PROBABILIDADE e ESTATSTICA

(Depto de Produo)
Prof. Dr. Maurcio Guimares da Silva



Campus de Guaratinguet FEG
Distribuies Discretas
Campus de Guaratinguet FEG
Livros
Mendes, F.C.T., Probabilidade para Engenharias, LTC, 2010
Costa Neto, P.L.O. & Cymbalista, M., Probabilidades, Edgar
Blcler, 1974
Anderson, D.R., Sweeney, D.J. and Williams, T.A., Modern Business
Statistics with Microsoft EXCEL, South Western, 2003

I nternet (Slides)
Marujo E.F., Modelos probabilsticos aplicados em logstica, ITA
Da Vila, V. H. L., Variveis Aleatrias e Principais Modelos Discretos
Lopes, J.T.B., Modelos de Distribuio, UFPA


Referncias
REVISO
Distribuio UNIFORME
Distribuio BERNOULLI
Distribuio BINOMIAL
Distribuio POISSON
Distribuio HIPERGEOMTRICA
Sntese
Distribuies Discretas
REVISO
Distribuio UNIFORME
Distribuio BERNOULLI
Distribuio BINOMIAL
Distribuio POISSON
Distribuio HIPERGEOMTRICA
Sntese
Distribuies Discretas
Uma funo X que associa a cada elemento do espao
amostral um valor num conjunto enumervel de pontos da reta
denominada varivel aleatria DISCRETA.





Se o conjunto de valores qualquer intervalo de nmeros
reais, X denominada varivel aleatria CONTNUA.
Definio: Varivel Aleatria (VA)
X: Nmero de Caras no Lanamento de 2
moedas
1) Observar o sexo das crianas em famlias com trs filhos.
O = {(MMM), (MMF), (MFM), (FMM), (MFF), (FMF), (FFM),(FFF)}

Se X: n. de crianas do sexo masculino (M)
Ento X uma VA DISCRETA que assume valores no conjunto
{0, 1, 2, 3}.


2) Observar o tempo de reao a um certo medicamento.
Defina X: tempo de reao ao medicamento.
X uma VA CONTNUA que assume qualquer valor real positivo.
Exemplos de VA
1 ) x P(X e 1 ) x P(X 0
n
1 i
i i
=
= = s = s
O termo ALEATRIO (associado ao conceito de VA) indica que para cada
possvel valor da VA possvel atribuir um valor de probabilidade de
ocorrncia.

Funo Densidade de Probabilidade( FDP): a funo que atribui a cada
valor x
i
da VA discreta X sua probabilidade de ocorrncia e pode ser
apresentada pela tabela:



Uma funo de probabilidade DEVE satisfazer:
Funo Densidade de Probabilidade
O Departamento de Estatstica formado por 35 professores, sendo 21
homens e 14 mulheres. Uma comisso de 3 professores ser
constituda sorteando, ao acaso, trs membros do departamento.

Qual a probabilidade da comisso ser formada por pelo menos duas
mulheres?


O primeiro passo na resoluo do exerccio definir a VA em jogo.

Para este problema > X: n de mulheres na comisso.

Exemplo 1 (FDP)
X: n de mulheres na comisso

Exemplo 1 (FDP)
Qual a probabilidade da comisso ser
formada por PELO MENOS duas mulheres?
Um dado lanado duas vezes de forma independente. Qual a
probabilidade da soma dos pontos ser menor do que 6?

Espao Amostral:

O = {(1,1), (1,2), (1,3), (1,4), (1,5), (1,6),
(2,1), (2,2), (2,3), (2,4), (2,5), (2,6),
(3,1), (3,2), (3,3), (3,4), (3,5), (3,6),
(4,1), (4,2), (4,3), (4,4), (4,5), (4,6),
(5,1), (5,2), (5,3), (5,4), (5,5), (5,6),
(6,1), (6,2), (6,3), (6,4), (6,5), (6,6)}.
Exemplo 2-1 (FDP)
Conforme mencionado anteriormente, o procedimento inicial
determinar a FDP. Para tanto necessrio calcular a probabilidade de
ocorrncia de cada evento do espao amostral.

