Universidade Federal do Rio Grande do Norte - UFRN

Programa de Pos-Graduacao em Matematica Aplicada e Estatstica

Estagio Docencia

Distribuicoes Discretas.

Tito Lvio

10 de novembro de 2015
2
Sumario

1 Distribuicao Hipergeometrica 5
1.1 Motivacao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2 Definicao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.3 Media e Variancia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.4 Relacao entre Hipergeometrica e Binomial . . . . . . . . . . . . . . . . . . 8
1.5 Aplicacoes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.5.1 Captura e Recaptura . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.5.2 Amostragem sem reposicao . . . . . . . . . . . . . . . . . . . . . . 10
1.5.3 Controle de qualidade . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.6 Exerccios Resolvidos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11

2 Distribuicao Geometrica 13
2.1 Definicao. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.2 Funcao Geradora de Momentos, Media e Variancia. . . . . . . . . . . . . 13
2.3 Exemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.4 Exerccio Proposto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16

3 Distribuicao Binomial Negativa ou Pascal 19

3.1 Definicao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.2 Tres resultados importantes sobre binomios . . . . . . . . . . . . . . . . . 19
3.3 Funcao geradora de momentos . . . . . . . . . . . . . . . . . . . . . . . . 21
3.4 Exemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
3.5 Exerccio Proposto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23

4 Distribuicao Poisson 25
4.1 Definicao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
4.2 Exerccio Proposto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28

3
4 SUMARIO
Captulo 1

Distribuicao Hipergeometrica

1.1 Motivacao

Considere o seguinte problema: Em um lote com 20 pecas existem 4 defeituosas. Foi se-
lecionado uma amostra nao ordenada de tamanho 5 e sem reposicao desse lote. Qual
a probabilidade de 2 pecas defeituosas serem selecionadas? Nessa situacao, a variavel
aleatoria X e o numero de pecas defeituosas na amostra. Para resolver o problema
basta, entao, encontrar a P( X = 2). Pode-se utilizar a definicao classica de probabili-
dade para encontra-la, pois, pode-se assumir que a probabilidade de todos os eventos,
cujo o numero de amostra nao ordenada e sem reposicao de tamanho 5, sejam iguais.
Por exemplo:
P({ D1 , D2 , C1 , C2 , C3 }) = P({ D1 , C1 , C2 , C10 , C16 }),

em que Di representa o item i defeituoso, i = 1, 2, 3, 4, e Cj representa o item nao

defeituoso j, j = 1, 2, . . . , 16.
Assim, pela definicao classica de probabilidade, a P( X = 2) e a razao entre o
numero de todas as possveis amostras nao ordenadas de tamanho 5 que tenham 2
itens defeituosos e todas as possveis amostras nao ordenadas de tamanho 5 retiradas
do lote. Recamos em um subproblema, qual numero de todas as possveis amostras
nao ordenadas de tamanho 5 que tenham 2 itens defeituosos? Isso pode ser respondido
por combinacao e pelo princpio fundamental da contagem. A combinacao e aplicada,
pois queremos encontrar a quantidade de conjuntos que tenham 2 itens defeituoso to-
mados dos 4 itens defeituosos do lote, que e dada por (42), e encontrar a quantidade dos
possveis conjuntos que tenham 3 itens nao defeituoso tomados dos 16 itens nao defei-
tuosos do lote, que e dada por (163 ). E por fim, o numero de todas as possveis amostras
nao ordenadas de tamanho 5 que tenham 2 itens defeituosos e 3 nao defeituosos e
dado, pelo princpio fundamental da contagem, por: (42)(16 3 ). Um outro subproblema,
mais simples, e encontrar o numero de amostras nao ordenadas com 5 itens que po-
dem ser retiradas de um lote com 20 itens, mas como sao 5 itens tomados dos 20 itens
do lote, ou seja, uma quantidade igual a (20 5 ).

5
6 CAPITULO 1. DISTRIBUICAO HIPERGEOMETRICA

Portanto:
! !
4 16
2 3
P ( X = 2) = ! = 0, 217
20
5

Resumidamente, pelo esquema da Figura 1.1,

Figura 1.1: Esquema do problema.

! !
4 16
2 3
P ( X = 2) = ! .
20
5

1.2 Definicao
Considere uma populacao finita de tamanho N, em que m elementos e de um tipo
A e N m de um outro, ou seja, a populacao pode ser dividida em duas categorias.
Retira-se uma amostra aleatoria, sem reposicao e nao ordenada de tamanho n, a pro-
babilidade de sair x elementos do tipo A na amostra, e dada por:

! !
m Nm
x nx
P( X = x ) = ! (1.1)
N
n
1.3. MEDIA E VARIANCIA 7

com max {0, n ( N m)} x min{m, n}.

Quando uma variavel X segue a distribuicao (1.1), diz-se que X tem distribuicao
hipergeometrica de parametros N, m e n. Observe que, no problema, N = 20, m = 4
e n = 5. A demostracao para expressao da funcao de probabilidade (1.1) e similar
a resolucao do problema proposto no inicio, ao inves de se trabalhar com valores es-
pecficos, trabalha-se com casos gerais.

