Exercício 01 : Para compreender e caracterizar os principais modelos discretos de probabilidade, descreva de forma clara e objetiva:
  1. Explique o que é uma distribuição (ou modelo) discreta de probabilidade, destacando suas principais características e diferenças em relação aos modelos contínuos.
  2. Para cada um dos modelos discretos a seguir, apresente:
  • O que o modelo representa;
  • Uma ou mais situações práticas de aplicação;
  • A função de probabilidade correspondente;
  • A interpretação dos seus parâmetros.
Os modelos a serem analisados são:
a) Distribuição Binomial;
b) Distribuição Uniforme Discreta;
c) Distribuição de Bernoulli;
d) Distribuição Geométrica Tipo I;
e) Distribuição Geométrica Tipo II;
f) Distribuição Binomial Negativa;
g) Distribuição de Poisson;
h) Distribuição Hipergeométrica.

Passo 1

O enunciado pede duas coisas principais:
  1. Uma explicação clara e objetiva do que é uma distribuição (ou modelo) discreta de probabilidade e quais são suas principais características e diferenças em relação a modelos contínuos.
  2. Para cada um dos modelos discretos listados (a–h) eu devo apresentar:
    • O que o modelo representa;
    • Situações práticas de aplicação;
    • A função de probabilidade correspondente (PMF);
    • A interpretação dos seus parâmetros.
Informações fornecidas pelo enunciado: a lista explícita dos modelos a serem analisados: a ) Distribuição Binomial; b ) Distribuição Uniforme Discreta; c ) Distribuição de Bernoulli; d ) Distribuição Geométrica Tipo I; e ) Distribuição Geométrica Tipo II; f ) Distribuição Binomial Negativa; g ) Distribuição de Poisson; h ) Distribuição Hipergeométrica.
A partir daqui eu vou resolver passo a passo: primeiro explico o conceito geral e diferenças com modelos contínuos, depois trato cada modelo separadamente mostrando PMF, parâmetros, interpretações e exemplos práticos, com explicações didáticas para você conseguir aplicar na prova.

Passo 2

O que é uma distribuição discreta de probabilidade — definição e propriedades fundamentais (aulas mastigadas):
  • Definição: uma variável aleatória X tem uma distribuição discreta se ela só pode assumir valores isolados (contáveis), por exemplo \{0,1,2,\dots\} ou \{1,2,\dots,n\}. Para cada possível valor x existe uma probabilidade P(X=x).
  • Propriedades essenciais da função de massa de probabilidade (PMF): \text{(i)}\quad P(X=x)\ge 0\quad\text{para todo }x.
\text{(ii)}\quad \sum_{x\in\text{suporte}} P(X=x)=1.
O “suporte” é o conjunto dos valores possíveis de X.
  • Diferença básica para modelos contínuos:
    • Em modelos discretos usamos PMF: P(X=x) é a probabilidade de X assumir exatamente o valor x.
    • Em modelos contínuos usamos função densidade (PDF) f(x) e probabilidades de pontos são 0: P(X=x)=0. Para contínuos calculamos probabilidades em intervalos via integral: P(a\le X\le b)=\int_a^b f(x)\,dx.
    • Em discretos somamos; em contínuos integramos.
  • Esperança (valor esperado) e variância para variáveis discretas — fórmulas e interpretação: \mathbb{E}[X]=\sum_{x} x\,P(X=x).
\operatorname{Var}(X)=\mathbb{E}\big[(X-\mathbb{E}[X])^2\big]=\sum_{x} (x-\mathbb{E}[X])^2 P(X=x).
Interpretação: \mathbb{E}[X] é uma média ponderada dos possíveis valores; \operatorname{Var}(X) mede dispersão em torno da média.
  • Como usar em prova (dicas práticas):
    • Identifique suporte e parâmetros.
    • Escreva a PMF correta.
    • Verifique soma das probabilidades se necessário.
    • Use fórmulas de esperança/variância conhecidas quando aplicável (não calcule soma longa na prova se já houver fórmula pronta).

