You are on page 1of 71

Epidemiologia I

Introdução à Probabilidade
UNIVERSIDADE FEDERAL FLUMINENSE
Graduação em Medicina
Abril 2014

Frequência e Probabilidade
 Vimos que a distribuição de frequência de um
fenômeno casual ajuda a entender a variabilidade do
mesmo;
 Com suposições adequadas é possível criar um modelo
teórico que reproduza muito bem a distribuição de
frequências mesmo quando o fenômeno não é
observado diretamente;
 Esses modelos são chamados de MODELOS DE
PROBABILIDADES;
Exemplo do DADO
 Queremos estudar a proporção de ocorrências que
uma face de um dado acontece, como fazemos?
Opção 1: Lançar o dado n vezes e contar quantas vezes
saiu a face de interesse (i). As proporções n
i
/n
determinam a distribuição de frequência do
fenômeno; com outro tamanho de amostra teríamos
algo similar;
Opção 2: Construir a distribuição de frequências com
base em suposições teóricas;
Opção 2 – Exemplo do DADO
1. Só podem ocorrer 6 faces: 1, 2, 3, 4, 5 ou 6;
2. Podemos admitir que o dado não tem viés, ou seja,
cada face tem a mesma probabilidade de ocorrência;
Modelo teórico:

Face Total
Frequência
teórica
1
6

1
6

1
6

1
6

1
6

1
6

1
Exemplo: De um grupo de 20 mulheres e 30 homens,
uma pessoa será sorteada para exames de colesterol.
 Queremos estudar as probabilidades de que essa pessoa
seja do sexo masculino ou feminino;
Só há 2 possibilidades: masculino (M) ou feminino(F);
Supondo que o sorteio seja honesto, onde cada pessoa tem
a mesma probabilidade de ser sorteada, temos o seguinte
modelo teórico:


Sexo M F Total
Frequência teórica:
30
50
=
3
5

20
50
=
2
5

1
Probabilidades
Dos exemplos vemos que os experimentos ou
fenômenos que envolvem um elemento aleatório (do
latim, aleatoriu: sujeito ao acaso) terá um modelo
teórico se estabelecemos:
• Um espaço amostral (Ω), que no caso discreto consiste
na enumeração de todos os resultados possíveis do
experimento em questão. Ω={ω
1

2

3
,...}, onde ω
i
são os
pontos amostrais;
• Uma probabilidade (P(ω)) para cada ponto amostral, de
tal sorte que seja possível encontrar a probabilidade P(A)
de um subconjunto A de Ω, isto é, a probabilidade de um
evento;
Probabilidade
 “...uma razão na qual o numerador é o número de casos
favoráveis e o denominador o número total de casos
possíveis.” Laplace, 1795.

 É diferente da frequência relativa uma vez que estamos
falando de casos possíveis e na frequência de casos
observados;

 E quando o Universo de eventos não é acessível?
Algumas Propriedades
 Sendo o modelo probabilístico um modelo teórico para
frequências relativas, das propriedades destas
podemos verificar:

i. 0≤P(A)≤1
ii. P(Ω)=1 : evento certo;
iii. P(φ)=0 : evento impossível;
Exemplo
 Suponha que a seguinte tabela represente os pacientes
que deram entrada em uma emergência em um dado
mês.
Sintoma / sexo Homens (H) Mulheres(M) Total
Dor no peito (P) 70 40 110
Falta de ar (A) 15 15 30
Cansaço (C) 10 20 30
Desmaio (D) 20 10 30
Total 115 85 200
 P(A) = 30/200
 P(H)=115/200
 Podemos considerar um novo evento AUH: reunião de A e
H, que é quando pelo menos um dos dois eventos acontece;
 Outro evento seria A∩H: intersecção de A e H, que ocorre
quando A e H acontecem simultaneamente;
Sintoma / sexo Homens (H) Mulheres(M) Total
Dor no peito (P) 70 40 110
Falta de ar (A) 15 15 30
Cansaço (C) 10 20 30
Desmaio (D) 20 10 30
Total 115 85 200

