AULA:

Principais Modelos Discretos

Josemar Rodrigues
 Principais modelos probabilísticos discretos

1. Modelo Bernoulli
Na prática muitos experimentos admitem apenas dois resultados
Exemplo:
1. Uma peça é classificada como boa ou defeituosa;
2. O resultado de um exame médico para detecção de uma doença é positivo ou
negativa.
3. Um entrevistado concorda ou não com a afirmação feita;
4. No lançamento de um dado ocorre ou não face 6;
5. No lançamento de uma moeda ocorre cara ou coroa.

Situações com alternativos dicotômicas, podem ser representadas

genericamente por resposta do tipo sucesso-fracasso.
Esses experimentos recebem o nome de Ensaio de Bernoulli e originam uma v.a.
com distribuição de Bernoulli.

2
1.2 Aleatória De Bernoulli

É uma variável aleatória X que apenas assume apenas dois valores 1 se

ocorrer sucesso (S) e 0 se ocorrer fracasso (F), e, sendo p a
probabilidade de sucesso, 0 < p <1. Isto é, se X(S)=1 e X(F)=0. Logo a
distribuição de probabilidade é dado por:

x 0 1  p x (1  p )1 x ; x  0,1
f ( x)  P ( X  x)  
P(X=x) 1-p p  0; c.c

Notação: X~Bernoulli (p), indica que a v.a. X tem distribuição de Bernoulli.

Se X~Bernoulli(p) pode-se mostrar que:

E(X)=p
Var(X)=p(1-p).

Repetições independentes de um ensaio de Bernoulli dão origem ao

modelo Binomial.
3
2. Modelo Binomial
Exemplo 1: Suponha que uma moeda é lançada 3 vezes e probabilidade de
cara seja p em cada lançamento. Determinar a distribuição de probabilidade
da variável X, número de caras nos 3 lançamentos.
Denotemos, S: sucesso, ocorrer cara (c) e F:fracasso, ocorrer coroa(k).
O espaço amostral para o experimento de lançar um moeda 3 vezes é:
={FFF.FFS, FSF,SFF,FSS, SFS, SSF,SSS}
Seja, Xi é uma variável aleatória Bernoulli (i=1,2,3). Então a variável
X=X1+X2+X3, representa o número de caras nos 3 lançamentos.

 Probabilidade X1 X2 X3 X=X1+X2+X3
FFF (1-p)3 0 0 0 0
FFS (1-p)2p 0 0 1 1
FSF (1-p)2p 0 1 0 1
SFF (1-p)2p 1 0 0 1
FSS (1-p)p2 0 1 1 2
SFS (1-p)p2 1 0 1 2
SSF (1-p)p2 1 1 0 2
SSS P3 1 1 1 3
4
Daí temos que:

P ( X  0)  P ({FFF })  (1  p ) 3
P ( X  1)  P ({FFS , FSF , SFF})  3 p (1  p ) 2
P ( X  2)  P ({FSS , SFS , SSF })  3 p 2 (1  p)
P ( X  3)  P ({SSS})  p 3
A distribuição de probabilidade da v.a. X é dada por:
x 0 1 2 3
f ( x)  P( X  x) (1  p) 3 3 p(1  p) 2 3 p 2 (1  p) p3
O comportamento de X , pode ser representado pela seguinte função:
 3  x
  p (1  p ) 3 x , x  0,1,2,3
f ( x)   x 
 0, c.c

 3 3!
onde   
 x  x!(3  x)!

5
Definição[Distribuição Binomial]

Considere a repetição de n ensaios de Bernoulli independentes e todos com a

mesma probabilidade de sucesso p. A variável aleatória que conta o número
total de sucessos nos n ensaios de Bernoulli é denominada de variável
aleatória Binomial com parâmetros n e p e sua função de probabilidade é dado
por:
 n  x
  p (1  p) n  x , x  0,1,  , n
f ( x)   x 
 0, c.c

n n!
onde    , representa o coeficiente Binomial.
 x  x! (n  x)!
Notação, X~B(n,p), para indicar que v.a. X tem distribuição Binomial com
parâmetros n e p.

Se X~B(n,p) pode-se mostrar que:

E(X)=np
Var(X)=np(1-p).

