Logo Passei Direto
Buscar

Apostila de Fundamentos de Estatística Aplicada (pós‑graduação em Ciência de Dados) sobre variáveis aleatórias: definição discreta/contínua, distribuições de probabilidade (discreta e normal), valor esperado, exemplos (moedas, dado), fórmulas; cita binomial e Poisson.

User badge image
Douglas

em

Material
páginas com resultados encontrados.
páginas com resultados encontrados.

Escolha uma das opções e acesse esse e outros materiais sem bloqueio. 🤩

Cadastre-se ou realize login

Ao continuar, você aceita os Termos de Uso e Política de Privacidade

Escolha uma das opções e acesse esse e outros materiais sem bloqueio. 🤩

Cadastre-se ou realize login

Ao continuar, você aceita os Termos de Uso e Política de Privacidade

Escolha uma das opções e acesse esse e outros materiais sem bloqueio. 🤩

Cadastre-se ou realize login

Ao continuar, você aceita os Termos de Uso e Política de Privacidade

Escolha uma das opções e acesse esse e outros materiais sem bloqueio. 🤩

Cadastre-se ou realize login

Ao continuar, você aceita os Termos de Uso e Política de Privacidade

Escolha uma das opções e acesse esse e outros materiais sem bloqueio. 🤩

Cadastre-se ou realize login

Ao continuar, você aceita os Termos de Uso e Política de Privacidade

Escolha uma das opções e acesse esse e outros materiais sem bloqueio. 🤩

Cadastre-se ou realize login

Ao continuar, você aceita os Termos de Uso e Política de Privacidade

Escolha uma das opções e acesse esse e outros materiais sem bloqueio. 🤩

Cadastre-se ou realize login

Ao continuar, você aceita os Termos de Uso e Política de Privacidade

Escolha uma das opções e acesse esse e outros materiais sem bloqueio. 🤩

Cadastre-se ou realize login

Ao continuar, você aceita os Termos de Uso e Política de Privacidade

Escolha uma das opções e acesse esse e outros materiais sem bloqueio. 🤩

Cadastre-se ou realize login

Ao continuar, você aceita os Termos de Uso e Política de Privacidade

Escolha uma das opções e acesse esse e outros materiais sem bloqueio. 🤩

Cadastre-se ou realize login

Ao continuar, você aceita os Termos de Uso e Política de Privacidade

Prévia do material em texto

UNICARIOCA
CURSO DE PÓS-GRADUAÇÃO 
ESPECIALIZAÇÃO EM CIÊNCIA DE DADOS 
FUNDAMENTOS DE 
ESTATÍSTICA APLICADA
ANÁLISE COMPUTACIONAL
VARIÁVEIS ALEATÓRIAS
VALOR ESPERADO
DISTRIBUIÇÕES DE
PROBABILIDADE DISCRETA
BINOMIAL - POISSON
VARIÁVEL ALEATÓRIA  é a função que associa a
cada elemento do ESPAÇO AMOSTRAL S de um
experimento aleatório, um NÚMERO.
É uma variável quantitativa, cujo resultado (valor)
depende de fatores aleatórios. As variáveis aleatórias
podem ser DISCRETAS ou CONTÍNUAS.
PROBABILIDADE VARIÁVEL ALEATÓRIA 
EXEMPLOS
• Número de acessos a um servidor em uma semana
• Número de candidatos a uma vaga para Cientista de Dados
em um concurso do SERPRO, PETROBRÁS...
• Taxa de câmbio na abertura do IBOVESPA
• Produção brasileira anual de trigo
• Preço do barril de petróleo na abertura do pregão da bolsa de
FRANKFURT... Frankfurter Wertpapierbörse
• .......
PROBABILIDADE
Exemplo: Considere o experimento aleatório que consiste no
lançamento simultâneo de duas moedas. O ESPAÇO
AMOSTRAL (S) correspondente a esse experimento aleatório é:
S = { (Ca,Ca), (Ca,Co), (Co,Ca), (Co,Co) }.
Ponto Amostral
X 
(nº caras)
Y
(nº coroas)
(Ca,Ca) 2 0
