Probabilidade e

Estatística Aplicadas
à Contabilidade I
Prof. Dr. Marcelo Botelho da Costa Moraes
mbotelho@usp.br
www.marcelobotelho.com
1
Distribuições Discretas
de Probabilidade
Capítulo 5

2
Distribuições Discretas de
Probabilidade
• Variáveis aleatórias
• Distribuições Discretas de Probabilidade
• Valores Esperados e Variância 0,40
• Distribuição Binomial 0,30

• Distribuição de Poisson 0,20

0,10
• Distribuição Hipergeométrica
0 1 2 3 4

3
Variáveis Aleatórias
• Uma variável aleatória é a descrição
numérica do resultado de um
experimento
• Uma variável aleatória discreta pode
assumir um número finito de valores ou
uma sequência infinita de valores
• Uma variável aleatória contínua pode
assumir qualquer valor numérico em
um intervalo ou em uma coleção de
intervalos 4
Exemplo: JSL Eletrodomésticos

• Variável aleatória discreta com um

número finito de valores
• Seja x = número de TVs vendidas
na loja em um dia, em que x pode
tomar 5 valores (0, 1, 2, 3, 4)

5
Exemplo: JSL Eletrodomésticos
• Variável aleatória discreta com um
número infinito de valores
• Seja x = número de número de clientes
que vão até a loja em um dia, em que x
pode assumir os valores 0, 1, 2,...
• Podemos contar os clientes que
chegam, mas não há nenhum limite
superior finito no número que podemos
chegar 6
 Variáveis Aleatórias
Questão Variável Aleatória x Tipo
Tamanho da x = Número de dependentes indicados Discreta
família no imposto de renda
Distância de x = Distância em quilômetros de casa até Contínua
casa até a loja o local da loja
Ter cachorro ou x = 1 se não possui animal de estimação; Discreta
gato = 2 se possui cachorro(s) apenas;
= 3 se possui gato(s) apenas;
= 4 se possui cachorro(s) e gato(s);

7
Distribuições Discretas de
Probabilidade
• A distribuição de probabilidade para
uma variável aleatória descreve
como as probabilidades são
distribuídas ao longo dos valores da
variável aleatória
• Podemos descrever uma distribuição
de probabilidade discreta com uma
8
tabela, gráfico, ou equação
Distribuições Discretas de
Probabilidade
• A distribuição de probabilidade é definida por
uma função probabilidade, denotada por f(x),
que fornece a probabilidade para cada valor da
variável aleatória
• As condições necessárias para uma função
probabilidade discreta são:
𝑓(𝑥) ≥ 0

෍𝑓 𝑥 = 1 9
Distribuições Discretas de
Probabilidade
• Usando dados históricos sobre as vendas de TV, ...
uma representação tabular da distribuição de
probabilidade para as vendas de TV foi desenvolvida

Número 80/200
Unid. Vend. de Dias x f(x)
0 80 0 0,40
1 50 1 0,25
2 40 2 0,20
3 10 3 0,05
4 20 4 0,10 10
200 1,00
Distribuições Discretas de
Probabilidade
• Representação gráfica da Distribuição de Probabilidade

0,50
0,40
Probabildade

0,30
0,20
0,10

0 1 2 3 4 11
Valores da Variável Aleatória x (vendas de TV)
Distribuição de Probabilidade
Discreta Uniforme
• A distribuição de probabilidade discreta
uniforme é o exemplo mais simples de uma
distribuição de probabilidade discreta dada por
uma fórmula
• A função de probabilidade discreta uniforme é:
𝑓 𝑥 = 1/𝑛 os valores da variável
aleatória são
Onde: igualmente prováveis

n = o número de valores que a variável

aleatória pode assumir 12
Valor Esperado e Variância
• O valor esperado, ou média, de uma variável
aleatória é uma medida da sua localização
central
𝐸 𝑥 = 𝜇 = ෍ 𝑥𝑓(𝑥)

• A variância resume a variabilidade dos valores

de uma variável aleatória
𝑉𝑎𝑟 𝑥 = 𝜎 2 = ෍(𝑥 − 𝜇)2 𝑓(𝑥)

• O desvio padrão, σ, é definido como a raiz 13

quadrada positiva da variância
Valor Esperado e Variância
• Valores Esperados
x f(x) xf(x)
0 0,40 0,00
1 0,25 0,25
2 0,20 0,40
3 0,05 0,15
4 0,10 0,40
E(x) = 1,20
14
Número esperado de TVs
vendidas em um dia
Valor Esperado e Variância
• Variância e Desvio Padrão
x x-μ (x - μ)2 f(x) (x - μ)2f(x)

