Vari

Vari

veis Aleat
veis Aleat

rias e Principais
rias e Principais
Modelos Discretos
Modelos Discretos
VICTOR HUGO LACHOS DAVILA
VICTOR HUGO LACHOS DAVILA
AULA 6
AULA 6
-
-
8:
8:
2
VARI
VARI

VEL
VEL
ALEAT
ALEAT

RIA
RIA
Vamos incorporar o conceito de probabilidade
ao estudo de variveis associadas a
caractersticas em uma populao.
3
Vari
Vari

vel Aleat
vel Aleat

ria (v.a.):
ria (v.a.): Uma funo X que associa
a cada elemento do espao amostral um valor num
conjunto enumervel de pontos da reta
denominada varivel aleatria discreta.
Se o conjunto de valores qualquer intervalo de
nmeros reais, X denominada varivel aleatria
contnua.
4
Exemplos:
1) Observar o sexo das crianas em famlias com trs
filhos.
2) Observar o tempo de reao a um certo
medicamento.
={(MMM), (MMF), (MFM), (FMM), (MFF), (FMF), (FFM),(FFF)}
Defina X: n. de crianas do sexo masculino (M).
Ento X uma v.a. discreta que assume valores no
conjunto {0, 1, 2, 3}.
Defina X: tempo de reao ao medicamento.
X uma v.a. contnua que assume qualquer valor real
positivo.
5
O termo aleatrio indica que a cada possvel valor da
v.a. atribumos uma probabilidade de ocorrncia.
1 ) x P(X e 1 ) x P(X 0
n
1 i
i i
=
= = =
Uma funo de probabilidade deve satisfazer:
VARI
VARI

VEL ALEAT
VEL ALEAT

RIA DISCRETA
RIA DISCRETA
Fun
Fun

o de probabilidade( f.p.)
o de probabilidade( f.p.)
:
: a funo que
atribui a cada valor x
i
da v. a. discreta X sua
probabilidade de ocorrncia e pode ser apresentada
pela tabela:
6
O Departamento de Estatstica formado por 35
professores, sendo 21 homens e 14 mulheres.
Uma comisso de 3 professores ser constituda
sorteando, ao acaso, trs membros do
departamento. Qual a probabilidade da
comisso ser formada por pelo menos duas
mulheres?
Vamos definir a v.a.
X: n de mulheres na comisso.
Exemplo 1:
7
8
= {(1,1), (1,2), (1,3), (1,4), (1,5), (1,6),
(2,1), (2,2), (2,3), (2,4), (2,5), (2,6),
(3,1), (3,2), (3,3), (3,4), (3,5), (3,6),
(4,1), (4,2), (4,3), (4,4), (4,5), (4,6),
(5,1), (5,2), (5,3), (5,4), (5,5), (5,6),
(6,1), (6,2), (6,3), (6,4), (6,5), (6,6)}.
Qual a probabilidade de cada ponto w
i
de ?
Exemplo 2: Um dado lanado duas vezes de forma
independente. Qual a probabilidade da soma dos
pontos ser menor do que 6?
Admitindo que o dado perfeitamente homogneo
e sendo os lanamentos independentes, ento
P(w
i
) = 1/36 , w
i
.
9
Defina X: soma dos pontos.
Ento,
P (X < 6) = P(X=5) + P(X=4) + P(X=3) + P(X=2)
= 4/36 + 3/36 + 2/36 + 1/36
= 10/36 = 0,278
Funo de probabilidade de X:
10
Podemos estar interessados em outras v.a.s.
Y: valor mximo obtido dentre os dois lanamentos
Z: diferena entre os pontos do 2 e do 1 lanamento
U: pontos do 2 lanamento
11
M
M

DIA E VARINCIA (v.a. discretas)

DIA E VARINCIA (v.a. discretas)
Qual o valor mdio da soma dos pontos no
lanamento de dois dados?
Valor Esperado
Valor Esperado
(m
(m

dia):
dia): Dada a v. a. X, assumindo os
valores x
1
, x
2
, ..., x
n
, chamamos de
valor m
valor m

dio
dio ou
valor
valor
esperado
esperado ou
esperan
esperan

a matem
a matem

tica
tica de X o valor
No exemplo,
E(X) = 2.(1/36) + 3. (2/36) + ... + 11. (2/36) + 12. (1/36)
= 252/36 = 7
ou seja, em mdia, a soma dos pontos no lanamento
dos dois dados 7.
E(X) = Notao:

=
= = = + + = =
n
1 i
i i n n 1 1
) x .P(X x ) x .P(X x ... ) x .P(X x E(X)
12
Varincia: o valor esperado da v.a. (X E(X))
2
, ou
seja, se X assume os valores x1, x2, ..., xn,
Da relao acima, segue que
. Var(X) DP(X) =
Desvio Padro
Desvio Padro
:
: definido como a raiz quadrada
positiva da varincia, isto ,
Notao:
Var(X).

