Sei sulla pagina 1di 20

1. NOÇÕES BÁSICAS DE PROBABILIDADE

Definições:

Experimento aleatório: É quando um experimento pode apresentar resultados diferentes, quando repetido nas mesmas condições.

Espaço amostral: é o conjunto de todos os resultados possíveis de um experimento aleatório. Indicamos espaço amostral por S e o número de seus elementos por n(S), por exemplo:

Lançando-se uma moeda duas vezes, ao acaso, a leitura da face superior pode apresentar os seguintes resultados possíveis: (K,K), (K,C), (C,K), (C,C). Logo, S={(K,K), (K,C), (C,K), (C,C)} e n(S) = 4.

Evento: Chama-se evento a qualquer subconjunto de um espaço amostral. Considerando o lançamento de um dado e a leitura dos pontos da face superior temos o espaço amostral S = {1, 2, 3, 4, 5, 6} Um exemplo de evento é a “ocorrência de número ímpar”. Indicando esse evento por A, temos: A = {1, 3, 5}.

Probabilidade de ocorrer um evento Num experimento aleatório, onde S é um espaço amostral, a probabilidade de ocorrer um evento qualquer A é o número P(A), dado por:

n

n

(

(

A

S

)

)

P

( A

)

Lei da soma para eventos mutuamente exclusivos Eventos mutuamente exclusivos são aqueles cuja ocorrência de um elimina a possibilidade de ocorrência do outro. Neste caso a probabilidade de ocorrência de um ou outro evento é expressa por:

P A

ou

BP AP B

Lei da soma para eventos não mutuamente exclusivos

Neste caso podemos definir a seguinte expressão de probabilidade:

PA

ou

BPAPBP A e B

Lei do produto para eventos independentes

Dois eventos são independentes quando a probabilidade de ocorrer B não é condicional à ocorrência de A. A expressão que define a lei do produto para eventos independentes é a seguinte:

PA

e

BPAPB

Lei do produto para eventos dependentes (ou condicionais ou ligados)

Neste caso temos a seguinte expressão de probabilidade:

PA

e

BPAPB APBPA B

P  A e B   P  A   P  B A
P  A e B   P  A   P  B A

Variáveis Aleatórias Uma variável Aleatória é uma descrição numérica do resultado de um experimento. É uma função com valores numéricos, cujo valor é determinado por fatores de chances. Ela pode ser discreta quando toma valores que podem ser contados (ex. número de acidentes de trânsito em uma semana), e pode ser contínua quando toma qualquer valor de determinado intervalo (ex. peso, altura, tempo, etc.)

EXERCÍCIOS – (Probabilidade)

1)

Dão-se as seguintes probabilidades para A e B: P(A) = 1/2, P(B) = 1/4, P(A | B) = 1/3.

Utilizando as leis de probabilidade, calcular P A, PA B, PA B.

2)

3)

4)

Numa amostra de 40 indivíduos, 10 acusam pressão alta. Estime a probabilidade de outro indivíduo escolhido ao acaso, no mesmo grupo do qual foi extraída a amostra, também ter pressão elevada.

Jogam-se dois dados. Qual a probabilidade de o produto dos números das faces superiores estar entre 12 e 15 inclusive?

Uma moeda é viciada de tal forma que a probabilidade de ocorrer “cara” é duas vezes a de ocorrer “coroa”. Jogada três vezes a moeda, qual a probabilidade de aparecerem exatamente duas “coroas”?

5) Admitindo que a probabilidade de uma criança ser menino (H) seja 0,51, determinar a probabilidade de uma família de seis filhos ter:

a) ao menos um H;

b) ao menos uma M.

6) Escolhido ao acaso um ponto no disco unitário, determinar a probabilidade de o ponto estar no setor [0, π/6].

7) Um sistema tem dois componentes que operam independentemente. Suponhamos que as probabilidades de falha dos componentes 1 e 2 sejam 0,1 e 0,2, respectivamente. Determinar a probabilidade de o sistema funcionar nos dois casos seguintes:

a) os componentes são ligados em série (isto é, ambos devem funcionar para que o sistema funcione);

b) os componentes são ligados em paralelo (basta um funcionar para que o sistema funcione)

8) Após seleção preliminar, uma lista de jurados consiste em 10 homens e sete mulheres. Escolhidos dentre esses os cinco membros de um júri, a escolha recai somente sobre homens. O processo sugere discriminação contra as mulheres? Responda calculando a probabilidade de não haver nenhuma mulher no júri.

