Indice

Introdução

A DISTRIBUIÇÃO DISCRETA é o tema em estudo deste trabalho, este feito em

conformidade da leitura das obras dos autores (Lopes, Fonseca) e outros apresentadas nas
referências bibliográficas. Nesse tema vem desenvolvido em variedade das outras
distribuições referentes as discretas, tais comoː A Distribuição de Poison, Bernoulli,
Binominal, geométrica entre outras. Por esta ordem o trabalho tem como objectivoː descrever
resumidamente as distribuições discretas suas características e formas de cálculos das
mesmas.

Sendo assim, por estudo do tema vem a importância do trabalho o ganho de possibilidade e
meios de empregabilidade e resolução dos problemas das estatísticas, dando assim a
compatibilidade na resolução de problemas na sociedade culminando como sua importância.

Mediante a estrutura do trabalho é tem: capa, capa de rosto, índice, introdução, o

desenvolvimento, conclusão e referencias bibliográfica.
Modelos Probabilisticos Mais Comuns

DISTRIBUIÇÕES DISCRETAS DE PROBABILIDADE

Descreve a probabilidade de ocorrência de cada valor de uma variável aleatória discreta. Uma
variável aleatória discreta é uma variável que tem valores contáveis, como uma lista de
números inteiros não negativos.

Com uma distribuição de probabilidades discretas, cada valor possível da variável aleatória
discreta pode ser associado a uma probabilidade diferente de zero. Deste modo uma
distribuição de probabilidade discreta é, por vezes apresentada em forma de uma tabela.

DISTRIBUIÇÃO DE BERNOULLI

Consideramos uma única tentativa de um experimento aleatório podemos ter sucesso ou

fracasso nessa tentativa. Seja "p" a probabilidade de sucesso e "q" a probabilidade de fracasso,
onde p+q=1.

Seja X o número de sucesso em uma única tentativa, logo X pode assumir:

X =0 se ocorrer fracasso e X =1 se ocorrer sucesso,

ou ainda:

X = 0 , se for fracasso , com P ( X=0 )=q

{
1 , se for sucesso, com P ( X=1 )= p

Supondo que em uma única tentativa o número de casos possíveis sejam:

A , A ,... , A Á , Á ,... , Á

x sucessos n−fracassos

sendo os resultados independentes, temos:

P ( A ∩ A ∩… ∩ A ∩ Á ∩ Á ∩… ∩ Á ) =P ( A ) . P ( A ) . … . P ( A ) . P ( Á ) P ( Á ) . … . P ( Á )

P ( A ) . P ( A ) . …. P ( A ) . P ( Á ) . P ( Á ) . … . P ( Á ) ,onde P ( A ) =p e P ( Á )=q ,

x sucesso n−fracasso

Nessa condição a variável aleatória X tem distribuição de Bernoulli, e sua função de

probabilidade ( f . p .)(função de probabilidade) é dada por:

P ( X=x )= p x .q n−x
Característica do modelo

Se uma variável aleatória X só pode assumir os valores 0 (fracasso) e 1 (sucesso) com

P( X =0)=q e P(X =1)= p com p+q=1, então diremos que a variável aleatória X admite
distribuição de Bernoulli.

Discrição do modelo

1. X ={0,1 }
2. P( X =0)=q e P(X =1)= p
3. E( X)= p
4. σ 2=( X )= p x q e σ =Dp(X )= √ p x q

Podemos escrever o modelo do seguinte modo:

P( X =x)=P x . q 1−x

Onde q=1 – p .

 Esperança (média) e Variância:

Calcularemos a média e a variância da variável com distribuição de Bernoulli assim:

X P(X ) P( X ). P( X ) X 2 . P( X )
0 Q 0 0
1 P P P
1 P P

E( X)= p e Var (X )= p – p 2= p (1 – p)=p . q

Exemplo:

No lançamento de uma moeda, a variável aleatória de X denota o número de caras obtidas.

1. X ={0,1 };
2. P( X =0)=½ eP( X =1)=½ ;
3. E( X)=0 x ½+ 1 x ½=½;
1
4. σ 2=Var ( X )=½ x ½=½ e σ =Dp( X )=
√ 4
=½.

Exercícios:
Uma urna contém 20 bolas brancas e 30 bolas vermelhas. Uma bola é retirada da urna e a
variável aleatória X denota o número de bolas vermelhas obtidas. Calcule a média
E( X), a Ver ( X)e o desvio padrão de X.