0 -1,2 1,44 0,40 0,576

1 -0,2 0,04 0,25 0,010
2 0,8 0,64 0,20 0,128
3 1,8 3,24 0,05 0,162
4 2,8 7,84 0,10 0,784 TVs ao
quadrado
Variância das Vendas Diárias = s 2 = 1,660
Desvio padrão das vendas diárias = 1,2884 TVs 15
Distribuição Binomial
• Quatro propriedades de um
experimento binomial
1. A experiência consiste de uma
sequência de n ensaios idênticos
2. Dois resultados, sucesso e fracasso,
são possíveis em cada ensaio
3. A probabilidade de um sucesso,
denotado por p, não muda de ensaio
para ensaio
16
4. Os ensaios são independentes pressuposto de
estacionariedade
Distribuição Binomial
• O nosso interesse é o número de
sucessos que ocorrem nos n
ensaios
• Seja x denotar o número de
sucessos ocorrem nos n ensaios

17
Distribuição Binomial
• Função de Probabilidade Binomial
𝑛!
𝑓 𝑥 = 𝑝 𝑥 (1 − 𝑝)(𝑛−𝑥)
𝑥! 𝑛 − 𝑥 !
Onde:
f(x) = a probabilidade de x sucessos em n
ensaios
n = número de ensaios
p = a probabilidade de sucesso em um 18
ensaio
 Distribuição Binomial
• Função de Probabilidade Binomial
𝑛!
𝑓 𝑥 = 𝑝 𝑥 (1 − 𝑝)(𝑛−𝑥)
𝑥! 𝑛 − 𝑥 !

𝑛!
𝑥! 𝑛 − 𝑥 ! 𝑝 𝑥 (1 − 𝑝)(𝑛−𝑥)
Número de resultados Probabilidade de uma
experimentais que fornecem determinada sequência de
exatamente x sucessos em resultados dos ensaios 19
n ensaios com x sucessos em n tentativas
Distribuição Binomial
• Exemplo: Evans Eletrônicos
Evans está preocupado com uma taxa de retenção baixa
para os funcionários. Nos últimos anos, a gestão tem visto
um turnover de 10% dos funcionários horistas anualmente.
Assim, para qualquer empregado horista escolhidos de
forma aleatória, a Administração estima uma
probabilidade de 0,1 de que a pessoa não estará na
empresa no próximo ano

20
 Distribuição Binomial
• Usando a Função de Probabilidade
Binomial
Escolhendo 3 funcionários horistas de forma
aleatória, qual é a probabilidade de que um
deles vai deixar a empresa este ano?
Seja: p = 0,10, n = 3, x = 1
𝑛!
𝑓 𝑥 = 𝑝 𝑥 (1 − 𝑝)(𝑛−𝑥)
𝑥! 𝑛 − 𝑥 !
𝟑! 21
𝒇 𝟏 = (𝟎, 𝟏𝟎)𝟏 (𝟎, 𝟗𝟎)𝟐 = 𝟑 𝟎, 𝟏 𝟎, 𝟖𝟏 = 𝟎, 𝟐𝟒𝟑
𝟏! 𝟑 − 𝟏 !
Distribuição Binomial
• Diagrama de Árvore
1o Funcion. 2o Funcion. 3o Funcion. x Prob.
S (0,1) 3 0,0010
Sair (0,1)
F (0,9) 2 0,0090
Sair
(0,1) S (0,1) 2 0,0090
Ficar (0,9)
F (0,9) 1 0,0810
S (0,1) 2 0,0090
Sair (0,1)
Ficar F (0,9) 1 0,0810
(0,9) S (0,1)
1 0,0810 22
Ficar (0,9)
F (0,9) 0 0,7290
 Distribuição Binomial
• Usando Tabelas de Probabilidades Binomiais

p
n x 0,05 0,10 0,15 0,20 0,25 0,30 0,35 0,40 0,45 0,50
3 0 0,8574 0,7290 0,6141 0,5120 0,4219 0,3430 0,2746 0,2160 0,1664 0,1250
1 0,1354 0,2430 0,3251 0,3840 ,4219 0,4410 0,4436 0,4320 0,4084 0,3750
2 0,0071 0,0270 0,0574 0,0960 0,1406 0,1890 0,2389 0,2880 0,3341 0,3750
3 0,0001 0,0010 0,0034 0,0080 0,0156 0,0270 0,429 0,0640 0,0911 0,1250

