AULA 5

Distribuição Discretas de Probabilidades

 Distribuições discretas

Existem muitas funções, tais como a exponencial, a quadrática,

a linear, a parabólica, que são usadas para descrever a
dependência entre as variáveis determinísticas.

No caso das variáveis aleatórias, certas distribuições de

probabilidade são usadas com mais freqüência para descrever
a grande maioria dos fenômenos físicos e consequentemente
de engenharia.

As distribuições de probabilidade, para variáveis aleatórias

discretas, mais comumente usadas em engenharia e que
desenvolvem um papel importante na metodologia estatística
são: Binomial, Poisson, Geométrica, Pascal e Hipergeométrica
Distribuição Binomial

A distribuição binomial é aplicada freqüentemente para descrever

controle estatístico de qualidade de uma população.

Tem-se interesse principalmente em duas categorias: item

defeituoso ou insatisfatório versus item bom ou satisfatório e
sucesso e falha que tenham ocorrido em uma amostra de
tamanho fixo.

A distribuição binomial é aplicada a eventos provenientes de uma

série de experimentos aleatórios, que constituem o chamado
Processo de Bernoulli.
Processo de Bernoulli
Esse processo é análogo àquele de jogar uma moeda. As
seguintes suposições se aplicam:

a) Cada experimento é dito ser uma tentativa. Existe uma

série de tentativas, cada uma tendo dois resultados:
sucesso ou falha;

b) A probabilidade de sucesso é igual a algum valor constante

para todas as tentativas;

c) Os resultados sucessivos são estatisticamente

independentes. A probabilidade de sucesso na próxima
tentativa não pode variar, não importando quantos sucessos
ou falhas tenham sido obtidos.
O processo de Bernoulli é comumente utilizado em aplicações de
engenharia envolvendo controle de qualidade.

Cada novo item criado no processo de produção pode ser

considerado como uma tentativa resultando em uma unidade
com ou sem defeito.

Esse processo não se limita a objetos; podendo ser usado em

pesquisas eleitorais e de preferências dos consumidores por
determinados produtos.
O espaço amostral da distribuição de de Bernoulli é S={0, 1}, que
tem valor 1 com a probabilidade de sucesso p e valor 0 com a
probabilidade de falha 𝒒 = 𝟏 − 𝒑
A função de probabilidade 𝒇 dessa distribuição é:
𝑝 𝑠𝑒 𝑥 = 1
𝒇 𝒙, 𝒑 =
1 − 𝑝 𝑠𝑒 𝑥 = 0
Também pode ser descrita por:
𝒇 𝒙, 𝒑 = 𝒑𝒙 (𝟏 − 𝒑)𝟏−𝒙 𝒙 ∈ 𝟎, 𝟏

O valor esperado e a variância de uma variável aleatória de

Bernoulli X podem ser vistos assim:
X P(X) X.P(X) X2P(X)
0 q 0 0
1 p p p
1 p p

𝑬 𝑿 = 𝒑 𝒆 𝑬(𝑿𝟐 ) = 𝒑

𝑽𝒂𝒓 𝑿 = 𝝈𝟐𝒙 = 𝑬 𝑿 − 𝑬(𝑿) 𝟐

= 𝑬 𝑿𝟐 − 𝑬 𝑿 𝟐

𝑽𝒂𝒓 𝑿 = 𝒑 − 𝒑𝟐 = 𝒑 𝟏 − 𝒑 = 𝒑. 𝒒
Um exemplo clássico de uma experiência de Bernoulli é uma
jogada única de uma moeda.

A moeda pode dar "coroa" com probabilidade 𝒑 e "cara" com

probabilidade 𝟏 − 𝒑.

A experiência é dita justa se 𝒑 = 𝟎, 𝟓 indicando a origem dessa

terminologia em jogos de aposta (a aposta é justa se ambos os
possíveis resultados tem a mesma probabilidade).

O valor esperado de X é:
𝑬 𝑿 = 𝒑 = 𝟎, 𝟓
Com variância
𝑽𝒂𝒓 𝑿 = 𝒑 𝟏 − 𝒑 = 𝟎, 𝟓 𝟏 − 𝟎, 𝟓 = 𝟎, 𝟐𝟓
A função de distribuição acumulada de Bernoulli é dada por:

0 𝑠𝑒 𝑥 < 0
𝒇 𝒙, 𝒑 = 1 − 𝑝 𝑠𝑒 0 ≤ 𝑥 < 1
1 𝑠𝑒 𝑥 ≥ 1
Um circuito possui 30 semicondutores que conduzem com 0,5 V e
20 que conduzem com 0,7 V. O circuito conduziu. Calcular E(X),
Var(X) e P(X) sendo o evento condução com 0,7 V.
Seja X: nº de semicondutores que conduzem com 0,7 V.
Considere que 𝑷(𝑿 = 𝟎) = 𝒒 e 𝑷(𝑿 = 𝟏) = 𝒑. Assim:
𝟑𝟎 𝟑
0→𝒒= =
𝟓𝟎 𝟓
𝐗= 𝟐𝟎 𝟐
𝟏→𝒑= =
𝟓𝟎 𝟓

A probabilidade será 𝒇 𝒙, 𝒑 = 𝒑𝒙 (𝟏 − 𝒑)𝟏−𝒙 𝒙 ∈ 𝟎, 𝟏 :