9) De acordo com certa tábua de mortalidade, a probabilidade de José estar vivo daqui a 20 anos é 0,6, e a mesma probabilidade para João é 0,9. Determinar:

a) P (ambos estarem vivos daqui a 20 anos)

b) P (nenhum estar vivo daqui a 20 anos)

c) P (um estar vivo e outro estar morto daqui a 20 anos)

10) Um sistema automático de alarme contra incêndio utiliza três células sensíveis ao calor que agem independentemente uma da outra. Cada célula entra em funcionamento com probabilidade 0,8 quando a temperatura atingir 60º C. Se pelo menos uma das células entrar em funcionamento o alarme soa. Calcular a probabilidade do alarme soar quando a temperatura atingir 60º C.

11) Uma companhia produz circuitos integrados em três fábricas, I, II e III. A fábrica I produz 40% dos circuitos, a fábrica II 15% e a fábrica III 45%. As probabilidades de que um circuito integrado produzido por estas fábricas não funcionem são: 0.01, 0,04 e 0.03, respectivamente. Escolhido um circuito da produção conjunta das três fábricas, qual a probabilidade de o mesmo não funcionar?

12) Um sistema de proteção atua devido a falhas em duas subestações A e B, que agem conjuntamente. As probabilidades de falha nessas duas subestações são P(A) = 0.002 e P(B) = 0.008. Sabe-se também que a probabilidade de falha em A devido a falha em B é 0.2. Determine a probabilidade do sistema de proteção atuar.

13) Sabe-se que na fabricação de um certo artigo, defeitos de um tipo ocorrem com probabilidade 0.1 e defeitos de outro tipo com probabilidade 0.05. Qual será a probabilidade de que:

a) Um artigo não tenha defeito?

b) Um artigo seja defeituoso?

c) Um artigo tenha apenas um tipo de defeito, sabido que é defeituoso?

14) A indústria Zeppelin, fabricante de eletrodomésticos, tem um processo de inspeção para controle de qualidade com três etapas. A probabilidade de um produto passar em qualquer uma dessas etapas de inspeção sem ser detectado é de aproximadamente 80%. Com base nesse valor, determine a probabilidade de um produto passar pelas três etapas de inspeção sem ser detectado.

15) Amostras de emissões de três fornecedores são classificados com relação a satisfazer as especificações de qualidade do ar. Os resultados de 100 amostras são resumidos a seguir:

 

Conforme

Sim

Não

 

1

22

8

Fornecedor

2

25

5

3

30

10

Seja A o evento em que uma amostra seja proveniente do fornecedor 1 e B o evento em que uma amostra atenda às especificações. Se uma amostra for selecionada ao acaso, determine as seguintes probabilidades:

a) P(A)

b) P(B)

c) P(A’) (significa probabilidade de não ocorrer A)

d) P(A B)

e) P(A B)

16) Discos de plástico de policarbonato, provenientes de um fornecedor, são analisados com relação à resistência a arranhões e a choque. Os resultados de 100 discos estão resumidos a seguir:

Resistência a choque baixa

Alta

Resistência a

arranhões

Alta

70

9

Baixa

16

5

Seja A o evento em que um disco tenha alta resistência a choque e seja B o evento em que um disco tenha alta resistência a arranhões. Determine as seguintes probabilidades.

a) P(A)

b) P(B)

RESPOSTAS:

 

7)

a) 0,72

b) 0,98

1)

N

8)

SIM. (4,07%)

 

2)

0,25

9)

a) 0,54

b) 0,04

c) 0,42

3)

1/6

10)

4)

2/9

11) 2,35%

b) 14,5%

 

5)

a) 0,986

b) 0,982

12) 0,84%

6)

1/12

13) a) 99,5%

c) 96,5%

2. DISTRIBUIÇÃO DISCRETA DE PROBABILIDADES

É uma distribuição de frequência relativa para os resultados de um espaço amostral (isto é, para os resultados de uma variável aleatória). Para uma variável discreta X, a distribuição de probabilidade é definida por uma função probabilidade, denotada por P(X). A função probabilidade fornece a probabilidade correspondente a cada um dos valores da variável aleatória. No desenvolvimento de uma função probabilidade para qualquer variável discreta, as duas condições seguintes precisam ser satisfeitas.