1.3 Media e Variancia

A media e variancia da distribuicao hipergeometrica pode ser encontradas atraves dos
seus momentos E( X k ), como e sabido:

E( X ) = E( X 1 ) e Var ( X ) = E( X 2 ) E2 ( X ).
! !
a a a1
Desenvolvendo E( X k ) e usando a identidade = tem-se:
b b b1

n n
k
E( X ) = x k
P( X = x ) = xk P( X = x )
x =0 x =1
! ! ! !
m Nm m1 Nm
n x nx n x1 nx
nm
= xk ! =
N x k 1 !
x =1 N x =1 N1
n n1
! !
m1 Nm
nm n1 y n1y nm h i
N y
= ( y + 1 ) k 1 ! = E (Y + 1 ) k 1 ,
=0 N1 N
n1

em que X = Y + 1 e Y tem uma distribuicao hipergeometrica N 1, n 1 e m 1.

Logo,

nm h 0
i nm
E( X ) = E (Y + 1 ) =
N N
e
nm (n 1)(m 1)
 
nm2
E( X ) = E (Y + 1 ) = +1 ,
N N ( N 1)
entao,

nm (n 1)(m 1) nm (n 1)(m 1)
    
nm 2 nm
Var ( X ) = +1 = +1 .
N ( N 1) N N ( N 1) N
8 CAPITULO 1. DISTRIBUICAO HIPERGEOMETRICA

1.4 Relacao entre Hipergeometrica e Binomial

Na distribuicao hipergeometrica, quando a populacao e muito grande, o fato de tomar
amostras aleatorias sem reposicao ou com reposicao perde a importancia, pois a proba-
bilidade de se sortear um elemento com uma determinada caracterstica A, dado que ja
foi soreado alguns elementos com a mesma caraterstica e nao repostos, e aproximada-
mente a probabilidade de sortear o primeiro elemento com a caracterstica A. Assim,
quando a populacao e muito grande, a distribuicao hipergeometrica se aproxima da
distribuicao binomial ou para N a distribuicao hipergeometrica converge para a
distribuicao binomial. Logo, se X tem distribuicao hipergeometrica, entao
!
n
lim P ( X = x ) = p x (1 p ) n x
N x

em que p = m/N representa a proporcao, que nao e alterada com o tamanho de N,

pois m proporcionalmente a N.
Verificando a hipotese, partindo da definicao:

! !
m Nm
x nx m! ( N m)! n!( N n)!
P (X = x) = ! =
N x!(m x )! (n x )!( N m n + x )! N!
n

rearranjando a expressao, segue

n! m! ( N m)! ( N n)!
P (X = x) =
x!(n x )! (m x )! ( N m n + x )! N!
!
a! n! n
e usando o fato que = a( a 1)( a 2) . . . ( a k + 1) e x!(n x )!
= ,
( a k)! x
segue

!
n [m(m 1) (m x + 1)][( N m)( N m 1) ( N m n + x + 1)]
P (X = x) = .
x N ( N 1) ( N n + 1)

Observe que o numero de fatores do numerador e igual ao numero de fatores do

denominador que sao iguais a m, dividindo o numerador e o denominador do segundo
membro por N m , temos

!h m

 m 1  
m k +1
i h
N m

 N m 1  
N m n + x +1
i
n N N N N N N
P (X = x) =
 N 1   N 1    .
x N N n +1
N N N N
1.5. APLICACOES 9

Como foi assumido a proporcao p = M/N, fica entao

!h  1
 
x 1
i h   
n x 1
i
n p p N p N (1 p) 1 p N1 1 p N
P (X = x) =   
x 1
(1 N1 1 nN

aplicando N , temos

!
1 x 1 n x 1
(1 p) 1 p N1 1 p


 


n p p N p N N
lim P ( X = x ) = lim 1
.
1 N1 1 nN



N N x

Como foi suposto que a proporcao p nao modifica com o tamanho da populacao,
ou seja,
m
lim = p.
N N

Portanto, chegamos a
!
n
lim P ( X = x ) = p x (1 p ) n x .
N x

1.5 Aplicacoes

1.5.1 Captura e Recaptura

Para determinar o tamanho da populacao de uma certa especie em uma regiao, os

biologos, frequentemente, utilizam o metodo Captura e Recaptura. O procedimento
consiste em marcar um certo numero m de animais da especie desejada, em seguida,
eles sao soltos e espera-se um determinado tempo para permitir que ele se misture aos
demais. Uma segunda amostra de tamanho n e tomada, supondo que a primeira amos-
tra nao influencia nos indivduos amostrados na segunda, a variavel aleatoria que des-
creve o numero de indivduos marcados na segunda amostra e uma hipergeometrica
com parametros N, m e n, nessa situacao, os valores dos parametros m e n sao conheci-
dos. O metodo para se estimar o parametro N e o da maxima verossimilhanca, porem
e de facil deducao e um tanto obvia o resultado dessa estimativa, observe: Se em uma
populacao de tamanho N tem m indivduos marcados e numa amostra de tamanho n
tem x0 indivduos marcados, entao, uma proposta para a estimativa de N e estabelecer
uma relacao de proporcao, ou seja:

N n nm
= = N = ,
m x0 x0
10 CAPITULO 1. DISTRIBUICAO HIPERGEOMETRICA

cuja estimativa e igual a de maxima verossimilhanca. Por exemplo, se para deter-

minar o tamanho da amostra um biologo capturou 30 animais em uma determinada
regiao, marcou-os e os soltou em seguida. Em uma segunda amostra com 60 animais,
observou-se que 10 estavam marcados, ele aplicou o calculo para estimativa de N e
chegou a 180 animais estimados na regiao.

