1

UNIVERSIDADE FEDERAL DE LAVRAS

DEPARTAMENTO DE ESTATÍSTICA

Disciplina: GES104 – Estatística aplicada à Engenharia

Docente responsável: Camilla Marques Barroso

DISTRIBUIÇÕES DISCRETAS

1 Introdução

Muitos sistemas físicos podem ser modelados pelos mesmos experimentos aleatórios e variáveis aleató-
rias. Nesse capítulo, apresentaremos a análise de vários experimentos aleatórios e variáveis aleatórias discretas,
que frequentemente aparecem em aplicações.

Exemplo 1. Um sistema de comunicação por voz de uma empresa comercial contém 48 linhas externas. Seja
a variável aleatória X o número de linhas em uso. Então, X pode assumir qualquer um dos valores inteiros de
0 a 48,

X = {0, 1, 2, ..., 48}.

2 Distribuições de probabilidade e funções de probabilidade

A distribuição de probabilidades de uma variável aleatória X é uma descrição das probabilidades as-
sociadas aos valores possíveis de X. Em alguns casos, é conveniente expressar a probabilidade em termos de
uma fórmula.

Definição 1. Para uma variável aleatória discreta X, com valores possíveis x1 , x2 , ..., xn , a função de proba-
bilidade é uma função tal que:

i. f (xi ) = P (X = xi );
Xn
ii. f (xi ) = 1;
i=1
iii. f (xi ) ≥ 0.

No lançamento de uma moeda o espaço amostral é dado por Ω = {Cara, Coroa}. Vimos na aula de
Teoria da probabilidade que podemos associar números aos pontos do espaço amostral, definindo uma função
sobre os elementos desse espaço. Essas funções dos pontos são as variáveis aleatórias.

Podemos considerar, por exemplo, a variável aleatória X como o número de caras. Assim, no lança-
mento de uma moeda X pode assumir os valores 0 ou 1, isto é,

X = {0, 1} em que x1 = 0 e x2 = 1.

Resumidamente, a função de probabilidade é uma função (fórmula) que retorna as probabilidades as-
sociadas aos possíveis valores de X.
2

Qual a probabilidade de X ser igual a 1, ou seja, qual a probabilidade de sair "cara"?

Qual a probabilidade de X ser igual a 0, ou seja, qual a probabilidade de sair "coroa"?

As propriedades descritas na Definição 1 nos dizem que:

(i) a função de um determinado valor da variável aleatória representa a probabilidade de ocorrência

desse valor no experimento. No caso do lançamento de uma moeda, f (0) representa a probabilidade de X = 0,
1
ou seja, a probabilidade de sair "caroa", que considerando uma moeda honesta, é igual a .
2
(ii) a soma das probabilidades associadas à todos os valores da variável aleatória X é igual a 1, ou seja,
1 1
f (0) + f (1) = + = 1. A probabilidade de sair "cara"mais a probabilidade de sair "coroa"é 1.
2 2
(iii) todo valor da variável aleatória tem uma probabilidade nula ou positiva, ou seja, em cada lança-
mento da moeda, existe uma probabilidade associada à variável aleatória X, existe uma probabilidade de sair
"cara"ou "coroa".
2x + 1
Exemplo 2. Suponha que a função de probabilidade de uma variável aleatória X é dada por f (x) =
25
em que x = 0, 1, 2, 3, 4. Podemos, por exemplo, calcular as probabilidades a seguir:
2×4+1
a. P (X = 4) = f (4) = = 0.36 = 36%
25
2×2+1 2×3+1
b. P (2 ≤ X < 4) = f (2) + f (3) = + = 0.20 + 0.28 = 0.48 = 48%
25 25
2×0+1 2×1+1
c. P (X ≤ 1) = f (0) + f (1) = + = 0.04 + 0.12 = 0.16 = 16%
25 25
d. P (X > −10) = f (0) + f (1) + f (2) + f (3) + f (4) = 1 = 100%

3 Média e variância de uma variável aleatória discreta

A média e a variância são duas medidas frequentemente usadas para resumir uma distribuição de pro-
babilidades para uma variável aleatória X.

Definição 2. A média ou valor esperado de uma variável aleatória discreta X, denotada(o) por µ ou E(X), é
X
µ = E(X) = xf (x)
x

A variância de X, denotada por σ 2 ou V (X) é

X
σ 2 = V (X) = x2 f (x) − µ2
x
√
O desvio padrão de X, denotado por σ, é a raiz quadrada da variância, ou seja, σ = σ2.

