Estatística I

Distribuição de Probabilidades Discretas

Curso: ENGENHARIA INDUSTRIAL

Período: Manhã

Turma: Cutato o.4

Grupo: 1

Professora: MSc. Yanisleidy Cabrera

Kuito, Bié

2023
 Estatística I

No Nome Participação % Avaliação Escrita Avaliação Oral

1Aleluia Ramos 95%

1

2Amaro Jorge 100%

2

3Artur Diniz 100%

3

4Carlos Muhepe 100%

4

5Edna Saiago 100%

5

6Filipe Sayengue 100%

6

7Graciana Cardoso 100%

7

8Heleida Ernesto 100%

8

9Iracelma Pinto 90%

9

1Joaquim dos 95%

10 Santos
 0José Franque 100%
11

0Jozef Manuel 100%

12

0Juliano Muaca 100%

13

0Lucas Tchaito 100%

14

0Vasquildo Malissau 95%

15

0Paulo dos Santos 95%

16

1Eusébio Wanga 95%

17

1Pedro João 95%

18

Trabalho apresentado à Faculdade de

Engenharia da Universidade Internacional do
Cuanza como requisito parcial de avaliação da
disciplina Estatística l, ministrada pela
Professora Yanisleidy Cabrera.

BANCA EXAMINADORA

_____________________________________

Professora da Disciplina

Kuito, _____ de ___________ de ______.

 RESUMO

A distribuição de probabilidade discreta é uma área da estatística que é caracterizado

pela enumeração de todos valores possível de variáveis aleatórias, juntamente com
sua probabilidade. Alguns exemplos de distribuições de probabilidades discretas
incluem a distribuição de Bernoulli, Binomial e Poisson. Cada uma delas é usada para
modelar diferentes tipos de situações em que os resultados são discretos, ou seja,
não podem assumir valores intermediários.

Palavras-chave: varável; discretas; valores; intermediário.

 RESUMEN

La distribución de probabilidad discreta es un área de la estadística que se caracteriza

por la enumeración de todos los valores posibles de las variables aleatorias, junto con
su probabilidad. Algunos ejemplos de distribuciones de probabilidad discretas incluyen
las distribuciones de Bernoulli, Binomial y Poisson. Cada uno de ellos se utiliza para
modelar diferentes tipos de situaciones en las que los resultados son discretos, es
decir, no pueden asumir valores intermedios.

Palabras clave: variable; Discreto; valores; intermediario.

 ABSTRACT

The discrete probability distribution is an area of statistics that is characterized by the

enumeration of all possible values of random variables, along with their probability.
Some examples of discrete probability distributions include the Bernoulli, Binomial, and
Poisson distributions. Each of these is used to model different types of situations in
which the results are discrete, that is, they cannot assume intermediate values.

Keywords: variable; Discrete; values; intermediary.

 SUMÁRIO.

1.2 OBJETIVOS…………………………………………………………………….…VIII

1.2.1 Objetivo gera……………………………………………………………………VIII

1.2.2 Objetivos específicos…………………………………………………………..VIII

CAPÍTULO I - INTRODUÇÃO................................................................................. 1

1.1 INTRODUÇÃO………………………………………………………………………1

CAPÍTULO II- REVISÃO BIBLIOGRÁFICA………………………………….………2

2.1 REVISÃO BIBLIOGRÁFICA……………………………………………………….2

2.1.1 Distribuição de probabilidade discreta…………………………………………2

2.1.1.1 Espectativa “Esperança”, Variância e Desvio Padrão……………….…….3

2.1.2.1 Distribuição de Bernoulli………………………………………………………5

2.1.2.2 Distribuição Binomial…………………………………………………………..6

2.1.2.2 Distribuição Multinomial……………………………………………………….9

5.1 CONCLUSÃO……………………………………………………………………...10

REFERÊNCIAS………………………………………………………………………..11
1.2 OBJETIVOS.