1.5.2 Amostragem sem reposicao

A amostragem aleatoria simples sem reposicao (AASs) opera da seguinte forma:

i) A populacao e enumerada de 1 a N;

ii) Utiliza-se uma tabela de numeros aleatorios, ou programa de computador, sorteia-

se, com igual probabilidade, uma das N unidades da populacao;

iii) Sorteia-se um elemento seguinte, com o elemento anterior sento retirado da populacao,
portanto cada elemento da populacao aparecera uma unica vez na amostra.

A variavel aleatoria f i representa o numero de vezes que a unidade i aparece na amos-

tra, observe que f i tem distribuicao hipergeometrica, pois a populacao e finita, a amos-
tragem aleatoria e sem reposicao e a populacao pode ser dividida em duas: a unidade i
e as outras unidades da populacao. Os parametros dessa distribuicao hipergeometrica
sao: N (tamanho da populacao), m = 1 (uma caracterstica de interesse, a unidade i) e
n (tamanho da amostra), o suporte e dado por max {0, n ( N 1)} f i min{1, n},
considerando que n N 1 e 1 n, tem-se que 0 f i 1, ou melhor: f i = 0 ou f i =
1. Portanto fica facil calcular P( f i = 0) e P( f i = 1) e como P( f i = 0) = 1 P( f i = 1),
basta encontrar P( f i = 1) que e dado por:
! ! !
1 N1 n N
1 n1 N n n
P ( f i = 1) = ! = ! = ,
N N N
n n

n
e portanto P( f i = 0) = 1 . Esse resultado e importante em amostragem aleatoria
N
simples sem reposicao pois grande parte dos resultados para media amostral e esti-
mativas para o total populacional partem da media e variancia da variavel aleatoria
fi .

1.5.3 Controle de qualidade

Considere a seguinte situacao: Uma empresa fabrica um tipo de tomada que sao em-
balados em lote de 25 unidades. Para aceitar o lote enviado por essa fabrica, o controle
de qualidade da empresa tomou o seguinte procedimento: sorteia-se um lote e desse
1.6. EXERCICIOS RESOLVIDOS 11

lote selecionam-se 8 tomadas para teste, sem reposicao. Se for constatado, no maximo,
duas tomadas defeituosas, aceita-se o lote fornecido pela fabrica. Se o lote sorteada
tiver 7 pecas defeituosas, qual a probabilidade de se aceitar o lote?
Essa questao envolve distribuicao hipergeometrica, pois a populacao e finita (lote
de 25 unidades, N = 25), amostra sem reposicao (n = 8) e no lote existem unidades
com duas caractersticas: unidade defeituosa (m = 7) ou nao defeituosa. Assim, para
o lote ser aceito

P ( X 2) = P ( X = 0) + P ( X = 1) + P ( X = 2)
! ! ! ! ! !
7 25 7 7 25 7 7 25 7
0 80 1 81 2 82
= ! + ! + !
25 25 25
8 8 8

Portanto, a probabilidade do lote ser aceito, nessas condicoes, e 0, 0010069.

.

1.6 Exerccios Resolvidos

1- Seja X a variavel aleatoria que segue o modelo hipergeometrico com parametros

N = 10, m = 5 e n = 4. Determine a probabilidade P( X 1).

Como max {0, 4 (10 5)} x min{5, 4} = 0 X 4, entao P( X 1) =

(50)(54) (51)(53)
P( X = 0) + P( X = 1) = 10 + 10 0, 2619
(4) (4)

2- Demostre que o suporte da distribuicao hipergeometrica N, m e n e dado por

max {0, n ( N m)} x min{m, n}.

Da definicao temos que 0 x n e dos binomios da funcao de probabilidade

temos: x m e n x N m. Como x n e x m entao x min{m, n},
para visualizar mais claramente esse resultado, observe que se x 20 e x
30 entao x (, 20] (, 30] = (, min{20, 30} = 20], e como n x
N m = x n ( N m) e x 0 entao x max {0, n ( N m)}. Assim
max {0, n ( N m)} x min{m, n}.

3- Mostre que:
!2 !
n
n 2n
x
=
n
.
x =0
12 CAPITULO 1. DISTRIBUICAO HIPERGEOMETRICA

Como a funcao de probabilidade da hipergeometrica e tal que:

! ! ! 1
n
m Nm N
x nx n
= 1.
x =0

Assim, ! ! !
n
m Nm N
x nx
=
n
x =0
! !
n n
Com N = 2n e m = n, e usando a propriedade = , e demos-
x nx
trado o que se pede.

