Distribuições discretas de probabilidade

Prof. Eder Joacir de Lima

professorederlima.blogspot.com
 Introdução
Vamos estudar agora modelos teóricos de distribuição
de probabilidades, aos quais o experimento aleatório
estudado possa ser adaptado, o que permitirá a
solução de um grande numero de problemas práticos;
 Distribuições Contínuas e Discretas

Há dois tipos de distribuição de probabilidade:

1. Distribuições Discretas: Quando a variável que
está sendo medida só pode assumir certos
valores, como por exemplo os valores inteiros: 0,
1, 2, etc.
2. Distribuições Contínuas: Quando a variável que
está sendo medida é expressa em uma escala
contínua, como no caso de uma característica
dimensional.
Exemplos
Exemplos
 Distribuições Discretas

• Distribuição Binomial

• Distribuição de Poisson

• Distribuição Geométrica
 Distribuição Binomial
• A distribuição binomial é adequada para descrever
situações em que os resultados de uma variável
aleatória podem ser agrupados em apenas duas classes
ou categorias.
• As categorias devem ser mutuamente excludentes, de
forma que não haja dúvidas na classificação do
resultado da variável nas categorias e coletivamente
exaustivas, de forma que não seja possível nenhum
outro resultado diferente das categorias.
• Por exemplo, um produto manufaturado pode ser
classificado como perfeito ou defeituoso, a resposta de
um questionário pode ser verdadeira ou falsa, as
chamadas telefônicas podem ser locais ou
interurbanas.
 Distribuição Binomial
• Mesmo variáveis contínuas podem ser divididas em
duas categorias, como por exemplo, a velocidade
de um automóvel pode ser classificada como
dentro ou fora do limite legal.
• Geralmente, denomina-se as duas categorias como
sucesso ou falha. Como as duas categorias são
mutuamente excludentes e coletivamente
exaustivas:
P
(s
uce
ss
o)P
(f
alh
a)1
• Conseqüentemente, sabendo-se que, por exemplo,
a probabilidade de sucesso é P(sucesso) = 0,6, a
probabilidade de falha é P(falha) = 1-0,6 = 0,4.
 Distribuição Binomial

• Condições de aplicação:
• são feitas n repetições do experimento, onde n é
uma constante;
• há apenas dois resultados possíveis em cada
repetição, denominados sucesso e falha
• a probabilidade de sucesso (p) e de falha (1- p)
permanecem constante em todas as repetições;
• as repetições são independentes, ou seja, o
resultado de uma repetição não é influenciado por
outros resultados.
 Distribuição Binomial
Seja um processo composto de uma seqüência de n
observações independentes com probabilidade de sucesso
constante igual a p, a distribuição do número de sucessos
seguirá o modelo Binomial:

P( x)   
n
x p x (1  p)n  x x = 0,1,....,n

onde   representa o número de combinações de n objetos

x
n

tomados x de cada vez, calculado como:


n
x 
n!
x!( n  x)!
 Exemplo 1

Uma moeda é lançado 5 vezes, qual a

probabilidade de saírem 3 caras?
P( x)  
n
x p x (1  p)n  x

P( x)   p (1  p)
n
x
x n x
temos : n  5, x  3, p 
1
2


3
5 1 1 53
P (3)  3 (1  )
2 2
1 1 1 10
P (3)  10. 3 . 2  10. 5   0,3125ou 31,25%
2 2 2 32
 Exemplo 2

Uma moeda é lançado 8 vezes, qual a probabilidade de

saírem no máximo 3 caras?
P( x)   n
x p x (1  p)n  x

P ( x  3)  p x  0   p x  1  p x  2   p x  3

   
0 8 1 7 2 6 3 6
1 1 1 1 1 1 1 1
P ( x  3)  C 8
0 .  C 18 .  C 28 .  C 38 .
2 2 2 2 2 2 2 2
8 8 8 8
1 1 1 1
P ( x  3)   8.  28.  56.
2 2 2 2
1 8 28 56 93
P ( x  3)  8  8  8  8   0,3632ou 36,32%
2 2 2 2 256
 P(x)
0,35
0,3
0,25
0,2
0,15
0,1
0,05
0
0 1 2 3 4 5 6 7
P(x)
Distribuição de Poisson
Distribuição de Poisson
Distribuição de Poisson
 Distribuição de Poisson
• Exemplo:
Suponhamos que a Receita Federal tenha informações
que o numero médio de declarações preenchidas com
fraude seja de 2 a cada 1000 declarações. Através da
distribuição de Poisson calcule as seguintes
probabiliades:
a) De 2 declarações preenchidas com fraudes.
b) De menos de duas declarações preenchidas com
fraude.
 Distribuição de Poisson
• Resolução:
a) = 2 x=2 e 2  0,1353
0,1353.2 2 0,5412
P ( 2)    0,2706  27,06%
2! 2
b) P(<2) = P(0) + P(1)
0,1353.20 0,1353
P ( 0)    0,1353  13,53%
0! 1
0,1353.21 0,1353.2
P (1)    0,2706  27,06%
1! 1
P (0)  P (1)  13,53  27,06  40,59%
Distribuição Geométrica
Exemplo