Sejam X₁, …, Xₙ uma amostra aleatória de uma população exponencial com parâmetro β. Esta amostra corresponde aos períodos decorridos (em anos) até que ocorra uma falha em n circuitos idênticos, testados e utilizados até falharem.

Função de Densidade da Distribuição Exponencial

Para uma única variável aleatória exponencial, a função de densidade de probabilidade é dada por:

\(f_X(x|\beta) = \frac{1}{\beta} e^{-x/\beta}, \quad x > 0, \beta > 0\)

Onde:

β é o parâmetro de escala (também igual à média da distribuição)
x é o tempo até a falha
A distribuição exponencial modela adequadamente tempos até falha de componentes eletrônicos

Distribuição Conjunta da Amostra

Para uma amostra aleatória de n observações independentes, a distribuição conjunta é o produto das densidades individuais:

\(f_{X_1,\ldots,X_n}(x_1,\ldots,x_n|\beta) = \prod_{i=1}^{n} f_{X_i}(x_i|\beta) = \prod_{i=1}^{n} \frac{1}{\beta} e^{-x_i/\beta}\)

Simplificando a expressão:

\(f_{X_1,\ldots,X_n}(x_1,\ldots,x_n|\beta) = \frac{1}{\beta^n} e^{-\sum_{i=1}^{n} x_i/\beta}\)

Onde \(\sum_{i=1}^{n} x_i\) representa a soma de todos os tempos até falha observados.

Exemplo Prático com Simulação em R

Simulando uma Amostra Exponencial

Vamos simular uma amostra de 10 circuitos com tempo médio até falha de 5 anos (β = 5):

# Parâmetros
n <- 10       # Tamanho da amostra
beta <- 5     # Parâmetro da distribuição (tempo médio até falha)

# Simular amostra exponencial
set.seed(123) # Para reproducibilidade
amostra <- rexp(n, rate = 1/beta)

# Visualizar os tempos até falha (em anos)
print("Tempos até falha (anos):")
print(amostra)

# Calcular estatísticas descritivas
media_amostral <- mean(amostra)
soma_amostral <- sum(amostra)

print(paste("Média amostral:", round(media_amostral, 3)))
print(paste("Soma dos tempos até falha:", round(soma_amostral, 3)))

# Parâmetros

n <- 10 # Tamanho da amostra

beta <- 5 # Parâmetro da distribuição (tempo médio até falha)

# Simular amostra exponencial

set.seed(123) # Para reproducibilidade

amostra <- rexp(n, rate = 1/beta)

# Visualizar os tempos até falha (em anos)

print("Tempos até falha (anos):")

print(amostra)

# Calcular estatísticas descritivas

media_amostral <- mean(amostra)

soma_amostral <- sum(amostra)

print(paste("Média amostral:", round(media_amostral, 3)))

print(paste("Soma dos tempos até falha:", round(soma_amostral, 3)))

Cálculo da Verossimilhança para Diferentes Valores de β

A função de verossimilhança para a amostra exponencial é proporcional à densidade conjunta:

# Função para calcular a verossimilhança
verossimilhanca <- function(beta, dados) {
  n <- length(dados)
  soma <- sum(dados)
  # Retorna a verossimilhança (proporcional à densidade conjunta)
  return((1/beta^n) * exp(-soma/beta))
}

# Calcular verossimilhanca para diferentes valores de beta
beta_valores <- seq(1, 10, by = 0.1)
verossimilhancas <- sapply(beta_valores, verossimilhanca, dados = amostra)

# Encontrar o valor de beta que maximiza a verossimilhança
beta_max <- beta_valores[which.max(verossimilhancas)]
print(paste("Estimativa de máxima verossimilhança para β:", round(beta_max, 3)))

# Visualizar a função de verossimilhança
plot(beta_valores, verossimilhancas, type = "l", 
     xlab = "β (anos)", ylab = "Verossimilhança",
     main = "Função de Verossimilhança para a Amostra Exponencial")
abline(v = beta_max, col = "red", lty = 2)
abline(v = media_amostral, col = "blue", lty = 2)
legend("topright", legend = c("Máxima verossimilhança", "Média amostral"), 
       col = c("red", "blue"), lty = 2)

# Função para calcular a verossimilhança

verossimilhanca <- function(beta, dados) {

n <- length(dados)

soma <- sum(dados)

# Retorna a verossimilhança (proporcional à densidade conjunta)

return((1/beta^n) * exp(-soma/beta))