Exerccio 1.1 (FCC - 2014 (TRT - 19a )). Um lote e formado por 10 artigos bons e 5 com
pequenos defeitos. Uma amostra aleatoria, sem reposicao, de 3 artigos e selecionada
do lote. Se a amostra so tiver artigos bons, o lote e vendido por R$455, 00; se a amostra
tiver 2 artigos bons, o lote e vendido por R$273, 00 e se a amostra tiver menos do que 2
artigos bons, o lote e vendido por R$182, 00. Nessas condicoes o preco medio de venda
do lote e, em reais, igual a ?
Captulo 2

Distribuicao Geometrica

2.1 Definicao.

Considere uma variavel aleatoria X definida como o numero de ensaios ate a ocorrencia
do primeiro sucesso, em que os ensais sao independentes, com probabilidade de se ter
sucesso, em um ensaio, igual a p e fracasso igual a q = 1 p. Observe que o experi-
mento abaixo se encaixa nessa definicao:

( F, F, F, F, F, . . . , F, S)
| {z }
x 1 ensaios

foram observados x 1 ensaios ate a ocorrencia do primeiro sucesso, em que foi su-
posto a independencia entre eles. Assim, a variavel aleatoria X segue uma distribuicao
geometrica com parametro p, se sua funcao de probabilidade for dada por:

P ( X = x ) = p (1 p ) x 1 , x = 1, 2, . . .

em que 0 < p < 1. Quando p = 0 ou p = 1 torna-se trivial, ou seja, nos ensaios tera
somente fracasso ou somente sucesso. Notacao X Geo ( p).

2.2 Funcao Geradora de Momentos, Media e Variancia.

Seja X uma variavel aleatoria discreta com distribuicao geometrica. Entao a funcao
geradora de momentos e dada por:

  p
MX (t) = E etX = etx p(1 p) x1 =
1 p [et (1 p)]x ,
x =1 x =1

e como

e t (1 p )
[et (1 p)]x = 1 (1 p)et ,
x =1

13
14 CAPITULO 2. DISTRIBUICAO GEOMETRICA

com t < log(1 p). Desta forma,

p e t (1 p ) pet
MX ( t ) = = .
1 p 1 (1 p ) e t 1 (1 p ) e t

Portanto, o valor esperado de X atraves da funcao geradora de momentos, e dado por:

  
pet

d  d
E( X ) = MX ( t )  =
 
dt dt 1 (1 p ) e t

 
t =0 t =0

( pet )0 (1 (1 p)et ) (1 (1 p)et )0 ( pet ) 
=

(1 (1 p ) e t )2


t =0

pet (1 (1 p)et ) pet ((1 p)et ) 
=

(1 (1 p ) e t )2


t =0

t t t
pe (1 (1 p)e + (1 p)e ) 
=
(1 (1 p ) e t )2


t =0

pe t  p 1
= = 2 = .

t 2
(1 (1 p ) e ) 

p p
t =0

E como Var ( X ) = E( X 2 ) E2 ( X ), entao, o problema em encontrar a variancia de X se

resume em encontrar o seu segundo momento. Portanto,
  
d2

2
 d d
E( X ) = MX ( t )  = MX ( t ) 
 
dt 2  dt dt 
t =0 t =0

 pet 
pet (1 (1 p ) e t ) 
 
d d
= =
 
t
dt (1 (1 p)e ) 2 
 t
dt (1 (1 p)e ) 

t =0 t =0

0
pet pet
  
(1 (1 p)et ) (1 (1 p)et )0 
1 (1 p ) e t 1 (1 p ) e t
=

(1 (1 p ) e ) t 2 

t =0
 t 0  t 
pe pe
t
(1 (1 p ) e t ) (1 (1 p)et )0 
1 (1 p ) e 1 (1 p ) e t
=

(1 (1 p ) e ) t 2 

t =0

pe t  
pe t 
t 2
(1 (1 p ) e t ) + t
(1 p)et 
(1 (1 p ) e ) 1 (1 p ) e
=

(1 (1 p ) e )t 2 

t =0
   
p p
p+ (1 p )
p2 p 2 p
= 2
= .
p p2
2.3. EXEMPLOS 15

2 p 1 1 p
Logo, a variancia fica Var ( X ) = E( X 2 ) E2 ( X ) = 2
2 = .
p p p2
Propriedade 2.1 (Falta de Memoria). Se X e variavel aleatoria discreta com distribuicao
geometrica, entao, para todo j, k = 1, 2, . . . tem-se:

P ( X j + k| X k) = P ( X > j) .

Esta propriedade reflete a falta de memoria ou de desgaste da distribuicao geometrica.

Demonstracao:

P ( X j + k, X k ) P (X j + k) i= j+k p(1 p)i1

P (X j + k| X k) = = =
P (X k) P (X k) i=k p(1 p)i1
(1 p ) j + k 1

i = j + k (1 p ) i 1 1 (1 p )
=
= = (1 p ) j .
i =k ( 1 p ) i 1
(1 p ) k 1

1 (1 p )

E como P( X > j) = (1 p) j , assim, como queramos demostrar, P ( X j + k | X k) =

P ( X > j ).

2.3 Exemplos
Exemplo 2.1 (Portal Action - Modificada). : Um pesquisador esta realizando um ex-
perimentos qumico e independentes e sabe-se que a probabilidade de que cada expe-
rimento apresente uma reacao positiva e 0, 3. Qual e a probabilidade de que em menos
de 6 ensaios ocorra a primeira reacao positiva?
Considerando X como sendo a variavel aleatoria que representa o numero de en-
saios ate a ocorrencia da primeira reacao positiva. Assim, temos que X Geo (0, 3),
entao:
5
P ( X 5) = P( X = x )
x =1
= 0, 3 + 0, 3 0, 7 + 0, 3 0, 72 + 0, 3 0, 73 + 0, 3 0, 74
= 0, 83193.

