Arquivo de distribuição-exponencial

Probabilidade de Todos os Circuitos Durarem Mais de 5 Anos

19/12/202514/09/2025 Por antonino

Análise da probabilidade de que todos os circuitos em uma amostra tenham uma duração maior que 5 anos, considerando uma distribuição exponencial com parâmetro β.

Fundamentação Teórica

Para uma variável aleatória exponencial X com parâmetro β, a probabilidade de X ser maior que um valor t é dada por:

\(P(X > t) = e^{-t/\beta}\)

Esta propriedade deriva da função de distribuição acumulada da exponencial:

\(F_X(t) = P(X \leq t) = 1 – e^{-t/\beta}\)

Portanto:

\(P(X > t) = 1 – F_X(t) = 1 – (1 – e^{-t/\beta}) = e^{-t/\beta}\)

Probabilidade para Múltiplos Circuitos Independentes

Para n circuitos independentes com a mesma distribuição exponencial, a probabilidade de todos durarem mais de 5 anos é:

\(P(X_1 > 5, X_2 > 5, \ldots, X_n > 5) = P(X_1 > 5) \cdot P(X_2 > 5) \cdots P(X_n > 5)\)

Como todos têm a mesma distribuição:

\(P(X_1 > 5, X_2 > 5, \ldots, X_n > 5) = [P(X > 5)]^n\)

Substituindo pela fórmula exponencial:

\(P(X_1 > 5, X_2 > 5, \ldots, X_n > 5) = \left(e^{-5/\beta}\right)^n = e^{-5n/\beta}\)

Esta simplificação só é possível porque os circuitos são independentes e identicamente distribuídos (i.i.d.).

Exemplos Práticos com Cálculos em R

Função para Calcular a Probabilidade

Vamos criar uma função em R para calcular esta probabilidade:

# Função para calcular a probabilidade de todos os circuitos durarem mais de t anos
prob_todos_mais_que <- function(n, beta, t = 5) {
  # P(X > t) para uma exponencial = e^(-t/β)
  prob_individual <- exp(-t/beta)
  
  # Para n circuitos independentes: [P(X > t)]^n
  prob_conjunta <- prob_individual^n
  
  return(prob_conjunta)
}

# Exemplo de uso:
n <- 10    # 10 circuitos
beta <- 4  # Tempo médio até falha de 4 anos
t <- 5     # Tempo mínimo de 5 anos

probabilidade <- prob_todos_mais_que(n, beta, t)
print(paste("Probabilidade de todos os", n, "circuitos durarem mais de", t, "anos:", round(probabilidade, 4)))

# Função para calcular a probabilidade de todos os circuitos durarem mais de t anos

prob_todos_mais_que <- function(n, beta, t = 5) {

# P(X > t) para uma exponencial = e^(-t/β)

prob_individual <- exp(-t/beta)

# Para n circuitos independentes: [P(X > t)]^n

prob_conjunta <- prob_individual^n

return(prob_conjunta)

}

# Exemplo de uso:

n <- 10 # 10 circuitos

beta <- 4 # Tempo médio até falha de 4 anos

t <- 5 # Tempo mínimo de 5 anos

probabilidade <- prob_todos_mais_que(n, beta, t)

print(paste("Probabilidade de todos os", n, "circuitos durarem mais de", t, "anos:", round(probabilidade, 4)))

Análise de Sensibilidade ao Parâmetro β

Vamos analisar como a probabilidade varia com diferentes valores de β:

# Análise de sensibilidade para diferentes valores de β
n <- 10  # Número fixo de circuitos
t <- 5   # Tempo mínimo de 5 anos

# Valores de β para análise (de 1 a 10 anos)
beta_valores <- seq(1, 10, by = 0.5)

# Calcular probabilidades para cada β
probabilidades <- sapply(beta_valores, function(b) {
  prob_todos_mais_que(n, b, t)
})

