05 VariavelAleatoriaDiscreta

Variáveis aleatórias
Probabilidade e Estatı́stica
Ronald Targino Nojosa

DEMA-UFC
Notas de Aula
Versão Parcial
Ronald Targino Nojosa Probabilidade e Estatı́stica

Variáveis aleatórias discretas
Modelos discretos

Modelos discretos
Definição [Variável aleatória]

Uma variável aleatória é uma função que associa um número real a
cada resultado do espaço amostral.
Notação
X, Y (letras maiúsculas): variável aleatória
x, y (letras minúsculas): valor da variável aleatória

Modelos discretos
Exemplo
Experimento aleatório: E: lançar uma moeda 3 vezes
Espaço Amostral: S={(k, k, k), (k, c, c), (c, k, c), (c, c, k),
(k, k, c), (k, c, k), (c, k, k), (c, c, c)}
Eventos
A: ocorrer zero cara(k); B: ocorrer uma cara(k)
C: ocorrer duas caras(k); D: ocorrer três caras(k)
Probabilidades calculadas para os eventos
P (A) = 1/8, P (B) = P (C) = 3/8, P (D) = 1/8

Modelos discretos
Exemplo
Experimento aleatório: E: lançar uma moeda 3 vezes
Espaço Amostral: S={(k, k, k), (k, c, c), (c, k, c), (c, c, k),
(k, k, c), (k, c, k), (c, k, k), (c, c, c)}
Eventos
A: ocorrer zero cara(k); B: ocorrer uma cara(k)
C: ocorrer duas caras(k); D: ocorrer três caras(k)
Probabilidades calculadas para os eventos
P (A) = 1/8, P (B) = P (C) = 3/8, P (D) = 1/8
Variável aleatória: X: No. de caras no experimento E.
P (X = 0) = 1/8, P (X = 1) = P (X = 2) = 3/8, P (X = 3) = 1/8

Modelos discretos
Tabela 1 - Distribuição de probabilidade da v.a. X
x P (X = x)
x1 → 0 1/8 ← P (X = x1 )
x2 → 1 3/8 ← P (X = x2 )
x3 → 2 3/8 ← P (X = x3 )
x4 → 3 1/8 ← P (X = x4 )
Total 1

Modelos discretos
x P (X = x)
x1 → 0 1/8 ← P (X = x1 )
x2 → 1 3/8 ← P (X = x2 )
x3 → 2 3/8 ← P (X = x3 )
x4 → 3 1/8 ← P (X = x4 )
Total 1
Definição [Distribuição de probabilidade]

A coleção de pares [(xi , P (X = xi )), i = 1, 2, . . .] é chamada de
distribuição de probabilidade da v.a. X.

Modelos discretos
Tipos de variáveis aleatórias

Variável aleatória discreta (v.a.d.)
- assume valores finitos ou infinitos enumeráveis
- número de falhas em uma peça, proporção de peças
defeituosas entre 100 peças testadas
Variável aleatória contı́nua (v.a.c.)
- assume valores em um intervalo de números reais
- comprimento, pressão, peso

Modelos discretos

Modelos discretos
Exemplo: Estabelecer uma empresa para montar um produto

composto de dois componentes: uma esfera e um cilindro. O
cilindro é adquirido na fábrica Alfa e a esfera, na fábrica Beta.
Tabela 2 - Distribuição da produção dos cilindros e das esferas.

Produto cilindro esfera
Dentro das especificações (Bom) 0,80 0,70
Maior que as especificações(Longo) 0,10 0,20
Menor que as especificações(Curto) 0,10 0,10
Fonte: Dados fictı́cios

Modelos discretos
Importante:
B: Bom, C: Curto, L: Longo
Cilindro e esfera são selecionados aleatoriamente
Custo de cada componente: R$ 5,00
Produto com algum componente C ⇒ irrecuperável e vendido
como sucata por R$ 5,00
Cada componente L ⇒ recuperado com um custo adicional de
R$ 5,00
Preço de venda de cada produto: R$ 25,00
Pergunta: Qual o lucro esperado por produto?

