1

UFMA - DEMAT Estatstica e Probabilidade - Prof. Afonso

_____________________________________________________________________________________

PRINCIPAIS DISTRIBUIES DE PROBABILIDADE DISCRETAS:

BERNOULLI, BINOMIAL E POISSON

Uma distribuio de probabilidades uma distribuio de freqncias relativas para os resultados

de um espao amostral; mostra a proporo de vezes em que a varivel aleatria tende a assumir cada um
dos diversos valores.

Quando se atribuem valores de probabilidade a todos os possveis valores de uma varivel aleatria
X, tanto por uma listagem como por uma funo matemtica, o resultado uma distribuio de
probabilidade. Uma varivel aleatria aquela cujos valores so determinados por processos acidentais, ao
acaso, que no esto sob o controle do observador. A soma das probabilidades de todos os resultados
possveis deve ser igual a 1. No contexto das distribuies de probabilidades, os valores individuais de
probabilidades deve ser designados pelo smbolo f ( x ), que enfatiza a existncia de uma funo
matemtica, por P ( x = X ), que enfatiza que a varivel aleatria pode assumir diversos valores, ou
simplesmente por P ( x ).

As distribuies de probabilidades proporcionam um mtodo simples para a determinao de certas

probabilidades, os tipos de distribuio podem ser considerados como modelos para descrever situaes
que envolvem resultados gerados pela chance.

H uma variedade de tipos de distribuio de probabilidades na estatstica. Cada qual tem seu
prprio conjunto de hipteses que definem as condies sob as quais o tipo de distribuio pode ser
utilizado validamente. A chave da utilizao de uma distribuio de probabilidades consiste em confrontar as
hipteses do tipo de distribuio com as caractersticas da situao real.

A validade da aplicao de determinada distribuio a um problema depende do grau de

aproximao entre a situao real e os modelos de distribuies de probabilidades. Usualmente, quanto
melhor a aproximao, melhor a base para uma tomada racional de decises. Isto permite ao administrador
ou a outro analista utilizar o poder da estatstica numa situao particular sem precisar sempre recomear
tudo outra vez. Ou seja, tratar um conjunto de situaes problemas essencialmente da mesma maneira.

Os modelos de distribuies de probabilidades, acha-se dividida em duas partes: distribuies

descontnuas (discretas) e distribuies contnuas. As distribuies descontnuas (discretas) de
probabilidade envolvem variveis aleatrias relativas a dados que podem ter valores observados somente
em pontos isolados ao longo de uma escala de valores. Em estatstica aplicada administrao, tais dados
ocorrem tipicamente atravs de processos de contagem; por isso, tais valores so geralmente expressos
por nmeros inteiros. Por outro lado, as distribuies contnuas de probabilidades envolvem variveis
aleatrias relativas a dados que podem assumir um valor em qualquer ponto fracionrio ao longo de um
intervalo especificado de valores. Os dados contnuos so gerados pelo processo de medio.

A discusso que segue, neste estudo, limitar-se- apenas s principais distribuies de

probabilidades descontnuas (discretas): Bernoulli, Binomial e Poisson.

DISTRIBUIO DE BERNOULLI

Suponhamos um experimento tal como a jogada repetida de uma moeda, ou a escolha de repetidas
fichas de uma urna, etc. Cada jogada ou extrao chamada uma prova. Em cada prova em particular h
uma probabilidade associada a um determinado evento, tal como aparecimento de cara na moeda, a
escolha de uma ficha vermelha, etc. Em certos experimentos, a probabilidade no varia de prova para prova
(tal como no caso da jogada de uma moeda, ou de um dado). Tais provas dizem-se ento independentes e
costumam designar-se como provas de Bernoulli, que tem significado histrico James Bernoulli, que
primeiro as estudou no fim do sculo XVII.