6
Distribuição Binomial com parâmetros n=10 e p

p=0,1 p=0,3

0.4

0.20
P(X=x)

P(X=x)
0.2

0.00
0.0

0 2 4 6 8 0 2 4 6 8

x x

p=0,5 p=0,8

0.20
P(X=x)

P(X=x)
0.15
0.00

0.00

0 2 4 6 8 0 2 4 6 8

x x

7
Distribuição Binomial com parâmetros n=20 e p

p=0,1 p=0,3

0.15
0.20
P(X=x)

P(X=x)
0.00

0.00
0 5 10 15 20 0 5 10 15 20

x x

p=0,5 p=0,8

0.15
P(X=x)

P(X=x)
0.00 0.10

0.00

0 5 10 15 20 0 5 10 15 20

x x

8
Distribuição Binomial com parâmetros n=30 e p

p=0,1 p=0,3

0.15

0.10
P(X=x)

P(X=x)
0.00

0.00
0 10 20 30 0 10 20 30

x x

p=0,5 p=0,8

0.15
0.10
P(X=x)

P(X=x)
0.00

0.00

0 10 20 30 0 10 20 30

x x

9
Exemplo 2.

O professor da disciplina de Estatística elaborou um prova de múltipla

escolha, consistente em 10 questões cada uma com 5 alternativas cada
questão. Suponha que nenhum dos estudantes que vão a fazer a prova não
vão as aulas e não estudaram para a prova (o que é muito freqüente). O
professor estabeleceu que para aprovar deve contestar corretamente ao
menos 6 questões. Se 200 alunos se apresentaram, quantos alunos
aprovaram a disciplina?.
Solução:Seja a v.a. X: número de questões respondidas corretamente nas 10
questões. Então o evento de interesse é:
S: “questão respondida corretamente”
F:”questão respondida incorretamente” 10  1  x  4 10 x
     , x  0,1,  ,10
P(S)=1/5 e P(F)=4/5. Logo, X~B(10,p). f ( x )   x  5   5 
 0, c.c
A probabilidade de aprovar a prova um aluno é: 
P( X  6)  1  P( X  6)  1  F (5)  1  0,9936306  0,000637

Portanto, dos 200 alunos que fizeram a prova aprovariam:200(0,00637)2, alunos

10
x f(x) F(x)
0 0,107374 0,10737
1 0,268435 0,37581
2 0,301990 0,67780
3 0,201327 0,87913
4 0,088080 0,96721
5 0,026424 0,99363
6 0,005505 0,99914
7 0,000786 0,99992
8 0,000074 1,00000
9 0,000004 1,00000
10 0,000000 1,00000

11
 B(10,p=0,20)

0.30
0.20
P(X=x)

0.10
0.00

0 2 4 6 8 10

12
Distribuição de Poisson

Na prática muitos experimentos consistem em observar a ocorrência de

eventos discretos em um intervalo contínuo (unidade de medida)
Exemplo:

1. Número de consultas a uma base de dados em um minuto.

2. Número de acidentes de trabalho por semana em uma empresa
industrial.
3. Número de machas (falhas) por metro quadrado no esmaltado de uma
geladeira.
4. Número de chamadas que chegam a uma central telefônica de uma empresa
num intervalo de tempo (digamos de 8,0 a 12,0).
5. Número de autos que chegam ao Campus entre 7,0 a.m. a 10,0 a.m.
6. Número de microorganismos por cm cúbico de água contaminada.

13
Suposições básicas:

Considere que o intervalo pode ser dividido em subintervalos com

comprimento suficientemente pequeno tal
• a probabilidade de mais uma contagem em um subintervalo seja
zero,
• a probabilidade de uma contagem em um subintervalo seja a
mesma para todos os subintervalos e proporcional ao comprimento
de subintervalo e
• a contagem em cada subintervalo seja independente de outros
subintervalos.

14
Definição[Distribuição de Poisson] Uma variável discreta X tem distribuição
de Poisson com parâmetro  se sua função de probabilidade é dada por:

 e   x
 x  0,1,2, 
f ( x)   x!

 0; c.c.

