Distribuições Discretas de Probabilidades

Distribuição Uniforme

Se os valores que a v. a. 𝑋 pode assumir ocorrem com igual probabilidade então diz-se que 𝑋 segue
uma distribuição Uniforme.

Definição:
A v. a. 𝑋 segue uma distribuição Uniforme discreta em 𝑵 pontos, 𝑋 * +, se a sua
função de probabilidade é:
( ) ( ) , 𝑵
𝑵
O parâmetro caracterizador desta distribuição é

Exemplo:
Considere-se a experiência aleatória que consiste no lançamento de um dado.
Seja 𝑋 a v. a. que representa o valor da face voltada para cima.
a) Descreva a função de probabilidade da v. a. 𝑋.
b) Determine o valor esperado e a variância de 𝑋.
c) Qual a probabilidade de sair um número par no dado?
d) Determine a probabilidade de sair um número superior a 3 no lançamento.
e) Num lançamento, qual a probabilidade de sair um número inferior a 2?

Resolução:
Função de probabilidade:
a) ( ) (𝑋 ) portanto 𝑋 * +
b) , - ( )
c) (𝑋 𝑋 𝑋 ) (𝑋 ) (𝑋 ) (𝑋 )
d) (𝑋 ) (𝑋 ) (𝑋 ) (𝑋 )
e) (𝑋 ) (𝑋 ) (𝑋 )

Distribuição Bernoulli e Binomial

Prova de Bernoulli

Definição:
Uma experiência aleatória chama-se prova de Bernoulli se possuir as seguintes características:
 Tem apenas dois resultados possíveis, incompatíveis:
 𝐴 que se designa por sucesso;
 𝐴 designado por insucesso,
 (𝐴) e (𝐴̅) =1− .

1
Distribuição de Bernoulli
Quando se realiza uma prova de Bernoulli e se considera 𝑋 a v.a. que caracteriza a experiência
tomando os valores:
 = 1 quando o resultado da prova é um sucesso,
 = 0 quando o resultado da prova é um insucesso,
então a distribuição de Bernoulli é o modelo adequado para descrever o comportamento
probabilístico da v. a. 𝑋.

Definição:
A v. a. discreta 𝑋, que designa o resultado da prova de Bernoulli, segue uma distribuição Bernoulli,
i. e.,
𝑋 ( ), se a sua função de probabilidade é:
( ) (𝑋 ) ( ) , com .

O parâmetro caracterizador desta distribuição é

Se 𝑋 ( ) então (𝑋) e (𝑋) ( – ) .

Distribuição Binomial

Quando se realizam 𝑛 provas de Bernoulli independentes mantendo-se constante, de prova para

prova, a
probabilidade de sucesso e de insucesso, i. e., (𝐴) e (𝐴̅) , então a
distribuição
Binomial é o modelo adequado para descrever o comportamento probabilístico da v. a. 𝑋 que conta o
número de sucessos em 𝑛 provas realizadas.
Considere-se a seguinte sequência de 𝑛 provas de Bernoulli independentes:

𝑛
⏞
𝐴𝐴𝐴𝐴 𝐴
⏟ 𝐴
⏟̅𝐴̅𝐴̅

A probabilidade desta sequência se verificar, dado que as provas são independentes, é:

(𝐴𝐴 𝐴̅𝐴̅ 𝐴̅) (𝐴) (𝐴) (𝐴) (𝐴𝐴̅) (𝐴̅) (𝐴̅) ( )

No entanto existem maneiras diferentes de se realizam sucessos e 𝑛 − insucessos sendo a
probabilidade da sequência sempre a mesma. Portanto, a probabilidade de em 𝑛 provas de Bernoulli
obter
exatamente sucessos é dada por:
(𝑋 ) , 𝑛.

Definição:
A v. a. discreta 𝑋, que designa o número de sucessos em 𝑛 provas de Bernoulli independentes, cada
uma com probabilidade de sucesso , segue uma distribuição Binomial, i. e., 𝑋 (𝑛 ) se a sua
função de probabilidade é:
( ) (𝑋 ) , 𝑛 com .

Os parâmetros caracterizadores desta distribuição são 𝑛 e .

