1

PAULO VIEIRA NETO

Distribuies Discretas de Probabilidade

Poisson
Hipergeomtrica

So Paulo, Setembro/2009

DISTRIBUIO DE POISSON
A distribuio de Poisson pode ser usada para determinar a probabilidade de um dado nmero de sucessos quando os
eventos ocorrem em um continuum de tempo ou espao. Tal processo, chamado de processo de Poisson, similar ao
processo de Bernoulli, exceto que os eventos ocorrem em um continuum ao invs de ocorrerem em tentativas ou
observaes fixadas. Um exemplo de tal processo a chegada de chamadas em uma central telefnica. Tal como no caso
de Bernoulli, supe-se que os so independentes e que o processo estacionrio.
A probabilidade da ocorrncia de um sucesso no intervalo proporcional ao intervalo. A probabilidade de mais de um
sucesso nesse intervalo bastante pequeno com a relao probabilidade de sucesso.
Seja X o nmero de sucessos no intervalo, ento:

P(X k)

e k
k!

O nmero mdio geralmente representado pela letra grega (lambda) ou por .

A constante e a base utilizada nos logaritmos naturais, nmero de Euler, 2,7182818.
A varivel X definida acima, tem distribuio de Poisson.
A distribuio de Poisson bastante utilizada na distribuio de nmero de:
a) Chamadas telefnicas recebidas em uma central;
b) Nmero de e-mails recebidos por um provedor;
c) erros tipogrficos impressos em um livro;
d) Mortes por ataque de corao por ano,numa cidade;
e) Carros que passam um farol etc.
Exemplo:
1. Em uma central telefnica chegam 300 telefonemas por hora. Qual a probabilidade de que:
I) num minuto no haja nenhum chamado;
II) em dois minutos haja duas chamadas;

I) X: nmero de chamas por minuto

P(X k)

300
5
60

k!
e 5 50
2,7182818 5 1
0,0067379 1
P(X 0)
P(X 0)
P(X 0)
0!
1
1
P(X 0) 0,0067379
II) Em dois minutos = 2 x 5 = 10 [ = 10]

k!
e 10 10 2
2,7182818 10 100
0,0000454 100
P(X 2)
P(X 2)
2!
2x1
2
0,00454
P(X 2)
P(X 2) 0,002270
2
P(X 2)

Resoluo utilizando a calculadora HP-12C

X

1ge

10 CHS yX 100 X 2 0,002270 Resultado;

Resoluo utilizando uma calculadora Cientfica:

X
1 2ndF LN y 10 [+/-] = x 100 = 2 = 0,002270 Resultado.
X

Lembrando e a base do logaritmo neperiano [LN] logaritmo natural.

X
X
Quando teclamos na HP-12C 1 g e quando X = 1, e = 2,718281828; obtemos a base 2,71828....
Quando teclamos na Calculadora Cientfica SHIFT LN 1=, quando X = 1, eX = 2,718281828, obtemos a base 2,71828...
2) Um departamento de conserto de mquinas recebe uma mdia de cinco chamadas por hora. A probabilidade de que,
em uma hora selecionada aleatoriamente, sejam recebidas exatamente trs chamadas :

A mdia foi fornecida: = 5.

P( X = 3) e = 2,7182818.

P(X k)
P(X 3)

k!
e

53

P(X 3)

2,7182818 5 125
0,00673795 125
P(X 3)
3x2x1
6

3!
0,84224338
P(X 3)
P(X 3) 0,140374 P(X 3) 0,1404
6

Bibliografia utilizada - Retirado de:

KAZMIER, Leonard J.Estatstica aplicada Economia e Administrao. So Paulo : Makron Books, 1982. pp. 94-6.