Exemplo 3. Considere os dados do Exemplo 2. A média é dada por

X
µ = E[X] = xf (x) = 0 × f (0) + 1 × f (1) + ... + 4 × f (4) = 0 × 0.04 + 1 × 0.12 + ... + 4 × 0.36 = 2, 8
x

A variância é dada por

X
σ 2 = V (X) = x2 f (x) − µ2 = [02 × f (0) + 12 × f (1) + ... + 42 × f (4)] − 2.82 = 1.36
x
 3

4 Distribuições discretas de probabilidade

4.1 Distribuição discreta Uniforme

A variável aleatória mais simples é aquela que assume somente um número finito de valores possíveis,
cada um com igual probabilidade.

Definição 3. Uma variável aleatória X tem distribuição discreta uniforme se cada um dos n valores em sua
faixa, isto é, x1 , x2 , ..., xn , tiver igual probabilidade. Então,

1
f (x) = x = 1, 2, ..., n
n
Exemplo 4. O primeiro dígito de um número serial de uma peça é igualmente provável de ser qualquer um
dos dígitos de 0 a 9. Se uma peça for selecionada de uma grande batelada e X for o primeiro dígito do número
serial, então X terá uma distribuição discreta uniforme, com probabilidade igual a 0,1 para cada valor, isto é,
1
f (x) = = 0, 1
10
Definição 4. Suponha que X seja uma variável aleatória discreta uniforme sobre os inteiros consecutivos
a, a + 1, a + 2, ..., b, para a ≤ b. A média e a variância de X são dadas, respectivamente, por:

b+a (b − a + 1)2 − 1
µ = E(X) = e σ2 =
2 12
Exemplo 5. No Exemplo 1 seja a variável aleatória X o número das 48 linhas telefônicas que estão em uso
certo tempo. Considere que X seja uma variável aleatória discreta uniforme, com uma faixa de 0 a 48. Então

0 + 48 (48 − 0 + 1)2 − 1
µ = E(X) = = 24 e σ2 = = 200
2 12
O desvio padrão é
√
σ= 200 ' 14, 14

O número médio de linhas em uso é 24, mas a dispersão (medida por σ) é grande. Portanto, muitas vezes,
muito mais ou muito menos de 24 linhas estão em uso.

4.2 Distribuição Binomial

Esta importante distribuição é aplicada em casos de experimentos repetidos, onde existem dois possí-
veis resultados a cada tentativa, por exemplo, cara ou coroa, item defeituoso ou item não-defeituoso, acertou
ou errou, entre outros.
O resultado de cada tentativa satisfaz ou não o critério que a variável aleatória X considera. Conse-
quentemente, cada tentativa pode ser resumida como um "sucesso"ou "fracasso", respectivamente. Os termos
"sucesso"ou "fracasso"são apenas designações. Se, por exemplo, X contar o número de itens defeituosos, a
produção de um item defeituoso é chamada de "sucesso".
4

Exemplo 6. Considere o lançamento de três moedas e a variável aleatória X o número de "caras"nos três
lançamentos.

Figura 4.1 – Diagrama de árvore do lançamento de três moedas

A variável aleatória X, que representa o número de caras, pode assumir os valores X = {0, 1, 2, 3}.
De acordo com o diagrama de árvores apresentado na Figura 4.1 existem oito resultados possíveis.

Ω = (Ca, Co, Co), (Ca, Ca, Ca), (Ca, Ca, Co), (Ca, Co, Ca),
(Co, Ca, Ca), (Co, Ca, Co), (Co, Co, Ca), (Co, Co, Co)

Para calcular a probabilidade de encontrarmos somente uma cara no lançamento de três moedas, ana-
lisamos o espaço amostral acima. Em três das oito configurações, (Ca, Co, Co), (Co, Ca, Co), (Co, Co, Ca),
encontramos apenas uma cara. Portanto,

3
P (X = 1) = = 0.375
8

Assim, podemos também encontrar as seguintes probabilidades:

1
P (X = 0) = = 0.125
8
3
P (X = 1) = = 0.375
8
3
P (X = 2) = = 0.375
8
1
P (X = 3) = = 0.125
8

A probabilidade de cada resultado pode ser calculada utilizando o diagrama de árvore, no entanto, para
exemplos maiores, é muito mais simples e eficiente utilizar uma equação geral.
Assim como no lançamento de moedas, cada tentativa com somente dois resultados possíveis é cha-
mada de ensaio de Bernoulli.
 5

Definição 5. Considere um experimento aleatório que consiste em n tentativas de Bernoulli, de modo que

i. As tentativas sejam independentes;

ii. Cada tentativa resulte em somente dois resultados possíveis, designados como "sucesso"e "fra-
casso".
iii. A probabilidade de um sucesso em cada tentativa, denotada por p, permaneça constante.

