Distribuições de Probabilidade de Variáveis

Aleatórias Discretas: Bernoulli, Binomial e Poisson

Tópico – 01B
Definição
▪ Experimentos que admitem apenas dois resultados possíveis (sucesso ou
fracasso) recebem o nome de ensaios de Bernoulli e originam uma variável
aleatória com distribuição de Bernoulli.

▪ Função de probabilidade para a distribuição de Bernoulli

▪ Seja X uma variável aleatória com distribuição de Bernoulli com probabilidade
de sucesso p, em que X = 1 se o resultado é sucesso e X = 0 se o resultado é
fracasso. Então, a função de probabilidade de X fica dada por:

P(X = x) = px(1 − p)(1−x ), em que x = 0, 1. Denotamos X ∼ Be(p).

Exemplos:
▪ resultado da inspeção de uma peça, defeituosa ou não defeituosa;
▪ opinião de um eleitor, favorável ou outra opinião;
▪ resultado de um exame vestibular, aprovado ou não aprovado;
▪ intenção de voto de um eleitor, partido A ou outra preferência;
▪ assinatura de TV digital, sim ou não;
▪ conclusão de uma corrida para pedestres, sim ou não;
▪ pressão arterial de um paciente, normal ou alterada;
▪ hábito de práticas esportivas, sim ou não.
Esperança
▪ A esperança (ou valor médio) da distribuição de Bernoulli é dada por:
E(X) = 0×P(X=0) + 1×P(X=1) = 0×(1 − p) + 1×p = p.

Variância
▪ A variância de X é definida por Var(X) = E(X2) - [E(X)]2.
▪ Temos que:
E(X2) = 02×P(X=0) + 12×P(X=1) = 0×(1 − p) + 1×p = p.

▪ Assim,
Var(X) = p − p2 = p(1 − p) e portanto DP(X) = p(1 − p)
▪ E a mais importante das distribuições de probabilidades discretas e consiste no
número de sucessos de n ensaios independentes de Bernoulli;
▪ Para que a variável aleatória de um experimento tenha distribuição binomial é
necessário atender as seguintes condições:
a) supor uma série de n realizações independentes (o resultado de um
experimento não é afetado pelo resultado dos outros) de Bernoulli;
b) a probabilidade de sucesso em cada realização é sempre constante e igual a
p;
c) o número de sucessos observado é um número inteiro entre 0 e n
Ou dito de outra forma:
▪ A distribuição binomial é usada para encontrar a probabilidade de X números
de ocorrências ou sucessos de um evento, P(X), em n tentativas do mesmo
experimento quando (1) existirem somente 2 resultados mutuamente exclusivos,
(2) as n tentativas são independentes, e (3) a probabilidade de ocorrência ou
sucesso, p, permanece constante em cada tentativa.
Exemplo de estudo
▪ Um dado é lançado 3 vezes de forma independente.
▪ Qual a probabilidade de obter a face 5 duas vezes?
▪ Denotando S como sendo sucesso (obter face 5 num lançamento) e F como
sendo fracasso, o espaço amostral pode ser representado por:

Ω = {(SSS), (SSF), (SFS), (FSS), (SFF), (FSF), (FFS), (FFF)}.

▪ Vamos considerar a variável aleatória X : número de sucessos nos três
lançamentos, sendo p = P(S) e q = 1 − p = P(F) em cada lançamento.
 Diagrama de Árvore
1º 2º 3º Ω Prob. X
p S (SSS) p3 3
S q
p (SSF) p 2q 2
F
S q p S (SFS) p 2q 2
p F q
F (SFF) pq2 1

q P S (FSS) p 2q 2
S q
p F (FSF) pq2 1
F
q p S (FFS) pq2 1
F q
F (FFF) q3 0
Distribuição da Probabilidade
▪ Portanto, a função de probabilidade da variável aleatória X : número de sucessos
nos três lançamentos fica dada por:
x 0 1 2 3
P(X=x) q3 3pq2 3p2q p3

▪ Assim, a função probabilidade de X pode ser expressa na forma:

3 𝑥 𝑚 𝑚!
𝑃 𝑋=𝑥 = 𝑝 (1 − 𝑝)(3−𝑥) 𝑝𝑎𝑟𝑎 𝑥 = 0, 1, 2, 3. 𝑙𝑒𝑚𝑏𝑟𝑎𝑛𝑑𝑜 𝑞𝑢𝑒: 𝐶𝑚,𝑟 =( )=
𝑥 𝑟 𝑟! 𝑚 − 𝑟 !

