Modelos Discretos

Aula 03

Bussab e Morettin, Seção 6.6

Meyer, Seção 4.3 e Capítulo 8
 Alguns Modelos Probabilísticos
para
Variáveis Aleatórias Discretas

• Distribuição Uniforme Discreta

• Distribuição de Bernoulli
• Distribuição Binomial
• Distribuição Geométrica
• Distribuição Hipergeométrica
• Distribuição de Poisson
 Exemplo 1
Uma rifa tem N bilhetes numerados de 1 a N.
Assumindo a honestidade do sorteio da rifa,
descreva a função de probabilidade da variável
aleatória número sorteado. Ainda, qual o valor
esperado da variável aleatória? Qual a variância
da variável aleatória?
 Distribuição Uniforme Discreta
Definição. Seja X uma v.a. cujos possíveis valores são
representados por x1, ..., xN. Dizemos que X segue
o modelo Uniforme Discreto se atribui a mesma
probabilidade 1/N a cada um desses N valores, isto
é, sua função de probabilidade é dada por

1
P ( X  xi )  , i  1, 2, ..., N
N
 Distribuição Uniforme Discreta
Ainda,
N
1
E( X ) 
N
x
i 1
i

e,

  N
 
2

N   xi  
  E  X 
Var ( X )  E X 2 2

1
 
N i 1
xi
2
  i 1 
N 

 
 
 Voltando ao Exemplo 1
Vamos definir a variável aleatória X como sendo o
número sorteado. Assim,

X 1 2 3 ... N Total
P(X = x) 1/N 1/N 1/N ... 1/N N/N
 Voltando ao Exemplo 1
(cont.)

Ainda,

N
xi  1  2  ...  N  
1 1
E( X ) 
N

i 1 N

1 N ( N  1) N  1
  
N 2 2
 Voltando ao Exemplo 1
(cont.)

e,
  N
 
2

N   xi  
 
Var ( X )  E X 2  E  X 
2

1 
 i
N  i 1
x 2
  i 1   
N 
 
 

  N (1  N )  
2

   
1  N ( N  1)( 2 N  1)  2   N 2
1
  
N 6 N  12
 
 
 Exemplo 2
Um dado equilibrado é lançado. O experimento
consiste em observar a ocorrência da face 5.
Pergunta-se:
(a) Qual a distribuição de probabilidades da
variável de interesse?
(b) Qual o valor esperado?
(c) Qual a variância?
 Distribuição de Bernoulli

Muitos experimentos são tais que os resultados

apresentam ou não uma determinada
característica. Por convenção denomina-se o
resultado de interesse como sucesso e o outro
como fracasso.
 Distribuição de Bernoulli
Vamos considerar uma população em que a
proporção de elementos portadores de uma certa
característica é p. Assim, considere a variável
aleatória X, que será descrita da seguinte
maneira:

1, se o indivíduo é portador da característica

X
0, caso contrário
 Distribuição de Bernoulli

Definição. A v.a. discreta X, que assume apenas os

valores 0 e 1; com função de
probabilidade (x, p(x)) tal que

p( 0 )  P( X  0 )  1  p ,
p( 1 )  P( X  1 )  p ,
é chamada variável aleatória de
Bernoulli.
 Distribuição de Bernoulli
Ainda, não é difícil que,

 X  E( X )  p

e,

  Var ( X )  p  (1  p)
2
X
 Johann Bernoulli
1667-1748
Suiça

http://www-gap.dcs.st-and.ac.uk/~history/Mathematicians/Bernoulli_Johann.html
Voltando ao Exemplo 2
1, se ocorrer a face 5
X 
0, caso contrário
1
X ~ Bernoulli  
6
X 0 1 Total
P(X=x) 5/6 1/6 6/6

E(X) = 1/6
Var(X) = (1/6) x [1-(1/6)] = 5/36
 Exemplo 3
Um corretor de seguros recebe uma comissão
de R$50,00 a cada novo seguro que vende. A
probabilidade de um determinado perfil de
cliente adquirir o seguro é de 0,20. Suponha que
os clientes comportem-se de maneira
independente. Se o corretor entrevistar 3
clientes, com esses determinado perfil, qual a
probabilidade de 2 negócios serem fechados?
Obs.: Defina X a v.a. ‘número de negócios
fechados pelo corretor’.
 Distribuição Binomial

