Notas de Aula de Probabilidade A

VIII- PRINCIPAIS DISTRIBUIÇÕES DE PROBABILIDADE.

8.1. DISTRIBUIÇÕES DISCRETAS:

8.1.1. UNIFORME DISCRETA
Uma v.a. tem distribuição uniforme discreta quando sua função de probabilidade for
dada por:

1 
 x = 1,2,..., N  1
p(x ) =  N  = Ι {1,2,...,N} (x )
0 c/c  N
 

PROPRIEDADES:
1+ N
E(X) =
2
N2 − 1
V(X) =
12
N
1
MX(t) = ∑e
j=1
jt
.
N
Ex1:
Seja ε lançar um dado, então: P(X)
X = { 1, 2, 3, 4, 5, 6 }
p(xi) = 1/6 1/6
E(X) = 3,5
V(X)= 2,92
1 2 3 4 5 6 X

8.1.2. BERNOULLI:

Uma v.a. X tem distr. Bernoulli se sua f.p. for dada por:

p x (1 − p) 1− x x = 0,1 1− x
p( x ) =   = p (1 − p) I{0,1} ( x)
x

0 c/c 

PROPRIEDADES:

E(X) = p
V(X) = p.q
MX(t) = pet + q

Profa. Sonia Isoldi Marty Gama Müller Página 1

 Notas de Aula de Probabilidade A

PROCESSO DE BERNOULLI:

É o processo de amostragem no qual :

1. Em cada tentativa existem 2 resultados possíveis mutuamente exclusivos
(sucesso e fracasso).
2. As séries de tentativas são independentes.
3. A probabilidade de sucesso (p) permanece constante de tentativa para
tentativa ou
seja o processo é estacionário.

8.1.3. BINOMIAL:

Uma v.a. possui distribuição binomial se sua f.p. for dada por:

 n   n
p(x) =   . p x . q n − x x = 0, 1, ..., n  =   . p x . q n − x I{0,1,...,n} ( x)
 x   x

 n n!
n
C =  x = x!( n − x)!
x

A distribuição binomial é utilizada para determinar a probabilidade de se

obter um dado número de sucessos em um processo de Bernoulli.

X = número de sucessos
n = número de tentativas
p = probabilidade de sucessos em cada tentativa.

PROPRIEDADES:
E(X) = np
V(X) = npq
MX(t) = (pet + q)n

EXEMPLO 1: Uma urna contém 6 bolas brancas e 4 pretas. Calcular a

probabilidade de ao retirar com reposição 3 bolas, 2 sejam brancas.

EXEMPLO 2: Entre 2.000 famílias com 4 crianças cada uma, quantas se

esperaria que tivessem:
a) Pelo menos 1 menino.
b) 2 meninos.
c) Nenhuma menina.

EXEMPLO 3: A probabilidade de que certos pais com olhos azuis escuros

tenham filhos com olhos da mesma cor é de 1/4. Se houver 6 filhos na família, qual a
probabilidade de que, pelo menos, metade das crianças tenham olhos azuis escuros?

Profa. Sonia Isoldi Marty Gama Müller Página 2

 Notas de Aula de Probabilidade A

8.1.4. POISSON:

Uma v.a. X tem distr. Poisson se sua f.p. for dada por:

 λx .e − λ 
 x = 0, 1, 2, ... x −λ
 λ .e
p( x ) =  x! = I{
0 ,1 ,2 ,...}
(x)
  x!
0 c/c 

A distr. de Poisson pode ser usada para determinar a probabilidade de um dado

número de sucessos quando os eventos ocorrem em um “continuum” de tempo ou
espaço.
É similar ao processo de Bernoulli, exceto que os eventos ocorrem em um
“continuum” ao invés de ocorrerem em tentativas fixadas, tal como o processo de
Bernoulli os eventos são independentes e o processo é estacionário.

λ = número médio de sucessos para uma específica dimensão de tempo e

espaço.
X = número de sucessos desejados.

PROPRIEDADE:

E(X) = λ
V(X) = λ
M X ( t ) = e λ ( e −1)
t

Obs: Quando o número de observações ou experimentos em um processo de Bernoulli

for muito grande a distr. de Poisson é apropriada como uma aprox. das distr. Binomiais
quando:

n ≥ 30
np < 5
λ = np

EXEMPLO 1:Um departamento de conserto de máquinas recebe um média de 5

chamadas por hora. Qual a probabilidade que, em uma hora selecionada aleatoriamente,
sejam recebidas exatamente 3 chamadas?

