Modelos Probabilísticos

Aplicados à Engenharia de Produção

Variáveis Aleatórias
Discretas e Distribuições
de Probabilidade

Prof. Dr. Hélio Fuchigami

UFSCar/DEP
2023
Variáveis aleatórias (v.a.)
✓Qualquer regra que associe um valor a cada resultado de S

✓Função: 𝑓(𝑆) → ℜ ✓Ex: status de uma

máquina S = {L, D}
contradomínio
domínio ✓v.a. X: X(L) = 1
X(D) = 0
✓Notação: 𝑿 𝒂 = 𝒙
X
valor associado
L X 1
resultado do experimento
D 0
variável aleatória
Variáveis aleatórias
✓Variável aleatória discreta: valores em conjunto
finito ou em números inteiros (Z)
▪ Ex.: X = número de bombas em uso num posto de
combustíveis
▪ Definição) Variável aleatória de Bernoulli: qualquer v.a.
cujos únicos valores possíveis são 0 e 1

✓Variável aleatória contínua: valores na reta real (R)

▪ Ex.: Y = altura de uma pessoa
Lista de Exercícios 3.1

4
Lista 3.1 (p. 88)

5
Distribuições de Probabilidade

✓Como as probabilidades são “distribuídas”

entre os valores de X

p(x)

p(x) = 1

x
Exemplo (3.7 - p. 89)

✓Seis lotes de componentes estão prontos para embarque em um

fornecedor. O número de componentes com defeito em cada lote é
mostrado a seguir:
Lote 1 2 3 4 5 6
# Peças com defeito 0 2 0 1 2 0

✓Um desses lotes será selecionado aleatoriamente para embarque a

um cliente específico.
✓v.a. X = número de peças com defeito no lote selecionado
p(0) = P(X=0) = 3/6 = 0,500
x 0 1 2
p(1) = P(X=1) = 1/6 = 0,167
p(x) 0,500 0,167 0,333 p(x) = 1
p(2) = P(X=2) = 2/6 = 0,333
7
Função densidade de probabilidade (fdp)
✓Função distribuição de probabilidade (fdp)
✓Função massa de probabilidade (fmp)

✓Do exemplo anterior: p(x)

0,500
0,333

0,167

0 1 2 x
Lista 3.2 (p. 96)

9
Parâmetro de uma Distribuição de Prob.
✓Exemplo (3.8 - p. 90)
✓Suponha que visitemos uma livraria em uma universidade durante a
primeira semana de aulas, e observemos se a próxima pessoa a
comprar um computador escolherá um laptop ou um desktop.
✓v.a. X = 1 se o cliente comprar um laptop
0 se o cliente comprar um desktop
✓Se 20% dos compradores durante a semana selecionarem um
laptop, a fdp de X será:
0,8 se x = 0
p(x) = 0,2 se x = 1
0,0 se x  0 ou 1
Parâmetro de uma Distribuição de Prob.
✓v.a. Bernoulli: p(1) =  e p(0) = 1– , 0    1
1– se x = 0
fdp: p(x; ) =  se x = 1
0 caso contrário

✓: parâmetro da distribuição

✓Define a família de distribuições de probabilidades: coleção de
todas as distribuições dos diferentes valores do parâmetro
✓Ex.: 0,4 se x = 0 0,5 se x = 0
p(x; 0,6) = 0,6 se x = 1 p(x; 0,5) = 0,5 se x = 1
0 caso contrário 0 caso contrário
Função Distribuição Acumulada (FDA)

𝑭 𝒙 = 𝑷 𝑿 ≤ 𝒙 = ෍ 𝒑(𝒚)
𝒚≤𝒙

Proposição) 𝒂, 𝒃, 𝒂  𝒃, P(𝒂  X  𝒃) = F(𝒃) – F(𝒂–)

𝒂–: maior valor de X menor que 𝒂

Se 𝒂 e 𝒃 forem inteiros, P(𝒂  X  𝒃) = F(𝒃) – F(𝒂–1)

▪ Ex.: P(3  X  7) = F(7) – F(2)
Se 𝒂 = 𝒃, P(X = x) = F(𝒂) – F(𝒂–1)
▪ Ex.: P(X = 5) = F(5) – F(4)
Exemplo (3.11 adaptado - p. 93)

✓A fdp da v.a. X = número de testes necessários para identificar o

tipo sanguíneo O+

x 1 2 3 4
p(x) 0,4 0,3 0,2 0,1

✓Os valores de F(x) para cada valor de X:

F(1) = P(X  1) = P(X = 1) = p(1) = 0,4
F(2) = P(X  2) = P(X = 1 ou 2) = p(1) + p(2) = 0,7
F(3) = P(X  3) = P(X = 1 ou 2 ou 3) = p(1) + p(2) + p(3) = 0,9
F(4) = P(X  4) = P(X = 1 ou 2 ou 3 ou 4) = p(1) + p(2) + p(3) + p(4) = 1
Exemplo (3.11 adaptado - p. 93)

0 se x < 1
0,4 se 1  x < 2
FDA: F(x) = 0,7 se 2  x < 3
0,9 se 3  x < 4
1 se x  4

F(x)
Função
degrau

x
Lista de Exercícios 3.2

15
Lista 3.2 (p. 96)

16
Valor esperado
✓Valor médio de X ou média da população
𝑬 𝑿 = 𝝁 = ෍𝒙𝒑 𝒙
𝒙𝝐𝑫
𝑫: 𝑣𝑎𝑙𝑜𝑟𝑒𝑠 𝑝𝑜𝑠𝑠í𝑣𝑒𝑖𝑠 𝑑𝑒 𝑋

✓“valor esperado”: não significa que se “espera” este valor

✓Pode ser até um valor inviável (fracionário entre inteiros)
✓Descreve onde a distribuição de probabilidade está
centrada
Exemplo (3.15 - p. 98)

✓Considere a escolha aleatória de um estudante entre os 15.000

matriculados no semestre corrente na Mega University. Seja X =
número de disciplinas em que o estudante selecionado está
matriculado e tenha a fdp a seguir:
x 1 2 3 4 5 6 7
p(x) 0,01 0,03 0,13 0,25 0,39 0,17 0,02

Média da população: 𝑬 𝑿 = 𝝁 = 𝚺𝒙 𝒑 𝒙 =
= 𝟏 . 𝟎, 𝟎𝟏 + 𝟐 . 𝟎, 𝟎𝟑 + ⋯ + 𝟕 . 𝟎, 𝟎𝟐 = 𝟒, 𝟓𝟕
p(x)

0 1 2 3 4 5 6 7 x
𝟒, 𝟓𝟕
valor esperado do número de disciplinas
Exemplo (3.22 - p. 101)

✓Uma loja comprou três computadores de certo tipo a US$ 500 cada.
Eles serão vendidos a US$ 1.000 cada. O fabricante concordou em
aceitar a devolução dos computadores não vendidos, após um
período especificado, por US$ 200 cada. Seja X o número de
computadores vendidos e suponha que p(0) = 0,1, p(1) = 0,2, p(2) =
0,3, p(3) = 0,4.
✓h(X): lucro associado à venda de X unidades
✓h(X) = receita – custo = 1000X + 200(3 – X) – 1500  h(X) = 800X – 900
✓O lucro esperado será então:
✓E[h(X)] = h(X) p(x) =
= h(0) p(0) + h(1) p(1) + h(2) p(2) + h(3) p(3) =
= – 900 . 0,1 – 100 . 0,2 + 700 . 0,3 + 1500 . 0,4 = US$ 700
Regras do valor esperado
✓Função linear h(X) = aX + b
𝑬 𝒂𝑿 + 𝒃 = 𝒂 𝑬 𝑿 + 𝒃
𝝁𝒂𝑿+𝒃 = 𝒂 𝝁𝑿 + 𝒃

✓Do Exemplo anterior (3.22 - p. 101)

E(X) = x p(x) = 0.0,1 + 1.0,2 + 2.0,3 +3.0,4  E(X) = 2
E[h(X)] = E[800X – 900] = 800 E(X) – 900 = 700
Variância e desvio padrão
✓Variância de X

𝑽 𝑿 = 𝝈𝟐 = ෍ 𝒙 − 𝝁 𝟐
𝒑 𝒙 = 𝑬[ 𝒙 − 𝝁 𝟐 ]
𝑫
▪ Mede a distância de cada ponto em relação à média
▪ Diferenças quadradas: para não anular a soma com os negativos

✓Desvio Padrão de X
𝝈= 𝝈𝟐
▪ Desvio (dispersão) em torno da média
Exemplo: variância

✓Duas distribuições de probabilidade diferentes com  = 4

Regras da variância
✓Fórmula alternativa:

𝑽 𝑿 = 𝝈𝟐 = ෍ 𝒙𝟐 𝒑(𝒙) − 𝝁𝟐 = 𝑬 𝑿𝟐 − 𝑬 𝑿 𝟐

✓Para uma função linear h(X) = aX + b

𝑽 𝒂𝒙 + 𝒃 = 𝝈𝟐𝒂𝑿+𝒃 = 𝒂𝟐 𝝈𝟐𝑿 e 𝝈𝒂𝑿+𝒃 = 𝒂 𝝈𝑿

✓Em particular: 𝝈𝟐𝒂𝑿 = 𝒂𝟐 𝝈𝟐𝑿 , 𝝈𝒂𝑿 = 𝒂 𝝈𝑿 e 𝝈𝟐𝑿+𝒃 = 𝝈𝟐𝑿

Regras da variância
✓Fórmula alternativa:

𝑽 𝑿 = 𝝈𝟐 = ෍ 𝒙𝟐 𝒑(𝒙) − 𝝁𝟐 = 𝑬 𝑿𝟐 − 𝑬 𝑿 𝟐

✓Para uma função linear h(X) = aX + b

𝑽 𝒂𝒙 + 𝒃 = 𝒂𝟐 𝑽(𝑿) e 𝝈𝒂𝑿+𝒃 = 𝒂 𝝈𝑿

✓Em particular: 𝑽(𝒂𝑿) = 𝒂𝟐 𝑽(𝑿), 𝝈𝒂𝑿 = 𝒂 𝝈𝑿 e 𝑽(𝑿 + 𝒃) = 𝑽(𝑿)

Lista de Exercícios 3.3

25
Lista 3.3 (p. 104)

26
Distribuição Binomial
✓Sequência de n tentativas independentes

✓Dois resultados possíveis: sucesso ou falha

✓Probabilidade de sucesso constante p

✓v.a. X = número de sucessos nas n tentativas

✓X~Bin(n, p)  lê-se: X distribuída como Binomial

com parâmetros n e p
Distribuição Binomial
✓X~Bin(n, p)

𝒏 𝒙
✓fdp: 𝑷 𝑿 = 𝒙 = 𝒃 𝒙; 𝒏, 𝒑 = 𝒑 (𝟏 − 𝒑)𝒏−𝒙
𝒙
𝑥 = 0, 1, 2, … , 𝑛

✓FDA: 𝑷 𝑿 ≤ 𝒙 = 𝑩 𝒙; 𝒏, 𝒑 = σ𝒙𝒚=𝟎 𝒃(𝒚; 𝒏, 𝒑)

𝑥 = 0, 1, 2, … , 𝑛
Exemplo (3.30 - p.108)

✓Cada um dos seis consumidores de refrigerante selecionados

aleatoriamente recebe um copo com o refrigerante S e um com
o refrigerante F. Os copos são idênticos, exceto por um código
no fundo que identifica o refrigerante. Suponha que não haja
uma tendência de preferência entre os consumidores. Então
p = P(um indivíduo selecionado prefere S) = 0,5, de forma que
X = número de consumidores entre os seis que preferem S,
X~Bin(6, 0,5).
a) Qual a probabilidade de 3 preferirem S?
b) Qual a probabilidade de pelo menos 3 preferirem S?
c) Qual a probabilidade de no máximo um preferir S?
Distribuição Binomial
✓Quando não for experimento binomial, para população de
tamanho N: se n/N  0,05  pode considerar binomial
(caso de populações muito grandes)
▪ Tamanho da amostra é no máximo 5% do tamanho da
população

✓Uso de tabelas de probabilidades

▪ Apêndice A.1 do livro
▪ Tabelas de Probabilidades Binomiais Acumuladas
(n = 5, 10, 15, 20, 25)
Exemplo (3.31 - p. 109)

✓Suponha que 20% de todas as cópias de um livro-texto

apresentem falha em um determinado teste de resistência
de encadernação. Seja X o número de cópias que
apresentam falhas entre 15 cópias selecionadas
aleatoriamente. Então X tem distribuição binomial com
n = 15 e p = 0,2.
a) Qual a probabilidade de no máximo 8 apresentarem falha?
b) Qual a probabilidade de exatamente 8 apresentarem falha?
c) Qual a probabilidade de no mínimo 8 apresentarem falha?
Média e variância de X

✓Média de X: 𝑬 𝑿 = 𝒏𝒑

✓Variância de X: 𝑽 𝑿 = 𝒏𝒑 𝟏 − 𝒑

✓Desvio padrão de X: 𝝈𝑿 = 𝒏𝒑(𝟏 − 𝒑)

