Sei sulla pagina 1di 68

PROBABILIDADE E ESTATÍSTICA

DISTRIBUIÇÕES DE PROBABILIDADES
PARTE I

Bruno Baierle
Maurício Furigo
Prof.ª Sheila Regina Oro (orientadora)

Edital 06/2013 - Produção de Recursos Educacionais Digitais


Variável Aleatória
Por definição uma variável aleatória pode ser entendida como
sendo uma variável quantitativa, cujo resultado depende de
fatores aleatórios.

Exemplos:

 número de coroas obtidos no lançamento de moedas;


 número de defeitos de azulejo que sai da linha de produção;
 tempo de resposta de um sistema computacional;
 resistência ao desgaste de um tipo de aço, num teste padrão;
Variável Aleatória
Uma variável aleatória é uma função que associa elementos do
espaço amostral ao conjunto de números reais.

Exemplo 1. (BARBETTA, pg 117) No lançamento de 2 moedas, o


espaço amostral mais completo é Ω = {(cara, cara), (cara, coroa),
(coroa, cara), (coroa, coroa)}, enquanto que a variável aleatória
número de coroas assume valores no conjunto {0, 1, 2}.
A relação entre os dois conjuntos, é esquematizada a
seguir.
Variável Aleatória

Uma variável aleatória pode ser:

Discreta: onde os possíveis resultados estão


contidos em um conjunto finito ou enumerável.

Exemplo:
Variável Aleatória

Uma variável aleatória pode ser:

Contínua: onde os possíveis resultados abrangem


todo um intervalo de números reais.

Exemplo:
Variáveis Aleatórias Independentes
Variável aleatória independente, pode ser entendida quando o
conhecimento de uma variável não altera as distribuições de
probabilidade das demais variáveis (𝑋1 , 𝑋2 , … , 𝑋𝑛 ).

Para variáveis aleatórias independentes:

V X + Y = V X + V(Y)

V X − Y = V X + V(Y)
Variáveis Aleatórias Independentes
Exemplo 2. (MEYER), seja X e Y a duração da vida de dois
dispositivos eletrônicos. Suponha que sua fdp conjunta seja
dada por

𝒇 𝒙, 𝒚 = 𝒆−(𝒙+𝒚) , 𝒙 ≥ 𝟎, 𝒚 ≥ 𝟎,

por fatoração temos

𝒇 𝒙, 𝒚 = 𝒆−𝒙 𝒆−𝒚 ,

desta forma a independência de X e Y fica estabelecida.


Variáveis Aleatórias Independentes

Definição: seja (X, Y) uma variável aleatória discreta


bidimensional. Então X e Y serão variáveis aleatórias
independentes se, e somente se:

𝑃 𝑥𝑖 , 𝑦𝑗 = 𝑝(𝑥𝑖 )𝑞(𝑦𝑗 ) para quaisquer 𝑖 e 𝑗.

Portanto,

P 𝑋 = 𝑥𝑖 , 𝑌 = 𝑦𝑗 = 𝑃 𝑋 = 𝑥𝑖 𝑃(𝑌 = 𝑦𝑗 ) para todo 𝑖 e 𝑗


Variáveis Aleatórias Independentes

Definição: seja (X, Y) uma variável aleatória contínua


bidimensional. Então X e Y serão variáveis aleatórias
independentes se, e somente se:

𝑓 𝑥, 𝑦 = 𝑔 𝑥 ℎ(𝑥) para todo 𝑥 e 𝑦,

onde 𝑓 é a fdp conjunta, e 𝑔 e ℎ são as fdp marginais


de X e Y, respectivamente.
Variável Aleatória Discreta
Variável Aleatória Discreta
Teorema 1: Se X é uma variável aleatória discreta com
distribuição de probabilidade 𝑓 𝑥 . Definindo Y = 𝑢 𝑋 a
transformação um a um entre os valores de X e Y, então a
equação 𝑦 = 𝑢 𝑥 pode ser unicamente resolvida por 𝑥 em função
de 𝑦, digamos 𝑥 = 𝑤 𝑦 .