20 2
Temos: X =
=

{
50 5
30 3
1→ p= =
50 5
0 → q=
p(X =x) x=(2/5) x .(3 /5)1 – x

E( X)= p2 /5 Var ( X)=p . q=( 2/5) .(3 /5)=6 /25

Esperança Matemática da Distribuição de Bernoulli

∞
E ( X ) =∑ x i P(x i)
i=1

E ( X ) =x1 P ( x1 ) + x 2 P ( x 2 )

E ( X ) =0. P ( 0 ) +1. P(1)

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

E ( X ) =p

Variância da Distribuição de Bernoulli

V ( X )=E ( X 2 )−¿

Onde
∞
E ( X 2) =∑ X i2 P ( X i )
i=1

E ( X 2) =X i2 P ( X i ) + x 22 P ( X 2 )

E ( X 2) =0. q+1. p= p

Logo:

V ( X )= p− p2

V ( X )= p .(1−p)

V ( X )= p . q
DISTRIBUIÇÃO BINOMIAL

O termo "Binomial" é utilizado quando uma variável aleatória esta agrupada em duas classes
ou categorias. As categorias devem ser mutuamente excludentes, de modo a deixar bem claro
a qual categoria pertence determinada observação; e as classes devem ser coletivamente
exaustivas, de forma que nenhum outro resultado fora delas é possível.

Sejam, p probabilidades de sucesso e "q" probabilidades de falha, ou seja p+q=1.

A probabilidade de x sucessos em x tentativas é dado por p x e de ¿) falhas em

(n−x) tentativas é dado por q n−x , onde o número de vezes em que pode ocorrer x sucessos e
(n−x) falhas é dado por:

n!
C nx = n =
()x x !( n−x )!

logo, a probabilidade de ocorrer x sucessos com n tentativas será

P ( X=x )= n p x q n−x
()
x

Propriedades necessárias para haver uma utilização da Distribuição Binomial:

1. Número de tentativas fixas;

2. Cada tentativa deve resultar numa falha ou sucesso;
3. As probabilidades de sucesso devem ser iguais para todas as tentativas;
4. Todas as tentativas devem ser independentes.

Conceituação

Vamos, neste item, considerar experimentos que satisfaçam as seguintes condições:

a. O experimento deve ser repetido, nas mesmas condições, um número finito de vezes
(n).
b. As provas repetidas devem ser independentes, isto é, o resultado de uma não deve
afetar os resultados das sucessivas.
c. Em cada prova deve aparecer um dos dois possíveis resultados: sucesso e insucesso.
d. No decorrer do experimento, a probabilidade p do sucesso e a probabilidade
q (q=1 – p) do insucesso manter‐se‐ão constantes.
Esperança Matemática de Distribuição Binomial
∞
E ( X ) =∑ x i P(x i)
i=1

E ( X ) =x . n p x q n−x
x()
Como P(X ) segue uma Distribuição de Probabilidade, temos:
∞ ∞

∑ P ( X =x i )=1 ou ∑ nx p x qn− x =1
()
i=1 x =1 0

Logo:
∞
n!
E ( X ) =x ∑ p x qn− x
x(x −1) ! x−1
∞
(n−1) !
E ( X ) =n ∑ p x q n−x , ou seja, para s= x−1 e x=s+1, temos
( x−1) !(n−x )! x−1
∞
E ( X ) =n . ∑ n−1 ps +1 qn−(s+1)
x=1 s ( )
∞
E ( X ) =n . ∑ n−1 ps p . q(n −1 )−s
x=1 s ( )
∞
E ( X ) =n . p ∑ n−1 p s p (n−1)−s
x=1 s ( )
E ( X ) =n . p

Exercícios resolvidos

1. Determine a probabilidade de obtermos exactamente 3 caras em 6 lances de uma

moeda.
2. Jogando‐se um dado três vezes, determine a probabilidade de se obter um múltiplo de
3 duas vezes.
3. Dois times de futebol, A e B, jogam entre si 6 vezes. Encontre a probabilidade do time
A:
a. Ganhar dois ou três jogos;
b. Ganhar pelo menos um jogo.
4. A probabilidade de um atirador acertar o alvo é 2/3. Se ele atirar 5 vezes, qual a
probabilidade de acertar exactamente 2 tiros?
 5. Seis parafusos são escolhidos ao acaso da produção de certa máquina, que apresenta
10 % de peças defeituosas. Qual a probabilidade de serem defeituosos dois deles?

RESPOSTAS:

1. 5/32
2. 2/9
3. a . 400 /729 b . 665/729
4. 40 /243
5. 9,8415 %

Variância de uma Distribuição Binomial

V ( X )=E ( X 2 )−¿

onde
∞
E ( X 2) =∑ x i2 P( x i)
i=1

∞
n!
E ( X 2) =x . x ∑ p x q n−x , para s=x e x=s+ 1, teremos :
x ( x−1)!(n−x )! x−1
∞
n!
E ( X 2) =(s+1) ∑ ps +1 pn −(s+1 )
s !(x − n−x )! x=1
( )
∞ ∞
(n−1)! (n−1)!
E ( X 2) =s . n ∑ s n−1−s
p .q +n ∑ ps . qn−1−s
x−1 s !( n−1−s)! x−1 s ! (n−1−s)!

