You are on page 1of 35

Principais Modelos Discretos

Josemar Rodrigues
AULA:
2
Principais modelos probabilsticos discretos
1. Modelo Bernoulli
Na prtica muitos experimentos admitem apenas dois resultados
Exemplo:
1. Uma pea classificada como boa ou defeituosa;
2. O resultado de um exame mdico para deteco de uma doena positivo ou
negativa.
3. Um entrevistado concorda ou no com a afirmao feita;
4. No lanamento de um dado ocorre ou no face 6;
5. No lanamento de uma moeda ocorre cara ou coroa.
Situaes com alternativos dicotmicas, podem ser representadas
genericamente por resposta do tipo sucesso-fracasso.
Esses experimentos recebem o nome de Ensaio de Bernoulli e originam uma v.a.
com distribuio de Bernoulli.
3
1.2 Aleatria De Bernoulli
uma varivel aleatria X que apenas assume apenas dois valores 1 se
ocorrer sucesso (S) e 0 se ocorrer fracasso (F), e, sendo p a
probabilidade de sucesso, 0 < p <1. Isto , se X(S)=1 e X(F)=0. Logo a
distribuio de probabilidade dado por:
x
P(X=x)
0 1
1-p p
Notao: X~Bernoulli (p), indica que a v.a. X tem distribuio de Bernoulli.
Se X~Bernoulli(p) pode-se mostrar que:
E(X)=p
Var(X)=p(1-p).
Repeties independentes de um ensaio de Bernoulli do origem ao
modelo Binomial.

=
= = =

c c
x p p
x X P x f
x x
. ; 0
1 , 0 ; ) 1 (
) ( ) (
1
4
2. Modelo Binomial
Exemplo 1: Suponha que uma moeda lanada 3 vezes e probabilidade de
cara seja p em cada lanamento. Determinar a distribuio de probabilidade
da varivel X, nmero de caras nos 3 lanamentos.
Denotemos, S: sucesso, ocorrer cara (c) e F:fracasso, ocorrer coroa(k).
O espao amostral para o experimento de lanar um moeda 3 vezes :
O={FFF.FFS, FSF,SFF,FSS, SFS, SSF,SSS}
Seja, Xi uma varivel aleatria Bernoulli (i=1,2,3). Ento a varivel
X=X1+X2+X3, representa o nmero de caras nos 3 lanamentos.
O
Probabilidade X
1
X
2
X
3
X=X
1
+X
2
+X
3
FFF (1-p)
3
0 0 0 0
FFS (1-p)
2
p 0 0 1 1
FSF (1-p)
2
p 0 1 0 1
SFF (1-p)
2
p 1 0 0 1
FSS (1-p)p
2
0 1 1 2
SFS (1-p)p
2
1 0 1 2
SSF (1-p)p
2
1 1 0 2
SSS P
3
1 1 1 3

5
3
2
2
3
}) ({ ) 3 (
) 1 ( 3 }) , , ({ ) 2 (
) 1 ( 3 }) , , ({ ) 1 (
) 1 ( }) ({ ) 0 (
p SSS P X P
p p SSF SFS FSS P X P
p p SFF FSF FFS P X P
p FFF P X P
= = =
= = =
= = =
= = =
Da temos que:
A distribuio de probabilidade da v.a. X dada por:
3 2 2 3
) 1 ( 3 ) 1 ( 3 ) 1 ( ) ( ) (
3 2 1 0
p p p p p p x X P x f
x
= =
O comportamento de X , pode ser representado pela seguinte funo:
)! 3 ( !
! 3
3
. , 0
3 , 2 , 1 , 0 , ) 1 (
3
) (
3
x x x
onde
c c
x p p
x
x f
x x

=
|
|
.
|

\
|

=
|
|
.
|

\
|
=

6
Definio[Distribuio Binomial]
Considere a repetio de n ensaios de Bernoulli independentes e todos com a
mesma probabilidade de sucesso p. A varivel aleatria que conta o nmero
total de sucessos nos n ensaios de Bernoulli denominada de varivel
aleatria Binomial com parmetros n e p e sua funo de probabilidade dado
por:
Binomial. e coeficient o representa ,
)! ( !
!
. , 0
, , 1 , 0 , ) 1 (
) (
x n x
n
x
n
onde
c c
n x p p
x
n
x f
x n x