Imagine, agora, que repetimos um ensaio de

Bernoulli n vezes. Suponha ainda que as
repetições sejam independentes. Uma amostra
particular será constituída de uma seqüência de
sucessos e fracassos, ou, alternativamente de
uns e zeros.
 Distribuição Binomial

Definição. Chama-se de experimento binomial ao

experimento

(a) que consiste em n ensaios de Bernoulli;

(b) cujos ensaios são independentes; e
(c) para o qual a probabilidade de sucesso em
cada ensaio é sempre igual a p, 0 < p < 1.
 Voltando ao Exemplo 3
O experimento descrito no enunciado do Exemplo
3 pode ser caracterizado como um experimento
binomial?
Experimento consiste de 3 abordagens idênticas.

Dois resultados possíveis em cada tentativa: venda

(sucesso) ou não (fracasso).

A probabilidade de venda é a mesma em cada

tentativa.

As tentativas são independentes.

 Diagrama de Árvore
Cliente 1 Cliente 2 Cliente 3 Resultados Valor de X
S (S,S,S) 3

S N (S,S,N) 2
S (S,N,S) 2
S N (S,N,N) 1
N
S (N,S,S) 2
S
N (N,S,N) 1
N
S (N,N,S) 1
N
N (N,N,N) 0
Probabilidades para seqüências
com 1 sucesso
p: probabilidade do cliente comprar

Resultado Probabilidade
SNN p(1-p)(1-p) p(1-p)2
NSN (1-p)p(1-p) p(1-p)2
NNS (1-p)(1-p)p p(1-p)2

P(X = 1) = 3 p (1-p)2
Probabilidades para seqüências
com 2 sucessos
p: probabilidade do cliente comprar

Resultado Probabilidade
SSN pp(1-p) p2(1-p)
SNS p(1-p)p p2(1-p)
NSS (1-p)pp p2(1-p)

P(X = 2) = 3 p2 (1-p)
Probabilidades para seqüências
com 0 e 3 sucessos
Resultado Probabilidade
NNN (1-p)(1-p)(1-p) p0(1-p)3

P(X = 0) = (1-p)3

Resultado Probabilidade
SSS ppp p3(1-p)0

P(X = 3) = p3
Distribuição de probabilidades de X

x P(X=x)
3
0 (1-p)
2
1 3 p (1-p)
2
2 3 p (1-p)
3
3 p
 Número de amostras gerando
exatamente k sucessos em n tentativas
Amostras k
(S,S,S) 3
(S,S,N) 2 n n!
Cn,k    
 k  k!(n  k)!
(S,N,S) 2
(S,N,N) 1
(N,S,S) 2
 3 3!
(N,S,N) 1 C3,2     3
(N,N,S) 1  2  2!( 3  2 )!
(N,N,N) 0
 Forma geral

n k nk
P(X  k)    p ( 1  p)
k 

P(X = k): probabilidade de k sucessos em n tentativas

n - número de tentativas

p - probabilidade de sucesso em cada tentativa

 Distribuição Binomial

Definição. A v.a. X, correspondente ao número de

sucessos num experimento binomial, tem
distribuição Binomial(n,p), com função de
probabilidade dada por
n k
P ( X  k | n, p )    p 1  p  ,
nk