}

# Calcular verossimilhanca para diferentes valores de beta

beta_valores <- seq(1, 10, by = 0.1)

verossimilhancas <- sapply(beta_valores, verossimilhanca, dados = amostra)

# Encontrar o valor de beta que maximiza a verossimilhança

beta_max <- beta_valores[which.max(verossimilhancas)]

print(paste("Estimativa de máxima verossimilhança para β:", round(beta_max, 3)))

# Visualizar a função de verossimilhança

plot(beta_valores, verossimilhancas, type = "l",

xlab = "β (anos)", ylab = "Verossimilhança",

main = "Função de Verossimilhança para a Amostra Exponencial")

abline(v = beta_max, col = "red", lty = 2)

abline(v = media_amostral, col = "blue", lty = 2)

legend("topright", legend = c("Máxima verossimilhança", "Média amostral"),

col = c("red", "blue"), lty = 2)

Note que para a distribuição exponencial, o estimador de máxima verossimilhança de β é igual à média amostral, o que será confirmado no gráfico.

Interpretação dos Resultados

Os resultados da simulação e análise mostram que:

A distribuição conjunta da amostra exponencial captura a probabilidade de observar todos os tempos até falha simultaneamente
A função de verossimilhança \(L(\beta) = \frac{1}{\beta^n} e^{-\sum x_i/\beta}\) media quão “provável” é o parâmetro β dado os dados observados
O estimador de máxima verossimilhança para β é a média amostral: \(\hat{\beta} = \frac{1}{n}\sum_{i=1}^{n} X_i\)

Importante: A distribuição exponencial possui a propriedade de “falta de memória”, o que significa que a probabilidade de falha num intervalo futuro não depende de quanto tempo o componente já funcionou. Esta propriedade a torna adequada para modelar tempos até falha de componentes eletrônicos.

Aplicação Prática: Estimativa de Confiabilidade

Com o parâmetro β estimado, podemos calcular medidas de confiabilidade importantes:

# Função de confiabilidade: P(X > t)
confiabilidade <- function(t, beta) {
  return(exp(-t/beta))
}

# Função de taxa de falha (constante para a exponencial)
taxa_falha <- function(beta) {
  return(1/beta)
}

# Usando a estimativa de beta
t <- 2  # Tempo de interesse (anos)
conf <- confiabilidade(t, beta_max)
taxa <- taxa_falha(beta_max)

print(paste("Confiabilidade em", t, "anos:", round(conf, 3)))
print(paste("Taxa de falha estimada:", round(taxa, 3), "falhas/ano"))

# Gerar gráfico da função de confiabilidade
tempos <- seq(0, 15, by = 0.1)
confiabilidades <- confiabilidade(tempos, beta_max)

plot(tempos, confiabilidades, type = "l", 
     xlab = "Tempo (anos)", ylab = "Confiabilidade R(t)",
     main = "Função de Confiabilidade do Circuito")
abline(v = t, col = "red", lty = 2)
abline(h = conf, col = "red", lty = 2)

# Função de confiabilidade: P(X > t)

confiabilidade <- function(t, beta) {

return(exp(-t/beta))

}

# Função de taxa de falha (constante para a exponencial)

taxa_falha <- function(beta) {

return(1/beta)

}

# Usando a estimativa de beta

t <- 2 # Tempo de interesse (anos)

conf <- confiabilidade(t, beta_max)

taxa <- taxa_falha(beta_max)

print(paste("Confiabilidade em", t, "anos:", round(conf, 3)))

print(paste("Taxa de falha estimada:", round(taxa, 3), "falhas/ano"))

# Gerar gráfico da função de confiabilidade

tempos <- seq(0, 15, by = 0.1)

confiabilidades <- confiabilidade(tempos, beta_max)

plot(tempos, confiabilidades, type = "l",

xlab = "Tempo (anos)", ylab = "Confiabilidade R(t)",

main = "Função de Confiabilidade do Circuito")

abline(v = t, col = "red", lty = 2)

abline(h = conf, col = "red", lty = 2)

Conclusão

A distribuição conjunta de uma amostra exponencial, dada por \(f_{X_1,\ldots,X_n}(x_1,\ldots,x_n|\beta) = \frac{1}{\beta^n} e^{-\sum_{i=1}^{n} x_i/\beta}\), é fundamental para inferência estatística sobre o parâmetro β. Através do método de máxima verossimilhança, podemos estimar o tempo médio até falha e consequentemente calcular medidas de confiabilidade importantes para o gerenciamento de componentes eletrônicos.