Modelos discretos
Tabela 3 - Distribuição de probabilidade das composições (cilı́ndo e

esfera) do produto e respectivo lucro.
Produto (composições) Probabilidade Lucro por produto (X)

BB 0,8.0,7=0,56 25-10=15
BL 0,8.0,2=0,16 25-10-5=10
BC 0,8.0,1=0,08 -10+5=-5
LB 0,07 10
LL 0,02 5
LC 0,01 -5
CB 0,07 -5
CL 0,02 -5
CC 0,01 -5
Nota: BB: cilindro Bom e esfera Boa

Modelos discretos
x P (X = x)
-5 0,19
5 0,02
10 0,23
15 0,56
Total 1,00
A pergunta será respondida após as definições dadas a seguir.

Modelos discretos
Definição [Função de distribuição acumulada]

A função de distribuição acumulada de uma v.a.d X, denotada por
F (x), é definida por
X
F (x) = P (X ≤ x) = f (xi ).
xi ≤x
Propriedades:
1. 0 ≤ F (x) ≤ 1
2. Se x ≤ y, então F (x) ≤ F (y) (F é não decrescente)
3. lim F (x) = 1 e lim F (x) = 0
x→+∞ x→−∞
4. F é contı́nua à direita: lim F (x) = F (a), ∀ a ∈ IR
x→a+

Modelos discretos
Definição [Função de probabilidade]

Para uma variável aleatória discreta X, com valores possı́veis
x1 , x2 , . . ., a função de probabilidade é uma função que atribui
probabilidade a cada um dos possı́veis valores e é denotada por
f (xi ) = P (X = xi ).
X
Propriedades: 0 ≤ f (xi ) ≤ 1, ∀ i = 1, 2, . . . e f (xi ) = 1
i

Modelos discretos
Definição [Média e Variância]

A média ou valor esperado ou esperança (matemática) de uma
variável aleatória discreta X, denotada por µ ou E(X), é dada por
X
µ = E(X) = xf (x).
x
A variância de X, denotada por σ 2 ou V (X), é dada por

X
σ 2 = V (X) = E(X − µ)2 = (x − µ)2 f (x).
x
Nota: V (X) = E(X − µ)2 = E(X − E(X))2 = E(X 2 ) − [E(X)]2 .

Modelos discretos
Resposta da pergunta inicial: Qual o lucro esperado por porduto?
X: Lucro
X X
E(X) = xf (x) = xP (X = x)
x x
= 15×P (X= −5)+5×P (X= 5)+10×P (X= 10)+15×P (X= 15)
= −5 × 0,19 + 5 × 0,02 + 10 × 0,23 + 15 × 0,56 = 9,85
O quanto varia o lucro por produto?

X
V (X) = E(X − 9, 85)2 = (x − 9, 85)2 f (x) = 57, 23
p x
DP (X) = V (X) = 7, 57 (desvio padrão)

Modelos discretos
Algumas propriedades da média e da variância
Se X é uma variável aleatória e a e b são constantes reais, então
E(aX + b) = aE(X) + b
V (aX + b) = a2 V (X)

Modelos discretos
Modelos probabilı́sticos para

variáveis aleatórias discretas

Modelos discretos
Modelos probabilı́sticos para variáveis aleatórias discretas
Motivação:
Algumas variáveis aleatórias adaptam-se muito bem a uma
série de problemas práticos.
Construção de modelos probabilı́sticos para situações reais
pode ser muito útil.
Alguns modelos probabilı́sticos para variáveis aleatórias discretas
Bernoulli
Binomial
Geométrico
Hipergeométrico
Poisson

Modelos discretos
Modelo (Distribuição) Bernoulli
Muitos experimento são tais que os resultados apresentam ou não

uma determinada caracterı́stica. Por exemplo:
1 uma peça é selecionada ao acaso de um lote de peças: a peça
será caracterizada como defeituosa ou não defeituosa
2 um medicamento é usado por um indivı́duo: registra-se se há
o efeito esperado ou não há
3 uma opinião é solicitada: a resposta será concordo ou não
concordo
Em todos os experimentos, estaremos interessados na ocorrência

de sucesso (que será um dos dois possı́veis resultados).

