Modelos Discretos de Probabilidade

Uniforme, Bernoulli, Binomial, Poisson, Geométrico
Prof. MSc. Herivelto Tiago Marcondes dos Santos

Ano 2008

diz-se que X segue o modelo uniforme discreto se sua fun ão de pro!a!ilidade " dada por# $sto ". xk.. Sendo X uma variável seguindo o modelo &niforme 5iscreto. . d. &ma rifa tem '(( !il)etes numerados de ' a '((. x2 .. logo a pro!a!ilidade de serem sorteados " a mesma Exemplo 2. &ma manufatura deve escol)er ' funcionário por semana para fazer inspe ão em suas máquinas antes de cada turno de tra!al)o. com valores no conjunto 6'. . c. ou ainda.. e. " atri!uído o mesmo valor 1/k. com os n-meros '. Se am!os os indivíduos apresentam o mesmo n-mero de !il)etes. um mesmo funcionário pode ser escol)ido em semanas consecutivas. .. x2 . 2uem tem a maior possi!ilidade de ser sorteado3 Solução. e meu colega tem outros + !il)etes.. Então.. f. '(7. *en)o + !il)etes consecutivos numerados de .. Se )á '( funcionários nesse setor.' a .+. xk.. para todos os eventos x1 . 4ela defini ão acima ocorre que todos os '(( !il)etes do sorteio apresentam a mesma pro!a!ilidade de serem sorteados. Exemplo 3.. qual " a 2 . ''. pergunta-se# a... b. 1. os eventos ocorrem com eq%ipro!a!ilidade.. 8esse caso poderá )aver repeti ão.Modelo Uniforme Discreto Seja X uma variável aleatória cujos valores possíveis são representados por x1 .1. Exemplo 1. .. /0 e .. ou seja.

se não ocorresse repeti ão at" que o -ltimo dos '( participe da escala.pro!a!ilidade algum funcionário ser escol)ido para fazer a inspe ão3 E. o que muda3 3 .

Se p " a pro!a!ilidade de sucesso. 9(.ncia de fracasso e '9um: a ocorr.:.':. 9(.':...':1 9(. .': 9(. 9(.. então X pi 0 p 1 1-p =u Exemplo 4.':. e deseja-se verificar o n-mero de pe as defeituosas nesse grupo.. respectivamente.:. ?onstrua uma árvore de pro!a!ilidades que contemple todas as possi!ilidades essa averigua ão.ncia de sucesso.s pe as.. 9(.': 9(.ncia de pe as com algum tipo de imperfei ão em uma lin)a de produ ão " de '(>. 9(. .: 9(. Escol)em-se tr.: 9(. ' ' ' ( 4 .. Evento DDD DDDC DDCD DCDD DDC DC DC DDC DC DCD DCDCDC Probabilidade 9(..: 9(. ao acaso. Sa!e-se que a ocorr.:.:1 X 1 . 9(.': 9(. evento que será representado por 5. (< p≤ 1.Modelo de Bernoulli 5izemos que uma variável aleatória X segue o modelo de Bernoulli se puder atri!uir (9zero: a ocorr.

': 2 19(.':.:.E CD1E Modelo Binomial ?onsidere a repeti ão de n ensaios de Aernoulli independentes e todos com a mesma pro!a!ilidade de sucesso p. @ variável aleatória que conta o n-mero total de sucessos " denominada Ainomial com parFmetros n e p e sua fun ão de pro!a!ilidade " dada por# 5 ...:1 1 19(.. pode-se representar a variável X# 8-mero de pe as que apresentam algum tipo de imperfei ão a fun ão de pro!a!ilidade será dada por# X pi 0 9(.':1 =u ainda.9(. 8o caso do eBemplo.ncia de n ensaios independentes de Aernoulli e todos com mesma pro!a!ilidade de sucesso p " representada pela fun ão de pro!a!ilidade dada por# . =nde# CD(E CD'E CD.@ ta!ela anterior permite concluir que a ocorr. 3 9(.:9(.