k 

k  0, 1, 2,  , n.
 Distribuição Binomial
Ainda, não é difícil que,

 X  E ( X )  np

e,

  Var ( X )  np(1  p)
2
X
 Voltando ao Exemplo 3
Um corretor de seguros recebe uma comissão
de R$50,00 a cada novo seguro que vende. A
probabilidade de um determinado perfil de
cliente adquirir o seguro é de 0,20. Suponha que
os clientes comportem-se de maneira
independente. Se o corretor entrevistar 3
clientes, com esses determinado perfil, qual a
probabilidade de 2 negócios serem fechados?
Obs.: Defina X a v.a. ‘número de negócios
fechados pelo corretor’.
 Voltando ao Exemplo 3
k P(X = k)
Amostras k
(S,S,S) 3 3!
0 (.20) 0 (.80) 3  0,512
(S,S,N) 2 0! (3)!
(S,N,S) 2 3!
1 (.20) 1(.80) 2  0,384
(S,N,N) 1! (2)!
1
3!
(N,S,S) 2 2 (.20) 2 (.80) 1  0,096
2! (1)!
(N,S,N) 1
3!
(N,N,S) 1 3 (.20) 3 (.80) 0  0,040
3! (0)!
(N,N,N) 0
Total 1,000
 Exemplo 4
Um time de basquete não está muito bem
nesta temporada, de tal forma que a
probabilidade de que ganhe um jogo
qualquer é de 20%.
a) Qual a probabilidade de que a primeira
vitória ocorra na quinta partida?
b) Qual é a partida esperada em que
ocorrerá a primeira vitória?
 Distribuição Geométrica
Suponha que, ao realizar um experimento, ocorra
o evento A com probabilidade p ou não ocorra A
(ou seja, ocorre AC com probabilidade 1-p).
Repetimos o experimento de forma independente
até que o evento A ocorra pela primeira vez.

Defina a v.a. X como sendo o número de

repetições do experimento até que se obtenha A
pela primeira vez.
 Distribuição Geométrica

Então,

P( X  j )  1  p  j 1 p, j  1, 2, 3,  ,

já que, se X = j, ou seja, A ocorre na j-ésima

tentativa, então nas primeiras j-1 repetições A não
ocorre.
 Distribuição Geométrica

Ainda, não é difícil provar que,

1
 X  E( X ) 
p
e,

(1  p)
  Var ( X ) 
2
X 2
p
 Voltando ao Exemplo 4
Um time de basquete não está muito bem
nesta temporada, de tal forma que a
probabilidade de que ganhe um jogo
qualquer é de 20%.
a) Qual a probabilidade de que a primeira
vitória ocorra na quinta partida?
b) Qual é a partida esperada em que
ocorrerá a primeira vitória?
 Solução

X: número de partidas até a primeira vitória

X ~ Geométrica(0,20)

a) P(X = 5) = (1 - 0,20)4.0,20 = 0,804.0,20 = 0,082

b) E(X) = 1 / 0,2 = 5
 Distribuição Geométrica
Importante saber (ANPEC)
Se s e t são inteiros positivos, então
P ( X  s  t | X  s )  P ( X  t ). Bussab e Morettin

ou

P ( X  s  t | X  s )  P ( X  t ). Meyer

Essa propriedade nos diz que a distribuição

geométrica não tem memória.
 Distribuição Geométrica
Importante saber (ANPEC)

Se X ~ Geométrica(p) e se fizermos Z = X – 1,
interpretando Z como o número de falhas que
precedem o primeiro sucesso, então

Z ~ Geométrica(p)

com

P ( Z  j )  1  p  p, j  0 , 1, 2 , 
j
 Exemplo 5

Sabe-se que há 10% de peças defeituosas

em um lote de 50. Ao retirar oito peças
desse lote, sem reposição, qual a
probabilidade de que duas delas sejam
defeituosas?
 Distribuição Hipergeométrica

A distribuição hipergeométrica é bastante

parecida com a distribuição binomial.
Porém, no caso da hipergeométrica, as
replicações não são independentes e a
probabilidade de sucesso muda entre
replicações.
 Distribuição Hipergeométrica
Considere os seguintes resultados:

N – tamanho de uma determinada população de

interesse;

r – número de sucessos nessa população de

tamanho N;

n – tamanho da amostra, sem reposição, que será

retirada da população N;

k – número de sucessos observados na amostra.

 Distribuição Hipergeométrica

Seja X a v.a. que denota o número de

sucessos, observados numa amostra de
tamanho n, que foi retirada, sem reposição,
de uma população de tamanho N. Do exposto,
a v.a. X pode ser modelada por uma
distribuição hipergeométrica, cuja função de
probabilidade é dada por:
 Distribuição Hipergeométrica

 r  N  r 
  
 k  n  k 
P( X  k )  x  0 , 1, ..., min (r,n)
N
 
n
 Distribuição Hipergeométrica
Pode-se demonstrar que

  E ( X )  np
e
2 N n
  Var ( X )  np( 1  p )
N 1
em que,
p r – é a probabilidade de se obter uma
N
peça defeituosa numa única
extração.
 Voltando ao Exemplo 5

