Algumas distribuies de variveis aleatrias

discretas importantes:
Distribuio Uniforme Discreta

Enquadram-se aqui as distribuies em que os possveis valores da varivel

aleatria tenham todos a mesma probabilidade de ocorrncia. Logo, se
existem N valores possveis, cada um ter probabilidade igual a 1/N.

1
P(X = x i ) =
N

Ex: Seja o lanamento de um dado e a varivel aleatria X =face superior

do dado, tem-se que: ou P(X=x) = 1/6

Distribuio de Bernoulli

Imagine um experimento aleatrio que podem ocorrer dois possveis

resultados, sucesso e fracasso. Veja alguns exemplos:

- uma venda efetuada ou no em uma ligao de call center;

- um cliente pode ser adimplente ou inadimplente;

- uma pea produzida por uma cia. pode ser perfeita ou defeituosa;

- um consumidor que entra numa loja pode comprar ou no comprar

um produto;

- Lana-se uma moeda e observa-se se o resultado cara ou coroa.

Associando-se uma varivel aleatria X aos possveis resultados do
experimento, de forma que

X= 1 se o resultado for sucesso,

X= 0 se o resultado for fracasso.

Ento, a varivel aleatria X, assim definida, tem distribuio de

Bernoulli, com p sendo a probabilidade de ocorrer sucesso, e q = (1-p)
a probabilidade de ocorrer fracasso.
p se x=1
Distribuio de Bernoulli: P(x) =
1-p se x=0

Mdia: =p
Varincia: 2 = pq = p(1 p)
Desvio padro: = pq = p(1 p)

Podemos utilizar p como sendo a proporo de sucessos.

Exemplos:
-Lanamento de uma moeda honesta: podemos associar cara a sucesso
e coroa a fracasso. Alm de igualmente provvel a distribuio de
probabilidade do tipo Bernoulli:
1/2 se x=1
Distribuio de Bernoulli: P(x) =
1/2 se x=0
= 1/2 2 = 1 / 4 = 1/2

- A experincia tem mostrado que durante as vendas de Natal, um

cliente que entra em uma determinada loja tem 60% de chance de
comprar um produto qualquer. Temos, portanto, uma probabilidade de
sucesso X=1 (o cliente adquirir um produto qualquer) de 0,6 e uma
probabilidade de no adquirir X=0 um produto de q = 1-p = 0,4. Neste
caso p a proporo das vezes que um cliente compra um produto.
0,6 se x=1
Distribuio de Bernoulli: P(x) =
0,4 se x=0
= 0,6 = 0,24
2
= 0,4898
 Distribuio binomial

Para que uma situao possa se enquadrar em uma distribuio

binomial, deve atender s seguintes condies:

- so realizadas n repeties (tentativas, ensaios, provas)

independentes;

- cada tentativa um ensaio de Bernoulli, isto , s podem ocorrer

dois resultados possveis, com probabilidades p e q=1-p;

- a probabilidade p de sucesso em cada ensaio constante.

Se uma situao atende a todas as condies acima, ento a varivel

aleatria

X = nmero de sucessos obtidos nas n ensaios ter uma distribuio

binomial, com n tentativas e p (probabilidade de sucesso).

Simbolicamente: X ~ B(n,p) A varivel aleatria x tem

distribuio binomial com n ensaios e uma probabilidade p de
sucesso
p : probabilidade de sucesso
q = 1- p : probabilidade de no sucesso
A distribuio de probabilidade da varivel aleatria X = k sucessos,
em n ensaios, dada pela distribuio Binomial:

n n!
Distribuio Binomial: Pn (X = k) = p k q n k = p k q n k
k k!(n k)!
mdia: = np
varincia: 2 = n pq
desvio padro: = n pq
 n=10
p=0,5

n=10 n=10
p=0,3 p=0,6

Probabilidade de se obter valores maiores ou

iguais ao valor observado

n
n i
Pn (X k) = (p ) (1 p )
n i

i=k i

Probabilidade de se obter valores menores ou

iguais ao valor observado
k
n i
Pn (X k) = (p ) (1 p )
n i

i =0 i
 Exemplos

(1)No lanamento de uma moeda honesta 6 vezes sucessivamente:

(a) Qual a probabilidade de ocorrer 3 caras?