P(A∩ )=15/200




Sintoma / sexo Homens (H) Mulheres(M) Total
Dor no peito (P) 70 40 110
Falta de ar (A) 15 15 30
Cansaço (C) 10 20 30
Desmaio (D) 20 10 30
Total 115 85 200
P(AUH)=?
=P(A)+P(H)=
30
200
+
115
200
=? ? ?
A intersecção está contada duas vezes!
P(AUH)=
30
200
+
115
200

15
200
=
130
200



Sintoma / sexo Homens (H) Mulheres(M) Total
Falta de ar (A) 15 15 30
Outros 100 70 170
Total 115 85 200
A
H
Ω
Diagrama de Venn
 P(AUC)=
30
200
+
30
200
=
60
200
Eventos disjuntos
ou mutuamente exclusivos!
Sintoma / sexo Homens (H) Mulheres(M) Total
Dor no peito (P) 70 40 110
Falta de ar (A) 15 15 30
Cansaço (C) 10 20 30
Desmaio (D) 20 10 30
Total 115 85 200
A C
Ω
Regra da adição de probabilidade
 P(MUN)=P(M)+P(N)-P(M∩N)
que se reduz a P(MUN)=P(M)+P(N) se os eventos M e N
são mutuamente exclusivos;
Probabilidade complementar
 Suponha que não estamos interessados no sexo,
somente no sintoma. O espaço amostral é então Ω=P
U A U C U D;
 Os eventos P e B (B= A U C U D) são chamados
complementares;
 P U B = Ω e A ∩ = ∅;
 P(P)=
30
200
e P(B) =
110
200
+
30
200
+
30
200
=
170
200

 P(P)+P(B)=1;
 Vamos indicar A
c
o complementar do evento A, então
P(A
c
)=1-P(A)


Probabilidade Condicional e
Independência
 Dado que um paciente escolhido ao acaso, apresentou
cansaço, a probabilidade dele ser mulher é de
20/30=2/3. Isso porque, dos 30 pacientes que
apresentaram cansaço, 20 eram mulheres.
 P(M\C)=2/3
Sintoma / sexo Homens (H) Mulheres(M) Total
Dor no peito (P) 70 40 110
Falta de ar (A) 15 15 30
Cansaço (C) 10 20 30
Desmaio (D) 20 10 30
Total 115 85 200
Probabilidade Condicional e
Independência
 Para dois eventos quaisquer A e B, sendo P(B)>0,
definimos a probabilidade condicional de A, dado B,
P(A\B), como sendo:
 \B =
(∩)
()


 Do exemplo temos:
\C =
(∩)
()
=
20/200
30/200
=
2
3


Independência
 Vamos supor agora que os eventos não sejam
mutuamente exclusivos, mas independentes, ou seja, a
presença de um evento em nada interfere na presença
do outro;
 Exemplo: Em uma população a probabilidade de ser
mulher é de 0,50 e a probabilidade de ser fumante é de
0,30, independentemente do sexo (tanto homens
como mulheres têm a mesma probabilidade de 0,30 de
serem fumante);
Exemplo
 Os 30% de fumantes estão igualmente distribuídos entre
homens e mulheres. Dado que os eventos já não mais são
mutuamente exclusivos, a probabilidade de mulher ou
fumante não é mais a simples soma das probabilidades de
ser mulher ou ser fumante; Isso porque as mulheres que
fumam seriam computadas duas vezes:
 P(M U F) = P(M) + P(F) – P(M∩F)=0,5+0,3-0,15=0,65

p = 0,5


p = 0,5
F: p =0,30
p=0,15 + p=
0,15
Diagrama de Venn
Exemplo
 Note que dado que fumar e sexo são independentes, a
probabilidade da intersecção é o produto das
probabilidades dos eventos:
 Probabilidade de ser mulher E fumante:
P(M∩F)=0,5*0,3=0,15

Regra da multiplicação para eventos independentes!

p = 0,5


p = 0,5
F: p =0,30
p=0,15 + p=
0,15
Diagrama de Venn
Exemplo: quando os eventos não são independentes
(mulheres fumando menos que homens)
 A probabilidade de fumar para mulheres é metade da dos
homens;
 A probabilidade de ser fumante dado que é mulher:
 P(F\M)=
(∩)
()
=
0,10
0,50
=0,20  P(A\B)=
(∩)
()