(+. que na maioria das sele Ges de estágio.ncia pela flu.(+:'+≅ (. Exemplo 5: Sa!e-se.ncia de pessoas que não são fluentes em outro idioma. !" mud#nç# de $#ri%$el & feit# #pen#s p#r# não ocorrer confusão entre #ptos e não #ptos7. a pro!a!ilidade de nen)um dos candidatos serem fluentes em outro idioma " igual a e a pro!a!ilidade de todos serem fluentes " 9(.JJ> de )aver ao menos um candidato com as características desejadas.p 6@ variável aleatória discreta X tem segue o modelo !inomial com parFmetros n e p7. se o desejo " sa!er qual a possi!ilidade de ocorr.ncia em outro idioma afinal a pro!a!ilidade de todos serem fluentes " nula.ncia de pessoas que são fluentes em outro idioma. a pro!a!ilidade de ser fluente em outro idioma " dada por (. Supon)a que temos '+ ensaios de Aernoulli independentes.m a flu.(+. a eBig. 5e outra maneira. 4or eBperi. ou seja. &ma empresa seleciona ao acaso '+ candidatos para sua sele ão de estágio e deseja-se verificar qual a pro!a!ilidade de nen)um deles apresentar flu.11> por"m com a possi!ilidade de +1. " improvável que todos os candidatos ten)am flu.. a pro!a!ilidade de sucesso " (.ncia em outro idioma. a pro!a!ilidade de sucesso " (. para a ocorr. E. isto ". dos quais a pro!a!ilidade de sucesso.ncia em outro idioma. qual a pro!a!ilidade de todos os candidatos serem fluentes em outro idioma3 Solução.ncia verificou-se que apenas +> dos candidatos que !uscam vagas de estágio em grandes empresas t. Hogo. Modelo de Poisson &ma variável aleatória X tem distri!ui ão de pro!a!ilidade de 'oisson com parFmetro λK(. 4or outro lado.+ e o modelo de pro!a!ilidade será# . 5aí pode-se concluir que a possi!ilidade não )aver pessoas fluentes em outro idioma " de I/. se sua fun ão de pro!a!ilidade " dada por# 6 . logo temos um modelo de pro!a!ilidade que representa !em esses eventos dado por# .=nde " o coeficiente Ainomial e significa o n-mero de possi!ilidades que pode-se escol)er su!grupos distintos de taman)o k em um grupo de taman)o nE tam!"m será usada a nota ão X~B(n.ncia em outro idioma " fator requerido e diferencial para o profissional candidato.

ncias com k c)amadas " o!tida multiplicando /+( 9o total de o!serva Ges: pela pro!a!ilidade de k c)amadas. Exemplo 6.+ / ≥0 +J +/. =s engen)eiros sugerem uma taBa de ocorr.ncia e o modelo de 4oisson parece ser adequado. =s dados coletados. por eBemplo. em '. então. / J. J . ou valor m"dio esperado.+ ( . durante o período noturno. ' 10 1. X tem distri!ui ão de 4oisson com parFmetro λ.. 10 J' ''+ '.ncia em eBperimentos físicos e !iológicos e. &ma das aplica Ges interessantes e que prestam !ons resultados pelo uso do modelo de 4oisson " a o!serva ão de eventos que ocorrem segundo uma t#x# de fre)*(nci#. =!serva ão# = modelo de 4oisson " usado com freq%. .+ './ / I '. 01. tem-se que. mas já tem um !om indicativo de qual modelo " mais adequado para representar as c)amadas da central telefLnica. @ssim. Engen)eiros da compan)ia telefLnica estudam se o modelo de 4oisson pode ser ajustado ao n-mero 8 de c)amadas interestaduais que c)egam. ?)amadas Mreq%.1/ = que permite concluir que as freq%.+ c)amadas por )ora no período estudado.1 J + '(/ '''..+ períodos de uma )ora ocorreram I c)amadas. a freq%. no caso..ncia m"dia ou esperada de ocorr. J. J' J1. ou seja. para C D.' 1 1 ''+ '(.ncia o!servada Esperada ( . tem-se Mreq%. estão apresentados a seguir# ?)amadas ( ' . a uma central telefLnica. Seguindo o modelo indicado.( .ncias num intervalo de tempo.+ '(/ J..ncia esperada de ocorr. Sempre que )ouver possi!ilidade de tratar um evento que ocorre segundo um valor m"dio.ncia o!servada . λ " a freq%. *ome cuidado para concluir a funcionalidade do modelo.. c)amadas D se construir essa ta!ela de compara ão de resultados o!servados e esperados. Hogo.=nde o parFmetro λ " referido como a t#x# de ocorr(nci#. @ nota ão será X~'o(λ . pode-se tentar aplicar o modelo de 4oisson.m ader. 1 I + / J ≥0 Mreq%. 7 . +( +J 5a ta!ela.ncia de I.ncia esperada para . por )ora. pode- J +( +1.1. referentes a /+( períodos de uma )ora.ncias esperadas e o!servadas t.

o#s produ-id#s #ntes d# 1. e seu gráfico dado pela Migura ' IP(Q=k) 0 10 20 30 40 50 60 k Figura Gr!fico do modelo Geométrico de "ar#metro "$%.Modelo Geométrico 5izemos que uma variável aleatória X tem distri!ui ão de pro!a!ilidade +eom&tric# de parFmetro p 9X~+(p :. defeituos#.(' " a pro!a!ilidade da pe a ser defeituosa. a produ ão nunca seria interrompida se não )ouvesse o aparecimento de uma pe a defeituosa.% = gráfico permite concluir que a pro!a!ilidade reduz a valores pequenos para os maiores valores de k. Se (. @ssim temos. a produ ão " interrompida para regulagem toda vez que uma pe a defeituosa " o!servada. se sua fun ão de pro!a!ilidade tem a forma 8a interpreta ão do modelo Neom"trico. Exemplo 7. Em tese. &ma lin)a de produ ão está sendo analisada para efeito de controle de qualidade das pe as produzidas. deseja-se verificar o comportamento da variável )u#ntid#de de peç#s . 8 . pode-se dizer como sendo o n-mero de ensaios de Aernoulli que precedem o primeiro sucesso. *endo em vista o alto padrão requerido.