Modelos discretos
Caracterı́sticas do experimento (Ensaio) de Bernoulli
1 o resultado do experimento apresenta ou não uma

determinada caracterı́stica
2 a ocorrência da caracterı́stica é denominada sucesso e a não
ocorrência, fracasso
3 ao sucesso atribuı́mos o valor 1 e ao fracasso, o valor 0
4 definiremos as probabilidades de sucesso e fracasso da
seguinte forma: P(sucesso)=p e P(fracasso)=1-p, 0 < p < 1

Modelos discretos
Definição [Modelo Bernoulli]

Uma v.a. X segue o modelo Bernoulli, se assume apenas os
valores 0 ou 1 e sua função de probabilidade f (x) é dada por
f (x) = P (X = x) = px (1 − p)1−x .
Notação
X ∼ Bernoulli(p)
Leitura: a variável aleatória X tem distribuição Bernoulli de
parâmetro p ou, alternativamente, a variável aleatória X segue o
modelo Bernoulli de parâmetro p .

Modelos discretos
Média e variância de uma variável aleatória Bernoulli
Seja X ∼ Bernoulli(p), então E(X) = p e V (X) = p(1 − p).
Nota: 1
X X
E(X) = xf (x) = xP (X = x)
x x=0
= 0 × P (X = 0) + 1 × P (X = 1)
= 0 × p0 (1 − p)1−0 + 1 × p1 (1 − p)1−1
= 0 × (1 − p) + 1 × p
=p

Modelos discretos
Modelo Binomial
Consideramos, agora, um experimento que consiste de n ensaios

independentes de Bernoulli e para o qual a probabilidade de
sucesso em cada ensaio é sempre igual a p, 0 < p < 1.
Caracterı́sticas do experimento Binomial

n ensaios independentes de Bernoulli
a P (sucesso) de cada ensaio é sempre constante e igual a p

Modelos discretos
Modelo Binomial
Definição [Modelo binomial]

Seja X a v.a. correspondente ao número de sucessos num
experimento binomial. Diremos que X segue o modelo binomial
com parâmetros∗ ne p.
Sua função de probabilidade é dada por
n x
f (x) = P (X = x) = p (1 − p)n−x , x = 0, 1, . . . , n.
x
Notação
X ∼ Binomial(n, p)

Modelos discretos
Modelo Binomial
Média e variância de uma variável aleatória binomial
Seja X ∼ Binomial(n, p), então E(X) = np e V (X) = np(1 − p).

Modelos discretos
Modelo Binomial
Exemplo:
Uma avaliação é composta de 10 questões independentes, cada

questão de valor 1 ponto. Para cada questão, 4 alternativas de
resposta são disponı́veis e apenas 1 delas é correta.
a. Se um aluno responde a avaliação ao acaso (“chute”), qual a
probabilidade dele tirar nota 10 (nota = número de questões
corretas)?
b. Qual a nota esperada para os alunos que respondem a prova ao
acaso?
c. Apresente os resultados da distribuição de probabilidade da
nota.

Modelos discretos
Modelo Binomial
Exemplo:
Suponha um processo de produção de peças com estimativa de 1%

de peças defeituosas. A cada hora uma amostra de 100 peças é
selecionada e o responsável classifica cada peça como boa ou
defeituosa. Caso se verifique mais de 2 peças com defeito na
amostra o processo de produção é parado. Considerando esse
processo como um experimento binomial e a v.a. X denotando o
número de peças defeituosas na amostra, a probabilidade do
processo ser parado é dada por
100
X 100
P (X > 2) = 0,01x .0,99100−x = 0,08.
x
x=3
Nota: P (X > 2) = 1−P (X ≤ 2) = 1−[P (X = 0)+P (X = 1)+P (X = 2)]

Modelos discretos
Modelo Binomial
Continuando o exemplo:
Temos: X ∼ Binomial(100; 0,01).
O número esperado (médio) de peças defeituosas na amostra de

tamanho 100 é
E(X) = 100 × 0,01 = 1
e a variância do número de peças defeituosas na amostra é
V (X) = 100 × 0,01 × 0,99 = 0,99.
Pergunta: Esse processo pode ser caracterizado como um

experimento binomial?