1.2.1 Objetivo geral.

• Estudar e exercitar a Distribuição de Probabilidades Discretas, nos temas

propostos.

1.2.2 Objetivos específicos.

➢ Definir e exercitar a Espectativa, Variância e Desvio Padrão no âmbito da

Probabilidade Discreta.

➢ Definir e exercitar a Discrição de Bernoulli no âmbito da Probabilidades

Discretas.

➢ Definir e exercitar a Discrição de Binomial no âmbito da Probabilidades

Discretas.

➢ Definir e exercitar a Discrição Multinomial no âmbito da Probabilidades

Discretas.
 1

CAPÍTULO I - INTRODUÇÃO.

1.1 INTRODUÇÃO.

O cálculo de probabilidade é a forma de quantificar a incerteza de um determinado

fenômeno aleatório, compreender e desrever fenômenos aleatórios possíveis, definir
eventos de interesse e a eles associar um resultado. (Pereira & Pereira, 2013)

A teoria da probabilidade vem adquirindo importância crescente como

instrumento analítico dentro da engenharia onde se torna útil medir incertezas e prever
resultados. Por exemplo antes de ativar uma usina nuclear, devemos analisar as
probabilidades de uma detonação acidental, em uma linha de produção medir a
probabilidade de possíveis erros e defeitos durante o processo pode ser de grande
utilidade para constante melhora e desenvolvimento do processo de produção.
(Pereira & Pereira, 2013).

Uma distribuição de probabilidade é um modelo matemático que relaciona

o valor da variável com probabilidade de um modelo matemático que relaciona o valor
da variável com a probabilidade de ocorrência daquele valor na população. Quando o
parâmetro a ser usado só pode assumir certos valores, tais como inteiros, a
distribuição de probabilidade é chamada de distribuição discreta. (Pereira & Pereira,
2013)
 2

CAPÍTULO II- REVISÃO BIBLIOGRÁFICA.

2.1 REVISÃO BIBLIOGRÁFICA.

2.1.1 Distribuição de probabilidade discreta.

Uma distribuição de probabilidade discreta é a distribuição que define as

probabilidades de uma variável aleatória discreta. Sendo que a mesma só pode
assumir um número finito de valores contáveis como uma lista de inteiros não
negativos. (Anderson, 2023)

Em uma distribuição de probabilidade discreta, cada valor da variável discreta que

representa (𝑋𝑖) está associado a um valor de probabilidade (𝑃𝑖 ) que varia de 0 a 1.
Assim, a soma de todas as probabilidades em uma distribuição discreta dá ao
resultado 1. (Anderson, 2023)

Tipos de distribuições de probabilidade discretas: os principais tipos de

distribuições de probabilidade discretas são:

Distribuição uniforme discreta;

Distribuição Bernoulli;
Distribuição binomial;
Distribuição de peixes;
Distribuição multinomial;
Distribuição geométrica;
Distribuição binomial negativa;
Distribuição hipergeométrica.

(Anderson, 2023)

No presente trabalho desenvolvemos três delas que são: Distribuição de

Bernoulli, Distribuição Binomial e a Distribuição Multinomial.
 3

2.1.1.1 Espectativa “Esperança”, Variância e Desvio Padrão

Variável aleatória: é uma função que associa cada elemento de um espaço

amostral a um número real. Uma variável aleatória é o resultado numérico de um
experimento probabilístico.

A espectativa de uma varável aleatória, resulta no que conhecemos como média.

Usamos como sinónimos, embora chamemos de espectativa apenas neste contexto
enquanto médio é um termo popular que sempre podemos usar.. (Funiber, 2023)

Tem como fórmula:

𝑛
𝑛

E(x) = ∑ 𝑋 𝑃(𝑥𝑖) = ∑ 𝑋 ∗ 𝑓(𝑥𝑖) = 𝐸(𝑥) = ∑ 𝑋. 𝑃(𝑉)

∗

𝑥
𝑥

𝑂𝑛𝑑𝑒: 𝐸(𝑥) = 𝑣𝑎𝑙𝑜𝑟 𝑒𝑠𝑝𝑒𝑟𝑎𝑑𝑜 𝑑𝑒 𝑥.

