Exercício 01 : Para compreender e caracterizar os principais modelos discretos de probabilidade, descreva de forma clara e objetiva:
- Explique o que é uma distribuição (ou modelo) discreta de probabilidade, destacando suas principais características e diferenças em relação aos modelos contínuos.
- 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.
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:
- 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.
- 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
tem uma distribuição discreta se ela só pode assumir valores isolados (contáveis), por exemplo ou . Para cada possível valor existe uma probabilidade . - Propriedades essenciais da função de massa de probabilidade (PMF):
O “suporte” é o conjunto dos valores possíveis de
.
- Diferença básica para modelos contínuos:
- Em modelos discretos usamos PMF:
é a probabilidade de assumir exatamente o valor . - Em modelos contínuos usamos função densidade (PDF)
e probabilidades de pontos são : . Para contínuos calculamos probabilidades em intervalos via integral: . - Em discretos somamos; em contínuos integramos.
- Em modelos discretos usamos PMF:
- Esperança (valor esperado) e variância para variáveis discretas — fórmulas e interpretação:
Interpretação:
é uma média ponderada dos possíveis valores;
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
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
-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
) ou fracasso (com probabilidade ). - 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:
Suporte: . - Interpretação dos parâmetros:
-
é a probabilidade de sucesso no único ensaio.
-
- Esperança e variância:
- Observação prática: Bernoulli é caso especial da Binomial com
.
Passo 5
Distribuição Binomial (detalhada e passos de resolução)
- O que representa: número de sucessos em
ensaios independentes e idênticos, cada um com probabilidade de sucesso . - Situações práticas: número de erros numa amostra de
componentes testados; número de respostas corretas em perguntas de verdadeiro/falso; número de clientes que compram entre que visitam. - PMF:
Onde . - Interpretação dos parâmetros:
-
é o número de ensaios (fixo); -
é a probabilidade de sucesso em cada ensaio (mesma em todos).
-
- Esperança e variância:
- Observações úteis:
- Aproximação de Poisson: se
grande e pequeno com fixo, então Binomial Poisson . - Em prova, identifique independência e
fixo; se sim, use Binomial.
- Aproximação de Poisson: se
Passo 6
Distribuição Uniforme Discreta (didática e exemplos)
- O que representa: todos os
resultados possíveis têm igual probabilidade. - Situações práticas: sorteio de um número inteiro de
a com dado justo; escolher uniformemente um cartão entre cartas distintas; sortear um aluno de uma turma com igual chance. - PMF (suporte com
pontos ): Exemplo comum: se é resultado do lançamento de um dado justo, - Interpretação dos parâmetros:
-
é o número de valores igualmente possíveis (ou extremos e se for sequência de inteiros).
-
- Esperança e variância (para
uniforme em ): - 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:
Antes das fórmulas, explicação conceitual:
- A geométrica modela “esperar até o primeiro sucesso” em ensaios independentes de Bernoulli com probabilidade de sucesso
. - 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
. - Tipo II (conta o número de falhas antes do primeiro sucesso): suporte
.
- Tipo I (conta o número do ensaio em que ocorre o primeiro sucesso): suporte
- As duas versões estão relacionadas por
se é Tipo I e 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:
- Interpretação do parâmetro:
-
é a probabilidade de sucesso em cada ensaio.
-
- Esperança e variância:
- Propriedade importante: memória sem memória (memoryless):
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:
- Interpretação do parâmetro:
-
é a probabilidade de sucesso em cada ensaio.
-
- Esperança e variância:
- Observação: Tipo II é apenas Tipo I deslocada por 1:
.
Passo 10
Distribuição Binomial Negativa (explicação, PMF e parâmetros)
- O que representa: número de falhas até obter
sucessos (ou, equivalente, número total de ensaios para obter sucessos — escolha de parámetro de convenção). - Situações práticas: quantos clientes rejeitam a oferta até conseguir
vendas; quantas tentativas falhas antes de -ésimo sucesso em testes. - Duas formulações comumente usadas (deixe claro qual você usa na prova):
- Forma A (contando número de falhas
antes do -ésimo sucesso; ): Aqui é número fixo de sucessos desejado e probabilidade de sucesso. - Forma B (contando total de ensaios
até o -ésimo sucesso; ):
- Forma A (contando número de falhas
- Interpretação dos parâmetros:
-
é o número alvo de sucessos (inteiro positivo); -
é a probabilidade de sucesso em cada ensaio.
