Varidveis Aleatérias Continuas e Distribuicées de Probabilidades RESUMO DO CAPITULO 4:1 VARIAVEIS ALEATORIAS CONTINUAS 42 _DISTRIBUICOES DE PROBABILIDADES & FUNQOES DENSIDADES DE PROBABILIDADE FUNCOES DE DISTRIBUICAO CUMULATIVA MEDIA E VARIANCIA DE UMA VARIAVEL ALEATORIA CONTINUA DISTRIBUIGAO CONTINUA UNIFORME 43 +4 4s OBJETIVOS DE APRENDIZAGEM 46 “7 DISTRIBUIGAO NORMAL ‘APROXIMAGAO DA NORMAL PARA AS DISTRIBUICOES BINOMIAL E DE POISSON 4-8 DISTRIBUICAO EXPONENCIAL 49. DISTRIBUIGOES DE ERLANG EGAMA 410. DISTRIBUIGAO DE WEIBULL 411 DISTRIBUIGAO LOGNORMAL Depois de um cuidadoso estudo dest capitulo, vocé deve ser capaz de: 1, Determinar probabilidades a partir de fungdes densidades de probsbilidade 2. Determinar probabilidades a partir de fungdes de distrbuigdo cumulativa e fungées de distribuigdo cumulativa a partir de fun ‘q6es densidades de prababilidade eo contrério 3. Calcular médias e varincias para variveis aleatérias continuas 4, Entender as suposigdes para cada urna das distribuipbes continuas de probabilidedes apresentadas 5, Selecionar uma distribuigfo continua apropriada de proba lades para calcular probabilidades em aplicagGes especificas 6. Calcular probabilidades, determinar médias e variincias para cada uma das distibuig6es de probablidades continuas apresen- tadas 7. Padronizar as varidveis aleatérias normais 8. Usara tabela para a funcéo de dstibuig20 cumulativa de uma distribuigao normal padrlo para calcular probabilidades 9. Probabilidades aproximadas para as distibuigdes binomial e de Poisson 4-1 VARIAVEIS ALEATORIAS CONTINUAS Discutimos previamente a medida da corente em umn fio delgado de cabre, Notames que os resultados podiam difei evemente nas séplica dodi-aia por causa de pequenasvariagSes nas varidveis aque lo eram conrolatas em nosso experimento — mudangas nas temperatura ambientes, pequenas impurezas na composiio qui- mica do fi, osclagées na fone de corentee assim por ante Um outro exemplo €a selegéo de uma pega proveniente de uma produslo didria, com uma medigio muito acurada de um ‘comprimento dimensional Napitica, pode haver pequenas va- riagSes nos comprimentos reais medidos, devido @ muita cau- sas, tais como vibragSes, flutuagdes na temperatura, diferentes ‘operadores, calibragSes, despaste da ferramenta de core, desgaste ‘do mancale variag6es na matéria-prima, Mesmo o procedimen- to de medida pode produzir varagGes nos resultados finais. [esses tipos de experimentos, a medida de interesse — me ida da cortente em um fio de cobre, comprimento de uma pega usinada — pode se epresentada po ua varidve alata. € taznével modelarafixa de valores posses da varivel let ria através de um intervalo (finito ou infinito) de niimeros reais. Porexemplo, paso somprimeno cum peg vsina, nosso model faz com que a medida, a partido experimen, este tmauatqer aor dentro de un inert de nimeros ais. elo fato dea faiza ser qualquer valorem um inervalo,o modelo formecequaluerprecisto nas medidas de comprimeno. Ente- tan, uma vee gue onitmer de valores possves ds varivel alcatsriaX€infnito inconavel Xt una dsebvigso ds tamente diferente as vardves alain dscets estodass previamente, A fix de X incu todos os valores em um int “alo de mimersreis: it a fana de Xpode ser pensada como im continuum, ‘Um ntineodedisbuigbes contmasaparcefeqietemen teem aplcagies. Ess dsribuigges sfo descr ¢ exempos de eielos de probabldades, mins e vaincias sf force dos nas seqdes estates dest capil8 4-2 DISTRIBUICOES DE __ PROBABILIDADES E FUNGOES DENSIDADES DE PROBABILIDADE Fungéesdensidades de probabilidade so comumente