23
Distribuição Binomial
• Valores Esperados
𝐸 𝑥 = 𝜇 = 𝑛𝑝
• Variância
2
𝑉𝑎𝑟 𝑥 = 𝜎 = 𝑛𝑝(1 − 𝑝)
• Desvio Padrão
𝜎 = 𝑛𝑝(1 − 𝑝)
24
Distribuição Binomial
• Valores Esperados
𝐸 𝑥 = 𝜇 = 3 0,10 = 0,30 fucionários
que deixam a empresa, de 3
• Variância
𝑉𝑎𝑟 𝑥 = 𝜎 2 = 3 0,10 0,9 = 0,27
• Desvio Padrão
𝜎= 3 0,10 0,9 = 0,52 funcionários
25
Distribuição de Poisson
• A variável aleatória com distribuição
de Poisson é frequentemente útil
para estimar o número de
ocorrências em um intervalo
especificado de tempo ou espaço
• É uma variável aleatória discreta que
pode assumir uma sequência infinita
26
de valores (x = 0, 1, 2, ...)
Distribuição de Poisson
• Exemplos de uma variável aleatória com
Distribuição de Poisson:
• o número de buracos em 14 metros lineares
de placas de pinho
• o número de veículos que chegam em um
posto de pedágio em uma hora

27
Distribuição de Poisson
• Duas propriedades de um
Experimento de Poisson
1. A probabilidade de um ocorrência
é a mesma para dois intervalos
quaisquer de igual comprimento
2. A ocorrência ou não-ocorrência
em determinado intervalo é
independente da ocorrência ou
não ocorrência em outro intervalo 28
Distribuição de Poisson
• Função de Probabilidade de Poisson
𝜇 𝑥 𝑒 −𝜇
𝑓 𝑥 =
𝑥!
Em que
f(x) = a probabilidade de x
ocorrências em um intervalo
μ = valor esperado, ou número
médio, de ocorrências
29
e = 2,71828
Distribuição de Poisson
• Exemplo: Santa Casa de Misericórdia
Os pacientes chegam na emergência da Santa Casa, a uma
taxa média de 6 por hora, nas noites de fim de semana
Qual é a probabilidade de 4 chegadas em 30 minutos em
uma noite de fim de semana? MERCY

30
 MERCY

Distribuição de Poisson
• Usando a Função de
Probabilidade de Poisson
μ = 6/horas = 3/meia-hora, x = 4

34 (2,71929)−3
𝑓 4 = = 0,1680
4!

31
 MERCY

Distribuição de Poisson
• Usando a tabela de Probabilidade de Poisson
μ
x 2,1 2,2 2,3 2,4 2,5 2,6 2,7 2,8 2,9 3,0
0 0,1225 0,1108 0,1003 0,0907 0,0021 0,0743 0,0672 0,0608 0,0550 0,0498
1 0,2572 0,2438 0,2306 0,2177 0,2052 0,1931 0,1815 0,1703 0,1596 0,1494
2 0,2700 0,2681 0,2652 0,2613 0,2565 0,2510 0,2450 0,2384 0,2314 0,2240
3 0,1890 0,1966 0,2033 0,2090 0,2138 0,2176 0,2205 0,2225 0,2237 0,2240
4 0,0992 0,1082 0,1169 0,1254 0,1336 0,1414 0,1488 0,1557 0,1622 0,1680
5 0,0417 0,0476 0,0538 0,0602 0,0668 0,0735 0,0804 0,0872 0,0940 0,1008
6 0,0146 0,0174 0,0206 0,0241 0,0278 0,0319 0,0362 0,0407 0,0455 0,0504
32
7 0,0044 0,0055 0,0068 0,0083 0,0099 0,0118 0,0139 0,0163 0,0188 0,0216
8 0,0011 0,0015 0,0019 0,0025 0,0031 0,0038 0,0047 0,0057 0,0068 0,0081
 MERCY

