You are on page 1of 9

UNIVERSIDADE ESTADUAL PAULISTA CAMPUS DE JABOTICABAL

CURSO: ADMINISTRAO DISCIPLINA: ESTATSTICA I


PROFESSOR: MAMORU YAMADA AULA 06: Distribuies discretas de probabilidade

6 Distribuies tericas de probabilidade de variveis aleatrias discretas

Algumas v.a.s aparecem com bastante freqncia em situaes prticas e justificam um estudo
mais aprofundado, no sentido de se construir modelos probabilsticos de tais variveis para situaes reais.
Assim, para um dado experimento, deve-se verificar se ele satisfaz as condies dos modelos
probabilsticos conhecidos, pois isso facilitaria bastante a sua anlise.
Em geral, nesses casos, a distribuio de probabilidade pode ser escrita de uma maneira mais
compacta, ou seja, existe uma lei para atribuir as probabilidades a cada possvel valor da v.a.
Aqui, sero estudados alguns desses modelos, procurando enfatizar as condies em que
aparecem, suas funes de probabilidades, parmetros, e como calcular suas probabilidades.


6.1 Distribuio de Bernoulli

Considere a seguinte situao: em uma loja de roupas, o gerente, com base em experincias
passadas, estima que, dos clientes que visitam a loja, a probabilidade de que qualquer um deles comprar
de p = 0,30.
Vamos convencionar que o evento de que um cliente comprar sucesso (S) e que o evento de
que um cliente no comprar fracasso (F). O uso destes termos sugerido apenas por convenincia e
no tm a mesma conotao de sucesso e fracasso na vida real. Habitualmente, o resultado de interesse
principal rotulado como sucesso, mesmo que se trate de um evento indesejvel. Por exemplo:
- em um teste de um antibitico em um indivduo, a reao positiva (S) ou negativa (F);
- observando-se um nascimento, o recm-nascido macho (F) ou fmea (S);
- um animal escolhido ao acaso de um lote contendo 50 animais, doente (S) ou no (F).
Ento, podemos fazer a seguinte considerao a respeito do experimento Cliente visita a loja:
somente dois resultados so possveis no experimento: o cliente faz uma compra (sucesso S) ou o cliente
no faz uma compra (fracasso F).
Neste caso, o experimento um exemplo de experimento de Bernoulli.


Formalizando: considere uma nica tentativa de um experimento aleatrio, onde h somente dois
resultados possveis, designados por: Sucesso (S) e Fracasso (F).
Assim, para este tipo de experimento, podemos definir uma v.a. X: nmero de sucessos, onde:
P(S) = p; e P(F) = q; sendo p + q = 1.
X assume os valores:

) S ( 1
) F ( 0
, com P(X = 0) = q; e P(X = 1) = p.
Nestas condies, a funo de probabilidade da v.a. X chamada de distribuio de Bernoulli e
definida por:
P(X = x) = p
x
. q
1 x
(6.1), onde:
P(X = x) = a probabilidade de x sucessos na tentativa;
p = a probabilidade de sucesso na tentativa;
q = a probabilidade de fracasso na tentativa.
X chamada de v.a. de Bernoulli. Experimentos que resultam numa v.a. de Bernoulli so chamados de
experimentos ou ensaios de Bernoulli.

6.1.1 Esperana e varincia da distribuio de Bernoulli

Vamos, agora, calcular a esperana da distribuio de Bernoulli do exemplo anterior da loja de
roupas. Seja X: nmero de sucessos (cliente faz uma compra). Ento:
( ) p 30 , 0 30 , 0 1 70 , 0 0 X E = = + =

A varincia de X dada por:
( ) ( ) ( ) 21 , 0 q p 70 , 0 30 , 0 30 , 0 1 30 , 0 30 , 0 30 , 0 30 , 0 30 , 0 1 70 , 0 0 X Var
2 2 2 2
= = = = = + =