▪ Em particular, para um dado equilibrado p = 1/6 obtemos:

x 0 1 2 3
P(X=x) 0,5787 0,3472 0,0694 0,0046

▪ Assim, a probabilidade da face 5 aparecer duas vezes (para um dado

equilibrado) fica dada por P(X = 2) = 0, 0694.
Definição
▪ A variável aleatória X correspondente ao número de sucessos em n ensaios de
Bernoulli independentes (no sentido probabilístico) e com mesma probabilidade
p de sucesso em cada ensaio, tem distribuição binomial com parâmetros n e p.
▪ A função de probabilidade de X é expressa na forma:

𝑛 𝑥
𝑃 𝑋=𝑥 = 𝑝 (1 − 𝑝)(𝑛−𝑥) 𝑝𝑎𝑟𝑎 𝑥 = 0, 1, 2, . . . , 𝑛.
𝑥

Denotamos X ∼ B(n, p).

Esperança
▪ Se X ∼ B(n, p) podemos escrever X = X1 + · · · + Xn, em que Xi ∼ Be(p) para i = 1, . .
. , n. Assim, obtemos:
µ = E(X) = E(X1) + · · · + E(Xn) = np.

Variância
▪ Similarmente como temos n ensaios independentes, então
σ2 = Var(X) = Var(X1) + · · · + Var(Xn) = np(1 − p).

▪ E daí segue que σ = DP(X) = np(1 − p)

Exemplo de Aplicação
▪ Considere uma prova com 12 questões, cada uma com 4 alternativas. Suponha
que o aluno escolha a resposta ao acaso. Qual é a probabilidade de que ele
acerte pelo menos 6 questões?
▪ Vamos considerar a variável aleatória X : número de questões que o aluno acerta.
Vamos supor que X ∼ B(n, p), em que n = 12 e p = 0, 25.
▪ Portanto, a função de probabilidade de X fica dada por:

12
𝑃 𝑋=𝑥 = 0,25𝑥 . (0,75)(12−𝑥) , 𝑝𝑎𝑟𝑎 𝑥 = 0, 1, 2, . . . , 12.
𝑥
▪ Portanto, usando uma tabela binomial obtemos:
P(X ≥ 6) = P(X = 6) + · · · + P(X = 12) ∼= 0,0544.
▪ Adicionalmente, temos que o valor esperado de X fica dado por µ = n × p = 12 ×
0, 25 = 3.
▪ Ou seja, espera-se que o aluno acerte 3 questões.
Definição
▪ Supor que X representa o número de ensaios independentes até a ocorrência do
primeiro sucesso que ocorre com probabilidade p. A função de probabilidade
de X fica dada por:

𝑃 𝑋 = 𝑥 = 𝑝(1 − 𝑝)𝑥−1 , 𝑝𝑎𝑟𝑎 𝑥 = 0, 1, 2, . . . .

▪ Denotamos X ∼ G(p).
▪ É um exemplo de variável aleatória discreta com um número enumerável de
valores.
1
▪ Valor esperado: 𝜇 = 𝐸 𝑋 =
𝑝

1−𝑝 1−𝑝
▪ Variância: 𝛿2 = Var(X)= 2 , 𝑙𝑜𝑔𝑜 𝐷𝑃 𝑋 =
𝑝 𝑝
Aplicação
▪ Num jogo a probabilidade de um jogador ganhar algum prêmio em cada
tentativa é de 0,10. Supondo tentativas independentes, qual a probabilidade do
jogador ganhar algum prêmio antes de 5 tentativas?
▪ Seja X : número de tentativas até a ocorrência do primeiro sucesso (ganhar algum
prêmio). Vamos supor que X ∼ G(0,10). 4
▪ Portanto, queremos saber P(X ≤ 4). 𝑃 𝑋 ≤ 4 = ෍𝑃 𝑋 = 𝑥
𝑥=1

𝑃 𝑋 = 𝑥 = 𝑝(1 − 𝑝)𝑥−1 = 0,10𝑥0,90𝑥−1 𝑝𝑎𝑟𝑎 𝑥 = 1, 2, 3, 4.