Lista de Exercícios 3.4

35
Lista 3.4 (p. 111)

36
Distribuição Hipergeométrica População
M N–M
sucessos Falhas

✓População finita de tamanho N Amostra

✓Indivíduos classificados em sucesso ou falha

✓Há M sucessos na população
✓Amostra sem reposição de tamanho n
✓v.a. X = número de sucessos na amostra
✓X~HG(n, M, N)
Distribuição Hipergeométrica
✓X~HG(n, M, N)

𝑴 𝑵−𝑴
𝒙 𝒏−𝒙
✓fdp: 𝑷 𝑿 = 𝒙 = 𝒉 𝒙; 𝒏, 𝑴, 𝑵 = 𝑵
𝒏
𝐦𝐚𝐱(𝟎, 𝒏 − 𝑵 + 𝑴) ≤ 𝒙 ≤ 𝐦𝐢𝐧(𝒏, 𝑴)

✓FDA: 𝑷 𝑿 ≤ 𝒙 = σ𝒙𝒚=𝟎 𝒉(𝒚; 𝒏, 𝑴, 𝑵)

𝑥 = 0, 1, 2, … , 𝑛
Exemplo (3.35 - p. 114)

✓Cinco indivíduos de uma população animal supostamente

ameaçada de extinção em certa região foram capturados,
marcados e liberados para se misturarem à população.
Após terem uma oportunidade de cruzarem, foi
selecionada uma amostra aleatória de 10 desses animais.
Seja X = número de animais marcados na segunda
amostra. Se houver 25 animais desse tipo na região, qual
será a probabilidade de:
a) X = 2?
b) X  2?
 Média e variância de X
𝑴
✓Média de X: 𝑬 𝑿 = 𝒏𝒑, 𝒑 =
𝑵
𝑵−𝒏
✓Variância de X: 𝑽 𝑿 = 𝒏𝒑 𝟏 − 𝒑
𝑵−𝟏
fator de correção
de pop. finita

✓Se N não for conhecido  estimar

𝒙 𝑴 𝑴𝒏
=  𝑵
෡=
𝒏 𝑵 𝒙
proporção da amostra proporção da pop.
Lista 3.5 (p. 117)

e. Qual é o valor médio e o desvio padrão do

número de projetos que não pertencem à
segunda turma dentre esses 15 primeiros?
41
Distribuição Binomial Negativa (ou de Pascal)
✓Sequência de tentativas independentes
✓Dois resultados possíveis: sucesso ou falha
✓Probabilidade de sucesso constante p
✓Experimento continua até r sucessos
✓v.a. X = número de falhas que precedem o r-ésimo
sucesso
“binomial negativa” porque na “binomial”, o núm. de
✓X~NB(r, p) o núm. sucessos é fixo e tentativas é fixo e o núm.
núm. tentativas é aleatório de sucessos é aleatório
Distribuição Binomial Negativa
✓X~NB(r, p)

𝒙+𝒓−𝟏 𝒓
✓fdp: 𝑷 𝑿 = 𝒙 = 𝒏𝒃 𝒙; 𝒓, 𝒑 = 𝒑 (𝟏 − 𝒑)𝒙
𝒓−𝟏
𝑥 = 0, 1, 2, …

✓FDA: 𝑷 𝑿 ≤ 𝒙 = σ𝒙𝒚=𝟎 𝒏𝒃(𝒚; 𝒓, 𝒑)

𝑥 = 0, 1, 2, …
Exemplo (3.37 - p. 116)

✓Um pediatra deseja convocar cinco casais, cada um esperando

seu primeiro filho, para participarem de um novo regime de parto
natural. Seja p = P(um casal selecionado aleatoriamente
concorda em participar). Se p = 0,2, qual é a probabilidade de
exatamente 15 casais serem solicitados antes de serem
encontrados cinco que concordem em participar?
X~NB(r, p)  r = 5 casais, p = 0,2
15 casais no total em que 5 concordam  x = 10 recusam
𝒙+𝒓−𝟏 𝒓
𝒏𝒃 𝒙; 𝒓, 𝒑 = 𝒑 𝟏−𝒑 𝒙
𝒓−𝟏
𝟏𝟒
𝒏𝒃 𝟏𝟎; 𝟓, 𝟎, 𝟐 = (𝟎, 𝟐)𝟓 𝟎, 𝟖 𝟏𝟎 = 𝟎, 𝟎𝟑𝟒
𝟒
Distribuição Binomial Negativa
✓Expressão I [já apresentada]:
✓X = número de falhas que precedem o r-ésimo sucesso
𝒙+𝒓−𝟏 𝒓
𝒏𝒃 𝒙; 𝒓, 𝒑 = 𝒑 (𝟏 − 𝒑)𝒙 , 𝑥 = 0, 1, 2, …
𝒓−𝟏