Distribuio de Poisson
Na Distribuio Binomial, a varivel definida era o nmero de sucessos em um certo intervalo discreto (repetio do
experimento). Entretanto, em muitas situaes, poderemos estar interessados no nmero de sucessos em um certo
intervalo contnuo, intervalo este que pode ser: comprimento, tempo, superfcie etc.
Como exemplo podemos citar:
a) Nmero de defeitos por metro em determinado tecido;
b) Nmero de defeitos na impresso de certo livro;
c) Nmero de partculas emitidas por fonte radioativa em certo intervalo de tempo;
d) Nmero de pessoas que chegam ao caixa de um supermercado no intervalo de tempo de 3 minutos
e) Nmero de carros que passam por um pedgio no intervalo de
tempo de 30 minutos etc.
Assim como os exemplos acima, podemos enumerar "n" exemplos. Mas se observamos, em todos os exemplos
citados foi introduzida a varivel "t", que o comprimento do intervalo de observao.
O que buscamos construir a distribuio de probabilidade da varivel; nmero de sucessos em um intervalo = t = de
observao, o que ser possvel sob certas condies expressas a seguir.
Primeiramente, vamos dividir nosso intervalo de tempo "t" de observaes em "n" pequenos intervalos, sendo que
estes tero comprimentos ( t/n).
Diante dessas condies- vamos admitir as seguintes hipteses para a construo do modele
a) Em intervalos muito pequenos, a probabilidade da ocorrncia de um sucesso deve ser proporcional ao tamanho do
intervalo. H -,,-,,
b) Ainda em intervalos muito pequenos, temos que admitir que a probabilidade da ocorrncia de mais de um sucesso
deve ser desprezada.
c) A probabilidade da ocorrncia de um sucesso igual em intervalos de mesmo comprimento.
d) As ocorrncias de sucesso em intervalos mutuamente exclusivos devem ser independentes.
Diante dessas hipteses, podemos descrever uma expresso analtica para a funo: P [(X = x)], e, para melhor
entendimento, vamos definir os parmetros da funo por meio de um exemplo prtico.
Vamos admitir que, em determinado processo de impresso, aparea, em mdia, um erro em cada 400 pginas
impressas, ou seja, 0,0025 falhas por pgina. Podemos dizer que esta a freqncia mdia do fenmeno e vamos denotar
por , ( = t).
Agora vamos supor que desejamos analisar a distribuio do nmero de falhas possveis que aparecero a cada
1.000 pginas impressas. Sob estas condies citadas, vamos escrever a funo de probabilidade dessa [ VA ] varivel
aleatria, cuja mdia ser 0,0025 falhas por pgina impressa. Logo, temos 0,0025 falhas por pgina impressa. Logo, temos
0,0025 x 1.000 2,5 falhas, ou seja, 2,5 falhas para cada 1.000 pginas impressa.
Logo,

= t

[, lmbda]

Sendo a mdia da varivel j conhecida, vamos calcular a probabilidade de obtermos x sucessos em um intervalo t,
podendo agora ser considerada como probabilidade de ocorrer 1 (um) sucesso em x intervalo de tamanho (t/n), sendo
que este pode ser obtido por meio da distribuio binomial, ou seja,

x
n!
n x [1]
P [( X x )]
p X p
x
!(
n

x
)!

ou como conhecemos

n
P(X k ) p k qn k
k

Fazendo assim, vamos associar a cada pequeno intervalo de tamanho (t/n), uma varivel do tipo Bernoulli, na qual
o sucesso ser a ocorrncia de um sucesso nesse intervalo (t/n).
Logo, a mdia dessa varivel ser expressa por
cada intervalo, ou seja:

t
n

t
, que igual probabilidade p de ocorrncia de sucesso para
n

A expresso [1] s ser vlida quando o nmero de intervalos n tender a infinito ( ) . Logo, temos:
x

n t

n x n
desenvolvendo esse limite, chega-se a:
P [( X x )]

lim

PX x

e- x
x!

nx

Lembrando e = 2,718281828 [Nmero de Euler] Base de LN Logaritmo Neperiano.

X
X
Para se obter o e = 2,718281828 na HP, tecle 1 g e esta em azul na tecla 1/x. nas calculadoras cientficas,
tecle 1 2ndF ln [LN]. Vamos precisar de uma calculadora cientfica.
Bibliografia utilizada Extrado de:
FERREIRA, Wilson & TANAKA, Osvaldo K. Elementos de Estatstica. So Paulo : McGraw-Hill, s/d.
DISTRIBUIO DE POISSON
Uma [ VA ] varivel aleatria x admite distribuio de Poisson se:
1. x = 0, 1, 2, 3, 4, ...
k

e-
2. p(X k )
k!
3. E(x)
[Mdia, esperana de x]
4.

2 (x)

Uma aplicao imediata deste modelo ocorre quando uma varivel aleatria x admite distribuio binomial com o
nmero n de repeties do experimento muito grande (n > 30) e com probabilidade p de sucesso muito pequena (p
< 0,05).
Nesta situao, o clculo numrico da expresso:

n k n k
p q ,
k

se torna praticamente invivel.

Nestas condies, o valor de:

k

e-
n k n k

p q
k!
k
onde n . p, isto , selecionamos

como aproximao para a binomial uma distribuio de Poisson com a

mesma mdia da distribuio binomial.