∞ ∞

[(
E ( X 2) =n . p s n−1
s )∑ ps . qn−1−s +∑ (n−1
x−1 s
x−1
) ps . qn −q −s
]
(n−1) p 1

E ( X 2) =n . p [ ( n−1 ) p+1 ]

E ( X 2) =n . p [n. p− p+1]

E ( X 2) =n2 p 2−n p2−(np)2

V ( X )=n . p(1−p)
V ( X )=n . p . q

Esperança Matemática e Variância para a Probabilidade de Sucesso (p) de uma

Distribuição Binomial

p.q
E ( p )= p e V ( p )=
n

ESPERANÇA, VARIÂNCIA e DESVIO PADRÃO do MODELO BINOMIAL

Aplicando os conceitos de valor esperado nas distribuições discretas, substituindo a expressão

P(x) da distribuição binomial naquelas expressões obteremos o valor esperado E(x )=μ, a
variância Var ( X )=σ 2 e o desvio padrão σ da distribuição binomial. Perceba o leitor que estes
resultados não dependem do número de sucessos x.

Parâmetros da distribuição binomial

A média, a variância e o desvio padrão são obtidos com:

μ=n x p σ 2=n x p x(1− p) e σ =√ n x p(1− p)

Exemplo 1:

São realizadas 10 experiências com probabilidade de sucesso p = 0,10. Considerando que o

experimento tem distribuição binomial, calcular a média e o desvio padrão

Solução:

Aplicando as fórmulas temos:

μ=n x p=10 x 0,1=1

σ =√ n x p x ( 1− p ) = √ 10 x 0,10 x (1−0,10) = 0,9487

Exemplo 2:

Você tem uma carteira com 15 acções. No pregão de ontem 75% das acções na bolsa de
valores caíram de preço. Supondo que as acções que perderam valor têm distribuição
binomial:

 Quantas acções da sua carteira você espera que tenham caído de preço?
 Qual o desvio padrão das acções que tem na carteira?
 Qual a probabilidade que as 15 acções da carteira tenham caído?
 Qual a probabilidade que tenham caído de preço exactamente 10 acções?
  Qual a probabilidade que treze ou mais acções tenham caído de preço?

Solução:

Como 75 % das acções caíram de preço, o número de acções da carteira que devem ter caído
de preço será 11,25=0,75 x 15. O desvio padrão foi:

σ =√ n x p x(1− p) = √ 15 x 0,75 ¿ ¿ = 1,67

15 0,7515 (1−0,75)15−15 15!

P(X = 15) = ( ) = (0,75)15(0,25)0 = 0,0134
15 13! ( 15−15 ) !

De forma equivalente, a probabilidade que tenham caído de preço exactamente 10 acções é

P(x = 10) = 0,1651, e a probabilidade que treze ou mais acções tenham caído de preço é
obtida com P( x ≥13)=P( x =13)+ P( x =14)+ P ( x=15)=0,2361.

DISTRIBUIÇÃO DE POISSON

Quando numa distribuição binomial o tamanho "n" das observações for muito grande e a
probabilidade "p" de sucesso for muito pequena, a probabilidade x de ocorrência de um
determinado número de observações segue uma Distribuição de Poisson.

A aplicação da distribuição segue algumas restrições:

 Somente a chance afeta o aparecimento do evento, contando-se apenas com a sua

ocorrência, ou seja, a probabilidade de sucesso "p".
 Uma vez não conhecido o número total de eventos, a distribuição não pode ser
aplicada.

Se n → ∞ em consequência n≫ x assim,

n!
=( n−1 ) .… .( n−x +1)≈ n x
(n−x)

Logo:

n x x n− x
P( x ) p q
x!

se p →0 e n ≫ x logo q n−x ≈ n x

Assim
 (n . p) x (1− p)n
P ( x) =
x!

(n . p) x n ( n−1 )
P ( x) =
x! [
1−n . p+
2.1
(− p )2 +… ]
( n. p)x ( np)2
P ( x) ≅
x! [
1−n . p+
2!
+… ]
(n . p) x e np
P ( x) =
x!

Substituindo o valor esperado n . p por λ e considerando-o como sendo o número médio de

ocorrência expresso em unidades de tempo, pode-se dizer que λé a taxa média de falhas (falha
/ unid. tempo) e t o tempo, logo o número médio de falhas será λ b, assim,

xi x . eλ
P ( x) =
x!

fornece a probabilidade de x falhas no período de tempo t.