usadas.em engenharia para descrever sistemas fisicos. Por exemplo,consi- dere a densidade de uma carga em uma longa e delgada conforme mostrado ne Fig. 4-1. Para qualguer ponto x20 longo a vga, a densidade pode ser desrita por uma funcio (em glem). Intervalos com grandes cargas correspondem a valores grandes, Paraa fungéo. A carga total entre 0s pontos ae bé detemminada ‘como um@ integral da funcdo densidad, dea ab. Essaintegral «1 éreasob a fungao densidade 20 longo desse intervalo, podendo ser aproximadamente interpretada como a soma de todas a8 car- ‘820 longo desse intervalo. Similarmente, uma fungiodensidade de probabilidade fx) pode ser usada para descrever a dstribuigdo de probablidades de uma varivel aleatéria continua X, Se um intervao for pro- vvel de conter um valor para X, entdo sua probabilidade€ gran- de ela comesponde a valores grandes para fx) A probabilida- ddede X estar entre a e b é decerminada pela integral dex) de a 1b. Veja Fig. 4.2. Fungao Densidade de Probablidade Para uma varvel alestria continua X, uma fungio densi dade de probabilidade € uma fungi tl que ane Capitals 2 I Mla) dx - . 8) Mas x 12,60. Agor, PK> 12.60) = [vee . roe yee te aera” = 043s ne (Que proporgdo de pesas est enue 12,5 e 12,6 millimetre? Agora, [a9 as ‘Umar que area total sob i) gual a um, podemos também caleu- Jar PRS << 12,6) = 1~ PUX> 12,6) = 1 — 0,135 = O65. aa WIZ 43) 44. Supona ques)» PU 3s) @rx<4y para < x Determine as seguintes po Dabildades: @PU ~05) (9 Determine tal que Pix < X) = 005. 4-6. A ung densdade de probabilidade do tempo (em horas) de fa: tha de um componente elerGnico de uma copiadora € i) = e-*™ 1000 para x> 0. Determine a probabildade de (2) Um componente durar mais de 3000 hors antes da falha (@)Um componente fahar no interval de 1000 22000 horas. (©) Um componente fahar antes de 1000 horas, (€)Determine onimero de horas em que 10% de todos os componen- tes falbarm, 4-7. fang densiade de probabilidade do peso liquide, em bras, de tum pacote de hebicida quimico & fx) = 20, para 49,75 75,2) (e) Se as especiicagbes para esse proceso orem de 74,7 75,3 mile meus, que proporgo das dobradigas se asta As especificagtes? 4.9. A fungi densidade de probabilidade do comprimento de um tas. {tho metilica €f2) = 2 para 2.3 15 Grac-y OPS 4-12 Siponna qu ong de ib cumlavada ariel di Xin fea 0 r= [taceas aera 1 2sx Dezmine o seguinte: (@PA<18)— (WPEX>-1,9) (@PO<-2) @A-1 rans | 2qnde | oastac= ose = 13333 No exemploprvio, o valor espera de X nfo iguala E(X) 20 quad do, Noentanto, no caso especial (x) = aX + b para quaisqutr cons72 capiuos tantes ce b, E(H(2) = of(X) + b. Isso pode se mostado a partir das propredades de integra. EXEMPLO 4-8 Diémetro do Orifcio Par peyton Bump. anys [pee [mem ode ‘A integragdo por pares pode ser sada para masrar que Ua) = =e — = 125 +005 = 1255 2 Ins A varitnca de X Wx) = | (x 12594e)ar Embora mais dite aimegragio por partes poe ser usada duas veres para mosrar que VON) = 0,0025. EXERCICIOS PARA A SECAO 4-4 4.23, Supoaha que fs) varidnci de X. 4-24, Sugonia que fa) = 0,125 para para 1 < x. Deter mine a média de X. 4-28, Suponha que wm fungzo densidad de probabilidade do compri- mento de cabos de computadores sea x) = 0,1, de 1200 a 1210 mili. metros. (2) Determine a édia eo desvio-padeo do comprimento do cabo, (b)Se asespecitieaBes do compriment forem 1195 < 2 < 1205 mil metros, que proporo dos eabos estar dato das expecificagbes? 