𝑋𝑖 = 𝑣𝑎𝑙𝑜𝑟𝑒𝑠 𝑡𝑜𝑚𝑎𝑑𝑜𝑠 𝑝𝑒𝑙𝑎 𝑣𝑎𝑟𝑖á𝑣𝑒𝑙.
𝑓(𝑥) = 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑𝑒 𝑎𝑠𝑠𝑜𝑐𝑖𝑎𝑑𝑎 𝑎 𝑐𝑎𝑑𝑎 𝑢𝑚 𝑑𝑜𝑠 𝑣𝑎𝑙𝑜𝑟𝑒𝑠. (Funiber, 2023)

Variância em probabilidade e estatística, pode ser entendida como valor médio

da distância quadrada do valor médio. Ele representa como a variável aleatória é
distribuída perto do valor médio. (Ciência e dados, 2020).

Para variável aleatória discreta 𝑋 com valor médio μ e função de massa de

probabilidade 𝑃(𝑥):

Tem como fórmula:

𝑉𝑎𝑟(𝑥) = 𝐸[𝑥 − 𝐸(x)2 ] 𝑜𝑢 𝑉𝑎𝑟(𝑥) = 𝐸(𝑥)2 − 𝐸 2 (𝑥)

𝑉𝑎𝑟(𝑥) = 𝐸[𝑥 − 𝐸(x)2 ] 𝑜𝑢 𝑉𝑎𝑟(𝑥) = 𝐸(𝑥)2 − 𝐸 2 (𝑥)

Enquanto que a fórmula do desvio padrão é apenas a raiz quadrada da

variância 𝜎 = √𝐸[𝑥 − 𝐸(x)2 ] 𝑜𝑢 𝜎 = √𝐸(𝑥)2 − 𝐸 2 (𝑥) .
 4

Relação entre expectativa, variância e desvio padrão.

Uma variável aleatória pode se mover em qualquer direção. O desvio padrão

mede o desvio da variável aleatória em relação à sua média ou expectativa. Enquanto
que a variância é o quadrado do desvio padrão. (Funiber, 2023).

Exemplo 1. Uma indústria de produção de bens de consumo duráveis faz a

seguinte distribuição de vendas de geladeira por semana.

𝑋𝑖 (𝑣𝑒𝑛𝑑𝑎𝑠) 1 2 3 4

𝑃(𝑋=𝑋𝑖) 0,30 0,30 0,15 0,05

Calcule o valor esperado o desvio padrão da variável x tal que x é o número de

vendas por semana.

𝐸(𝑥) = ∑ 𝑋. 𝑃(𝑉)

𝐸(𝑥) = (1.0,30) + (2.0,30) + (3.0,15) + (4.0,05)

𝐸(𝑥) = 1,55 "𝑣𝑒𝑛𝑑𝑎𝑠 𝑝𝑜𝑟 𝑠𝑒𝑚𝑎𝑛𝑎; 𝑣𝑎𝑙𝑜𝑟 𝑒𝑠𝑝𝑒𝑟𝑎𝑑𝑜"

𝐸(𝑥 2) = ∑ 𝑋 2 . 𝑃(𝑥)

𝐸(𝑥 2) = 12 . 0,30 + 22 . 0,30 + 32 . 0,30 + 42 . 0,05 = 3,65

Variância

𝜎 2 (𝑥) = 𝐸(𝑥 2) − 𝐸 2 (𝑥)  𝜎 2 (𝑥) = 3,65 − (1,552)

𝜎 2 (𝑥) = 1,25

Desvio padrão

𝜎(𝑥) = √𝜎 2 (𝑥)

𝜎(𝑥) = √1,25

𝜎(𝑥) = 1,12
 5

2.1.2.1 Distribuição de Bernoulli.

A Distribuição de Bernoulli é um experimento aleatório com apenas dois

resultados possíveis, por convensão, um deles é chamado sucesso e o outro fracasso.
(Farias & Laurencel, 2008).