𝟎 𝟏−𝟎
𝟐 𝟑 𝟑
𝒙 𝟏−𝒙 𝑷 𝑿 =𝟎 = . =
𝟐 𝟑 𝟓 𝟓 𝟓
𝑷 𝑿 =𝒙 = . 𝟏 𝟏−𝟏
𝟓 𝟓 𝟐 𝟑 𝟐
𝑷 𝑿 =𝟏 = . =
𝟓 𝟓 𝟓
O valor esperado será:
𝟐
𝑬 𝑿 =𝒑=
𝟓
A variância será:
𝟐 𝟑 𝟔
𝑽𝒂𝒓 𝑿 = 𝒑. 𝒒 = . =
𝟓 𝟓 𝟐𝟓
O desvio padrão será:
𝟔 𝟔
𝝈= 𝝈𝟐𝒙 = =
𝟐𝟓 𝟓
À esquerda pode ser observar a distribuição das probabilidades e à direita a
distribuição acumulada de probabilidades .
Distribuição Binomial

A distribuição binomial está relacionada ao número de sucessos

encontrados em um número específico de tentativas de um
processo de Bernoulli.

Ela é caracterizada por dois parâmetros: p(0 𝑝 1), a probabilidade de

sucesso, e 𝒏 o número de tentativas (número positivo).

No exemplo das máquinas, dado anteriormente na aula de

probabilidades, construiu-se uma árvore de probabilidade, onde 3
máquinas produziam peças defeituosas com percentuais
específicos.

Imagine agora a enorme árvore que se teria que construir se fossem

estudadas 20 máquinas com seus percentuais de peças
defeituosas específico.
De modo a evitar isto, a equação abaixo é usada para descrever a
probabilidade de uma variável aleatória X, que denota o
número de sucessos 𝒑 em n tentativas do processo de
Bernoulli, utilizando k itens.

𝒏 𝒌 𝒏−𝒌 ,
𝑷 𝑿 = 𝒌 = 𝒃 𝒌; 𝒏; 𝒑 = 𝑷 𝒙 = 𝒑 𝟏−𝒑 com 𝒌 = 𝟎, 𝟏, 𝟐, 𝟑 … 𝒏
𝒌

𝒏 𝒌 𝒏−𝒌
𝑷 𝒙 = 𝒑 𝒒 , com 𝒌 = 𝟎, 𝟏, 𝟐, 𝟑 … 𝒏
𝒌
onde 𝒒 é a probabilidade de que o evento não se realize ou seja, o
insucesso.

Somente recordando:

𝒏 𝒏!
=
𝒌 𝒌! 𝒏 − 𝒌 !
Exemplo 1: Calcular as probabilidades de uma caixa com resistores apresentar resistores
defeituosos ao se retirar 3 resistores. Considere a probabilidade de sucesso 0,48.
Solução: Faremos o 𝒌 = 𝟎, 𝟏, 𝟐, 𝟑, 𝒑𝒂𝒓𝒂 𝒏 = 𝟑
a) 𝒌 = 𝟎; 𝒑 = 𝟎, 𝟒𝟖; 𝒏 = 𝟑
𝒏 𝒌 𝒏−𝒌 𝒏 𝒏!
𝑷 𝑿 = 𝒌 = 𝒃 𝒌; 𝒏; 𝒑 = 𝑷 𝒙 = 𝒑 𝟏−𝒑 ; =
𝒌 𝒌 𝒌! 𝒏 − 𝒌 !

𝟑!
𝑷 𝑿 = 𝟎 = 𝒃 𝟎; 𝟑; 𝟎, 𝟒𝟖 = 𝑷 𝟎 = 𝟎, 𝟒𝟖𝟎 (𝟏 − 𝟎, 𝟒𝟖)𝟑−𝟎
𝟎! 𝟑 − 𝟎 !

𝟑.𝟐.𝟏.𝟎! 𝟔
𝑷 𝟎 = . 𝟏. (𝟏 − 𝟎, 𝟒𝟖)𝟑−𝟎 = 𝟏.𝟔 . 𝟎, 𝟏𝟒 = 𝟎, 𝟏𝟒
𝟎!𝟑!

b) 𝒌 = 𝟏; 𝒑 = 𝟎, 𝟒𝟖; 𝒏 = 𝟑
𝟑.𝟐.𝟏.𝟎! 𝟔
𝑷 𝟏 = . 𝟎, 𝟒𝟖. (𝟏 − 𝟎, 𝟒𝟖)𝟑−𝟏 = 𝟏.𝟐 . 𝟎, 𝟓𝟐 = 𝟎, 𝟑𝟗
𝟏!𝟐!
c) 𝒌 = 𝟐; 𝒑 = 𝟎, 𝟒𝟖; 𝒏 = 𝟑

𝟑.𝟐.𝟏.𝟎! 𝟐 𝟔
𝑷 𝟐 = . 𝟎, 𝟒𝟖 . (𝟏 − 𝟎, 𝟒𝟖)𝟑−𝟐 = 𝟐.𝟏 . 𝟎, 𝟏𝟐 = 𝟎, 𝟑𝟔
𝟐!𝟏!