Passo 3

Dicas de entendimento intuitivo (para lembrar rápido na prova):
  • “Bernoulli” é o experimento que tem só dois resultados: sucesso ou fracasso.
  • “Binomial” é o número de sucessos em n ensaios independentes de Bernoulli.
  • “Geométrica” trata do tempo até o primeiro sucesso (duas convenções possíveis: conta ensaios ou conta falhas).
  • “Binomial negativa” generaliza a geométrica para o tempo até o r-ésimo sucesso.
  • “Poisson” modela o número de ocorrências raras em intervalo fixo (tempo, área).
  • “Hipergeométrica” é parecido com Binomial, mas sem reposição — eventos dependentes.
  • “Uniforme discreta”: todos os resultados de um conjunto finito são igualmente prováveis.
Agora vamos para cada distribuição em detalhes, com exemplos e fórmulas.

Passo 4

Distribuição de Bernoulli (resumo didático e uso em prova)
  • O que representa: modelo de um único ensaio com dois resultados possíveis: sucesso (com probabilidade p) ou fracasso (com probabilidade 1-p).
  • Situações práticas: lançar uma moeda viciada (cara = sucesso), um teste que detecta defeito (positivo/negativo) numa peça, responder certo/errado numa única questão de múltipla escolha quando há só uma alternativa correta relevante.
  • PMF: P(X=1)=p,\qquad P(X=0)=1-p.Suporte: X\in\{0,1\}.
  • Interpretação dos parâmetros:
    • p é a probabilidade de sucesso no único ensaio.
  • Esperança e variância: \mathbb{E}[X]=p,\qquad \operatorname{Var}(X)=p(1-p).
  • Observação prática: Bernoulli é caso especial da Binomial com n=1.

Passo 5

Distribuição Binomial (detalhada e passos de resolução)
  • O que representa: número de sucessos em n ensaios independentes e idênticos, cada um com probabilidade de sucesso p.
  • Situações práticas: número de erros numa amostra de n componentes testados; número de respostas corretas em n perguntas de verdadeiro/falso; número de clientes que compram entre n que visitam.
  • PMF: P(X=k)=\binom{n}{k} p^k (1-p)^{\,n-k},\qquad k=0,1,\dots,n.Onde \displaystyle \binom{n}{k}=\frac{n!}{k!(n-k)!}.
  • Interpretação dos parâmetros:
    • n é o número de ensaios (fixo);
    • p é a probabilidade de sucesso em cada ensaio (mesma em todos).
  • Esperança e variância: \mathbb{E}[X]=np,\qquad \operatorname{Var}(X)=np(1-p).
  • Observações úteis:
    • Aproximação de Poisson: se n grande e p pequeno com \lambda=np fixo, então Binomial (n,p)\approx Poisson (\lambda).
    • Em prova, identifique independência e n fixo; se sim, use Binomial.

Passo 6

Distribuição Uniforme Discreta (didática e exemplos)
  • O que representa: todos os m resultados possíveis têm igual probabilidade.
  • Situações práticas: sorteio de um número inteiro de 1 a 6 com dado justo; escolher uniformemente um cartão entre m cartas distintas; sortear um aluno de uma turma com igual chance.
  • PMF (suporte com m pontos \{x_1,\dots,x_m\}): P(X=x_i)=\frac{1}{m}\quad\text{para cada }i=1,\dots,m.Exemplo comum: se X é resultado do lançamento de um dado justo, P(X=k)=\frac{1}{6},\qquad k\in\{1,2,3,4,5,6\}.
  • Interpretação dos parâmetros:
    • m é o número de valores igualmente possíveis (ou extremos a e b se for sequência de inteiros).
  • Esperança e variância (para X uniforme em \{1,\dots,m\}): \mathbb{E}[X]=\frac{m+1}{2},\qquad \operatorname{Var}(X)=\frac{m^2-1}{12}.
  • Observação prática: uso quando não há informação que justifique diferenciar probabilidades entre resultados.