2
= =
Notao:
DP(X). = =
) x P(X . E(X)] - [x Var(X)
i
n
1 i
2
i
= =

=
. [E(X)] ) E(X Var(X)
2 2
=
13
83. , 5
36
210
36
1
7) - (12
36
2
7) - (11 ...
36
2
7) - (3
36
1
7) - (2 Var(X)
2 2 2 2
= =
.
+
.
+ +
.
+
.
=
No exemplo,
83 , 54
36
1974
36
1
12
36
2
11 ...
36
2
3
36
1
2 ) E(X
2 2 2 2 2
= =
.
+
.
+ +
.
+
.
=
Alternativamente, poderamos calcular
e, portanto, Var(X) = 54,83 7
2
= 5,83.
14
1) Se Y = aX + b, onde a e b so constantes, ento
E(Y) = E(aX + b) = aE(X) + b
e
Var(Y) = Var(aX + b) = a
2
Var(X).
2) Se X
1
, X
2
, ..., X
n
so n variveis aleatrias, ento
E(X
1
+ ... + X
n
) = E(X
1
) + E(X
2
) + ... + E(X
n
).
Propriedades:
Propriedades:
Se X
1
, X
2
, ..., X
n
so independentes, ento
Var(X
1
+ ... + X
n
) = Var(X
1
) + Var(X
2
) + ... + Var(X
n
).
15
A funo de distribuio ou funo de distribuio
acumulada de uma varivel aleatria discreta (ou
continua) X definida, para qualquer valor real x, pela
seguinte expresso:
Fun Fun o de Distribui o de Distribui o Acumulada (f.d.a.) o Acumulada (f.d.a.)
R. x ), ( ) ( = x X P x F
Observe que o domnio de F todo o conjunto dos
nmeros reais, ao passo que o contradomnio o
intervalo [0,1]
16
Considere o experimento que consiste no
lanamento independente de uma moeda duas vezes.
Seja a v.a. X: n de caras obtidas. Encontre a f.d.a. da
v.a. X.


2 s , 1
2 1 se , 75 , 0
1 0 se , 25 , 0
0 e , 0
) ( ) (

<
<
<
= =
x e
x
x
x s
x X P x F
Grficar !
Exemplo 3
17
No exemplo 1 usando a tabela da f.p. de X: n de
mulheres na comisso.
3 s , 1
3 2 se , 975 , 0
2 1 se , 684 , 0
1 0 se , 203 , 0
0 e , 0
) (

<
<
<
<
=
x e
x
x
x
x s
x F
Grficar !
a f.d.a. de X ser dada por
Exemplo 4
18
Da relao anterior se estamos interessados na
probabilidade de se ter at duas mulheres na
comisso a resposta imediata:
975 , 0 ) 2 ( ) 2 ( = = X P F
0 1 3 2
0.203
0.684
0.975
1
x
F(x)
19
Uma varivel aleatria X tem a seguinte funo de distribuio:

<
<
<
<
<
=
15 se 1
; 5 1 x 6 se 9 , 0
6; x 5 se 7 , 0
5; x 2 se 5 , 0
2; x 1 - se 2 , 0
-1; x se 0
) (
x
x F
Determine:
a) A funo de probabilidade de X
b) Calcule o valor esperado e a varincia de X.
c) P(X<=2)
d) P(3<=X<=12)
Exemplo 5
20
Principais modelos probabilsticos discretos
1. Modelo Uniforme Discreto
Seja X uma varivel aleatria cujos possveis valores so representados por
x
1
, x
2
...,x
k
. Dizemos que X segue o modelo Uniforme discreto se atribui a mesma
probabilidade( 1/k) a cada um desses k valores, isto sua f.p. dada por
Exemplo 5: Considere o experimento que consiste no lanamento de um
dado, e estamos interessados na v.a. X: N
o
da face obtida. Neste caso
todos os possveis resultados ocorrem com a mesma probabilidade e,
assim, podemos dizer que a probabilidade se distribui uniformemente
entre os diversos resultados, ou seja, podemos escrever a seguinte f.p. :
Distribuio de uma v.a. Uniforme Discreta
contrario caso 0,
k. 1,2,..., i 1/k,
) x P(X
i
=
= =
X 1 2 3 4 5 6
P(X=x
i
) 1/6 1/6 1/6 1/6 1/6 1/6
21
Notao: X~U
d
(x
1
,..,x
k
)
Se X~U
d
(x
1
,..,x
k
), pode-se mostrar que:

=
=
k
i
i
x
k
X E
1
1
) (

=
=
=
k
i
n
i
i
i
k
x
x
k
X Var
1
2
1
2
}
) (
{
1
) (
No exemplo 5, temos que:
5 , 3 ) 6 5 4 3 2 1 (
6
1
) ( = + + + + + = X E
9 , 2 } 6 / 21 ) 36 25 16 9 4 1 {(
6
1
) (
2
= + + + + + = X Var
Obter a f.d.a. !
22
2. Modelo Bernoulli
Na prtica muitos experimentos admitem apenas dois resultados
Exemplo:
1. Uma pea classificada como boa ou defeituosa;
2. O resultado de um exame mdico para deteco de uma doena positivo ou
negativa.
3. Um entrevistado concorda ou no com a afirmao feita;
4. No lanamento de um dado ocorre ou no face 6;
5. No lanamento de uma moeda ocorre cara ou coroa.
Estas situaes tem alternativas dicotmicas e podem ser representadas
genericamente por resposta do tipo sucesso-fracasso.
Esses experimentos recebem o nome de Ensaios de Bernoulli e originam uma
v.a. com distribuio de Bernoulli.
23
Distribuio de uma v.a. de Bernoulli
Uma V.A. (X) de Bernoulli aquela que assume apenas dois valores 1
se ocorrer sucesso (S) e 0 se ocorrer fracasso (F), com
probabilidade de sucesso p, 0 < p <1. Isto , se X(S)=1 e X(F)=0. Logo
a funo de probabilidade dada por:
x
P(X=x)
0 1
1-p p
Notao: X~Bernoulli (p), indica que a v.a. X tem distribuio de Bernoulli com
parmetro p
Se X~Bernoulli(p) pode-se mostrar que:
E(X)=p
Var(X)=p(1-p).
Repeties independentes de um ensaio de Bernoulli do origem ao
modelo Binomial.

=
= = =

c c
x p p
x X P x f
x x
. ; 0
1 , 0 ; ) 1 (
) ( ) (
1
Obter a f.d.a. !
24
3. Modelo Binomial
Exemplo 1: Suponha que uma moeda lanada 3 vezes e probabilidade de
cara seja p em cada lanamento. Determinar a distribuio de probabilidade
da varivel X, nmero de caras nos 3 lanamentos.
Denotemos, S: sucesso, ocorrer cara (c) e F:fracasso, ocorrer coroa(k).
O espao amostral para o experimento de lanar um moeda 3 vezes :
={FFF.FFS, FSF,SFF,FSS, SFS, SSF,SSS}
Seja, Xi uma varivel aleatria Bernoulli (i=1,2,3). Ento a varivel
X=X1+X2+X3, representa o nmero de caras nos 3 lanamentos.

Probabilidade X
1
X
2
X
3
X=X
1
+X
2
+X
3
FFF (1-p)
3
0 0 0 0
FFS (1-p)
2
p 0 0 1 1
FSF (1-p)
2
p 0 1 0 1
SFF (1-p)
2
p 1 0 0 1
FSS (1-p)p
2
0 1 1 2
SFS (1-p)p
2
1 0 1 2
SSF (1-p)p
2
1 1 0 2
SSS P
3
1 1 1 3

25
3
2
2
3
}) ({ ) 3 (
) 1 ( 3 }) , , ({ ) 2 (
) 1 ( 3 }) , , ({ ) 1 (
) 1 ( }) ({ ) 0 (
p SSS P X P
p p SSF SFS FSS P X P
p p SFF FSF FFS P X P
p FFF P X P
= = =
= = =
= = =
= = =
Da temos que:
A funo de probabilidade da v.a. X dada por:
3 2 2 3
) 1 ( 3 ) 1 ( 3 ) 1 ( ) ( ) (
3 2 1 0
p p p p p p x X P x f
x
= =
O comportamento de X , pode ser representado pela seguinte funo:
)! 3 ( !
! 3
3
. , 0
3 , 2 , 1 , 0 , ) 1 (
3
) (
3
x x x
onde
c c
x p p
x
x f
x x