Ao sucesso, atribui-se a probabilidade 𝑃, cujo valor associado é o 1 e ao fracasso

atribui-se a probabilidade 𝑔 = 1 − 𝑃 sendo que, para este atribui-se o valor zero 0.
(Morettin & Bussab, 2010).

Se uma variável 𝑥 tem distribuição de Bernoulli, sua distribuição pode ser dada
por:

𝑃(𝑋 = 𝑥) = 𝑃 𝑥 (1 − 𝑃)1−𝑥
𝑂𝑛𝑑𝑒:
𝑃: probabilidade de sucesso
𝑋: sucesso do evento. (Oliveira & Delfino, 2015)

Exemplo: A Luiza está fazendo um simulado de estatística e se depara com um

teste que possui cinco alternativas contendo uma correcta. Qual a probabilidade de
Luiza acertar o teste?

Resolvendo por meio da distribuição de probabilidade de Bernoulli temos:

𝑋 = 1 (𝑎𝑐𝑒𝑟𝑡𝑎 𝑎 𝑞𝑢𝑒𝑠𝑡ã𝑜) 𝑃(𝑋 = 𝑥) = 𝑃𝑥(1 − 𝑃)1−𝑥

𝑥 1
𝑆𝑢𝑐𝑒𝑠𝑠𝑜 ≔ 𝑃 = = = 0,2 𝑃(𝑋 = 1) = (0,2)1(1 − 0,2)0
𝑛 5

𝐹𝑟𝑎𝑐𝑎𝑠𝑠𝑜 =𝑔 = 1 − 𝑃 = 1 − 0,2 =0,8 𝑃(𝑋 = 1) = 0,2

𝑃+𝑔 =1
(Oliveira & Delfino, 2015)
 6

2.1.2.2 Distribuição Binomial.

A distribuição binomial é usada para calcular a probabilidade de um certo número

de sucessos em um número fixo de tentativas independentes, onde cada tentativa tem
apenas dois resultados possíveis.

A partir do momento em que pegamos um ensaio de Bernoulli e repetimos n vezes,

deixa de ser ensaio de Bernoulli e passa a ser distribuição binomial, daí que a
probabilidade de ocorrer um evento definido como sucesso é sempre 𝑃, a
probabilidade de que esse evento ocorra é apenas 𝑥 das 𝑛 repetições.

A fórmula para calcular a probabilidade em uma distribuição binomial é:

𝑛
𝑃(𝑥 = 𝑥) = ( ) . 𝑝 𝑥 . (1 − 𝑝)𝑛−𝑥
𝑥

Onde:

𝑛: é o número de tentativas;

𝑝: é a probabilidade de sucesso em uma única tentativa;

𝑥: número de sucessos desejados. (Pereira & Pereira, 2019)

A média e a variância da distribuição binomial são dadas por:

𝐸(𝑥) = 𝑛. 𝑝

𝑉(𝑥) = 𝑛. 𝑝. (1 − 𝑝). (Pereira & Pereira, 2019)

Este tipo de distribuição é comumente utilizado em situações onde estamos

interessados no número de sucessos em um determinado número de tentativas.

Nesta distribuição o sucesso/fracasso depende daquilo que é o nosso interesse,

o interesse da instituição ou ainda o interesse do engenheiro. O que quer dizer que
na maioria dos casos o sucesso não é algo bom e o fracasso algo mau na visão social.
Por exemplo: o departamento de estatística de uma linha de produção chegou a
conclusão de que há probabilidade de 10 componentes eletrónicos que se encontram
na industria danificarem, se os componentes danificarem será considerado sucesso,
mas se não danificarem será considerado fracasso. (Guru, 2017)
 7

Critérios de um experimento binomial.