(Ca,Co) 1 1
(Co,Ca) 1 1
(Co,Co) 0 2
X E Y ASSIM DEFINIDAS SÃO VARIÁVEIS ALEATÓRIAS !
DISCRETAS ou CONTÍNUAS ?
PROBABILIDADE
Qual seria a probabilidade de no lançamento simultâneo de
duas moedas se obter duas caras (X = 2) ?
Ponto Amostral X (nº caras) Y (nº coroas)
(Ca,Ca) 2 0
(Ca,Co) 1 1
(Co,Ca) 1 1
(Co,Co) 0 2
Qual a probabilidade de se obter pelo menos uma cara (X=1 ou
X=2) ?
Qual a probabilidade de se obter exatamente uma coroa (Y=1) ?
Temos: P(X=2) = 1/4  uma possibilidade no total de 4 !
Temos: P(X =1 ou X=2) = 3/4. 
Temos: P(Y=1) = 2/4 = 1/2.
S = { (Ca,Ca), (Ca,Co), (Co,Ca), (Co,Co) } n(S) = 4 
DISTRIBUIÇÃO DE PROBABILIDADE
VARIÁVEL ALEATÓRIA DISCRETA  é uma TABELA
especificando a probabilidade de que a variável aleatória
assuma cada um dos valores possíveis.
VARIÁVEL ALEATÓRIA CONTÍNUA  é uma FUNÇÃO
especificando a probabilidade de que a variável aleatória
assuma um valor em cada um dos INTERVALOS de
variação possíveis para a variável considerada.
DISTRIBUIÇÃO DE PROBABILIDADE
VARIÁVEL ALEATÓRIA DISCRETA X é a função P(X = x)
que determina a probabilidade de X assumir o VALOR x.
VARIÁVEL ALEATÓRIA CONTÍNUA é a função que
determina a probabilidade de X assumir VALORES em um
determinado INTERVALO, P(a ≤ X ≤ b).
Exemplo-1 Considere o experimento aleatório do exemplo
anterior que consiste no lançamento simultâneo de duas
moedas. Considere também que X é a variável aleatória que
mede o número de caras obtidas no lançamento. A distribuição
de probabilidade correspondente a variável aleatória X é dada
pela tabela:
X 0 1 2
P(X) 1/4 2/4 ¼ onde  P(X) = 1
P(X) 25% 50% 25%
DISTRIBUIÇÃO DE PROBABILIDADE
Ponto 
Amostral
X 
(nºcaras)
(Ca,Ca) 2
(Ca,Co) 1
(Co,Ca) 1
(Co,Co) 0
1/4 + 2/4 + 1/4 = 4/4 = 1
SOMA DAS PROBABILIDADES É IGUAL A 1 !
DISTRIBUIÇÃO DE PROBABILIDADE DISCRETA
Exemplo-2 - Suponha o experimento aleatório correspondente
ao lançamento de um dado honesto e que X represente o
ponto obtido. Qual a distribuição de probabilidade ?
X 1 2 3 4 5 6
P( X ) 1/6 1/6 1/6 1/6 1/6 1/6  P(X) = 1
Probabilidade de sair 4 no lançamento de um dado (X=4) é
P(X=4) = 1/6.
A probabilidade de sair um número menor ou igual a 4 (X≤4) é:
P(X≤4) = P(X=1) + P(X=2) + P(X=3) + P(X=4) =
= 1/6 + 1/6 + 1/6 + 1/6 = 4/6 = 2/3.
DISTRIBUIÇÃO DE PROBABILIDADE
DISTRIBUIÇÃO DE PROBABILIDADE DISCRETA
Se X é uma variável aleatória contínua a função
P(X) é denominada FUNÇÃO DE DENSIDADE
DE PROBABILIDADE.
DISTRIBUIÇÃO DE PROBABILIDADE CONTÍNUA
PROBABILIDADE
A área total limitada por essa curva e pelo eixo dos x é igual a 1
ou seja, é igual a soma de todas as probabilidades. A área
compreendida entre X = a e X = b dá a probabilidade de X estar
entre a e b, ou seja, P(a ≤ X ≤ b).
)(xf
 ≤≤==
b
a
bxaPdxxfÁrea )()(
( )
2
2
2e.
2
1
)( σ
µ
πσ
−−
=
x
xf
Onde
µ = MÉDIA
σ = DESVIO PADRÃO
π = 3.14159  VALOR DE PI
e = 2.71828  BASE DO LOGARITMO NEPERIANO
)(xf
PROBABILIDADE 
SE X TIVER UMA DISTRIBUIÇÃO NORMAL VALOR ESPERADO  Suponhamos que a variável
aleatória X assuma um dos valores x1, x2, ..., xk, com
as respectivas probabilidades p(x1), p(x2), ... , p(xk),
onde p(x1) + p(x2) +...+ p(xk) = 1.
Então o VALOR ESPERADO (Esperança/Expectância)
desta variável aleatória é definido por:
E (X) =  xi . p(xi)  é a soma de xi vezes as suas
respectivas probabilidades !
E (X) =  xi . p(xi)  VALOR ESPERADO !