Requisitos para uma distribuição discreta de probabilidade:

(1)

(2)

P(x) 1

0 P( x) 1

em que x assume todos os valores possíveis. (Isto é, a soma de todas as

probabilidades deve ser 1).

para todo valor individual de x. (Isto é, cada valor de probabilidade

deve estar entre 0 e 1, inclusive).

Exemplo:

Venda de automóveis em uma concessionária de veículos. Nos últimos 300 dias de operação, os dados de vendas mostram 54 dias sem venda de automóveis, 117 dias com um automóvel vendido, 72 dias com dois automóveis vendidos, 42 dias com três automóveis vendidos, 12 dias com quatro automóveis vendidos e 3 dias com cinco automóveis vendidos. Definimos a variável aleatória de interesse como X = o número de automóveis vendidos durante um dia.

Face Freqüência Função Probabilidade X  f  PX  0 54 0,18 1 117
Face
Freqüência
Função
Probabilidade
X 
f 
PX 
0
54
0,18
1
117
0,39
2
72
0,24
3
42
0,14
4
12
0,04
5
3
0,01
PX 
1

A principal vantagem de se definir uma variável aleatória e sua distribuição de probabilidade é que,

uma vez que a distribuição de probabilidade seja conhecida, torna-se relativamente fácil determinar a

probabilidade de uma série de eventos que podem ser de interesse de um tomador de decisões. Por

exemplo, usando a distribuição de probabilidade como mostrado na tabela acima, vemos que o

número mais provável de automóveis vendidos durante um dia é 1, com a probabilidade de P(1) =

0,39. Além disso, há uma probabilidade P(3) + P(4) + P(5) = 0,14 + 0,04 + 0,01 = 0,19 de venderem

3 automóveis ou mais durante 1 dia.

Esperança Matemática: A média de uma variável aleatória discreta é o resultado médio teórico para

um número infinito de tentativas. Podemos considerar tal média como o valor esperado no sentido de

que é o valor médio que esperaríamos se as tentativas pudessem continuar indefinidamente. O valor

esperado (também chamado esperança, ou valor esperado) tem aplicações extensas e variadas e

desempenha importante papel em uma área de aplicação chamada teoria da decisão.

Média e Esperança Matemática:

Demonstração:

(

.

f x

)

N

 

x.P(x)

.

f x

N

 

 

x

.

f

N

 

e

x P

.

(

E( x) x.P( x)

x

)

Calculando-se o valor esperado (E) no exemplo acima teremos:

Face Freqüência Função Probabilidade X  f  PX  X  PX  0
Face
Freqüência
Função
Probabilidade
X 
f 
PX 
X  PX 
0
54
0,18
0
1
117
0,39
0,39
2
72
0,24
0,48
3
42
0,14
0,42
4
12
0,04
0,16
5
3
0,01
0,05
PX 
1
1,50

Supondo 30 dias de operação durante um mês, podemos usar o valor esperado de 1,50 para

prever vendas mensais médias de 30(1,50) = 45 automóveis.

Variância e Desvio Padrão para uma v.a.d:

Variância:

2

x .P(x)

2

2

Desvio Padrão:

2
2

Regra de arredondamento para µ, σ e σ²:

Arredonde os resultados usando uma casa decimal a mais do que o número de casas decimais usadas para a variável aleatória x. Se os valores de x forem inteiros, arredonde µ, σ e σ² para uma casa decimal.

Notação:

s = desvio padrão amostral s 2 = variância amostral σ = desvio padrão populacional σ 2 = variância populacional

Nota: Artigos em periódicos científicos e reportagens usam, em geral, SD (de Standard deviation) ou DP para desvio padrão e VAR para variância.