Então a distribuição de probabilidade de Y é

𝒈 𝒚 = 𝒇 𝒘(𝒚)
Variável Aleatória Discreta
Teorema 2: Supondo que 𝑋1 e 𝑋2 são variáveis aleatórias
discretas com distribuição de probabilidade conjunta 𝑓 𝑥1 , 𝑥2 ,
definindo a transformação um a um entre os pontos 𝑥1 , 𝑥2 e
𝑦1 , 𝑦2 , então as equações

𝑦1 = 𝑢1 𝑥1 , 𝑥2 e 𝑦2 = 𝑢2 𝑥1 , 𝑥2 ,

podem ser unicamente solucionadas para 𝑥1 e 𝑥2 em função de 𝑦1


e 𝑦2 .
Variável Aleatória Discreta
Onde:

𝑥1 = 𝑤1 (𝑦1 , 𝑦2 ) e 𝑥2 = 𝑤2 (𝑦1 , 𝑦2 )

Portanto a distribuição de probabilidade conjunta 𝑌1 e 𝑌2


é:

𝒈 𝒚𝟏 , 𝒚𝟐 = 𝒇[𝒘𝟏 𝒚𝟏 , 𝒚𝟐 , 𝒘𝟐 𝒚𝟏 , 𝒚𝟐 ]
Variável Aleatória Discreta – Função de
Probabilidade
Se X for discreta, com valores {𝑋1 , 𝑋2 , … }, então a distribuição de probabilidade de
X, pode ser apresentada pela função de probabilidade, a qual associa a cada
valor possível 𝑋𝑖 a sua probabilidade de ocorrência 𝑝(𝑋𝑖 ).

Ou seja
𝒑 𝒙𝒊 = 𝑷(𝑿 = 𝒙𝒊 )

Satisfazendo:

𝑝 𝑥𝑖 ≥ 0

𝑝 𝑥𝑖 = 1
𝑖
Variável Aleatória Discreta – Função
de Probabilidade

Representação gráfica da distribuição de probabilidade da variável


aleatória X, a qual representa o número obtido no lançamento de
um dado comum.
Variável Aleatória Discreta – Função
de Distribuição Acumulada
Por definição:
𝑭 𝒙 =𝑷 𝑿≤𝒙 , ∀𝒙 ∊ ℜ

Assim, para todo 𝑥 ∊ ℜ, a função de distribuição acumulada


descreve a probabilidade de ocorrer um valor até 𝒙.

Exemplo:
Variável Aleatória Discreta – Função
de Distribuição Acumulada
X = número obtido no lançamento de um dado comum.

0 𝑠𝑒 𝑥 < 1
1 𝑠𝑒 1 ≤ 𝑥 ≥ 2
6
2 𝑠𝑒 2 ≤ 𝑥 ≥ 3
6
𝐹 𝑥 3 𝑠𝑒 3 ≤ 𝑥 ≥ 4
6
4 𝑠𝑒 4 ≤ 𝑥 ≥ 5
6
5 𝑠𝑒 4 ≤ 𝑥 ≥ 5
6
1 𝑠𝑒 𝑥 ≥ 6
Variável Aleatória Discreta – Valor
Esperado e Variância
Valor esperado:
𝒌

μ=𝑬 𝑿 = 𝒙𝒋 𝒑𝒋
𝒋=𝟏

Variância:
𝒌

σ𝟐 = 𝑽 𝑿 = (𝒙𝒋 − μ)𝟐 𝒑𝒋
𝒋=𝟏

Ou
𝑽 𝑿 = 𝑬(𝑿𝟐 ) − μ𝟐
Variável Aleatória Discreta – Valor
Esperado e Variância
Propriedades:

a) 𝐸 𝑐 = 𝑐 f) V 𝑐 = 0

b) 𝐸 𝑋 + 𝑐 = 𝐸 𝑋 + 𝑐 g) V 𝑋+𝑐 =𝑉 𝑋

h) V 𝑐𝑋 = 𝑐 2 𝑉(𝑋)
c) 𝐸 𝑐𝑋 = 𝑐𝐸(𝑋)

i) DP 𝑐𝑋 = |𝑐|𝐷𝑃(𝑋)
d) 𝐸 𝑋 + 𝑌 = 𝐸 𝑋 + 𝐸 𝑌

e) 𝐸 𝑋 − 𝑌 = 𝐸 𝑋 − 𝐸(𝑌)
Modelos de Distribuição Discreta

Distribuição de Bernoulli

A distribuição de Bernoulli tem somente 2


resultados possíveis: sucesso e fracasso.

Onde:

𝟎≤𝒑≤𝟏
Modelos de Distribuição Discreta

Distribuição de Bernoulli

Função da probabilidade p(x)

X 𝑝 𝑥
0 1−𝑝
1 𝑝
total 1
Modelos de Distribuição Discreta
Distribuição de Bernoulli

Função acumulada F(x)

𝟎 𝒔𝒆 𝒙 < 𝟎
𝑭 𝑿 = 𝟏−𝒑 𝒔𝒆 𝟎 ≤ 𝒙 ≤ 𝟏
𝟏 𝒔𝒆 𝒙 ≥ 𝟏
Modelos de Distribuição Discreta
Distribuição de Bernoulli

Esperança E(X)

𝑬 𝑿 =𝒑

Variância V(X)

𝐕 𝑿 = 𝒑. 𝟏 − 𝒑
Modelos de Distribuição Discreta
Distribuição de Bernoulli

Exemplos.

Lançamento de uma moeda:

 Caso obtenha-se uma cara: sucesso


 Caso obtenha-se uma coroa: fracasso

A direção que segue um veículo em bifurcação (caminho A e B):

 Se segue o caminho A: sucesso


 Se segue o caminho B: fracasso
Modelos de Distribuição Discreta
Distribuição de Bernoulli

Exemplo 3. Uma urna tem 30 bolas brancas e 20 verdes. Retira-se uma


bola dessa urna. Seja X: nº de bolas verdes. Calcular E(X) e V(X).

Solução
X = {1 → p = 20 50 =2 5

E X = p = 𝟐 𝟓 = 𝟎, 𝟒 𝐛𝐨𝐥𝐚𝐬 𝐯𝐞𝐫𝐝𝐞𝐬

V X = p ∙ 1 − p = 2 5 ∙ 1 − 2 5 𝟔 𝟐𝟓 = 𝟎, 𝟐𝟒 𝐛𝐨𝐥𝐚𝐬 𝐯𝐞𝐫𝐝𝐞𝐬 𝟐
Modelos de Distribuição Discreta
Distribuição Binomial

Considere n experimentos independentes identicamente distribuídos,


cada um com distribuição Bernoulli de parâmetro p. Se a variável de
interesse x corresponde ao número de sucessos obtidos nestes n
experimentos, então x é conhecida como uma variável aleatória
binomial de parâmetros n e p.

Onde:

n é o número de ensaios independentes;

e P (sucesso) = p, constante para todo ensaio 0 < 𝑝 < 1


Modelos de Distribuição Discreta
Distribuição Binomial
Modelos de Distribuição Discreta
Distribuição Binomial

Função da probabilidade p(x)

𝒏
𝒑 𝒙 = ∙ 𝒑𝒙 ∙ (𝟏 − 𝒑)𝒏−𝒙 x = 0,1, 2, … , n
𝒙

Onde:
𝑛 𝑛!
=
𝑥 𝑛 − 𝑥 ! 𝑥!
Modelos de Distribuição Discreta

Distribuição Binomial

Função acumulada F(x)

𝒏𝒊

𝑭 𝒙 = 𝑷 𝑿 ≤ 𝒙𝒊 = 𝒇(𝒙𝒊 )
𝒊=𝟏
Modelos de Distribuição Discreta
Distribuição Binomial

Esperança E(x)

𝑬 𝑿 =𝒏∙𝒑

Variância V(X)

𝑽 𝑿 = 𝒏 ∙ 𝒑(𝟏 − 𝒑)
Modelos de Distribuição Discreta

Distribuição Binomial

Exemplos.