 ×
==
i
ii
f
xf
xxMédia )(

×++×+×
=
if
fxfxfx
x 10102211
....
São 10 valores...

×
++
×
+
×
=
iii f
fx
f
fx
f
fx
x 10102211 ......
x(notas) f fri
1 3 6%
2 4 8%
3 5 10%
4 6 12%
5 7 14%
6 9 18%
7 9 18%
8 4 8%
9 2 4%
10 1 2%
Total 50
E (X) =  xi . p(xi)

×
++
×
+
×
=
iii f
fx
f
fx
f
fx
x 10102211 ......

×++×+×=
iii f
f
x
f
f
x
f
f
xx 1010
2
2
1
1 ....
)(....)()( 10102211 xpxxpxxpxx ×++×+×=
....... )( )(, 2
2
1
1 xp
f
f
xp
f
f
Mas
ii
==

RESUMINDO.......
VALOR ESPERADO = MÉDIA ! 
VALOR ESPERADO
Exemplo-1: Suponha um jogo disputado com um
dado honesto, em que um jogador ganha R$ 20,00 se
o resultado é 2, R$ 40,00 se o resultado é 4, perde
R$ 30,00 se o resultado é 6, e não ganha nem perde
se aparecer qualquer das outras faces. Determine
seu GANHO ESPERADO.
Seja X a variável aleatória que representa a QUANTIA
GANHA em uma jogada qualquer.
Resultado 1, 3 ou 5 2 4 6
Xi R$ 0,00 + R$ 20,00 + R$ 40,00 - R$ 30,00
P(Xi) 3/6 1/6 1/6 1/6
O valor esperado E(X) da variável X é dado por:
5
6
1
30
6
1
40
6
1
20
6
3
0)( =×−×+×+×=XE
A sua distribuição de probabilidade é:
O GANHO ESPERADO é de R$ 5,00 !
VOCÊ ENTRARIA NESSE JOGO ?
MODELAGEM Exemplo-2 A tabela abaixo mostra os ATIVOS x e y (variáveis
aleatórias) e seus RETORNOS. Qual o retorno esperado do
ativo x e do ativo y?
20206010205X ,,, ×+×+×−= 461X ++−= 9X =
204060102010Y ,,, ×+×+×−=
v
862Y ++−= 12Y =
PERÍODO
I II III
probabilidade 0,2 0,6 0,2
retorno
ativo x -5 10 20
ativo y -10 10 40
Carpe Diem
FUNDAMENTOS DE 
ESTATÍSTICA APLICADA 
DISTRIBUIÇÕES DE
PROBABILIDADE DISCRETA
BINOMIAL - POISSON
ANÁLISE COMPUTACIONAL
DISTRIBUIÇÕES DISCRETAS
DISTRIBUIÇÃO BINOMIAL  Utilizada para modelar
situações em que os dados podem ser grupados em
DUAS CLASSES ou CATEGORIAS como, por
exemplo: respostas a um teste do tipo V ou F,
respostas do tipo SIM ou NÃO a um questionário,
produtos COM ou SEM DEFEITO, pessoas
VACINADAS ou NÃO VACINADAS, datagramas
transmitidos COM ERRO ou SEM ERRO, etc.
DISTRIBUIÇÕES DISCRETAS
Seja p a probabilidade de um evento OCORRER em
uma única tentativa (probabilidade de sucesso) e seja
q = 1 - p a probabilidade dele NÃO OCORRER. Então
a probabilidade do evento ocorrer EXATAMENTE x
vezes em n tentativas é dada por:
xnxx
n qpCxXP
−××== )(
BINOMIAL
Os experimentos que seguem esta distribuição devem
satisfazer as seguintes condições:
• O experimento deve ser repetido, nas mesmas
condições, um NÚMERO FINITO de vezes (n).
• As tentativas repetidas devem ser INDEPENDENTES.
O resultado de uma não deve afetar os resultados das
seguintes.
• Em cada tentativa só deve aparecer um dos dois
resultados: SUCESSO ou INSUCESSO.
• No decorrer do experimento, a probabilidade p de
SUCESSO e a probabilidade q de INSUCESSO
deverão permanecer CONSTANTES.
DISTRIBUIÇÃO BINOMIAL NO AMBIENTE EMPRESARIAL
UTILIZADA COMO:
FERRAMENTA DE QUALIFICAÇÃO DA GESTÃO!
O gestor pode fazer a distribuição da probabilidade
para saber quais as chances de sucesso dentro de
certa quantidade de provas ou tentativas!
Qual a importância para o gestor? 
Pode agir de forma preventiva!
Exemplo: evitar que a empresa tenha prejuízos com
recalls ou trocas!
01- Uma caixa de ovos com 6 unidades possui
probabilidade de 5% de ser quebrado em 3 situações:
enquanto é manuseado, no transporte e nas gôndolas.
Qual a probabilidade de na mesma caixa de ovos
existirem 2 unidadesquebradas?
Exemplos Exemplos
02- Em uma fábrica de lâmpadas há uma linha de
produção apenas para lâmpadas incandescentes.
O embalamento é feito de forma que 10 unidades das
lâmpadas são colocadas em cada embalagem.
O gestor sabe que, dessa linha de produção, a
probabilidade de sair uma lâmpada com defeito
corresponde a 5%.
Ele deseja saber...
Qual a probabilidade de serem embaladas 3 lâmpadas
com defeito na mesma embalagem?
PROBABILIDADE
Exemplo-1 Qual a probabilidade de se obter
exatamente 2 caras em 6 lances de uma moeda não
viciada.
Temos:
n = 6  número de jogadas (tentativas)
x = 2  número de ocorrências do evento desejado
p = ½  probabilidade de ocorrência do evento
desejado (sucesso) - dar cara !
q = ½  probabilidade de não ocorrência do evento
desejado (insucesso) - não dar cara !
xnxx
n qpCxXP
−××== )(
FÓRMULA DA BINOMIAL !
PROBABILIDADE
n = 6  número de jogadas
x = 2  número de ocorrências do evento desejado
p = ½  probabilidade de ocorrência do evento
desejado (sucesso) - dar cara
q = ½  probabilidade de não ocorrência do evento
desejado (insucesso) - não dar cara
64
15
2
1
!4 !2
!6
2
1
2
1
)2(
642
2
6 =