Exemplo 2.2 ( Dantas - 2008). : Um banco de sangue necessita de sangue do tipo O-Rh
negativo. Seja p a probabilidade de indivduos na populacao com esse tipo de sangue.
Suponha que as pessoas sao escolhidas da populacao ao acaso para serem serem exa-
minadas se tem ou nao esse tipo de sangue. O numero de pessoas examinadas antes
de se encontrar a primeira pessoa com esse tipo de sangue tem distribuicao geometrica
com parametro p. Calcule, para p = 0, 1, a probabilidade de a primeira pessoa a ser
encontrada com esse tipo de sangue ser a quinta.
16 CAPITULO 2. DISTRIBUICAO GEOMETRICA

Questao simples, considerando X o numero de pessoas que examinadas ate a ocorrencia

do primeiro sucesso, ou seja, ate encontrar uma pessoa que tenha sangue do tipo O-Rh.
Assim,

P( X = 5) = 0, 1 0, 94 = 0, 0656.

2.4 Exerccio Proposto

Exerccio 2.1 (Magalhaes, et al. (2013) - Aplicacao (Controle de qualidade)). Uma li-
nha de producao esta sendo analisada para efeito de controle da qualidade das pecas
defeituosas. Tendo em vista o alto padrao requerido, a producao e interrompida para
regulagem toda vez que uma peca defeituosa e observada. Se 0, 01 e a probabilidade
de a peca ser defeituosa.

a- Identifique e escreva a variavel aleatoria e a distribuicao associada ao problema.

b- A probabilidade de se interromper a producao e maior quando a primeira peca

defeituosa for a 5a a ser observada, ou quando for a 10a ?

c- Esboce o grafico da funcao de probabilidade do problema.

Exerccio 2.2. [Teorico] : Como visto em sala de aula, encontre a esperanca, a variancia
e a funcao geradora de momentos de Y usando a relacao Y = X 1, em que v.a
(variavel aleatoria) Y e definida como o numero de fracassos anteriores para ocorrencia
do primeiro sucesso. Veja na tabela apresentada no apendice A, em Magalhaes (2013),
as varias formas que as funcoes de probabilidade, as medias, variancias e as funcoes
geradoras de momentos da distribuicao geometrica sao apresentas.

Exerccio 2.3. [Teorico] :Existe uma infinidade de formas para se chagar a esperanca
e variancia de uma variavel que tem distribuicao geometrica, pesquisem e vejam em
ROSS (2010) e Morettin (1999) como eles chegam a esses resultados. Qual das demostracoes
achou mais facil, e qual achou mais interessante ? Justifique.

Exerccio 2.4. [Teorico] : Utilize o resultado da falta de memoria para geometrica de-
mostrado e prove, atraves da relacao entre a v.a X que tem distribuicao geometrica
numeros de ensaios e a v.a Y geometrica numeros de fracassos, a falta de memoria para
v.a Y. Demostre tambem essas outras formas de se expressar a falta de memoria de uma
geometrica, como P( X j + k | X > k ) = P( X k ) e tambem P (Y >t + s|Y s) =
P (Y >t) . Caso queira, comente a diferenca entre a propriedade da falte de memoria de
X e Y.

Exerccio 2.5. [FCC-2015 (TRE-RO)]1 : Suponha que X e Y sejam variaveis aleatorias

independentes com distribuicao geometrica com medias dadas, respectivamente, por
1 Concurso Publico para Estatstico.
2.4. EXERCICIO PROPOSTO 17

3 e 4. Considere que X e Y representam o numero de repeticoes do experimento ate

a ocorrencia do primeiro sucesso. Nessas condicoes, a probabilidade denotada por
P( X 2, Y = 3) e igual a ? (Necessita usar independencia entre eventos, e use resulta-
dos a respeito da media de uma distribuicao geometrica para encontrar os parametros.)

Exerccio 2.6 (FCC - 2014 (TRT - 19a )). A funcao geratriz de momentos da variavel
pet
aleatoria X e dada por MX (t) = , em que p e o parametro do modelo, p + q = 1
1 qet
e 0 < qet < 1. Seja a variavel aleatoria Y = X 1. A esperanca de Y e igual a? (Utilize
resultados.)
18 CAPITULO 2. DISTRIBUICAO GEOMETRICA
Captulo 3

Distribuicao Binomial Negativa ou

Pascal

3.1 Definicao
Suponha que um experimento aleatorio seja repetido independentemente ate que um
evento S de interesse ocorra pela r-esima vez. Seja X a v.a que representa o numero
de ensaios ou repeticoes para que A ocorra r-esima vez. A partir da definicao, vamos
chegar a funcao de probabilidade dessa distribuicao, ou seja, a P( X = x ). Vamos
ilustrar a definicao,
( F, S, F, F, S, . . . , F, S),
| {z }
x =r +( x r ) ensaios

em que r representa o numero de vezes em que o evento de interesse S ocorreu e n r

e o numero de vezes em que o evento S nao ocorreu (ou F ocorreu). Seja p a probabili-
dade da ocorrencia de um sucesso, entao
!
x1
P( X = x ) = p r (1 p ) x r , x = r, r + 1, r + 2, . . .
r1
o binomio da funcao de probabilidade pode ser explicado porque o numero de ensaios
x termina quando o ultimo evento a ocorrer e um sucesso, e e fixo. Assim, temos x 1
evento para combinar com r 1 sucessos. Observe que r e fixo, logo, o menor numero
de ensaios possveis para a ocorrencia do r-esimo sucesso e exatamente r, por isso que
x = r, r + 1, r + 2, . . .