(b) Qual a probabilidade de ocorrer menos de 3 caras?
(c) Qual a probabilidade de ocorrer no mximo 3 caras?
(d) Qual a probabilidade de ocorrer no mnimo 3 caras?

Sucesso representado pelo resultado cara.

Como a moeda honesta p=0.5 e q=1-p=0.5
nmero de lanamentos da moeda: n=5
a probabilidade de ocorrncia de k caras em n lanamentos dado pela
distribuio binomial n n!
Pn (X = k) = p k q n k = p k q n k
k
k! (n k)!
Temos :
5 5!
( a) P5 (X = 3) = (0.5) 3 (0.5) 53 = (0.5)3 (0.5) 2
3 3!(5 3)!

5 5 5
(b) P5 (X < 3) = P (0) + P(1) + P (2) = (0.5) 0 (0.5) 50 + (0.5)1 (0.5) 51 + (0.5) 2 (0.5) 5 2
0 1 2

5 5 5 5
(c) P5 (X 3) = P (0) + P(1) + P(2) + P (3) = (0.5) 0 (0.5) 50 + (0.5)1 (0.5)51 + (0.5) 2 (0.5) 5 2 + (0.5) 3 (0.5) 53
0 1 2 3

( d ) P5 (X 3) = P(3) + P( 4) + P (5) (ou P5 (X 3) = 1 P5 (X < 3))

Completem as contas !!!

 (2) Em um determinado processo de fabricao, 10% das
peas produzidas so consideradas defeituosas. As peas so
armazenadas em caixas com cinco unidades cada uma.
Considere que cada pea tem a mesma probabilidade de ser
defeituosa (como se houvesse repetio no experimento de
retirar uma pea).

(a) Qual a probabilidade de haver exatamente trs peas

defeituosas numa caixa?
(b) Qual a probabilidade de haver duas ou mais peas
defeituosas em uma caixa?
(c) Qual a probabilidade de uma caixa no apresentar pea
defeituosa?
(d) Supondo que a empresa pague uma multa de R$ 10,00
por caixa que apresente peas defeituosas, qual o valor
esperado desta multa em um lote de 1.000 caixas?

p = 0,1 a probabilidade da pea ser defeituosa

q = 1-p = 0,9 probabilidade da pea no ser defeituosa
Numa caixa temos 5 peas: n = 5
O problema descrito por uma distribuio binomial onde
X=k o nmero de peas defeituosas

Temos :
5 5!
(a ) P5 (X = 3) = (0.1) 3 (0.9)53 = (0.1) 3 (0.9) 2
3 3!(5 3)!

5 5
(b) P5 (X 2) = 1 P5 (X < 2) = 1 ( P (0) + P (1)) = 1 (0.1) 0 (0.9) 50 (0.1)1 (0.9) 51
0 1

5 5!
(c) P5 (X = 0) = (0.1) 0 (0.9)50 = (0.9) 5 = (0.9) 5 = 0,59049
0
0! (5 0)!
(d) Neste item, temos uma nova varivel aleatria Y = nmero de caixas com
peas defeituosas . Ento temos que calcular o a probabilidade de uma caixa
ter pea defeituosa:

P(uma caixa ter pea defeituosa) =1-P(uma caixa no ter pea defeituosa)
= 1 - P(X=0) = 0, 4095

Ento a nova varivel Y: nmero de caixas com peas defeituosas,

em um lote de 1.000 caixas, segue uma distribuio binomial com
n = 1.000 e p = 0, 4095 e, portanto o valor esperado de Y ser:

E(Y) = np = 1000.0,4095 = 409,5 caixas.