 Está de acordo com a regra da multiplicação:
∩ = \B (), onde P(A\B)=P(A) quando A e B
forem independentes.

p = 0,5


p = 0,5
F: p =0,30
p=0,10 + p=
0,20
Diagrama de Venn
Exemplo: quando os eventos não são independentes
(mulheres fumando menos que homens)
 Qual a probabilidade de mulher dado que é fumante?
 P(B\A)=
(∩)
()
, então: P(M\F)=
0,10
0,30
=
1
3


p = 0,5


p = 0,5
F: p =0,30
p=0,10 + p=
0,20
Diagrama de Venn
Teorema de Bayes: 1702-1761
 Desses dois cálculos de probabilidade P(A\B) e de
P(B\A), podemos concluir que
P(A\B)P(B)=P(B\A)P(A)=P(A∩B)!
 Dessa igualdade, se dividimos ambos os lados por P(B)
temos:

\B ()
()
=
\A ()
()
 \B =
\A ()
()



 Do exemplo: P(A\B)=
0,1
0,3
0,3
0,5
=0,20
Probabilidades condicionais
Diagrama de árvore de probabilidades
P(H)=0,50
Homem
Mulher
P(M)=0,50
P(F\H)=0,4
P(ñF\H)=0,6
P(F∩H)=0,2
P(ñF∩H)=0,3
P(F\M)=0,2
P(ñF\M)=0,8
P(F∩ M)=0,1
P(ñF∩ M)=0,4
P(F)=0,30
P(ñF)=0,70
P(H)=0,5
P(M)=0,5
Tabela de dupla entrada final




P
Fuma Sim 0,2 0,1 0,3
Não 0,3 0,4 0,7
P 0,5 0,5
Exercício 1
Numa dada população com prevalência de 20% para
Hipertensão Arterial faz-se campanhas de screening
(uma tomada de PA obtida na rua) para identificar
doentes e encaminhá-los para tratamento. Encontrou-se
que 90% dos hipertensos testam positivos (PA elevada na
medida realizada na rua), mas que também 30% de
pessoas não hipertensas testam positivos (estavam com
PA elevada no momento que foram abordadas na rua,
mas essa era apenas uma elevação aleatória). Se um
indivíduo abordado na rua pela campanha tiver um teste
positivo, uma PA elevada, qual a probabilidade de ele ser
mesmo hipertenso.

Exercício 2
 Eventos mutuamente exclusivos são sempre eventos
independentes e eventos não mutuamente exclusivos
são sempre dependentes?
Exercício 3
 Tanto frequência relativa quanto probabilidade
descreve ocorrências como uma medida no intervalo
[0, 1]. Qual a diferença entre elas?
Exercício 4
Sabe-se que os exames de screening para AIDS baseados
na detecção de anticorpos por ELISA reconhecem
corretamente pelo menos 98% das pessoas infectadas e
98% das pessoas não infectadas, ou seja, entre os que
têm HIV positivo 98% são testam positivo, assim como
entre os que tem HIV negativo 98% testam negativo.
Suponha que se estime a prevalência (probabilidade) de
pessoas infectadas por AIDS numa dada população seja
de 1% e responda qual a probabilidade de uma pessoa
desta população estar infectada se ela tiver um teste
positivo.


Epidemiologia I
Variáveis aleatórias discretas

UNIVERSIDADE FEDERAL FLUMINENSE
Graduação em Medicina
Abril 2014

Variável Aleatória
 Na aula anterior tivemos uma introdução a modelos de
probabilidade bem simples;
 Para situações práticas gerais precisamos de modelos
que representem todos os tipos de variáveis que vimos
na 1ª aula;
 Essas descrições de probabilidade descritas na aula
anterior adaptam-se bem a variáveis qualitativas;
 Aula de hoje: variável aleatória quantitativa discreta;
Exemplo: Lançamento de uma
moeda duas vezes.
 Definimos Y: número de caras obtidas nos dois
lançamentos, temos:

K
1/2
1/2
C
C
C
K
K
1/2
1/2
1/2
1/2
Resultado Probabilidade Y
CC ¼ 2
CK ¼ 1
KC ¼ 1
KK 1/4 0
Y P(Y)
0 ¼
1 1/4+1/4
2 ¼
Exemplo: Lançamento de uma
moeda duas vezes.
A


B C
0 1 2
A={KC,CK}
B={KK}
C={CC}
Variável aleatória
 Definição: Variável aleatória (v.a.) é uma função X
definida no espaço amostral Ω e com valores em um
conjunto enumerável de pontos da reta;
Exemplo: X = valor máximo de dois dados
Disponível em:
http://www.professores.uff.br/patricia/images/stories/arquivos/2_vadiscreta.
pdf
Exemplo
 Em uma pesquisa domiciliar, o espaço amostral é
formado pelos domicílios de uma determinada
localidade e simplesmente anotarmos os domicílios
sorteados para uma amostra não constitui uma variável
aleatória (é apenas uma variável de identificação).
 Na realização da pesquisa estamos interessados em
diversas características: renda domiciliar mensal (R$);
número de moradores; grau de instrução do chefe (em
anos), etc.
 Deste exemplo identificamos, por exemplo, que o
número de morados e o grau de instrução do chefe são
v.a. discretas e a renda, contínua;
Exemplos
1. Observar o sexo das crianças em famílias com
três filhos:
Ω={(MMM),(MMF),(MFM),(FMM),(MFF),(FMF)
,(FFM),(FFF)}. X: nº de crianças do sexo
masculino (M). Então X é uma v.a. discreta que
assume os valores no conjunto {0,1,2,3}.
2. Observar o tempo de reação a um certo
medicamento. X: tempo de reação ao
medicamento (em dias completos). X é uma v.a.
que assume qualquer valor inteiro maior ou igual
a zero;

Variável aleatória discreta
 O termo aleatório indica que a cada possível valor da
v.a. atribuímos uma probabilidade de ocorrência;
 Cada x
i
da v.a. X esta associado à P(X=x
i
)=P(A) onde A
é um subconjunto de Ω.
Função de Probabilidade
 Essa função P(X=x
i
)=p(x
i
)=p
i
é chamada função de
probabilidade e pode ser apresentada pela tabela:





 Uma f.p. deve satisfazer:
0≤P(X=x
i
)≤1 e ( =

=1
)=1
X x
1
x
2
... x
n
P(X=x) P(X=x
1
) P(X=x
2
) P(X=x
n
)
Exemplo
 O departamento de Epidemiologia de uma certa
Universidade é formado por 35 professores, sendo 21
homens e 14 mulheres. Uma comissão de 3 professores
será formada sorteando-se, ao acaso, três professores.
Qual é a probabilidade da comissão ser formada por
pelo menos duas mulheres?
 Definindo a v.a. X: nº de mulheres na comissão
Exemplo disponível em http://www.ime.unicamp.br/~hlachos/
Ex: X: nº de mulheres na comissão
Espaço Amostral Probabilidade X
(HHH) 0
(HHM) 1
(HMH) 1
(MHH) 1
(HMM) 2
(MHM) 2
(MMH) 2
(MMM) 3
Ex: X: nº de mulheres na comissão
Espaço Amostral Probabilidade X
(HHH)
21
35
20
34
19
33
=0,203
0
(HHM)
21
35
20
34
14
33
=0,150
1
(HMH)
21
35
14
34
20
33
=0,150
1
(MHH)
14
35
21
34
20
33
=0,150
1
(HMM)
21
35
14
34
13
33
=0,097
2
(MHM)
14
35
21
34
13
33
=0,097
2
(MMH)
14
35
13
34
21
33
=0,097
2
(MMM)
14
35
13
34
12
33
=0,056
3
X 0 1 2 3
P(X) 0,203 0,450 0,291 0,056
≥ 2 = = 2 + = 3 = 0,291 +0,056 = 0,347
Média para v.a. Discreta
 Similar a média apresentada para frequências relativas,
aqui as p
i
(e não f
i
) decorrem de um modelo teórico
pressuposto (f
i
eram valores observados). Como p
i
e f
i

tem a interpretação similar, todas as medidas e gráficos
discutidos para f
i
tem o seu correspondente na
distribuição de uma v.a.
 Dada uma v.a. X discreta, assumindo os valores x
1
,...,x
n
,
chamamos valor médio ou esperança matemática de X
ao valor
=