=

26
Distribuio de uma v.a. Binomial
Considere a repetio de n ensaios de Bernoulli independentes e todos com a
mesma probabilidade de sucesso p. A varivel aleatria que conta o nmero
total de sucessos nos n ensaios de Bernoulli denominada de varivel
aleatria Binomial com parmetros n e p e sua funo de probabilidade dada
por:
Binomial. e coeficient o representa ,
)! ( !
!
. , 0
, , 1 , 0 , ) 1 (
) ( ) (
x n x
n
x
n
onde
c c
n x p p
x
n
x X p x f
x n x

= = =

L
Notao, X~B(n,p), para indicar que v.a. X tem distribuio Binomial com
parmetros n e p.
Se X~B(n,p) pode-se mostrar que:
E(X)=np
Var(X)=np(1-p).
27
0 2 4 6 8
0
.
0
0
.
2
0
.
4
x
P
(
X
=
x
)
p=0,1
0 2 4 6 8
0
.
0
0
0
.
2
0
x
P
(
X
=
x
)
p=0,3
0 2 4 6 8
0
.
0
0
0
.
1
5
x
P
(
X
=
x
)
p=0,5
0 2 4 6 8
0
.
0
0
0
.
2
0
x
P
(
X
=
x
)
p=0,8
Distribuio Binomial com parmetros n=10 e p
28
0 5 10 15 20
0
.
0
0
0
.
2
0
x
P
(
X
=
x
)
p=0,1
0 5 10 15 20
0
.
0
0
0
.
1
5
x
P
(
X
=
x
)
p=0,3
0 5 10 15 20
0
.
0
0
0
.
1
0
x
P
(
X
=
x
)
p=0,5
0 5 10 15 20
0
.
0
0
0
.
1
5
x
P
(
X
=
x
)
p=0,8
Distribuio Binomial com parmetros n=20 e p
29
0 10 20 30
0
.
0
0
0
.
1
5
x
P
(
X
=
x
)
p=0,1
0 10 20 30
0
.
0
0
0
.
1
0
x
P
(
X
=
x
)
p=0,3
0 10 20 30
0
.
0
0
0
.
1
0
x
P
(
X
=
x
)
p=0,5
0 10 20 30
0
.
0
0
0
.
1
5
x
P
(
X
=
x
)
p=0,8
Distribuio Binomial com parmetros n=30 e p
30
O professor da disciplina de Estatstica elaborou um prova de mltipla
escolha, consistente em 10 questes cada uma com 5 alternativas cada
questo. Suponha que nenhum dos estudantes que vo a fazer a prova no
vo as aulas e no estudaram para a prova (o que muito freqente). O
professor estabeleceu que para aprovar deve contestar corretamente ao
menos 6 questes. Se 200 alunos se apresentaram, quantos alunos
aprovaram a disciplina?.
S: questo respondida corretamente
F:questo respondida incorretamente
A probabilidade se sucesso constante e c/ estudante responde
independentemente a questo
Soluo:Seja a v.a. X: nmero de questes respondidas corretamente nas 10
questes. Ento o evento de interesse :
P(S)=1/5 e P(F)=4/5. Logo, X~B(10,p).

= =

c c
x
x
x X P
x x
. , 0
10 , , 1 , 0 ,
5
4
5
1
10
) (
10
L
A probabilidade de aprovar a prova um aluno :
006369 , 0 ) 6 ( 1 ) 6 ( = < = X P X P
Portanto, dos 200 alunos que fizeram a prova aprovariam:200(0,00636)2, alunos
Exemplo 2.
31
Suponha uma urna com 20 bolas brancas e 15 bolas pretas, extramos da urna
consecutivamente e com reposio 12 bolas. Encontre a probabilidade de se
obter 5 bolas brancas.
Exemplo 3.
S: obter uma bola branca em cada extrao
F: obter uma bola preta em cada extrao
A probabilidade se sucesso constante em c/ extrao e os resultado
so independentes em cada extrao.
Soluo:Seja a v.a. X: nmero de bolas brancas (sucessos) nas 12
extraes da urna. Ento o evento de interesse :
P(S)=4/7 e P(F)=3/7. Logo, X~B(12,4/7).