E o desvio padro de X dado por:
( ) ( ) 46 , 0 21 , 0 X Var X DP = = =




6.2 Distribuio binomial

Retornando ao exemplo da loja de roupas, vamos considerar as decises de compra dos prximos
trs clientes que entram na loja. Qual a probabilidade de que dois deles realizaro uma compra?
O experimento de observar os trs clientes, cada um tomando uma deciso de compra, tem oito
possveis resultados, mostrados na rvore de probabilidades da figura 6.1.
Na figura 6.1: S = Compra; F = No-compra; x = Nmero de clientes fazendo uma compra.
Estamos interessados, ento, nos resultados experimentais envolvendo dois sucessos nos trs
ensaios (decises de compra). Podemos notar que:
1) Para cada ensaio, so possveis somente dois resultados: o cliente far uma compra (S) ou o
cliente no far uma compra (F).
2) O experimento pode ser descrito como uma seqncia de trs ensaios idnticos, um ensaio para
cada um dos trs clientes que entraro na loja.
3) A probabilidade de que o cliente far uma compra (p = 0,30) ou no far uma compra (q = 0,70)
considerada a mesma para todos os clientes.
4) A deciso de compra de cada cliente independente das decises de outros clientes.
Assim, o nmero de resultados experimentais envolvendo duas compras, isto , o nmero de modos
de se obter x = 2 sucessos nos n = 3 ensaios, pode ser calculado pela combinao:
( )
( ) ( ) ( )
( ) ( ) ( )
3
2
6
1 1 2
1 2 3
! 2 3 ! 2
! 3
2
3
x
n
= =


=

=
|
|

\
|
=
|
|

\
|
.
Ou seja, trs dos resultados possveis produzem dois sucessos. Da figura 6.1, vemos que esses
trs resultados so denotados por SSF, SFS e FSS.

Formalizando: dada uma v.a. de Bernoulli X, em que p = probabilidade de sucesso, e q = probabilidade
de fracasso, a esperana da v.a. X dada por:
( ) p x P x ) X ( E
k
1 i
i i X
= = =

=
(6.2)
Sua varincia dada por:
( ) ( ) ( ) [ ] q p X E x P x X Var
2
k
1 i
i
2
i
2
X
=
(

= =

=
(6.3)
E seu desvio padro dado por:
( ) q p X DP
2
X
= =
(6.4)
Figura 6.1 rvore de probabilidades para o problema da loja de roupas

Agora, precisamos conhecer a probabilidade associada a cada um dos resultados experimentais.
Como os ensaios do experimento so independentes, podemos simplesmente multiplicar as probabilidades
associadas com cada resultado experimental para encontrar a probabilidade de uma particular seqncia de
resultados.
Desta forma, a probabilidade de SSF (compras pelos primeiros dois clientes e de no-compra pelo
terceiro cliente) dada por:
( ) ( ) ( ) ( ) ( ) ( )
( )
063 , 0 q p 70 , 0 30 , 0 70 , 0 30 , 0 30 , 0 SSF P
2 2 3 2
= = = =


Duas outras seqncias de resultados seguem-se em dois sucessos e um fracasso. As
probabilidades para as trs seqncias, envolvendo dois sucessos, so mostradas na tabela 6.1.

Tabela 6.1 Probabilidades das trs seqncias com dois sucessos
Resultados dos ensaios
1 cliente 2 cliente 3 cliente
Notao Sucesso
Fracasso
Probabilidade do resultado experimental
Compra Compra No-Compra SSF p.p.q = p
2
.q
(3-2)
= (0,30).(0,30).(0,70) = 0,063
Compra No-Compra Compra SFS p.q.p = p
2
.q
(3-2)
= (0,30).(0,30).(0,70) = 0,063
No-Compra Compra Compra FSS q.p.p = p
2
.q
(3-2)
= (0,30).(0,30).(0,70) = 0,063