Seja um experimento que consiste na realizao de uma prova, cujos resultados s podem ser
sucesso ou fracasso. Observando ainda que na realizao desta prova os eventos so independentes,
vamos chamar X uma varivel aleatria que, de acordo com a pressuposio citada, somente assumir
valores 0 (zero) e 1 (um), sendo 0 a ocorrncia do evento fracasso e 1 a ocorrncia do evento
sucesso, com probabilidades q e p = 1 q , ou seja, P ( X = 0 ) = q e P ( X = 1 ) = p.
 2
UFMA - DEMAT Estatstica e Probabilidade - Prof. Afonso
_____________________________________________________________________________________

Sua funo probabilidade da distribuio definida por:

0 , se x < 0
f(x) = q , se 0 x < 1
1 , se x 1

Quando esta varivel estiver assim definida, diremos que ela mesma tem uma distribuio de
Bernoulli.

Baseados nas propriedades da Expectncia e da Varincia temos:

X 0 1
P(X) q p P(X)=1

As principais caractersticas so:

Mdia:
1
x = E( X) = x i p(x i ) = 0 (q) + 1 (p) = p
i =o
Varincia:

x2 = Var ( X) = E( X) 2 [E( X)] = 0 2 (q) + 12 (p) (p 2 ) = p p 2 = p (1 p) = p q

2

Desvio - padro:

x = p q
Essa distribuio tem importncia como geradora de novas distribuies, conforme veremos a seguir.

DISTRIBUIO BINOMIAL

Usa - se o termo binomial para designar situaes em que os resultados de uma varivel aleatria
podem ser grupados em duas classes ou categorias. Os dados so, pois, nominais. As categorias devem
ser mutuamente excludentes, de modo a deixar perfeitamente claro a qual categoria pertence determinada
observao; e as classes devem ser coletivamente exaustivas, de forma que nenhum outro resultado fora
delas possvel.

comum referirmo-nos s duas categorias de uma distribuio binomial como sucesso ou

fracasso, muito embora no importe, para fins de clculo, qual categoria seja considerada sucesso, e qual
seja considerada fracasso, j que as duas so complementares. Por exemplo, no caso de um jogo de
chance, o sucesso para um jogador fracasso para o outro.

As observaes de experimento binomial so em geral designadas como provas. Por exemplo, um

problema pode exigir a determinao da probabilidade de cinco sucessos em sete provas (observaes).

Verifica-se que, porque sucesso e fracasso so mutuamente excludentes e coletivamente

exaustivos, P ( sucesso ) + P ( fracasso ) = 1. Consequentemente, por exemplo, que P (sucesso) = 0,6,
segue-se que P(fracasso) = 0,4.

A distribuio binomial uma distribuio discreta de probabilidade, aplicvel sempre que o

processo de amostragem do tipo do de Bernoulli. Um processo de Bernoulli um processo de
amostragem no qual:
1. H n observaes ou provas idnticas.
2. Em cada tentativa existem dois resultados possveis mutuamente exclusivos. Eles so chamados, por
convenincia, sucesso e fracasso.
3. As sries de tentativas, ou observaes, so constitudas de eventos independentes.
4. A probabilidade de sucesso, indicada por p, permanece constante de tentativa para tentativa. Ou seja, o
processo estacionrio.
 3
UFMA - DEMAT Estatstica e Probabilidade - Prof. Afonso
_____________________________________________________________________________________

H dois mtodos para obter as probabilidades para uma varivel aleatria distribuda
binomialmente. Um deles consiste em utilizar a frmula binomial, e o outro a utilizao das tabelas de
probabilidades binomiais.

Para a frmula binomial so necessrios trs valores: o nmero de sucessos ( X ); o nmero de

tentativas, ou observaes ( n ); e a probabilidade de sucesso em cada tentativa ( p ).

Associando uma varivel aleatria X igual ao nmero de sucessos nessas n provas, X poder
assumir valores 0,1,2,3, . . . , n.
Vamos determinar a distribuio de probabilidades dessa varivel X, dada atravs da probabilidade
de um nmero genrico x de sucessos.

Suponhamos que ocorram apenas sucessos nas x primeiras provas e apenas fracassos nas ( n x)
provas restantes. Indicando sucesso em cada prova por 1 e fracasso por 0, temos:

1,1,1, . . . 1, 0,0, . . . , 0

x nx

Como as provas so independentes, a probabilidade de ocorrncia deste evento p x qn x .