Admitindo que o dado PERFEITAMENTE HOMOGNEO e os
lanamentos sejam INDEPENDENTES, tem-se que:


P(w
i
) = 1/36 , w
i
e O
Exemplo 2-2 (FDP)
Definindo: X: soma dos pontos







Ento,

P (X < 6) = P(X=5) + P(X=4) + P(X=3) + P(X=2)
= 4/36 + 3/36 + 2/36 + 1/36
= 10/36 = 0,278
Exemplo 2-3 (FDP)
Qual a probabilidade da soma dos pontos ser
MENOR do que 6?
Pode-se definir outras VAs, como, por exemplo:

> Y: valor mximo obtido dentre os dois lanamentos



> Z: diferena entre os pontos do 2 e do 1 lanamento




> U: pontos do 2 lanamento

Exemplo 3 (FDP)
Por definio:


Para o exemplo anterior:



Logo:

E(X) = 2.(1/36) + 3. (2/36) + ... + 11. (2/36) + 12. (1/36) = 252/36 = 7

ou seja, em mdia, a soma dos pontos no lanamento dos dois
dados 7.

=
= =
n
1 i
i i
) x .P(X x E(X)
MDIA (VA Discreta)
Por definio:


Para o exemplo anterior:




Logo:


VARINCIA (VA Discreta)
) x P(X . E(X)] - [x Var(X)
i
n
1 i
2
i
= =

=
83. , 5
36
210


36
1
7) - (12
36
2
7) - (11 ...
36
2
7) - (3
36
1
7) - (2 Var(X)
2 2 2 2
= =
.
+
.
+ +
.
+
.
=
A funo de distribuio ou FUNO DE DISTRIBUIO
ACUMULADA de uma varivel aleatria discreta (ou contnua) X
definida, para qualquer valor real x, pela seguinte expresso:





Observe que o domnio de F todo o conjunto dos nmeros reais, ao
passo que o CONTRADOMNIO o intervalo [0,1]

) ( ) ( x X P x F s =
Funo Distribuio Acumulada FDA

>
< s
< s
< s
<
=
3 s , 1
3 2 se , 975 , 0
2 1 se , 684 , 0
1 0 se , 203 , 0
0 e , 0
) (
x e
x
x
x
x s
x F
No exemplo 1 usando a FDP de X: n de mulheres na comisso.







tem-se como FDA de X:

Exemplo 1-1 (FDA)
Note que, se estivermos interessados na probabilidade de se ter at
duas mulheres na comisso, a resposta imediata:






Como seria o grfico da FDA?

975 , 0 ) 2 ( ) 2 ( = s = X P F
Exemplo 1-2 (FDA)
VARIVEIS ALEATRIAS
DI SCRETAS
FDA

x

100%

P(x) = FDP

x

2

5

6

p
1
p
2
p
3
FDA = P(Xx)

x

100%

f = FDP

x

CONT NUAS
Conceito (Reviso e Definies)
Distribuio UNIFORME
Distribuio BERNOULLI
Distribuio BINOMIAL
Distribuio POISSON
Distribuio HIPERGEOMTRICA
Sntese
Distribuies Discretas
X 1 2 3 4 5 6
P(X=x
i
) 1/6 1/6 1/6 1/6 1/6 1/6
Distribuio Discreta UNIFORME
Considere o experimento que consiste no lanamento de um dado.
Considere a VA X: N
o
da face obtida.
Neste caso todos os possveis resultados ocorrem com a MESMA
PROBABILIDADE e, assim, pode-se dizer que a probabilidade se
distribui UNIFORMEMENTE entre os diversos resultados, ou seja,
pode-se escrever a seguinte FDP:

Distribuio Discreta UNIFORME: Conceito
Seja X uma varivel aleatria cujos possveis valores so
representados por x
1
, x
2
...,x
k
.
Se X segue o modelo UNIFORME discreto se atribui a mesma
probabilidade( 1/k) a cada um desses k valores, sua FDP dada por:




Notao: X~U
d
(x
1
,..,x
k
)

o o contrri cas
1,2,...,k. i
0,
1/k,
f(x)
=

=
=
k
i
i
x
k
X E
1
1
) (

=
=
=
k
i
n
i
i
i
k
x
x
k
X
1
2
1
2 2
}
) (
{
1
) ( o
No exemplo anterior (lanamento de um dado X: N
o
da face obtida):