Podemos observar que os trs resultados com dois sucessos tm exatamente a mesma
probabilidade. Ou seja, qualquer resultado com dois sucessos tem a probabilidade de p
2
.q = (0,30)
2
.(,070) =
0,063. Podemos escrever: P(SSF) = P(SFS) = P(FSS).
Portanto, para encontrar a probabilidade de que dois clientes em trs realizaro uma compra,
devemos multiplicar o nmero de modos de se obter x = 2 sucessos em n = 3 ensaios, pela sua
probabilidade associada. Ou seja:
( ) ( ) ( )
( )
( ) ( ) 189 , 0 70 , 0 30 , 0 3 70 , 0 30 , 0
2
3
sucessos 2 P
2 2 3 2
= =
|
|

\
|
=

.

S
Primeiro
Cliente
Segundo
Cliente
Terceiro
Cliente

(S, S, S)
3
Resultados
Experimentais
(S, S, F)
(S, F, S)
(S, F, F)
(F, S, S)
(F, S, F)
(F, F, S)
(F, F, F)
Valores
de x
2
2
1
2
1
1
0
S
S
F
S
F
S
F
S
F
F
S
F
F


Aplicando a equao 6.5 ao exemplo da loja de roupas, podemos calcular a probabilidade de que
nenhum, um, dois ou trs clientes faa uma compra. Os resultados esto na tabela 6.2.

Tabela 6.2 Distribuio de probabilidade para o nmero de clientes que fazem uma compra
X = xi P(X = xi)
0
( )
( ) ( )
( )
343 , 0 70 , 0 30 , 0
! 0 3 ! 0
! 3 0 3 0
=


1
( )
( ) ( )
( )
441 , 0 70 , 0 30 , 0
! 1 3 ! 1
! 3 1 3 1
=


2
( )
( ) ( )
( )
189 , 0 70 , 0 30 , 0
! 2 3 ! 2
! 3 2 3 2
=


3
( )
( ) ( )
( )
027 , 0 70 , 0 30 , 0
! 3 3 ! 3
! 3 3 3 3
=


Total 1,000

A distribuio binomial pode ser aplicada a qualquer experimento binomial. Se considerarmos,
agora, que o gerente da loja de roupas quer saber a probabilidade de fazer exatamente quatro vendas a 10
clientes potenciais que entram na loja, devemos calcular:
( )
( )
( ) ( )
( )
2001 , 0 70 , 0 30 , 0
! 4 10 ! 4
! 10
4 X P
4 10 4
=

= =




6.2.1 Esperana e varincia da distribuio binomial

Para formalizar as equaes para a esperana e varincia da distribuio binomial, vamos
relembrar as equaes 6.1 e 6.2, que definem a esperana e varincia de uma distribuio de Bernoulli:
E(X) = p; Var(X) = p.q
Consideremos, agora, que uma v.a. X que representa o nmero de sucessos em n ensaios de
Bernoulli pode ser denotada por: X = X
1
+ X
2
+ ...+ X
n
, onde X
i
o nmero de sucessos no i-simo ensaio (X
i

Formalizando: dado um nmero n de ensaios de Bernoulli em que:
1) Para cada ensaio, so possveis somente dois resultados: Sucesso (S) ou Fracasso (F);
2) Todos os n ensaios so idnticos;
3) A probabilidade de Sucesso p ou de Fracasso q a mesma em qualquer tentativa;
4) Os ensaios so independentes.
Pode-se considerar a v.a. X, que representa a contagem do nmero de sucessos em n ensaios.
A funo de distribuio de probabilidade de X chamada distribuio binomial com n ensaios e
probabilidade de sucesso p, e definida por:
( )
( ) x n x
q p
x
n
x X P


|
|

\
|
= =
(6.5), onde:
P(X = x) = a probabilidade de x sucessos em n ensaios;
n = nmero de ensaios;