A variável aleatória X, que é igual ao número de tentativas que resultam em um sucesso, tem distribui-
ção binomial com parâmetros n = 1, 2, 3, ... denotando o número de tentativas e 0 < p < 1 a probabilidade
de sucesso. Usaremos a notação X ∼ Binomial(n, p). A função de probabilidade é dada por:
 
n
f (x) = px (1 − p)n−x x = 0, 1, 2, ..., n
x
 
n n!
em que = sendo a! = a × (a − 1) × (a − 2) × ... × 1.
x x!(n − x)!
Exercício 1. Calcule as combinações:
 
10 10! 10 × 9 × 8! 10 × 9
a. = = = = 45
2 2!(10 − 2)! 2 × 1 × 8! 2
 
6
b. Resposta:15
2
 
7
c. Resposta:35
3
 
11
d. Resposta:165
8
Exemplo 7. Considerando o Exemplo 6 podemos calcular as mesmas probabilidades agora usando a distri-
1
buição binomial. Considerando uma moeda honesta em que p = e n = 3 lançamentos da moeda, temos
2
 
n
f (x) = P (X = x) = px (1 − p)n−x x = 0, 1, 2, ..., n
x
  0 
1 3−0
 
3 1 1
P (X = 0) = 1− = = 0.125
0 2 2 8
   1 
1 3−1

3 1 3
P (X = 1) = 1− = = 0.375
1 2 2 8
   2 
1 3−2

3 1 3
P (X = 2) = 1− = = 0.375
2 2 2 8
   3 
1 3−3

3 1 1
P (X = 3) = 1− = = 0.125
3 2 2 8

É importante notar que no Exemplo 7 conseguimos os mesmos resultados apresentados pelo diagrama
de árvores, agora com a função de probabilidade binomial.

Exemplo 8. Cada amostra de água tem 10% de chance de conter determinado poluente orgânico. Considere
que as amostras sejam independentes com relação à presença do poluente.
a. Encontre a probabilidade de que nas próximas 18 amostras, exatamente duas contenham o poluente.
Seja X o número de amostras que contém o poluente nas próximas 18 amostras analisadas. Então, a
variável aleatória com distribuição binomial tem parâmetros n = 18 e p = 0, 1. Assim,
 
18
P (X = 2) = (0, 1)2 (1 − 0, 1)18−2 = 153 × (0, 1)2 × (0, 9)16 ' 0, 2835
2
6

b. Determine a probabilidade de que 3 ≤ X < 7. Agora,

P (3 ≤ X < 7) = P (X = 3) + P (X = 4) + (X = 5) + P (X = 6)

Calculando as probabilidades temos,

 
18
P (X = 3) = (0, 1)3 (1 − 0, 1)18−3 ' 0, 168
3
 
18
P (X = 4) = (0, 1)4 (1 − 0, 1)18−4 ' 0, 070
4
 
18
P (X = 5) = (0, 1)5 (1 − 0, 1)18−5 ' 0, 022
5
 
18
P (X = 6) = (0, 1)6 (1 − 0, 1)18−6 ' 0, 005
6

Assim,

P (3 ≤ X < 7) = 0, 168 + 0, 070 + 0, 022 + 0, 005 = 0, 265

c. Determine a probabilidade de que no mínimo quatro amostras contenham o poluente.

Queremos encontrar P (X ≥ 4), ou seja,

18  
X 18
P (X ≥ 4) = (0, 1)x (1 − 0, 1)18−x
x
x=4

Calcular as probabilidades de X = 4 à X = 18 se torna trabalhoso e inviável. Nesse caso é mais fácil usar o
evento complementar. Sabemos que a soma de todas as probabilidades associadas à variável aleatória é igual
a 1. Então, fazemos,

P (X ≥ 4) = 1 − P (X < 4)

Precisamos então calcular:

 
18
P (X = 0) = (0, 1)0 (1 − 0, 1)18−0 ' 0, 150
0
 
18
P (X = 1) = (0, 1)1 (1 − 0, 1)18−1 ' 0, 3
1
 
18
P (X = 2) = (0, 1)2 (1 − 0, 1)18−2 ' 0, 284
2
 
18
P (X = 3) = (0, 1)3 (1 − 0, 1)18−3 ' 0, 168
3

Assim, temos

P (X ≥ 4) = 1 − [P (X = 0) + P (X = 1) + P (X = 2) + P (X = 3)] =
1 − [0, 150 + 0, 3 + 0, 284 + 0, 168] ' 0, 0982
 7

A média e variância de uma variável aleatória binomial podem ser obtidas a partir de uma análise das
tentativas independentes que compreendem o experimento binomial.
Defina Xi = 1 se a i-ésima vez for um sucesso e Xi = 0 caso contrário, para i = 1, 2, ..., n. Então,