×
×
=





×





×== CXP
xnxx
n qpCxXP
−××== )(
15/64 = 0,234375 = 23,43%
NO R
dbinom (x , tentativas, probabilidade) 
Onde:
x  é o número de tentativas bem-sucedidas.
TENTATIVAS  é o número total de tentativas (n).
PROBABILIDADE  é a probabilidade de SUCESSO em cada
tentativa.
dbinom (2 , 6, 0.5) = 0,234375
Probabilidade de se obter exatamente 2 caras em 6 lances de
uma moeda não viciada.
R
NO R dbinom (x , tentativas, probabilidade) 
OUTROS EXEMPLOS
dbinom (1 , 2, 0.5) = 0,50
dbinom (2 , 2, 0.5) = 0,25
dbinom (0 , 2, 0.5) = 0,25
Nenhuma cara, uma cara e duas caras em 2 lançamentos de
uma moeda.
pbinom (2 , 2, 0.5) = 1,00
No MÁXIMO duas caras em dois lançamentos!
 x = 0 nenhuma cara
 x = 1 uma cara
 x = 2 duas caras
dbinom (x , tentativas, probabilidade)  EXATAMENTE!
pbinom (x , tentativas, probabilidade)  NO MÁXIMO!
ACUMULADA
R
PROBABILIDADE
Exemplo-2 Qual a probabilidade de se obter pelo
menos 4 caras em 6 lances de uma moeda não
viciada.
Temos:
n = 6  número de jogadas
x = 4  número de ocorrências do evento desejado
p = ½  probabilidade de ocorrência do evento
desejado (sucesso) - dar cara
q = ½  probabilidade de não ocorrência do evento
desejado (insucesso) - não dar cara
xnxx
n qpCxXP
−××== )(
FÓRMULA DA BINOMIAL !
PROBABILIDADE
Solução: Aqui como é pedida a probabilidade de se
obter pelo menos 4 caras, temos que somar as
probabilidades de se obter 4, 5 ou 6 caras.
Assim P(X ≥ 4) = P(X = 4) + P(X = 5) + P(X = 6)
64
15
2
1
2
1
)4(
24
4
6 =