Porm, o evento x sucessos em n provas pode acontecer em outras ordens distintas, todas com a
mesma probabilidade. Como o nmero de ordens o nmero de combinaes de n elementos x a x, a
probabilidade de ocorrerem x sucessos em n provas ser:

n
P( X = x) = p x qn x
x
ou :
P( X = x) = Cnx p x q n x
ou :
n!
P ( X = x) = p x qn x
x!(n x)!

A expresso obtida para P ( X = x ) o ( x + 1)

termo do desenvolvimento de ( q + p ) segundo o

binmio de Newton, portanto, o nome distribuio binomial, dado a essa distribuio.

conveniente, neste ponto, relembrar os termos do desenvolvimento do binmio de Newton.

Temos:

(q + p)1 = q + p
(q + p) 2 = q 2 + 2 p.q + p 2
(q + p)3 = q 3 + 3.p.q 2 + 3.p 2 .q + p 3
(q + p) 4 = q 4 + 4.p.q 3 + 6.p 2 .q 2 + 4.p3 .q + p 4
generalizando :
n n
(q + p) = q n + n.p.q n 1 + .p 2 .q n 2 + ... + .p x .q n x + ... + pn
2 x
 4
UFMA - DEMAT Estatstica e Probabilidade - Prof. Afonso
_____________________________________________________________________________________

OS PARMETROS: MDIA, VARINCIA E DESVIO PADRO

A mdia do nmero X de resultados favorveis em uma distribuio binomial, ou seja, a esperana

de X , dada pela soma de todos os produtos que se obtm multiplicando cada valor de X pela respectiva
probabilidade.

Entretanto, existe uma maneira mais fcil de obter a mdia de X. Basta definir uma varivel Ii , com
i = 1,2, ........... , n , que ser igual a 1, se no i-simo ensaio ocorrer resultado favorvel e igual a zero, se no
i-simo ensaio ocorrer resultado desfavorvel. Ento o nmero X de resultados favorveis, em n ensaios,
dado pela soma de n termos Ii , isto : X = I1 + I2 + ... + I .

Como Ii uma varivel aleatria que s assume valores um e zero, com probabilidades p e q,
respectivamente, podemos obter:

E( Ii ) = 1.p + 0.q = p

Lembrando que X uma soma de n termos, cada um com esperana p, segue-se que:

x = E( X) = n.p

Usando o mesmo raciocnio, podemos calcular a varincia de X. Ento:

Como (p + q) = 1 , segue-se que:

x2 = Var ( X) = E[I i E(I i )] = (1 + p) 2 .p + (0 p) 2 .q = q 2 .p + p 2 .q = p.q(p + q)

2

2x = Var (I i ) = p.q

Logo, como X uma soma de n termos independentes, cada um com varincia p.q, podemos
escrever:
2x = Var ( X) = n.p.q
X = n.p.q

O USO DE TABELAS BINOMIAIS

As tabelas de probabilidades constituem um instrumento muito prtico para a anlise estatstica;

do as probabilidades com um mnimo de esforo. H dois tipos de tabelas binomiais. Um d as
probabilidades de resultados individuais de uma varivel aleatria, e o outro d as probabilidades de um
conjunto de resultados. Conquanto ambos os tipos contenham essencialmente a mesma informao, alguns
problemas se prestam mais a um tipo do que a outro, de forma que consideremos ambos.

Utiliza-se a tabela como segue:

1. Procurar no topo da tabela o valor de p indicado.

2. Localizar o n na coluna esquerda da tabela, e procurar o nmero de x sucessos desejado
3. A probabilidade de x sucessos se encontra na interseco da linha achada conforme a parte 2 com a
coluna achada conforme a parte 1. (Tabela de Probabilidade Binomial Individual). No caso, tambm
pode ser usada para determinar a probabilidade de, x ser igual ou menor, e de x ser maior, do que um
nmero especificado de sucessos. (Tabela de Probabilidades Binomial Acumuladas).