Sabe-se que há 10% de peças defeituosas

em um lote de 50. Ao retirar oito peças
desse lote, sem reposição, qual a
probabilidade de que duas delas sejam
defeituosas?
 Solução

X: nº de peças defeituosas
X ~ Hipergeométrica (50, 5, 8)
N = 50 n=8 r=5 k=2

 5  50  5   5  45 
     
 2  8  2   2  6 
P( X  2)    0,152
 50   50 
   
8 8
 Distribuição Hipergeométrica

Observações
Se N > > n, ou seja N bem grande, quando
comparado com n, então extrações com ou sem
reposição serão praticamente equivalentes, de
modo que as probabilidades dadas pela distribuição
exata (Hipergeométrica) serão aproximadamente
iguais àquelas que seriam obtidas adotando a
distribuição Binomial.
 Distribuição Hipergeométrica

Observações (cont.)
Note, também, que o cálculo da variância de uma
variável aleatória (v.a.) com distribuição
Hipergeométrica, onde N – n N – 1, é
aproximadamente igual àquele que seria obtido
caso a v.a. fosse distribuída de acordo com uma
Binomial.
 Distribuição Hipergeométrica

Observações (cont.)

Segundo Meyer (1983, p. 208), em geral, a

aproximação da distribuição hipergeométrica pela
binomial é bastante boa se n/N ≤ 0,1.
 Exemplo 6
Uma central telefônica recebe uma média de 5 chamadas por
minuto. Sabe-se que a probabilidade de uma chamada é a
mesma para dois intervalos de tempo de igual tamanho.
Ainda, a chegada ou não de uma chamada num dado instante
de tempo é independente da chegada ou não de um chamada
em outro intervalo de tempo.

Pergunta-se:

a) Qual a probabilidade de não chegar nenhuma chamada?

b) Qual a probabilidade de chegar no máximo 2 chamadas?
 Distribuição de Poisson
A distribuição de Poisson é largamente
empregada quando se deseja contar, por
exemplo, o número de eventos de certo tipo que
ocorrem num intervalo de tempo, superfície ou
volume.

Exemplo: número de aviões que decolam, por

hora, num determinado aeroporto da cidade de
São Paulo.
 Distribuição de Poisson

Experimento de Poisson

Probabilidade de uma ocorrência é a mesma

para intervalos de tempo de igual duração.

Ocorrência ou não num dado intervalo é

independente de ocorrência ou não em outro
intervalo.
 Siméon Denis
Poisson
1781-1840
França

www-gap.dcs.st-and.ac.uk/~history/Mathematicians/Poisson.html
 Distribuição de Poisson

Seja X a v.a. que denota o número de eventos,

de certo tipo, que ocorreram num intervalo de
tempo, superfície ou volume fixado. Do
exposto, a v.a. X pode ser modelada por uma
distribuição Poisson, cuja função de
probabilidade é dada por:
 Distribuição de Poisson
 e
k 
P( X  k )  , k  0, 1, 2, ...
k!
em que
- é o número médio de eventos
ocorrendo no intervalo considerado.

Ainda, é possível provar que,

  E( X )   e 2
  Var( X )  
 Voltando ao Exemplo 6
Uma central telefônica recebe uma média de 5 chamadas por
minuto. Sabe-se que a probabilidade de uma chamada é a
mesma para dois intervalos de tempo de igual tamanho.
Ainda, a chegada ou não de uma chamada num dado instante
de tempo é independente da chegada ou não de um chamada
em outro intervalo de tempo.

Pergunta-se:

a) Qual a probabilidade de não chegar nenhuma chamada?

b) Qual a probabilidade de chegar no máximo 2 chamadas?
 Solução

Considere X a v.a. que denota o número de

chamadas por minuto. Dessa forma,

X ~ Poisson (5).

e
k 5
5 e
P( X  k ) 
k!
 Solução (cont.)

a) Qual a probabilidade de não chegar

nenhuma chamada?

0
5 e 5
P(X  0 )   0 ,006737947
0!
 Solução (cont.)

b) Qual a probabilidade de chegar no máximo

2 chamadas

P ( X  2)  P ( X  0)  P ( X  1)  P ( X  2) 
0 5 1 5 2 5
5 e 5e 5 e
   
0! 1! 2!
 0,0067  0,0337  0,084  0,1244
 Exemplo 7
De acordo com o enunciado do Exemplo 6, qual a
probabilidade de chegar 10 chamadas num período de 3
minutos?