3.2 Tres resultados importantes sobre binomios

Propriedade 3.1 (Binomio Negativo). Considere x s 1 e naturais, entao:
! !
s x+s1
(1) x = .
x x

19
20 CAPITULO 3. DISTRIBUICAO BINOMIAL NEGATIVA OU PASCAL

Demonstracao: Observe que,

!
x s (1) x (s)(s 1)(s 2) (s x + 1)(s x )!
(1) =
x x!(s x )!
s(s + 1)(s + 2) (s + x 1)
=
x!
(s + x 1) (s + 2)(s + 1)s(s 1)!
=
x!(s 1)!
!
( s + x 1) ! x+s1
= = .
x!(s 1)! x

Propriedade 3.2 (Serie Binomial). Considere e |k | < 1 real, tal que a funcao f (k) =
(1 + k) , pode ser expressa como uma soma infinita, ou seja,

( 1) 2
(1 + k) = 1 + x + x +
! 2!


= n
kn ,
n =0

Demonstracao: Observe que f 0 (0) = , f 00 (0) = ( 1), f 000 (0) = ( 1)( 2),
e de forma geral f (n) (0) = ( 1) . . . ( n + 1), usando a serie de Taylor na funcao
f (k ) no ponto 0, temos

f 00 (0)(k 0)2 f (n) (0)(k 0)n

f (k ) = f (0) + f 0 (0)(k 0) + ++ + ,
2! n!

assim,

( 1) k 2 ( 1) . . . ( n + 1) k n
(1 + k) = 1 + k + ++ +
! 2! n!


= n
kn (3.1)
n =0

!
( 1) . . . ( n + 1)
em que = e a serie f (k ) e convergente se |k| < 1, isso
n n!
pode ser demostrado atraves do teste da razao.
Propriedade 3.3 (Caso particular da Serie Binomial). Considere = e |k | < 1, tal
que k = p real, dessa forma a expressao 3.1 pode ser reescrita como:

!
1
=
(1 p ) n =0
(1)n
n
pn

e como foi visto, ! !

n+1
(1)n = .
n n
3.3. FUNCAO GERADORA DE MOMENTOS 21

Logo,

!
1 n+1
= pn . (3.2)
(1 p ) n =0 n

3.3 Funcao geradora de momentos

A funcao geradora de momentos da distribuicao binomial negativa e dada por:

!
x 1
MX (t) = E(etX ) = etx p r (1 p ) x r
x =r r 1

!
pr x1
= r
(1 p ) x =r r 1
[et (1 p)] x ,

fazendo y = x r, entao

!
pr y+r1
MX ( t ) =
(1 p )r r 1
[et (1 p)]y+r
y =0

!
y + r 1
= ( e t p )r [et (1 p)]y
y =0 y
r
( e t p )r et p

= = uso de 3.2
(1 et (1 p))r 1 e t (1 p )

Observe que se X = Y1 + Y2 + + Yr , em que os Yi0 s sao v.as independentes com

distribuicao geometrica de parametro p, entao X tem distribuicao binomial negativa.
Demostrando,
r
t ri=1 Yi
tX
MX ( t ) = E ( e ) = E ( e ) = MYi (t),
i =1

et p
Como MYi (t) = 1 e t (1 p )
, entao

r
et p

MX ( t ) = .
1 e t (1 p )

Assim,
! !
r r
r r (1 p )
E( X ) = E Yi = rE (Yi ) =
p
Var ( X ) = Var Yi = rVar (Yi ) =
p2
.
i =1 i =1
22 CAPITULO 3. DISTRIBUICAO BINOMIAL NEGATIVA OU PASCAL

3.4 Exemplos
Exemplo 3.1 (Aplicacao no Esporte). Fulano e jogador de basquete da UFRN, foi cons-
tatado que ele e um lancador de arremessos livres 70%. Isso significa que a probabili-
dade de acertar um arremesso livre e 0.7. Durante uma partida, qual a probabilidade
que Fulano acerte o seu terceiro arremesso livre no seu quinto arremesso ?
Porque considera essa questao como um problema que se pode resolvido usando a
distribuicao binomial negativa? Observe que esse problema se encaixa perfeitamente
nessa distribuicao, pois considerando X = 5 e r = 3, ou seja, 5 e o numero de tentativas
ate a ocorrencia do 3 sucesso, com p = 0, 7. Assim, como
!
x1
P( X = x ) = p r (1 p ) x r , x = r, r + 1, r + 2, . . .
r1

entao, !
51
P ( X = 5) = 0, 73 (1 0, 7)53 , x = 3, 4, 5, . . . ,
31
ou seja, P( X = 5) = 0, 18552.
Exemplo 3.2 (Cotidiano). Suponha que P( A) = 0, 5, em que o evento A e nascer
menino. Um casal quer ter exatamente duas meninas e tera filhos ate essa condicao
ser satisfeita.
a) Qual e a probabilidade da famlia ter x filhos homens?
Como a condicao de ter duas filhas devera ser satisfeita entao a probabilidade
se ter x filhos homens e a mesmas de se ter x + 2 tentativas ate a condicao ser
satisfeita, logo aplica-se a distribuicao binomial negativa, com r = 2, p = 1/2 e
X = x + 2, assim:
!
x+1
P ( X = x + 2) = 0, 52 (0, 5) x , x = 2, 3, 4, . . . ,
1

b) Qual e a probabilidade da famlia ter quatro filhos?