Passo 7

Distribuição Geométrica — explicação das duas convenções (Tipo I e Tipo II)
Antes das fórmulas, explicação conceitual:
  • A geométrica modela “esperar até o primeiro sucesso” em ensaios independentes de Bernoulli com probabilidade de sucesso p.
  • Existem duas convenções comuns — convém decorá-las na prova e identificar qual o professor quer:
    • Tipo I (conta o número do ensaio em que ocorre o primeiro sucesso): suporte \{1,2,3,\dots\}.
    • Tipo II (conta o número de falhas antes do primeiro sucesso): suporte \{0,1,2,\dots\}.
  • As duas versões estão relacionadas por Y=X-1 se X é Tipo I e Y é Tipo II.
Agora as fórmulas e interpretações.

Passo 8

Distribuição Geométrica Tipo I (contagem do ensaio que dá o primeiro sucesso)
  • O que representa: número do ensaio onde ocorre o primeiro sucesso.
  • Situações práticas: quantos lançamentos até obter a primeira cara; quantos testes até detectar um defeito.
  • PMF: P(X=k)=(1-p)^{\,k-1} p,\qquad k=1,2,\dots
  • Interpretação do parâmetro:
    • p é a probabilidade de sucesso em cada ensaio.
  • Esperança e variância: \mathbb{E}[X]=\frac{1}{p},\qquad \operatorname{Var}(X)=\frac{1-p}{p^2}.
  • Propriedade importante: memória sem memória (memoryless): P(X>m+n\mid X>m)=P(X>n).Intuição: passado não altera a distribuição do tempo restante até o sucesso.

Passo 9

Distribuição Geométrica Tipo II (contagem de falhas antes do primeiro sucesso)
  • O que representa: número de falhas observadas antes do primeiro sucesso.
  • Situações práticas: quantas tentativas erradas antes de acertar; quantos defeitos encontrados antes do primeiro item perfeito.
  • PMF: P(Y=k)=(1-p)^{\,k} p,\qquad k=0,1,2,\dots
  • Interpretação do parâmetro:
    • p é a probabilidade de sucesso em cada ensaio.
  • Esperança e variância: \mathbb{E}[Y]=\frac{1-p}{p},\qquad \operatorname{Var}(Y)=\frac{1-p}{p^2}.
  • Observação: Tipo II é apenas Tipo I deslocada por 1: Y=X-1.

Passo 10

Distribuição Binomial Negativa (explicação, PMF e parâmetros)
  • O que representa: número de falhas até obter r sucessos (ou, equivalente, número total de ensaios para obter r sucessos — escolha de parámetro de convenção).
  • Situações práticas: quantos clientes rejeitam a oferta até conseguir r vendas; quantas tentativas falhas antes de r-ésimo sucesso em testes.
  • Duas formulações comumente usadas (deixe claro qual você usa na prova):
    • Forma A (contando número de falhas k antes do r-ésimo sucesso; k\in\{0,1,2,\dots\}): P(K=k)=\binom{k+r-1}{k} (1-p)^{\,k} p^{\,r}.Aqui r é número fixo de sucessos desejado e p probabilidade de sucesso.
    • Forma B (contando total de ensaios T até o r-ésimo sucesso; T\in\{r,r+1,\dots\}): P(T=t)=\binom{t-1}{r-1} p^{\,r} (1-p)^{\,t-r}.
  • Interpretação dos parâmetros:
    • r é o número alvo de sucessos (inteiro positivo);
    • p é a probabilidade de sucesso em cada ensaio.
  • Esperança e variância (na parametrização que conta número de falhas K): \mathbb{E}[K]=\frac{r(1-p)}{p},\qquad \operatorname{Var}(K)=\frac{r(1-p)}{p^2}.Para T=K+r, \mathbb{E}[T]=\frac{r}{p}.
  • Observação: para r=1 a Binomial Negativa reduz à Geométrica (Tipo II se contarmos falhas).