EXEMPLO 2: Em média, 12 pessoas por hora são atendidas em um laboratório

de análises clínicas. Qual a probabilidade que 3 ou mais pessoas sejam atendidas
durante um período de 10 minutos?

Profa. Sonia Isoldi Marty Gama Müller Página 3

 Notas de Aula de Probabilidade A

8.1.5- HIPERGEOMÉTRICA:

Uma v.a. X tem distribuição hipergeométrica se sua f.p. for dada por:

  r   N − r 
      r   N − r
  x  n − x    
p / x = 0, 1, ..., n   x  n − x 
p( x ) =   N  = I{0,1,..,n} ( x)
  n    N
 
   n
0 c/c 

A distr. hipergeométrica é utilizada quando a amostragem é feita sem

reposição de cada item amostrado de uma população finita, pois neste caso não
se pode aplicar o processo de Bernoulli, uma vez que existe uma mudança
sistemática na probabilidade de sucesso a medida que os ítens são retirados da
população (eventos dependentes).
Assim:
X = número dado de sucessos
N = número total de itens da população
r = número total de sucessos na população
n = número de itens na amostra.

Obs: Quando a pop. for grande e a amostra relativamente pequena, o fato da

amostragem ser feita sem reposição tem pequena influência na prob. de
sucesso
de cada tentativa, então pode-se usar a distribuição binomial como uma
aproximação da hipergeométrica. A aproximação pela binomial é
considerado boa se n < 0,1.
N

Propriedades:

 r 
E ( X ) = n.   = np
N

 r  N − r N − n
V ( X ) = n.     
 n N  N − 1

M X ( t ) não é utilizado

Profa. Sonia Isoldi Marty Gama Müller Página 4

 Notas de Aula de Probabilidade A

8.1.6- GEOMÉTRICA:
Uma v.a tem distribuição geométrica se sua f.p. for dada por:

pq x − 1 x = 1, 2, 3, ...
 x −1
p( x) =   = pq I{ 1, 2 , 3 ,...} ( x)
0 c/c 

X = número de ensaios necessários para a primeira ocorrência do evento.

Obs: Na distr. binomial o número de repetições era pré-determinado, enquando

na geométrica é a v.a.

Propriedades:
1
E (X ) =
p
q
V (X ) = 2
p

p. e t
M X (t) =
1 − qe t

8.1.7- PASCAL:

Um v.a. X tem distr. de Pascal se sua f.p. for dada por:

 x − 1 r x− r 
 p q x = r, r +1, r + 2, ...  x − 1 r x− r
p(x) =  r − 1 =  p q I{ r ,r +1,r +2,...} (x)
0   r − 1
 c/c 

X = No. de repetições necessárias para que o evento A ocorra r vezes.

Obs: Uma generalização da distr. geométrica é a distr. de Pascal. Assim:

para r = 1 ⇒ X~Geométrica

Propriedades:
r rq pe t
E(X) = V(X) = M X (t) =
(1 − qe )
r
p p2 t

Profa. Sonia Isoldi Marty Gama Müller Página 5

 Notas de Aula de Probabilidade A

8.1.8-BINOMIAL NEGATIVA:

Uma v.a. Y tem distribuição binomial negativa se sua f.p. for dada por:

 r + y − 1 r y 
 p q y = 0, 1, 2, ...  r + y − 1 r y
p(Y) =  y  =  p q I{0,1,2,...} ( y)
0   y 
 c/c 

Y = número de falhas antes do r-ésimo sucesso.

Propriedades:
r
rq rq  p 
E (Y ) = V (Y ) = 2 M Y (t) =  
p p  1 − tq 

Obs: a passagem da Pascal para a Binomial Negativa:

 x − 1 r X − r fazendo x = r + y ⇔ y = x - r
p(x) =  p q
 r − 1

 r + y − 1 r r + y − r  r + y − 1 r y
p( y) =  p q = p q
 r −1   y 

8.1.9- MULTINOMIAL:

Considere-se um experimento ε , seu espaço amostral Ω, e a partição de

Ω em k eventos mutualmente exclusivos A1, A2, ..., Ak. Considerem-se n
repetições de ε . Então pi = P(Ai) e supondo que pi permaneça constante durante todas
k
as repetições, temos que ∑ p i = 1 .
i=1

Xi = número de vezes que Ai ocorre nas n repetições de ε . (i = 1, 2, ...,

k)

Os Xi são v.a. independentes por que ∑X =n 1 1

. Então:

p(X1=n1, X2=n2, ... , Xk=nk)= n!

p 1n .. . p nk
1 k

n1 ! n 2 ! ... n k

Obs: A distr. multinomial é considerada como uma generalização da binomial.