Modelos discretos
Modelo Binomial
Representação gráfica

Modelos discretos
Modelo Binomial
Exemplo:
Suponha que um determinado teste usado para o diagnóstico

precoce de gravidez é capaz de confirmar casos positivos em
apenas 90% das gestantes jovens. Isso porque, em 10% das
gestantes jovens, ocorre uma escamação do epitélio do útero, que
é confundida com a menstruação. Nestas condições qual a
probabilidade de no máximo 3, de uma amostra 10 gestantes
muito jovens que fizeram uso do teste, não terem confirmado
precocemente a gravidez?

Modelos discretos
Modelo Binomial
Exemplo (continuação):
Considerando as condições para um experimento binomial e a v.a.

X denotando o número de gestantes na amostra que não tiveram
confirmação pelo teste, a probabilidade é dada por
3 3
X X 10
P (X ≤ 3) = P (X = x) = 0,10x .0,9010−x
x
x=0 x=0
= P (X = 0)+P (X = 1)+P (X = 2) +P (X = 3)
= 0,349 + 0,387 + 0,194 + 0,057 = 0,987
Nota: ”sucesso”é não ter confirmação pelo teste; X ∼ Binomial(10; 0,10)

Modelos discretos
Modelo Geométrico
Experimento Geométrico
consiste de uma série de ensaios independentes de Bernoulli

Modelos discretos
Modelo Geométrico
Experimento Geométrico
consiste de uma série de ensaios independentes de Bernoulli
Definição [Modelo Geométrico]

Seja X a v.a. correspondente ao número de tentativas até que
o primeiro sucesso ocorra. Diremos que X segue o modelo
geométrico com parâmetro p. Sua função de probabilidade é dada
por f (x) = P (X = x) = p(1 − p)x−1 , x = 1, 2, . . . .
Notação
X ∼ Geométrica(p)

Modelos discretos
Modelo Geométrico
Média e variância de uma variável aleatória geométrica
1 (1 − p)
Seja X ∼ Geométrica(p), então E(X) = e V (X) = .
p p2

Modelos discretos
Modelo Geométrico
Exemplo:
Um experimento deve ser realizado até se obter um resultado bem

sucedido. As provas são independentes e o custo de realização de
cada experimento é R$ 25.000,00 com acréscimo de R$ 5.00,00 a
partir do segundo experimento. Qual o custo esperado do projeto?
X: número de tentativas até o 1o sucesso
Custo: C(X) = 30.000(X − 1) + 25.000 = 30.000X − 5.000
1
E[C(X)] = 30.000E(X) − 5.000 = 30.000 × − 5.000
p
O custo esperado dependerá da probabilidade de sucesso.

Modelos discretos
Modelo Geométrico
Continuação do exemplo:
Se a probabilidade de sucesso em uma única prova é p = 0,25,

1
temos E[C(X)] = 30.000. 0,25 − 5.000 = 115.000
Note que é possı́vel continuar indefinidamente o experimento,
isto é, não obter sucesso.
Suponha que o experimentador tenha um máximo de R$
500.000,00. Qual a probabilidade do experimento ter custo maior
que esse valor?
P (C(X) > 500.000) = P ((30.000X−5.000) > 500.000) = P (X > 16, 83)

Modelos discretos
Modelo Geométrico
P (X > 16, 83) = P (X ≥ 17) = 1 − P (X ≤ 16) = 1 − F (16)

16
X 16
X
= 1− f (x) = 1 − 0,25.0,75x−1
x=1 x=1
= 0,01

Modelos discretos
Modelo Geométrico
Qual o número esperado de tentativas até a obtenção do sucesso?