( )! x n ! x
! n
x
n

=
|
|

\
|
;
p = a probabilidade de um sucesso em qualquer dos ensaios;
q = a probabilidade de um fracasso em qualquer dos ensaios.
Denota-se P(X = x) por b(x; n, p), e quando uma v.a. X tem distribuio binomial com os parmetros n e
p escreve-se: X ~ b(n, p).
= 0 ou 1). Como os ensaios so independentes, X
1
, X
2
, ..., X
n
so v.a.s independentes, cada uma tendo
distribuio de Bernoulli, em que E(X
i
) = p e Var(X
i
) = p.q. Usando as propriedades de esperana e
varincia da soma de v.a.s, obtm-se:
E(X) =
X
= E(X
1
) + E(X
2
) + ... + E(X
n
) = p + p + ... + p = n.p
Var(X) =
2
X
= Var(X
1
) + ... + Var(X
n
) = p.q + p.q + ... + p.q = n.p.q
( ) q p n X DP
2
X
= =

Para o exemplo da loja de roupas:
E(X) = n.p = 3.(0,30) = 0,90
Var(X) = n.p.q = 3.(0,30).(0,70) = 0,63
( ) ( ) 79 , 0 63 , 0 X Var X DP = = =




6.2.2 Simetria da distribuio binomial

Vamos estudar a distribuio binomial de n = 6 ensaios, com probabilidade de sucesso p = 0,5. Seja
a v.a. X: nmero de sucessos. A figura 6.2 mostra a distribuio de probabilidades da v.a. X.

Figura 6.2 Distribuio binomial de n = 6 e p = 0,5 (q = 0,5)

Quando p = 0,5, a distribuio binomial simtrica em relao ao valor central, que o valor
esperado (neste caso, 3).
Vamos, agora, modificar a probabilidade de sucesso para p = 0,3 e verificar a nova distribuio de
probabilidades da v.a. X, mostrada na figura 6.3.
Percebe-se que a distribuio torna-se assimtrica esquerda.
Finalmente, vamos modificar a probabilidade de sucesso para p = 0,7 e verificar a nova distribuio
de probabilidades da v.a. X, mostrada na figura 6.4.
Percebe-se, agora, que a distribuio torna-se assimtrica direita.

0,312
0,235 0,235
0,093 0,093
0,016 0,016
X 0 1 2 3 4 5 6
Formalizando: dada um experimento binomial de n ensaios, com probabilidade de sucesso p e
probabilidade de fracasso q, onde X a v.a. que representa o nmero de sucessos nos n ensaios, a
esperana da v.a. discreta X dada por:
E(X) = n.p (6.6)
A varincia da v.a. discreta X dada por:
Var(X) = n.p.q (6.7)
O desvio padro da v.a. discreta X dado por:
( ) ( ) q p n X Var X DP = =
(6.8)
Figura 6.3 Distribuio binomial de n = 6 e p = 0,3 (q = 0,7)


Figura 6.4 Distribuio binomial de n = 6 e p = 0,7 (q = 0,3)

Observando as figuras 6.3 e 6.4, nota-se que as probabilidades so as mesmas, porm, esto
dispostas de forma invertida em relao ao valor central (valor esperado 3). Isto ocorre porque as
probabilidades de sucesso e de fracasso esto alternadas, ou seja, p tem o mesmo valor na figura 6.3 que q
na figura 6.4.
Isto ilustra a propriedade geral da distribuio binomial: quando p e q so alternados, a distribuio
de probabilidades invertida. Ento, pode-se estabelecer a relao geral:
b (x; n, p) = b (n - x; n, 1 - p) (6.9)