Propriedades:

E(Xi) = npi V(Xi) = n pi qi

Profa. Sonia Isoldi Marty Gama Müller Página 6

 Notas de Aula de Probabilidade A

8.2 DISTIBUIÇÕES CONTINUAS DE PROBABILIDADE:

8.2.1. UNIFORME OU RETÂNGULAR:

Uma v.a. X é uniformemente distribuida am 1≤ x ≤ b se sua f.d.p. for:

 1 
a ≤ x ≤ b
 
f ( x ) = b − a
1
 = I[
a ,b ]
(x)
  b− a
 0 c/c 

0 x<a 
 
 
 (x − a )  (x − a )
F( x ) =  a ≤ x ≤ b = I [ a ,b ) ( x ) + I (x)
 (b − a )  (b − a )
[ b ,∞ )

 
 1 x>b 

PROPRIEDADES:

E( X ) =
a +b
V(X) =
(b - a )2 M (t ) =
e bt − e at
2 12
X
(b − a )t

f(x) F(x)
-
1/b-a

x x
a b a b

8.2.2. DISTRIBUIÇÃO EXPONENCIAL:

Uma v.a. X tem distr. exponencial com parâmetro λ > 0, se sua f.d.p. for dada
por:

f ( x ) = λ e − λx I [ 0 ,∞ )
(x) ,λ >0

PROPRIEDADES:
1 1 λ
E( X ) = V(X) = M X (t ) = ,t < λ
λ λ 2
λ −t
x
F ( x ) = P( X ≤ x ) = ∫ λe −λt dt = 1 − e −λx , x ≤ 0
0
-λx
Assim: P(X>x) = e

Profa. Sonia Isoldi Marty Gama Müller Página 7

 Notas de Aula de Probabilidade A

Obs: Se os eventos, ou sucessos, ocorrem em um contexto de um processo de

Poisson, então o comprimento do tempo ou espaço entre 2 eventos sucessivos segue
uma distribuição de probabilidade exponencial. Uma vez que tempo ou espaço são um
“continuum”,a distr. será contínua.

PROPRIEDADE DE PERDA DE MEMÓRIA:

Seja X ~ Exponencial ( λ ), sejam s, t ≥ 0, então:

P( X > s+t / X > t ) = P (X > t) ∀ s, t ≥ 0

Demo:

P( X > s + t ∩ X > t ) P( X > s + t ) e − λ ( s+ t )

P( X > s + t X > t ) = = = =
P( X > t ) P( X > t ) e − λt
e − λs e − λt
= = e − λs = P( X > s)
e − λt

EXEMPLO 1: Em média, um navio atraca em certo porto a cada 2 dias. Qual a

prob. de que, a partir da partida de um navio, se passem 4 dias antes da chegada do
próximo navio?

R: média por 2 dias = 1

λ = média por dia = 1/2
P(X>4) = e-λx = e-4.1/2 = 13,53%

EXEMPLO 2: Um departamento de conserto de máquinas recebe, em média, 5

chamadas por hora. Iniciando em um ponto do tempo aleatoriamente escolhido, qual a
prob de que a primeira chamada chegue dentro de ½ hora ?

R: média por hora = 5

λ = média por hora = 5
P(X ≤ 1/2) = 1 - e-λx = 1 - e-5.1/2 = 1- 0.08208 = 91,792%

8.2.3. DISTRIBUIÇÃO GAMA:

Função Gama:

Γ( p) = ∫ x p −1e − x dx p>0
0

Se integrarmos por partes, fazendo :

e-x dx = dv e xp-1 = µ obteremos:

Profa. Sonia Isoldi Marty Gama Müller Página 8

 Notas de Aula de Probabilidade A

[ ]
∞
Γ(p) = −e ∫ − e (p − 1)x dx =
−x ∞
.x p−1 0 − | −x p−2

0
∞
= 0 + (p − 1) ∫ e − x x p−2 dx =
0
= (p − 1)Γ(p − 1)