1 1
E(X) = = =4
p 0,25
Qual a probabilidade de serem necessárias 4 tentativas até obter o
primeiro sucessso?
f (4) = P (X = 4) = 0,25.0,753 ≈ 0,1055

Modelos discretos
Modelo Geométrico
Qual a variância e o desvio padrão do número de tentativas até a

obtenção do sucesso?
1−p 1 − 0,25
V (X) = = = 12
p2 0,252
p
DP (X) = V (X) ≈ 3, 46
Qual o coeficiente de variação do número de tentativas até a
obtenção do sucesso?
DP (X) 3,46
CV (X) = = = 0,865 = 86,5%
E(X) 4
Esse resultado indica uma variação baixa, média ou alta?

Modelos discretos
Modelo Geométrico
Suponha que 4 experimentos foram feitos e não houve sucesso.

Qual a probabilidade de que mais de 2 experimentos adicionais
sejam necessários para a obtenção do sucesso?
Sendo X o número de tentativas até o primeiro sucesso, temos:
P (X > 6 ∩ X > 4)
P (X > 4 + 2|X > 4) = P (X > 6|X > 4) =
P (X > 4)
P6
P (X > 6) 1 − P (X ≤ 6) 1 − x=1 p(1 − p)x−1
= = =
P (X > 4) 1 − P (X ≤ 4) 1 − 4x=1 p(1 − p)x−1
P
1 − [p × (soma PG finita)] (1 − p)6

= = = (1 − p)2 = P (X > 2)
1 − [p × (soma PG finita)] (1 − p)4

Modelos discretos
Modelo Geométrico
P (X > 2) = 1 − P (X ≤ 2) = 1 − [P (X = 1) + P (X = 2)]
= 1 − [0,2500 + 0,1875] = 0,5625
a1 (1 − q n )
Nota: Soma PG finita: S =
1−q

Modelos discretos
Modelo Geométrico

Modelos discretos
Modelo Geométrico
Falta de memória da distribuição geométrica
Seja X ∼ Geométrica(p) e m e n números inteiros positivos, então
P (X ≥ m + n|X ≥ m) = P (X ≥ n).

Modelos discretos
Modelo Hipergeométrico
Experimento Hipergeométrico
uma série de N objetos, dos quais K são classificados como
sucessos (objetos com caracterı́stica(s) de interesse) e N − K
são classificados como fracassos, K ≤ N .
uma amostra de tamanho n, n ≤ N , é selecionada ao acaso e
sem reposição dos N objetos.

Modelos discretos
Experimento Hipergeométrico
uma série de N objetos, dos quais K são classificados como
sucessos (objetos com caracterı́stica(s) de interesse) e N − K
são classificados como fracassos, K ≤ N .
uma amostra de tamanho n, n ≤ N , é selecionada ao acaso e
sem reposição dos N objetos.
Definição [Modelo Hipergeométrico]
Considere um experimento hipergeométrico e seja X a v.a. que
corresponde ao número de sucessos na amostra. Diremos que
X segue o modelo hipergeométrico com função de probabilidade
K N −K

x n−x
f (x) = P (X = x) = N
, máx{0, n+K−N } ≤ x ≤ mı́n{n, K}.
n
Notação
X ∼ Hipergeométrica(N, K, n)
Modelos discretos
Média e variância de uma variável aleatória hipergeométrica
Seja X ∼ Hipergeométrica(N, K, n), então

N −n
E(X) = np e V (X) = np(1 − p) ,
N −1
K
em que p = .
N

Modelos discretos
Exemplo:
Lotes 100 de peças da indústra Alfa são recebidos periodicamente

em uma empresa e o seguinte plano de amostragem de aceitação é
usado: seleciona-se aleatoriamente uma amostra de 10 peças sem
reposição. O lote é aceito se a amostra tiver, no máximo, uma
defeituosa. Supondo que 5 das 100 peças do lotes sejam
defeituosas, qual a probabilidade do lote ser aceito?
Temos um experimento hipergeométrico com N = 100, K = 5 e

n = 10. Sendo X o número de peças defeituosas na amostra,
K N −K 5
1
1
95
X x n−x
X x 10−x
P (X ≤ 1) = N
= 100
≈ 0,584+0,339 = 0,923
x=0 n x=0 10