 Lançar uma moeda 5 vezes e observar o número de


caras;

 Verificar o número de bits que não estão afetados por


ruídos, em um pacote com n bits;
Modelos de Distribuição Discreta
Distribuição Binomial

Representação gráfica com n = 5 e p = 0,5

E(X)=25
Modelos de Distribuição Discreta
Distribuição Binomial

Exemplo 4. (DÍAZ) Um médico aplica um teste em dez alunos de um


colégio, para detectar uma enfermidade cuja incidência sobre uma
população de crianças é de 10%. A sensibilidade do teste é de 80% e
a especificidade é de 75%. Qual a probabilidade de que 4 pessoas
apresentem um resultado positivo?

Dados:

P E = 0,1

𝑃(𝑇 + |𝐸) = 0,8

𝑃(𝑇 − |𝐸) = 0,75


Modelos de Distribuição Discreta

Distribuição Binomial

Solução:

Pelo Teorema da Probabilidade Total

𝑃(𝑇 + ) = 𝑃(𝑇 + |𝐸) ∙ 𝑃 𝐸 + 𝑃(𝑇 + |𝐸) ∙ 𝑃 𝐸 = 𝑂, 8 ∙ 0,1 + 0,25 ∙ 0,9 = 0,305

seja 𝑋1 a v.a que contabiliza o número de resultados positivos ,


e chamando 𝑝1 = 𝑃(𝑇 + ), então X segue uma distribuição binomial.
Modelos de Distribuição Discreta
Distribuição Binomial

Portanto

𝑛1
𝑋1 𝑛1 = 10, 𝑝1 = 0,305 ↔ 𝑃 𝑋1 = 𝑥 = 𝑝1 𝑥 (1 − 𝑝)𝑛1 −𝑥
𝑥

Logo a probabilidade de que o resultado do teste dê positivo para 4


pessoas é de:

10
𝑃(𝑋1 = 4) = 0,3054 ∙ 0,6956 = 0,2048 ≡ 𝟐𝟎, 𝟒𝟖%
4
Modelos de Distribuição Discreta
Distribuição Binomial

Exemplo 5. (WALPOLE) A probabilidade de que um paciente se


recupere de uma doença sanguínea rara é de 0,4. Se 15 pessoas
contraíram essa doença, calcule:

a) A probabilidade de que pelo menos 10 pessoas sobrevivam.


b) A probabilidade de que 3 a 8 pessoas sobrevivam.
c) A probabilidade de que exatamente 5 pessoas sobrevivam.
d) A esperança.
e) A variância.
Modelos de Distribuição Discreta
Distribuição Binomial

Solução: seja X o número de pessoas que sobreviverão

a)
P X ≥ 10 = P X = 10 + P X = 11 + ⋯ + P X = 15

Onde:
𝑛
𝑝 𝑥 = ∙ 𝑝 𝑥 ∙ (1 − 𝑝)𝑛−𝑥
𝑥
Modelos de Distribuição Discreta
Distribuição Binomial