Distribuição de Poisson
• Distribuição de Poisson das chegadas

Probabilidade de Poisson
0,25

0,20
Probabilidade

0,15 Na verdade a
sequência
0,10 continua:
0,05
11, 12, …

0,00 33
0 1 2 3 4 5 6 7 8 9 10
Número de Chegadas em 30 Minutos
Distribuição de Poisson
• Uma propriedade da Distribuição
de Poisson é que a média e a
variância são iguais
𝜇 = 𝜎2

34
 MERCY

Distribuição de Poisson
• Variância do número de chegadas
durante um período de 30
minutos
𝜇 = 𝜎2 = 3

35
Distribuição Hipergeométrica
• A distribuição de probabilidade
hipergeométrica relaciona-se restritamente
com a distribuição de probabilidade
binomial
• Entretanto, para a distribuição
hipergeométrica:
• Os experimentos não são independentes
• A probabilidade de sucesso se modifica de
experimento para experimento
36
Distribuição Hipergeométrica
• Função de Probabilidade Hipergeométrica
𝑟 𝑁−𝑟
𝑥 𝑛−𝑥
𝑓 𝑥 = para 0 ≤ 𝑥 ≤ 𝑟
𝑁
𝑛
Em que
f(x) = probabilidade de x sucessos em n ensaios
n = número de experimentos
N = número de elementos da população
r = número de elementos da população
rotulados com sucesso 37
 Distribuição Hipergeométrica
• Função de Probabilidade Hipergeométrica
𝑟 𝑁−𝑟
𝑥 𝑛−𝑥
𝑓 𝑥 = para 0 ≤ 𝑥 ≤ 𝑟
𝑁
𝑛 Representa o número de
maneiras pelas
Número de maneiras pelas quais n – x fracassos pode
quais x sucessos podem ser relacionado de um total
ser relacionados de um de N – r fracassos
total de r sucessos na população na população
Representa o número de
maneiras pelas
38
quais uma amostra
de tamanho n pode ser relacionada
de uma população de tamanho N
Distribuição Hipergeométrica
• Exemplo: Neveready
Bob Neveready retirou duas baterias sem carga de uma
lanterna e, inadvertidamente, mistura-os com as duas
baterias boas que ele separado para substituir. As quatro
baterias parecem idênticas
Bob agora seleciona aleatoriamente duas das quatro
baterias. Qual é a probabilidade que ele tem de selecionar
as duas baterias boas?

39
Distribuição Hipergeométrica
• Usando a Função da Distribuição Hipergeométrica
𝑟 𝑁−𝑟 2 2 2! 2!
𝑥 𝑛−𝑥 2 0 2! 0! 0! 2! 1
𝑓 𝑥 = = = =
𝑁 4 4! 6
𝑛 2 2! 2!
= 0,167
Onde
x = 2 = número de baterias boas selecionadas
n = 2 = número de baterias selecionadas
N = 4 = número de baterias total
r = 2 = número de baterias boas no total
40
Distribuição Hipergeométrica
• Média
𝑟
𝐸 𝑥 =𝜇=𝑛
𝑁
• Variância
2
𝑟 𝑟 𝑁−𝑛
𝑉𝑎𝑟 𝑥 = 𝜎 = 𝑛 1−
𝑁 𝑁 𝑁−1

41
Distribuição Hipergeométrica
• Média
𝑟 2
𝜇=𝑛 =2 =1
𝑁 4
• Variância
2
2 2 4−2 1
𝜎 =2 1− = = 0,333
4 4 4−1 3

42
Distribuição Hipergeométrica
• Considere um distribuição hipergeométrica
com n experimentos e seja p = (r/n)
indicando a probabilidade de sucesso no
primeiro experimento
• Se o tamanho da população é grande, o
termo (N – n)/(N – 1) se aproxima de 1
• O valor esperado e a variância podem ser
descritos como E(x) = np e Var(x) = np(1 – p)
• Note que estas são as expressões para o
valor esperado e variância de uma
distribuição binomial 43
Distribuição Hipergeométrica
• Quando o tamanho da população
é grande, uma distribuição
hipergeométrica pode ser
aproximada por uma distribuição
binomial com n experimentos e
uma probabilidade de sucesso
p = (r / N) 44
Exercícios Capítulo 5
• Exercícios: 2, 4, 7, 8, 14, 17, 22,
26, 30, 34, 38, 40, 42, 43, 46, 48,
51, 52

45
Obrigado pela
Atenção!!!
Lista de Exercícios do Capítulo 5
Prof. Dr. Marcelo Botelho da Costa Moraes
mbotelho@usp.br
www.marcelobotelho.com
46