⚙️ Aula 05: Modelos de Distribuições Discretas e Contínuas e Confiabilidade de Sistemas Elétricos

MOC da Disciplina • MOC da Área 01 ← Aula Anterior: Variáveis Aleatórias Unidimensionais • MOC da Disciplina →

---

Integração Curricular & Contexto

• Disciplina: Probabilidade e Estatística
• Área: 01 Matemática e Estatística
• Material Oficial Base: Variáveis aleatórias discretas unidimensionais
• Objetivo: Modelar processos estocásticos em engenharia a partir das famílias clássicas de distribuições paramétricas discretas e contínuas. Compreender a gênese física, parâmetros, funções de probabilidade ($pmf$), funções densidade ($pdf$), valores esperados e variâncias dos modelos: Bernoulli, Binomial, Poisson, Geométrico e Hipergeométrico (discretos), bem como Uniforme, Exponencial e Normal/Gaussiano (contínuos). Aplicar a Teoria da Confiabilidade de Equipamentos Elétricos, calculando a taxa de falhas $\lambda$, o Tempo Médio Até a Falha ($MTTF$), a função de confiabilidade $R(t)$ e a curva da banheira.

---

📌 Sumário da Aula

1. 1. Modelos de Distribuições Discretas de Probabilidade
   • 1.1 Ensaio de Bernoulli e Distribuição Binomial
   • 1.2 Distribuição Geométrica ($X \sim \text{Geom}(p)$)
   • 1.3 Distribuição Hipergeométrica ($X \sim \text{Hiper}(N, D, n)$)
   • 1.4 Distribuição de Poisson ($X \sim \text{Poisson}(\lambda)$)
2. 2. Modelos Fundamentais de Distribuições Contínuas
   • 2.1 Distribuição Uniforme Contínua ($X \sim U(a, b)$)
   • 2.2 Distribuição Exponencial ($T \sim \text{Exp}(\lambda)$)
   • 2.3 Distribuição Normal ou Gaussiana ($X \sim N(\mu, \sigma^2)$)
3. 3. Teoria da Confiabilidade em Engenharia Elétrica
   • 3.1 Curva da Banheira (Taxa de Falhas no Tempo)
   • 3.2 Funções de Confiabilidade
4. 4. 💻 Laboratório Computacional em Python (SciPy Stats & Confiabilidade)
5. 5. 📚 Questões de Fixação Resolvidas e Exercícios Práticos (Auditadas)
   • Questão 01 (Oficial - Material Base: Valor Esperado de Ensaio de Bernoulli com Dado)
   • Questão 02 (Oficial - Material Base: Distribuição Geométrica)
   • Questão 03 (Oficial - Material Base: Processos de Poisson em Linha de Atendimento)
   • Questão 04 (Oficial - Material Base / Concursos: Confiabilidade e Disponibilidade de Sistema)
6. 6. Considerações Finais e Fechamento da Disciplina

---

1. Modelos de Distribuições Discretas de Probabilidade

1.1 Ensaio de Bernoulli e Distribuição Binomial

• Ensaio de Bernoulli: Experimento com apenas dois desfechos possíveis: Sucesso ($X=1$) com probabilidade $p$, ou Fracasso ($X=0$) com probabilidade $q=1-p$. $E[X]=p,Var(X)=p(1-p)$
• Distribuição Binomial ($X\sim B(n,p)$): Conta o número total de sucessos $k$ em $n$ ensaios de Bernoulli independentes e identicamente distribuídos: $P(X=k)=\left(\genfrac{}{}{0ex}{}{n}{k}\right)p^k(1-p{)}^{n-k},k\in \{0,1,2,\dots ,n\}$ $E[X]=n\cdot p,Var(X)=n\cdot p\cdot (1-p)$

1.2 Distribuição Geométrica ($X\sim \text{Geom}(p)$)

Mede o número de tentativas $k$ necessárias até a ocorrência do primeiro sucesso: $P(X=k)=(1-p{)}^{k-1}\cdot p,k\in \{1,2,3,\dots \}$ $E[X]=\frac{1}{p},Var(X)=\frac{1-p}{p^2}$ Propriedade Notável (Falta de Memória): $P(X>s+t\mid X>s)=P(X>t)$.