Referências

Casella, G., & Berger, R. L. (2002). Statistical Inference.
Meeker, W. Q., & Escobar, L. A. (1998). Statistical Methods for Reliability Data.
R Core Team (2023). R: A Language and Environment for Statistical Computing.

Compreendendo a Notação: \(\prod_{i=1}^{n} f_{x_{i}} (x_{i})\)

Esta notação é fundamental em estatística e probabilidade, especialmente quando trabalhamos com variáveis aleatórias independentes.

O que significa este símbolo?

A expressão \(\prod_{i=1}^{n} f_{x_{i}} (x_{i})\) representa o produto das funções de densidade de probabilidade de n variáveis aleatórias.

Π (Pi maiúsculo): enquanto Σ faz somas (somatório), o símbolo Π faz multiplicações (produtório).
i=1 e n: Limites do produto (de i=1 até i=n)
fₓᵢ(xᵢ): Função de Densidade de Probabilidade (PDF) da variável Xᵢ avaliada no ponto xᵢ

Contexto e Aplicação

Esta expressão aparece no contexto de variáveis aleatórias independentes. Quando temos n variáveis aleatórias independentes, a densidade conjunta é o produto das densidades individuais:

\(f_{X_1, X_2, \ldots, X_n} (x_1, x_2, \ldots, x_n) = \prod_{i=1}^{n} f_{X_i} (x_i)\)

Se as variáveis forem Idependentes e Identicamente Distribuídas (i.i.d.), a fórmula simplifica para:

\(f_{X_1, X_2, \ldots, X_n} (x_1, x_2, \ldots, x_n) = \prod_{i=1}^{n} f(x_i)\)

Exemplo Prático com R

Lançamentos de Moeda

Suponha que temos 3 lançamentos de uma moeda justa (n=3). Seja Xᵢ uma variável que representa o resultado do i-ésimo lançamento.

# Função de massa de probabilidade para cada lançamento

f <- function(x_i) {
  return(0.5)  # Probabilidade igual para cara (1) ou coroa (0)
}

# Calculando a probabilidade conjunta de obter (Cara, Coroa, Cara)
probabilidade_conjunta <- f(1) * f(0) * f(1)

# Resultado
print(paste("Probabilidade conjunta:", probabilidade_conjunta))

# Função de massa de probabilidade para cada lançamento

f <- function(x_i) {

return(0.5) # Probabilidade igual para cara (1) ou coroa (0)

}

# Calculando a probabilidade conjunta de obter (Cara, Coroa, Cara)

probabilidade_conjunta <- f(1) * f(0) * f(1)

# Resultado

print(paste("Probabilidade conjunta:", probabilidade_conjunta))

Este código retornará 0.125, que é igual a 1/8, o resultado esperado para três lançamentos independentes de uma moeda justa.

Variáveis Normais Independentes

Para variáveis normalmente distribuídas com parâmetros diferentes:

# Densidades de três variáveis normais independentes
f1 <- function(x) { dnorm(x, mean = 0, sd = 1) }    # N(0,1)
f2 <- function(x) { dnorm(x, mean = 1, sd = 2) }    # N(1,4)
f3 <- function(x) { dnorm(x, mean = -1, sd = 1.5) } # N(-1,2.25)

# Calculando a densidade conjunta no ponto (0.5, 1.2, -0.3)
x1 <- 0.5
x2 <- 1.2
x3 <- -0.3

densidade_conjunta <- f1(x1) * f2(x2) * f3(x3)

# Resultado
print(paste("Densidade conjunta no ponto (0.5, 1.2, -0.3):", densidade_conjunta))

# Densidades de três variáveis normais independentes

f1 <- function(x) { dnorm(x, mean = 0, sd = 1) } # N(0,1)

f2 <- function(x) { dnorm(x, mean = 1, sd = 2) } # N(1,4)

f3 <- function(x) { dnorm(x, mean = -1, sd = 1.5) } # N(-1,2.25)

# Calculando a densidade conjunta no ponto (0.5, 1.2, -0.3)

x1 <- 0.5

x2 <- 1.2

x3 <- -0.3

densidade_conjunta <- f1(x1) * f2(x2) * f3(x3)

# Resultado

print(paste("Densidade conjunta no ponto (0.5, 1.2, -0.3):", densidade_conjunta))

Explicação do Código

Vamos analisar passo a passo o que este código faz:

1. Definição das Funções de Densidade

f1 <- function(x) { dnorm(x, mean = 0, sd = 1) }    # N(0,1)
f2 <- function(x) { dnorm(x, mean = 1, sd = 2) }    # N(1,4)
f3 <- function(x) { dnorm(x, mean = -1, sd = 1.5) } # N(-1,2.25)

f1 <- function(x) { dnorm(x, mean = 0, sd = 1) } # N(0,1)

f2 <- function(x) { dnorm(x, mean = 1, sd = 2) } # N(1,4)

f3 <- function(x) { dnorm(x, mean = -1, sd = 1.5) } # N(-1,2.25)

Estas linhas definem três funções de densidade de probabilidade para distribuições normais:

f1: Distribuição normal com média 0 e desvio padrão 1 \(N(0,1)\)
f2: Distribuição normal com média 1 e desvio padrão 2 \(N(1,4)\) (variância = 4)
f3: Distribuição normal com média -1 e desvio padrão 1.5 \(N(-1,2.25)\) (variância = 2.25)

A função dnorm() em R calcula o valor da função densidade de probabilidade no ponto x.

2. Definição dos Pontos de Avaliação

x1 <- 0.5
x2 <- 1.2
x3 <- -0.3

x1 <- 0.5

x2 <- 1.2

x3 <- -0.3

Estas linhas definem os pontos específicos onde queremos avaliar as densidades:

Avaliamos f1 no ponto x = 0.5
Avaliamos f2 no ponto x = 1.2
Avaliamos f3 no ponto x = -0.3

3. Cálculo da Densidade Conjunta

densidade_conjunta <- f1(x1) * f2(x2) * f3(x3)

1	densidade_conjunta <- f1(x1) * f2(x2) * f3(x3)

Esta é a parte crucial do código. Como as variáveis são independentes, a densidade conjunta é simplesmente o produto das densidades individuais:

\(f_{X_1,X_2,X_3}(x_1,x_2,x_3) = f_{X_1}(x_1) \cdot f_{X_2}(x_2) \cdot f_{X_3}(x_3)\)

O código calcula esse produto multiplicando os valores das três funções de densidade nos pontos especificados.

4. Exibição do Resultado

print(paste("Densidade conjunta no ponto (0.5, 1.2, -0.3):", densidade_conjunta))

1	print(paste("Densidade conjunta no ponto (0.5, 1.2, -0.3):", densidade_conjunta))

Esta linha exibe o resultado do cálculo, mostrando o valor da densidade conjunta no ponto especificado.

Interpretação do Resultado

O valor resultante representa a densidade de probabilidade conjunta das três variáveis normais independentes no ponto (0.5, 1.2, -0.3).

É importante notar que:

Este valor não é uma probabilidade, mas sim uma densidade de probabilidade
Para variáveis contínuas, valores individuais de densidade não representam probabilidades (que são zero para pontos específicos)
Valores de densidade são usados principalmente para comparações relativas e cálculos de verossimilhança

O valor calculado seria útil em contextos como:

Estimativa de máxima verossimilhança
Cálculo de probabilidades através de integração
Comparação de quão “prováveis” são diferentes conjuntos de valores sob o modelo especificado

Conclusão

O produtório \(\prod_{i=1}^{n} f_{x_{i}} (x_{i})\) é uma forma compacta de representar a probabilidade conjunta de eventos independentes, onde cada evento tem sua probabilidade individual dada por sua própria função de densidade. Este conceito é fundamental para estimação por máxima verossimilhança e modelagem estatística baseada na independência entre observações.

Referências

Casella, G., & Berger, R. L. (2002). Statistical Inference.
James, G., Witten, D., Hastie, T., & Tibshirani, R. (2013). An Introduction to Statistical Learning.

Distribuição Conjunta de uma Amostra Exponencial

Função de Densidade da Distribuição Exponencial

Distribuição Conjunta da Amostra

Exemplo Prático com Simulação em R

Simulando uma Amostra Exponencial

Cálculo da Verossimilhança para Diferentes Valores de β

Interpretação dos Resultados

Aplicação Prática: Estimativa de Confiabilidade

Conclusão

Referências

Produtório de Densidades

Compreendendo a Notação: \(\prod_{i=1}^{n} f_{x_{i}} (x_{i})\)

O que significa este símbolo?

Contexto e Aplicação

Exemplo Prático com R

Lançamentos de Moeda

Variáveis Normais Independentes

Explicação do Código

1. Definição das Funções de Densidade

2. Definição dos Pontos de Avaliação

3. Cálculo da Densidade Conjunta

4. Exibição do Resultado

Interpretação do Resultado

Conclusão

Referências