Portanto

15
P x = 10 → ∙ 0,410 ∙ (0,6)5 = 0,0245
10

15
P x = 11 → ∙ 0,411 ∙ (0,6)4 = 7,42X10−3
11

15
P x = 12 → ∙ 0,412 ∙ (0,6)3 = 1,65X10−3
12
𝐩 𝐱 = 𝟎, 𝟎𝟑𝟔𝟏 ≡ 𝟑, 𝟔𝟏%
15
P x = 13 → ∙ 0,413 ∙ (0,6)2 = 2,54X10−3
13

15
P x = 14 → ∙ 0,414 ∙ (0,6)1 = 2,42X10−5
14

15
P x = 15 → ∙ 0,415 ∙ (0,6)0 = 1,07X10−6
15
Modelos de Distribuição Discreta

Distribuição Binomial

Solução: seja X o número de pessoas que sobreviverão

b) 𝑃 3 ≤ 𝑋 ≤ 8 = 𝑃(𝑋 ≤ 8) − 𝑃(𝑋 ≤ 3) →

P X = 8 + P X = 7 + ⋯+ P X = 3 + P X = 2 + P X = 1
+P X = 0 − [P X = 3 + P X = 2 + P X = 1 + P X = 0 ]
Modelos de Distribuição Discreta
Distribuição Binomial
Portanto

𝑃 3≤𝑋 ≤8 =P X=8 +P X=7 +𝑃 𝑋 =6 +𝑃 𝑋 =5 +𝑃 𝑋 =4

Onde:
15 15
P x=8 → ∙ 0,48 ∙ (0,6)7 = 0,12 P x=7 → ∙ 0,47 ∙ (0,6)8 = 0,18
8 7
15 15
P x=6 → ∙ 0,46 ∙ (0,6)9 = 0,21 P x=5 → ∙ 0,45 ∙ (0,6)10 = 0,19
6 5
15
P x=4 → ∙ 0,44 ∙ (0,6)11 = 0,13
4

𝐩 𝐱 = 𝟎, 𝟖𝟑 ≡ 𝟖𝟑%
Modelos de Distribuição Discreta

Distribuição Binomial

Solução: seja X o número de pessoas que sobreviverão

c)
15
p x =P X=5 → 0,45 ∙ 0,610 = 𝟎, 𝟏𝟖𝟔 ≡ 𝟏𝟖, 𝟔%
5
Modelos de Distribuição Discreta

Distribuição Binomial

d)
𝐸 𝑋 = 𝑛 ∙ 𝑝 → 15 ∙ 0,4 = 𝟔 pessoas

e)

𝑉 𝑋 = 𝑛. 𝑝 1 − 𝑝 → 15 ∙ 0,4 1 − 0,4 = 𝟑, 𝟔 𝐩𝐞𝐬𝐬𝐨𝐚𝐬 𝟐


Modelos de Distribuição Discreta

Distribuição Hipergeométrica

A distribuição hipergeométrica não necessita de independência e


se baseia na amostragem feita sem reposição.

O número X de sucessos de um experimento hipergeométrico é


chamado de variável aleatória hipergeométrica.
Modelos de Distribuição Discreta
Distribuição Hipergeométrica
A distribuição de probabilidade de uma variável hipergeométrica é
chamada de distribuição hipergeométrica, onde seus valores são
denotados por (x, N, n, r).

Onde:

N: O número de itens na população.


r: O número de itens na população que são classificados como sucessos.
n: O número de itens na amostra.
X: O número de itens na amostra que são classificados como sucesso.
Modelos de Distribuição Discreta
Distribuição Hipergeométrica
Modelos de Distribuição Discreta
Distribuição Hipergeométrica

Função da probabilidade p(x)

𝒓 𝑵−𝒓

𝒙 𝒏−𝒙
𝒑 𝒙 = [𝑥 = 0,1, … , min 𝑟, 𝑛 ]
𝑵
𝒏
Modelos de Distribuição Discreta

Distribuição Hipergeométrica

Função acumulada F(x)

𝒙 𝒓 𝑵−𝒓
𝒙 𝒏−𝒙
𝑭 𝒙 =
𝑵
𝒊=𝟎
𝒏
Modelos de Distribuição Discreta
Distribuição Hipergeométrica

Esperança E(x)

𝑬 𝑿 =𝒏∙𝒑

Variância V(X)

𝑵−𝒏
𝑽 𝑿 = 𝒏 ∙ 𝒑 ∙ (𝟏 − 𝒑) ∙
𝑵−𝟏

Onde:
𝒓
𝒑=
𝑵
Modelos de Distribuição Discreta

Distribuição Hipergeométrica

Exemplo 6. (BARBETTA, pg 133) Placas de vidro são expedidas em lotes


de 30 unidades. Antes que a remessa seja aprovada, um inspetor escolhe
aleatoriamente 5 placas do lote e as inspeciona. Se nenhuma das placas
for defeituosa, o lote é aprovado. Se uma ou mais forem defeituosas, todo
lote é inspecionado. Supondo que haja 3 placas defeituosas no lote:

a) Qual é a probabilidade de que o controle da qualidade aponte para a


inspeção total?

b) Encontre a esperança e variância.