1.3 Distribuição Hipergeométrica ($X\sim \text{Hiper}(N,D,n)$)

Modela a contagem de elementos defeituosos $k$ em uma amostra de tamanho $n$ retirada sem reposição de um lote total $N$ que contém $D$ defeituosos: $P(X=k)=\frac{\left(\genfrac{}{}{0ex}{}{D}{k}\right)\left(\genfrac{}{}{0ex}{}{N-D}{n-k}\right)}{\left(\genfrac{}{}{0ex}{}{N}{n}\right)}$ Aproximação: Quando $N\gg n$ ($n/N<0,05$), a amostragem sem reposição aproxima-se assintoticamente da distribuição Binomial com $p=D/N$.

1.4 Distribuição de Poisson ($X\sim \text{Poisson}(\lambda )$)

Modela o número de ocorrências de um evento raro ao longo de um intervalo contínuo fixo de tempo, comprimento ou área: $P(X=k)=\frac{e^{-\lambda }\cdot {\lambda }^k}{k!},k\in \{0,1,2,\dots \}$ $E[X]=\lambda ,Var(X)=\lambda$ Teorema da Aproximação de Poisson à Binomial: Quando $n\to \infty$ e $p\to 0$ de tal modo que o produto $n\cdot p=\lambda$ permaneça constante: $B(n,p)\approx \text{Poisson}(\lambda =n\cdot p)$

---

2. Modelos Fundamentais de Distribuições Contínuas

2.1 Distribuição Uniforme Contínua ($X\sim U(a,b)$)

A densidade de probabilidade é constante no intervalo $[a,b]$: $f(x)=\frac{1}{b-a},a\le x\le b$ $E[X]=\frac{a+b}{2},Var(X)=\frac{(b-a{)}^2}{12}$

• Aplicação no Ruído de Quantização (Conversores A/D): Em um conversor analógico-digital de resolução com passo $\Delta$, o erro de arredondamento de quantização $e_q$ distribui-se uniformemente no intervalo $[-\Delta /2,+\Delta /2]$. A potência média de ruído de quantização é diretamente a variância: ${\sigma }_q^2=\frac{{\Delta }^2}{12}$

2.2 Distribuição Exponencial ($T\sim \text{Exp}(\lambda )$)

Modela o tempo contínuo $T$ até a primeira ocorrência de uma falha sob taxa instantânea constante $\lambda$ ($falhas/hora$): $f(t)=\lambda e^{-\lambda t},t\ge 0$ $F(t)=1-e^{-\lambda t},E[T]=\frac{1}{\lambda },Var(T)=\frac{1}{{\lambda }^2}$

2.3 Distribuição Normal ou Gaussiana ($X\sim N(\mu ,{\sigma }^2)$)

A mais importante distribuição da engenharia devido ao Teorema Central do Limite (TCL) (a soma de um grande número de variáveis aleatórias independentes tende assintoticamente à distribuição Normal, independentemente da forma das distribuições individuais): $f(x)=\frac{1}{\sigma \sqrt{2\pi }}\exp \left(-\frac{(x-\mu {)}^2}{2{\sigma }^2}\right),x\in \mathbb{R}$

• Padronização para a Normal Padrão ($Z\sim N(0,1)$): $Z=\frac{X-\mu }{\sigma }$ $P(a\le X\le b)=P\left(\frac{a-\mu }{\sigma }\le Z\le \frac{b-\mu }{\sigma }\right)=\Phi (z_b)-\Phi (z_a)$

Figura 1: Distribuições Probabilísticas (Binomial, Poisson, Normal, Exponencial), Curva da Banheira e Confiabilidade.

---

3. Teoria da Confiabilidade em Engenharia Elétrica

3.1 Curva da Banheira (Taxa de Falhas no Tempo)

A vida operacional de equipamentos elétricos (transformadores, semicondutores IGBT, disjuntores) obedece à curva clássica da taxa de falhas $\lambda (t)$:

flowchart LR
    F1["1. Mortalidade Infantil<br>λ(t) Decrescente<br>Defeitos de Fabricação"] --> F2["2. Vida Útil Operacional<br>λ(t) = λ Constante<br>Falhas Aleatórias (Exp)"]
    F2 --> F3["3. Desgaste / Envelhecimento<br>λ(t) Crescente<br>Degradação Dielétrica"]

1. Mortalidade Infantil (Defeitos de fabricação): $\lambda (t)$ decrescente;
2. Vida Útil Útil (Falhas aleatórias por estresse operacional): $\lambda (t)=\lambda =\text{constante}$ (Modelada pela distribuição Exponencial);
3. Desgaste / Envelhecimento: $\lambda (t)$ crescente (Modelada por distribuições de Weibull com $\beta >1$ ou Gaussiana).

