• Modelos discretos

-Binomial
-Poisson

Fonte: MORETTIN, L.G. Estatística Básica. Volume único. Probabilidade e Inferência. Pearson, 2010
 Exemplos de distribuições teóricas
de probabilidades

1. Modelos discretos

a) Distribuição Binomial

b) Distribuição de Poisson

2. Modelo contínuo

a) Distribuição Normal
 Distribuição Binomial
Um exemplo de modelo probabilístico envolvendo variáveis aleatórias discretas é:

• Um administrador de empresas obteve a informação de que, em um lote de

100 peças, 10 estão com defeito (ou seja, 10/100 ou 10% das peças

produzidas são defeituosas). Se esse administrador selecionar

aleatoriamente 10 peças, qual a probabilidade de que exatamente 8 sejam

defeituosas?

Problemas dessa natureza são resolvidos pela aplicação da distribuição binomial.

 Distribuição Binomial
Fórmula:
 n  k nk n! k nk
P(k )    p q  P(k )  . p .q
k  (n  k )!k!
• n = número de provas ou tentativas
• k = número de ocorrências (sucessos) em n provas ou tentativas
• p = probabilidade de o evento OCORRER (sucesso) em qualquer prova
(quando estiver em porcentagem, p deverá ser expresso em decimais ou em
fração)
• q = probabilidade do evento NÃO OCORRER (fracasso) em qualquer prova (q
= 1 – p)

• indicação: a variável X tem distribuição binomial com parâmetros n e p, ou

seja, X: B(n,p)
• E(X) = n.p e VAR(X)= n.p.q
 Exemplos: Distribuição Binomial
1. Uma empresa automobilística deseja analisar o funcionamento de
uma válvula de motor. O gerente de produção obteve a informação de
que essa válvula tem a probabilidade de 40% de chance de funcionar
por mais de 800 horas. O gerente resolve testar um lote de 10 válvulas.
Qual a probabilidade de que exatamente 4 válvulas funcionem por
mais de 800 horas?

Resolução:
n = 10 (número total de válvulas)
k = 4 (número para o qual queremos encontrar a probabilidade)
p = 40% / 100 = 0,4 (ocorrer ou sucesso)
q = 60% / 100 = 0,6 (ou q = 1 – 0,4, não ocorrer ou fracasso)
 Exemplo 1: Distribuição Binomial
n! k n  k
P(k )  . p .q P(k) = 0,2508
(n  k )!k!
P(k) = 0,2508 . 100 =
10! 25,08%
P(k )  .0,44.0,6104
(10  4)!.4! Então existem
25,08% de chances
das 4 válvulas
10.9.8.7.6! 4 6 funcionarem por mais
P(k )  .0,4 .0,6
6!.4.3.2.1 de 800 horas.

10.9.8.7
P(k )  .0,012
4.3.2.1
 Exemplos: Distribuição Binomial
2. Dois times jogam entre si 6 vezes. A probabilidade do time A
vencer é de 1/3. Encontre a probabilidade do time A ganhar 4
jogos.
Resolução:
n = 6 jogos
k=4
1 1 2
p q  1 p  1 
3 3 3

4 6 4
6! 1  2 6.5.4! 1  2 2 6.5 1 4 30 1 4 120
P( k  4)  .  .   . .   . .  . .   0,0823
(6  4)!4!  3   3  2!.4! 81  3  2.1 81 9 2 81 9 1458
 Distribuição de Poisson

Características:
• consideraremos a probabilidade de ocorrência de sucessos em certo
intervalo
• a probabilidade da ocorrência de um sucesso no intervalo é proporcional
ao intervalo
• a probabilidade de mais de um sucesso nesse intervalo é bastante
pequena com relação à probabilidade de um sucesso.
 k
• sendo X o número de sucessos no intervalo, tem-se P( X  k )  e  onde
λ é a média de ocorrências no intervalo desejado. k!

• E(X) = λ
• Para resolver um exercício desta distribuição, temos que:
a) determinar λ, ou seja, a média esperada dentro do intervalo indicado
no exercício
b) determinar k (número de ocorrências desejadas no intervalo)
 Distribuição de Poisson

• Aplicações na distribuição do número de:

- carros que passam por um cruzamento por minuto,

durante certa hora do dia

- erros tipográficos por página em um material impresso

- atendimento a clientes por um determinado tempo

- mortes de ataque de coração por ano em uma cidade





Exemplos: Distribuição de Poisson

1. Uma indústria ao produzir seu material possui 20% de defeitos por
peça, calcule a probabilidade de uma peça qualquer apresentar:
a) zero defeito? e0,2 .(0,2)0
P( X  0)   0,8187
Solução: λ = 0,2, k = 0 0!

b) um defeito? e0,2 .(0,2)1

P( X  1)   0,1637
Solução: λ = 0,2, k = 1 1!

c) no máximo um defeito?
Solução: =0,2, k ≤ 1 ou seja, k = 0 e k = 1
e 0,2 .(0,2)0 e 0,2 .(0,2)1
P( X  1)    0,8187  0,0164  0,8351
0! 1!
 Exemplo 1: Distribuição de Poisson

d) pelo menos um defeito?

Solução: =0,2, k 1 ou seja, k=1, k=2, ..., k= n

Assim podem acontecer um ou mais defeitos, o que não pode

acontecer é nenhum defeito. Dessa forma podemos considerar k
1 como 100% ou ainda 1, daí fazer 100% menos o que não pode
ocorrer P(0).

e 0,2 .(0,2)0
P (k  1)  1  P(0)  1   1  0,8187  0,1813
0!
 Exemplos: Distribuição de Poisson
2. Uma firma recebe 720 mensagens em seu fax em 8 horas de
funcionamento. Qual a probabilidade de que:
Solução: 720msg em 8h
90msg em 1h
1,5msg em 1min
a) em 4 minutos não receba mensagem? 6 0
e .6
K = 0, λ = 1,5 . 4 = 6 msg/4min P(k  1)   0,0025
0!

b) em 6 minutos receba pelo menos 4 mensagens?

λ = 1,5 . 6 = 9 msg/6min.
k ≥ 4, ou seja, k = 4, k = 5, ..., k = n. O que não pode acontecer é menos
de 4 mensagens, ou seja, k = 0, k = 1, k = 2, k = 3. Assim fazer:
 e9 .90 e9 .91 e9 .92 e9 .93 
P(k  4)  1        0,9788
 0! 1! 2! 3! 

 Aproximação da Distribuição Binomial
pela Distribuição de Poisson

No uso da Binomial, quando n→∞ (maior que o maior valor

tabelado, no caso, n>30) e p → 0 (p < 0,1), é possível fazer uma
aproximação da Binomial pela distribuição de Poisson.

Neste caso, E(X)=n.p será tomada como λ = n.p e, em seguida,

utiliza-se a fórmula de Poisson.

 Exercício:
Aproximação da Binomial por Poisson

Seja X: B(200; 0,01). Calcular P(X=10):

a) pela Binomial Resp: 0,000033

b) por aproximação por Poisson Resp: 0,000038