6.3 Distribuio de Poisson

Vamos analisar o seguinte problema: uma concessionria est preocupada com a ocorrncia de
grandes defeitos em uma auto-estrada um ms aps o recapeamento. Vamos considerar que este problema
possui as seguintes propriedades:
1) a probabilidade de um defeito a mesma para quaisquer dois intervalos de auto-estrada de igual
comprimento;
2) a ocorrncia ou no-ocorrncia de um defeito em qualquer intervalo independente da
ocorrncia ou no-ocorrncia de um defeito em qualquer outro intervalo.
A concessionria soube que os grandes defeitos ocorrem um ms depois do recapeamento taxa
mdia de dois por quilmetro.
Dadas as informaes acima, a concessionria quer calcular a probabilidade da no-ocorrncia de
grandes defeitos em uma determinada seo de trs quilmetros da auto-estrada.
Em funo de o problema atender s propriedades 1 e 2 citadas acima, podemos usar um novo tipo
de distribuio terica de probabilidade para calcular a probabilidade desejada. a distribuio de Poisson.
Para us-la, precisamos dos seguintes parmetros:
0,186
0,324
0,059
0,302
0,010
0,118
0,001
X 0 1 2 3 4 5 6
0,186
0,324
0,059
0,302
0,010
0,118
0,001
X 0 1 2 3 4 5 6
- Nmero esperado () de grandes defeitos na seo de trs quilmetros da auto-estrada:
defeitos 6 s quilmetro 3
quilmetro
defeitos
2 = =

- Nmero de ocorrncias desejadas (x):
x = 0 (nenhuma ocorrncia)
Portanto, a probabilidade P(X = 0) de nenhuma ocorrncia de grandes defeitos em uma seo de
trs quilmetros pode ser calculada pela funo de distribuio de Poisson. Para este caso, a probabilidade
dada por:
( )
! 0
e 6
0 X P
6 0

= =
, onde: e = 2,71828...
Portanto:
P(X = 0) = 0,0025.
Assim, improvvel que grandes defeitos no venham a ocorrer na seo de trs quilmetros. De
fato, neste exemplo, temos a probabilidade 1 0,0025 = 0,9975 de pelo menos um grande defeito ocorrer
em uma seo de trs quilmetros da auto-estrada.


Uma suposio que se faz usualmente em relao a essa distribuio que a probabilidade de se
obter mais de um evento num intervalo muito pequeno desprezvel.
Vamos estudar um outro exemplo, agora envolvendo um intervalo de tempo. Vamos estudar o
nmero de chegadas a uma caixa automtica (tipo drive-thru) de um banco durante um perodo de 15
minutos nas manhs de fins-de-semana. Vamos considerar que:
- a probabilidade de um carro chegar a mesma para quaisquer dois perodos de tempo de igual
comprimento;
- a chegada ou no-chegada de um carro em qualquer perodo de tempo seja independente da
chagada ou no-chegada de outro em qualquer outro perodo de tempo.
Podemos, ento, aplicar a funo de probabilidade de Poisson. Uma anlise dos dados histricos
mostra que o nmero mdio de carros que chegam no perodo de 15 minutos 10. A funo de
probabilidade dada, ento, por:
( )
! x
e 10
x X P
10 x

= =

A v.a. X = nmero de carros que chegam em qualquer perodo de 15 minutos.
Se a administrao do banco quer saber a probabilidade de exatamente cinco chegadas em 15
minutos, temos que calcular:
( ) 0378 , 0
! 5
e 10
5 X P
10 5
=

= =

.
Formalizando: seja X uma v.a. discreta que representa o nmero de ocorrncias de eventos em um dado
intervalo de tempo ou de espao (comprimento, rea ou volume). Se a v.a. X atende s propriedades:
1) A probabilidade de uma ocorrncia a mesma para quaisquer dois intervalos de igual
dimenso;
2) A ocorrncia ou no-ocorrncia em qualquer intervalo independente da ocorrncia ou no-
ocorrncia em qualquer outro intervalo;
Ento, a v.a. X pode ser descrita por uma distribuio de Poisson. Esta distribuio descrita pela
funo de probabilidade de Poisson, dada por:
( )
! x
e
x X P
x