Modelos de Distribuição Discreta
Distribuição Hipergeométrica

Solução: Seja X o número de placas defeituosas na amostra.

𝑃 𝑋 ≥ 1 = 1 − 𝑃(𝑋 = 0),

então:
3 30−3
∙ 80,730
0 5−0
a) p X =p 0 → 30 = = 𝟎, 𝟓𝟔𝟔𝟓
142,506
5

Logo, P X ≥ 1 = 1 − 0,5665 = 𝟎, 𝟒𝟑𝟑𝟓 ≡ 𝟒𝟑, 𝟑𝟓%


Modelos de Distribuição Discreta

Distribuição Hipergeométrica

b)

E X = n ∙ p → 5 ∙ 0,1 = 𝟎, 𝟓 𝐩𝐥𝐚𝐜𝐚𝐬 𝐝𝐞 𝐯í𝐝𝐞𝐨𝐬

N−n
V X = n ∙ p ∙ 1 − p ∙ N−1 → 5 ∙ 0,1 ∙ 0,9 ∙ 0,86 𝟎, 𝟑𝟗 𝐩𝐥𝐚𝐜𝐚𝐬 𝐝𝐞 𝐯í𝐝𝐞𝐨𝐬 𝟐
Modelos de Distribuição Discreta

Distribuição Hipergeométrica

Exemplo 7. No fichário de um hospital, estão arquivados os prontuários


de 20 pacientes, que deram entrada no PS apresentando algum problema
cardíaco. Destes 5 sofreram infarto. Retirando‐se uma amostra ao acaso
de 3 destes prontuários, qual a probabilidade de que dois deles sejam de
pacientes que sofreram infarto?
Modelos de Distribuição Discreta

Distribuição Hipergeométrica

Solução:

N = 20; r = 5; n = 3; x = 2

5 20 − 5
∙ 150
p X = 2 3 − 2 = = 𝟎, 𝟏𝟑𝟏 ≡ 𝟏𝟑, 𝟏%
20 1140
3
Modelos de Distribuição Discreta

Distribuição de Poisson

Propriedades

1- O número de resultados que ocorrem em um intervalo de tempo


ou em uma região específica é independente do número de
resultados que ocorre em outro intervalo de tempo disjunto ou
região do espaço disjunta – Processo de Poisson não tem
memória.
Modelos de Distribuição Discreta

Distribuição de Poisson

Propriedades

2- A probabilidade de que um único resultado ocorrerá durante


um breve intervalo de tempo ou em uma região pequena é
proporcional à extensão do intervalo de tempo ou ao tamanho
da região, e não depende do número de resultados que ocorrem
fora desse intervalo de tempo ou dessa região.
Modelos de Distribuição Discreta

Distribuição de Poisson

Propriedades

3- A probabilidade de que mais de um resultado ocorrerá em um


intervalo de tempo muito breve ou em uma região muito pequena é
desprezível.
Modelos de Distribuição Discreta
Distribuição de Poisson

A distribuição de Poisson é empregada quando se está


interessado no número de sucessos ocorridos durante um
intervalo contínuo (tempo, espaço, etc...). Exemplos:

 Carros que passam por um cruzamento por minuto, durante


certa hora do dia;

 O número de suicídios ocorridos em uma cidade durante um


ano;

 Número de chegadas a um caixa automático de um banco


durante um período de 15 minutos.
Modelos de Distribuição Discreta
Distribuição de Poisson

Uma variável aleatória X admite distribuição de Poisson se:

1. X = 0, 1, 2, … (não tem limites)

e−λ λ
x
2. P X = x = , x = 0, 1, 2, … n.
x!