1- O experimento de Bernoulli é repetido 𝑛 vezes onde cada tentativa é

independente das demais.
2- Há apenas dois resultados possíveis: um de interesse associado a
variável 𝑥, chamado de sucesso é o seu complementar que é fracasso.
3- A probabilidade de sucesso será denotada por 𝑃 e é a mesma em cada
tentativa, e a de fracasso será denotada por 𝑔 = 1 − 𝑃.

Exercícios

1- Se 20% dos parafusos produzidos por uma máquina são defeituosos,

determine a probabilidade de que em 4 parafusos escolhidos aleatoriamente,
apenas 1 seja defeituoso. (Pereira & Pereira, 2019).
Solução:
𝑛
𝑃(𝑥 = 𝑥) = ( ) . 𝑝 𝑥 . (1 − 𝑝)(𝑛−𝑥)
𝑥
20%=0,2
𝑝 = 0,2
𝑛=4
𝑥=1
𝑃(𝑥 = 1) = (4 𝑒𝑠𝑐𝑜𝑙ℎ𝑎 𝑑𝑒 1)0,21 . (1 − 0,2)(4−1) = 0,4096.

2- Em uma linha de produção de 40 componentes eletrónicos a taxa de defeito é

de 5%. Qual é a probabilidade de que no máximo 5% desses componentes
eletrónicos apresentam defeito? (Guru, 2017)

Resolução:

𝑃(𝑥 ≤ 𝑥) = 𝑃(𝑥 = 0) + 𝑃(𝑥 = 1) + 𝑃(𝑥 = 2)

𝑥 = número de componentes eletrónicos com defeito
5%=0,05
𝑝 = 0,05
𝑛 = 40
5% de 40=0,05*40=2 componentes eletrónicos
 8

40 40 40
𝑃(𝑥 ≤ 𝑥) = [ ] 0,050. 0,9540 + [ ] 0,051 . 0,9539 + [ ] 0,052. 0,9538
0 1 2
= 1. 0,050 . 0,9540 + 40.0,05. 0,9539 + 780.0,05. 0,9538
= 0,9540 + 40.0,05. 0,9539 + 780.0,05. 0,9538
= 0,6767 𝑜𝑢 67,67%.

3- A empresa FerrosMoveis Lda pretende produzir uma máquina de costura na

qual 6 parafusos são escolhidos ao acaso da produção da máquina que
apresenta 10% de peças defeituosas. Qual é a probabilidade das peças saírem
defeituosas?
a) Dois deles?
b) Pelo menos um?
c) No máximo um?

Fórmula:

𝑃(𝑥 = 𝑘) = (𝑘 𝑛 ). 𝑃𝑘 . 𝑞𝑛−𝑘

6 6−2 6 2 4 6! 1 6561
𝑎) 𝑃(𝑥 = 2) = ( ) . (1⁄10)2 . (9⁄10) = ( ) (1⁄10) . (9⁄10) = . .
2 2 2! .4! 100 10000
6.5.4! 6561 6561 98415
= . = 15. = = 0,098415 = 9,84%
2! .4! 1000000 1000000 1000000

b) 𝑃(𝑥 ≥ 1) = 1 − 𝑃(𝑥 = 0)

6
𝑃(𝑥 ≥ 1) = 1 − [( ) . 0,10 . 0,96] = 0,468559 ≅ 0,4686 => 46,86%
0

𝑐) 𝑃(𝑥 ≤ 1) = 𝑃(𝑥 = 0) + 𝑃(𝑥 = 1)

6 6
𝑃(𝑥 ≤ 1) = ( ) . 0,10 . 0,96 + ( ) . 0,11 . 0,95 = 0,885735 => 88,57
0 1
 9

2.1.2.2 Distribuição Multinomial.

É uma forma ampla da distribuição binomial para mais de dois resultados

possíveis, ou seja, uma generalização dessa distribuição. Por exemplo, quando se
quer descobrir a probabilidade da ocorrência de eventos de um lançamento de dados
utiliza-se a distribuição multinomial por se tratar de mais de dois resultados possíveis.
(Portogente, 2016)