# Plotar os resultados
plot(beta_valores, probabilidades, type = "o", pch = 16, col = "blue",
     xlab = "β (Tempo médio até falha em anos)",
     ylab = "Probabilidade",
     main = paste("Probabilidade de todos os", n, "circuitos durarem >", t, "anos"))
grid()

# Adicionar linha em y = 0.5
abline(h = 0.5, col = "red", lty = 2)

# Encontrar onde a probabilidade é aproximadamente 0.5
idx_50 <- which.min(abs(probabilidades - 0.5))
beta_50 <- beta_valores[idx_50]
abline(v = beta_50, col = "red", lty = 2)

legend("topright", legend = c("Probabilidade", "Probabilidade = 0.5", paste("β =", round(beta_50, 2))),
       col = c("blue", "red", "red"), lty = c(1, 2, 2), pch = c(16, NA, NA))

# Análise de sensibilidade para diferentes valores de β

n <- 10 # Número fixo de circuitos

t <- 5 # Tempo mínimo de 5 anos

# Valores de β para análise (de 1 a 10 anos)

beta_valores <- seq(1, 10, by = 0.5)

# Calcular probabilidades para cada β

probabilidades <- sapply(beta_valores, function(b) {

prob_todos_mais_que(n, b, t)

})

# Plotar os resultados

plot(beta_valores, probabilidades, type = "o", pch = 16, col = "blue",

xlab = "β (Tempo médio até falha em anos)",

ylab = "Probabilidade",

main = paste("Probabilidade de todos os", n, "circuitos durarem >", t, "anos"))

grid()

# Adicionar linha em y = 0.5

abline(h = 0.5, col = "red", lty = 2)

# Encontrar onde a probabilidade é aproximadamente 0.5

idx_50 <- which.min(abs(probabilidades - 0.5))

beta_50 <- beta_valores[idx_50]

abline(v = beta_50, col = "red", lty = 2)

legend("topright", legend = c("Probabilidade", "Probabilidade = 0.5", paste("β =", round(beta_50, 2))),

col = c("blue", "red", "red"), lty = c(1, 2, 2), pch = c(16, NA, NA))

Análise para Diferentes Tamanhos de Amostra

Vamos examinar como a probabilidade varia com o número de circuitos:

# Análise para diferentes tamanhos de amostra
beta <- 5  # Tempo médio até falha de 5 anos
t <- 5     # Tempo mínimo de 5 anos

# Diferentes tamanhos de amostra
n_valores <- 1:20

# Calcular probabilidades para cada n
probabilidades_n <- sapply(n_valores, function(n) {
  prob_todos_mais_que(n, beta, t)
})

# Plotar os resultados
plot(n_valores, probabilidades_n, type = "o", pch = 16, col = "darkgreen",
     xlab = "Número de circuitos (n)",
     ylab = "Probabilidade",
     main = paste("Probabilidade para β =", beta, "e t =", t, "anos"))
grid()

# Adicionar linha em y = 0.5
abline(h = 0.5, col = "red", lty = 2)

# Encontrar onde a probabilidade é aproximadamente 0.5
idx_50_n <- which.min(abs(probabilidades_n - 0.5))
n_50 <- n_valores[idx_50_n]
abline(v = n_50, col = "red", lty = 2)

legend("topright", legend = c("Probabilidade", "Probabilidade = 0.5", paste("n =", n_50)),
       col = c("darkgreen", "red", "red"), lty = c(1, 2, 2), pch = c(16, NA, NA))

# Análise para diferentes tamanhos de amostra

beta <- 5 # Tempo médio até falha de 5 anos

t <- 5 # Tempo mínimo de 5 anos

# Diferentes tamanhos de amostra

n_valores <- 1:20

# Calcular probabilidades para cada n

probabilidades_n <- sapply(n_valores, function(n) {

prob_todos_mais_que(n, beta, t)

})

# Plotar os resultados

plot(n_valores, probabilidades_n, type = "o", pch = 16, col = "darkgreen",

xlab = "Número de circuitos (n)",

ylab = "Probabilidade",

main = paste("Probabilidade para β =", beta, "e t =", t, "anos"))

grid()

