras, no qual Ti é a duração até a falha do i-ésimo componente
e Ri (t) a confiabilidade do i-ésimo componente, com i = 1, 2, · · · , n. A confia-
bilidade do sistema completo, R(t) será:

R(t) = 1 − [1 − R1 (t)][1 − R2 (t)] · · · [1 − Rn (t)]

Note que:
R(t) ≥ max[R1 (t), R2 (t), · · · , Rn (t)]
ou seja, para um sistema em paralelo formado por n componentes independentes,
a confiabilidade do sistema é maior do que a confiabilidade de qualquer uma de
suas partes.

11
Figura 3: Circuito em paralelo

12