2
Exemplo:

Com a ingestão de um determinado fármaco para o tratamento da depressão, 20% dos doentes referem
sentir efeitos secundários durante a 1ª semana de tratamento. Recolheu-se uma amostra aleatória de 15
doentes.
Seja 𝑋 a v. a. que representa o número de doentes que sentem os referidos efeitos secundários numa
amostra de 15 doentes.
a) Identifique a distribuição da v. a. 𝑋.
b) Em média quantos doentes sentiram efeitos secundários?
c) Calcule a variância da v. a. 𝑋.
d) Qual a probabilidade de exatamente 5 doentes sentirem efeitos secundários?
e) Calcule a probabilidade de 2 doentes sentirem efeitos secundários.
f) Determine a probabilidade de pelo menos 1 e menos de 4 doentes sentirem efeitos secundários.

Resolução:
a) Os 𝑛 = 15 doentes são independentes.
Só existem 2 resultados possíveis por tratamento: sente efeitos secundários ( ) ou não sente efeitos
secundários ( ̅ ), sendo

( ) e ( ̅) .
Logo, 𝑋 (𝑛 ).
Função de probabilidade:

( ) (𝑋 )

b) ,𝑋- ( em média 3 pacientes sentem o efeito secundário)

c) (𝑋)
d) ( )
e) ( ) ( ) ( ( ) ( ) ( )
( ) ( )
f) ( 𝑋 ) ( ) ( ) ( )
( 𝑋 )

Distribuição Geométrica
A distribuição Geométrica é o modelo probabilístico adequado para descrever o comportamento
probabilístico da v.a. 𝑋 que conta o número de provas de Bernoulli independentes a realizar até obter
a primeira prova com sucesso, mantendo-se constante, de prova para prova, a probabilidade de
sucesso e insucesso.
Considere-se que foi necessário realizar 𝑛 provas de Bernoulli até obter uma prova com sucesso. Uma
vez que a experiência termina assim que se obtém uma prova com sucesso, em cada uma das
primeiras 𝑛 – 1 provas obteve-se um insucesso. Deste modo, os resultados desta experiência são
descritos pela seguinte sequência:

𝐴̅𝐴̅ 𝐴̅𝐴 (𝐴̅ – Insucesso, A – sucesso)

Visto as provas serem independentes, a probabilidade desta sequência se verificar é:

(𝐴 𝐴 𝐴 𝐴) (𝐴) (𝐴) (𝐴) (𝐴) ( ) .
Portanto, a probabilidade de se terem que realizar provas de Bernoulli independentes até obter a
primeira prova com sucesso é dada por:

3
 (𝑋 ) ( )

Definição:
A v. a. Discreta 𝑋, que designa o número de provas de Bernoulli independentes a realizar até obter o
primeiro sucesso, sendo a probabilidade de sucesso de cada prova, segue uma distribuição
Geométrica, i. e., ( ), se a sua função de probabilidade é:
( ) (𝑋 ) ( ) .
O parâmetro caracterizador desta distribuição é .

Se 𝑋 ( ) então (𝑋) e 𝑋 (𝑋) .

Exemplo:

Com a ingestão de um determinado fármaco para o tratamento da depressão, 20% dos doentes referem
sentir efeitos secundários durante a 1ª semana de tratamento.
a) Quantos doentes espera ter que inquirir até encontrar um que refira ter sentido os efeitos
secundários?
b) Qual a probabilidade de ter que inquirir 5 doentes até encontrar um que tenha sentido os efeitos
secundários?
c) Determine a probabilidade de ter que inquirir mais de 3 doentes até encontrar um que tenha sentido
os efeitos secundários.

Resolução:
Seja 𝑋 a v. a. que representa o número de doentes a inquirir até encontrar um que refira ter sentido os efeitos
secundários.
Só existem 2 resultados possíveis por tratamento: sente efeitos secundários ( ) ou não sente efeitos
secundários ( ̅ ), sendo
( ) ( ̅)
Logo, 𝑋 ( )
Função de probabilidade:
( ) (𝑋 ) ,

a) (𝑋) (número médio de doentes a inquirir)

b) (𝑋 ) ( )
c) (𝑋 ) (𝑋 ) (𝑋 ) (𝑋 ) (𝑋 )
(𝑋 ) ( )

