Capítulo 7

Modelos probabilísticos para variáveis aleatórias

discretas

Algumas variáveis aleatórias adaptam-se muito bem a uma série de problemas

práticos. Portanto, esse estudo é muito importante para a construção de modelos
probabilísticos para situações reais e estimação de seus parâmetros. Para algumas dessas
distribuições existem tabelas que facilitam o cálculo de probabilidades, em função de seus
parâmetros.

7.1 Distribuição Uniforme Discreta X ~ Ud(k)

Este é o caso mais simples de v.a discreta, em que cada valor possível ocorre com a
mesma probabilidade.
Definição: A v.a discreta X, assumindo os valores x1, ..., xk, tem distribuição uniforme se, e
somente se,
1
𝑃(𝑋 = 𝑥𝑖 ) = 𝑝(𝑥𝑖 ) = 𝑝 = 𝑘, (1)
Para todo i = 1, 2, ..., k.
A esperança de X é
1
𝐸(𝑥) = 𝑘 ∑𝑘𝑖=1 𝑥𝑖 (2)
Sua variância é dada por
2
1 (∑𝑘
𝑖=1 𝑥𝑖 )
𝑉𝑎𝑟(𝑥) = 𝑘 [∑𝑘𝑖=1 𝑥𝑖 2 − 𝑘
] (3)

Exemplo1: Seja X a v.a que indica o “número de pontos marcados na face superior de um
dado”, quando ele é lançado. Obtemos a distribuição de X.
X 1 2 3 4 5 6 Total
p(x) 1/6 1/6 1/6 1/6 1/6 1/6 1
 𝑘
1 1
𝐸(𝑋) = ∑ 𝑥𝑖 = . (1 + 2 + 3 + 4 + 5 + 6) = 21/6 = 3,5
𝑘 6
𝑖=1

2
1 (∑𝑘
𝑖=1 𝑥𝑖 ) 1 (1+2+3+4+5+6)2
𝑉𝑎𝑟(𝑥) = 𝑘 [∑𝑘𝑖=1 𝑥𝑖 2 − 𝑘
] = 6 [(1² + 2² + 3² + 4² + 5² + 6²) − 6
] = 2,9

7.2 Distribuição de Bernoulli X ~ Ber(p)

Consideremos uma única tentativa de um experimento aleatório. Podemos ter

sucesso ou fracasso nessa tentativa. Seja p a probabilidade de sucesso e q a probabilidade
de fracasso, com p + q = 1.
Seja X o número de sucessos em uma única tentativa do experimento. X assume o
valor 0 que corresponde ao fracasso, com probabilidade q, ou o valor 1, que corresponde ao
sucesso, com probabilidade p. X tem distribuição Bernoulli.

0→ 𝑞
𝑋={ → 𝑃(𝑋 = 𝑥) = 𝑝 𝑥 𝑞1−𝑥 (4)
1→ 𝑝
𝐸(𝑋) = 𝑝 (5)
𝑉𝑎𝑟(𝑋) = 𝑝𝑞 (6)

Exemplo2: Uma urna tem 30 bolas brancas e 20 verdes. Retira-se uma bola dessa urna.
Seja X o número de bolas verdes, calcular E(X) e Var(X) e determinar P(X).

30 3
`0 → 𝑞 = = 2 𝑥 3 1−𝑥
𝑋={ 50 5 ∴ 𝑃(𝑋 = 𝑥) = ( ) . ( )
20 2 5 5
1→ 𝑝 = =
50 5
2 2 3 6
𝐸(𝑋) = 𝑝 = 𝑒 𝑉𝑎𝑟(𝑋) = 𝑝. 𝑞 = . =
5 5 5 25

7.3 Distribuição Binomial X ~ Bin(n, p)

Se repetirmos um ensaio de Bernoulli n vezes, obtemos uma amostra de tamanho n
de uma distribuição de Bernoulli. Suponha ainda que as repetições sejam independentes,
isto é, o resultado de um ensaio não tem influência nenhuma no resultado de qualquer outro
ensaio. Uma amostra particular será constituída de uma sequência de sucessos e fracassos.
 Seja X número de sucessos em n tentativas. Determinaremos a função de
probabilidades da variável X, isto é, P(X = x). Um resultado particular (RP).
𝑆𝑆𝑆. . . 𝑆 ⏟
⏟ 𝐹𝐹𝐹. . . 𝐹 ,
𝑥 𝑛−𝑥