5 , 3 ) 6 5 4 3 2 1 (
6
1
) ( = + + + + + = X E
9 , 2 } 6 / 21 ) 36 25 16 9 4 1 {(
6
1
) (
2 2
= + + + + + = X o
MDIA e VARINCIA
1
( )
N
i i
i
x P X x
=
= =

( ) | |
2
2 2
) ( ) ( X E X E X = o
Conceito (Reviso e Definies)
Distribuio UNIFORME
Distribuio BERNOULLI
Distribuio BINOMIAL
Distribuio POISSON
Distribuio HIPERGEOMTRICA
Sntese
Distribuies Discretas
Na prtica muitos experimentos admitem apenas dois resultados:

1. Uma pea classificada como BOA ou DEFEITUOSA;
2. O resultado de um exame mdico para deteco de uma doena
POSITIVO ou NEGATIVO.
3. Um entrevistado CONCORDA ou NO CONCORDA 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.
Distribuio Discreta de BERNOULLI
Estas situaes tem alternativas DICOTMICAS e podem ser
representadas genericamente por resposta do tipo SUCESSO-
FRACASSO.

Esses experimentos recebem o nome de Ensaios de Bernoulli e
originam uma VA com distribuio de Bernoulli.

Distribuio Discreta de BERNOULLI
1
0
sucesso
falha
Probabilidade p
Probabilidade (1-p)
Exemplos: cara/coroa; doente/so; ...
BERNOULLI: Probabilidades de Ocorrncia
1
0 Probabilidade (1-p)
Probabilidade p
FDA

x

100%

0

1

(1-p)

FDP

x

100%

p

0

1

(1-p)

BERNOULLI : FDP e FDA

=
= = =

c c
ou x p p
x X P x f
x x
. ; 0
1 0 ; ) 1 (
) ( ) (
1
1
0 Probabilidade (1-p)
Probabilidade p
Esperana e Varincia
E = = E
i
(x
i
p
i
) o
2
= E
i
(x
i
- )
2
p
i

= 0(1-p) + 1p = (0-p)
2
(1-p) + (1-p)
2
p
= p = p
2
(1-p) + (1-p)
2
p
= (1-p)(p
2
+(1-p)p) = (1-p)p


P(x)

x

100%

p

0

1

(1-p)

BERNOULLI : Mdia e Varincia
1
0 Probabilidade (1-p)
Probabilidade p
Esperana E = p

Varincia o
2
= (1-p)p

Desvio Padro o = (1-p)p

P(x)

x

100%

p

0

1

(1-p)

E o
P(x)

0,5

o
0,5

0

0

1

BERNOULLI : Mdia e Varincia
Conceito (Reviso e Definies)
Distribuio UNIFORME
Distribuio BERNOULLI
Distribuio BINOMIAL
Distribuio POISSON
Distribuio HIPERGEOMTRICA
Sntese
Distribuies Discretas
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 dada por:




Notao: X~bin(n,p)
Binomial. e coeficient o ,
)! ( !
!
. , 0
, , 1 , 0 , ) 1 (
) (
x n x
n
x
n
sendo
c c
n x p p
x
n
x f
x n x

=
|
|
.
|

\
|

=
|
|
.
|

\
|
=

Distribuio Discreta BINOMIAL: FDP

Exemplo 11
Um dado lanado 3 vezes. Qual a probabilidade de obter a face
5 duas vezes ?

Denotando S como sendo sucesso (obter face 5 num lanamento) e
F como sendo fracasso, o espao amostral pode ser representado por:


Considerando X : nmero de sucessos nos 3 lanamentos.
Exemplo 12
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

=
|
|
.
|

\
|

=
|
|
.
|

\
|
=

Exemplo 13
Distribuio Discreta BINOMIAL: FDP
Binomial. e coeficient o
)! ( !
!
. , 0
, , 1 , 0 , ) 1 (
) (
x n x
n
x
n
sendo
c c
n x p p
x
n
x f
x n x

=
|
|
.
|

\
|

=
|
|
.
|

\
|
=

Ou seja:
x:
Nmero de SUCESSOS
nos n Lanamentos

n:
Nmero de Lanamentos

p:
Probabilidade de SUCESSO

Tanto a Esperana como a Varincia podem ser calculadas a partir da
definio. Contudo, pensando nesta distribuio como sendo uma
SOMA de Bernoullis independentes:

Y = X
1
+ X
2
+ + X
n

Pode-se aplicar o Teorema que estabelece a relao entre
combinao de variveis aleatrias:

BINOMIAL : Mdia e Varincia
( )p p n
np
=
=
1
2
o

Em um intervalo de durao n partidas, quantas vitrias?
n
0

1 2 3 4 5 6
BINOMIAL : Interpretao
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
BINOMIAL : FDP (n = 10)
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
BINOMIAL : FDP (n = 20)
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
BINOMIAL : FDP (n = 30)
Parecido com a NORMAL ?
Exemplo 2-1
A proporo de no conformidade de certo componente 8%. Ao se
inspecionar um lote com 12 unidades deste componente, qual a
probabilidade de se encontrar 3(trs) unidades NO CONFORMES?
Exemplo 2-1
A proporo de no conformidade de certo componente 8%. Ao se
inspecionar um lote com 12 unidades deste componente, qual a
probabilidade de se encontrar 3(trs) unidades NO CONFORMES?

Definindo-se:
X: Nmero de unidades NO CONFORMES encontradas em 12
unidades;
Distribuio: Bernoulli (Conforme/No Conforme):
n= 12, p= 3
( )
x x
x
x X P x f

|
|
.
|

\
|
= = =
12
) 80 , 0 1 ( 80 , 0
12
) (
Exemplo 2-2
A probabilidade de se encontrar 3(trs) unidades NO CONFORMES
dada por:
( ) 0532 , 0 ) 80 , 0 1 ( 80 , 0
3
12
3
3 12 3
=
|
|
.
|

\
|
= =

X P
( )
x x
x
x X P x f

|
|
.
|

\
|
= = =
12
) 80 , 0 1 ( 80 , 0
12
) (
Exemplo 3
A proporo de no conformidade de certo componente 8%. Ao se
inspecionar um lote com 12 unidades deste componente, qual o
nmero esperado de unidades DEFEITUOSAS?

Distribuio: Bernoulli (Conforme/No Conforme), (n= 12, p= 3)
( )p p n
np
=
=
1
2
o

Cuidado: Sucesso
( ) ( )( ) 96 , 0 08 , 0 12 = = X E
( ) ( ) 8832 , 0 08 , 0 08 , 0 1 12
2
= = X o
Suponha que a probabilidade de qualquer pea produzida por uma
determinada mquina ser defeituosa seja 0,2. Se 10(dez) peas
produzidas por essa mquina forem escolhidas ao acaso, qual a
probabilidade de no mais de uma pea defeituosa ser encontrada?
Exemplo 4-1
Definindo-se:
X: Nmero de peas defeituosas encontradas em 10 peas produzidas;

A varivel aleatria X distribuda BINOMIALMENTE com
parmetros:
n = 10 e p = 0,2 (probabilidade de qualquer pea ser defeituosa)
Exemplo 4-2

=
|
|
.
|

\
|
=

c c
x
x
x f
x x
. , 0
10 , , 1 , 0 , ) 20 , 0 1 ( 20 , 0
10
) (
10

=
|
|
.
|

\
|
=

c c
n x p p
x
n
x f
x n x
. , 0
, , 1 , 0 , ) 1 (
) (

Portanto, a probabilidade de no mais de UMA pea defeituosa ser
encontrada entre as 10 peas analisadas dada por:
Exemplo 4-3
( )
x x
x
x X P x f

|
|
.
|

\
|
= = =
10
) 20 , 0 1 ( 20 , 0
10
) (
( ) 376 , 0 269 , 0 107 , 0 ) 20 , 0 1 ( 20 , 0
10
1
1
0
10
= + =
|
|
.
|

\
|
= s

=

x
x x
x
X P
Conceito (Reviso e Definies)
Distribuio UNIFORME
Distribuio BERNOULLI
Distribuio BINOMIAL
Distribuio POISSON
Distribuio HIPERGEOMTRICA
Sntese
Distribuies Discretas
Na prtica muitos experimentos consistem em observar a ocorrncia
de eventos DISCRETOS em um intervalo contnuo (unidade de
medida). Estes experimentos podem ser aproximados por uma
Distribuio de POISSON.
Exemplo:
1. Nmero de consultas a uma base de dados em um minuto;
2. Nmero de casos de Dengue por kilmetro quadrado no estado de SP;
3. Nmero de 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 das 8,0 AM s 12,0 AM);
5. Nmero de automveis que chegam ao Campus entre 7,0 AM a 10,0 AM.
Distribuio Discreta POISSON: Conceito
Uma varivel discreta X tem distribuio de POISSON com
parmetro se sua funo de probabilidade dada por:



Sendo:
x: nmero de eventos discretos em t unidades de medida,
: mdia de eventos discretos em uma unidade de medida,
t: unidade de medida,
= t: mdia de eventos discretos em t unidades de medida.
Distribuio Discreta POISSON: FDP

=
=

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

Notao: X~P()
0 40 80
0
.
0
0
0
.
1
5
x
P
(
X
=
x
)
P(4)
0 40 80
0
.
0
0
0
.
0
8
x
P
(
X
=
x
)
P(10)
0 40 80
0
.
0
0
0
.
0
6
x
P
(
X
=
x
)
P(20)
0 40 80
0
.
0
0
0
.
0
4
x
P
(
X
=
x
)
P(50)
POISSON : FDP (n = 4, 10, 20, 50)
Parecido com a NORMAL ?
A central telefnica de uma empresa de grande porte recebe em
mdia 3 chamadas a cada 4 minutos. Qual a probabilidade que a
central recepcione 2 ou menos chamadas em um intervalo de 2
minutos?
Exemplo 1-1
A central telefnica de uma empresa de grande porte recebe em mdia
3 chamadas a cada 4 minutos. Qual a probabilidade que a central
recepcione 2 ou menos chamadas em um intervalo de 2 minutos?

Definindo-se:
X: nmero de chamadas que recebe a central telefnica da empresa em 2 minutos,
ento, X ~P().
Note que:
t= 2 e =3/4=0,75, ento
=(0,75)(2)=1,5.
Ou seja X~P(1,5):
Exemplo 1-2
x: nmero de eventos discretos em t unidades de medida,
: mdia de eventos discretos em uma unidade de medida,
t: unidade de medida,
= t: mdia de eventos discretos em t unidades de medida.
Exemplo 1-3
= t
!
) (
x
e
x f
x

=
808847 , 0 ]
2
5 , 1
5 , 1 1 [ ) 2 ( ) 1 ( ) 0 ( ) 2 (
2
5 , 1
= + + = = + = + = = s

e X P X P X P X P
.... 3 , 2 , 1 , 0 ,
!
5 , 1
) (
5 , 1
= =

x
x
e
x f
x
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?
Exemplo 2-1
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?

Definindo-se:
X: nmero de rebites defeituosos na asa da aeronave.
Ento, X~bin(400, 0,001)

Exemplo 2-2
( ) ( )

=
|
|
.
|

\
|
= s
6
0
400
8894 , 0 999 , 0 001 , 0
4000
) 6 (
x
x x
x
X P
x n x
p p
x
n
x f

|
|
.
|

\
|
= ) 1 ( ) (
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?

Definindo-se:
X: nmero de rebites defeituosos na asa da aeronave.
Usando a aproximao de Poisson, =4000(0,001)=4
Exemplo 2-3

= = s
6
0
4
889 , 0
!
4
) 6 (
x
x
x
e
X P
!
) (
x
e
x f
x

=
Conceito (Reviso e Definies)
Distribuio UNIFORME
Distribuio BERNOULLI
Distribuio BINOMIAL
Distribuio POISSON
Distribuio HIPERGEOMTRICA
Sntese
Distribuies Discretas
SNTESE
DISTRIBUIO UNIFORME:
DISTRIBUIO BINOMIAL:

=
=
=
=
=
k
i
n
i
i
i
k
i
i
k
x
x
k
X
x
k
X E
1
2
1
2 2
1
}
) (
{
1
) (
1
) (
o
o o contrri cas
1,2,...,k. i
0,
1/k,
f(x)
=

=
Binomial. e coeficient o ,
)! ( !
!
. , 0
, , 1 , 0 , ) 1 (
) (
x n x
n
x
n
sendo
c c
n x p p
x
n
x f
x n x

=
|
|
.
|

\
|

=
|
|
.
|

\
|
=

( )
( ) ( )p p n X
np X E
=
=
1
2
o
SNTESE
DISTRIBUIO POISSON:
DISTRIBUIO HIPERGEOMTRICA:
( )
( ) o

=
=
X
X E
2

=
=

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