Distribuições Importantes

Distribuições Discretas
Distribuição de Bernoulli
Definição
Prova ou experiência de Bernoulli é uma experiência aleatória
que apenas tem dois resultados possíveis: A que se designa por
sucesso e Ā designado por insucesso. O sucesso ocorre com
probabilidade p e o insucesso com probabilidade q=1-p.

Exemplo 4.1
Suponha que, com o objectivo de medir a audiência de determinado
programa de televisão, se pergunta a um potencial telespectador se
viu ou não aquele programa. Trata-se de uma prova de Bernoulli?

„ A variável aleatória, número de sucessos numa prova de Bernoulli,

toma o valor 1 caso se observe um sucesso e 0 caso contrário.

Distribuições Importantes (Discretas) 2

Distribuição de Bernoulli (cont.)

Definição
Diz-se que uma v.a. X tem distribuição de Bernoulli de
parâmetro p, e representa-se por X∩B(p), se a sua função de
probabilidade for dada pela expressão seguinte:

⎧ p, se k = 1
⎧ p (1 − p)
k 1− k
, se k = 0,1 ⎪
P(X = k ) = ⎨ ou P(X = k ) = ⎨q, se k = 0
⎩0, se k ≠ 0,1 ⎪0, se k ≠ 0,1
⎩
„ Média e variância de X∩B(p)
µ=E[X]=p
σ2=var(X)=p(1-p)

Distribuições Importantes (Discretas) 3

Distribuição Binomial

Suponha-se uma experiência aleatória que obedece às seguintes

condições:
i) a experiência consiste na repetição de n provas idênticas;
ii) cada prova tem dois resultados possíveis: sucesso ou insucesso;
iii) a probabilidade de sucesso mantém-se constante de prova para
prova e igual a p
iv) as provas são independentes; e
v) a v. a., número de sucessos observado ao fim de n provas, toma
os valores 0,1,2,...
Uma experiência aleatória que verifica as condições anteriores diz-
se uma experiência binomial.

Distribuições Importantes (Discretas) 4

Distribuição Binomial (cont.)

Exemplo 4.2
O lançamento ao ar de uma moeda perfeita (não viciada), constitui
um exemplo de uma experiência binomial

Problema:
Considere-se uma experiência que consiste na repetição de n
provas independentes de Bernoulli com p, probabilidade de
sucesso, constante de prova para prova.
Seja X a v. a., número de sucessos observados ao fim de n provas.
Qual a função de probabilidade da v.a. X?

Distribuições Importantes (Discretas) 5

Distribuição Binomial (cont.)

Definição
Diz-se que uma v.a. X tem distribuição Binomial de parâmetros n e
p, e representa-se por X∩Bin(n, p), se a sua função de
probabilidade for dada pela expressão seguinte:

⎧⎛ n ⎞ k n−k
⎪⎜⎜ ⎟⎟ p (1 − p ) , se k = 0,1,2,..., n
P( X = k ) = ⎨⎝ k ⎠
⎪0, c.c.
⎩

„ Média e variância de X∩Bin(n,p)

µ=E[X]=np
σ2=var(X)=np(1-p)

Distribuições Importantes (Discretas) 6

Distribuição Binomial (cont.)
Exemplo 4.3
A probabilidade de os doentes não recuperarem de uma
determinada doença é 0.6. Escolhidos ao acaso 15 pessoas com a
referida doença, determine a probabilidade de sobreviverem:

a) exactamente 5 pessoas
b) pelo menos 10 pessoas
c) entre 3 e 5 pessoas (inclusive)

Distribuições Importantes (Discretas) 7

Distribuição Binomial (cont.)

Propriedades:
… Se X ∩ Bin(n, p) então Y= n-X ∩ Bin(n, 1-p)

… Se X1, X2,..., Xk são variáveis aleatórias independentes com

Xi ∩ Bin(ni, p), i=1, 2,...,k, então,

k
⎛ k ⎞
Y = ∑ X i ∩ Bin⎜ ∑ ni , p ⎟
i =1 ⎝ i =1 ⎠

„ note que o valor de p tem de ser o mesmo para as k variáveis

Distribuições Importantes (Discretas) 8

Distribuição Hipergeométrica
Considere-se uma população com um total de N elementos, D dos
quais apresentam a característica de interesse (sucesso) e N − D a
não característica (insucesso).