𝐿𝑜𝑔𝑜, 𝑃(𝑅𝑃) = 𝑃(𝑆𝑆𝑆. . . 𝑆𝐹𝐹𝐹. . . 𝐹) = ⏟ 𝑞 × 𝑞. . . 𝑞 = 𝑝𝑘 𝑞𝑛−𝑥

𝑝 × 𝑝. . . 𝑝 × ⏟
𝑥 𝑛−𝑥

Considerando todas as n-uplas com x sucessos, temos:

𝑛 𝑛!
𝑃(𝑋 = 𝑥) = ( ) 𝑝 𝑥 𝑞𝑛−𝑥 = 𝑥!(𝑛−𝑥)! 𝑝 𝑥 𝑞 𝑛−𝑥 (7)
𝑥
Com esperança dada por
E(X) = n . p (8)
E variância
Var(X) = n . p . q (9)

Exemplo3: Uma moeda é lançada 20 vezes. Qual a probabilidade de saírem 8 caras? Qual a
esperança e variância?

X: Número de sucessos (caras)

X = 0, 1, 2, ..., 20 com probabilidade p = 1/2, portanto X ~ Bin(20, 1/2)

8
𝑛 20 1 1 20−8
𝑃(𝑋 = 𝑥) = ( ) 𝑝 𝑥 𝑞𝑛−𝑥 = 𝑃(𝑋 = 8) = ( ) ( ) ( ) = 0,12
𝑥 8 2 2
E(X) = 20 . 1/2 = 10
Var(X) = 20 . 1/2 . 1/2 = 5

Exemplo4: Se 20% dos parafusos produzidos por uma máquina são defeituosos, determine
a probabilidade de que, em 4 parafusos escolhidos aleatoriamente.
A probabilidade de um parafuso ser defeituoso é p = 0,2 e q = 0,8 de não ser
defeituoso. Seja X o número de parafusos defeituosos.
a) Um parafuso ser defeituoso
4
𝑃(𝑋 = 1) = ( ) (0,2)1 (0,8)3 = 0,4096
1
b) Nenhum parafuso ser defeituoso
4
𝑃(𝑋 = 0) = ( ) (0,2)0 (0,8)4 = 0,4096
0
c) Menos de 2 parafusos sejam defeituosos
 𝑃(𝑋 < 2) = 𝑃(𝑋 = 0) + 𝑃(𝑋 = 1) = 0,4096 + 0,4096 = 0,8192
d) E(X)
E(X) = 4 . 0,2 = 0,8
e) V(X)
Var(X) = 4 . 0,2 . 0,8 = 0,64
Exemplo5 ANPEC 2017 - Q1: Suponha que as vendas (Q) do produto X são
aleatoriamente distribuídas na economia e possuem uma distribuição binomial com
parâmetro p (preço), sendo n o número de vendas observado, então:

Ⓞ A esperança matemática de Q é E(Q) = n(1-p); Falso

① A média das vendas é dada por E(Q) = np; Verdadeiro
② A variância das vendas por Q ou V(Q) = np(1-p); Verdadeiro
③ O preço que maximiza a variância é p = ½; Verdadeiro
Aplicando a condição necessária em V(Q) = np – np²
V’(Q) = n – 2np = 0
p=½
Utilizando a condição de segunda ordem em V’(Q) = n – 2np
V’’(Q) = – 2n < 0
Como n é positivo a segunda derivada é negativa, confirmando que p maximiza a
variância.
④ O preço está no intervalo 0 e 1. Verdadeiro