# Adicionar linha em y = 0.5

abline(h = 0.5, col = "red", lty = 2)

# Encontrar onde a probabilidade é aproximadamente 0.5

idx_50_n <- which.min(abs(probabilidades_n - 0.5))

n_50 <- n_valores[idx_50_n]

abline(v = n_50, col = "red", lty = 2)

legend("topright", legend = c("Probabilidade", "Probabilidade = 0.5", paste("n =", n_50)),

col = c("darkgreen", "red", "red"), lty = c(1, 2, 2), pch = c(16, NA, NA))

Observação importante: Note que quando β = t = 5 anos, a probabilidade individual de um circuito durar mais de 5 anos é \(e^{-5/5} = e^{-1} \approx 0.3679\). Portanto, mesmo para um único circuito, a probabilidade é relativamente baixa.

Tabela de Probabilidades

Vamos gerar uma tabela com probabilidades para diferentes combinações de n e β:

# Gerar tabela de probabilidades
n_valores_tabela <- c(1, 5, 10, 15, 20)
beta_valores_tabela <- c(3, 5, 7, 10)
t <- 5

# Criar matriz de resultados
resultados <- matrix(NA, nrow = length(n_valores_tabela), ncol = length(beta_valores_tabela))
rownames(resultados) <- paste("n =", n_valores_tabela)
colnames(resultados) <- paste("β =", beta_valores_tabela)

# Preencher a matriz
for (i in 1:length(n_valores_tabela)) {
  for (j in 1:length(beta_valores_tabela)) {
    resultados[i, j] <- prob_todos_mais_que(n_valores_tabela[i], beta_valores_tabela[j], t)
  }
}

# Arredondar para 4 casas decimais
resultados <- round(resultados, 4)

# Exibir a tabela
print("Probabilidade de todos os circuitos durarem mais de 5 anos:")
print(resultados)

# Gerar tabela de probabilidades

n_valores_tabela <- c(1, 5, 10, 15, 20)

beta_valores_tabela <- c(3, 5, 7, 10)

t <- 5

# Criar matriz de resultados

resultados <- matrix(NA, nrow = length(n_valores_tabela), ncol = length(beta_valores_tabela))

rownames(resultados) <- paste("n =", n_valores_tabela)

colnames(resultados) <- paste("β =", beta_valores_tabela)

# Preencher a matriz

for (i in 1:length(n_valores_tabela)) {

for (j in 1:length(beta_valores_tabela)) {

resultados[i, j] <- prob_todos_mais_que(n_valores_tabela[i], beta_valores_tabela[j], t)

}

# Arredondar para 4 casas decimais

resultados <- round(resultados, 4)

# Exibir a tabela

print("Probabilidade de todos os circuitos durarem mais de 5 anos:")

print(resultados)

Esta tabela nos permite visualizar como a probabilidade conjunta:

Diminui rapidamente à medida que aumenta o número de circuitos (n)
Aumenta à medida que aumenta o tempo médio até falha (β)
É extremamente baixa para muitos circuitos com β próximo ou menor que t

Conclusão

A probabilidade de que todos os n circuitos independentes tenham duração maior que 5 anos é dada por \(e^{-5n/\beta}\). Esta probabilidade:

Decai exponencialmente com o aumento do número de circuitos (n)
Aumenta com o aumento do tempo médio até falha (β)
É sensível à relação entre o tempo desejado (5 anos) e o tempo médio até falha (β)

Para aplicações práticas de engenharia de confiabilidade, é importante considerar que a probabilidade de todos os componentes em um sistema durarem além de um certo tempo pode ser muito baixa, mesmo para componentes individualmente confiáveis, especialmente quando o sistema possui muitos componentes.

Referências

Ross, S. M. (2019). Introduction to Probability Models.
Meeker, W. Q., & Escobar, L. A. (1998). Statistical Methods for Reliability Data.
R Core Team (2023). R: A Language and Environment for Statistical Computing.

Distribuição Conjunta de uma Amostra Exponencial

19/12/202514/09/2025 Por antonino

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.