2.1 - DISTRIBUIÇÃO DE BERNOULLI (Modelo de Bernoulli)

Quando executamos um experimento (ensaio) do tipo Bernoulli, associado a este ensaio, temos

uma variável aleatória com o seguinte comportamento:

• Suponhamos a realização de um experimento E, cujo resultado pode ser um sucesso (se acontecer o

evento que nos interessa) ou um fracasso ( o evento não se realiza).

• Seja p a probabilidade de sucesso e q a probabilidade de fracasso, com p + q = 1.

• Definimos a seguinte v.a. discreta: X : nº de sucessos em uma única tentativa do experimento.

• X assume os valores:

X

0,

1,

 

fracasso

sucesso

com

P(X = 0) = q

e

P(X = 1) = p

Nessas condições a v.a.d. X tem distribuição de Bernoulli, e sua função de probabilidade é dada por:

x 1  x P X (  x )  p . q
x
1 
x
P X
(
x
)
p
.
q

Esperança (média) e Variância:

Calcularemos a média e a variância da variável com distribuição de Bernoulli.

X

P(X)

X.P(X)

2 .P(X)

X

0

q

0

0

1

P

P

P

Total

1

P

p

Logo: E(X) = p

e

Var(X) = p – p² Var(x) = p(1 – p) Var(x) = p.q

Exemplo: Uma urna contem 30 bolas brancas e 20 verdes. Retira-se uma bola dessa urna. Seja X: nº

de bolas verdes. Calcular E(X), VAR(X) e determinar P(X).

Solução:

X

 

0  

q

1

p

E(X) = p = 2/5

30

3

50

20

5

2

50

5

P X

(

x

)

x 2 5  .  3 5
x
2 5
.
3 5

1

x

Var(X) = p.q = (2/5).(3/5) = 6/25

2.2- DISTRIBUIÇÃO BINOMIAL

Se executarmos um experimento tipo Bernoulli, independentemente, “n” vezes podemos ter de “0 a

n” sucessos. O número total de possíveis sucessos em “n” repetições do experimento é dado pela

combinação de:

x

n

C

nCx

n

 

x

 

n !

x

!

n

x

!

,

onde:

n

= nº total de repetições do experimento

x

= nº de sucessos ocorridos em n repetições

x

= 0, 1, 2, 3,

,

n.

Assim a probabilidade de ocorrer “x” sucessos em “n” repetições do experimento é calculada por:

P X

(

 

)

 

nCx p

.

x n

x

x

 

q

.

A Esperança,

respectivamente por:

a Variância

E(X) = n.p

n.p

e

o

Desvio Padrão da v.a.d

VAR(X) = n.p.q

2

n.p.q

do

tipo

Binomial são calculadas DP(X) = VAR( X ) 2  
Binomial são
calculadas
DP(X) =
VAR( X )
2
 

Em resumo, as três propriedades básicas que caracterizam uma v.a. Binomial são:

1. A variável é resultado de contagem;

2. Os experimentos devem ser independentes;

3. A probabilidade de sucesso é a mesma a cada repetição do experimento.

Exemplo 1: Um levantamento da Associação Americana de Investidores Pessoa Física concluiu que

20% dos seus membros tinham comprado ações diretamente através de uma oferta pública inicial.

Em uma amostra de 10 membros destes associados verifique:

(a) Qual a probabilidade de que exatamente três membros tenha comprado tais ações?

(b)

Qual a probabilidade de que pelo menos um membro tenha comprado tais ações?

(c)

Qual a probabilidade de que no máximo 9 membros tenha comprado tais ações?

(d)

Qual o número esperado de membros que compraram tais ações?

(e)

Qual a probabilidade de 30% dos membros comprarem tais ações?

Exemplo 2: Repita o exemplo acima considerando que a probabilidade de comprar tais ações é de 40% e os itens “a” até “e” considerarão os membros que não compraram tais ações.

Exemplo 3 Anexo 1 (pág. 20)

EXERCÍCIOS - (Distribuição Binomial)

1. Uma carta é retirada de um baralho e em seguida é recolocada. Se esse experimento for

repetido cinco vezes, qual será a probabilidade de três cartas de paus serem selecionadas?