Definição
Diz-se que uma v.a. X tem distribuição hipérgeométrica de
parâmetros N, n e D, e representa-se por X ∩ Hiper(N, n, D), se
tiver f.m.p:

⎧ ⎛ D ⎞⎛ N − D ⎞
⎪ ⎜⎜ ⎟⎟⎜⎜ ⎟⎟
⎪⎪ ⎝ ⎠⎝
k n − k ⎠ , se k = max(0, D + n − N ),..., min( D, n)
P(X = k ) = ⎨ ⎛N⎞
⎪ ⎜⎜ ⎟⎟
⎪ ⎝n⎠
⎪⎩0, c.c.

Distribuições Importantes (Discretas) 9

Distribuição Hipergeométrica (cont.)

„ Média e variância de X∩Hiper(N, n, D)

D
µ = np, com p =
N
N −n
var(X) = np (1 − p )
N −1

„ Quando numa distribuição Hipergeométrica com parâmetros N, n e

D, N é muito grande comparativamente a n, podemos usar a
distribuição Binomial como aproximação.

Distribuições Importantes (Discretas) 10

Distribuição de Poisson
Suponha que se observa a ocorrência de certo acontecimento num
determinado intervalo de tempo (ou num determinado volume, área,
comprimento, região). Se se verificar as seguintes condições:

i) o número de ocorrências em intervalos não sobrepostos

são variáveis aleatórias independentes;
ii) a probabilidade de um certo número de ocorrências se
verificar é a mesma para intervalos da mesma dimensão;
iii) a probabilidade de se verificarem duas ou mais
ocorrências num período muito pequeno é negligenciável,
quando comparada com a probabilidade de se verificar
apenas uma ocorrência.
Então pode-se dizer que tal fenómeno se adequa a uma
distribuição de Poisson.
Distribuições Importantes (Discretas) 11
Distribuição de Poisson (cont.)
Definição
Diz-se que uma v.a. X tem distribuição de Poisson de parâmetro
λ, e representa-se por X∩Poi(λ), se a sua função de probabilidade
for dada pela expressão seguinte:

⎧ e−λ λ k
⎪ , se k = 0,1,2,..., n
P ( X = k ) = ⎨ k!
⎪0, c.c.
⎩

e λ>0

„ Média e variância de X∩Poi(λ)

µ=E[X]= λ
σ2=var(X)= λ
Distribuições Importantes (Discretas) 12
Distribuição de Poisson (cont.)

Exemplo 4.5
O número de pedidos de ambulância que chegam, por dia, a
determinado posto de socorros, é em média de 2. Calcule a
probabilidade de que:

a) Num dia, haja pelo menos um pedido.

b) Num dia haja pelo menos um pedido, sabendo que no dia
anterior não se registou nenhum.
c) Num dia haja dois pedidos e no dia seguinte também se
verifiquem dois pedidos

Distribuições Importantes (Discretas) 13

Distribuição de Poisson (cont.)
Propriedade:
… Se X1, X2,..., Xn são variáveis aleatórias independentes com
Xi ∩ Poi(λi) i=1, 2,...,n, então,

n
Y = ∑ X i ∩ Poi(λ1 + λ2 + ... + λn )
i =1
Exemplo 4.6
Admite-se com frequência que o número de acidentes ocorridos em
fábricas obedece a uma distribuição de Poisson. Suponha que
numa determinada fábrica os acidentes ocorrem segundo uma taxa
média de 0,5 por semana. Se X representar o número de acidentes
a ocorrer nas próximas semanas 6 semanas, qual o número
esperado de acidentes e qual a probabilidade de ocorrer no máximo
3 acidentes?

Distribuições Importantes (Discretas) 14

Distribuição de Poisson (cont.)

Aproximação da Binomial à Poisson

Quando n→∞ e p→0, mantendo-se constante o produto np, tem-se
X ∩ Bin(n, p) ⇒ X ∩ Poi(np).

Regra prática
Em geral, a distribuição de Poisson fornece uma boa aproximação
da distribuição binomial quando n>20 e p≤0.05

Distribuições Importantes (Discretas) 15

Distribuição de Poisson (cont.)

Exemplo 4.7
Uma companhia de seguros possui 10000 apólices no ramo vida
referente a acidentes de trabalho. Sabe-se que, por ano, a
probabilidade de determinado indivíduo morrer de acidente de
trabalho é de 0.0001.
Qual a probabilidade de a companhia ter de pagar por ano a pelo
menos 4 dos seus segurados?

Distribuições Importantes (Discretas) 16