FUNDAÇÃO UNIVERSIDADE DO ESTADO DO RIO GRANDE DO NORTE - FUERN

FACULDADE DE CIÊNCIAS ECONÔMICAS - FACEM

DEPARTAMENTO DE ECONOMIA – DEC
Fone: (084) 3315-2200 - E-mail: dec@uern.br

Estatística I
Aula 2 – Modelos probabilísticos de V.A.D
Prof. Diego Palmiere Fernandes*
diegofernandes@uern.br

*Graduado em Economia – FACEM|UERN (2010-2015). Mestre em Economia – PPGECON|UFPE (2016-2018).

Doutorando em Economia Aplicada – PPGE|UFPB (2020 – 2024).
 Distribuição de Bernoulli
• Experimento de Bernoulli
– Tem somente dois resultados possíveis: sucesso (se
acontecer o evento que nos interessa) ou fracasso (o
evento não se realiza);
– A probabilidade de sucesso é p e a probabilidade de
fracasso (1-p).

0, fracasso P(0) = 1 - p
Variável aleatória X
1, sucesso P(1) = p

Variável aleatória de Bernoulli. X ~ Ber( p)

Estatística I - Prof. Diego Palmiere | Aula 2 –
2
Modelos probabilísticos de V.A.D
 Distribuição de Bernoulli
• Valor esperado e variância

E( X )  0(1 p) 1( p)  p

V ( X )  p  p 2  p(1p)
Ex 1: Experimento: lançamento de um dado; Sucesso se sair
a face 5.

P( X  0) 5/ 6 E(X )  1/ 6
P( X  1) 1/ 6 V ( X )  (1/ 6)(5 / 6)  5 / 36

Estatística I - Prof. Diego Palmiere | Aula 2 –

3
Modelos probabilísticos de V.A.D
Distribuição binomial
• Experimento binomial
– Consiste de “n” experimentos (ensaios) de
Bernoulli;
– Para cada ensaio existe dois possíveis
resultados: sucesso ou fracasso;
– A probabilidade de sucesso é p. A
probabilidade de fracasso é (1-p);
– Os ensaios são independentes.

Estatística I - Prof. Diego Palmiere | Aula 2 –

4
Modelos probabilísticos de V.A.D
Distribuição binomial
• Experimento binomial
Definimos a variável aleatória X tal que:
X = o número de sucessos num experimento
binomial, ou seja, o número de sucessos
ocorridos em “n” repetições independentes do
experimento de Bernoulli.

Estatística I - Prof. Diego Palmiere | Aula 2 –

5
Modelos probabilísticos de V.A.D
Distribuição binomial
• Ex2: Um dado é lançado 10 vezes, qual a probabilidade
da face 5 sair 4 vezes?
Pensando em algo mais simples:

 Se o dado for lançado 2 vezes, qual a probabilidade de ambos

ensaios resultarem em sucesso?

A é o evento sucesso no primeiro ensaio. P( A)  p  1/ 6

B é o evento sucesso no segundo ensaio. P(B)  p  1/ 6
Como A e B são eventos independentes:

1 1  1 2 1
P( A  B)  P( A)P(B)      
6 6  6 36
Estatística I - Prof. Diego Palmiere | Aula 2 –
6
Modelos probabilísticos de V.A.D
Distribuição binomial
 Se o dado for lançado 10 vezes, qual a probabilidade de obter
sucesso nos 10 ensaios?

1 10
probabilidade 
6

 Qual a probabilidade de 9 sucessos e uma falha?

- Qual a probabilidade de falha no primeiro ensaio e sucesso nos outros nove

ensaios?
9
5 1
probabilidade (FSSSSSSSSS)
6 6

Estatística I - Prof. Diego Palmiere | Aula 2 –

7
Modelos probabilísticos de V.A.D
Distribuição binomial
• Qual a probabilidade de 9 sucessos e uma falha?

5  1 9
probabilidade    (FSSSSSSSSS)
6  6
5  1 9
probabilidade    (SFSSSSSSSS)
6  6
5  1 10 seqüências
9
probabilidade    (SSFSSSSSSS)
6  6

5  1 9
probabilidade    (SSSSSSSSSF)
6  6
Estatística I - Prof. Diego Palmiere | Aula 2 –
8
Modelos probabilísticos de V.A.D
Distribuição binomial
 Qual a probabilidade de 9 sucessos e uma falha?