(a)

Identifique n, p, q e x.

(b)

Use a fórmula da probabilidade binomial.

2. Uma sondagem indica que 21% dos homens dos Estados Unidos consideram a pescaria sua atividade favorita de lazer. Você seleciona ao acaso cinco norte-americanos e pergunta a eles se pescar é sua atividade favorita de lazer. Obtenha a probabilidade de (1) exatamente dois deles responderem “sim”, (2) pelo menos dois deles responderem “sim”, (3) menos do que dois deles responderem “sim”.

3. Um inspetor de qualidade extrai uma amostra de 10 tubos aleatoriamente de uma carga muito grande de tubos que se sabe que contém 20% de tubos defeituosos. Qual é a probabilidade de que não mais do que 2 dos tubos extraídos sejam defeituosos? R: 0,6778

4. Um engenheiro de inspeção extrai uma amostra de 15 itens aleatoriamente de um processo de fabricação sabido produzir 85% de itens aceitáveis. Qual a probabilidade de que 10 dos itens extraídos sejam aceitáveis? R: 0,0449

5. Se 4 moedas honestas forem lançadas simultaneamente (ou 1 moeda honesta for lançada 4 vezes), calcule a distribuição de probabilidade completa.

6.

Acredita-se que 20% dos moradores das proximidades de uma grande indústria siderúrgica tem alergia aos poluentes lançados ao ar. Admitindo que este percentual de alérgicos é real (correto), calcule a probabilidade de que pelo menos 4 moradores tenham alergia entre 13 selecionados ao acaso. R: 0,2526

7.

Três em cada quatro alunos de uma universidade fizeram cursinho antes de prestar vestibular. Se 16 alunos são selecionados ao acaso, qual é a probabilidade de que:

(a)

Exatamente 12 tenham feito cursinho? R: 0,2252

(b)

Pelo menos 12 tenham feito cursinho? R: 0,6302

(c)

No máximo 13 tenham feito cursinho? R: 0,8029

(d)

Em um grupo de 80 alunos selecionados ao acaso, qual é o número esperado de alunos que fizeram cursinho? E a variância? R: 60 e 15

8.

Uma amostra aleatória de 15 pessoas é obtida de uma população em que 40% têm uma determinada posição política. Qual é a probabilidade de exatamente 6 indivíduos na amostra ter essa determinada posição política? Resposta: 0,2066

9.

As linhas telefônicas em um sistema de reservas de uma companhia aérea estão todas ocupadas 40% do tempo. Suponha que os eventos em que as linhas estejam ocupadas em sucessivas chamadas sejam independentes. Considere que 10 chamadas aconteçam.

(a)

Qual é a probabilidade de que para exatamente três chamadas as linhas estejam ocupadas?

(b)

Qual é a probabilidade de que para no mínimo uma chamada as linhas não estejam

ocupadas?

(c)

Qual é o número esperado de chamadas em que as linhas estejam todas ocupadas? R: a) 0,215 b) 0,994 c) 4

10. Estima-se que cerca de 30% dos frangos congelados contenham suficiente número de bactérias salmonelas causadoras de doenças, se forem assados inadequadamente. Um consumidor compra 12 frangos congelados. Qual é a probabilidade do consumidor ter mais de 6 frangos contaminados? Resposta: 0,039

11. Seis parafusos são escolhidos ao acaso da produção de uma certa máquina, que apresenta 10% de peças defeituosas. Qual a probabilidade de serem defeituosos dois deles? R: 0,0984

12. Dos estudantes de um colégio 41% fumam cigarro. Escolhem-se seis ao acaso para darem uma opinião sobre o fumo. Determine a probabilidade de:

(a)

Nenhum dos seis ser fumante,

(b)

Todos os seis fumarem.

(c)

Ao menos a metade dos seis ser fumante.

R:a) 4,22%

b) 0,48%

c) 47,65%

13. 12% dos que reservam lugar num voo faltam ao embarque. O avião comporta 15 passageiros.

(a)

Determine a probabilidade de que todos os 15 que reservaram lugar compareçam ao embarque.