3.2 Funções de Confiabilidade

• Função de Confiabilidade ($R(t)$): Probabilidade de o equipamento não falhar até o instante $t$: $R(t)=1-F(t)=e^{-{\int }_0^t\lambda (u)du}$ Para taxa de falhas constante $\lambda$: $R(t)=e^{-\lambda t}$
• Tempo Médio Até a Falha ($MTTF$ - Mean Time To Failure): $MTTF={\int }_0^{\infty }R(t)dt={\int }_0^{\infty }{e}^{-\lambda t}dt=\frac{1}{\lambda }$
• Disponibilidade Intrínseca ($A$): Razão entre o tempo em operação e o tempo total de ciclo (incluindo o reparo $MTTR$ - Mean Time To Repair): $A=\frac{MTTF}{MTTF+MTTR}$

---

4. 💻 Laboratório Computacional em Python (SciPy Stats & Confiabilidade)

Parâmetros de Projeto e Considerações Analíticas:

• 1. Distribuição Binomial: Teste de Lote de 20 Semicondutores
• Taxa histórica de defeito p = 0.05. Calcule P(X <= 2)
• 2. Distribuição de Poisson: Descargas Atmosféricas em Linha
• Taxa média lambda = 3 descargas por mês. Calcule P(X = 5)

---

5. 📚 Questões de Fixação Resolvidas e Exercícios Práticos (Auditadas)

Questão 01 (Oficial - Material Base: Valor Esperado de Ensaio de Bernoulli com Dado)

Um dado cúbico equilibrado de seis faces é lançado uma única vez. Seja a variável aleatória $X$ indicadora que assume o valor $1$ se o número sorteado for par e $0$ se for ímpar ($X\sim \text{Bernoulli}(p)$). Qual é o valor esperado $E[X]$ dessa variável aleatória?

• A) $1/6$
• B) $1/3$
• C) $1/2$
• D) $2/3$
• E) $5/6$

Gabarito Comentado e Dedução Passo a Passo

Alternativa Correta: C ($1/2$)

Dedução Analítica:

1. Os resultados possíveis no lançamento do dado honesto são $\{1,2,3,4,5,6\}$, cada um com probabilidade $1/6$.
2. Os números pares são $\{2,4,6\}$ ($3$ casos favoráveis).
3. Portanto, a probabilidade de sucesso ($X=1$) é: $p=P(X=1)=\frac{3}{6}=\frac{1}{2}$
4. A probabilidade de fracasso ($X=0$, número ímpar) é: $q=1-p=\frac{1}{2}$
5. Para qualquer variável de Bernoulli, o valor esperado coincide com a probabilidade de sucesso: $E[X]=0\cdot (1-p)+1\cdot p=p=\frac{1}{2}$

---

Questão 02 (Oficial - Material Base: Distribuição Geométrica)

No lançamento sucessivo e independente de um dado padrão equilibrado, qual é a probabilidade exata de ter que lançá-lo quatro vezes para se obter a face dois pela primeira vez ($P(X=4)$)?

• A) $0,1000$
• B) $0,0965$
• C) $0,1667$
• D) $0,0579$
• E) $0,0125$

Gabarito Comentado e Dedução Passo a Passo

Alternativa Correta: B ($\approx 0,0965$)

Dedução Analítica:

1. Trata-se de uma variável com Distribuição Geométrica ($X\sim \text{Geom}(p)$), onde medimos o número do ensaio no qual ocorre o primeiro sucesso.
2. A probabilidade de obter face dois em cada lançamento é $p=1/6$.
3. A probabilidade de fracasso (obter qualquer outra face diferente de 2) é $q=1-p=5/6$.
4. Para que o primeiro sucesso ocorra no $4º$ lançamento, devemos obter fracasso nos $3$ primeiros e sucesso no $4º$: $P(X=4)=(1-p{)}^{4-1}\cdot p={\left(\frac{5}{6}\right)}^3\cdot \left(\frac{1}{6}\right)$
5. Efetuando o cálculo numérico: $P(X=4)=\frac{125}{216}\cdot \frac{1}{6}=\frac{125}{1296}\approx 0,09645\cdots \approx 0,0965(9,65\%)$