d) 𝒌 = 𝟑; 𝒑 = 𝟎, 𝟒𝟖; 𝒏 = 𝟑

𝟑.𝟐.𝟏.𝟎! 𝟑 𝟔
𝑷 𝟑 = . 𝟎, 𝟒𝟖 . (𝟏 − 𝟎, 𝟒𝟖)𝟑−𝟑 = 𝟔.𝟏 . 𝟎, 𝟏𝟏 = 𝟎, 𝟏𝟏
𝟑!𝟏!
A Figura abaixo apresenta 4 distribuições binomiais, onde se
observa que à medida que o número de tentativas (n)
cresce, as probabilidades vão diminuindo e ficando menos
concentradas, tendo a distribuição um formato de sino,
independente do parâmetro 𝒑, a probabilidade de sucesso.
A Figura abaixo mostra como a distribuição binomial é influenciada pela probabilidade de sucesso,𝒑. Percebe-se que
os pares 𝑷 𝒙 = 𝟎, 𝟎𝟓; 𝟎, 𝟗𝟓 , 𝟎, 𝟐𝟎; 𝟎, 𝟖𝟎 , (𝟎, 𝟒𝟎; 𝟎, 𝟔𝟎)(cuja soma é igual a 1) fornecem distribuições de
probabilidade que são imagens no espelho.
Valor Esperado e Variância

O valor esperado e a variância da variável aleatória X, quanto

aos sucessos obtidos em um certo número de tentativas, são
dados, respectivamente, por:

𝑬 𝑿 = 𝒏𝒑

𝑽𝒂𝒓 𝑿 = 𝝈𝟐 = 𝒏𝒑(𝟏 − 𝒑)
Probabilidade Cumulativa
O cálculo das probabilidades binomiais é árduo para valores altos
de tentativas (n).
Assim, existe uma tabela com os valores das probabilidades
binomiais cumulativas, que por sua vez são obtidas através da
soma das probabilidades individuais, aplicáveis a todos os níveis
da variável aleatória que estão em ou abaixo de um ponto
especificado.
Em resumo, a probabilidade binomial cumulativa (representada
pela letra maiúscula B) é definida pela equação abaixo.
𝒌

𝑷 𝑿 ≤ 𝒌 = 𝑩 𝒌, 𝒏, 𝒑 = 𝑷(𝑿 = 𝒋)
𝒋=𝟎
Para o Exemplo anterior, fica-se com a Tabela a seguir
No caso de se querer a probabilidade cumulativa para 2 resistores
defeituosos ou menos, tem-se o seguinte:

𝑷 𝑿 ≤ 𝟐 = 𝑷 𝑿 = 𝟎 + 𝑷 𝑿 = 𝟏 + 𝑷 𝑿 = 𝟐 = 𝟎, 𝟖𝟗
Nº de Resistores Defeituosos Probabilidade Individual Probabilidade cumulativa
k P(X=k) P(X≤k)
0 0,14 0,14
1 0,39 0,53
2 0,36 0,89
3 0,11 1

Esses resultados podem ser colocados em forma gráfica, como apresentados

nas Figuras abaixo:
1,0
0,40 0,11
0,8
0,35

0,30
0,36
0,6
P(Xk)

0,25
P(k)

0,4
0,20
0,39
0,15 0,2

0,10
0,0
0 1 2 3 0 1 2 3

k k
No caso de se querer a probabilidade cumulativa para 2 resistores
defeituosos ou menos, tem-se o seguinte:

𝑷 𝑿 ≤ 𝟐 = 𝑷 𝑿 = 𝟎 + 𝑷 𝑿 = 𝟏 + 𝑷 𝑿 = 𝟐 = 𝟎, 𝟖𝟗
k P(x) F(x)
0 0,140608 0,140608
1 0,389376 0,529984
2 0,359424 0,889408
3 0,110592 1

Esses resultados podem ser colocados em forma gráfica, como apresentados

na Figura abaixo:
 Clique para adicionar
Clique para adicionar
A Figura anterior
(cumulativa)
texto
texto
tem formato de uma escada em que
a diferença entre os patamares representa a probabilidade para
um determinado valor de k.

Nos livros indicados na bibliografia podem ser consultadas as

tabelas de distribuição binomial.
 𝒌 = 𝟎; 𝒑 = 𝟎. 𝟒𝟖; 𝒏 = 𝟑

Usando a interpolação

𝟎, 𝟒𝟖 − 𝟎, 𝟒𝟓 𝑷(𝒙) − 𝟎, 𝟏𝟔𝟔𝟒
=
𝟎, 𝟓𝟎 − 𝟎, 𝟒𝟓 𝟎, 𝟏𝟐𝟓𝟎 − 𝟎, 𝟏𝟔𝟔𝟒

𝑷 𝒙 = 𝟎, 𝟏𝟒𝟏𝟓𝟔

𝟑!
𝑷 𝑿 = 𝟎 = 𝒃 𝟎; 𝟑; 𝟎, 𝟒𝟖 = 𝑷 𝟎 = 𝟎, 𝟒𝟖𝟎 (𝟏 − 𝟎, 𝟒𝟖)𝟑−𝟎
𝟎! 𝟑 − 𝟎 !

