ESTATÍSTICA I

Professora
Kelly Alonso

Variável Aleatória Discreta e

Principais Modelos Discretos
 Nessa aula vamos continuar a caracterizar a variável
aleatória discreta abordando a função de distribuição.

Função de Distribuição Acumulada – Variável

aleatória discreta
A função de distribuição ou função de distribuição
acumulada de uma variável aleatória X é definida, para
qualquer valor real x, pela seguinte expressão:

F ( x)  P ( X  x)
Assim, para todo x pertencente aos números reais,
a função de distribuição acumulada descreve a
probabilidade de ocorrer um valor até x.

Observe que o domínio de F é todo o conjunto dos

números reais, ao passo que o contradomínio é o intervalo
[0,1].

2
Exemplo: O Departamento de Estatística é formado por 35
professores, sendo 21 homens e 14 mulheres. Uma comissão de 3
professores será constituída sorteando, ao acaso, três membros do
departamento. Qual é a probabilidade da comissão ser formada por
pelo menos duas mulheres? Faça a distribuição acumulada.
Vamos definir a v.a. → X: nº de mulheres na comissão.
A função de distribuição acumulada será dada por:

0, se x  0
0 , 203 , se 0  x  1
F ( x)  0 , 653 , se 1  x  2
0 ,944 , se 2  x  3
F(x) 1, s e x  3
1
0.944

0.653

0.203

0 1 2 3 x
Existem algumas distribuições de probabilidade para variáveis discretas
que pela sua freqüência de uso vale a pena estudar mais
detalhadamente. Estas distribuições apresentam expressões para o
cálculo das probabilidades, isto é, as probabilidades f(x) podem ser
avaliadas através de um modelo matemático conhecido. Entre esses
modelos vamos conhecer: Binomial, Hipergeométrica e Poisson.

Distribuição de Bernoulli
Na prática muitos experimentos admitem apenas dois resultados. Exemplo:
1. Uma peça é classificada como boa ou defeituosa;
2. Um entrevistado concorda ou não com a afirmação feita;
3. No lançamento de um dado ocorre ou não face 6;
4. No lançamento de uma moeda ocorre cara ou coroa.

Estas situações tem alternativas dicotômicas e podem ser representadas

genericamente por resposta do tipo sucesso-fracasso. Esses experimentos
recebem o nome de Ensaios de Bernoulli e originam uma v.a. com
distribuição de Bernoulli.
 Distribuição de Bernoulli
Uma V.A. (X) de Bernoulli é aquela que assume apenas dois
valores 1 se ocorrer sucesso (S) e 0 se ocorrer fracasso (F), com
probabilidade de sucesso p, 0 < p <1. Isto é, se X(S)=1 e X(F)=0.
Logo a função de probabilidade é dada por:

x 0 1 0 Se x < 0

f (x)  1 p Se 0 ≤ x < 1
P(X=x) 1-p p
1 Se x  1

Notação: X~Bernoulli (p), indica que a v.a. X tem distribuição de Bernoulli
com parâmetro p
Se X~Bernoulli(p) pode-se mostrar que:
E(X)= p
Var(X)= p(1-p).

*Repetições independentes de um ensaio de Bernoulli dão

origem ao modelo Binomial.
 Distribuição Binomial
Na maior parte dos casos estudados, são realizados n ensaios de
Bernoulli. O interesse está no número X de ocorrências de
sucesso.
A distribuição Binomial consta de n experimentos de Bernoulli, no
qual:
- n é fixo
- os experimentos são independentes
- as probabilidades de sucesso e falha são constantes para cada
experimento

Nessa distribuição estamos interessados na quantidade de sucessos e

não na ordem em que eles acontecem.

Número de formas de se obter x sucessos em um total de n:

x n!  n
C n   
x!n  x !  x 
 Distribuição Binomial

Logo temos que a Distribuição Binomial é dada por:

 n  x n x
P X  x     p q ; x  0,1,..., n
 x
Média:

  EX   np

Variância:

 2  Var X   npq
 Distribuição Binomial
Exemplo 1: Uma moeda é lançada cinco vezes seguidas e
independentes. Calcule a probabilidade de serem obtidas 3 caras
nessas cinco provas.