Se p for inteiro positivo p=n. Aplicando a relação acima repetidas vezes teremos:

Γ(n ) = (n − 1)Γ(n − 1) =
= (n − 1)(n − 2 )Γ(n − 2 ) =
= (n − 1)(n − 2 )...Γ(1)
∞

Porém, Γ (1) = ∫ e − x dx = 1 então:

0

Γ(n) = (n-1)! p/ n inteiro positivo

e também verifica-se:
∞

Γ (1 / 2) = ∫ x −1/ 2 e − x dx = π
0

Distribuição Gama:

Seja X um v.a. contínua, que tome somente valores não negativos. Então,
X ~ GAMA(α,λ) se sua f.d.p., for dada por:

 λα r −1 − λx
 x e ,x > 0
f ( x ) =  Γ(α ) Γ(α) = (α-1)!
0
 c/c

p/ α ≥ 1 eλ=>0

onde: α = número de ocorrências no tempo.

X = o tamanho do tempo entre o tempo 0 e o instante quando a α-ésima

Gamma Distribution
1 Shape,Scale
1,1
0,8
density

0,6

0,4
Profa. Sonia Isoldi Marty
0,2 Gama Müller Página 9
0
0 1 2 3 4 5 6
x
 Notas de Aula de Probabilidade A

ocorrência acontece..

PROPRIEDADES:

1. Se α =1 então f(x) = λe-λx ⇒ distr. exponencial (caso particular da Gama)

A soma de v.a. exponenciais distribuidas identicamente independentes é uma distr.
Gama.

2.
α
α α  λ 
E (X) = V(X) =  2  M X (t) =   , p/ t < λ
λ λ  λ − t

8.2.4. DISTRIBUIÇÃO NORMAL (GAUSS):

Uma v.a. X ~ N(µ , s ) se sua f.d.p. for dada por:

2
1  x−µ 
1 −  
f ( x) = e 2 σ 
- ∞ < x < ∞, - ∞ < µ < ∞ e σ > 0
σ 2π
2
x 1  x−µ 
1 −  
F( x) =
σ 2π
∫e
−∞
2 σ 
dx = Φµ , σ 2 ( x)

PROPRIEDADES:

1. fX(x) > 0 , x∈ℜ

2. lim f X ( x ) = 0
x →±∞

3. fX(x) é contínua e diferenciavel.

4. fX(x) é crescente para x ∈ (-∞, µ) e decrescente para x ∈ (µ, ∞).

5. Ponto de máximo da função em x = µ. Então µ é também a moda da

distribuição.
f’(x) = f(x). (x-µ)/σ ⇒ f’(µ) = 0
f”(x) = f(x) [ (x-µ)2/σ2 - 1/σ2] ⇒ f”(µ) = -f(µ)/σ2 <0

6. Existem dois ou mais pontos de inflexão em x = µ+σ e x = µ-σ . ( a segunda

derivada se anula)

7. fX(x) é simétrica em relação a µ. (x-µ)2.

Profa. Sonia Isoldi Marty Gama Müller Página 10

 Notas de Aula de Probabilidade A

8. Valor esperado : µ

9.Variância = σ2

10. MX(t) = etµ + 1/2.t2σ2

11. A área da curva correspondente entre:

(µ - σ) e (µ + σ) = 68,27%
(µ - 2σ) e (µ + 2σ) = 95,45%
(µ - 3σ) e (µ + 3σ) = 99,73%

IMPORTÂCIA:

1. Poder de modelamento. Medidas produzidas em diversos processos aleatórios

seguem a distr. normal.

2. Capacidade de aproximação de outras distr. como Binomial e Poisson.

3. As distr. de estatísticas da amostra freqüentemente seguem a distr. normal

independente da distr. da população.