Distribuição Binomial Negativa

A distribuição Binomial Negativa é o modelo probabilístico adequado para descrever o
comportamento probabilístico da v.a. 𝑋 que conta o número de provas de Bernoulli independentes a
realizar até obter 𝑘 provas com sucesso, mantendo-se constante, de prova para prova, a probabilidade
de sucesso e insucesso.
Considere-se que foi necessário realizar 𝑛 provas de Bernoulli até obter k provas com sucesso. Como
esta experiência termina quando se obtém 𝑘-ésima prova com sucesso, nas 𝑛−1 provas iniciais
ocorreram 𝑘 −1 provas com sucesso e 𝑛−𝑘 provas com insucesso. Uma sequência possível de
resultados é:

4
 𝐴̅𝐴̅ 𝐴̅𝐴 𝐴𝐴 (𝐴̅ – Insucesso, A – sucesso)
Visto as provas serem independentes, a probabilidade desta sequência se verificar é:

(𝐴̅𝐴̅ 𝐴̅𝐴 𝐴𝐴 ) (𝐴) (𝐴̅) (𝐴̅) (𝐴) (𝐴) (𝐴) ( ) .

No entanto existem maneiras diferentes de se realizam 𝑘 − 1 sucessos em 𝑛 − 1 provas sendo a

probabilidade da sequência sempre a mesma. Portanto, a probabilidade de se terem que realizar
provas de Bernoulli obter exactamente 𝑘 sucessos é dada por:

(𝑋 𝑘) ( ) (𝑋 𝑘)
𝑘𝑘

Definição:
A v. a. discreta 𝑋, que designa o número de provas de Bernoulli independentes a realizar até obterem
𝑘 sucessos, sendo a p probabilidade de sucesso de cada prova, segue uma distribuição Binomial
Negativa, i. e 𝑵( ), se a sua função de probabilidade é:
( ) (𝑋 𝑘) ( ) (𝑋 𝑘)
𝑘𝑘

Os parâmetros caracterizadores desta distribuição são 𝑛 e 𝑘.

Se 𝑋 (𝑘 ) então 𝑋 (𝑋) e (𝑋)

Exemplo:

Com a ingestão de um determinado fármaco para o tratamento da depressão, 20% dos doentes referem
sentir efeitos secundários durante a 1ª semana de tratamento.
a) Quantos doentes espera ter que inquirir até encontrar 3 que refiram ter sentido os efeitos
secundários?
b) Qual a probabilidade de ter que inquirir 5 doentes até encontrar 3 que tenha sentido os efeitos
secundários?

Resolução:
Seja 𝑋 a v. a. que representa o número de doentes a inquirir até encontrar 3 que refiram ter sentido os efeitos
secundários.
Só existem 2 resultados possíveis por tratamento: sente efeitos secundários ( ) ou não sente efeitos
secundários ( ), sendo
sendo
( ) ( ̅)
Logo, 𝑋 (𝑘 )
Função de probabilidade:
( ) (𝑋 𝑘) ,

a) (𝑋) (número médio de doentes a inquirir)

b) (𝑋 )

5
Distribuição Multinomial
A distribuição Multinominal é a generalização da distribuição Binomial, em que se tem mais de
dois resultados possíveis em cada experiência aleatória (prova).
Quando se realizam 𝑛 experiências aleatórias independentes, existindo 𝐾 resultados possíveis e
incompatíveis para cada experiência, 𝐴𝑖 , 𝑖 = 1, … , 𝐾, mantendo-se constante de prova para prova a
probabilidade de cada um desses resultados ocorrer,

(𝐴𝑖) 𝑖 e (𝐴̅ ) , 𝑖 = 1, 2, … , 𝐾 com ∑ (𝐴𝑖) ∑

então a distribuição Multinomial é o modelo adequado para descrever o comportamento

probabilístico da v. a. (𝑋 , 𝑋 , … , 𝑋 ), onde 𝑋 , representa o número de vezes que ocorre 𝐴 , 𝑖 = 1,
2, … , 𝐾, em 𝑛 experiências realizadas.

Definição:
A v. a. discreta multidimensional (𝑋 , 𝑋 , … , 𝑋 ), onde 𝑋𝑖 é o número de vezes que ocorre 𝐴 , 𝑖 =
1, … , 𝐾, em 𝑛 provas independentes, segue uma distribuiçãoMultinominal, i. e.,
(𝑋 , 𝑋 , … , 𝑋 ) (𝑛 ), se a sua função de probabilidade conjunta é:

Os parâmetros caracterizadores desta distribuição são 𝑛 e (𝑖 = 1, 2, … , 𝐾 − 1).