×





×== CXP
64
6
2
1
2
1
)5(
15
5
6 =





×





×== CXP
64
1
2
1
2
1
)6(
06
6
6 =





×





×== CXP
P(X≥4)=P(X=4)+P(X=5)+P(X=6)=15/64 + 6/64 + 1/64 = 22/64
22/64 = 0,343750 = 34,37%
NO R
pbinom (x , tentativas, probabilidade) 
dbinom (5 , 6 , 0.5) = 0.09375
dbinom (6, 6 , 0.5) = 0.015625
dbinom (4 , 6 , 0.5) = 0.234375
pbinom (3 , 6, 0.5) = 0.65625  ATÉ 3 CARAS!
Ou....
1- 0.65625 = 0.3437
PELO MENOS 4 CARAS = 1 – ATÉ 3 CARAS
Somando = 0.34375
MELHOR....
pbinom (3 , 6, 0.5, lower.tail = FALSE)
0.34375
DISTRIBUIÇÕES DISCRETAS
PROPRIEDADES DA DISTRIBUIÇÃO BINOMIAL
pn ×=µ
qpn ××=2σ
qpn ××=σ
MÉDIA 
VARIÂNCIA 
DESVIO PADRÃO 
DISTRIBUIÇÕES DISCRETAS
Exemplo: Calcular a média (o número esperado) de caras em
100 lançamentos de uma moeda não viciada.
Temos:
n = 100
p = ½ (probabilidade de ocorrer cara)  sucesso
µ = n × p = 100 × 1/2 = 50.
Esse é o valor que responderíamos intuitivamente !!!!
A variância e o desvio padrão são dados por:
Variância σ2 = n × p × q = 100 × ½ × ½ = 25
Desvio padrão = 525 ==σ
EXERCÍCIOS
Na Pesquisa Nacional de Saúde do Escolar (IBGE), aferiu-se
que dentre os alunos brasileiros de 9º ano, cerca de 79%
receberam orientação sobre prevenção de gravidez na escola.
CONTEXTO
Suponha uma amostra da população dos alunos de 9º ano.
Se escolhermos aleatoriamente 10 alunos nesta faixa escolar,
podemos encontrar 10 pessoas que receberam orientações
sobre a gravidez na escola.
Pode ser também que, na nossa amostra, nenhum aluno tenha
recebido tais orientações.
Como mensurar as PROBABILIDADES desses eventos?
Eles são prováveis ou não?
Podemos calcular as probabilidades desejadas usando o
modelo BINOMIAL?
Obs. Suponha que a exposição referente à prevenção de
gravidez seja independente para cada indivíduo da amostra.
01- Qual a probabilidade de que em uma amostra de 100 alunos
80 tenham recebido orientações sobre a gravidez na escola?
02- Qual a probabilidade de que em uma amostra de 100 alunos
no máximo 80 tenham recebido orientações sobre a gravidez
na escola?
03- Qual a probabilidade de que em uma amostra de 100 alunos
mais de 80 tenham recebido orientações sobre a gravidez na
escola?
01- Qual a probabilidade de que em uma amostra de 100 alunos
80 tenham recebido orientações sobre a gravidez na escola?
#-----------------------------------
#01 
#-----------------------------------
# 80 receberam orientações
#-----------------------------------
p = 0.79
n = 100
x = 80
(dbinom(x,n,p)
message("prob = ",round(dbinom(x,n,p),4))
#-----------------------------------
02- Qual a probabilidade de que em uma amostra de 100 alunos
no máximo 80 tenham recebido orientações sobre a gravidez
na escola?
#-------------------------
#02 
#-------------------------
# no máximo 80 
#-------------------------
x = 80
pbinom(x,n,p)
message("prob max 80 = ",round(pbinom(x,n,p),4))
#-------------------------
03- Qual a probabilidade de que em uma amostra de 100 alunos