Exemplos
1. Uma mquina produz nove peas defeituosas a cada 1.000 peas produzidas. Calcule a probabilidade de que cada
lote que contm:
a. 200 peas, sejam encontradas oito peas defeituosas;
b. 500 peas, no haja nenhuma pea defeituosa.
Soluo:

1. E; observao de uma pea:

D p(D) 0,009 P(D) 1000 0,009

N p(N) 1 p(D) 1 - 0,009 0,991

2. No item a, o experimento E ser repetido independentemente 200 vezes;

3. Estamos interessados na ocorrncia de dois sucessos (D = pea defeituosa) e 192 fracassos independentes da
ordem de ocorrncia.
A [VA] varivel aleatria admite distribuio binomial e:

8
192
200
p[x 8]
0,009 0,009 0,00042
8

Com a ajuda do Excel, ou outro software, pode-se chegar ao resultado.

O Clculo correspondente com aproximao pelo modelo de Poisson :
Mdia

n . p, = 200 x 0,009 = 1,8;

p (X 8)

e -1,8 1,8
0,00045
8!

p (X 8)

2,71828182 8-1,8 110,1996058 18,21587233

40.320

Soluo utilizando o

EXCEL:

40,320

0,00045

X = 8, Mdia = 1,8

POISSON(8;1,8;FALSO) 0,000451783 = POISSON(8;1,8;FALSO)

X =
Mdia
Cumulativo

8 X: o nmero de eventos
1,8 Mdia: o valor numrico esperado, um nmero positivo
Cumulativo: um valor lgico: para a probabilidade Poisson, use VERDADEIRO;
FALSO
para a funo de probabilidade de massa Poisson, use FALSO.
0,000451783

P( X = 8 ) =

Com a calculadora HP-12C

[ 1 g eX 1,8 CHS YX ] [ 1,8 Enter 8 YX X ] 8 g 3[n!]
X

Resultado 0,00045178

1 [2ndF] [ln] [Y ] 1,8 [+/-] [ =] [X] 1,8 [Y ] 8 [=] [ ] 8 [2ndF] [CE] [=]

Resultado 0,00045178

Obs-1: as notaes entre chaves, indicam teclas.

X
Obs-1: na tecla [ln] [LN] est a base LN e ; na Tecla [CE] esta n! .
Observe que as duas formas de clculos

8
192
200
p[x 8]
0,009 0,009 0,00042 e
8

p (X 8)

e -1,8 1,8
0,00045
8!

apresentam praticamente os mesmos valores, uma vez que as condies

para a aproximao n > 30 e p < 0,05 esto satisfeitas.

Item b)

n. p 500 . 0,009 4,5

k

p (X k)

e -
e - 4,5 4,5
p[x 0]
0,0111
k!
0!
0

Lembrando: 0! = 1, qualquer nmero exponenciado a 0 = 1, Y = 1.

A distribuio de Poisson, alm da utilizao para o clculo aproximado da distribuio binomial tem vasta
aplicao em problemas de filas de espera; controle de estoques; controle de qualidade; programao de
equipamentos etc.

BIBLIOGRAFIA UTILIZADA
FERREIRA, Wilson & TANAKA, Osvaldo K. Elementos de Estatstica. So Paulo : McGraw-Hill, s/d.
KAZMIER, Leonard J. Estatstica aplicada Economia e Administrao. So Paulo : Makron Books, 1982.
MEDEIROS DA SILVA, Ermes et alli. Estatstica para os cursos de Economia, Administrao e Cincias Contbeis. v. 2,
So Paulo : Atlas, 1995. 4 v.
LAPPONI, Juan Carlos. Estatstica usando o Excel. So Paulo : Lapponi Treinamento, 2000.
LARSON, Ron e FARBER, Betsy. Estatstica aplicada. So Paulo : Pearson Prentice Hall, 2004.
LEVIN, Jack e FOX, James Alan. Estatstica para cincias humanas. So Paulo : Pearson , 2004.
MARTINS, Gilberto de Andrade. Estatstica Geral e Aplicada. So Paulo : Atlas, 2001.
SPIEGEL, Murray Ralph. Estatstica. 2. ed. So Paulo: McGraw-Hill, 1995.