E a multa esperada:

Multa Esperada = 409,5. R$ 10,00 = R$ 4.095,00

Distribuio Hipergeomtrica

Relacionada com o nmero de sucessos em uma amostra

contendo n observaes populao finita de tamanho N
Amostra retirada sem reposio
Os resultados das observaes so dependentes
A probabilidade de sucesso varia de um experimento para
outro
probabilidade da varivel aleatria X=k sucessos em uma
amostra retirada de uma populao com r sucessos
 Frmula da Distribuio Hipergeomtrica

r N r

k n k
P(X = k) =
N

n

onde
N = tamanho da populao
r = nmero de sucessos na populao
N r = nmero de insucessos na populao
n = tamanho da amostra
k = nmero de sucessos na amostra
n k = nmero de insucessos na amostra

Propriedades da Distribuio Hipergeomtrica

A mdia (valore sperado de X )da distribuio hipergeomtrica

= np
onde p = r/N a proporo de sucessos na populao
e o desvio padro
nr(N-r) N n N n
= . = np(1-p).
N 2
N 1 N 1
N n
onde chamado fator de "correo de populao finita",
N 1
que resulta a mostragem sem reposio, de uma populao finita.
Quando N grande comparado com n, a distribuio hipergeomtrica
de parmetros n, N, p se aproxima da distribuio binomil com
parmetros n, p
 Utilizando a Distribuio Hipergeomtrica

Exemplo: Um departamento possui 10 computadores, dos quais

3 so verificados. 4 desses computadores possuem software
ilegal. Qual a probabilidade de que 2 dos 3 computadores
verificados tenham o softwrare ilegal?

N = 10 n=3 r=4 k=2

r N r 4 6

k n k 2 1 (6)(6)
P(X = 2) = = = = 0,3
N 10 120

n 3

A probabilidade de que 2 dos 3 computadores checados

tenham o software ilegal 0,30 ou 30%

Distribuio geomtrica

V. A. X: nmero de tentativas independentes at

obter um sucesso
F=falha S=sucesso, p=P(S) q=1-q

P[X=x] = P(F F F F....F S)= qx-1 p , x =1, 2, 3....

x-1

Mdia: = 1/p

Varincia: 2 = q/p2
 Distribuio de Poisson
Aplicada quando:
Voc estiver interessado em contar o nmero de vezes em
que um evento especfico ocorre em um determinado
intervalo (de tempo, de comprrimento, de rea, volume,)
A probabilidade de que um evento especfico ocorra em um
determinado intervalo a mesma para todas os intervalos
O nmero de eventos que ocorrem em um determinado
intervalo independente do nmero de eventos que
ocorrem em outros intervalos
A probabilidade de que dois ou mais eventos venham a
ocorrer em um determinado intervalo se aproxima de zero
medida que o intervalo se torna menor.

amostra

* *
* * *
Poro de um rolo de papel * = defeito

* * * *
tempo
amostra
* = chamada telefnica
A distribuio de Poisson til para descrever o nmero de ocorrncias num
Intervalo contnuo (tempo, distncia).

Ex: Defeitos por centmetro quadrado, acidentes por dia, vacas por acre,

A varive aleatria X = nmero de ocorrncias discreta, mas a unidade de

medida contnua. No possvel contar o nmero de no ocorrncias ( nmero
de defeitos que no ocorreram por centmetro quadrado, nmero de chamadas
telefnicas que no foram feitas, etc,)
 Chamadas telefnicas por unidade de tempo;
Defeitos por unidade de rea;
Acidentes por unidade de tempo;
Chegada de clientes a um supermercado por
unidade de tempo;
Nmero de glbulos sangneos visveis ao
microscpio por unidade de rea;
Nmero de partculas emitidas por uma fonte de
material radioativo por unidade de tempo.

Frmula da Distribuio de Poisson

e k
P(X = k) =
k!
onde:
k = nmero de ocorrncias ( 0, 1, 2, 3, 4, 5,..., )
= t =nmero mdio (valor esperado) de ocorrncias no
intervalo t
= taxa mdia por unidade (de tempo, de distncia, de rea)
t = nmero de unidades (de tempo, distncia, rea, volume,)
e = 2,71828 (base dos logaritmos naturais)

A distribuio de Poisson pode ser um modelo probabilstico

razovel de processos descritos na pgina anterior.
 e k
Probabilid ade de k ocorrncias: P(X = k) =
k!