Observe que, se tiver dois homens entao o casal tentou 4 vezes para que a condicao
fosse satisfeita, ou seja, teve 4 filhos. Aplicando a probabilidade encontrada no
item a), para x = 2, entao:
!
2+1
P ( X = 4) = 0, 52 0, 52 , x = 2, 3, 4, . . . ,
1

assim P( X = 4) = 3 0, 54 = 0, 1875

c) Qual e a probabilidade de a famlia ter no maximo quatro filhos?

Atividade
3.5. EXERCICIO PROPOSTO 23

d) Quantos filhos homens espera-se que essa famlia tenha? Quantos filhos espera-
se que essa famlia tenha?
Atividade

3.5 Exerccio Proposto

Exerccio 3.1 (Teorico). Uma outra forma de se expressar a funcao de distribuicao
de uma binomial negativa e considerando a v.a Y como o numero de fracassos ate a
ocorrencia de r sucessos, com probabilidade p de um sucesso. Deduza a funcao de pro-
babilidade dessa variavel aleatoria Y. E considere tambem que Y = X1 + X2 + + Xr ,
em que Xi e uma v.a com distribuicao geometrica numero de fracassos ate a ocorrencia
do primeiro sucesso, encontre a funcao geradora de momento, esperanca e a variancia.

Exerccio 3.2 (COPESE - 2015 (UFPI)). Lanca-se uma moeda nao-tendenciosa ate a
obtencao da segunda cara. A probabilidade da moeda ser lancada quatro vezes e ?

Exerccio 3.3 (Cotidiano). Uma lotacao com capacidade para 5 passageiros, so pode
parar no ponto de onibus. A probabilidade de haver uma pessoa esperando lotacao em
um ponto de onibus qualquer e de 0, 3 e nunca ha mais de um passageiro esperando
a lotacao. Roberto espera a lotacao no decimo ponto de onibus. Sabendo-se que a
lotacao saiu vazia do ponto inicial, qual a probabilidade de conseguir o ultimo lugar
na lotacao?

Exerccio 3.4 (Cotidiano). Uma companhia recebeu uma encomenda para fundir 3
pecas complicadas. A probabilidade de se conseguir um molde adequado e 0, 4, sendo
o molde destrudo quando da retirada da peca. O custo de cada molde e R$500, 00 e
se o molde nao for adequado, a peca e refugada, perdendo-se R$700, 00 de material. a)
Qual a probabilidade de se fundir no maximo 6 pecas para atender a encomenda? b)
Qual o preco a ser cobrado pelo servico para se ter um lucro esperado de R$1000, 00 na
encomenda?
24 CAPITULO 3. DISTRIBUICAO BINOMIAL NEGATIVA OU PASCAL
Captulo 4

Distribuicao Poisson

A deducao da funcao de probabilidade da distribuicao Poisson nao e tao direto como

as distribuicoes discretas estudadas ate o momento, que eram deduzidas em resposta
a um problema de combinatoria. Essa distribuicao tem inumeras aplicacoes, abaixo
alguns exemplos de variavel aleatoria que geralmente obedecem a lei de probabilidade
(funcao de probabilidade) da Poisson (Ross, 2010):

1- O numero de erros de impressao em uma pagina;

2- O numero pessoas que moram em uma comunidade que vivem mais de 100 anos;

3- O numero de numeros de telefones discados incorretamente em um dia;

4- O numero de pacotes de biscoitos vendidos em uma determinada loja em um dia;

5- O numero de clientes que entram em um banco ou em uma agencia dos correios

em um dia; e

6- O numero de partculas radioativas descarregada por um material radioativo

em um perodo de tempo fixo.

Por nao ser tao simples a sua deducao, optarei em introduzir a funcao de probabilidade
da Poisson como uma aproximacao para a distribuicao binomial, em que o numero de
ensaios de Bernoulli tende ao infinito, de modo que npn = , sendo esse produto uma
constante e a v.a Xn definida como o numero de sucessos em n ensaios de Bernoulli
com probabilidade pn de sucesso. Desse modo:
!
n
P ( Xn = x ) = pnx (1 pn )n x
x
n ( n 1) . . . ( n x + 1) x n x
   
= 1 1
x! nx n n
x
n 
(1 1/n) . . . (1 x/n + 1/n) x
 

= 1 1 ,
x! n n

25
26 CAPITULO 4. DISTRIBUICAO POISSON

aplicando o limite

x n
 
lim P( Xn = x ) = lim 1
n x! n n

e x
=
x!

n
 
em que limn 1 = e .
n

4.1 Definicao
A variavel X tem distribuicao Poisson com parametro (taxa de ocorrencia por uni-
dade de medida) se para x = 0, 1, 2, . . . :

e x
P( X = x ) = ,
x!