4-29. A espessura em micrOmetros, de um revestinentocondutivo tem ‘uma Fungo densifade de 6003°¥para 100 ym 5 mun. Enboro didmetro-avo sj milimetrs,vibrages, ‘esgase da ferramenta e outros inconvenienesproduzem diémetros maior que 5 mm. (a) Determine a médiae a varidneia do dimetro doe orifcios. (b)Determine a probsbildade deo ditmetroexceder 5, milimetros. 125 para 0 0.Também, A= ne VOD 49) « anotagho Mu, 0?) 6 sada para denotar a distrbuigéo. A ‘médiae varincia de X so mostradas como iguais 2 ¢ a3, respectivamente, no final desta SepZo 4-6. (#8) EXEMPLO 0 ‘Suponba que as medidas da corene em um peda de fio sigam a dis- trbuigd normal, com uma mia de 10 milliamperes e uma vaséncia de (names). Qual é a probabilidade da medida exceder 13 mi- ‘iampéres? SejaXacomente em millamptres. A probabilidade equsiéa pode sec epesentada por P(X > 13) Esa probabilidade é mostads como s ‘ea sombreada sob a fangBo densdade de probabilidade normal na Fig, 4-11 Infeiamente no hi uma expresso exata para integral de uma fungio densdade de probabiidade nanna, sendo as probabildade, baseadas ne disribuigfo norma, tpicamenteencantradasnumericamen: te ova panic de uma tabela (que incoduziremos mais adn). 100 w 1 : Figura 4.11 Probabildade de X°> 13 para uma varivelsleatra oma, comp = lee! = 4 Algons resultados ttis rlativos 8 distibuigo normal sio suumariados na Fig. 4-12. Para qualquer vardvel aleat6ria nor- mal, Pwo ) = ‘Como fix) € positiva para todo x, esse modelo atribui probabilidade para cada itervalo da tnba dos némeros eas. Entretanto, a fungdo densidade de probabilidade diminui quan- do x se move para mais longe de u. Conseqlentemente, a proba- bilidade de a medida cairlonge de w € pequena; a alguma dis- tincia de p, a probabilidade de um intervalo pode ser aproxima- ‘da como ze. ‘Além de 30 da média, area sob a fang densidade de pro babilidade normal é bem pequens Esse fato € convenient para ‘esquemas aproximados e répidos de uma fungio densidade de probabilidade normal. Os esquemas nos ajudam a determinar probabilidades. Pelofato de mais de 0,9973 da probabilidade de uma dstribuigéo normal estar dentro dontervalo (1. ~ 30, n+ 30), 6e € freqientemente referida como a largura de uma dis- ‘ribuigdo normal. Os métodos de interagSo avangada podem ser usados para mostrar que @ érea sob a fungéo densidade probabi- lidade normal de ~2 < x < 2 é igual a1 Variivel Alearéria Nermal Padrio| ‘Uma varivel aleatéria normal com M 6 chamada de variével aleat6ria normal padrao e denotada por Z. ‘A fungio distribuigio cumulativa de uma variévelaleat6- ria normal padrio é denotada por %@ = PES2) SR en wie aie eee joven Figura 4-12 Pobsbildadesassociadas com un disibuigSo normal.Piz «1.912 0018) irc omnes 0 18k Figura 4-13 Fungo densidade de probsbilidage normal pad, ‘A Tabela Ill do Apéndice apresentaprobabilidades cumula- tivas parauma varidvel aleatéria normal padrio, FungGese ds- ‘ribuigdo cumulativa para varisveis aleatrias normais so tem- ‘bém amplamentedispontveis em pacotes computacionais. Eles podem se usados da mesma mancira que a Tabela III do Apén- dice para obterprobabilidades par essa varidveisaleatrias. 0 uso da Tabela Il €ilutrado pelo seguinte exemplo. EXEMPLO411 Distrbuigdo Normal Padrdo CConsidere que Z sen uma vargvel aleatéria normal padtio. A Tabela Il do Apéndicefornece probabilidadesna forma (2) = P(Z'$2).0 ‘so da Tabea Il para encontrar PZ = 15) €ilusado na Fig. 13, Leia a cluraz para baixo até encontrar valor 1,5. A probabildade de (0.93519 ida na coluna adjacente, mareada como 0,00. (© topo ds colunas se refere&s casas centesimais do valor e xem P(Z-=.2).Porexemplo, PCZ = 1,53) encontrado lendo a cola de z ‘até Tinka 1S e eno selecionando a coluna marcada como 