Embora as tabelas constituam o mtodo mais simples e mais prtico para determinao de
probabilidades, h situaes em que as probabilidades desejadas no podem ser obtidas de tabelas. Por
essas razes, conveniente usar a frmula binomial para obter as probabilidades desejadas.
 5
UFMA - DEMAT Estatstica e Probabilidade - Prof. Afonso
_____________________________________________________________________________________

DISTRIBUIO DE POISSON

A distribuio de Poisson pode ser usada para determinar a probabilidade de um dado nmero de
sucessos quando os eventos ocorrem em um continuum de tempo ou espao. Tal processo, chamado de
processo de Poisson, similar ao processo de Bernoulli, exceto que os eventos ocorrem em um continuum
ao invs de ocorrerem em tentativas ou observaes fixadas. Tal como no caso do processo de Bernoulli,
supe-se que os eventos so independentes e que o processo estacionrio.

Somente um valor necessrio para determinar a probabilidade de um dado nmero de sucessos

em um processo de Poisson: o nmero mdio de sucessos para a especfica dimenso de tempo ou espao
de interesse. Este nmero mdio geralmente representado por (letra grega lambda) ou por . A
distribuio de probabilidades de Poisson constitui um caso limite, quando o nmero de provas n tende ao
infinito e a probabilidade p do sistema de provas binomial pequeno. Assim:

.P( X = 1, t ) = t
P( X > 1, t .) = 0
P( X = 0, t ) = 1 t
t
P( X = 1, t ) =
n
t
t = , n , 0
n
n
P( X = x) = lim .p x .q n x
n x
x n x
n t t
P(x, t ) = lim . .1
n x n n
n x
n(n 1).(n 2)...(n x + 1) (t ) x t t
P(x, t ) = lim . x .1 .1
n x! n n n

n x
n(n 1).(n 2)...(n x + 1) (t ) x t t
P(x, t ) = lim . .1 .1
n n.n.n................................n x! n n

x
1 2 x + 1 t t t
n

P(x, t ) = 1.1 .1 .......1

. 1 . 1 .
n n n n n x!

e t
1

Portanto:

( t ) x t
P ( x, t ) = .e
x!
Lembrando, que e a constante 2,7183 usada em conexo com os logaritmos naturais.
 6
UFMA - DEMAT Estatstica e Probabilidade - Prof. Afonso
_____________________________________________________________________________________

OS PARMETROS: MDIA, VARINCIA E DESVIO PADRO

e t ( t )
X = E( X ) =
X=0 x!
= t

e t .(t ) x
x2 = Var ( X) = (x t ) 2 . = t
x =0 x!

Logo, a distribuio de Poisson tem a varincia igual mdia, ou seja:

x = x2 = t
desvio padro :
x = t

4.2 O USO DE TABELAS DE POISSON:

As tabelas de probabilidades de Poisson proporcionam um mtodo conveniente para a obteno de

probabilidades com um mnimo de tempo e de esforo. Por isso, elas devem ser usadas sempre que
possvel, em lugar do clculo direto pela frmula. Tal como no caso da binomial, h dois mtodos para fazer
isto. H tabelas individuais e acumuladas onde se encontram as probabilidades para algumas mdias.

A DISTRIBUIO DE POISSON COMO APROXIMAO DA BINOMIAL

A aproximao mais adequada quando o nmero n de observaes grande e a probabilidade de

sucesso, p, est prxima de 0 ou prxima de 1 . Convm dispor de um mtodo alternativo para o clculo de
probabilidades binomiais pelas razes seguintes:

1. A distribuio binomial descreve adequadamente muitas situaes de interesse.

2. A maioria das tabelas est limitada a n 20.
3. A frmula binomial pode exigir esforo substancial para a obteno de uma soluo exata.

A vantagem da aproximao reside no fato de que a preciso sofre muito pouco e que o trabalho
necessrio consideravelmente menor. Para usar a aproximao, basta determinar a mdia, ou o valor
esperado, da distribuio binomial. Essa mdia ento considerada como a mdia do processo para a
distribuio de Poisson. Ou seja, a mdia do processo igual mdia binomial np.

Exemplo:

Se retirarmos 50 peas da produo de uma mquina que fornea 2% de produo defeituosa, a

probabilidade de encontrarmos duas peas defeituosas ser:

Usando a aproximao pela distribuio de Poisson de mesma mdia:

P( X = 2) = 50 .(0,02) 2 .(0,98) 48 = 0,1857

2

e 1.12 1
P ( X = 2) = = = 0,1839
2! 2.e
 7
UFMA - DEMAT Estatstica e Probabilidade - Prof. Afonso
_____________________________________________________________________________________

EXERCCIOS

BINOMIAL

1. Num determinado processo de fabricao 10% das peas so consideradas defeituosas. As peas so
acondicionadas com 5 unidades cada uma.

a) Qual a probabilidade de haver exatamente 3 peas defeituosas numa caixa?