A probabilidade de zero falhas no tempo t é a confiabilidade do componente em

função do tempo.

P ( 0 )=R ( t )=e− λ

Esperança Matemática da Distribuição de Poisson

∞
E ( X ) =∑ x i P(x i)
i=1

∞
e− λ λ x
E ( X ) =∑ x
i=1 x!
∞
e− λ λ x
E ( X ) =∑
i=1 ( x−1)!

Substituindo s= x−1 e x=s +1 teremos:

 ∞
e− λ λ x
E ( X ) =∑ x
i=1 x!
∞
e− λ λ x−1
E ( X ) =∑ (s+1)
i=1 s!
∞
e− λ λ x
E ( X ) =λ ∑ ( s+1)
i=1 s!

∞ −λ x ∞ x

[ ]
−λ
E ( X 2) =λ ∑ s e s !λ +∑ e s !λ
x−1 x−1

E¿

V ( X )= λ2 + λ−(λ)2

V ( X )= λ

Distribuição de Poisson e seus exemplos

A distribuição de Poisson é empregada em experimentos, nos quais não se está interessado no
número de sucessos obtidos em n tentativas, como ocorre no caso da distribuição Binomial,
mas sim no número de sucessos ocorridos durante um intervalo contínuo, que pode ser um
intervalo de tempo, espaço, etc. Como por exemplo:

 O número de suicídios ocorridos em uma cidade durante um ano;

 O número de acidentes automobilísticos ocorridos numa rodovia em um mês;
 Número de chegadas a um caixa automático de um banco durante um período de 15
minutos;
 A probabilidade de um carro chegar a um posto de gasolina em quaisquer dois
períodos de tempo de mesmo tamanho;
 A chegada ou não chegada de um carro em qualquer período de tempo
independentemente da chegada ou não chegada de outro carro em qualquer outro
período.

Exemplo 1:

O Corpo de Bombeiros de uma determinada cidade recebe, em média, 3 chamadas por dia.
Qual a probabilidade de receber:

a) 4 Chamadas num dia

λ = 3 Chamadas por dia em média.

e−ℷ ℷk e−3 3 4
P( X =4 )= = =0,1680 ou 16,80 %
k! 4!

b) Nenhuma chamada em dia

e−ℷ ℷk e−3 3 0
P( X =4 )= = =0,0498 ou 4,98 %
k! 0!

c) 20 Chamadas em uma semana

X = número de chamadas por dia

Y = número de chamadas por semana

E(X) = ℷ = 3chamadas por dia → E(Y) = ℷ¿ = 7 x E(X) = 21 chamadas por semana.

e−ℷ ℷk e−21 2120

P(Y =20)= = =0,0867 ou 8,67 %
k! 20 !

Exemplo 3:

Uma central telefónica tipo PABX recebe uma média de 5 chamadas por minuto. Qual a
probabilidade deste PABX não receber nenhuma chamada durante um intervalo de 1 minuto ?

50 e−5 −5
P( X =0)= =e =0,0067.
k!

X = v. a. nº de chamadas em um intervalo de tempo

λ= Taxa de ocorrência de chamadas (nº esperado de chamadas)

Aproximação da distribuição Binomial a Poisson.

Pode‐se demonstrar que uma distribuição Binomial, cujo evento de interesse (sucesso) é raro
(p muito pequeno e n muito grande), tende para uma distribuição de Poisson. Na prática, a
aproximação é considerada boa quando n ≥ 50 e p ≤0,10.

Aproximação: Sabe‐se que se X B(n ; p), E( X)=np , então¸ E ( X )=np

Exemplo 3:

A probabilidade de um indivíduo sofrer uma reacção alérgica, resultante da injecção de

determinado soro é de 0,01.
Determinar a probabilidade de entre 200 indivíduos, submetidos a este soro, nenhum sofrer
esta reacção alérgica.

X B(200 ; 0 , 01)⇒ E( X )=n . p=200 x 0,01=2=λ

~ e−ℷ ℷk e−2 20
P( X =2) ¿ = =0,1353 ou 13,53 %
k! 0!

DISTRIBUIÇÃO GEOMÉTRICA

Suponha‐se um experimento, no qual estamos interessados apenas na ocorrência ou não de

um determinado evento, como, por exemplo, o sexo do filho de uma determinada mulher ser
feminino. E, assim como na distribuição binomial, que esse experimento seja repetido um
número n de vezes, que em cada repetição seja independente das demais e que a probabilidade
de sucesso p em cada repetição seja constante. Suponha‐se que o experimento seja repetido
até que ocorra o primeiro sucesso (o sexo do filho seja feminino).