Onde: X: número de eventos discretos em t unidades de medida,

: media de eventos discretos em uma unidade de medida,
t: unidade de medida
=  t: media de eventos discretos em t unidades de medida

Notação: X~P(), para indicar que a v.a. X tem distribuição de Poisson com
parâmetro .

15
 P(X=x) P(X=x)

0.00 0.10 0.20 0.0 0.1 0.2 0.3

0
0

5
5

10
10

x
x

15
15

P(4)
P(1)

20
20

25
25

30
30

P(X=x) P(X=x)

0.00 0.04 0.08 0.12 0.00 0.10 0.20

0
0

5
5

10
10

x
x

15
15

P(8)
P(2)

20
20

25
25

30
30

16
 P(X=x) P(X=x)

0.00 0.10 0.20 0.0 0.1 0.2 0.3

0
0

5
5

10
10

x
x

15
15

P(4)
P(1)

20
20

25
25

30
30

P(X=x) P(X=x)

0.00 0.04 0.08 0.12 0.00 0.10 0.20

0
0

5
5

10
10

x
x

15
15

P(8)
P(2)

20
20

25
25

30
30

17
Exemplo 1. As consultas num banco de dados ocorrem de forma independente
e aleatório seguindo a distribuição de Poisson. Suponha que a média de
consultas é 3 a cada 4 minutos. Qual é a probabilidade que banco de dados
seja consultado no máximo 2 em um intervalo de 2 minutos?

Se X: número de consultas num banco de dados em 2 minutos,

então, X ~P(). Aqui t=2 e =3/4=0,75, então =(0,75)(2)=1,5. Ou seja
X~P(1,5)

e 1,5 1,5 x
f ( x)  , x  0,1,2,3....
x!

18
19
 e 1,5 1,5 x
f ( x)  , x  0,1,2,3....
x!
1, 5 1,52
P( X  2)  P( X  0)  P( X  1)  P( X  2)  e [1  1,5  ]  0,808847.
2

Exemplo 2: O número de pedidos de empréstimos que um banco

recebe por dia é uma variável aleatória com distribuição de
Poisson com =7,5. Determine as probabilidades de que, em um
dia qualquer, o banco receba
(a) Exatamente 2 pedidos de empréstimo;
(b) No máximo 4 pedidos de empréstimo;
(c) No mínimo oito pedidos de empréstimo.

20
X: número de pedidos de empréstimos que um banco recebe por
dia

X~P(7,5)

e 7 ,5 7,5 x
f ( x)  , x  0,1,2,
x!

21
 P(X=x)

0.00 0.05 0.10 0.15

0
5
10

x
15
P(7,5)

20
25
30

22
x f(x)=P(X=x)
0 0,000553
1 0,004148
2 0,015555
3 0,038889
4 0,072916
5 0,109375
6 0,136718
7 0,146484
8 0,137329
9 0,114440
10 0,085830
11 0,058521
12 0,036575
13 0,021101
14 0,011304
15 0,005652
16 0,002649
17 0,001169
18 0,000487
19 0,000192
20 0,000072
21 0,000026
22 0,000009
23 0,000003
24 0,000001
25 0,000000
26 0,000000
27 0,000000

23
 e 7 ,5 (7,5) 2
( a ) P ( X  2)   0,015555
2
(b) P( X  2)  P( X  0)  P( X  1)  P( X  2) 
 0,000553  0,004148  0,015555  0,0202567
7
(d ) P( X  8)  1  P ( X  8)  1   P( X  x) 
x 0

 1  [0,000553    0,136718] 
 1 - 0,37815  0,62185.

24
25
PROPRIEDADES DA DISTRIBUIÇÃO DE POISSON

Se X ~P(), então.

(i) A função de distribuição acumulada é dada por:

 0 x0
  x  e  x
F ( x)  P( X  x)  

x0
k 0 x!

(ii) E(X)=, Var(X)= .