(b)

Se houve 16 pedidos de reserva, determine a probabilidade de uma pessoa ficar de fora.

(c)

Se houve 16 pedidos de reserva, determine a probabilidade do avião voar lotado. R: a) 14,70% b) 12,93% c) 41,15%

2.3 - DISTRIBUIÇÃO DE POISSON

É uma distribuição de probabilidade discreta que se aplica a ocorrências de eventos ao longo de intervalos especificados. A variável aleatória x é o número de ocorrências do evento no intervalo. O intervalo pode ser de tempo, distância, área, volume ou alguma unidade similar. A probabilidade de ocorrência do evento x vezes em um intervalo é dada pela fórmula:

x

. e

x !

P

( x

)

Onde:

ou

X: é o número de ocorrências;

e : é a base dos logaritmos naturais (e 2,71828); : é a taxa média por unidade;

t : é o número de unidades.

x    . t    . t  . e P
x
  . t
 .
t
.
e
P
( x
) 
x !

A quantidade t representa o número médio de ocorrências ( ) no intervalo t t .

Requisitos:

A variável aleatória x é o número de ocorrências de um evento ao longo de algum intervalo.

As ocorrências devem ser aleatórias.

As ocorrências devem ser independentes umas das outras.

As ocorrências tenham a mesma probabilidade sobre o intervalo considerado.

Parâmetros:

A média é µ

O desvio padrão é σ =



Exemplo 1: Bombas da Segunda Guerra Mundial – Ao analisar os impactos das bombas V – 1 na

Segunda Guerra Mundial, o sul de Londres foi subdividido em 576 regiões, cada uma com uma área

de 0,25 km². Um total de 535 bombas caiu na área combinada das 576 regiões.

(a) Se uma região é selecionada aleatoriamente, ache a probabilidade de ela ter sido

bombardeada exatamente duas vezes.

(b) Com base na probabilidade encontrada na parte (a), quantas das 576 regiões espera-se que

sejam atingidas exatamente duas vezes?

No exemplo precedente, podemos calcular também as probabilidades e valores esperados para 0, 1, 2, 3, 4, 5 impactos. (Paramos em x = 5 porque nenhuma região foi atingida mais de cinco vezes, e as probabilidades para x > 5 são 0,000 quando arredondadas para três casas decimais.) Tais probabilidades e valores esperados estão listados na tabela abaixo.

Impactos de Bombas V – 1 para 576 Regiões do Sul de Londres

Número de Impactos de Bombas

Probabilidade

Número esperado de regiões

Número real de regiões

0

0,395

227,5

229

1

0,367

211,4

211

2

0,170

97,5

93

3

0,053

30,5

35

4

0,012

6,9

7

5

0,002

1,2

1

Exemplo 2: Suponhamos que os navios cheguem a um porto a razão de 2 navios/hora, e que essa

razão seja bem aproximada por um processo de Poisson. Observando o processo por um período de

meia hora (t = 1/2), determine a probabilidade de:

(a) não chegar nenhum navio;

(b) chegarem 3 navios.

Exemplo 3: Determinar a probabilidade de haver 4 peças defeituosas numa amostra de 300, extraída

de um grande lote onde há 2% de defeituosas.

EXERCÍCIOS - (Distribuição de Poisson)

1. Uma máquina produz 9 peças defeituosas a cada 1000 peças produzidas. Calcule a probabilidade

de que em um lote que contém:

(a)

200 peças, sejam encontradas 8 peças defeituosas;

(b)

500 peças, não haja nenhuma peça defeituosa.

2.

Um processo mecânico produz tecido para tapetes com uma média de 2 defeitos por jarda.

Determine a probabilidade de uma jarda quadrada ter exatamente 1 defeito, admitindo que um processo possa ser bem aproximado por uma distribuição de Poisson.

3.

Suponhamos que os defeitos em fios para tear possam ser aproximados por um processo de Poisson com média 0,2 defeitos por metro. Inspecionando-se pedaços de fio de 6 metros de comprimento, determine a probabilidade de encontrarmos menos de 2 defeitos.

4.