De notar que a 𝐾-ésima variável é definida à custa das restantes, i.e.:
𝑛 e , ou seja, e 𝐾 são dependentes.

Exemplo:

Num serviço hospitalar existem 100 de comprimidos de igual aparência dos quais 40 são analgésicos, 35 são
para o controlo da hipertensão e 25 para o controlo da diabetes.
Considere a experiência aleatória que consiste em retirar, com reposição, uma amostra de 15 comprimidos.
a) Identifique a distribuição da v. a. em estudo.
b) Em média quantos comprimidos analgésicos espera ter na amostra? E comprimidos para o controlo
da hipertensão? E para o controlo da diabetes?
c) Determine as variâncias.
d) Qual a probabilidade de ter exatamente 5 comprimidos analgésicos e 3 para controlo da hipertensão
na amostra?
e) Calcule a probabilidade de retirar no mínimo 9 comprimidos analgésicos e exatamente 5
comprimidos para controlo da diabetes.
f) Qual a probabilidade de a amostra conter pelo menos 14 comprimidos para controlo da hipertensão?

6
Resolução:
a) Sejam:
▪ 𝑋1 a v. a. que representa o número de comprimidos analgésicos nos 15 retirados;
▪ 𝑋2 a v. a. que representa o número de comprimidos para controlo da hipertensão nos 15 retirados;
▪ 𝑋3 a v. a. que representa o número de comprimidos para controlo da diabetes nos 15 retirados.
Neste caso tem-se:
𝑛
Logo (𝑋 𝑋 𝑋 ) (𝑛 )
Finção de probabilidade
( ) (𝑋 𝑋 𝑋 )
Para

b) (𝑋 ) (número médio de comprimidos analgésicos)

(𝑋 ) (número médio de comprimidos para hipertensão)
(𝑋 ) (número médio de comprimidos para diabetes)

c) (𝑋 )
(𝑋 )
(𝑋 )

d) (𝑋 𝑋 ) (𝑋 𝑋 𝑋 )
e) (𝑋 𝑋 ) (𝑋 𝑋 𝑋 ) (𝑋 𝑋 𝑋 )
(𝑋 𝑋 )
f) (𝑋 ) (𝑋 𝑋 𝑋 ) (𝑋 𝑋 𝑋 )
(𝑋 𝑋 𝑋 )
(𝑋 )
(𝑋 )

Distribuição Hipergeométrica
A distribuição Hipergeométrica é o modelo probabilístico adequado para descrever os processos
em que se colhem sem reposição amostras de 𝑛 elementos de uma população com elementos, dos
quais possuem determinado atributo (sucesso) e = (1 − ) não possuem esse atributo
(insucesso).
Existem maneiras diferentes de recolher, sem reposição, uma amostra de 𝑛 elementos de uma
população com N elementos. Existem maneiras diferentes de recolher sucessos num total de
sucessos e maneiras diferentes de obter 𝑛 − insucessos em insucessos. Portanto, a
probabilidade de se registarem sucessos em 𝑛 extracções sem reposição, e consequentemente 𝑛 −
insucessos, é dada por:

( ) (𝑋 ) , 𝑛

7
Definição:
A v. a. discreta 𝑋, que designa o número de sucessos ocorridos em 𝑛 extracções sem reposição,
de uma população com elementos com sucessos, segue uma distribuição Hipergeométrica, i.
e 𝑋 ( 𝑛 ), se a sua função de probabilidade é:

( ) (𝑋 ) , 𝑛 com

Os parâmetros caracterizadores desta distribuição são , 𝑛 e

𝑋 ( 𝑛 ) então (𝑋) 𝑛 e (𝑋) 𝑛

Exemplo:

Suponha que, de 100 candidatos a um emprego numa empresa de telecomunicações, apenas 45 têm as
qualificações pretendidas. Considere que foram selecionados ao acaso, e sem reposição, 20 candidatos para
uma entrevista piloto.
a) Identifique a v. a. em estudo e respetiva distribuição.
b) Em média quantos dos candidatos selecionados terão as qualificações pretendidas? Determine a
variância.
c) Calcule a probabilidade de, no grupo selecionado:
i. Exatamente 5 terem as qualificações pretendidas.
ii. No mínimo 2 terem as qualificações necessárias.
iii. Menos de 3 candidatos terem as qualificações exigidas.