Solução:
Temos que n  5 e p  1 2 . Seja X o número de caras.

 n  x n x
P X  x     p q ; x  0,1,..., n
 x

3 2
 5  1  1 5
P X  3       
 3  2   2  16
 Distribuição Binomial
Exemplo 2: A probabilidade dos pais com certo tipo de olhos
azuis-castanhos terem um filho com olhos azuis é 1/4. Se uma
família desse tipo tem 4 filhos, qual a probabilidade de:
a) Ter exatamente 1 filho com olhos azuis?
b) No máximo 1 filho tenha olhos azuis?
c) Qual o valor esperado de filhos com olhos azuis?
Solução:
Temos que n  4 e p  1 4 . Seja X o número de filhos com olhos azuis.

a) Para ter exatamente 1 filho com olhos azuis faremos P X  1 .

Pela distribuição Binomial:

3
 4  1  3  27
P X  1      
1  4  4  64
 Distribuição Binomial
b) Queremos saber P X  1 , então:
P X  1  P x  0   P x  1
0 4
 4  1   3  81
mas P  X  0        
 0  4   4  256
81 27 189
P X  1   
256 64 256

c) O valor esperado de filhos com olhos azuis é:

1
E x   n  p  4  1
4
 Distribuição HIPERGEOMÉTRICA
Cada experimento tem dois possíveis resultados:
“sucesso” e “falha” e os n experimentos não são independentes.
Selecionamos n elementos sem reposição de um conjunto de N
elementos, dos quais r são sucessos e N-r são falhas. A v.a.
hipergeométrica é definida como X é o número de sucessos em n
elementos selecionados:
 r  N  r 
  
 x  n  x 
P X  x  
N
 
Média: n 
nr
  E x  
N
Variância:
nr  N  r   N  n 
 2  Var x  
N N  N  1
12
 Distribuição HIPERGEOMÉTRICA
Exemplo 1: De 10 professores da UFF, 5 estão na universidade
há mais de 4 anos. Se 6 professores são escolhidos
aleatoriamente deste grupo, qual a probabilidade que exatamente
3 estejam na UFF há mais de 4 anos?
Solução:
Temos que N  10 , n  6 , r  5 e N  r  5

Seja X o número de professores escolhidos. A probabilidade de ter

exatamente 3 professores na UFF há mais de 4 anos é:

 5  5 
  
 3  3 
PX  3   0,476
10 
 
6 
 Exemplo 2: Placas de vídeo são expedidas em lotes de 30 unidades.
Antes que a remessa seja aprovada, um inspetor escolhe
aleatoriamente cinco placas do lote e as inspeciona. Se nenhuma
das placas inspecionadas for defeituosa, o lote é aprovado. Se uma
ou mais forem defeituosas, todo o lote é inspecionado. Supondo
que haja três placas defeituosas no lote, qual é a probabilidade de
que o controle da qualidade aponte para a inspeção total?
X: Número de placas defeituosas na amostra
P ( X  1)  1  P ( X  0)
 3  30  3   27 
    
 0  5  0   5 
p ( 0)    0,5665
 30   30 
   
5 5
Logo , P ( X  1)  1  0,5665  0,4335
A probabilidade de que o controle da qualidade aponte para a
inspeção total é de 0,4335.
Distribuição de Poisson
 Distribuição de Poisson

Siméon Denis
Poisson
(1781-1840)
Distribuição adequada para
descrever eventos raros, porém com um
grande número de tentativas.
Exemplos: decaimento radiativo, picada
de um mosquito infectado com a malária.

16
 Distribuição de Poisson
Na prática muitos experimentos consistem em observar a
ocorrência de eventos discretos em um intervalo contínuo
(unidade de medida).
Exemplos:
1. Número de consultas a uma base de dados em um minuto.
2. Número de casos de Dengue por quilômetro quadrado no estado
de SP.
3. Número de machas (falhas) por metro quadrado no esmaltado de
uma geladeira.
4. Número de chamadas que chegam a uma central telefônica de
uma empresa num intervalo de tempo (digamos das 8,0 a.m. às
12,0 a.m.).
5. Número de autos que chegam ao Campus entre 7,0 a.m. a 10,0
a.m.
 Distribuição de Poisson
Geralmente utilizada em problemas que se conta o
número de ocorrências por unidade de medida. Uma unidade de
medida pode ser: tempo (segundo, minuto, ...), área (cm², m², ...),
volume (cm³, m³, ...). A v.a. da Distribuição de Poisson é definida
como X é o número de ocorrências por unidade de medida:
x 
e
P X  x   ; x  0,1,2,...
x!
*Onde  é o número médio de ocorrências durante uma dada unidade
de medida.  é o parâmetro da distribuição de Poisson.