X = X1 + X2 + ... + Xn

É fácil deduzir a média e a variância de cada Xi como

E(Xi ) = 1p + 0(1 − p) = p
V (Xi ) = (1 − p)2 p + (0 − p)2 (1 − p) = p(1 − p)

Para tentativas independentes de um experimento binomial temos que

E(X) = E(X1 ) + E(X2 ) + ... + E(Xn ) = np

V (X) = V (X1 ) + V (X2 ) + ... + V (Xn ) = np(1 − p)

Definição 6. Se X for uma variável aleatória com distribuição binomial com parâmetros n e p,

µ = E(X) = np
σ 2 = V (X) = np(1 − p)

Exemplo 9. Para os dados do Exemplo 8 temos

µ = E(X) = 18 × 0, 1 = 1, 8
σ 2 = V (X) = 18 × 0, 1 × 0, 9 = 1, 62

4.3 Distribuição Geométrica

Novamente, suponha uma série de tentativas de Bernoulli (tentativas independentes, com probabilidade
constante p de sucesso em cada tentativa). No entanto, ao invés de serem em número fixo, as tentativas agora
são realizadas até que um sucesso seja obtido.

Definição 7. Em uma série de ensaios de Bernoulli, seja a variável aleatória X o número de fracassos até
que o primeiro sucesso ocorra. Então X é uma variável aleatória que segue distribuição geométrica com
parâmetro 0 < p < 1 (probabilidade de sucesso). O primeiro sucesso ocorrerá no ensaio x + 1, tendo x
fracassos o antecedendo. Usaremos a notação X ∼ Geométrica(p).
A função de probabilidade é dada por

f (x) = (1 − p)x p x = 0, 1, 2, ...

A média e a variância são dadas por

1 (1 − p)
µ = E(X) = e σ 2 = V (X) = .
p p2

Exemplo 10. A probabilidade com que um bit transmitido por um canal digital de transmissão seja recebido
com erro é de 0,1. Considere que as transmissões sejam eventos independentes e que a variável aleatória X
denota o número de bits transmitidos até que o primeiro erro seja encontrado.
Aqui, sucesso é representado pelo bit transmitido com erro e p = 0, 1. Então, por exemplo, P (X = 4)
é a probabilidade de que os quatro primeiros bits sejam transmitidos corretamente e de que o quinto bit tenha
erro e pode ser calculada como

P (X = 4) = (1 − p)x p = (1 − 0, 1)4 × 0, 1 ' 0, 0656

8

4.4 Distribuição Binomial Negativa

Uma generalização da distribuição geométrica em que a variável aleatória é o número de ensaios de

Bernoulli requerido para obter r sucessos resulta na distribuição binomial negativa.

Definição 8. Em uma série de ensaios de Bernoulli seja a variável aleatória X o número de fracassos até que
r sucessos ocorram. Então X segue distribuição binomial negativa com parâmetros 0 < p < 1 (probabilidade
de sucesso) e r = 1, 2, 3, ... representando o número de sucessos.
O número de ensaios total, n, é dado pela soma de sucessos e fracassos, ou seja, n = x + r. Usaremos
a notação X ∼ BinomialN egativa(r, p). A função de probabilidade é dada por:
 
x+r−1
f (x) = (1 − p)x pr x = 0, 1, 2, ...
x
 
x+r−1 (x + r − 1)!
em que = .
x x!(r − 1)!
A média e a variância são dadas por

r(1 − p) r(1 − p)
µ= e σ2 = .
p p2

Exemplo 11. O tempo para recarregar o flash é testado em câmeras de celulares. A probabilidade de que uma
câmera falhe no teste é 0, 2 e as câmeras atuam independentemente. Qual é a probabilidade de que a terceira
falha seja obtida em cinco testes?
Seja X o número de câmeras testadas sem falha até que r = 3 falhas tenham sido obtidas em cinco
testes, ou seja, x = 5 − 3 = 2. Aqui X tem distribuição binomial negativa com p = 0, 2 e r = 3. Logo,
 
4
f (X = 2) = (0, 8)2 0, 23 ' 0, 0307
2

4.5 Distribuição Hipergeométrica

A distribuição hipergeométrica descreve a probabilidade de x sucessos em n retiradas, sem reposição,

de uma população de tamanho N que contém exatamente K sucessos.