=

c c
x
x
x f
x x
. , 0
12 , , 1 , 0 ,
7
3
7
4
12
) (
12
L
0.12 ) 5 ( ) 5 ( = = = X P f
A probabilidade de obter 5 bolas brancas :
32
4. Modelo Hipergeomtrico
Suponha uma populao finita de N elementos, dividida em duas classes. Uma
classe com M (M<N) elementos (sucessos) e a outra com N-M elementos
(fracasso). Por exemplo, no caso particular de N peas produzidas, podem ser
consideradas as classes: M artigos defeituosos e (N-M) artigos no
defeituosos.
Uma amostra aleatria de tamanho n (n<N) sorteada sem reposio
sorteada dessa populao. A v.a. X definida como, o nmero de elementos com
a caracterstica de interesse (sucesso) na amostra de tamanho n. A funo de
probabilidade da v.a. X, dada por:

= = =
c c
M n x
n
N
x n
M N
x
M
x X P x f
. , 0
) , min( , 0 ,
) ( ) (
L
Notao, X~H(N,M, n), para indicar que v.a. X tem distribuio
Hipergeomtrica parmetros N, M e n.
N
M
p
N
n N
p np X Var np X E =

= = com ),
1
)( 1 ( ) ( , ) (
33
Exemplo 3.
Em um Departamento de inspeo de recebimento, lotes de eixo de bomba
so recebidos periodicamente. Os lotes contm 100 unidades, e o seguinte
plano de amostragem de aceitao usado. Seleciona-se uma amostra
aleatria de 10 unidades sem reposio. O lote aceito se a amostra tiver,
no mximo, um defeituoso. Suponha que um lote seja recebido e que 5%
defeituoso. Qual probabilidade que seja aceito o lote?
X: Nmero de defeituosos na amostra X~H(100,5,10)
923 , 0
10
100
9
95
1
5
10
100
10
95
0
5
) 1 ( ) 0 ( ) 1 ( ) (
=

=
= + = = = X P X P X P lote o aceitar P
34
Observao: Se X~H(N,M,n) e n/N< 0,10. Ento X~B(n, M/N).
Exemplo. Foram colocados em uma caixa 100 peas, 40 dos quais foram
fabricados pela industria B e as outras pela industria A. Foram sorteadas
aleatoriamente, sem reposio, 8 peas, qual a probabilidade de que 4
sejam da industria A?
Seja X: nmero de peas da industria A na amostra. Ento X~H(100,40,8).
. 2395 , 0
10
100
4
40
4
60
) 4 ( =

= = X P
J que, 8/100=0,08<0,10. Ento, X~B(8, 60/100) (aproximadamente).
( ) ( ) . 2322 , 0 4 , 0 6 , 0
4
8
) 4 (
4 4
=

= = X P
35
4. Modelo Geomtrico
A distribuio Geomtrica pode ser pensada como o nmero de ensaios de
Bernoulli, com probabilidade de sucesso constante p, que precedem ao
primeiro sucesso. Dizemos que uma varivel aleatria X tem distribuio
Geomtrica de parmetro p se sua funo de probabilidade tema forma
0,1,2,... k , ) 1 ( ) ( ) ( = = = =
k
p p x X P x f
Notao, X~G(p)
Exemplo. Se X~G(p), prove que
2
) 1 (
) ( ,
) 1 (
) (
p
p
X Var
p
p
X E

=

=
Exemplo. Uma linha de produo est sendo analisada para efeito de
controle da qualidade das peas produzidas. Tendo em vista o alto padro
requerido, a produo interrompida para regulagem toda vez que uma
pea defeituosa observada. Se 0,01 a probabilidade da pea ser
defeituosa, estude o comportamento da varivel Q, quantidade de peas
boas produzidas antes da 1a defeituosa.
) ( ) | ( n X P n X n m X P = > + >
36
5. Modelo Poisson
Na prtica muitos experimentos consistem em observar a ocorrncia de
eventos discretos em um intervalo contnuo (unidade de medida)
Exemplo:
1. Nmero de consultas a uma base de dados em um minuto.
2. Nmero de casos de Dengue por kilometro quadrado no estado de
SP
3. Nmero de machas (falhas) por metro quadrado no esmaltado de uma
geladeira.
4. Nmero de chamadas que chegam a uma central telefnica de uma empresa
num intervalo de tempo (digamos das 8,0 a.m. s 12,0 a.m.).
5. Nmero de autos que chegam ao Campus entre 7,0 a.m. a 10,0 a.m.
37
Onde: X: nmero de eventos discretos em t unidades de medida,
: media de eventos discretos em uma unidade de medida,
t: unidade de medida
= t: media de eventos discretos em t unidades de medida
Notao: X~P(), para indicar que a v.a. X tem distribuio de Poisson com
parmetro . Pode-se mostrar que se X~P()
E(X)= , Var(X)=
Uma varivel discreta X tem distribuio de Poisson com parmetro se sua
funo de probabilidade dada por:

=
=

. . ; 0
, 2 , 1 , 0
!
) (
c c
x
x
e
x f
x
L

Distribuio de uma v.a. Poisson

38
0 40 80
0
.
0
0
0
.
1
5
x
P
(
X
=
x
)
P(4)
0 40 80
0
.
0
0
0
.
0
8
x
P
(
X
=
x
)
P(10)
0 40 80
0
.
0
0
0
.
0
6
x
P
(
X
=
x
)
P(20)
0 40 80
0
.
0
0
0
.
0
4
x
P
(
X
=
x
)
P(50)
39
Exemplo 4. Suponha que a central telefnica de uma empresa de grande porte
recebe em mdia 3 chamadas cada 4 minutos. Qual a probabilidade que a
central recepcione 2 ou menos chamadas em um intervalo de 2 minutos?
Se X: nmero de chamadas que recebe a central telefnica da empresa
em 2 minutos, ento, X ~P(). Aqui t=2 e =3/4=0,75, ento =(0,75)(2)=1,5.
Ou seja X~P(1,5)
. 808847 , 0 ]
2
5 , 1
5 , 1 1 [ ) 2 ( ) 1 ( ) 0 ( ) 2 (
.... 3 , 2 , 1 , 0 ,
!
5 , 1
) (
2
5 , 1
5 , 1
= + + = = + = + = =
= =

e X P X P X P X P
x
x
e
x f
x
40
A Distribuio Poisson Como Aproximao da Distribuio Binomial
A distribuio Binomial para x sucessos em n ensaios de Bernoulli e
dada por:
. , , 0 , ) 1 ( ) ( n x p p
x
n
x X P
x n x
L =

= =

Se =np, p=/n, substituindo p na funo probabilidade temos
x
n
x
x n x
n
n
x n
x
n n n n x
n
x X P

= =

1
1
!
1
1
2
1
1
1 1 ) ( L
!
) ( ,
x
e
x X P temos n Fazendo
x

= =
41
Exemplo 5. A probabilidade de um rebite particular na superfcie da asa de
uma aeronave seja defeituosa 0,001. H 4000 rebites na asa. Qual a
probabilidade de que seja instalados no mais de seis rebites defeituosos?
Se X: nmero de rebites defeituosos na asa da aeronave. Ento,
X~B(400,0,001)
( ) ( )

=
=

6
0
400
. 8894 , 0 999 , 0 001 , 0
4000
) 6 (
x
x x
x
X P
Usando a aproximao de Poisson, =4000(0,001)=4 X~P(4)

= =
6
0
4
. 889 , 0
!
4
) 6 (
x
x
x
e
X P
42
Teorema: Se
n
X X , ,
1
K so variveis aleatrias independentes, com
distribuio de Poisson com parmetros,
n
, ,
1
K , respectivamente,
ento a varivel aleatria,
n
X X Y L + =
1

tem distribuio de Poisson com parmetro,
n
L + =
1
.
Exemplo 6. Em uma fabrica foram registradas em trs semanas a mdia de
acidentes: 2,5 na primeira semana, 2 na segunda semana e 1,5 na terceira
semana. Suponha que o nmero de acidentes por semana segue um processo de
Poisson. Qual a probabilidade de que haja 4 acidentes nas trs semanas?
Seja a varivel aleatria,
i
X : nmero de acidentes na i-sima
semana, i=1,2,3. ) ( ~
i i
P X , ento, a v.a. ,
3 2 1
X X X Y + + = tem distribuio
de Poisson com parmetro, 6 5 , 1 2 5 , 2 = + + = .(y~P(6))
1339 , 0
! 4
6
) 4 (
4 6
= = =

e
Y P