Então a variável aleatória: X =numero de tentativass até que se obtenha o primeiro sucesso,
seguirá uma distribuição geométrica, com parâmetro p (probabilidade de sucesso).

SimbolicamenteX G(P).

Função de Probabilidade

Como o experimento será repetido até que se obtenha o primeiro sucesso, e considerando que
esse ocorra na k ‐ ésima repetição, deverão ocorrer k ‐1 fracassos antes que o experimento seja
encerrado. Assim, a probabilidade de que a variável aleatória X =¿ número de repetições até
se obter o primeiro sucesso é:

P ( X )=x= p q x−1

Com

p= probabilidade de “ sucesso

q=1 ‐ p= probabilidade de “ fracasso

Parâmetros característicos

1
E ( X )=
p

q
Var ( X )=
p2

Exemplo 1
Um casal com problemas para engravidar, recorreu a uma técnica de inseminação artificial no
intuito de conseguir o primeiro filho. A eficiência da referida técnica é de 0,20 e o custo de
cada inseminação U$2000,00.

a) Qual a probabilidade de que o casal obtenha êxito na terceira tentativa?

Solução:

P ( X )=k= p q k−1=( 0,2 ) ( 0,8 )3=0,128 0 u 12,8 %

b) Qual o custo esperado deste casal para obter o primeiro filho?

Solução

1 1
E ( X )= = =5
p 0,2

Custo esperado ¿ 5 ×2000,00=U $ 10.000 , 00

Exemplo 2

Bob é o jogador de basquete da faculdade. Ele é um lançador de arremessos livres 70%. Isto
significa que sua probabilidade de acertar um arremesso livre é 0,70. Durante uma partida,
qual é a probabilidade que Bob acerte seu primeiro arremesso livre no seu quinto arremesso?

Solução

Este é um exemplo de uma distribuição geométrica, que como veremos é um caso especial de
uma distribuição binomial negativa. Logo, usando a fórmula da distribuição geométrica
termos:

P ( X )=k= p q k−1=(0,7)¿

DISTRIBUIÇÃO BINOMIAL NEGATIVA

Nas mesmas condições em que foi definida a distribuição geométrica, e considerando que o
experimento será repetido até que se obtenha o r ‐ ésimo sucesso, então a variável X =¿
número de tentativas até se obter o r ‐ ésimosucesso seguirá a distribuição binomial negativa.

Um experimento binomial negativo é um experimento estatístico que tem as seguintes

propriedades:

 O experimento consiste de x tentativas repetidas.

 Cada tentativa pode resultar em apenas dois resultados possíveis. Podemos chamar um
destes resultados de sucesso e o outro de fracasso.
  A probabilidade de sucesso, denotada por p, é a mesma em cada tentativa. As
tentativas são independentes; isto é, o resultado de uma tentativa não afeta o resultado
das outras tentativas.
 O experimento continua até que r sucessos sejam observados, onde r é especificado
antecipadamente.

Considere o seguinte experimento estatístico. Você lança uma moeda repetidamente e conta o
número de vezes que sai

cara como resultado. Você continua lançando a moeda até que tenha saído 5 vezes cara. Este é
um experimento

binomial negativo porque:

 O experimento consiste de tentativas repetidas. Lançamos uma moeda repetidamente

até que cara tenha saído 5 vezes.
 Cada tentativa pode resultar em apenas dois resultados possíveis – cara ou coroa.
 A probabilidade de sucesso é constante – 0,5 em cada tentativa.
 As tentativas são independentes; isto é, obter cara numa tentativa não afeta se
obteremos cara nas outras tentativas.
 O experimento continua até que um número fixo de sucessos tenha ocorrido; neste
caso,5 caras.

NOTAÇÃO

A seguinte notação é útil, quando falamos a respeito da probabilidade binomial negativa:

 K: O número de tentativas exigido para se produzir r sucessos num experimento

binomial negativo.
 r: O número de sucessos no experimento binomial negativo.
 p: A probabilidade de sucesso numa tentativa individual.
 q : A probabilidade de fracasso numa tentativa individual. ( Isto é igual a 1 – p).
 b∗( k ; r , p): Probabilidade binomial negativa ‐ a probabilidade que um experimento
binomial negativo de x tentativa resulte em r sucessos na k ‐ ésimatentativa, quando a
probabilidade de sucesso na tentativa individual é p .
 nCr O número de combinações de n coisas, tomando r coisas de cada vez.
Variável aleatória binomial negativa

Uma variável aleatória binomial negativa é o número X de tentativas repetidas para produzir r
sucessos num experimento binomial negativo. A distribuição de probabilidade de uma
variável aleatória binomial negativa é chamada de distribuição binomial negativa.