7.4 Distribuição Poisson X ~ Poisson(λ)

Consideremos a probabilidade de ocorrência de sucessos em um determinado
intervalo. A probabilidade da ocorrência de um sucesso no intervalo é proporcional ao
intervalo. A probabilidade de ais de um sucesso nesse intervalo é bastante pequena com
relação à probabilidade de um sucesso.
Seja X o número de sucessos no intervalo, então:
𝑒 −𝜆𝑡 .(𝜆𝑡)𝑘
𝑃(𝑋 = 𝑘) = 𝑘!
(10)
Onde λ é a média, uma constante positiva dada.
A variável X assim definida tem distribuição de Poisson.
A distribuição de Poisson é muito usada na distribuição do número de:
1. Carros que passam por um cruzamento por minuto, durante certa hora do dia;
2. Erros tipográficos por página, em um material impresso;
 3. Defeitos por unidade (m², m³, m etc.) por peça fabricada;
4. Mortes por ataque de coração por ano, numa cidade;
5. Problemas de filas de espera em geral.
A esperança e variância são iguais
E(X) = Var(X) = λ (11)
Exemplo6: Numa central telefônica chegam 300 telefonemas por hora. Qual a
probabilidade de que:
a) Num minuto não haja nenhum chamado?
X: número de chamadas por minuto, λ = 300/60 = 5 telefonemas/minuto
𝑒 −5×1 . (5 × 1)0
𝑃(𝑋 = 0) = = 0,0067
0!

b) Em 2 minutos haja 2 chamados?

2 minutos λ = 10
𝑒 −5×2 . (5 × 2)2
𝑃(𝑋 = 2) = = 0,0023
2!
c) Em t minutos não haja chamados?
𝑒 −5𝑡 . (5𝑡)0
𝑃(𝑋 = 0) = = 𝑒 −5𝑡
0!
Exemplo7 ANPEC 2012 - Q15: Suponha que o número de vezes durante um ano que um
indivíduo pega uma gripe seja modelado por uma variável aleatória com distribuição de
Poisson com esperança igual a 4. Adicionalmente, suponha que uma nova droga baseada na
vitamina C reduza a esperança para 2, para 80% da população (e que a variável aleatória
ainda siga uma distribuição de Poisson), mas que não tenha nenhum efeito para os 20%
restantes. Julgue as seguintes afirmativas:

Ⓞ A probabilidade de um indivíduo que toma a nova droga, e é parte da população que se

beneficia dela, pegar duas gripes em um ano é 8𝑒 −4. Falso

𝜆𝑘 𝑒 −𝜆 22 𝑒 −2
𝑃(𝑋 = 𝑘) = ⇒ 𝜆 = 2; 𝑃(𝑋 = 2) = = 2𝑒 −2
𝑘! 2!
① A probabilidade de um indivíduo que não se beneficia da nova droga pegar duas gripes

em um ano é 2𝑒 −2 . Falso
42 𝑒 −4
𝜆 = 4; 𝑃(𝑋 = 2) = = 8𝑒 −4
2!
② A probabilidade de um indivíduo que não se beneficia da nova droga pegar no máximo

duas gripes em um ano é 13𝑒 −4. Verdadeiro

𝜆=4
𝑃(𝑋 ≤ 2) = 𝑃(𝑋 = 0) + 𝑃(𝑋 = 1) + 𝑃(𝑋 = 2)
40 𝑒 −4
𝑃(𝑋 = 0) = = 𝑒 −4
0!
41 𝑒 −4
𝑃(𝑋 = 1) = = 4𝑒 −4
1!
42 𝑒 −4
𝑃(𝑋 = 2) = = 8𝑒 −4
2!
𝑃(𝑋 ≤ 2) = 𝑒 −4 + 4𝑒 −4 + 8𝑒 −4 = 13𝑒 −4

③ A probabilidade de um indivíduo que toma a nova droga, selecionado aleatoriamente na

população, pegar duas gripes em um ano é 1,6(𝑒 −2 + 𝑒 −4 ). Verdadeiro

𝑃(𝑋 = 2) = 0,8(2𝑒 −2 ) + 0,2(8𝑒 −4 ) = 1,6(𝑒 −2 + 𝑒 −4 )