▪ Daí obtemos:
P(X ≤ 4) = 0,10 x (0,900 + 0,901 + 0,902 + 0,903)
= 0,10 x (1 + 0,9 + 0,81 + 0,729)
= 0,10 x 3,439 = 0,344 (34,4%)
▪ Enquanto a distribuição binomial pode ser usada para encontrar a probabilidade
de um número designado de sucessos em n tentativas, a distribuição de Poisson é
usada para encontrar a probabilidade de um número designado de sucessos por
unidade de intervalo1.
▪ As outras condições exigidas para se aplicar a distribuição Binomial são também
exigidas para se aplicar a distribuição de Poisson; isto é, (1) deve existir somente
dois resultados mutuamente exclusivos, (2) os eventos devem ser independentes,
e (3) o número médio de sucessos por unidade de intervalo deve permanecer
constante.
▪ A distribuição de Poisson é frequentemente usada em pesquisa operacional na
solução de problemas administrativos.

Importante:
▪ λ é o número médio de sucessos num intervalo específico.
▪ A distribuição de Poisson é também chamada de distribuição dos eventos raros.

▪ Exemplos:
▪ Nº de acidentes numa rodovia num determinado período;
▪ Nº de chamadas telefônicas por minuto;
▪ Nº de pedidos de empréstimo num banco num mês;
▪ Nº de defeitos num tecido por metro quadrado;
▪ Nº de bactérias numa lâmina de microscópio;
▪ Nº de automóveis vendidos numa concessionária num dia.
▪ Nº de bactérias por ml de urina;
▪ Nº de insetos de uma espécie coletados numa armadilha por dia.
Definição
▪ Se X representa o número de ocorrências de um evento no tempo ou no espaço e
se X segue distribuição de Poisson de parâmetro λ, então a função de
probabilidade de X fica dada por:
𝑒 −𝜆 𝜆𝑥
𝑃 𝑋=𝑥 = , 𝑒𝑚 𝑞𝑢𝑒 𝑥 = 0, 1, 2, …
𝑥!
▪ Denotamos X ∼ P(λ).
▪ Temos também aqui uma variável aleatória discreta com um número enumerável
de valores.

▪ Valor esperado: 𝜇=𝐸 𝑋 =𝜆

▪ Variância: 𝛿 2 = Var(X) = 𝜆, 𝑙𝑜𝑔𝑜 𝐷𝑃 𝑋 = 𝜆

Aplicação:
▪ Sabe-se que em média ocorrem 1,5 acidentes por dia numa rodovia. Qual a
probabilidade de ocorrerem dois ou mais acidentes num dia qualquer?
▪ Seja X : número de acidentes num dia na rodovia.
▪ Vamos supor que X ∼ P(1,5).
▪ Temos que P(X ≥ 2) = 1 − P(X=0) − P(X=1), em que

𝑒 −𝜆 𝜆𝑥 𝑒 −1,5 𝜆0 𝑒 −1,5 𝜆1
𝑃 𝑋=𝑥 = 𝑃 𝑋=0 = 𝑃 𝑋=1 =
𝑥! 0! 1!

▪ P(X=0) = e−1,5 = 0,223 e P(X=1) = e−1,5 × 1,5 = 0,335.

▪ Daí obtemos: P(X ≥ 2) = 1 − 0,223 − 0,335 = 0,442.
▪ Podemos usar a distribuição de Poisson como uma aproximação da distribuição
Binomial quando n, o número de tentativas, for grande e p ou 1 – p for pequeno
(eventos raros).
▪ Um bom princípio básico é usar a distribuição de Poisson quando n ≥ 30 e n.p ou
n.(1-p) < 5.
▪ Quando n for grande, pode consumir muito tempo usar a distribuição binomial e
as tabelas para probabilidades binomiais e valores muito pequenos de p podem
não estar disponíveis.
▪ Se n(1-p) < 5, sucesso e fracasso deverão ser redefinidos de modo que np < 5
para tornar a aproximação precisa.