EXEMPLO: Construa uma distribuição normal com µ = 20 e σ = 2 e determine

a de se encontrar valores entre:
a) 18 e 22
b) 20 e 24
c) 14 e 16

DISTRIBUIÇÃO NORMAL REDUZIDA:

Quando µ = 0 e σ2 = 1 (caso particular) (chamada "standard",

normalizada, padrão)

xi − µ
1
1 − z2
f ( z) = e 2
p/ z =
2π σ
z x2
1 −
F( z) = Φ( z) = ∫
2 π −∞
e 2 dz ⇒ valor tabelado

P(a ≤ x ≤ b) = Φ(b) - Φ(a)

Profa. Sonia Isoldi Marty Gama Müller Página 11

 Notas de Aula de Probabilidade A

EXEMPLO 1: Determine a área limitada pela curva normal em cada um dos

casos:

1. 0 ≤ Z ≤ 1,2 R: 0,3849
2. -0,68 ≤ Z ≤ 0 0,2517
3. -0,46 ≤ Z ≤ 2,21 0,6637
4. Z ≤ -0,6 0,2743
5. Z ≥ 0,62 0,2676
6. 0,18 ≤ Z ≤ 0,26 0,0312
7. -0,95 ≤ Z ≤ -0,41 0,1698
8. Z < -1,51 e Z > 1,51 0,1310
9. Z > -0.5 0,6915

EXEMPLO 2: Sendo os QI's Feminino e Masculino com média igual a 100 e

desvio padrão 5 e 10 respectivamente. Calcular as probabilidades de encontrarmos QI's
acima de 110 para ambos os sexos.

EXEMPLO 3: Com os dados do execício anterior calcular as probabilidades de

encontrarmos QI's abaixo de 85.

APROXIMAÇÕES PELA NORMAL:

1. BINOMIAL:
quando n ≥ 30
np ≥ 5
então: µ = np
σ2 = npq

2. POISSON:
quando λ ≥ 10
então: µ = λ
σ=λ

EXEMPLO 1: Uma moeda não viciada é lançada 500 vezes. Determinar a

probabilidade do número de caras não diferir de 250 em:
a) mais de 10 b) mais de 30

EXEMPLO 2: Um dado é lançado 120 vezes. Determinar a probabilidade de

aparecer a face 4:
a) 18 vezes ou mais b) 14 vezes ou menos

EXEMPLO 3: Sabe-se que os pedidos de serviços chegam aleatoriamente e

como um processo estacionário numa média de 5 por hora. Qual a probabilidade de que
sejam recebidos mais de 50 pedidos em um período de 8 horas?

Profa. Sonia Isoldi Marty Gama Müller Página 12

 Notas de Aula de Probabilidade A

8.2.5-OUTRAS DISTRIBUIÇÕES CONTÍNUAS:

8.2.5.1. DISTRIBUIÇÃO BETA:

 1
 x a −1 (1 − x) b −1 ,0 < x < 1
f ( x) =  B(a, b )
0
 c/c
1
onde : B(a, b) = ∫ x a −1 (1 − x) b −1 Função Beta
0
Obs:
1. A densidade beta é apropriada para modelar proporções, por causa do seu
domínio (o intervalo (0,1)) e também pela variedade de formas que ela pode
assumir.
2. Quando a=b=1 a Distribuição Beta se reduz a Distribuição Uniforme no
intervalo (0,1)

8.2.5.2. DISTRIBUIÇÃO CAUCHY:

 1
,-∞ < x < +∞ e β > 0

{
f ( x) = πβ 1 + [( X − α ) / β ]2 }
0
 c/c

Obs: A distribuição de Cauchy pode ser considerada uma distribuição patológica, pois
ela não apresenta média e variância. Entretanto a distribuição de Cauchy tem sua
importância em diversas áreas do conhecimento científico na fisica por exemplo essa
distribuição é solução de um equação diferencial que descreve um determinado tipo de
oscilador, em matemática é uma das soluções para a equação de laplace, entre diversas
outras finalidades. A distribuição de Cauchy, cujo o nome foi dado em homenagem ao
famoso matemático Augustin-louis Cauchy.

8.2.5.3. DISTRIBUIÇÃO WEIBULL:

abx b-1e -ax ,0 < x < +∞ , a > 0 e b>0
b

f ( x) = 
0 c/c

Obs:
1. Se b=1 a Distr. Weibull se reduz a Distr. Exponencial
2. A distribuição Weibull foi proposta originalmente por W. Weibull (1954) em estudos
relacionados ao tempo de falha devido a fadiga de metais. Ela é frequentemente usada
para descrever o tempo de vida de produtos industriais.