Resolução:

a) Seja 𝑋 a v. a. que representa o número de candidatos com as qualificações pretendidas, em 20

seleccionados ao acaso sem reposição.

Neste caso tem-se = 100 candidatos, = 45 candidatos com as qualificações pretendidas (ou seja,
), = 55 candidatos sem as qualificações pretendidas e 𝑛 = 20 candidatos
selecionados.
Logo, 𝑋 ( 𝑛 ).

Função de probabilidade:
( ) (𝑋 )
b) ( ) (número médio de candidatos com qualificações)
𝑛
(𝑋) 𝑛

c) i. (𝑋 )
ii. (𝑋 ) (𝑋 ) (𝑋 ) (𝑋 ) (𝑋 )

(𝑋 ) ( (𝑋 ) (𝑋 ))

8
 (𝑋 ) ( )

iii. (𝑋 ) (𝑋 ) (𝑋 ) (𝑋 )

(𝑋 )

Distribuição Poisson
A distribuição Poisson é o modelo probabilístico adequado para descrever os fenómenos em que os
acontecimentos se repetem no tempo (ou no espaço).
Para que a v. a. 𝑋, que designa o número de ocorrências num determinado intervalo de tempo, siga
uma distribuição de Poisson tem que verificar as seguintes condições (Murteira et al., 2007):
 Os números de ocorrências em intervalos disjuntos (não sobrepostos) são independentes entre
si;
 A probabilidade de se registar uma ocorrência num qualquer intervalo de amplitude muito
pequena é aproximadamente proporcional à dimensão do intervalo;
 A probabilidade de um certo número de ocorrências se verificar é a mesma para intervalos com
a mesma amplitude, i. e., esta probabilidade depende apenas da amplitude do intervalo e não da
posição em que se situa esse intervalo;
 A probabilidade de se verificarem duas ou mais ocorrências num período muito pequeno é
aproximadamente igual a zero.

Alguns exemplos de fenómenos que se adequam a uma distribuição de Poisson:

 Número de chamadas telefónicas que chegam, em certo período de tempo, a uma central
telefónica;
 Número de avarias que ocorrem numa máquina, num certo intervalo de tempo;
 Número de doentes que chegam a determinado hospital, por unidade de tempo.

Definição: A v. a. discreta 𝑋, que designa o número de ocorrências num determinado intervalo de

tempo, segue uma distribuição Poisson, i.e., 𝑋 ( ), se a sua função de probabilidade é:

( ) ( ) co

O parâmetro caracterizador desta distribuição é

Se 𝑋 ( ) então (𝑋) e (𝑋)

9
Exemplo:

Seja 𝑋 a v. a. que representa o número de automóveis que entram numa autoestrada (AE) num período de
30 segundos. Sabe-se que 𝑋 é uma v. a. de Poisson com desvio padrão a 3.
a) Descreva a função de probabilidade da v. a. em estudo.
b) Em média quantos automóveis entram na AE num período de 30 segundos? Calcule a variância.
c) Qual a probabilidade de entrarem no mínimo 2 automóveis na AE num período de 30 segundos?
d) Determine a probabilidade de entrarem no máximo 3 automóveis na AE num minuto.
e) Calcule a probabilidade de entrarem mais de 2 e menos de 5 automóveis na AE num período de 15
segundos.

Resolução:
a) 𝑋 ( )
Função de probabilidade:
( ) (𝑋 )
b) ( ) (número médio de automóveis que entram na auto-estrada por cada 30 segundos)
(𝑋)
c) ( ) ( ) ( ) ( ) ( ( ) ( ))

( ) ( )

d) Seja X’ a v.a. que representa o número de automóveis que entram na auto estrada num período de 1
minuto.
Logo, 𝑋 ( ) pois 𝑖𝑛 𝑛
(𝑋 ) (𝑋 ) (𝑋 ) (𝑋 ) (𝑋 )

(𝑋 )
Seja 𝑋’’ a v.a. que representa o n.º de automóveis que entram na auto estrada num período de 15 segundos
Logo, 𝑋’’ . / pois 𝑛 .

( 𝑋 ) (𝑋 ) (𝑋 )

10