As chamadas de emergência chegam a uma central de polícia a razão de 4 por hora no período de

1 as 6 da manhã em dias úteis e podem ser aproximadas por uma distribuição de Poisson. Responda:

(a)

Quantas chamadas de emergência são esperadas num período de 30 minutos?

(b)

Qual a probabilidade de nenhuma chamada num período de 30 minutos?

5. A entrega de mercadorias em um depósito é feita a razão de 2,8 caminhão por hora. Determine a

probabilidade de chegarem 3 ou mais caminhões:

(a)

Num período de 30 minutos;

(b)

Num período de 1 hora;

(c)

Num período de 2 horas;

6.

O número de petroleiros que chegam a uma refinaria em cada dia ocorre segundo uma distribuição

de Poisson, com = 2. As atuais instalações podem atender, no máximo, a 3 petroleiros por dia. Se

mais de 3 aportarem num dia, o excesso é enviado a outro porto. Em um dia, qual a probabilidade de se enviar petroleiros para outro porto?

7. A chegada de ônibus em um terminal acontece a razão de 3 por minuto. Supondo que tenha uma

distribuição de Poisson, determine a probabilidade de:

(a)

chegarem 8 ônibus em 2 minutos;

(b)

chegarem 4 ônibus em 5 minutos;

8.

Suponhamos que os navios cheguem a um porto à razão de = 2 navios / hora e que essa razão

seja bem aproximada a um processo de Poisson. Observando o processo durante um período de meia hora (t = 0,5), determine a probabilidade de:

(a)

não chegar nenhum navio;

(b)

chegarem 3 navios;

(c)

chegarem mais de 3 navios em 2 horas.

9.

PABX - Uma central telefônica tipo PABX recebe uma média de 5 chamadas por minuto. Qual a probabilidade deste PABX não receber nenhuma chamada durante um intervalo de 1 minuto?

10. Dentes-de-Leão – Estudam-se os dentes-de-leão por causa de seus efeitos sobre a colheita e crescimento de gramado. Em uma região, a média de dentes-de-Leão por metro quadrado era de 7,0 (com base em dados do Manitoba Agriculture and Food).

(a)

Ache a probabilidade de não se achar qualquer dente-de Leão em uma área de 1 m².

(b)

Ache a probabilidade de, pelo menos, um dente-de-Leão em uma área de 1 m².

(c)

Ache a probabilidade de, no máximo, dois dentes-de-Leão em uma área de 1 m².

11. Decaimento Radioativo – Os átomos radioativos são instáveis porque têm muita energia. Quando liberam sua energia extra, dizemos que eles decaem. Ao se estudar o césio 137, observou-se que, durante o curso do decaimento em 365 dias, 1.000.000 de átomos radioativos foram reduzidos a 977.287 átomos radioativos.

(a)

Ache o número médio de átomos radioativos perdidos em um dia durante o decaimento.

(b)

Ache a probabilidade de que, em um determinado dia, 50 átomos radioativos decaiam.

Poisson como aproximação para a Distribuição Binomial

A distribuição de Poisson é, algumas vezes, usada para aproximar a distribuição binomial quando n é muito grande e a probabilidade p é pequena. Uma regra empírica é usar tal aproximação quando as duas condições seguintes forem satisfeitas:

(1)

n 100

(2)

n p 10

Exemplo – Loteria de Pick 4 de Kentucky – Na loteria Pick 4 de Kentucky, você paga i dólar para escolher uma sequência de quatro dígitos, por exemplo, 2283. Se você joga esse jogo uma vez todos os dias, ache a probabilidade de ganhar exatamente uma vez em 365 dias.

Anexo 1: Exemplo 3 (Computacional): Os resultados de um levantamento recente indicam que 71% dos norte-americanos usam mais de um molho para temperar seus cachorros-quentes. Se selecionarmos ao acaso 250 pessoas nos Estados Unidos, qual será a probabilidade de que exatamente 178 delas usem mais de um molho?

Passo 1: Acessando a distribuição binomial.

de um molho? Passo 1: Acessando a distribuição binomial. Passo 2: Digitando os valores. Distribuições de

Passo 2: Digitando os valores.

a distribuição binomial. Passo 2: Digitando os valores. Distribuições de Probabilidade – Prof. Daniel Prates