Vamos mostrar que, quando se tratando de distribuicao Poisson, tem-se que Var ( X ) =
E( X ) = . Observe,

e x x
E( X ) = x x!
= e
( x 1) !
x =0 x =1

x 1
= e ( x 1) ! , fazendo y = x1
x =1

y
= e y! = e e = .
y =0

E para variancia procederemos de forma similar, observe:

e x x
E( X 2 ) = x2 x!
= e x
( x 1) !
x =0 x =1

e x 1
= x
( x 1) !
fazendo y = x1
x =1
y
e y e y e
= ( y + 1) y!
=y
y!
+
y!
y =0 y =0 y =0

= 2 + ,

observacoes importantes:

x e x
e = = 1.
x =0 x! x =0 x!
4.1. DEFINICAO 27

Fica facil calcular a variancia de X, pois Var ( X ) = E( X 2 ) E2 ( X ) = 2 + 2 = ,

como queramos demostrar. A funcao geradora de momento, e dada por:

x
tx e (et ) x
tX
MX ( t ) = E ( e ) = e x!
=e
x!
x =0 x =0

(et ) x
e como
t
x =0 = ee , entao
x!
t
M X ( t ) = e ( e 1) .

Propriedade 4.1. Se X e uma v.a com distribuicao Poisson de parametro entao:

P ( X = x + 1) = P ( X = x ).
x+1

Como,
e x +1
P ( X = x + 1) ( x + 1) ! x+1 x!
= x = x
= ,
P( X = x ) e ( x + 1) ! x+1
x!
segue o resultado.

Exemplo 4.1 (Morettin - 1999). Numa central telefonica chegam 300 telefonemas por
hora. Qual a probabilidade de que:

a) Num minuto nao haja nenhum chamado.

e a taxa de ocorrencia por unidade de medida, nessa caso a unidade de medida
300
e um minuto, assim como sao 300 telefonemas em 60 min, assim = = 5, ou
60
seja, taxa de 5 telefonemas por minuto. Assim para que nao ocorra telefonema,

e5 50
P ( X = 0) = = 0, 006738
0!

b) em dois minutos haja duas chamadas

Nesse caso a unidade de medida sao dois minutos, dessa forma a taxa repre-
senta 10 telefonemas por unidade de medida (dois minutos), assim

e10 52
P ( X = 2) = = 0, 00227
2!

b) Em t minutos nao haja chamadas.

Se a taxa e 5 em quando a unidade de media e um minuto, entao a taxa e 5t
quando a unidade de medida e t minutos, assim

e5t (5t)0
P ( X = 0) = = e5t
0!
28 CAPITULO 4. DISTRIBUICAO POISSON

4.2 Exerccio Proposto

Exerccio 4.1. Seja X Poisson() responda:

a) Se P( X = 1) = P( X = 2) qual o valor de P( X < 4)?

b) Sendo P( X = 1) = 0, 1 e P( X = 2) = 0, 2 quanto vale P( X = 3)?

Exerccio 4.2. Suponha que uma impressora de alta velocidade cometa erros segundo
um modelo de Poisson com taxa de 2 erros por pagina. Qual e a probabilidade de
encontrar pelo menos 1 erro em uma pagina escolhida ao acaso?

Exerccio 4.3. Um experimento mostra que de cada 400 lampadas, 2 se queimam ao

serem ligas. Qual a probabilidade de:

a) 600 lampadas, no mnimo 3 se queimarem?

b) 900 lampadas, exatamente 8 se queimarem?

Exerccio 4.4. O numero de mortes por afogamento em fins de semana, numa cidade
praina, e de 2 para cada 50.000 habitantes. Qual a probabilidade de que em:

a) 200.000 habitantes ocorram 5 afogamentos?

b) 112.500 habitantes ocorram pelo menos 3 afogamentos?

Referencias Bibliograficas

1 BOLFARINE, Heleno; BUSSAB, Wilton O. Elementos de Amostragem. 1. ed. Sao

Paulo: Blucher, 2005. 292 p.

2 DANTAS, C.A.B. Probabilidade: Um curso introdutorio. 3. ed. rev. Sao Paulo: Edi-
tora da Universidade de Sao Paulo, 2008. 256 p.

3 MAGALHAES , Marcos Nascimento. Probabilidade e Variaveis Aleatorias. 3. ed. 1

reimpr. Sao Paulo: Editora da Universidade de Sao Paulo, 2013. 424 p.

4 MAGALHAES , Marcos Nascimento.; LIMA, Antonio Carlos Pedrosa. Nocoes de

Probabilidade e Estatstica. 7. ed. 2 reimpr. rev. Sao Paulo: Editora da Universidade
de Sao Paulo, 2013. 428 p.

5 MORETTIN, Luiz Gonzaga. Estatstica Basica - Volume 1 - Probabilidade. 7. ed. Sao

Paulo: Markron Books, 1999. 220 p.

6 ROSS, Sheldon. Probabilidade: Um curso moderno com aplicacoes. 8. ed. Porto

Alegre: Bookman, 2010. 608 p.

29