mais de 80 tenham recebido orientações sobre a gravidez na
escola?
#-------------------------
#03 
#-------------------------
# mais de 80 
#-------------------------
x = 80
1-pbinom(x,n,p)
prob=pbinom(x,n,p,lower.tail=FALSE)
message("prob max 80 = ",round(prob,4))
#-------------------------
GRÁFICO DA BINOMIAL 
#============================
# GRÁFICO DA BINOMIAL
#============================
n=10
p=0.5
x <- 0:10
fx <- dbinom(x, n, p) 
plot(x, fx, type='h')
Fx <- pbinom(x, n, p)
plot(x, Fx, type='S')
Considere a seguinte BINOMIAL
n=100
p=0.5
x <- 0:100
04- Faça o gráfico da distribuição de probabilidade
absoluta (fx)
05- Faça o gráfico da distribuição de probabilidade
acumulada (Fx)
06- Qual o valor máximo de fx ?
07- Em que posição de fx o valor máximo ocorre?
08- Qual a média de x e de fx?
09- Qual o valor máximo de Fx?
10- Qual a variância de x ?
EXERCÍCIOS
BINOMIAL - OUTRAS FUNÇÕES 
qbinom - o inverso” da função dbinom.
Quando utilizamos qbinom estamos interessados em obter os
quantis da distribuição binomial.
Se queremos o quantil referente ao percentil de ordem 0.95,
estamos interessados num determinado valor de sucessos que
seja maior do que 95% dos valores de sucesso possíveis.
qbinom(percentil,n,probabilidade)
Exemplo
qbinom(0.95,10,0.90) = 10
10 é o valor de x que é maior que 0.95 (95%) das observações 
Se dbinom(8,10,0.90) = 0.1937102
Então qbinom (0.1937102,10,0.90) = 8
Ou qbinom (dbinom(8,10,0.90) , 10 , 0.90) = 8
BINOMIAL - OUTRAS FUNÇÕES 
rbinom - gera valores de uma distribuição binomial
rbinom(n , x , probabilidade)
Exemplo
rbinom(20,10,0.50)
6 5 6 8 5 6 4 4 6 3 7 4 5 4 9 5 8 8 6 6
n - números de experimentos 
x - número de sucessos
p - probabilidade sucesso 
EXERCÍCIO-02
A EMBRAPA desenvolveu um novo fungicida para combate ao
oídio nas plantações de soja. No entanto, é necessário um
estudo de dose-resposta para que o fungicida não seja
absorvido pela planta e torne o grão não adequado para
alimentação. Aplicou-se o fungicida em 100 pés de soja.
Sabendo-se que a eficiência do fungicida é de 80% determine:
11- a probabilidade de que o oídio seja eliminado em
exatamente 80 pés de soja.
12- a probabilidade de que o oídio seja eliminado em no
máximo 80 pés de soja.
13- a probabilidade de que o oídioseja eliminado nos 100 pés
de soja.
14- a distribuição de probabilidade do experimento
15- faça o gráfico das probabilidades binomiais
FEA_EX_05
01- Uma caixa de ovos com 6 unidades possui
probabilidade de 5% de ser quebrado em 3 situações:
enquanto é manuseado, no transporte e nas gôndolas.
Qual a probabilidade de na mesma caixa de ovos
existirem 2 unidades quebradas?
RESPOSTAS AOS GESTORES
R-01 = ?
ANTES DE POISSON...
02- Em uma fábrica de lâmpadas há uma linha de
produção apenas para lâmpadas incandescentes.
O embalamento é feito de forma que 10 unidades das
lâmpadas são colocadas em cada embalagem.
O gestor sabe que, dessa linha de produção, a