Modelos discretos

Modelos discretos
Nas condições estabelecidas, o resultado nos diz que 92,3% dos

lotes serão aceitos e 7,7%, rejeitados. Admitindo que a indústria
produz 5% de peças defeituosas (∗) , o que ocorre com a
probabilidade quando o tamanho do lote passa de 100 para 200
peças?
Considerando o experimento hipergeométrico com N = 200,

K = 10 e n = 10 e X o número de peças defeituosas na amostra,
K N −K 10
1
1
190
X x n−x
X x 10−x
P (X ≤ 1) = N
= 200
≈ 0,9182
x=0 n x=0 10

Modelos discretos
Seguindo o exemplo, vamos considerar o experimento

hipergeométrico com N = 200000, K = 10000, n = 10 e X o
número de peças defeituosas na amostra. Assim,
1 K N −K

X x n−x
P (X ≤ 1) = N
≈ 0,91386.
x=0 n

Modelos discretos
Relação entre Hipergeométrica e Binomial

Para N (tamanho da população) muito superior a n (tamanho da
amostra), a não reposição dos objetos coletados não influi muito
no resultado final do cálculo das probabilidades. Dessa forma, as
probabilidades hipergeométricas e binomial são próximas.
1 K N −K 1

X x n−x
X n
Nota:P (X ≤ 1) = N
≈ px (1 − p)n−x , p = K
N.
n
x
x=0 x=0

Modelos discretos
Modelo Hipergeométrico e Modelo Binomial
Amostragem sem reposição e Amostragem com reposição
Pesquisa eleitoral

Modelos discretos
Modelo Poisson
Empregado para a contagem de indivı́duos, plantas, colônias de

bactérias ou objetos por intervalo de tempo, comprimento, área ou
volume.
Exemplos
número de bactérias por 0,01 mm2 de uma certa cultura,
observado numa plaqueta de microscópio
número de partı́culas radioativas emitidas numa determinada
unidade de tempo
número de partı́culas indesejadas na fabricação de discos
ópticos de armazenamento

Modelos discretos
Modelo Poisson
Aplicações na área biológica: estudo do padrão de dispersão de

populações de uma espécie (vegetal, animal) em determinada área;
estudo de dinâmica de populações e de entologia (insetos).

Modelos discretos
Modelo Poisson
A distribuição de Poisson pode ser estabelecida de duas maneiras:
- definição de um processo de Poisson

- forma limite da distribuição binomial
Conhecida também como distribuição de eventos raros.

Modelos discretos
Modelo Poisson
Definição [Modelo Poisson]

Suponha que contagens ocorram em um intervalo de número reais.
Se o intervalo puder ser dividido em subintervalos tal que

Modelos discretos
Modelo Poisson

1. a probabilidade de mais de uma contagem em um subintervalo
suficientemente pequeno seja zero (não são permitidas
ocorrências simultâneas)

Modelos discretos
Modelo Poisson

2. a probabilidade de uma contagem em um subintervalo seja a
mesma para todos os subintervalos de mesma dimensão

Modelos discretos
Modelo Poisson

3. a probabilidade de uma contagem em um subintervalo é
proporcional ao tamanho do subintervalo

Modelos discretos
Modelo Poisson

3. a probabilidade de uma contagem em um subintervalo é
proporcional ao tamanho do subintervalo
4. contagens em subintervalos disjuntos são independentes

Modelos discretos
Modelo Poisson
Definição [Modelo Poisson - continuação]

então, o experimento aleatório será chamado de processo de
poisson. Se o número médio de contagens no intervalo for
λ > 0, a v.a. X correspondente ao número de contagens no
intervalo terá uma distribuição de Poisson com parâmetro λ e sua
função de probabilidade é
e−λ λx
f (x) = P (X = x) = , x = 0,1,2,. . . ,
x!
em que e = 2,718282 (número de Euler).
Notação
X ∼ Poisson(λ)

Modelos discretos
Modelo Poisson
Média e variância de uma variável aleatória poisson
Seja X ∼ Poisson(λ), então E(X) = λ e V (X) = λ.
Importante
Usar unidades consistentes no cálculo de probabilidades, médias e
variâncias. Por exemplo, se o
no. médio de falhas por mm de fio for 3,4, então o
no. médio de falhas em 10mm de fio será 34 e o
no. médio de falhas em 100mm de fio será 340.