Valor esperado (mdia): = t

Varincia: 2 =
Desvio padro: =

Exemplo: enconte P(X = 2) se = 0,50

e 2 e 0,50 (0,50)2
P(X = 2) = = = 0,0758
k! 2!

Exemplo: Trens chegam numa estao a uma razo de 3 trns/hora.

Observando a chegada de trens durante meia hora, qual a probabilidade de
(a) no chegar nenhum trem (b) chegar 1 trem (c) chegar menos de 2 trens.
Suponha que a chegada de trens possa ser descrtia por um processo de
Poisson.
Temos: Taxa de chegada: = 3 trens/hora
intervalo de tempo: t = 0,5 h
mdia de chegadas: = t = 3 . 0,5 = 1,5

e k e 1,5(1,5)k
P(X = k) = =
k! k!

e 1,5(1,5)0
(a) P(X = 0) = = 0,223
0!
e 1,5(1,5)1
(b) P(X = 1) = = 0,334
1!
(c) P(X < 2) = P(0) + P(1) = 0,557
 Temos: Taxa de chegada: = 3 trens/hora
intervalo de tempo: t = 0,5 h
mdia de chegadas: = t = 3 . 0,5 = 1,5

e k e 1,5(1,5)k
P(X = k) = =
k! k!

E portanto:

e 1,5(1,5)0
(a) P(X = 0) = = 0,223
0!
e 1,5(1,5)1
(b) P(X = 1) = = 0,334
1!
(c) P(X < 2) = P(0) + P(1) = 0,557

Grfico das Probabilidades de Poisson

0,70

0,60

= 0,50 0,50

= 0,40
P(x)

X 0,50 0,30

0 0,6065 0,20

1 0,3033 0,10
2 0,0758
0,00
3 0,0126 0 1 2 3 4 5 6 7

4 0,0016 x
5 0,0002
P(X = 2) = 0,0758
6 0,0000
7 0,0000
 Forma da Distribuio de Poisson

A forma da Distribuio de Poisson depende do

parmetro :

= 0,5 =3
0,70 0,25

0,60
0,20
0,50

0,15
0,40

P(x)
P(x)

0,30 0,10

0,20
0,05
0,10

0,00 0,00
0 1 2 3 4 5 6 7 1 2 3 4 5 6 7 8 9 10 11 12

x x

Comparao entre as distribuies Binomial e de Poisson:

Binomial Poisson
Resultados Inteiros de 0 a n Inteiros de 0 a +
possveis
Observaes Contagem de Contagem de sucessos
sucessos ou falhas somente
parmetros nep

Aproximao da binomial pela poisson

Para um nmero muito grande de repetie e probabilidade de

sucesso pequena podemos calcular, ou seja, se n grande e p
pequeno de modo que np7, podemos calcular a probabilidade
de sucessos aproximando a distribuio binomial pela
distribuio de Poisson com = np.
 Exemplo: Determinar a probabilidade de haver 4 peas
defeituosa numa amostra de 300 peas, extraida de um
grande lote onde h 2% de defeituosas:

temos uma distribuio binomial com n = 300 e p = 0,02 . Assim,

300!
P(X = 4) = (0,02)4 .(0,98)296 dureza fazer esse calculo!!!
4!(300-4)!

mas temos uma situao em que n grande e p pequeno, portanto

podemos aproximar a distribuio binomial por uma distribuio de
Poisson com = np = 300.0,02 = 6.

k e 6 4 e 6
P(X = 4) = = = 0,135 (mais fcil de calcular)
k! 4!

Tabela resumo

Modelo P(X = k) parmetros E(X) Var(X)

Bernoulli p k (1 p)1k ,k = 0,1 p p p(1-p)

n k n p
Binomial k p (1 p) ,k = 0,1,2...,n n, p np np(1-p)

e k
Poisson , k = 0, 1, 2,...,
k!

r N r
k n k nr r N n
, k = 0, 1, 2,...
nr
N, r, n 1
Hipergeomtrica N N N N N 1

n