Passo 11

Distribuição de Poisson (intuição, PMF, parâmetros e uso prático)
  • O que representa: número de ocorrências de um evento em um intervalo fixo (tempo, área, volume) quando eventos são raros, independentes e taxa média constante.
  • Situações práticas: número de chamadas recebidas numa central em 1 hora; número de acidentes num cruzamento por mês; número de partículas detectadas por segundo.
  • PMF: P(X=k)=\frac{e^{-\lambda}\lambda^{k}}{k!},\qquad k=0,1,2,\dots
  • Interpretação do parâmetro:
    • \lambda>0 é a taxa média de ocorrências no intervalo considerado (valor esperado).
  • Esperança e variância: \mathbb{E}[X]=\lambda,\qquad \operatorname{Var}(X)=\lambda.
  • Relação com Binomial: se n\to\infty, p\to 0 com np=\lambda fixo, então Binomial (n,p)\to Poisson (\lambda). Isso é útil para aproximar Binomial em provas sem calculadora.
  • Observação: Poisson não tem parâmetro de “número de ensaios”; é apropriada quando eventos podem ocorrer muitas vezes mas com baixa probabilidade local.

Passo 12

Distribuição Hipergeométrica (PMF, parâmetros e exemplos)
  • O que representa: número de sucessos em uma amostra de tamanho n retirada sem reposição de uma população finita de tamanho N que contém K sucessos.
  • Situações práticas: tirar n cartas de um baralho sem repor e contar quantas são copas; inspecionar n peças de uma caixa com N peças das quais K são defeituosas e contar defeituosas.
  • PMF: P(X=k)=\frac{\binom{K}{k}\,\binom{N-K}{\,n-k\,}}{\binom{N}{n}},onde k satisfaz \max(0,n-(N-K))\le k\le \min(n,K).
  • Interpretação dos parâmetros:
    • N é o tamanho da população;
    • K é o número de itens “favoráveis” na população;
    • n é o tamanho da amostra retirada sem reposição.
  • Esperança e variância: \mathbb{E}[X]=n\frac{K}{N},\qquad \operatorname{Var}(X)=n\frac{K}{N}\frac{N-K}{N}\frac{N-n}{N-1}.Observação: fator \frac{N-n}{N-1} é a correção pela amostragem sem reposição (finite population correction).
  • Observação prática: quando a amostra é pequena em relação à população ( n\ll N), a Hipergeométrica aproxima-se da Binomial com p=K/N.

Passo 13

Resumo das propriedades especiais úteis para prova (cola rápida)
  • Memória sem memória: Geométrica (ambas as convenções) têm esta propriedade.
  • Soma de Bernoullis independentes: Binomial.
  • Poisson tem média=variância e é limite da Binomial para n grande e p pequeno com np fixo.
  • Hipergeométrica é Binomial sem reposição (dependência entre tiragens); usar correção de população quando necessário.
  • Binomial Negativa com r=1 volta à Geométrica; também pode ser vista como soma de r geométricas independentes (na parametrização adequada).

Passo 14

Exemplo numérico rápido (modo de aplicar na prova)
  • Exemplo prático com Binomial: se n=10 e p=0,3, a probabilidade de exatamente k=3 sucessos é P(X=3)=\binom{10}{3} (0,3)^3 (0,7)^7.Na prova, calcule \binom{10}{3}=120 e então multiplique potências (ou use aproximação/elogio do examinador sobre passo numérico se permitido).
  • Exemplo prático com Geométrica Tipo I: se p=0,2, probabilidade de primeiro sucesso no terceiro ensaio: P(X=3)=(1-0,2)^{2}\cdot 0,2=0,8^{2}\cdot 0,2=0,128.