=
|
|
.
|

\
|

=
|
|
.
|

\
|
=

Notao, X~B(n,p), para indicar que v.a. X tem distribuio Binomial com
parmetros n e p.
Se X~B(n,p) pode-se mostrar que:
E(X)=np
Var(X)=np(1-p).
7
0 2 4 6 8
0
.
0
0
.
2
0
.
4
x
P
(
X
=
x
)
p=0,1
0 2 4 6 8
0
.
0
0
0
.
2
0
x
P
(
X
=
x
)
p=0,3
0 2 4 6 8
0
.
0
0
0
.
1
5
x
P
(
X
=
x
)
p=0,5
0 2 4 6 8
0
.
0
0
0
.
2
0
x
P
(
X
=
x
)
p=0,8
Distribuio Binomial com parmetros n=10 e p
8
0 5 10 15 20
0
.
0
0
0
.
2
0
x
P
(
X
=
x
)
p=0,1
0 5 10 15 20
0
.
0
0
0
.
1
5
x
P
(
X
=
x
)
p=0,3
0 5 10 15 20
0
.
0
0
0
.
1
0
x
P
(
X
=
x
)
p=0,5
0 5 10 15 20
0
.
0
0
0
.
1
5
x
P
(
X
=
x
)
p=0,8
Distribuio Binomial com parmetros n=20 e p
9
0 10 20 30
0
.
0
0
0
.
1
5
x
P
(
X
=
x
)
p=0,1
0 10 20 30
0
.
0
0
0
.
1
0
x
P
(
X
=
x
)
p=0,3
0 10 20 30
0
.
0
0
0
.
1
0
x
P
(
X
=
x
)
p=0,5
0 10 20 30
0
.
0
0
0
.
1
5
x
P
(
X
=
x
)
p=0,8
Distribuio Binomial com parmetros n=30 e p
10
O professor da disciplina de Estatstica elaborou um prova de mltipla
escolha, consistente em 10 questes cada uma com 5 alternativas cada
questo. Suponha que nenhum dos estudantes que vo a fazer a prova no
vo as aulas e no estudaram para a prova (o que muito freqente). O
professor estabeleceu que para aprovar deve contestar corretamente ao
menos 6 questes. Se 200 alunos se apresentaram, quantos alunos
aprovaram a disciplina?.
Soluo:Seja a v.a. X: nmero de questes respondidas corretamente nas 10
questes. Ento o evento de interesse :
S: questo respondida corretamente
F:questo respondida incorretamente
P(S)=1/5 e P(F)=4/5. Logo, X~B(10,p).

=
|
.
|

\
|
|
.
|

\
|
|
|
.
|

\
|
=

c c
x
x
x f
x x
. , 0
10 , , 1 , 0 ,
5
4
5
1
10
) (
10

A probabilidade de aprovar a prova um aluno :


000637 , 0 0,9936306 1 ) 5 ( 1 ) 6 ( 1 ) 6 ( = = = < = > F X P X P
Portanto, dos 200 alunos que fizeram a prova aprovariam:200(0,00637)~2, alunos
Exemplo 2.
11
x f(x) F(x)
0 0,107374 0,10737
1 0,268435 0,37581
2 0,301990 0,67780
3 0,201327 0,87913
4 0,088080 0,96721
5 0,026424 0,99363
6 0,005505 0,99914
7 0,000786 0,99992
8 0,000074 1,00000
9 0,000004 1,00000
10 0,000000 1,00000

12
0 2 4 6 8 10
0
.
0
0
0
.
1
0
0
.
2
0
0
.
3
0
x
P
(
X
=
x
)
B(10,p=0,20)
13
Na prtica muitos experimentos consistem em observar a ocorrncia de
eventos discretos em um intervalo contnuo (unidade de medida)
Exemplo:
1. Nmero de consultas a uma base de dados em um minuto.
2. Nmero de acidentes de trabalho por semana em uma empresa
industrial.
3. Nmero de machas (falhas) por metro quadrado no esmaltado de uma
geladeira.
4. Nmero de chamadas que chegam a uma central telefnica de uma empresa
num intervalo de tempo (digamos de 8,0 a 12,0).
5. Nmero de autos que chegam ao Campus entre 7,0 a.m. a 10,0 a.m.
6. Nmero de microorganismos por cm cbico de gua contaminada.

Distribuio de Poisson
14
Suposies bsicas:
Considere que o intervalo pode ser dividido em subintervalos com
comprimento suficientemente pequeno tal
a probabilidade de mais uma contagem em um subintervalo seja
zero,
a probabilidade de uma contagem em um subintervalo seja a
mesma para todos os subintervalos e proporcional ao comprimento
de subintervalo e
a contagem em cada subintervalo seja independente de outros
subintervalos.
15
Onde: X: nmero de eventos discretos em t unidades de medida,
: media de eventos discretos em uma unidade de medida,
t: unidade de medida
= t: media de eventos discretos em t unidades de medida
Notao: X~P(), para indicar que a v.a. X tem distribuio de Poisson com
parmetro .
Definio[Distribuio de Poisson] Uma varivel discreta X tem distribuio
de Poisson com parmetro se sua funo de probabilidade dada por:

=
=

. . ; 0
, 2 , 1 , 0
!
) (
c c
x
x
e
x f
x

16
0 5 10 15 20 25 30
0
.
0
0
.
1
0
.
2
0
.
3
x
P
(
X
=
x
)
P(1)
0 5 10 15 20 25 30
0
.
0
0
0
.
1
0
0
.
2
0
x
P
(
X
=
x
)
P(2)
0 5 10 15 20 25 30
0
.
0
0
0
.
1
0
0
.
2
0
x
P
(
X
=
x
)
P(4)
0 5 10 15 20 25 30
0
.
0
0
0
.
0
4
0
.
0
8
0
.
1
2
x
P
(
X
=
x
)
P(8)
17
0 5 10 15 20 25 30
0
.
0
0
.
1
0
.
2
0
.
3
x
P
(
X
=
x
)
P(1)
0 5 10 15 20 25 30
0
.
0
0
0
.
1
0
0
.
2
0
x
P
(
X
=
x
)
P(2)
0 5 10 15 20 25 30
0
.
0
0
0
.
1
0
0
.
2
0
x
P
(
X
=
x
)
P(4)
0 5 10 15 20 25 30
0
.
0
0
0
.
0
4
0
.
0
8
0
.
1
2
x
P
(
X
=
x
)
P(8)
18
Exemplo 1. As consultas num banco de dados ocorrem de forma independente
e aleatrio seguindo a distribuio de Poisson. Suponha que a mdia de
consultas 3 a cada 4 minutos. Qual a probabilidade que banco de dados
seja consultado no mximo 2 em um intervalo de 2 minutos?

Se X: nmero de consultas num banco de dados em 2 minutos,
ento, X ~P(). Aqui t=2 e =3/4=0,75, ento =(0,75)(2)=1,5. Ou seja
X~P(1,5)
.... 3 , 2 , 1 , 0 ,
!
5 , 1
) (
5 , 1
= =

x
x
e
x f
x
19
20
. 808847 , 0 ]
2
5 , 1
5 , 1 1 [ ) 2 ( ) 1 ( ) 0 ( ) 2 (
.... 3 , 2 , 1 , 0 ,
!
5 , 1
) (
2
5 , 1
5 , 1
= + + = = + = + = = s
= =

e X P X P X P X P
x
x
e
x f
x
Exemplo 2: O nmero de pedidos de emprstimos que um banco
recebe por dia uma varivel aleatria com distribuio de
Poisson com =7,5. Determine as probabilidades de que, em um
dia qualquer, o banco receba
(a) Exatamente 2 pedidos de emprstimo;
(b) No mximo 4 pedidos de emprstimo;
(c) No mnimo oito pedidos de emprstimo.
21
X: nmero de pedidos de emprstimos que um banco recebe por
dia
X~P(7,5)
, 2 , 1 , 0 ,
!
5 , 7
) (
5 , 7
= =

x
x
e
x f
x
22
0 5 10 15 20 25 30
0
.
0
0
0
.
0
5
0
.
1
0
0
.
1
5
x
P
(
X
=
x
)
P(7,5)
23
x f(x)=P(X=x)
0 0,000553
1 0,004148
2 0,015555
3 0,038889
4 0,072916
5 0,109375
6 0,136718
7 0,146484
8 0,137329
9 0,114440
10 0,085830
11 0,058521
12 0,036575
13 0,021101
14 0,011304
15 0,005652
16 0,002649
17 0,001169
18 0,000487
19 0,000192
20 0,000072
21 0,000026
22 0,000009
23 0,000003
24 0,000001
25 0,000000
26 0,000000
27 0,000000

24
0,015555
2
) 5 , 7 (
) 2 ( ) (
2 5 , 7
= = =

e
X P a
0,0202567 0,015555 0,004148 0,000553
) 2 ( ) 1 ( ) 0 ( ) 2 ( ) (
= + + =
= = + = + = = s X P X P X P X P b
0,62185. 0,37815 - 1
0,136718] 0,000553 [ 1
) ( 1 ) 8 ( 1 ) 8 ( ) (
7
0
= =
= + + =
= = = < = >

=

x
x X P X P X P d
25
26
PROPRIEDADES DA DISTRIBUIO DE POISSON
Se X ~P(), ento.

(i) A funo de distribuio acumulada dada por:
| |

>
<
= s =

0
!
0 0
) ( ) (
0
x
x
e
x
x X P x F
x
k
x

(ii) E(X)=, Var(X)= .