* e é o número de Euler (~2,718281)

- Média: E x  
- Variância: Varx   
 Distribuição de Poisson

• A ocorrência dos eventos é independente, ou seja, a

ocorrência de um evento em um intervalo de tempo ou espaço
não tem efeito sobre a probabilidade de ocorrência de um
segundo evento;
• Teoricamente, um número infinito de ocorrências deve ser
possível no intervalo;
• A probabilidade de uma única ocorrência do evento, em um
dado intervalo, é proporcional ao tamanho do intervalo;
• Em uma porção infinitesimal do intervalo, a probabilidade de
mais de uma ocorrência do evento é desprezível.
 Distribuição de Poisson

Exemplo 1: Supondo que as consultas num banco de dados

ocorrem de forma independente e aleatória, com uma taxa
média de três consultas por minuto, calculemos a probabilidade
de que no próximo minuto ocorram menos do que três
consultas.
Solução:
Seja X o número de consultas por minuto. Então:
x e 
P X  x   ; x  0,1,2,...
x!

P X  3  p(0)  p(1)  p(2) 

0 3 1 3 2 3
3e 3e 3e
P X  3     0,4232
0! 1! 2!
A probabilidade de que no próximo minuto ocorram menos do
que três consultas é de 0,4232.
 Distribuição de Poisson

Exemplo 1 (continuação): Calculemos a probabilidade de que

nos próximos dois minutos ocorram mais do que 5 consultas.
*Observe que a unidade de tempo alterou de um para dois
minutos. Mas se a taxa média é de três ocorrências por minuto,
então, em dois minutos, a taxa média é de seis ocorrências.
Logo, no presente problema, =6 e P X  5 .
P X  5  1  P ( X  5)
P X  5  1  p (0)  p (1)  p (2)  p (3)  p(4)  p (5) 
0 6 1 6 2 6 3 6 4 6 5 6
6e 6e 6e 6e 6e 6e
P X  5  1      
0! 1! 2! 3! 4! 5!
P X  5  1  0,4457  0,5543
A probabilidade de que nos próximos dois minutos ocorram
mais do que 5 consultas é de 0,5543.
 Distribuição de Poisson

Exemplo 2: Certo estudo médico demonstrou que a distribuição

mensal de óbitos por gripe entre membros de determinada
comunidade, entre 1977 e 1987, obedecia uma distribuição de
Poisson com média 2,75. Qual a probabilidade estimada de que
num certo mês do ano ocorram 3 óbitos de membros dessa
comunidade?
Solução:
Temos   2,75 . Seja X o número de óbitos. Queremos saber a
probabilidade de 3 óbitos, ou seja, P X  3.
(2,75)3 e2,75 20,796875  0,06392786
p ( X  3)  
3! 6
 0, 22158
Logo, a chance de se observar 3 óbitos em um dado mês é de 22,2%.
 Distribuição de Poisson
- Aproximação da Distribuição Binomial pela Poisson:

Quando o número de experimentos (n) for muito grande ( n  50 )

e a probabilidade de sucesso (p) for muito pequena podemos
utilizar a Distribuição de Poisson com evento denominado evento
para p  0,1 . E podemos dizer que   np .

De uma forma geral:

Quando n é grande e p pequeno, o número total de eventos de
interesse tem distribuição aproximadamente Poisson com a taxa
de ocorrência:
  np
Aplica-se a situações em que o evento está homogeneamente
distribuído na população (por exemplo, a distribuição de parasitas
em uma população de hospedeiros).
 Distribuição de Poisson

Exemplo 3: Seja uma linha de produção em que a taxa de itens

defeituosos é de 0,5%. Calcule a probabilidade de ocorrer mais
do que 4 defeitos em uma amostra de 500 itens.
Solução:
Dados: p  0,005 ; n  500 ;   np  2,5
Seja X o número de itens defeituosos e queremos saber P X  4  .
Como o número de amostras é muito grande usaremos a aproximação
por Poisson. Então:

P X  4  1  P X  4  1  P X  0  P X  1  P X  2  P X  3  P X  4
2,50 e2,5 2,51 e2,5 2,52 e2,5 2,53 e2,5 2,54 e2,5
P X  4  1       0,1088
0! 1! 2! 3! 4!