𝟑.𝟐.𝟏.𝟎! 𝟔
𝑷 𝟎 = . 𝟏. (𝟏 − 𝟎, 𝟒𝟖)𝟑−𝟎 = . 𝟎, 𝟏𝟒 = 𝟎, 𝟏𝟒
𝟎!𝟑! 𝟏.𝟔
Exemplo: Como exemplo, considere uma amostra com 100 diodos. Estes
diodos tem as mesmas características técnicas porém são de
fabricantes diferentes A e B. Assuma que 40% dos diodos sorteados
são do fabricante A e considere esta probabilidade como sendo igual
a de sucesso,𝒑. Qual a probabilidade de que 35% ou menos dos
diodos sorteados sejam do fabricante A?
𝟏𝟎𝟎
𝑷 𝑿 = 𝒌 = 𝒃 𝒌; 𝒏; 𝒑 = 𝑷 𝒙 = 𝟎, 𝟒𝟎𝒌 𝟏 − 𝟎, 𝟒𝟎 𝟏𝟎𝟎−𝒌 ,
com 𝒌 = 𝟎, 𝟏, 𝟐, 𝟑 … 𝟏𝟎𝟎
𝒌
k P(x) F(x)
0 6,53E-23 6,53E-23
1 4,36E-21 4,42E-21
2 1,44E-19 1,48E-19
33 0,02975 0,091254
34 0,039083 0,130337
35 0,049133 0,179469
36 0,059141 0,238611
62 4,48E-06 0,999997
63 1,8E-06 0,999999
64 6,94E-07 1
65 2,56E-07 1
66 9,06E-08 1
67 3,06E-08 1

𝑷 𝑿 ≤ 𝟑𝟓 = 𝟎, 𝟏𝟕𝟗𝟓
Para o caso de no mínimo 50% dos diodos serem do fabricante A, tem-se:
k P(x) F(x)
0 6,53E-23 6,53E-23
1 4,36E-21 4,42E-21
2 1,44E-19 1,48E-19
38 0,075378 0,382188
39 0,079888 0,462075
40 0,081219 0,543294
41 0,079238 0,622533
42 0,074207 0,69674
43 0,066729 0,763469
44 0,05763 0,821098
45 0,047811 0,86891
46 0,03811 0,90702
47 0,029191 0,936211
48 0,021488 0,957699
49 0,015202 0,972901
50 0,010338 0,983238
51 0,006757 0,989995

𝑷 𝑿 ≥ 𝟓𝟎 = 𝟏 − 𝑿 ≤ 𝟒𝟗 = 𝟏 − 𝟎, 𝟗𝟕𝟐𝟗 = 𝟎, 𝟎𝟐𝟕𝟎

A probabilidade que entre 40% e 50%,

𝑷 𝟒𝟎 ≤ 𝑿 ≤ 𝟓𝟎 = 𝑷 𝑿 ≤ 𝟓𝟎 − 𝑷 𝑿 ≤ 𝟑𝟗 = 𝟎, 𝟗𝟖𝟑𝟐 − 𝟎, 𝟒𝟔𝟐𝟏 = 𝟎, 𝟓𝟐𝟏𝟏

A probabilidade de que exatos 38% dos diodos sejam do fabricante A,
será:
k P(x) F(x)
0 6,53E-23 6,53E-23
1 4,36E-21 4,42E-21
2 1,44E-19 1,48E-19
34 0,039083 0,130337
35 0,049133 0,179469
36 0,059141 0,238611
37 0,068199 0,30681
38 0,075378 0,382188
39 0,079888 0,462075
40 0,081219 0,543294
41 0,079238 0,622533

𝑷 𝑿 = 𝟑𝟖 = 𝑷 𝑿 ≤ 𝟑𝟖 − 𝑷 𝑿 ≤ 𝟑𝟕 = 𝟎, 𝟑𝟖𝟐𝟐 − 𝟎, 𝟑𝟎𝟔𝟖 = 𝟎, 𝟎𝟕𝟓𝟒

Distribuição de Poisson
A distribuição de Poisson é uma das mais usadas para variáveis
aleatórias discretas.

Sua aplicação mais comum é na descrição de dados sobre, por

exemplo, número diário de telefonemas a uma central
telefônica, número de carros que passam por um
cruzamento (ou uma cabine de pedágio) durante um certo
período de tempo e em análises de confiança em uma linha
de produção (saber probabilidades de falhas).

Os eventos devem ocorrer em um certo intervalo de tempo ou

espaço.
Processo de Poisson
Imagine que se está interessado em saber o número de lâmpadas
queimadas em uma rua, durante 12 dias do mês de agosto.
Cada lâmpada queimada é considerada um evento. Obtém-se o
seguinte resultado, tendo-se uma taxa média de 𝝀 = 𝟏 (uma
lâmpada queimada diariamente).