---

Questão 03 (Oficial - Material Base: Processos de Poisson em Linha de Atendimento)

Um centro de despacho de emergência de uma concessionária de energia recebe, em média, $\lambda =2$ chamadas de emergência por dia decorrentes de quedas de ramais elétricos. Admitindo que a chegada de chamadas segue um processo de Poisson, qual é a probabilidade de o centro receber exatamente 3 chamadas em determinado dia?

• A) $\frac{4}{3}{e}^{-2}\approx 0,1804$
• B) $\frac{2}{3}{e}^{-2}\approx 0,0902$
• C) $2e^{-2}\approx 0,2707$
• D) $\frac{8}{3}{e}^{-2}\approx 0,3609$
• E) $e^{-2}\approx 0,1353$

Gabarito Comentado e Dedução Passo a Passo

Alternativa Correta: A ($\frac{4}{3}{e}^{-2}\approx 0,1804$)

Dedução Analítica:

1. Aplicando a função de probabilidade da Distribuição de Poisson: $P(X=k)=\frac{e^{-\lambda }\cdot {\lambda }^k}{k!}$
2. Parâmetros fornecidos: taxa média $\lambda =2$ chamadas/dia e contagem de eventos $k=3$: $P(X=3)=\frac{e^{-2}\cdot 2^3}{3!}=\frac{e^{-2}\cdot 8}{6}$
3. Simplificando a fração por $2$: $P(X=3)=\frac{4}{3}{e}^{-2}$
4. Sabendo que $e^{-2}\approx 0,135335$: $P(X=3)\approx \frac{4}{3}\times 0,135335\approx 0,1804(18,04\%)$

---

Questão 04 (Oficial - Material Base / Concursos: Confiabilidade e Disponibilidade de Sistema)

Um retificador trifásico industrial ininterrupto possui Tempo Médio Até a Falha $MTTF=4.950\text{ horas}$ e tempo médio para substituição de módulos avariados $MTTR=50\text{ horas}$. Admitindo que as falhas ocorrem em regime estacionário com taxa de falhas constante $\lambda$:

1. A taxa de falhas $\lambda$ é de $2,02\times 10^{-4}\text{ falhas/hora}$;
2. A disponibilidade intrínseca do retificador é de $99\%$. É correto afirmar que:

• A) Apenas a afirmação 1 é verdadeira.
• B) Apenas a afirmação 2 é verdadeira.
• C) Ambas as afirmações 1 e 2 são verdadeiras.
• D) Ambas as afirmações são falsas.
• E) A disponibilidade é de $90\%$.

Gabarito Comentado e Dedução Passo a Passo

Alternativa Correta: C (Ambas as afirmações são verdadeiras)

Dedução Analítica:

1. Cálculo da taxa de falhas $\lambda$: $\lambda =\frac{1}{MTTF}=\frac{1}{4950}\approx 0,00020202\text{ falhas/hora}=2,02\times 10^{-4}\text{ falhas/hora}$ Portanto, a Afirmação 1 é verdadeira.
2. Cálculo da Disponibilidade Intrínseca ($A$): $A=\frac{MTTF}{MTTF+MTTR}=\frac{4950}{4950+50}=\frac{4950}{5000}=0,9900=99,00\%$ Portanto, a Afirmação 2 é verdadeira.

---

6. Considerações Finais e Fechamento da Disciplina

Com a conclusão desta aula, encerramos a suíte completa da disciplina de Probabilidade e Estatística:

1. Aula 01 - Análise Exploratória e Descritiva
2. Aula 02 - Axiomas de Kolmogorov e Combinatória
3. Aula 03 - Probabilidade Condicional e Teorema de Bayes
4. Aula 04 - Variáveis Aleatórias, Esperança e Variância
5. Aula 05 - Modelos de Distribuição e Confiabilidade

Retorne ao MOC da Disciplina para uma visão panorâmica e acesse o MOC da Área 01 para navegar pelas demais disciplinas da base matemática de engenharia.