probabilidade de sair uma lâmpada com defeito
corresponde a 5%.
Ele deseja saber...
Qual a probabilidade de serem embaladas 3
lâmpadas com defeito na mesma embalagem?
R-02 = ?
FUNDAMENTOS DE 
ESTATÍSTICA APLICADA 
DISTRIBUIÇÕES DE
PROBABILIDADE DISCRETA
BINOMIAL - POISSON
ANÁLISE COMPUTACIONAL
DISTRIBUIÇÕES DISCRETAS
DISTRIBUIÇÃO DE POISSON 
BINOMIAL - variável de interesse é número de sucessos
em um intervalo de tempo discreto (n provas).
Muitas vezes, entretanto estamos interessados no número
de ocorrências (sucessos) em um intervalo contínuo:
como, por exemplo, número de chamadas telefônicas por
minuto, número de partículas emitidas por uma substância
radioativa por minuto, número de acessos a um site em
um intervalo de tempo, etc.
DISTRIBUIÇÕES DISCRETAS
A distribuição de Poisson é definida como se segue:
!
)(
x
e
xXP
x λλ −
==
onde, x = 0,1,2,3,4.... é o número de ocorrências (x ≥ 0) que se
deseja calcular a probabilidade e λ > 0 é o número médio
dessas ocorrências (sucessos) no intervalo ou região
considerada.
e = 2,71828...  número de Euler.
PROPRIEDADES DA DISTRIBUIÇÃO DE POISSON
os eventos em um determinado intervalo são independentes.
a probabilidade de ocorrência em um intervalo é
proporcional ao tamanho do intervalo.
a probabilidade de ocorrência de mais de um sucesso em um
intervalo muito pequeno é desprezível.
A média a variância e o desvio-padrão são dados por:
λσ =
Média µ = λ
Variância σ2 = λ
Desvio Padrão
Exemplo-1 A procura semanal de certa peça
sobressalente pode ser modelada segundo uma
distribuição de Poisson com média igual a 0,15 por
semana. Em uma semana, a probabilidade de ser
pedida ao menos uma peça é, aproximadamente:
(e-0,15)= 0,8607.
!
)(
x
e
xXP
x λλ −
==
P (pelo menos 1) = 1 - P(nenhuma)
P(nenhuma)  x = 0 !
!
)(
x
e
xXP
x λλ −
==
λ = 0,15
x = 0 
P (pelo menos 1) = 1 - P(nenhuma)
P(nenhuma)  x = 0 !
15,0
15,00
!0
15,0
)0(
−
−
=== e
e
XP (e-0,15)= 0,8607
8607,0)0( ==XP
P (pelo menos 1) = 1 - 0,8607
P (pelo menos 1) = 0,14 = 14%
!
)(
x
e
xXP
x λλ −
==
P (pelo menos 1) = 1 - P(nenhuma x=0)
λ = 0,15
x = 0 
dpois (x , taxa de ocorrência) 
dpois (0, 0.15)
dpois (0, 0.15) = 0,8607
P (pelo menos 1) = 1 - 0,8607
P (pelo menos 1) = 0,14 = 14%
dpois (x , lambda) 
ROTINAS NO R
ppois (x , lambda) 
exatamente x ocorrências 
até x ocorrências (acumulado) 
EXERCÍCIOS
As chamadas telefônicas chegam a uma delegacia de
polícia à uma taxa de 8 chamadas por hora, em dias úteis.
01- Quantas chamadas de emergência são esperadas
em um período de 15 minutos?
02- Qual a probabilidade de nenhuma chamada em um
período de 15 minutos?
03- Qual a probabilidade de ocorrer pelo menos duas
chamadas no período de 15 minutos?
04- Qual a probabilidade de ocorrer exatamente duas
chamadas em 20 minutos? FEA_EX_05
You can get it if you really want,
But you must try, 
Try and try,
You'll succeed at last ! 
Jimmy Cliff
Carpe Diem