Todo o processo de Poisson tem as seguintes propriedades:

a) O número de eventos ocorrendo em um segmento de tempo ou
espaço é independente do número de eventos ocorridos no
segmento anterior; o processo de Poisson não tem memória;
b) A taxa média do processo, 𝝀, deve permanecer constante
durante o período de tempo e espaço considerados;

c) Quanto menor o segmento de tempo e espaço, menor a

probabilidade de ocorrer mais de um evento naquele segmento.
A probabilidade de ocorrência de 2 ou mais eventos se aproxima
de zero, quando o tamanho do segmento se aproxima de zero.
Probabilidades de Poisson

A distribuição de Poisson é dada por:

(𝝀. 𝒕)𝒙 𝒆−𝝀𝒕

𝒑 𝒙, 𝝀, 𝐭 = 𝐏 𝐗 = 𝐱 =
𝒙!

em que os parâmteros 𝝀 𝒆 𝒕 são a taxa média do processo e o

intervalo de tempo/espaço, respectivamente.
Considere o horário de pico do consumo de energia elétrica. Suponha
que em um bairro tenha 100 condomínios por hora que podem
consumir energia. Qual a probabilidade de que nenhum dos
condomínios consuma energia elétrica pelo período de 10 minutos?

Assim, tem-se 𝝀 = 𝟏𝟎𝟎 e 𝒕 = 𝟏/𝟔 𝒉. As unidades de 𝝀 e t devem ser as

mesmas. As probabilidades de X são dadas abaixo:

(𝝀. 𝒕)𝒙 𝒆−𝝀𝒕 (𝟏𝟎𝟎. 𝟏/𝟔)𝟎 𝒆−𝟏𝟎𝟎.𝟏/𝟔

𝑷 𝑿 = 𝟎 = 𝒑 𝟎; 𝟏𝟎𝟎; 𝟏/𝟔 = =
𝒙! 𝟎!

𝟏. 𝟓, 𝟕𝟓. 𝟏𝟎−𝟖
𝑷 𝑿=𝟎 = ≈𝟎
𝟏
Observando a função de Poisson

(𝝀. 𝒕)𝒙 𝒆−𝝀𝒕

𝒑 𝒙, 𝝀, 𝐭 = 𝐏 𝐗 = 𝐱 =
𝒙!

Verifica-se que para um certo valor de 𝝀 𝒆 𝒕, a medida que o evento (x) aumenta a
probabilidade de sua ocorrência reduz tendendo a zero. Por exemplo se 𝝀 = 𝟐 𝒆 𝒕 = 𝟏
tem-se:

(𝟐. 𝟏)𝒙 𝒆−𝟐.𝟏

𝐏 𝐗=𝐱 =
𝒙!
Para 𝝀 = 𝟏, 𝟑 𝒆 𝒕 = 𝟏𝟎 tem-se:
(𝟏, 𝟑. 𝟏𝟎)𝒙 𝒆−𝟏,𝟑.𝟏𝟎
𝐏 𝐗=𝐱 =
𝒙!
Primeiro par de gráficos 𝝀 = 𝟐𝒆 𝒕 = 𝟏 e Para o segundo par de gráficos
𝝀 = 𝟏, 𝟑 𝒆 𝒕 = 𝟏𝟎
No exemplo inicial, observe que a probabilidade de que
nenhum condomínio esteja consumindo energia neste
horário é praticamente nula, mesmo sabendo que é possível,
eventualmente isto ocorrer, retirando-se situações extremas.
De forma geral a distribuição de Poisson é um modelo teórico
que satisfaz plenamente estes tipos de situações.
Exemplo: Considere uma medida de ruídos em uma certa faixa de frequências (
1 kHz a 10 kHz). Suponha que 600 frequências diferentes foram constatadas
na faixa monitorada por hora. Determine a probabilidade de que em 30
segundos de monitoramento sejam registradas 10 frequências diferentes.

𝟑𝟎
Tem-se 𝝀 = 𝟔𝟎𝟎 e 𝒕 = = (𝟏/𝟏𝟐𝟎) 𝒉.
𝟑𝟔𝟎𝟎

(𝝀. 𝒕)𝒙 𝒆−𝝀𝒕

𝑷 𝑿 = 𝟏𝟎 = 𝒑 𝟏𝟎; 𝟔𝟎𝟎; 𝟏/𝟏𝟐𝟎 =
𝒙!

𝟗𝟕𝟔𝟓𝟔𝟐𝟓. 𝟔, 𝟕𝟑. 𝟏𝟎−𝟑

𝑷 𝑿 = 𝟏𝟎 = = 𝟎, 𝟏𝟖𝟏
𝟑𝟔𝟐𝟖𝟖𝟎𝟎
Função Distribuição de Poisson

A função distribuição de Poisson ou probabilidade cumulativa

de Poisson é dada por:
𝒙

𝑷 𝒙, 𝝀, 𝒕 = 𝑷 𝑿 ≤ 𝒙 = 𝒑(𝒋; 𝝀; 𝒕)
𝒋=𝟎
Qual a probabilidade de serem encontrados menos que 5; 10 e
15 ruídos em uma faixa de frequências, que tem 𝛌 = 𝟎, 𝟏
por segundo, em uma medida de 200 s.
𝑷 𝑿 < 𝟓 = 𝟎, 𝟎𝟎𝟎𝟎𝟏𝟔𝟗
𝑷 𝑿 < 𝟏𝟎 = 𝟎, 𝟎𝟎𝟒𝟗𝟗
l=
t=
0,1
200
𝑷 𝑿 < 𝟏𝟓 = 𝟎, 𝟏𝟎𝟒𝟖
x p(x) P(X)
0 2,06115E-09 2,06115E-09
1 4,12231E-08 4,32842E-08
2 4,12231E-07 4,55515E-07
3 2,7482E-06 3,20372E-06
4 1,3741E-05 1,69447E-05
5 5,49641E-05 7,19088E-05
6 0,000183214 0,000255122
7 0,000523468 0,00077859
8 0,001308669 0,002087259
9 0,002908153 0,004995412
10 0,005816307 0,010811719
11 0,010575103 0,021386822
12 0,017625171 0,039011993
13 0,027115648 0,066127641
14 0,03873664 0,104864281
15 0,051648854 0,156513135
Qual a probabilidade de que mais de 20 ruídos sejam encontrados?