Suponha que lancemos uma moeda repetidamente e contemos o número de caras (sucessos).
Se continuarmos lançando a moeda até que tenha saído cara 2 vezes, estamos conduzindo um
experimento binomial negativo. A variável aleatória binomial negativa é o número de
lançamentos exigidos para se conseguir cara 2 vezes. Neste exemplo, o número de moedas
lançadas é uma variável aleatória que pode assumir qualquer valor inteiro entre 2 e +∞. A
distribuição de probabilidade binomial negativa para este exemplo é apresentada abaixo:

NÚMERO DE MOEDAS LANÇADAS PROBABILIDADE

2 0,25
3 0,25
4 0,1875
5 0,125
6 0,078125
7 ou mais 0,109375

Para que o r ‐ ésimosucesso ocorra na k ‐ ésima tentativa é necessário que ocorra um sucesso
nesta tentativa (repetição do experimento) e que tenham ocorridos (r – 1) sucessos nas (k – 1)
repetições anteriores 2. Dado que a probabilidade de ocorrência de sucesso, numa dada
repetição do experimento é dada por p e a probabilidade de ocorrerem r – 1

sucessos em k ‐ 1 repetições, sendo estes dois eventos independentes, a probabilidade de que

or ‐ ésimosucesso ocorra na k ‐ ésima repetição do experimento é dada por

b ¿ ( X )=k ; r , p= p × [ ( k −1C ( r−1 ) p(r−1) q (k−1)−(r−1) ) ] =( k −1 ) C ( r −1 ) p r qk−1 ;

k ≥r

Onde:

p= probabilidade de “ sucesso” ; q=1‐ p= probabilidade de “ fracasso”

Parâmetros característicos:

r
E ( X )=
p
 rq
Var ( X )=
p2

Exemplo 1

Bob é o jogador de basquete da faculdade. Ele é um lançador de arremessos livres 70%. Isto
significa que sua probabilidade de acertar um arremesso livre é 0,70. Durante uma partida,
qual é a probabilidade que Bob acerte seu terceiro arremesso livre no seu quinto arremesso?

Solução

Este é um exemplo de um experimento binomial negativo. A probabilidade de sucesso

( p)é 0,70, o número de tentativas (k ) é 5, e o número de sucessos r é 3.

Para resolver este problema, entremos com estes valores na fórmula ( fmp) da binomial
negativa

b ¿ ( X )=( 5 ; 3,0,7 ) =( 4 ) C (2 ) 0 , 73 0 , 35=6 × 0,343× 0,09=0,18522

DISTRIBUIÇÃO HIPERGEOMÉTRICA

Um experimento hipergeométrico é um experimento estatístico que tem as seguintes

propriedades:

 Uma amostra de tamanho n é selecionada aleatoriamente sem reposição de uma

população de N itens.
 Na população, k itens podem ser classificados como sucessos e N – k itens podem ser
classificados como fracassos.

Considere o seguinte experimento estatístico. Você tem uma urna de 10 bolinhas de gude – 5
vermelhas e 5 verdes.

Você seleciona aleatoriamente 2 bolinhas de gude sem reposição e conta o número de

bolinhas vermelhas que você seleccionou. Este seria um experimento hipergeométrico.

Note que não será um experimento binomial. Um experimento binomial exige que a
probabilidade de sucesso seja constante em cada tentativa. Com o experimento acima, a
probabilidade de um sucesso muda em cada tentativa. No início, a probabilidade de selecionar
uma bolinha vermelha é 5/10. Se você selecionar uma bolinha vermelha na
primeira tentativa, a probabilidade de selecionar uma bolinha vermelha na segunda tentativa é
4/9. E se você selecionar uma bolinha verde na primeira tentativa, a probabilidade de

5
selecionar uma bolinha vermelha na segunda tentativa é .
9

Note ainda que se você selecionou as bolinhas com reposição, a probabilidade de sucesso não
mudaria. Ela seria 5/10 em cada tentativa. Então, este seria um experimento binomial.

NOTAÇÃO
A seguinte notação é útil, quando falamos a respeito da probabilidade hipergeométrica e
distribuições hipergeométricas:

 N: O número de itens na população.

 k: O número de itens na população que são classificados como sucessos.
 n: O número de itens na amostra.
 X : O número de itens na amostra que são classificados como sucessos.

• (k )C( x ): O número de combinações de k coisas, tomando x coisas de cada vez.

• h(x ; N , n , k): Probabilidade hipergeométrica ‐ a probabilidade que um experimento

hipergeométrico de n tentativas resulte em exatamente x sucessos, quando população consistir
de N itens, k dos quais são classificados como sucessos.