A distribuição multinomial é amplamente usada em ciência e finanças para estimar

probabilidade de ocorrência de um determinado conjunto de resultados. (Anderson,
2023)

Ela é dada por:

P(x1 = n1, x2 = n2, … xk = nk)
𝑛!
= 𝑃1 𝑥1 . 𝑃𝑃2𝑥2 … 𝑃k xk
𝑥1! 𝑥2! … 𝑥𝑘!
onde:
X: ocorência
P: probabilidade do evento
K: número de eventos

1- Uma fábrica de lâmpadas coloridas produz 50% de lâmpadas verdes, 20% de

lâmpadas azuis e 30% de lâmpadas amarelas. Qual é a probabilidade de que
10 lâmpadas selecionadas ao acaso 4 sejam verdes, 3 azuis e 3 amarelas?
Evento 1= lâmpada verde P1=0,5; x1=4
Evento 2= lâmpada azul P2=0,2; x2=3
Evento 3= lâmpada amarela P3=0.3; x3=3
𝑛!
𝑃(𝑥1 = 𝑛1 ; 𝑥2 = 𝑛2 ; … 𝑥𝑘 = 𝑛𝑘 ) . 𝑃 𝑥1 . 𝑃2 𝑥2 … 𝑃𝑘 𝑥𝑘
𝑥1 !. 𝑥2! … 𝑥𝑘 1
 10

5.1 CONCLUSÃO.

Após o estudo feito, foi concluído que: com a distribuição de probabilidades

discretas se pode calcular a probabilidade de sucesso ou fracasso de uma ou mais
variáveis de forma individua ou não.
 11

REFERÊNCIAS

Anderson, B. (21 de 2023). Distribuição Bernoulli (statorials.org) Statorials.

Bastos, V. (16 de Agosto de 2023). Distribuição Multinomial: Definição, Fórmula e

Exercícios resolvidos. Obtido de Aplicada Descomplicadas:
https://www.youtu.be/T0_txYBdoUs

Ciência e dados. (09 de Março de 2020). Obtido de Probabilidade e Estatística-Os

fundamentos para cientistas de dados.:
https://www.ciênciaedados.com/Probabilidade-e-estatística-os-fundamentos

Farias, A. M., & Laurencel, L. s. (2008). Variável Aleatória Discretas. Em A. M. Farias,

& L. s. Laurencel. Brasil.

Funiber. (2023). Estatística l. Em Funiber.

Guru. (17 de Janeiro de 2017). Professor Guru. Obtido de

http://www.youtub.com/@professorguru

Morettin, P. A., & Bussab, W. d. (2010). Estatística Básica. Em P. A. Morettin, & W. d.

Bussab, Estatística Básica (p. 142). Brasil: Saraiva.

Oliveira, E. J., & Delfino, A. C. (2015). Cálculo de Probabilidades Associadas as

Distribuições Discretas De Probabilidades. Em E. J. Oliveira, & A. C. Delfino,
Cáculo de Probabilidades Associadas as Distribuições Discretas De
Probabilidades (p. 7). Brasil.

Pereira, M. A., & Pereira, P. J. (2019). Estatística Aplicada à Engenharia. Em M. A.

Pereira, & P. J. Pereira, Estatística Aplicada à Engenharia (p. 55). Brasi.

Pereira, M., & Pereira, P. (2013). Calculo de robabilidades associadas as distribuições

discretas de probabilidade. Em M. Pereira, & P. Pereira, Calculo de
probabilidades associadas as distribuições discretas de probabilidade. (p. 41).
Brasil.

Portogente. (1 de Janeiro de 2016). Portopédia. Obtido de Portogente:

https://portogente.com.br/portopedia/83993-distribuicao-multinomial