𝑷 𝑿 > 𝟐𝟎 = 𝟏 − 𝑷 𝟐𝟎 = 𝟏 − 𝟎, 𝟓𝟓𝟗𝟏 = 𝟎, 𝟒𝟒𝟎𝟗

Qual a probabilidade de se encontrar exatamente 20 ruídos?

𝑷 𝑿 = 𝟐𝟎 = 𝑷 𝟐𝟎 − 𝑷 𝟏𝟗 = 𝟎, 𝟓𝟓𝟗𝟏 − 𝟎, 𝟒𝟕𝟎𝟑 = 𝟎, 𝟎𝟖𝟖𝟖

Valor Esperado e Variância

O valor esperado e a variância de uma distribuição de Poisson são

iguais a:

𝑬 𝑿 = 𝝀𝒕

𝑽𝒂𝒓 𝑿 = 𝝀𝒕

Assim, vê-se que o valor esperado de frequências detectadas deve

dobrar se dobramos o tempo de observação, o mesmo
acontecendo com a variância.
Distribuição Hipergeométrica
A distribuição hipergeométrica é uma das mais importantes
distribuições de probabilidade para variáveis discretas usadas em
amostragem estatística.
Ela fornece probabilidades para o número de observações
amostrais de uma categoria particular que pode ser obtida.
A diferença básica entre esta distribuição e a binomial é que esta
última requer independência entre as tentativas, o que torna
impraticável sua utilização na avaliação de investigações
amostrais de populações pequenas, a menos que a amostragem
seja feita com reposição.
Por exemplo, em controle de qualidade de equipamentos
eletrônicos, testes são feitos com a destruição da amostra, não
podendo pois haver reposição.
A distribuição hipergeométrica pode ser melhor entendida
através do seguinte exemplo:

Considere um carregamento de 25 transformadores, dos quais

uma amostra de 4 deles será testada do ponto de vista
ambiental.

Cada transformador do carregamento será considerado

satisfatório (S) ou defeituoso (D).
A Figura abaixo apresenta a árvore de probabilidade, supondo que 20% dos
transformadores são defeituosos (o que representa 5 transformadores do total).
Naturalmente, este fato é desconhecido do setor de testes, que deve aceitar ou
rejeitar o carregamento com base no número de itens defeituosos encontrados
na amostra.
Utilizando-se as informações da árvore, percebe-se que existem 4
possibilidades de se obter um item defeituoso; são elas: S1S2S3D4,
S1S2D3S4, S1D2S3S4 e D1S2S3S4. Assim, a probabilidade de existir pelo
menos um item defeituoso é dada por:

𝟑𝟒𝟐𝟎𝟎
𝑷 𝑿 = 𝟏 = 𝟒. = 𝟎, 𝟒𝟓
𝟑𝟎𝟑𝟔𝟎𝟎
Probabilidades Hipergeométricas
De modo a evitar a construção da enorme árvore de probabilidade, utiliza-
se a Equação
𝒑𝑵 𝟏−𝒑 𝑵
𝑪𝒌 𝑪𝒏−𝒌
𝑷 𝑿 = 𝒌 = 𝒉 𝒌; 𝒏; 𝒑; 𝑵 = 𝑵
𝒐𝒏𝒅𝒆 𝒌 = 𝟎, 𝟏, 𝟐, … 𝒏 𝒐𝒖 𝑵𝒑
𝑪𝒏

𝒃 𝒃! 𝒃−𝒂+𝟏 𝒃
𝑪𝒃𝒂 = = = 𝑪𝒂−𝟏
𝒂 𝒂! 𝒃 − 𝒂 ! 𝒂

N representa o tamanho da população a ser amostrada, n é o tamanho da

amostra e 𝒑 é a proporção de sucessos na população.
Então, no caso dos transformadores, tem-se: 𝑵 = 𝟐𝟓, 𝒏 = 𝟒 𝒆 𝒑 = 𝟎, 𝟐. A
probabilidade de não se ter transformador defeituoso é:

𝟓! 𝟐𝟎!
𝑪𝟓𝟎 𝑪𝟐𝟎
𝟒 𝟎! 𝟓! 𝟒! 𝟏𝟔!
𝑷 𝑿 = 𝟎 = 𝒉 𝟎; 𝟒; 𝟎, 𝟐; 𝟐𝟓 = = = 𝟎, 𝟑𝟖𝟑𝟎
𝑪𝟐𝟓𝟒
𝟐𝟓!
𝟒! 𝟐𝟏!
Para as probabilidades de ter-se 1,2,3 e 4 transformadores
defeituosos, os resultados estão apresentados na tabela
abaixo onde se fez o cálculo usando a fórmula.
n= 4 n.Pi = 5
Pi = 0,2 (1-Pi).N = 20
N = 25 n-k = 4

k P(X)
0 0,383004
1 0,450593
2 0,150198
3 0,01581
4 0,000395
Uma outra forma de calcular essas probabilidades seria:

𝒑𝑵 − 𝒌 + 𝟏 𝒏−𝒌+𝟏
𝑷 𝑿 = 𝒌 = 𝒉 𝒌; 𝒏; 𝒑; 𝑵 = . 𝑷(𝑿 = 𝒌 − 𝟏)
𝒌 𝟏−𝒑 𝑵−𝒏+𝒌

A função distribuição de probabilidade hipergeométrica cumulativa é dada por:

𝑭 𝒌 =𝑷 𝑿≤𝒌 = 𝒉(𝒋; 𝒏; 𝒑; 𝑵)
𝒋=𝟎

k P(X) F(x) acumulada

0 0,383004 0,383003953
1 0,450593 0,833596838
2 0,150198 0,983794466
3 0,01581 0,999604743
4 0,000395 1
Valor Esperado e Variância
O valor esperado e a variância são dados por:

𝑬 𝑿 = 𝒏𝒑

𝑵−𝒏
𝑽𝒂𝒓 𝑿 = 𝒏𝒑(𝟏 − 𝒑)
𝑵−𝟏

A diferença entre a variância da função hipergeométrica e a

𝑵−𝒏
variância para a distribuição binomial está no termo 𝑵−𝟏
.

Esta quantidade é chamada de fator de correção para uma

população finita.
Note que quando o tamanho da amostra, n, for próximo do
tamanho da população, N, este termo é consideravelmente
menor que um, indicando que a variância da distribuição
hipergeométrica é bem menor que a da distribuição
binomial.
𝑵−𝒏
𝑽𝒂𝒓 𝑿 = lim 𝒏𝒑(𝟏 − 𝒑)
𝒏→𝑵 𝑵−𝟏

𝑽𝒂𝒓 𝑿 → 𝒑𝒆𝒒𝒖𝒆𝒏𝒐

O significado prático deste fator de correção ficará mais

evidente, quando a distribuição hipergeométrica for
aproximada pela distribuição normal (estudo
complementar).
Distribuição Geométrica

A distribuição geométrica é a menos usada dentre as

distribuições.

Ela está relacionada ao número de tentativas de um processo de

Bernoulli, antes do primeiro sucesso ser obtido.

Em problemas de confiabilidade, este fato passa a ser algo

importante, que deve ser considerado.

Por exemplo: a célula de potência de um satélite pode durar

indefinidamente até que haja uma colisão com um micro
meteoro.
A expressão matemática para esta distribuição é dada abaixo:

𝒑 𝒌 = 𝑷 𝑿 = 𝒌 = 𝒑(𝟏 − 𝒑) 𝒌−𝟏 𝒄𝒐𝒎 𝒌 = 𝟏, 𝟐, 𝟑, … . .

sendo 𝑿 o número de tentativas no processo de Bernoulli até que

o primeiro sucesso seja atingido e 𝒑 a probabilidade de
sucesso.

Cada dia, há uma probabilidade de 𝒑 = 𝟎, 𝟎𝟏 que um transistor

seja danificado após um pico de tensão. A probabilidade de
sobrevivência diária é consequentemente igual a 𝟏 − 𝒑 =
𝟎, 𝟗𝟗.
Nos próximos slides são apresentados gráficos das distribuições
geométricas onde se varia o valor da probabilidade de sucesso.
𝑷 𝑿 = 𝒌 = 𝟎, 𝟎𝟏(𝟏 − 𝟎, 𝟎𝟏) 𝒌−𝟏 𝑷 𝑿 = 𝒌 = 𝟎, 𝟓(𝟏 − 𝟎, 𝟓) 𝒌−𝟏
𝑷 𝑿 = 𝒌 = 𝟎, 𝟏(𝟏 − 𝟎, 𝟏) 𝒌−𝟏 𝑷 𝑿 = 𝒌 = 𝟎, 𝟖(𝟏 − 𝟎, 𝟖) 𝒌−𝟏
𝑷 𝑿 = 𝒌 = 𝟎, 𝟐(𝟏 − 𝟎, 𝟐) 𝒌−𝟏
𝑷 𝑿 = 𝒌 = 𝟎, 𝟗(𝟏 − 𝟎, 𝟗) 𝒌−𝟏 𝑷 𝑿 = 𝒌 = 𝟎, 𝟗𝟗(𝟏 − 𝟎, 𝟗𝟗) 𝒌−𝟏
Calcule a probabilidade de que o transistor seja danificado
exatamente no vigésimo e centésimo dias de operação.

𝑷 𝑿 = 𝟐𝟎 = 𝒑 𝟐𝟎 = 𝟎, 𝟎𝟏(𝟏 − 𝟎, 𝟎𝟏) 𝟐𝟎−𝟏 = 𝟎, 𝟎𝟖𝟑

𝑷 𝑿 = 𝟏𝟎𝟎 = 𝒑 𝟏𝟎𝟎 = 𝟎, 𝟎𝟏(𝟏 − 𝟎, 𝟎𝟏) 𝟏𝟎𝟎−𝟏 = 𝟎, 𝟎𝟎𝟑𝟕

A função de distribuição de probabilidade geométrica expressa a
probabilidade cumulativa de que o primeiro sucesso ocorra em
ou antes da k-ésima tentativa.