3. E X = μ = λ

4. V X = σ2 = λ
Modelos de Distribuição Discreta
Distribuição de Poisson – Uma justificativa

X= número de ocorrência em [t, t+1]

n = intervalos de amplitude 1/n


p = probabilidade de ocorrência em cada intervalo

𝒏
𝑷 𝑿=𝒙 ≈ ∙ 𝒑𝒙 ∙ 𝟏 − 𝒑 𝒏−𝒙
𝒙
𝒏→∞
𝒑→𝟎
𝒏 𝒑 → λ >0
Modelos de Distribuição Discreta

Distribuição de Poisson

Função da probabilidade p(x)

𝒆−λ λ𝒙
𝒑 𝒙 = 𝑥 = 0, 1, 2 …
𝒙!
Modelos de Distribuição Discreta

Distribuição de Poisson

Função acumulada F(x)

λ𝒊 𝒆λ
𝒙

𝑭 𝒙 = para x = 0,1,2 …
𝒊!
𝒊=𝟎
Modelos de Distribuição Discreta
Distribuição de Poisson

Esperança E(x)
𝑬 X =λ

Variância V(X)
𝑽 X =λ

Onde:
𝑬 X =𝑽 X =λ
Modelos de Distribuição Discreta

Distribuição de Poisson

Exemplo 8. (BARBETTA, pg. 135) Supondo que as consultas em


um banco de dados ocorrem de forma independentes e aleatórias,
com uma taxa média de 3 consultas por minuto. Calcule a
probabilidade de que no próximo minuto ocorram menos do que 3
consultas.
Modelos de Distribuição Discreta

Distribuição de Poisson

Solução: Seja X o número de consultas por minuto.

p x = P X < 3 = p 0 + p 1 + p(2) →

𝑒 −3 30 𝑒 −3 31 𝑒 −3 32
+ + = 𝟎, 𝟒𝟐𝟑𝟐 ≡ 𝟒𝟐, 𝟑𝟐%
0! 1! 2!
Modelos de Distribuição Discreta

Distribuição de Poisson

Exemplo 9. (BARBETTA, pg. 136) Mensagens chegam a um


servidor de acordo com uma distribuição de Poisson, com taxa
média de cinco chegadas por minuto.

a) Qual é a probabilidade de que duas chegadas ocorram em um


minuto?

b) Qual é a probabilidade de que uma chegada ocorra em 30


segundos?
Modelos de Distribuição Discreta
Distribuição de Poisson

Solução

a)
𝑒 −5 52
𝑝 𝑥 = = 𝟎, 𝟎𝟖𝟒 ≡ 𝟖, 𝟒%
2!

b)
𝑒 −2,5 2,51
𝑝 𝑥 = 𝟎, 𝟐𝟎𝟓𝟐 ≡ 𝟐𝟎, 𝟓𝟐%
1!
Referências
BARBETTA, P. A. REIS, M. M. BORNIA, A. C. Estatística para Cursos de
Engenharia e Informática. 3ª Edição. Atlas S.A. São Paulo - SP, 2010.

COLCHER, Sérgio. Algumas Distribuições Discretas. Disponível em:


<http://www.inf.pucrio.br/~inf2511/inf2511_files/menu/material/transparencias/0
7-Distribuicoes.pdf>. Acesso em: 17 de Outubro de 2013.

DÍAZ, F. R. LÓPEZ, F. J. B. Bioestatística. Thonson. São Paulo – SP, 2007.

MEYER, P. L. Probabilidade: Aplicação à estatística. 2ª Edição. LTC. Rio de


Janeiro – RJ, 2012.

WALPOLE, R. E. et. al. Probabilidade e Estatística para Engenharia e


Ciências. 8ª Edição. Pearson. São Paulo – SP, 2009.

Potrebbero piacerti anche