0,03, en- contrandose assim a probabilidade de 093699. As protabilidades que nio estejam na forma P(Z <2) sio cencontradas usando as regras basicas de probabilidade ea sime- ‘sia dadisuibuigdo normal, juntamentecom a Tabela II do Apéx- dice. Os seguintes exemplosilustram 0 método. w Varives Alene Cotous Dstibuiges de Probbiiades, 75 | 000 oo 092 __ 0.03 © | eoa0s ososse 0.50398 0.81197 18 | 093319 93s 053574 0.93659 EEWLOTE (0s seguinesefleulos sto mostrados de forma diagramstica na Fig 4 14, Na prétca, uma probabilidade €freqlentemente arredondads para um ou dois algarismos signifcaivos. (1) PZ> 129 = 1 ~ PIZ-5 1,26) = 1 = @) P(2< “086 = 0,19490 () PZ>=13N = FZ< 1.37 = 0.91465 (8) P(~1,25<2< 0,37). Essa probablidae pode serencontrada da dfeengade dua eas, PZ < 0,32)~ P(Z< ~ 1,25). Ago- PZ < 037) = 0.64831 e PZ < ~1,25) = 0.10565, Por consepuinte, P-125 2) = 005. Essa expresso de probabildade pode ser eserita como AZ = 2) = 0.95. A soli- (fo 6 ilustraa a Fig 414. Nioenconamos exatamente 0,95; ‘0 valor mais préximo € 0,95053, comespondendo a z = 165 (7) Encontro valor de tal que P(~2 13) Seja Z = (X ~ 10)2.A raga entre os vis valores de X e ot valores transformados de 2 mosrada na Fig. 415. Notamos que X> I3 comesponde a Z> 1,5. Assim, a Ta- bela do Apéndice, PUX> 13) = AZ> 15) = 1 - P= 15) = 1 - 093319 = 0,06681, Emer de usara Fig 415,aprobablidade pode serenconada pati dadesigualdade X> 13. Iso, Oitigtoge z= Figura 415 Padronizndo una varévlslatria norm nero iy = (FSB), No exemplo precedente, o valor 13 €tansformado para 1.$ através da gacronizaso,e 1,5 €feqientemente refer como ‘valor z2ssociado com uma probabilidade. O quad seguinte resume clculodas probabildadesdeduridas das varidvesale- an6ras noma Padronizando para Caleular uma Probabilidade ‘Suponha que X seja uma variével aleat6ria com média peat. Eniio, a gt) nessa @ em ie Zz io varidvel aleatéria normal padrao ¢ =H rasaer(E 0 valor zobtido pela padronizagio de X. idade € obtidaentrando na Tabela I do Apén- = pyo. EXEMPLO 414 Corrente Distibuida Normaimente Continuando oexemplo prévio, qua a probablidade de a maida da comente estar ene 9€ 11 miliampbres? Da Fig 4-15 eu procederdo algebvicameat,emos PSX 88) «nao sa probebilidade pode ser descrit como a probabiliade de uma fal- sadeecrdo. ‘Detine 0 limites smétics, em toro e 0, que inelvem 95% detains leurs dou. A questo rier encontrar stl qe == 145) (OP@> ~215) (9P(-2394<2< 179 4-42 UseaTabela Ill do Apéndice para determina as seguints proba- bildades para a vail aleatéria normal paito 2: (@AR13) (qp@2)=01 (AH 1242)=09 (a) PX < 13) (PEE> 9) (ORG 3) = 05 (PO > 2) = 095 (PU <¥<10)= 02 (@PH-x< X= 10<2)= 0.95, (Px eX ~ 10< = 099 4-47, Suponha que Xsja dstslbuCda normlmente, com uma média de 5. um desvio-padro de 4. Determine oseguinte: (a) P<) (PU > 0) (PG) = 05 (Pu x) =095 (PG Se n(l ~ p) > 5. LLembre-se de que, para uma varivel binomial X, £() = npe Vix) = rp — p), Conseqientement, a expresso na Equacio 4-12 nada mais édo que uma frmula para padronizara varivel aleatéria X. As probabilidades envolvendo X podem ser aproni- ‘madas usandose uma distrbvigio nomal padro. A aproxims- io serd boa quando n for grande elativo ao valor dep EXEMPLO +18 (0 probiema de comunicaso digital no exemplo previo resolvido como se segue: sosyep( pHa 1505—160 PUX 5 150) = AX 5150.5) ‘CES ves) =P(2<-0,15)=0227 Porque mp = (16 X 10") x 10) = 160¢ nl — p)€ muito maior, esperase que a aproximaso funcione bem nesse caso. EXEMPLO 419 Aproximaséo da Binomial pela Normal CConsiderenovamente a transmissio debits no Exemplo 418, Par jul {ar quio bem distribuigio normal funciona, suponha que somente ‘n= 50 bits devem ser tansmitidos ¢ que a probabilidade de um eno sein = 0,1. A robabilidadeexata de que 20x menos eros comram retay-(S)as"-()ou09m (2) are ea Bead ma aprsimaio normal pres | nrea=?