7.5 Distribuição Geométrica X ~ Geo (p)

Considere uma sequência de ensaios de Bernoulli independentes. Defina X como o
número de fracassos anteriores ao primeiro sucesso ou, em outras palavras, o tempo de
espera (em termos de ensaios anteriores) para o primeiro sucesso.
A variável X segue o modelo Geométrico com parâmetro p, 0 < p < 1, e tem função
de probabilidade dada por:
𝑃(𝑋 = 𝑥) = 𝑝𝑞 𝑥 = 𝑝(1 − 𝑝) 𝑥 (12)
E(X) = q/p (13)
Var(X) = q/p² (14)
Verifique que nesse caso podemos ter sucesso já no primeiro ensaio de Bernoulli.
Também pode ser parametrizado como
𝑃(𝑋 = 𝑥) = 𝑝𝑞 𝑥−1 = 𝑝(1 − 𝑝)𝑥−1 (15)
Nessa parametrização não é possível ter o zero. Existindo uma pequena alteração no
cálculo da esperança, porém com a mesma variância da equação (14)
E(X) = 1/p (16)
Exemplo8: Uma linha de fabricação de um equipamento de precisão é interrompida na
primeira ocorrência de um defeito. A partir da manutenção, o equipamento de
probabilidade de 0,01 de apresentar defeito em um dia qualquer. Deseja-se planejar o
cronograma de manutenção preventiva e, para tal, decidiu-se avaliar probabilisticamente a
espera até a produção ser interrompida. Seja X a variável aleatória que conta o número de
dias que antecedem a interrupção. Admitindo que o desempenho, nos sucessivos dias, seja
independente, temos que X ~ Geo (0,01).
a) Obtenha sua função de distribuição
𝑃(𝑋 = 𝑥) = 𝑝(1 − 𝑝)𝑥 = 0,01 × 0,99𝑥
b) A probabilidade de interrupção no sexto dia?
𝑃(𝑋 = 5) = 0,01 × 0,995 = 0,0095
c) Qual o intervalo ideal de manutenção preventiva, se desejar uma probabilidade de,
pelo menos, 0,90 de que o defeito não ocorra?
É necessário acumular uma probabilidade de defeito próxima de 0,10.
𝑃(𝑋 ≤ 𝑥) ≅ 0,10
𝑃(𝑋 ≤ 𝑥) = 𝑃(𝑋 = 0) + 𝑃(𝑋 = 1)+. . . +𝑃(𝑋 = 𝑥) ≅ 0,10
Com o uso de uma calculadora, faremos a probabilidade acumulada de x = 1,
x = 2,... até resultar em 0,10. Nesse caso, chegamos ao resultado de x = 9 dias.
𝑃(𝑋 ≤ 9) = 0,0956
Dessa forma, teremos probabilidade de 0,9044 de um defeito não ocorrer entre as
manutenções.
Exemplo9 ANPEC 2018 – Q3: Considere um indivíduo procurando emprego. Para cada
entrevista de emprego (X) esse indivíduo tem um custo linear (C) de 10,00 Reais. Suponha
que a probabilidade de sucesso em uma entrevista qualquer seja de 0,2. Suponha também
que as entrevistas sejam independentes, e que o indivíduo continue fazendo entrevistas até
que tenha o primeiro resultado de sucesso. Calcule o custo esperado em Reais desse
processo de busca até alcançar o primeiro sucesso. Assuma que X segue uma distribuição
geométrica.
X ~ Geo (0,2)
Sua esperança é E(X) = 1/0,2 = 5, portanto o indivíduo precisa, em média, de 5
entrevistas para o primeiro sucesso de emprego.
Como o custo é linear C = 10X = 10.5 = 50 Reais.
Exemplo10 ANPEC 2017 – Q3: São corretas as afirmativas:

Ⓞ Se X é uma variável aleatória com distribuição Binomial com parâmetros n e p, em que

n é um inteiro positivo e 0<p<1, então E(X) = np e Var(X) = p(1-p). Falso
① Seja X uma variável aleatória com distribuição de Poisson. Se E(X) = λ , então a
variância de X é λ. . Verdadeiro
② Se X é uma variável aleatória uniformemente distribuída em [-c,c], em que c > 0, então
E(X) = 0. Verdadeiro
③ Seja X uma variável aleatória com distribuição de probabilidade P(X=k) = p(1-p)k-1, em
que 0<p<1 e k =1,2,... . Então E(X)=kp. Falso
④ Seja X uma variável aleatória com distribuição de probabilidade P(X=k) = p(1-p)k-1, em
1−𝑝
que 0<p<1 e k =1,2,.... Então a variância de X é 𝑝2
. Verdadeiro