-
- Esperança e variância (na parametrização que conta número de falhas
): Para , . - Observação: para
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:
- Interpretação do parâmetro:
-
é a taxa média de ocorrências no intervalo considerado (valor esperado).
-
- Esperança e variância:
- Relação com Binomial: se
, com fixo, então Binomial Poisson . 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
retirada sem reposição de uma população finita de tamanho que contém sucessos. - Situações práticas: tirar
cartas de um baralho sem repor e contar quantas são copas; inspecionar peças de uma caixa com peças das quais são defeituosas e contar defeituosas. - PMF:
onde satisfaz . - Interpretação dos parâmetros:
-
é o tamanho da população; -
é o número de itens “favoráveis” na população; -
é o tamanho da amostra retirada sem reposição.
-
- Esperança e variância:
Observação: fator é a correção pela amostragem sem reposição (finite population correction). - Observação prática: quando a amostra é pequena em relação à população (
), a Hipergeométrica aproxima-se da Binomial com .
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
grande e pequeno com fixo. - Hipergeométrica é Binomial sem reposição (dependência entre tiragens); usar correção de população quando necessário.
- Binomial Negativa com
volta à Geométrica; também pode ser vista como soma de geométricas independentes (na parametrização adequada).
Passo 14
Exemplo numérico rápido (modo de aplicar na prova)
- Exemplo prático com Binomial: se
e , a probabilidade de exatamente sucessos é Na prova, calcule e então multiplique potências (ou use aproximação/elogio do examinador sobre passo numérico se permitido). - Exemplo prático com Geométrica Tipo I: se
, probabilidade de primeiro sucesso no terceiro ensaio:
Resposta
- 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
que satisfaz e . Diferença para contínuos: em discretos usamos PMF e somas, em contínuos usamos PDF e integrais; em contínuos para pontos.
a) Distribuição Binomial —
Parâmetros:
número de ensaios,
probabilidade de sucesso em cada ensaio. Representa número de sucessos em
ensaios independentes. Aplicações: número de acertos em
questões, defeitos em amostra com reposição.
b) Distribuição Uniforme Discreta —
Parâmetro:
número de resultados equiprováveis. Representa situação onde todos os
resultados são igualmente prováveis (ex.: dado justo).
(caso
).
c) Distribuição de Bernoulli —
Parâmetro:
probabilidade de sucesso. Representa um único ensaio com dois resultados. Aplicações: teste binário, sucesso/fracasso.
d) Distribuição Geométrica Tipo I (conta o ensaio do 1.º sucesso) —
Parâmetro:
probabilidade de sucesso por ensaio. Representa o número do ensaio onde ocorre o primeiro sucesso.
Possui propriedade memoryless.
e) Distribuição Geométrica Tipo II (conta o número de falhas antes do 1.º sucesso) —
Parâmetro:
. Representa quantas falhas antes do primeiro sucesso;
se
é Tipo I.
f) Distribuição Binomial Negativa — forma (falhas antes de
sucessos):
Parâmetros:
número de sucessos alvo,
probabilidade de sucesso. Representa número de falhas até obter
sucessos (ou, alternativamente, número total de ensaios até o
-ésimo sucesso).
g) Distribuição de Poisson —
Parâmetro:
taxa média de ocorrências no intervalo. Representa número de eventos raros em intervalo fixo (independentes e taxa constante).
Aproxima Binomial quando
grande,
pequeno e
.
h) Distribuição Hipergeométrica —
com
. Parâmetros:
tamanho da população,
número de itens “favoráveis” na população,
tamanho da amostra sem reposição. Representa número de sucessos na amostra sem reposição.