Resposta

  1. Uma distribuição discreta de probabilidade é a lei de probabilidade de uma variável aleatória que assume valores isolados (contáveis); é descrita por uma função de massa de probabilidade P(X=x) que satisfaz P(X=x)\ge0 e \sum_x P(X=x)=1. Diferença para contínuos: em discretos usamos PMF e somas, em contínuos usamos PDF e integrais; em contínuos P(X=x)=0 para pontos.
a) Distribuição Binomial — P(X=k)=\binom{n}{k} p^k (1-p)^{\,n-k},\quad k=0,\dots,n. Parâmetros: \;n número de ensaios, \;p probabilidade de sucesso em cada ensaio. Representa número de sucessos em n ensaios independentes. Aplicações: número de acertos em n questões, defeitos em amostra com reposição. \mathbb{E}[X]=np,\\ \operatorname{Var}(X)=np(1-p).
b) Distribuição Uniforme Discreta — P(X=x_i)=\frac{1}{m}\\ \text{para }i=1,\dots,m. Parâmetro: m número de resultados equiprováveis. Representa situação onde todos os m resultados são igualmente prováveis (ex.: dado justo). \mathbb{E}[X]=(m+1)/2,\\ \operatorname{Var}(X)=(m^2-1)/12 (caso \{1,\dots,m\}).
c) Distribuição de Bernoulli — P(X=1)=p,\\ P(X=0)=1-p. Parâmetro: p probabilidade de sucesso. Representa um único ensaio com dois resultados. Aplicações: teste binário, sucesso/fracasso. \mathbb{E}[X]=p,\\ \operatorname{Var}(X)=p(1-p).
d) Distribuição Geométrica Tipo I (conta o ensaio do 1.º sucesso) — P(X=k)=(1-p)^{\,k-1}p,\quad k=1,2,\dots. Parâmetro: p probabilidade de sucesso por ensaio. Representa o número do ensaio onde ocorre o primeiro sucesso. \mathbb{E}[X]=1/p,\\ \operatorname{Var}(X)=(1-p)/p^2. Possui propriedade memoryless.
e) Distribuição Geométrica Tipo II (conta o número de falhas antes do 1.º sucesso) — P(Y=k)=(1-p)^{\,k}p,\quad k=0,1,2,\dots. Parâmetro: p. Representa quantas falhas antes do primeiro sucesso; Y=X-1 se X é Tipo I. \mathbb{E}[Y]=(1-p)/p,\\ \operatorname{Var}(Y)=(1-p)/p^2.
f) Distribuição Binomial Negativa — forma (falhas antes de r sucessos): P(K=k)=\binom{k+r-1}{k}(1-p)^{\,k}p^{\,r},\quad k=0,1,2,\dots. Parâmetros: r número de sucessos alvo, p probabilidade de sucesso. Representa número de falhas até obter r sucessos (ou, alternativamente, número total de ensaios até o r-ésimo sucesso). \mathbb{E}[K]=r(1-p)/p,\\ \operatorname{Var}(K)=r(1-p)/p^2.
g) Distribuição de Poisson — P(X=k)=\frac{e^{-\lambda}\lambda^{k}}{k!},\quad k=0,1,2,\dots. Parâmetro: \lambda>0 taxa média de ocorrências no intervalo. Representa número de eventos raros em intervalo fixo (independentes e taxa constante). \mathbb{E}[X]=\lambda,\\ \operatorname{Var}(X)=\lambda. Aproxima Binomial quando n grande, p pequeno e np=\lambda.
h) Distribuição Hipergeométrica — P(X=k)=\frac{\binom{K}{k}\binom{N-K}{\,n-k\,}}{\binom{N}{n}}, com \max(0,n-(N-K))\le k\le\min(n,K). Parâmetros: N tamanho da população, K número de itens “favoráveis” na população, n tamanho da amostra sem reposição. Representa número de sucessos na amostra sem reposição. \mathbb{E}[X]=n\frac{K}{N},\\ \operatorname{Var}(X)=n\frac{K}{N}\frac{N-K}{N}\frac{N-n}{N-1}.

Exercícios relacionados