𝑭 𝒌 =𝑷 𝑿≤𝒌 = 𝒑 𝒙 = 𝟏 − (𝟏 − 𝒑)𝒌
𝒙=𝟏

k P(X) F(x)
0 0,010101 0,010101
1 0,01 0,020101
2 0,0099 0,030001
3 0,009801 0,039802
4 0,009703 0,049505
19 0,008345 0,183932
20 0,008262 0,192194
21 0,008179 0,200373
99 0,003735 0,640371
100 0,003697 0,644069
Valor Esperado e Variância

O valor esperado e a variância são dados por:

𝟏
𝑬 𝑿 =
𝒑

𝟏−𝒑
𝑽𝒂𝒓 𝑿 =
𝒑𝟐
Em um teste específico de ruptura dielétrica de um material líquido
deve-se realizar o ensaio com a aplicação de tensões até que a
primeira ruptura ocorra. De históricos anteriores para o referido
dielétrico sabe-se que a eficiência da referida técnica é de 0,20 .
Cada ensaio tem custo de R$ 500,00.
a) Qual a probabilidade de que a ruptura tenha êxito na terceira
tentativa?

𝑷 𝑿 = 𝒌 = 𝒑(𝟏 − 𝒑)𝒌−𝟏 = 𝟎, 𝟐(𝟏 − 𝟎, 𝟐)𝟑−𝟏 = 𝟎, 𝟏𝟐𝟖𝟎

b) Qual a quantidade de amostras testadas até ocorrer a primeira

ruptura? Qual o custo até se chegar a esta primeira ruptura?
𝟏 𝟏
𝑬 𝑿 = = =𝟓
𝒑 𝟎, 𝟐
𝑸𝑨 = 𝟓. 𝟓𝟎𝟎 = 𝟐𝟓𝟎𝟎 𝒓𝒆𝒂𝒊𝒔
ESTUDO COMPLEMENTAR
Aproximação da Distribuição de Binomial pela Distribuição de
Poisson

As distribuições de Poisson e binomial estão relacionadas entre

si, através da seguinte consideração: divida o intervalo de
tempo em muitos segmentos de comprimento ∆𝒕 e suponha
que cada um seja uma tentativa, tendo dois possíveis
resultados: ocorrência ou não de um evento relevante.
Mostra-se que:
𝒕
lim 𝒃 𝒙, , 𝝀∆𝒕 = 𝒑(𝒙, 𝝀, 𝒕)
∆𝒕→𝟎 ∆𝒕
ou seja, a distribuição binomial se aproxima da distribuição de
Poisson.
 𝒕
lim 𝒃 𝒙, , 𝝀∆𝒕 = 𝒑(𝒙, 𝝀, 𝒕)
∆𝒕→𝟎 ∆𝒕

Esta aproximação é usada quando os cálculos com uma

distribuição é mais difícil que com a outra. Por exemplo,
quando a probabilidade de sucesso 𝝅 é pequena e 𝒏 é um
número grande, as duas distribuições podem ser
aproximadas, fazendo 𝝀𝒕 = 𝐧𝛑. Assim:

𝒏𝝅 𝒙 𝒆−𝒏𝝅
𝒃 𝒙, 𝒏, 𝝅 ≈ 𝒑𝒂𝒓𝒂 𝒙 = 𝟎, 𝟏, 𝟐, . . . , 𝒏
𝒙!
Na tabela abaixo observa-se a distribuição binomial e a
aproximada de Poisson para a b(0;100;0,01).
n = 100 k= 0
Pi = 0,01
x Binomial Aproximada por Poisson
0 0,366032 0,367879441
1 0,36973 0,367879441
2 0,184865 0,183939721
3 0,060999 0,06131324
4 0,014942 0,01532831
5 0,002898 0,003065662
6 0,000463 0,000510944
7 6,29E-05 7,2992E-05
8 7,38E-06 9,12399E-06
9 7,62E-07 1,01378E-06
10 7,01E-08 1,01378E-07
Aproximação da Distribuição Hipergeométrica para a Distribuição
Binomial
Devido ao fato da distribuição binomial ser mais fácil de ser
calculada e dispor de tabelas, pode-se usar esta distribuição
como uma aproximação para a distribuição hipergeométrica,
mesmo quando não há reposição dos itens.
A aproximação é tanto melhor quanto maior for o tamanho de N
em relação a n.
A Tabela abaixo apresenta uma comparação entre os valores
calculados para as duas distribuições, no caso do exemplo dos
transformadores, com n=4 e 𝝅 = 𝟎, 𝟒𝟎. Esses parâmetros não
alteram muito a aproximação.
Pi = 0,01 Aproximada por Hipergeométrica
x Binomial Aproximada por Poisson N=25 N=100
0 0,366032 0,367879441 0,383003953 0,403338
1 0,36973 0,367879441 0,450592885 0,104763
2 0,184865 0,183939721 0,150197628 0,008059
3 0,060999 0,06131324 0,015810277 0,000204
4 0,014942 0,01532831 0,000395257 1,28E-06