Modelos discretos
Modelo Poisson
Exemplo: Contaminação (por partı́culas) na fabricação de discos

ópticos de armazenamento.
Interesse: Probabilidades relacionadas ao número de partı́culas no
disco.
Informações:
área do disco = 100 cm2
no. médio de partı́culas por cm2 de superfı́cie = 0,1
v.a. de interesse: X: no. de partı́culas no disco
Perguntas: E(X), P (X = 0) e P (X ≤ 2)?

Modelos discretos
Modelo Poisson
Caracterização como processo de poisson:

Modelos discretos
Modelo Poisson

1. a probabilidade de mais de uma partı́cula em um subárea
(suficientemente pequena) do disco é zero

Modelos discretos
Modelo Poisson

2. a probabilidade de x partı́cula(s) em uma subárea é a mesma
para todas as subáreas de mesma dimensão

Modelos discretos
Modelo Poisson

3. a probabilidade de x partı́cula(s) em uma subárea é
proporcional ao tamanho da subárea

Modelos discretos
Modelo Poisson

3. a probabilidade de x partı́cula(s) em uma subárea é
proporcional ao tamanho da subárea
4. o número de partı́culas em uma subárea é independente do
número de partı́culas em outras subáreas

Modelos discretos
Modelo Poisson
Respostas:
λ = E(X) = 100 × 0,1 = 10 partı́culas

e−10 100
P (X = 0) = ≈ 4,54.10−5
0!
2
X e−λ λx
P (X ≤ 2) = ≈
x!
x=0
4,54.10−5 + 4,54.10−4 + 2,27.10−3 = 0.00277

Modelos discretos
Modelo Poisson
Exemplo: Numa placa de microscópio com área dividida em

quadrantes de 1mm2 , encontram-se em média 5 colônias por mm2 .
Considerando que a distribuição de Poisson é adequada para a v.a.
“número de colônias por quadrante”, determine a probabilidade de:
(a) em um certo quadrante ter exatamente uma colônia

(b) ser encontrado no máximo uma colônia em um determinado
quadrante
(c) ser encontrado pelo menos duas colônias em um determinado
quadrante
(d) ser encontrado oito colônias em 2 mm2

Modelos discretos
Modelo Poisson
Sendo X ∼ Poisson(5), a função de probabilidade é
e−5 5x
P (X = x) = , x = 0, 1, 2, ....
x!
e−5 51
(a) P (X = 1) = = 0,0337.
1!
e−5 50 e−5 51
(b) P (X ≤ 1) = P (X = 0) + P (X = 1) = + =
0! 1!
0.0067 + 0,0337 = 0,0404 .
(c) P (X ≥ 2) = 1 − P (X < 2) = 1 − P (X ≤ 1) = 0,9596.
(d) Tem-se X ∼ Poisson(10). Portanto, P (X = 8) = 0,1126.

Modelos discretos
Modelo Poisson
O modelo Poisson e o Binomial
A distribuição de Poisson pode ser vista como o limite da

distribuição binomial, isto é, para valores de n grande (fazendo-se
n cada vez maior) e p pequeno (fazendo-se p cada vez menor),
verifica-se:
e−λ λx

n x
≈ p (1 − p)n−x , com λ = np,
x! x
para x = 0,1,2,. . . , n.
A aproximação é boa para np ≤ 7 (diferentes valores são vistos na

literatura).