10 15
15 e
P(Y  10 )   0,0486
10!
Observe que chegam, em média, 5 chamadas por
minuto. Sendo assim, num período de 3 minutos
chegam em média 15 chamadas. Logo a nova variável
(Y: número de chamadas num período de 3 minutos) é
uma Poisson com parâmetro 15.
 A Distribuição de Poisson
como Aproximação da
Distribuição Binomial
Quando n é grande e p é pequeno podemos
usar a distribuição de Poisson com

  np

Em geral, n  20 e p  0,05  np  7
 Exemplo 8

Suponha que a probabilidade de um item

produzido por uma máquina ser defeituoso
é de 0,04. Se 30 itens produzidos por esta
máquina são selecionados ao acaso, qual é
a probabilidade de que mais de um item
defeituoso seja encontrado?
 Solução Exata

X: número de itens defeituosos produzidos

pela máquina.
X ~ Binomial(30; 0,04)

P(X > 1) = 1 – (P(X = 0) + P(X = 1)) =

= 1 – (0,2939 + 0,3673) =
= 1 - 0,6612 = 0,33
 Solução Aproximada

Como n é grande e p é pequeno (np 7)

podemos usar a aproximação Poisson
Observe que   np  30  0 ,04  1,2
X ~ Poisson(  1,2)
Logo,
P(X = 0) + P(X = 1) = 0,3012 + 0,3614 = 0,6626
Diferença muito pequena
Exercícios
 Exercício 1
(ANPEC 2002 – Questão 7)

(0) F (1) V (2) F (3) V (4) V

 Exercício 2
(ANPEC 2007 - Questão 6)
Seja X uma variável aleatória com distribuição de Poisson
dada por
λ xe λ
p X (x)  , x  0 , 1, 2 , ...
x!
É correto afirmar que:
(0) E(X) = e Var(X) = 2.

(1) E(X2) = + 2

(2) E(X) = e- .
(3) E(X) = Var(X) = .
(4) E(X) = /2 e Var(X) = .
(0) F (1) V (2) F (3) V (4) F
 Exercício 3
De 15 pessoas que foram a uma reunião, 5 eram
coordenadoras de área. Sorteada uma amostra
sem reposição de 5 pessoas, qual é a
probabilidade de

a) Nenhuma ser coordenadora de área?

b) Ao menos 2 serem coordenadoras de área?
Multiplique os resultados por 100 e registre a parte
inteira dos mesmos.
a) 8 b) 56
 Exercício 4
Em média 1,5 usuário utiliza um caixa eletrônico a
cada 5 minutos. Admitindo que a distribuição do
número de usuários é uma Poisson, determine a
probabilidade de
a. Nenhuma pessoa utilizar o caixa nos próximos
5 minutos. Multiplique o resultado por 54 3 e
marque a parte inteira.
b. Pelo menos 1 pessoa utilizar o caixa nos
próximos 10 minutos. Multiplique o resultado
por 54 e marque a parte inteira.
Obs.: Admita e 3.
a) 18 b) 2
 Exercício 5
Determinado produto é vendido em caixas contendo um
grande número de peças. É uma característica da
fabricação produzir 10% defeituosos. Normalmente,
cada caixa é vendida por 13,50 unidades monetárias
(u.m.). Um comprador faz a seguinte proposta: de cada
caixa, ele escolhe uma amostra de 20 peças; se não tiver
defeituosos; ele paga 20,00 u.m.; 1 ou 2 defeituosos, ele
paga 10,00 u.m.; 3 ou mais defeituosos ele paga 8,00
u.m.. Qual alternativa é a mais vantajosa para o
fabricante?
 Resolução do Exercício 5
X: número de peças defeituosas na caixa
X ~ Binomial(20; 0,10)
P(X = 0) = 0,1216
P(X = 1) = 0,2702
P(X = 2) = 0,2852
P(X 3)= 1 - P(X < 3) = 1 - 0,6769 = 0,3231

Proposta do comprador:
20x0,1216 + 10x(0,2702+0,2852) + 8x0,3231 = 10,57
Conclusão: A proposta do comprador é menos
vantajosa para fabricante.