Definição 9. Considere um conjunto de N objetos que contém K objetos classificados como sucessos e (N −
K) objetos classificados como fracassos. Uma amostra com n objetos é selecionada aleatoriamente (sem
reposição). Seja X o número de sucessos na amostra. Então X é uma variável aleatória que segue distribuição
hipergeométrica, X ∼ Hipergeométrica (K, N, n), e tem função de probabilidade dada por
  
K N −K
x n−x
f (x) =   max{0, n + K − N } ≤ x ≤ min{K, n}
N
n
 
a a!
Lembrando que = .
b b!(a − b)!

A média e a variância são dadas por

 
N −n
µ = E(X) = np e σ 2 = V (X) = np(1 − p)
N −1

K
sendo p = .
N
 9

Exemplo 12. Uma batelada de peças contém 100 peças de um fornecedor local de tubos e 200 peças de um
fornecedor de tubos de um estado vizinho. Se 4 peças forem selecionadas, ao acaso e sem reposição, qual será
a probabilidade de que elas sejam todas provenientes do fornecedor local?
Seja X o número de peças do fornecedor local na amostra, então a probabilidade desejada é P (X =
4). Temos, N = 300 e K = 100 e n = 4. Então,
  
100 200
4 4−4
f (X = 4) =   ' 0, 0119
300
4

4.6 Distribuição de Poisson

Uma distribuição largamente utilizada emerge à medida que o número de tentativas em um experimento
binomial aumenta até infinito, enquanto a média da distribuição permanece constante. Essa distribuição é
usada para modelar o número de ocorrências de um evento por um certo período de tempo, volume, área etc.
A variável X que segue distribuição Poisson pode assumir infinitos valores no domínio dos inteiros positivos
(x = 0, 1, 2, 3, ...). São exemplos da distribuição de Poisson:

a) Número de formigueiros por unidade de área em uma região;

b) Número de bactérias por unidade de área em uma lâmina;
c) Chamadas telefônicas por unidade de tempo;
d) Defeitos por unidade de área;
e) Acidentes por unidade de tempo;
f) Chegada de clientes a um supermercado por unidade de tempo;
g) Número de células sanguíneas visíveis ao microscópio por unidade de área;
h) Número de partículas emitidas por uma fonte de material radioativo por unidade de tempo.
Definição 10. A variável aleatória X, que é igual ao número de eventos em um certo intervalo, segue distri-
buição de Poisson com parâmetro λ > 0. Usaremos a notação X ∼ P oisson(λ). A função de probabilidade
é dada por:
e−λ λx
f (x) = x = 0, 1, ...
x!
sendo µ = E(X) = λ e σ 2 = V (X) = λ
Exemplo 13. Falhas ocorremm ao longo do comprimento de um fio delgado de cobre. Seja X a variável
aleatória que conta o número de falhas em um comprimento de fio e segue distribuição de Poisson com uma
média de 2, 3 falhas por milímetro.
a. Determine a probabilidade de existirem exatamente duas falhas em 1 milímetro de fio.

Temos λ = 2, 3, então
e−2,3 2, 32
P (X = 2) = ' 0, 2651
2!
b. Determine a probabilidade de 10 falhas em 5 milímetros de fio.
Aqui devemos ter especial atenção ao parâmtetro λ. Em 1 milímetro temos, em média, 2,3 falhas. Então, em 5
milímetros teremos, λ = 11, 5 falhas. Então,
e−11,5 11, 510
P (X = 10) = ' 0, 1129
10!
c. Determine a probabilidade de existir no mínimo uma falha em 2 milímetros de fio.
Nesse caso λ = 4, 6 e então
P (X ≥ 1) = 1 − P (X = 0) = 1 − e−4,6 ' 0, 9899
Portanto, dada as suposições para um processo de Poisson e um valor de λ, as probabilidades podem
ser calculadas para intervalos arbitrários de comprimento.
10

Referências

[1] P. A. Bussab, W. de O. e Morettin, Estatística Básica. Saraiva, 2017.

[2] J. L. Devore, Probabilidade e estatística para engenharia e ciências. Cengage Learning Edições Ltda.,
2018.

[3] D. F. Ferreira, Estatística básica. UFLA, 2009.

[4] G. C. Montgomery, Douglas C e Runger, Estatística aplicada e probabilidade para engenheiros. Grupo
Gen-LTC, 2020.