Modelos discretos
Modelo Poisson
Exemplo:
A probabilidade de um indivı́duo apresentar reação negativa a certa

injeção é de 0,001. Suponha que essa injeção seja aplicada a 2000
indivı́duoso. Determine a probabilidade de que mais de quatro
indivı́duos tenham reação negativa. Temos:
p = 0,001; n = 2000; λ = 2
Usando a Poisson: P (X > 4) = 1 − P (X ≤ 3) = 0,05265
Usando a binomial: P (X > 4) = 0,05256

Modelos discretos
Conteúdo visto
1 Função de probabilidade e condições de sua existência

2 Função de distribuição (acumulada)
3 Modelo ou distribuição de probabilidade
4 Representação gráfica
5 Esperança e variância

05 VariavelAleatoriaDiscreta

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

05 VariavelAleatoriaDiscreta

Enviado por

Direitos autorais:

Formatos disponíveis

Variáveis aleatórias

Ronald Targino Nojosa

Ronald Targino Nojosa Probabilidade e Estatı́stica

Ronald Targino Nojosa Probabilidade e Estatı́stica

Definição [Variável aleatória]

Ronald Targino Nojosa Probabilidade e Estatı́stica

Ronald Targino Nojosa Probabilidade e Estatı́stica

Ronald Targino Nojosa Probabilidade e Estatı́stica

Variáveis aleatórias discretas

Tabela 1 - Distribuição de probabilidade da v.a. X

Ronald Targino Nojosa Probabilidade e Estatı́stica

Variáveis aleatórias discretas

Tabela 1 - Distribuição de probabilidade da v.a. X

Definição [Distribuição de probabilidade]

Ronald Targino Nojosa Probabilidade e Estatı́stica

Tipos de variáveis aleatórias

Ronald Targino Nojosa Probabilidade e Estatı́stica

Variáveis aleatórias discretas

Ronald Targino Nojosa Probabilidade e Estatı́stica

Variáveis aleatórias discretas

Exemplo: Estabelecer uma empresa para montar um produto

Tabela 2 - Distribuição da produção dos cilindros e das esferas.

Ronald Targino Nojosa Probabilidade e Estatı́stica

Variáveis aleatórias discretas

Pergunta: Qual o lucro esperado por produto?

Ronald Targino Nojosa Probabilidade e Estatı́stica

Variáveis aleatórias discretas

Tabela 3 - Distribuição de probabilidade das composições (cilı́ndo e

Produto (composições) Probabilidade Lucro por produto (X)

Nota: BB: cilindro Bom e esfera Boa

Variáveis aleatórias discretas

Tabela 3 - Distribuição de probabilidade da v.a. X

A pergunta será respondida após as definições dadas a seguir.

Ronald Targino Nojosa Probabilidade e Estatı́stica

Variáveis aleatórias discretas

Definição [Função de distribuição acumulada]

Ronald Targino Nojosa Probabilidade e Estatı́stica

Variáveis aleatórias discretas

Definição [Função de probabilidade]

Ronald Targino Nojosa Probabilidade e Estatı́stica

Variáveis aleatórias discretas

Definição [Média e Variância]

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

Nota: V (X) = E(X − µ)2 = E(X − E(X))2 = E(X 2 ) − [E(X)]2 .

Ronald Targino Nojosa Probabilidade e Estatı́stica

Variáveis aleatórias discretas

Resposta da pergunta inicial: Qual o lucro esperado por porduto?

O quanto varia o lucro por produto?

Ronald Targino Nojosa Probabilidade e Estatı́stica

Variáveis aleatórias discretas

Algumas propriedades da média e da variância

Se X é uma variável aleatória e a e b são constantes reais, então

Ronald Targino Nojosa Probabilidade e Estatı́stica

Modelos probabilı́sticos para

Ronald Targino Nojosa Probabilidade e Estatı́stica

Modelos probabilı́sticos para variáveis aleatórias discretas

Ronald Targino Nojosa Probabilidade e Estatı́stica

Modelo (Distribuição) Bernoulli

Muitos experimento são tais que os resultados apresentam ou não

Em todos os experimentos, estaremos interessados na ocorrência

Ronald Targino Nojosa Probabilidade e Estatı́stica

Modelo (Distribuição) Bernoulli

Caracterı́sticas do experimento (Ensaio) de Bernoulli