Profa. Sonia Isoldi Marty Gama Müller Página 13

 Notas de Aula de Probabilidade A

8.2.5.4. DISTRIBUIÇÃO LOGNORMAL:

  1 2
exp - 2 (ln x − µ ) 
1
 ,0 < x < +∞ − ∞ < µ < +∞ e σ > 0
f ( x) =  x 2πσ 2
 2σ 
0
 c/c

Obs: Assim como a distribuição Weibull, a distribuição Log-Normal é muito usada para
caracterizar tempo de vida de produtos e materiais. Isto inclui fadiga de metal,
semicondutores, diodos e isolação elétrica.

8.2.5.5. DISTRIBUIÇÃO LOGÍSTICA:

 1
 , − ∞ < α < +∞ e β > 0
F ( x) = 1 + e −( x −α ) / β
0 c/c

Obs: A função logística descrevendo uma curva sigmoidal simétrica é uma função
probabilística amplamente utilizada, principalmente em estudos de crescimento
populacional.

8.3-EXERCÍCIOS:
8.3.1- Uma urna contém 16 bolas brancas e 14 pretas. Calcular a probabilidade de ao
serem retiradas 5 bolas, 3 serem brancas, quando a amostragem for feita:
a) com reposição
b) sem reposição

8.3.2- A probabilidade de que um presumível cliente aleatoriamente escolhido faça uma

compra é 20%. Se um vendedor visita seis presumíveis clientes, qual a probabilidade de
que ele faça no mínimo quatro vendas?

8.3.3- De 6 empregados, 3 estão na companhia há cinco anos ou mais. Se quatro

empregados são aleatoriamente escolhidos deste grupo de seis, qual a probabilidade de
que dois estejam na companhia há cinco ou mais anos?

8.3.4- Uma moeda é lançada sucessivamente, qual a probabilidade de que a face cara
apareça 2 vezes na 3ª jogada?

8.3.5- Se a probabilidade de um indivíduo acusar reação negativa a injeção de

determinado soro é 0,1%. Determine a probabilidade de que , em 1000 indivíduos,
exatamente 3 acusarem reação.

8.3.6-.Numa central telefônica, o número médio de chamadas é de 8 por minuto.

Determinar qual a probabilidade de que num minuto se tenha:
a)10 ou mais chamadas. b)Menos de 9 chamadas. c)Entre 7 (inclusive) e 9
(exclusive) chamadas

Profa. Sonia Isoldi Marty Gama Müller Página 14

 Notas de Aula de Probabilidade A

8.3.7- Uma caixa contém 5 bolas vermelhas, 4 brancas e 3 azuis. Extrai-se uma bola ao
acaso, anota-se a cor, repondo-se em seguida a bola na caixa. Determine a probabilidade
de que, de 6 bolas assim escolhidas, 3 sejam vermelhas, 2 brancas e 1 azul.

8.3.8-.O número de vezes que um adulto respira, por minuto, depende da idade e varia
grandemente de pessoa para pessoa. Suponha que a distribuição dessa variável aleatória
seja normal, com média de 16 e desvio padrão igual a 4. Se uma pessoa é escolhida,
aleatoriamente, e o número de respirações por minuto, quando em repouso, for anotado,
qual é a probabilidade desse valor exceder 22?

8.3.9-.Suponha que o conteúdo de bactérias de um tipo particular, presentes em um

recipiente de água de 1 milímetro, tenha distribuição aproximadamente normal, com
média de 85 bactérias e desvio padrão de 9. Qual é a probabilidade de uma dada
amostra de 1ml conter mais de 100 bactérias?

8.3.10-. Suponha que o peso de uma população de suínos está normalmente distribuído
com µ = 230kg e σ = 20kg. Qual a probabilidade de ocorrência de suínos com pesos
entre 220 e 280kg?

8.3.11-Um novo modelo de rádio portátil foi desenvolvido com base no fato de que
50% de todos os consumidores são mulheres. Se uma amostra de 400 compradores for
selecionada aleatoriamente, qual é a probabilidade de o número de mulheres dessa
amostra ser maior que 175?

8.3.12-Sabe-se que 30% de todas as chamadas destinadas a uma mesa telefônica são
chamadas DDD. Se 1200 chamadas chegarem a essa mesa, qual é a probabilidade de
pelo menos 50 serem DDD?

8.3.13-Em média, um navio atraca em certo porto a cada dois dias. Qual a probabilidade
de que, a partir da partida de um navio, se passem 4 dias antes da chegada do próximo
navio?

Profa. Sonia Isoldi Marty Gama Müller Página 15