Função de Probabilidade

Uma variável aleatória hipergeométrica X é o número de sucessos que resulta de um

experimento hipergeométrico. A distribuição de probabilidades de uma variável aleatória
hipergeométrica é chamada função distribuição hipergeométrica.

( N −k )C(n−x)
h ( X =x ; N , n , k )=
nCn

Parâmetros característicos:

Fazendo

k N −k
=p e =q tem−se
N N

Exemplo 1
No fichário de um hospital, estão arquivados os prontuários dos de 20 pacientes, que deram
entrada no PS apresentando algum problema cardíaco. Destes 5 sofreram infarto.

Retirando‐se uma amostra ao acaso de 3 destes prontuários, qual a probabilidade de que dois
deles sejam de pacientes que sofreram infarto?

Solução:

N=20 k=5 n=3 X=2

5C 2(20−5) C(3−2) 5 C 2(15) C(1) 10 x 15

h ( X =2; 20,3,5 )= = = =0,1315 ou 13,15 %
20 C 3 20 C 3 1140

Exemplo 2

Suponha que selecionemos aleatoriamente 5 cartas baralho sem reposição de um de um maço

ordinário de jogo de baralho. Qual é a probabilidade de obter exatamente 2 cartas de baralho
vermelhas (isto é, copas ou ouros)?

Solução:

N=52 k =26 cartas vermelhas n=5 cartas selecionadas aleatoriamente X =2

26 C 2(52−26) C(5−2) 26 C 2( 26)C (3) 325 x 2600

h ( X =2; 52,5,26 )= = = =0,32513 ou32,51 %
52C 2 52 C 5 2.598 .960

DISTRIBUIÇÃO HIPERGEOMÉTRICA

Ela mede o número de sucessos X numa amostra de tamanho n extraída aleatoriamente e sem
reposição de uma

população de tamanho N, da qual Xt itens têm a característica de denotar sucesso.

a) Usando a fórmula, determine a probabilidade de extrair 2 homens numa amostra de 6

seleccionada aleatoriamente sem reposição de um grupo de 10 pessoas, 5 das quais são
homens.
b) Qual resultado teria sido se tivéssemos (incorretamente) usado a distribuição
binomial?

Solução
 Aqui X=2homens , n=6 , N =10 e Xt=5
a)

10−5 5 5 5 5 ! 5!
Phiperrgeometrica =
( 6−2 )( 2 ) ( 4 )( 2 ) 4 ! 1 ! 2 ! 3 ! (5)(10)
= = = ≅0
10 10 10 ! 210
( 6 ) ( 6 ) 6!4 !

n!
b) P ( 2 )= px ¿
x ! ( n−x ) !

Seria notado que a amostra é muito pequena em relação à população (digamos, menos do que
5% da população), amostragem sem reposição tem pouco efeito na probabilidade de sucesso
em cada tentativa e a distribuição binomial (que é mais fácil de usar) é uma

boa aproximação para a distribuição hipergeométrica.

DISTRIBUIÇÃO MULTINOMINAL

Um experimento multinominal é um experimento estatístico que tem as seguintes

propriedades:

 O experimento consiste de n tentativas repetidas.

 Cada tentativa tem um número discreto resultados possíveis.
 Em qualquer tentativa dada, a probabilidade de que um particular resultado ocorrerá é
constante.
 As tentativas são independentes; isto é, o resultado de uma tentativa não afeta o
resultado das outras tentativas.

Considere o seguinte experimento estatístico. Você lança dois dados, três vezes e registra o
resultado de cada lançamento. Este é um experimento multinominal, porque:

 O experimento consiste de tentativas repetidas. Lançamos o dado 3 vezes.

 Cada tentativa pode resultar num número discreto de resultados – 2 até 12.
 A probabilidade de qualquer resultado é constante; ela não muda de um lançamento
para o próximo.
  As tentativas são independentes; isto é, obter um resultado particular numa tentativa
não afecta o resultado das outras tentativas.

Nota: Um experimento binomial é um caso especial de um experimento multinominal. Aqui

está a principal diferença.

Com um experimento binomial, cada tentativa pode resultar em dois – e somente dois –
resultados possíveis. Com um experimento multinominal, cada tentativa pode ter dois ou mais
resultados possíveis.

Função de Probabilidade

Uma distribuição multinominal é a função distribuição de probabilidade dos resultados de um

experimento multinominal.

A fórmula multinominal define a probabilidade de qualquer resultado de um experimento

multinominal.