Vide Medeiros e alli (1995). V.2 pp. 43-4

DISTRIBUIO HIPERGEOMTRICA
Quando a amostragem se faz SEM REPOSIO de cada tem amostrado de uma populao finita, no se pode aplicar o
processo de Bernoulli, uma vez que existe uma mudana sistemtica na probabilidade de sucesso, medida que os itens
so retirados da populao. A distribuio GEOMTRICA a distribuio DISCRETA de probabilidade apropriada quando
existir AMOSTRAGEM SEM REPOSIO em uma situao que se, no fosse por isso, seria um processo de Bernoulli.
Sendo X o nmero dado de sucessos, N o nmero total de itens da populao, XT o nmero total de "sucessos" na
populao, e n o nmero de itens na amostra, a frmula para se determinar as probabilidades hipergeomtricas :
N X T X T

n X X
P( X | N, X T , n )
N
n

EXEMPLO: De seis empregados, trs esto na companhia h cinco anos ou mais. Se quatro empregados so aleatoriamente
escolhidos deste grupo de seis, a probabilidade de que exatamente dois estejam na companhia h cinco ou mais anos :

P( X 2 | N 6 XT

6 3 3
3 3
3! 3 !

4 2 2
2 2

2
!1 !2!1 !
3 , n 4)

6!
6
6


4! 2!
4
4

3 3
15

0 ,6 0

Bibliografia utilizada - Retirado de:

KAZMIER, Leonard J.Estatstica aplicada Economia e Administrao. So Paulo : Makron Books, 1982. pp. 93-4.
DISTRIBUIO HIPERGEOMTRICA
Consideremos uma populao com N elementos, dos quais r tm uma determinada caracterstica (a retirada de um desses
elementos corresponde ao sucesso). Retiramos dessa populao, SEM REPOSIO, uma amostra de tamanho n.
Seja X: nmero de sucessos na amostra (sada do elemento com a caracterstica).
Qual a P(X = k)?
Podemos tirar

N amostras sem reposio. Os sucessos na amostra podem ocorrer de r maneiras de

n
k

N - r

n - k

Assim,
r N - r

k
n
k

P( X k )
N


n

Exemplo. (MORETTIN, 1999:119). Uma urna tem 10 bolas brancas e 40 pretas.

(...)
b) Qual a probabilidade de que 16 bolas retiradas sem reposio ocorram 3 brancas?
r N - r

k
n
k

P( X k )
N


n

P ( X 3)

10

40

13

50

16

0 , 293273

Adaptado por Paulo Vieira Neto,. Uma urna tem 6 bolas brancas e 14 pretas. Qual a probabilidade de que 16 bolas
retiradas sem reposio ocorram 3 brancas?
N = 20 Total de bolas na urna: 20
n = 16 Total de bolas retiradas: 16
r = 6 Total de bolas, clculo prob.: 6 [6 bolas brancas]
k = 3 Para o Clculo Probabilidade de sair [3] bolas brancas.

N r r

n k k

P(X K)
N

n

20 6 6
16 3 3

20
16

P(X 3)

14
13

6
3

20
16

14!

13!1!

6!

20!
16!4!

14x20
4845

280
4845

P(X 3) 0,0578

14

13! x1

6x5x4x3!

3!3!

14x13!

14 6
13 3

20
16

20

3! x(3x2x1)

20x19x18x17x16!

4845

16! x(4x3x2x1)

Bibliografia utilizada Extrado de:

MORETTIN, Luiz Gonzaga. Estatstica Bsica v.1. So Paulo : Makron Books, 1999
DISTRIBIES DISCRETAS
Distribuio de Bernoulli (Lei dos Grandes Nmeros)
(...)

DISTRIBUIO HIPERGEOMTRICA
No caso da Distribuio Hipergeomtrica, a idia da amostragem sem reposio, isto , para eventos dependentes.
Supondo-se um conjunto de N elementos, b dos quais apresentam uma certa caracterstica (b < N). Sero extrados n
elementos (n < N) sem reposio. Caso isto ocorra, temos uma distribuio hipergeomtrica:
b N - b

x
n
x

P( X x )
N


n

Bibliografia utilizada Extrado de:

FERREIRA, Wilson & TANAKA, Osvaldo K. Elementos de Estatstica. So Paulo : McGraw-Hill, s/d.
Clculo das Loterias
r N - r

k
n
k

P( X k )
N


n

N = Total de nmeros do jogo (ex.: Quina: 80)

n = Total de nmeros extrados (ex.: Quina: 05) - [Sem reposio]
r = Total de nmeros apostados (ex.: Quina: 8, 7, 6 ou 5)
k = Total de nmeros com que se ganha (ex.: Quina. 5 = quina; 4 = quadra ou 3: terno)
r
k

r!
= ---------------k!(r k)!

PMega-sena =
Dupla-sena =
Quina =
Lotomania =