✓Expressão II:
✓X = número de tentativas até o r-ésimo sucesso
𝒙−𝟏 𝒓
𝒏𝒃 𝒙; 𝒓, 𝒑 = 𝒑 (𝟏 − 𝒑)𝒙−𝒓 , 𝑥 = 𝑟, 𝑟 + 1, …
𝒓−𝟏
Média e variância de X

𝒓(𝟏−𝒑)
✓Média de X: 𝑬 𝑿 =
𝒑

𝒓(𝟏−𝒑)
✓Variância de X: 𝑽 𝑿 =
𝒑𝟐
Caso particular: Distribuição Geométrica

✓X~Geo(p)
✓Distribuição Binomial Negativa com r = 1
✓Experimento continua até o 1º sucesso
✓v.a. X = número de falhas que precedem o 1º
sucesso
𝒏𝒃 𝒙; 𝟏, 𝒑 = (𝟏 − 𝒑)𝒙 𝒑
𝑥 = 0, 1, 2, …
Exemplo

✓Suponha que um engenheiro de qualidade supervisione

a inspeção de um determinado produto que uma
empresa teve muita dificuldade em produzir sem
defeitos. Nas últimas semanas, 3% das unidades foram
declaradas ruins e, portanto, inaceitáveis. Alguns itens
são analisados no início de cada troca de turno e ao se
detectar um problema, a inspeção é interrompida e o
item é enviado para averiguações. Qual a probabilidade
de se encontrar uma unidade ruim no 12º item
inspecionado?
Lista de Exercícios 3.5

49
Lista 3.5 (p. 117)

50
Distribuição de Poisson

✓Taxa  de ocorrência de eventos em um

domínio (intervalo de tempo, área, volume,
distância etc.)
✓Exemplo:  = 18 clientes/h

✓v.a. X = número de eventos em um domínio

✓X~Pois()
Distribuição de Poisson
✓X~Pois()

𝒆−𝝀 𝝀𝒙
✓fdp: 𝑷 𝑿 = 𝒙 = 𝒑 𝒙; 𝝀 =
𝒙!
𝑥 = 0, 1, 2, …
𝜆 > 0, 𝒆: base dos logaritmos naturais (𝑒 ≅ 2,71828)

𝒙
✓ FDA: 𝑷 𝑿 ≤ 𝒙 = 𝒚=𝟎 𝒑(𝒚; 𝝀)
σ
𝑥 = 0, 1, 2, …
Exemplo (3.38 - p. 119)

✓Seja X o número de certo tipo de animais capturados em

uma armadilha durante certo período de tempo. Suponha
que X tenha uma distribuição de Poisson com média  = 4,5
animais/hora.
a) Qual a probabilidade da armadilha conter exatamente
cinco animais em uma determinada hora?
𝒆−𝝀 𝝀𝒙 𝒆−𝟒,𝟓 (𝟒,𝟓)𝟓
𝑷 𝑿=𝒙 = ⇒𝑷 𝑿=𝟓 = = 𝟎, 𝟏𝟕𝟎𝟖
𝒙! 𝟓!
b) Qual a probabilidade da armadilha conter no máximo
cinco animais em uma determinada hora?
𝒆 −𝟒,𝟓 𝟒,𝟓 𝒙 𝟒,𝟓 𝟐 𝟒,𝟓 𝟓
𝟓
σ𝒚=𝟎 −𝟒,𝟓
𝑷 𝑿≤𝒙 = =𝒆 𝟏 + 𝟒, 𝟓 + + …+ = 𝟎, 𝟕𝟎𝟐𝟗
𝒙! 𝟐! 𝟓!
Média e variância de X

✓Média de X: 𝑬 𝑿 = 𝝀

✓Variância de X: 𝑽 𝑿 = 𝝀
Regra prática

✓Em qualquer experimento binomial, se 𝒏 é grande

e 𝒑 é pequeno, 𝒃 𝒙; 𝒏, 𝒑 ≈ 𝒑(𝒙; 𝝀), onde 𝝀 = 𝒏𝒑
✓Valores práticos: 𝒏 ≥ 𝟏𝟎𝟎, 𝒑 ≤ 𝟎, 𝟎𝟏, 𝒏𝒑 ≤ 𝟐𝟎

✓Verificar o Exemplo 3.39 (p. 119)

Processo de Poisson
✓Aplicação importante: Problema de filas (número
de chegadas) acidentes em instalação industrial; falhas em sist. de informação;
chamadas em central telefônica; árvores em uma região florestal; etc.