( ars < Taio) =<) “Mesmo para uma amosta ic bem pequena quano SO bis, aproxima- 0 normal érazodvl ‘Como um outro exemplo, AB Sen{l — p) > S.A Fig. $21 prové um su imério dessas norms. Figura 420 A dsuibuigo binomial no srk smérica se p estver peno soa.‘Vavivels Alenia Cont eDisibuigbes de Pubes, 81 Aistibuigto - diswibuigio ~ Aistribuiglo hipergeomévica mn | ‘biomial np>s normal ne n(l =p) >S Lembre-se de que a distribuigo de Poisson foi desenvolvida como o limite de ums distribuigko binomial medida que 0 nd- mero de tentaivas aumentava até infnito. Assim, nio seria sur- presa encontrar que a distribuigo norm pode ser usada para aproximar probabilidades de uma varivel sleat6ria de Poisson. ‘Aproximagéo da Distribuigio de Poisson pela Normal Se X for uma variével aleat6ria de Poisson com E(X) = he VX) =d, pees Vi serd aproximadamente uma varidvel aleatGria normal padrdo ‘A aproximagéo € bos para (413) Aproximagdo de Poisson pela Normal CConsidere que onimero de partculas de asbesios em um metro qua 7) (P< 64) (©) Pio x) = N= 0) Loge, x20 Fu) = PX) 6 funsio de dstribuiglo cumolativa de X. Diferenciando F(X), a fungio densidade de probabilidade de X € calculada como Fayarem, x20 A derivagio da dstribuiglo de X depende somente da su «io das alhas no fio seguirem o processo de Poisson, Também, © ponto incial para medir Xnfo importa, porque a probabilida- de do némero de falhas em um intervalo de um processo de Poisson depende somente do comprimento do intervaloenéo da Tocalizagio. Para qualquer processo de Poisson, o seguint re- sultado perl se aplica. Distribuigdo Exponencial ‘A varigvel aleatria X, que €igual distncia entre contagens sueessivas de um processo de Poisson, com média \ > 0,6 ‘uma varidvel aleat ria exponencial com parimeto . A fun- ‘io densidade de probabilidade de X € fe) de para =x <0 14) {A distibuigio exponencial em esse nome por causa da fun- « exponencial na funglo densidade de probabilidade.Grificos de distibuigdo exponencial para valores selecionados de sio ‘mostrados na Fig. 4-22. Para qualquer valor de A, a distibuiglo ‘exponencal €bem distorcida, Os seguintes resultados so facil- ‘mente obtidos ¢ deixados como um exerefci. Média e Verincia ‘Se a vardvel aleat6ria X iver uma distribuiglo exponencial com parame A, yD Ro BY) =p er = AX) fimporante usar unidades consstentes no cfleslodepo- babilades, médias evardncas envolvendo varidvelsaleaté- Figura 4-22 Fungo densidad de probabilidade de uma varigvel letra ‘exponencal par valores selecionacos de . ras exponenciais O seguinte exemploilusra as conversbes de vunidades. EXEMPLO 421 to de Compan Em uma gre ee corporatva compares, a one os dre tte poder vr motels cono um procs de Pr, Comma meade 25 connie poor Qua obi eo paver conetesem om ra de Ontos? Sj otenpo,cm hoa, 4 ni oneal ata primeira co eran no, ey mada esponialcom } = 25 coe. Mes prort Esa alresado on baie de exer 6 tnutos Us ver que h€ dao cr cones or org, express {edn asuniddesiempocr bors Ouse érintos =O ors A eobeliae regia €mosrda como aa sombesds aba fa fo densa e pobabidde na ig 423. Logo, A> ON) = | ert dem eM @ A dso fing dsb cumulative ser ad pacer @ mesmo rola, come Segue Por> 0.) =1 = FON) =e una respon ica € bid expend 0 nimero mi e onestes coma O41 enero porta eslandas pros oc oenpoenceder€ mina ae a préina