5
P ( X = 3) = .( 0,10 ) 3. .( 0 ,90 ) 2 = 0,0081
3

b) Qual a probabilidade de haver duas ou mais peas defeituosas numa caixa?

P ( X 2 ) = 1 [P ( X = 0 ) + P ( X = 1 ) ] = 1 [0 , 5905 + 0 , 3280 ]= 0 , 0815

5
P ( X = 0 ) = .( 0 ,10 ) 0 .( 0 , 90 ) 5 = 0 , 5905
0
5
P ( X = 1 ) = .( 0 ,10 ) 1 .( 0 , 90 ) 4 = 0 , 3280
1

c) Se a empresa paga multa de R$ 10,00 por caixa em que houver alguma pea defeituosa, qual o valor
esperado da multa num total de 1000 caixas?

P(CM) = 1 P(X=0) = 1 0,5905 = 0,04095

Teremos uma nova binomial com n = 1000 e p = 0,04095.

O nmero Esperado de caixas com uma ou mais peas defeituosas ser:

E (CM) = np = 1000(0,4095) = 409,5 caixas

Como o valor da multa R$ 10,00, o valor esperado das multas ser:

CM = R$ 10,00 (409,5) = R$ 4.095,00

2 Uma empresa vende e instala seus produtos. Atravs de estatsticas conhece que 40% dos produtos
instalados necessitam de novos ajustamentos. Quatro produtos so vendidos e devem ser instalados. A
empresa deseja saber qual a probabilidade de que pelo menos dois destes produtos, aps sua
instalao, venham a requerer novos ajustamentos. Por outro lado, a empresa estima em R$ 100,00 o
custo de cada ajustamento complementar. Qual o custo esperado para a empresa aps ter instalado
independentemente quatro produtos?

P ( 2 x 4 ) = P ( X = 2 ) + P ( X = 3 ) + P ( X = 4 ) = 0 , 5248
4
P ( X = 2 ) = .( 0 , 40 ) 2 .( 0 , 60 ) 2 = 0 ,3456 E ( k . X ) = k .E ( X )
2 E ( X ) = n .p = 4 .( 0 , 4 ) = 1, 6
4 k = R $ 100 , 00
P ( X = 3 ) = .( 0 , 40 ) 3 .( 0 , 60 ) 1 = 0 ,1536
3 log o :
4 E ( k . X ) = 100 .( 1, 6 ) = R $ 160 , 00
P ( x = 4 ) = .( 0 , 40 ) 4 .( 0 , 60 ) 0 = 0 , 025
4
 8
UFMA - DEMAT Estatstica e Probabilidade - Prof. Afonso
_____________________________________________________________________________________

POISSON

1. Suponhamos que os navios cheguem a um porto razo de = 2 navios/hora, e que essa razo
seja bem aproximada por um sucesso de Poisson. Observando o processo durante um perodo de
meia hora (t = ), determine a probabilidade de: no chegar nenhum navio, e de chegarem 3
navios.

1
= t = 2 . = 1
x
2
tabela
1
e = 0 , 368

1
.( 1 ) 0
e
P (X = 0) = = 0 , 368
0!
e 1 .( 1 ) 3
P (X = 3) = = 0 , 061
6

2. Suponhamos que os defeitos em fios para tear possam ser aproximados por um processo de
Poisson com mdia de 0,2 defeitos por metro ( = 0,2). Inspecionando-se pedaos de fio de 6
metros de comprimento, determine a probabilidade de menos de 2 (isto , 0 ou 1) defeito.

x = t = 0,2.(6) = 1,2

tabela
e 1, 2 = 0,301
e 1, 2 .(1,2)0 e 1, 2 .(1,2)1
P( X 1) = P( X = 0) + P ( X = 1) = + = 0,301 + 0,301.(1,2) = 0,6622
0! 1!