= =
(6.10), onde:
P(X = x) = a probabilidade de x ocorrncias em um intervalo;
= valor esperado ou nmero mdio de ocorrncias em um intervalo;
e = 2,71828...
Este exemplo implica em calcular a probabilidade de cinco chegadas em um perodo de 15 minutos,
mas outros perodos de tempo podem ser usados. Suponha que queremos calcular a probabilidade de uma
chegada em um perodo de trs minutos.
Como 10 o nmero esperado de chegadas em um perodo de 15 minutos, ento o nmero
esperado de chegadas em um perodo de um minuto dado por:
3
2
15
10
=
.
O nmero esperado de chegadas em um perodo de trs minutos, ento, dado por:
2 utos min 3
3
2
= =

Assim, a probabilidade de x chegadas em um perodo de tempo de trs minutos, com = 2, dada
por:
( )
! x
e 2
x X P
2 x

= =
.
No exemplo: a probabilidade de uma chegada em um perodo de tempo de trs minutos dada por:
( ) 2707 , 0
! 1
e 2
1 X P
2 1
=

= =




6.3.1 Esperana e varincia da distribuio de Poisson

A esperana ou valor esperado da distribuio de Poisson o nmero esperado de ocorrncias no
intervalo de interesse. A esperana j foi calculada nos exemplos do item 6.3. Vamos relembr-la.
Para o exemplo dos grandes defeitos na auto-estrada, o nmero esperado () de grandes defeitos
na seo de trs quilmetros da auto-estrada foi de:
defeitos 6 s quilmetro 3
quilmetro
defeitos
2 = =
.
Para o exemplo do nmero de carros na caixa automtica, o nmero mdio (esperado) de carros
que chegam no perodo de 15 minutos 10.



6.4 Distribuio de Poisson como aproximao da distribuio binomial

Algumas vezes, no uso da distribuio binomial, ocorre que n, o nmero de ensaios, muito grande
e p, a probabilidade de sucesso, muito pequeno, de modo que q, a probabilidade de fracasso, prximo
de 1. Em tais casos, o clculo torna-se muito difcil. Pode-se, ento, fazer uma aproximao da distribuio
binomial pela distribuio de Poisson. Esta aproximao dada por:
Formalizando: se X uma v.a. com distribuio de Poisson, ento:
E(X) = = n . p (6.11), onde:
E(X) = esperana ou valor mdio (esperado) de ocorrncias de eventos no intervalo de interesse;
= parmetro da distribuio de Poisson;
n = taxa de ocorrncia de eventos por unidade de tempo ou de espao (comprimento, rea,
volume);
p = intervalo de tempo ou de espao (comprimento, rea, volume) de interesse.
Pode-se provar que a varincia da v.a. discreta X dada por:
Var(X) = n . p (6.12)
E o desvio padro da v.a. discreta X dado por:
( ) ( ) p n X Var X DP = =
(6.12)
( )
( )
! x
e p n
p , n ; x b
p n x

(6.13)
Como regras prticas, a aproximao ser boa sempre que:
- p 0,05;
- n 20;
- = n . p 7.
Exemplo: em uma grande empresa, sabe-se que a probabilidade de um funcionrio qualquer ter
reao negativa aprovao de um novo benefcio trabalhista de 0,001. Determinar a probabilidade de
que, de 2.000 funcionrios entrevistados, mais do que quatro tenham reao negativa.
Verificamos que: p 0,05 (0,001); n 20 (1500); e = n . p 7 (2.000 . 0,001 = 2). Portanto,
podemos aproximar a distribuio binomial pela distribuio de Poisson. Assim:
( ) ( ) =
|
|

\
|
+

= = >

! 0
e 2
! 1
e 2
! 2
e 2
! 3
e 2
! 4
e 2
1 4 X P 1 4 X P
2 0 2 1 2 2 2 3 2 4

055 , 0 7 135 , 0 1 7 e 1
1
1
1
2
2
4
6
8
24
16
e 1
2 2
= = = |

\
|
+ + + + =