cone, Fen 082 te) Figura 4.23 Pobabildade para dsubuigtoexponenca no Exempla 42.Qual da robatilidade de que otempoaté a préxima corexto esa enue 23 rintos? Convertendo todas as unidades para horas Uma soluiosbternativa € AIO.3 < X-<0.05) = F005) ~ F(0033) = 0.152 Determine oinervato de tempo tal que probabilidade de neahuma conexto ocorrer no intervalo sea 0:9. A questo pergunta o comp ‘mento de wempa tal que PC > 2) = 0,90. Agora, PUL) = = 090 Apligue os logaritmos neperianos de ambos os lados para ober ~25 in(0,90) = ~0.1084, Conseqiememente, x= 0,00821 hora = 0:25 minuto Alm dsso,ovempo médio aa préxia conexto & w= 125 = 0,04 hoa = 24 minutos (0 desvio-padrio do vempo at a proxima conexio é ao = 15 ho 24 wintos No exemplo prévio, a probabilidae de nao haver conexdes ‘em um interval de 6 minutos foi igual 0,082, independente- mente do tempo inical do intervao, Um processo de Poisson supde que everts ocorram uniformemente através do intervalo de observagio; iso €, nBo hé agrupamento de eventos. Seas ‘conexdes forem bem modeladas por um provesso de Poisson, a probabilidae de que a primeira conexto depois do meio ‘coma apés 12h 06 min € a mesma probabilidade com que a primeira conexio depois das} h ocoraap6s 15 h 06 min. Ese alguém se conectar as 14 h 22 min, a probablidade de a proxi ‘ma conexio ocorrer depois das 14 h28 min seré ainda 0,082. "Nossopontoincial de observagio no sistema no importa. Entretanto, se houver perfodos de uso intenso durante o dia tl como imediatamente depois das 8h seguido de um periodo de ‘baixo uso, um processo de Poisson no serd um modelo apropr do para as conexées ¢ a distibuiglo nto ser apropriads para calcularprobebilidades. Pode ser razovel modelar cada um dos, periodos de uso intenso e uso baixo por um processo separado fe Poisson, empregando um valor grande de A durant 0s pero- dos de uso intenso, e um valor pequeno de A, ¢a80 conterio. Eto, uma istrbuigao ex ponencial com o valor corresponden- te de A pode ser usada para calclas as probabilidades de cone- fo para os perodos de alto e baixo usos. Propriedade de Falta de Meméria ‘Uma propriedade ainda mais imeressante de uma varidvel alea- ‘Griaexponencialestérelacionada com as probabilidades condi- cionais. EXEMPLO, Propriedade de Falta de Meméria Seja Xo tempo enre detecgbes de uma paneularara em um contador GGeigere consdere que X tena uma cisribuigioexponencial com EX) = lA minuto, A probabilidsde de detectanmos uma particule dento de 30 segundos a patr do comego da contagem & PX 5)'Da defnigdo de probablidade condicionl, PUL <35IK> 3) = PG 3) emque P3. 3) = 0,03500,117 = 030 ‘Depois de esperar por 3 minutos sem uma detecyo,aprobabilidade de ‘uma detecgao aos pedis 30 segundos & 2 mesma probabilidade de tina detecy80 nos 30 segundos imediatamente depois de comeyar 8 ‘ontagem. 0 fatode que vot esperow 3 minvtossemuma deteeg80 80 tmudaa probabilidade de uma detec nos prximos 30 segundos, ne One ‘O Exemplo ¢-22ilustrae propriedade de falta de meméria de urna varivelaleatéria exponencial ¢ uma afirmasio geral da propriedade € deda a seguir. De fato a dstbuigSo exponencial Ea nica disiribuigdo continua com essa propriedade Propiedad de Falta de Meira ‘Para uma vardve alea6ria exponencial X, PU, AIX > 1) = POS) {ethic tha Nak tt ea oe (416) A Fig. 4-28 ius a propriedade de fala de memtria. A drea du tegito A dvidida pela dea total soba fang densidade de pro- tabilidade (A + 3 + C + D = 1)é iguala POC IOLA propridade de falta de meméria implica que a proporgto dare total qu estéem A €igal A proporio da dresem Ce D {que ead em