Suponha um experimento multinominal que consiste de n tentativas, e cada tentativa pode

resultar em quaisquer dos k resultados possíveis: E1 E2 ,... , Ek . Suponha, além disso, que cada
resultado possível possa ocorrer com probabilidades

p 1, p 2 , p 3 , ..., pk. Então a probabilidade p que E1 ,ocorra n1 vezes, E2 ocorra n2 vezes, ..., e
n k ocorra nk vezes é:

n!
P=
[ ]
( n1 ! × n2 ! … nk ! )
n n n
( p1 × p 2 … pk )
1 2 k

Onde n=n1 +n2 +…+ nk

Os exemplos abaixo ilustram como usar a fórmula multinominal para calcular a probabilidade
de um resultado de um experimento multinominal.

Exemplo 1

Suponha uma carta de baralho sendo extraída aleatoriamente de um maço de jogo de baralho,
e depois então devolvida ao maço. Este exercício é repetido 5 vezes. Qual é a probabilidade
de se extraírem 1 espada, 1 copa, 1 ouros e 2 paus?

Solução:

Para resolver este problema, aplicamos a fórmula multinominal. Sabemos o seguinte:

 O experimento consiste de 5 tentativas, assim n=5.

  As 5 tentativas produzem 1 espada, 1 copas, 1 ouros e 2 paus; assim n 1=1 , n 2

¿ 1 , n3=1 e n 4=2

 Em qualquer tentativa particular, a probabilidade de extraírem 1 espada, copos,

ouros ou paus é 0,25 , 0,25 , 0,25 e 0,25, respectivamente. Assim,

p 1=0,25 , p 2=0,25 , p 3=0,25 e p 4=0,25

n! 5!
P=
[ n
( 1 ! × n 2 ! … n ]!
k )
(1
n n n
p1 × p 2 … pk ) =
2 k

[( 1! × 1! × 2! ) ]
× ( 0,251 × 0,251 × 0,251 × 0,252 )=0,05859

Assim, se extrairmos 5 cartas com reposição de um maço de cartas de baralho, a

probabilidade de extrairmos 1 espada, 1 copa, 1 ouros e 2 paus é 0,05859 ou 5,859%.

Exemplo 2

Suponha que temos um vaso com 10 bolinhas de gude – 2 bolinhas vermelhas, 3 bolinhas
verdes e 5 bolinhas azuis.

Seleccionamos 4 bolinhas aleatoriamente do vaso, com reposição. Qual é a probabilidade de

seleccionar 2 bolinhas verdes e 2 bolinhas azuis?

Solução:

Para resolver este problema, aplicamos a fórmula multinominal. Sabemos o seguinte:

 O experimento consiste de 4 tentativas, assim n = 4.

 As 4 tentativas produzem 0 bolinhas vermelhas, 2 bolinhas verdes e 2 bolinhas

azuis; então n vermelhos =0 , nverde =2 e nazul =2.

 Em qualquer tentativa particular, a probabilidade de extraírem 1 vermelha,

verde ou azul é 0,2, 0,3 e 0,5, respectivamente. Assim, p vermelha=0,2 , p verde=¿

0,3 e p azul=0,5.

Liguemos estas entradas na fórmula multinominal, como mostrado abaixo:

n! 4!
P=
[ ]
( n1 ! × n2 ! … nk ! )
(
1
n n n
[
p1 × p 2 … pk ) =
2 k

0 ! ×2 ! ×2 !]( 0,20 × 0,32 ×0,52 ) =0,125

Assim, se extrairmos 4 bolinhas com reposição de um vaso, a probabilidade de extrairmos 0

bolinhas vermelhas, 2 bolinhas verdes e 2 bolinhas azuis é 0,135 ou 13,5 %
Conclusão

Feita uma análise profunda relativa ao trabalho verificou-se uma gama de aprendizagem
adquirida resultante de várias consultas bibliográficas feitas que possibilitaram e a existência
do trabalho. Imensuravelmente a distribuição discreta pode-se usar na obtenção do resultado
dos acontecimentos. Nos conhecimentos resultado do número de nascimentos, de filhos, de
produção de uma região. No uso da distribuição discreta possibilita verificar o razio da
população de uma nação, região e mais, a partir de casos numéricos.

Contudo, a leitura este trabalho será útil para o leitor, nas expectativas de obtenção e
descoberta de casos numéricos dos acontecimentos.
Bibliografia

Fonseca, J.S.; Martins, G.A. (1993). Curso de estatística. 4a ed. São Paulo: Atlas.

Laponni, Juan Carlos (1997). Estatística usando o Excel. São Paulo: Lapponi

Treinamento e Editora.

Lopes, Luis Felipe Dias,. Apostila Estatística, D E – UFSM, lflopes@[Link],

[Link]@[Link], 2 0 0 3