✓Probabilidade de ocorrerem 𝒙 eventos durante um

intervalo de tempo de duração 𝒕:
𝒆−𝝀𝒕 𝝀𝒕 𝒙 Para o autor do 𝒆−𝒕 𝒕 𝒙
𝑷𝒙 𝒕 = livro-texto (=t): 𝑷𝒙 𝒕 =
𝒙! 𝒙!
✓Número de eventos durante um intervalo de tempo
t é uma v.a. de Poisson com parâmetro 𝒕
Exemplo (3.41 - p. 121)

✓Suponha que, iniciando em um determinado instante,

estejamos interessados em contar o número de pulsos
radioativos registrados em um contador. Suponhamos que
os pulsos cheguem no contador em uma taxa média  =
seis por minuto. Qual a probabilidade de que pelo menos
um pulso chegue em um intervalo de meio minuto?
 = 6 pulsos/minuto, t = 0,5 minuto
𝒆−𝝀𝒕 𝝀𝒕 𝒙
𝑷𝒙 𝒕 =
𝒙!
𝒆−𝟔.𝟎,𝟓 𝟔.𝟎,𝟓 𝟎
𝑷 𝑿≥𝟏 =𝟏−𝑷 𝑿=𝟎 =𝟏− = 𝟎, 𝟗𝟓𝟎
𝟎!
Lista de Exercícios 3.6

58
Lista 3.6 (p. 121)

59
Lista 3.6 (p. 121)

60
Distribuição Função densidade Valor esperado Variância
𝑛 𝑥
𝑏 𝑥; 𝑛, 𝑝 = 𝑝 (1 − 𝑝)𝑛−𝑥
X~Bin(n, p) 𝑥 𝐸 𝑋 = 𝑛𝑝 𝑉 𝑋 = 𝑛𝑝 1 − 𝑝
𝑥 = 0, 1, 2, … , 𝑛
𝑀 𝑁−𝑀
𝑥 𝑛−𝑥 𝑀 𝑁−𝑛
ℎ 𝑥; 𝑛, 𝑀, 𝑁 = 𝑁
X~HG(n, M, N) 𝐸 𝑋 = 𝑛𝑝, 𝑝 = 𝑉 𝑋 = 𝑛𝑝 1 − 𝑝
𝑛 𝑁 𝑁−1
max(0, 𝑛 − 𝑁 + 𝑀) ≤ 𝑥 ≤ min(𝑛, 𝑀)
𝑥+𝑟−1 𝑟
𝑛𝑏 𝑥; 𝑟, 𝑝 = 𝑝 (1 − 𝑝)𝑥 𝑟(1 − 𝑝)
𝑟−1 𝐸 𝑋 =
𝑥 = 0, 1, 2, … 𝑝 𝑟(1 − 𝑝)
X~NB(r, p) 𝑉 𝑋 =
𝑥−1 𝑟 𝑟 𝑝2
𝑛𝑏 𝑥; 𝑟, 𝑝 = 𝑝 1 − 𝑝 𝑥−𝑟 𝐸 𝑋 =
𝑟−1
𝑥 = 𝑟, 𝑟 + 1, … 𝑝
𝑒 −𝜆 𝜆𝑥 𝑒 −𝜆𝑡 𝜆𝑡 𝑥
𝑝 𝑥; 𝜆 = 𝑃𝑥 𝑡 =
, ,
X~Pois() 𝑥! 𝑥! 𝐸 𝑋 =𝜆 𝑉 𝑋 =𝜆
𝑥 = 0, 1, 2, …
Exercícios Suplementares (p. 123)

62
Exercícios Suplementares (p. 123)

compensa

63
Exercícios Suplementares (p. 123)

64
Exercícios Suplementares (p. 123)

65
Para as aulas práticas
✓Instalar o editor VS Code:
https://code.visualstudio.com/download

✓Instalar a linguagem Julia (compilador):

https://julialang.org/

✓Configurar o VS Code para executar Julia:

https://youtu.be/zZInEh0pAKg
Referência

DEVORE, J.L. Probabilidade e estatística para engenharia e

ciências. São Paulo: Cengage Learning, 2006.

67