𝑒 −𝜆 𝜆𝑥
𝑃 𝑋=𝑥 = , 𝑒𝑚 𝑞𝑢𝑒 𝜆 = 𝑛𝑝, 𝑥 = 0, 1, 2, … , 𝑛 𝑒 𝑛. 𝑝 < 5.
𝑥!
Poisson Truncada em Zero
▪ Em certos experimentos de contagem não está previsto a ocorrência de zeros, ou
não há interesse em estudar a ocorrência de zeros.
▪ Nesses casos pode ser aplicada a Distribuição de Poisson Truncada em Zero.
▪ Por exemplo, se o interesse é estudar o número de dias de atraso no pagamento
de uma prestação, pode ser de interesse apenas estudar os clientes
inadimplentes.
Poisson com Excesso de Zeros
▪ Em certos experimentos de contagem pode ocorrer um número muito maior de
zeros do que o previsto pela distribuição de contagem.
▪ Por exemplo, se está sendo estudado o número de dias que uma pessoa
consumiu carne; pode haver aqueles que consomem carne mas não consumiram
no período da pesquisa.
▪ Mas também pode haver aqueles que não consomem carne (zero estrutural).
▪ Nesses casos a probabilidade de ocorrer zero é dividida em dois componentes
(um componente referente ao zero estrutural e o outro referente à distribuição
de contagem).
▪ Uma distribuição que pode ser utilizada nesses casos é a Distribuição de Poisson
com Excesso de Zeros.
Binomial Negativa
▪ Em muitos experimentos de contagem, a variância pode ser muito maior do que a
média (fenômeno conhecido como sobredispersão) e assim a distribuição de
Poisson não é recomendada.
▪ Isso ocorre, por exemplo, quando se estuda o número de sinistros/acidentes.
▪ Nesses casos uma distribuição muito utilizada é a Distribuição Binomial Negativa
em que a variância é maior do que a média.
1) Qual é a probabilidade de 3 caras em 5 lançamentos de uma moeda honesta?
2) Qual é a probabilidade de menos que 3 caras em 5 lançamentos de uma moeda
honesta?
3) Suponha que a probabilidade de pais terem um filho(a) com cabelos
loiros seja 1/4. Se houver 6 crianças na família, qual é a probabilidade
de que metade delas terem cabelos loiros?
4) Se a probabilidade de atingir um alvo num único disparo é 0,3; qual é a
probabilidade de que em 4 disparos o alvo seja atingido no mínimo 3 vezes?
5) Um inspetor de qualidade extrai uma amostra de 10 tubos aleatoriamente de
uma carga muito grande de tubos e que se sabe que contém 20% de tubos
defeituosos. Qual é a probabilidade de que não mais do que 2 dos tubos
extraídos sejam defeituosos?
6) Um engenheiro de inspeção extrai uma amostra de 15 itens aleatoriamente de
um processo de fabricação sabido produzir 85% de itens aceitáveis. Qual a
probabilidade de que 10 dos itens extraídos sejam aceitáveis?
1) Um departamento de polícia recebe em média 5 solicitações por hora. Qual a
probabilidade de receber 2 solicitações numa hora selecionada aleatoriamente?
2) A experiência passada indica que um número médio de 6 clientes por
hora, coloca gasolina numa bomba.
a) Qual é a probabilidade de 3 clientes pararem qualquer hora?
b) Qual é a probabilidade de 3 clientes ou menos pararem em qualquer hora?
c) Qual é o valor esperado, a média, e o desvio padrão para esta distribuição?

3) A experiência passada mostra que 1% das lâmpadas incandescentes

produzidas numa fábrica são defeituosas. Encontre a probabilidade de mais
que uma lâmpada numa amostra aleatória de 30 lâmpadas sejam defeituosas.
4) Um processo de produção produz 10 itens defeituosos por hora. Encontre a
probabilidade que 4 ou menos itens sejam defeituosos numa retirada aleatória
por hora.