5  1 9
probabilid ade  10    
6  6

• Ex3: Um dado é lançado 10 vezes, qual a probabilidade

da face 5 sair 4 vezes?
4 6 4 6
10 1 5 1 5
Probabilidade = 4
×
6
×
6
= 210 ×
6
×
6

n  n! 10! 10  9  8 7  6! 5040

   Ck
n
C10     210
k!(n  k)! 4!(10  4)!
4
k  4!6! 24
Estatística I - Prof. Diego Palmiere | Aula 2 –
9
Modelos probabilísticos de V.A.D
Distribuição binomial
Função de probabilidade para uma variável
aleatória binomial:

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

Onde: k = número de sucessos;

n = número de ensaios;
p = probabilidade de sucesso.

X ~ b(n, p)
Estatística I - Prof. Diego Palmiere | Aula 2 –
10
Modelos probabilísticos de V.A.D
Distribuição binomial
Ex4: Uma moeda é lançada 20 vezes. Qual a
probabilidade de saírem 8 caras?

X  0 ,1,2 ,..., 20

n  20 P( X  k )   p k (1 p) nk
 n
k  8 k 
p  1/2
P( X  8)    1   1 1   0,12013
8 12
20
 8  2   2

Estatística I - Prof. Diego Palmiere | Aula 2 –

11
Modelos probabilísticos de V.A.D
 Distribuição Binomial
• Valor esperado e variância

E( X )  np
V ( X )  np(1 p)
Ex5: Um dado é lançado 21 vezes. Seja X o número de vezes
que sai a face 5. Calcule o valor esperado e a variância de X.
1
E(X )  21  3,5
6
1
𝑝= 1 1
6 𝑉 𝑥 = 21 × × 1 − = 2,916667
6 6

Estatística I - Prof. Diego Palmiere | Aula 2 –

12
Modelos probabilísticos de V.A.D
 Distribuição Binomial
Ex6: Partidas de um jogo
Dois adversários A e B disputam uma série de oito partidas de um
determinado jogo. A probabilidade de A ganhar uma partida é 0,6
e não há empate. Qual é a probabilidade de A ganhar a série?

Estatística I - Prof. Diego Palmiere | Aula 2 –

13
Modelos probabilísticos de V.A.D
 Distribuição de Poisson
• Experimento de Poisson
– Consiste em calcular o número de vezes, k, que um
evento ocorre em um dado intervalo. O intervalo pode
ser tempo, área ou volume.

– A probabilidade do evento acontecer é a mesma para

cada intervalo.

– O número de ocorrências em um intervalo é

independente do número de ocorrências em outro
intervalo.

Estatística I - Prof. Diego Palmiere | Aula 2 –

14
Modelos probabilísticos de V.A.D
 Distribuição de Poisson
• A probabilidade de exatas k ocorrências em um intervalo
é:
ek k  0 ,1,2 ,...
P( X  k)  ,
k!
 : número médio de ocorrências por intervalo de unidade.
X ~ Pois()

• Valor esperado e variância

E( X )  

V(X )  
Estatística I - Prof. Diego Palmiere | Aula 2 –
15
Modelos probabilísticos de V.A.D
 Distribuição de Poisson
Ex: Um telefone recebe, em média, cinco chamadas por minuto.
Supondo que a distribuição de Poisson seja adequada nessa
situação, obter a probabilidade de que o telefone não receba
chamadas durante um intervalo de um minuto.

X : Número de chamadas por minuto.

𝐸 𝑋 =5=𝜆
𝑒 −𝜆 𝜆𝑘
𝑃 𝑋=𝑘 =
𝑘!
𝑒 −5 50
𝑃 𝑋=0 = = 𝑒 −5 = 0,0067
0!
Estatística I - Prof. Diego Palmiere | Aula 2 –
16
Modelos probabilísticos de V.A.D
 Distribuição de Poisson
• Qual a probabilidade de obter no máximo duas
chamadas em quatro minutos?
• X : Número de chamadas em quatro minutos.
•   5  4  20
𝑃 𝑋 ≤2 =𝑃 𝑋 =0 + 𝑃 𝑋 =1 +𝑃 𝑋+2 =

Estatística I - Prof. Diego Palmiere | Aula 2 –

17
Modelos probabilísticos de V.A.D
 Distribuição de Poisson
• Para “n” muito grande e um “p” muito pequeno:

 np
n k e (np) k
P( X  k )   p (1 p) nk  , k  0 ,1,2 ,..., n.
k  k!