26
27
x P(X=x) P(Xx)
0 0,000553 0,00055
1 0,004148 0,00470
2 0,015555 0,02026

X~P(7,5)
3 0,038889 0,05915
4 0,072916 0,13206
5 0,109375 0,24144
7 0,136718 0,37815
8 0,146484 0,52464
9 0,137329 0,66197
10 0,114440 0,77641
11 0,085830 0,86224
12 0,058521 0,92076
13 0,036575 0,95733
14 0,021101 0,97844
15 0,011304 0,98974
16 0,005652 0,99539
17 0,002649 0,99804
18 0,001169 0,99921
19 0,000487 0,99970
20 0,000192 0,99989
21 0,000072 0,99996
22 0,000026 0,99999
23 0,000009 1,00000
24 0,000003 1,00000
25 0,000001 1,00000
26 0,000000 1,00000
27 0,000000 1,00000
28 0,000000 1,00000
29 0,000000 1,00000
30 0,000000 1,00000

28
Exemplo 3: Consideremos o exemplo 2,

 0 x0
  x  7 ,5 x
F ( x)  P ( X  x)   e 7,5

x0
k 0 x!

(a) P( X  2)  F (3)  F (2)  0,02026 - 0,00470  0,1556

(b) P( X  2)  F (2)  0,02026

(c) P( X  8)  1  P( X  8)  1  P( X  7) 
 1  F (7)  1  0,37815  0,62185.

29
Exemplo 3. Contaminação é um problema de fabricação de discos ópticos de
armazenagem. O número de partículas de contaminação que ocorrem em um
disco óptico tem uma distribuição de Poisson e o número médio de partículas
por centímetro quadrado da superfície é 0,1. A área do disco em estudo é 100
centímetros quadrados. Encontre a probabilidade de que 12 partículas ocorram
na área de um disco sob estudo.

Se X: número de partículas na área de um disco sob estudo,

então, X ~P(). Aqui t=100 e =0,1, então =(100)(0,1)=10. Ou seja
X~P(10)
10 x
e 10
f ( x)  , x  0,1,2, 
x!

e 10 (10)12
P( X  12)   0,095
12
30
A Distribuição Poisson Como Aproximação da Distribuição Binomial

A distribuição Binomial para x sucessos em n ensaios de Bernoulli ´e

dada por:
n x
P ( X  x)    p (1  p) n  x , x  0,  , n.
 x
Se =np, p=/n, substituindo p na função probabilidade temos

n
 
x n x x 1  
      
n  1  2   x  1    n 
 
P( X  x)     1    1  1   1   x
x n
    n   n  n   n x!
  
1  
 n

e x 

Fazendo n  , temos P ( X  x) 
x!

31
32
33
Exemplo 5. 5. A probabilidade de um rebite particular na superfície da
asa de uma aeronave seja defeituosa é 0,001. Há 4000 rebites na asa.
Qual é a probabilidade de que seja instalados não mais de seis rebites
defeituosos?
Se X: número de rebites defeituosos na asa da aeronave. Então, X~B(400,0,001)

 4000 
 0,001  0,999 
6
P ( X  6)     0,8894.
x 400  x

 x 
x 0

Usando a aproximação de Poisson, =4000(0,001)=4 X~P(4)

e 4 4 x
6
P ( X  6)    0,889.
x 0 x!

34
Te o re m a : Se X , , X sã o va riá ve is a le a tó ria s in d e p e n d e n te s, c o m
1 n

d istrib uiç ã o d e Po isso n c o m p a râ m e tro s,  , ,  , sp e c tiva m e n te ,

1 n

e n tã o a va riá ve l a le a tó ria ,
Y  X X
1 n

te m d istrib u iç ã o d e Po isso n c o m p a râ m e tro ,       .

1 n

Exemplo 6. Em uma fabrica foram registradas em três semanas a média de

acidentes: 2,5 na primeira semana, 2 na segunda semana e 1,5 na terceira
semana. Suponha que o número de acidentes por semana segue um processo de
Poisson. Qual é a probabilidade de que haja 4 acidentes nas três semanas?

Se ja a va riá ve l a le a tó ria , X : n úm e ro d e a c id e n te s n a i-é sim a

i

se m a n a , i=1,2,3. X ~ P (  ) , e n tã o ,
i i
a v.a . , Y  X  X  X te m
1 2 3

d istrib uiç ã o d e Po isso n c o m p a râ m e tro ,   2,5  2  1,5  6 .

6e 4 6

P ( X  4)   0,1339
4!
35