27
28
x P(X=x) P(Xsx)
0 0,000553 0,00055
1 0,004148 0,00470
2 0,015555 0,02026
3 0,038889 0,05915
4 0,072916 0,13206
5 0,109375 0,24144
7 0,136718 0,37815
8 0,146484 0,52464
9 0,137329 0,66197
10 0,114440 0,77641
11 0,085830 0,86224
12 0,058521 0,92076
13 0,036575 0,95733
14 0,021101 0,97844
15 0,011304 0,98974
16 0,005652 0,99539
17 0,002649 0,99804
18 0,001169 0,99921
19 0,000487 0,99970
20 0,000192 0,99989
21 0,000072 0,99996
22 0,000026 0,99999
23 0,000009 1,00000
24 0,000003 1,00000
25 0,000001 1,00000
26 0,000000 1,00000
27 0,000000 1,00000
28 0,000000 1,00000
29 0,000000 1,00000
30 0,000000 1,00000

X~P(7,5)
29
Exemplo 3: Consideremos o exemplo 2,
0,1556 0,00470 - 0,02026 ) 2 ( ) 3 ( ) 2 ( ) ( = = = = F F X P a
| |

>
<
= s =

0
!
5 , 7
0 0
) ( ) (
0
5 , 7
x
x
e
x
x X P x F
x
k
x
0,02026 ) 2 ( ) 2 ( ) ( = = s F X P b
0,62185. 0,37815 1 ) 7 ( 1
) 7 ( 1 ) 8 ( 1 ) 8 ( ) (
= = =
= s = < = >
F
X P X P X P c
30
Exemplo 3. Contaminao um problema de fabricao de discos pticos de
armazenagem. O nmero de partculas de contaminao que ocorrem em um
disco ptico tem uma distribuio de Poisson e o nmero mdio de partculas
por centmetro quadrado da superfcie 0,1. A rea do disco em estudo 100
centmetros quadrados. Encontre a probabilidade de que 12 partculas ocorram
na rea de um disco sob estudo.
Se X: nmero de partculas na rea de um disco sob estudo,
ento, X ~P(). Aqui t=100 e =0,1, ento =(100)(0,1)=10. Ou seja
X~P(10)
, 2 , 1 , 0 ,
!
10
) (
10
= =

x
x
e
x f
x
0,095
12
) 10 (
) 12 (
12 10
= = =

e
X P
31
A Distribuio Poisson Como Aproximao da Distribuio Binomial
A distribuio Binomial para x sucessos em n ensaios de Bernoulli e
dada por:
. , , 0 , ) 1 ( ) ( n x p p
x
n
x X P
x n x
=
|
|
.
|

\
|
= =

Se =np, p=/n, substituindo p na funo probabilidade temos
x
n
x
x n x
n
n
x n
x
n n n n x
n
x X P
|
.
|

\
|

|
.
|

\
|

|
.
|

\
|

|
.
|

\
|

|
.
|

\
|
=
|
.
|

\
|

|
.
|

\
|
|
|
.
|

\
|
= =


1
1
!
1
1
2
1
1
1 1 ) (
!
) ( ,
x
e
x X P temos n Fazendo
x


= =
32
33
34
Exemplo 5. 5. A probabilidade de um rebite particular na superfcie da
asa de uma aeronave seja defeituosa 0,001. H 4000 rebites na asa.
Qual a probabilidade de que seja instalados no mais de seis rebites
defeituosos?
( ) ( )

= |
.
|

\
|
= s
=

6
0
400
. 8894 , 0 999 , 0 001 , 0
4000
) 6 (
x
x x
x
X P
Usando a aproximao de Poisson, =4000(0,001)=4 X~P(4)

= = s
6
0
4
. 889 , 0
!
4
) 6 (
x
x
x
e
X P
Se X: nmero de rebites defeituosos na asa da aeronave. Ento,
X~B(400,0,001)
35
Teorema: Se
n
X X , ,
1
so variveis aleatrias independentes, com
distribuio de Poisson com parmetros,
n
, ,
1
, spectivamente,
ento a varivel aleatria,
n
X X Y + =
1

tem distribuio de Poisson com parmetro,
n
+ =
1
.
Exemplo 6. Em uma fabrica foram registradas em trs semanas a mdia de
acidentes: 2,5 na primeira semana, 2 na segunda semana e 1,5 na terceira
semana. Suponha que o nmero de acidentes por semana segue um processo de
Poisson. Qual a probabilidade de que haja 4 acidentes nas trs semanas?
Seja a varivel aleatria,
i
X : nmero de acidentes na i-sima
semana, i=1,2,3. ) ( ~
i i
P X , ento, a v.a. ,
3 2 1
X X X Y + + = tem
distribuio de Poisson com parmetro, 6 5 , 1 2 5 , 2 = + + = .
1339 , 0
! 4
6
) 4 (
6 4
= = =

e
X P