EX probabilidade de uma lâmpada se queimar ao ser ligada é 1/100.

Numa instalação de 100 lâmpadas, qual a probabilidade de 2 lâmpadas
queimarem ao serem ligadas?

Estatística I - Prof. Diego Palmiere | Aula 2 –

18
Modelos probabilísticos de V.A.D
 Distribuição Hipergeométrica
• Semelhante à binomial exceto que a amostragem
é sem reposição de uma população finita com N
itens.

• Parâmetros:
– N: número de itens na população;
– r: número de sucessos na população;
– n: tamanho da amostra;
– N-r: número de fracassos na população

• X = o número de sucessos na amostra.

Estatística I - Prof. Diego Palmiere | Aula 2 –
19
Modelos probabilísticos de V.A.D
 Distribuição Hipergeométrica
• Função de probabilidade:

 r  N  r 
  
k nk  max(0, n  N  r)  k  min(r, n)
P( X  k)   
 N 
n 
X ~ hip(N , r, n)
• Valor esperado e variância
EX   n 
r
N

V X   n 
r 1  r   N n
 
N  N  N 1
20
 Distribuição Hipergeométrica
Ex: Em uma remessa de dez iPhone 13 Pro, dois estão danificados e oito
estão bons. A recepção de mercadorias da loja Amazon testa uma amostra
de três iPhone 13 Pro aleatoriamente para verificar se estão defeituosos.
Calcule:
a) a probabilidade de ter um iPhone 13 Pro danificado na amostra;
b) a probabilidade de haver ao menos um iPhone 13 Pro danificado.

a)  r  N  r 
  
k nk 
P( X  k)   
 N 
n 
 2 10  2   2!  8! 
     
1 3 1 
P( X  1)      1!(2 1)! 2!(8  2)!  2  28 0,4667
10   10!  120
 
3   3!(10  3)!
Estatística I - Prof. Diego Palmiere | Aula 2 –
21
Modelos probabilísticos de V.A.D
 Distribuição Hipergeométrica
b) a probabilidade de haver ao menos um iPhone 13 Pro danificado.

P( X  1)  P( X  1)  P( X  2) = 𝟎, 𝟒𝟔𝟔𝟕 + 𝟎, 𝟎𝟔𝟔𝟕 = 0,533

P( X  1) = 𝟎, 𝟒𝟔𝟔𝟕
 2 10  2 
   𝑷 𝑿 = 𝟐 =?
2 3 1 
P( X  2)    
18
 0,0667
10  120
3 

Estatística I - Prof. Diego Palmiere | Aula 2 –

22
Modelos probabilísticos de V.A.D
 Distribuição Geométrica
• Descreve o número de ensaios de Bernoulli até que o
primeiro sucesso seja observado.

• A variável aleatória X = o número ensaios de até o

primeiro sucesso.

• Ensaios são independentes e a probabilidade de

sucesso é p.

Estatística I - Prof. Diego Palmiere | Aula 2 –

23
Modelos probabilísticos de V.A.D
 Distribuição Geométrica
• Função de probabilidade

P( X  k )  p(1 p) k 1

• Valor esperado e variância

EX  
1
p

V X  
1 p
p2

Estatística I - Prof. Diego Palmiere | Aula 2 –

24
Modelos probabilísticos de V.A.D
 Distribuição Geométrica
Ex: Por experiência, você sabe que a probabilidade de que você fará uma
venda em qualquer telefone dado é 0,23. Encontre a probabilidade de que
sua primeira venda, em qualquer dia dado, ocorra na quarta ou quinta
ligação.

P( X  k)  p(1 p) k 1

P( X  4)  0,23(0,77)3  0,105003
P( X  5)  0,23(0,77)4  0,080852

P(venda na quarta ou quinta ligação)  0,105003  0,080852  0,186

Estatística I - Prof. Diego Palmiere | Aula 2 –

25
Modelos probabilísticos de V.A.D
Estatística I - Prof. Diego Palmiere | Aula 2 –
26
Modelos probabilísticos de V.A.D
Estatística I - Prof. Diego Palmiere | Aula 2 –
27
Modelos probabilísticos de V.A.D
3.

Estatística I - Prof. Diego Palmiere | Aula 2 –

28
Modelos probabilísticos de V.A.D
Estatística I - Prof. Diego Palmiere | Aula 2 –
29
Modelos probabilísticos de V.A.D