C. Averifeagio matemdtca da propriedae de fal- th de meméria &deixada como um exerico para expandir 8 mente 'Apopriedae de aka de memria a surpresa quando voct considers o desenvolvimento deur process de Poisson. Nese devenvolviment,consideramos que um interval poderia ser tes iisgnare Figur rencil 24 Propricdade de alta de meméria de uma dstibuigo expo-84 Capitlod Aividido em pequenos intervalos que fossem independemtes. Esses subintervals so similares As tentativas independentes de Bemouli, que compreendem um processo binomial oconheci- mento dos resultados prévios no feta as probabilidades de even- tos em futuros subinervalos. Uma varidve aleatériaexponenci- aléaanstoga, no caso continuo, 8 varigvel aleatéria geométrica, 10 caso discret, e elas companilham uma propredade similar Ge falta de meméria A stribuigSo exponencial é frequentemente wsada em estu- dos de confibilidade como 0 modelo para o tempo até a falha de um equipamento, Por exemplo,o tempo de vide ge um chip semicondutor pode ser modelado como uma varidvel aleatria exponencial, com uma média de 40,000 horas. propriedade de fllade meméria da distibuigio exponencial implica que oequi- amento nfo se desgasia.Ou soa, independentemente de quan- to empo 0 equipamentotenka operado, a probabilidade de uma falha nas préximas 1000 horas 6 a mesma que a probabilidade de ura falha nas primeiras 1000 horas de operasio,O tempo de vida Lde um equipamento com falhas causadas pelos impactos aleaérios pode ser modelado apropriadamente como uma Vari {vel aleatéria exponencal. Entretanto, o tempo de vida L de um ‘equipamento que sofe um lento desgaste mecinco, tal como 0) aumenta com o tempo. Distibuixées, tal como a distribuigio de Weibull, sio feqientemente usadas 1a prtica para modelaro tempo de fala desse tipo de equipa- mento. A distrbuigHo de Weibull seré presentada em uma se 20 mais adiante. EXERCICIOS PARA A SEGAO 4-8 476 Suponha que X teh uma distibuigdo exponencal, com h = 2. Determine o segue @AXs0) RK 2) rts) @r 19) (W)PX> 20) (9 Px <30) (@Enconte 0 valor de x tal que PLX 10) (6) Compare os resultados dos itens (ae (b) €comente sobre o papel da ropriedade de fats de memes +479. Suponha que as contagens registadas por um contador Geiger sigam o processo de Poisson, com uma média de duascontagens por (9) Qual € a probabiidade de no havercontagens em um ntervalo de 30 segundos? (©) Qual € a probabiidade de que primeira contagem ocora em me- nos de 10 segundos? (©) Qual € a probabildade de que a primeira contagem ocora enue | € 2 minutos depois do inicio? 4-80. Suponha que as conexdes a uma rede de computadores sigam um processo de Poisson, com uma média de 3 contagens por minut. {@) Qual éo tempo médio entre as contagens? (b) Qual é o desvio-padrio do tempo entre a contagens? (©) Determine x tal que a probabildade de n0 minim uma eontagem ‘ovorrer antes do tempo x minutos sea de 0.95, 4-81. Otempo ena as chamadas para ums loa de suprimentodeenca- narenic istribuido exponercilmente, com um tempa médio de 15 ‘minutos ene as chamadas, (2) Qua éa probabiidade de mio haverchamadas dentro do interval de 30 minutos? (©) Qual a probabitidace de que no mimo uma chamada chegueden- todo itervalo de 10 minvos? (©) Qualéa proabilidade de qe a primeira chamada chegue dentro de 3.10 minutos depois d lnja abena? (@)Detemine 0 comprimenio de um ntervalo de tempo, tat qe exista ‘uma pobabilidade igual a 0,90 de haver no minimo uma chamads no inerao, 482. vida de reguladores de tensb para automeyeis tem uma dst- bwigdo exponencial, com wma vida média de seis aos. Voc® compra ‘um automével com 6 anos de uso, com um regulador de tensa funcio- ‘ado e plane fiear eom o caro po seis anes. (2) Qual a probablidade de que o repulador de tensio fale dorente sia Viagem de posse? {()Seoseu eguladr falar depois de voct possuiro carro ports aos eseelefor trcado, qual €o tempo médio até a préxima fala? 4-83. Suponka que o tempo (em horas) de falha de ventladores em vin computador pessoal possa ser modelado por uma dstribuigia exporen- cial comb = 0,0003 (@) Qualaproporgio de ventitadores que dura no minim 10.000 ho- (©) Quala proporgio de veatladores que duraré no mximo 7000 ho- 4-84. Otempoenie a chegada de mensagens eletrSnicas em se compo: 'ador€ disvbuido exponencalmene, com vma média de dus horas. (@) Qua és probabilidade de vot ndoreceber uma mensigem dante 0 perodo de duas horas? (@)Se vc no tiver tdo uma mensagem nas Gime quata horas, qual 2 prohailidade de voc8 ni receber uma mensagem na prénimas uas hors? (©) Qual €o tempo esperado ene sua quintae sexta mensagens? 4-85, Otempo ene as chegada de iis a uma intersegfo movimenta- 4a 6 distrbuido exponencialmente, com uma média de 10 minutos, () Qual €a probabilidade de vot esperar mais de uma hors por um xi? (©) Soponha que voce jéestivesseesperando uma hora por um si, gal seria probabilidade de que um tix chegue dento dos préximos 10 minus? () Determine tal que a probailidade de voct esperar mas dex mi- its seja 0,10. (Determine x tal que a probabilidade de voc® esperar menos de x mints seja090, {e) Determine x tal que a probabilidade de voet esperar menos de x minutos sj 0,50. 4-86. O nimero de apatigdes de cegonhas em uma rota na Carolina do Sul segue um processo de Poisson, com uma média de 23 por an. (a) Qual éoempo médio ene a apargdes? ()Qual a probabitidade de nio have aparigdes dentro de ts meses (025 ano)? (6) Qualéa probabitidade de que otempo até a primeira apargfoexce- 9) ()PX> 2 (PX> 38) (€) Como os resultados dependem de 6? 4.94, Deda formula para a médiae a varncia de uma vargvel le ‘Xériaexponencial eee 4-9 DISTRIBUIGOES DE ERLANG E GAMA ‘Uma varivel aleat6ria exponencial descreve 0 comprimento até que aprimeiracontagem sea obtda em um processo de Poisson ‘Uma generalizacio da distribuigio exponencial é 0 comprimen- to até que r contagens ocorram em um processo de Poisson Considere o seguinte exemplo. eee errs Se EXEMPLO 423 Fatha em um Processador [As flhas das unidades de um procesador central de grandes sistemas ‘Computacionsis do freqUentemente modeladas como um processo de Poisson, Tipicamente, falhas ndo sio eausadas por componentes 40.000) = PW = 3) 'A soposigio de que as falhas seguer um processo de Poisson impli fue N tens uma distibuigdo de Poisson com UN) = 40.000(0,0001) = 4 fas por 40.000 horas Logo aetyt Par CO exemplo anterior pode ser generalizado para mostrar que'se Xé ‘tempo alé 0 r-€simo evento em um processo de Poisson, entio rt Mant iH ‘Uma vez que P(X > x) = 1 — Flx),a fongto densidade de pro- babilidade de X iguala a derivada negativa do lado direito da ‘equacio prévia, Depois de uma simplificacio algébricaintensa, ‘a fungo densidade de probabilidade de X é igual a aa le fa) = para x>Oer= 1,2, .-. Essa fngio densidade de probabilidade Gefine uma dstribuigio de Erlang. Claramente, uma vaivel sleatia de Eilang com = | 6uma aridvelaleatriaexponenca ‘convenient generalizara distribu de Erlang para peai- tier serqualgprvalornfo-negativo. Endo, distibuig de Erlang ¢ algumas ouras comns se tomam casos especiais dessa dist buigSo geverlizada, De modo a completar essa e1ap, a fungo AX > 40,000) = PUN =3) 033