=

=

=1

=1

Variância de v.a. Discreta
 A variância é o valor esperado da variável aleatória (X-
E(X))
2
, ou seja, se X assume os valores x
1
,...x
n
, então
= [

− ]
2
=

=1

Também pode ser escrita na forma:

=
2
−[ ]
2
=

2

−[

]

=1
2

=1

Notação: 
2
=V(X)
Algumas propriedades
 Se h(X) é uma função de X, por exemplo, h(X)=aX+b,
então,
 E(aX+b)=aE(X)+b;
 e V(aX+b)=a
2
V(X).

 Notação: 
2
=V(X) e µ=E(X)
Desvio-padrão
 É definido como a raiz quadrada positiva da variância,
isto é,
= ()



Notação: 
2
=V(X) e µ=E(X) e =DP(X)


Função de Distribuição Acumulada
 A função de distribuição acumulada (f.d.a) ou
simplesmente função de distribuição (f.d) F(x) é a
função
F(x)=P(X≤x).
Observe que o domínio de F é o conjunto dos reais,
enquanto que o contradomínio é o intervalo [0,1].
Exemplo
 X: nº de mulheres na comissão.



F(x)=
X 0 1 2 3
P(X) 0,203 0,450 0,291 0,056
0,000 se x < 0
0,203, se 0 ≤ x < 1
0,653, se 1 ≤ x < 2
0,944, se 2 ≤ x < 3
1,000, se x ≥ 3


Se estamos interessados na
probabilidade de se ter até
duas mulheres na comissão, a
resposta é imediata
F(2) =0,944
x
F(x)
Principais Modelos
Probabilísticos Discretos
X 1 2 3 4 5 6
P(X=x
i
)
1
6

1
6

1
6

1
6

1
6

1
6

1. Modelo Uniforme Discreto
Só podem ocorrer 6 faces quando jogamos um dado:
1, 2, 3, 4, 5 ou 6;
X: nº da face obtida;
Todas as faces têm a mesma probabilidade de
ocorrência, podemos dizer que a probabilidade se
distribui uniformemente entre os diversos
resultados, ou seja, podemos escrever a seguinte f.p:

Distribuição de uma v.a. Uniforme
Discreta
 Seja X uma v.a., dizemos que X segue um modelo
Uniforme discreto se atribui a mesma probabilidade
(1/k) a cada um dos k possíveis valores de X. Isto é, sua
f.p. é dada por

P(X=x
i
)= 1/k se i=1,2,3,.....,k.
0, caso contrário;
Distribuição de uma v.a. Uniforme
Discreta
=
1

=
()

, é ú


(

≤)

Exemplo
 Do exemplo:







X 1 2 3 4 5 6
P(X=x
i
)
1
6

1
6

1
6

1
6

1
6

1
6

Distribuição de Bernoulli
 Muitos experimentos são tais que admitem apenas dois
resultados, apresentam ou não uma determinada
característica;
 Exemplos:
 O resultado de um exame médico para detecção de uma
enfermidade é positivo ou negativo;
 Uma pessoa escolhida ao acaso entre 1000, ela é do sexo
feminino ou masculino;
 Um paciente é escolhido entre um grupo de 300
tratados, ele se recuperou ou não da doença;

Distribuição de Bernoulli
 Em todos esses casos o interesse é no “sucesso” ou
“fracasso”. Esse tipo de experimento que tem
alternativas dicotômicas, são chamados de Ensaios de
Bernoulli e originam uma v.a. com distribuição de
Bernoulli.
 Defini-se uma v.a. X que assume valor 1 se ocorrer
sucesso e 0 se ocorrer fracasso. Indicaremos por p a
probabilidade de sucesso, isto é P(sucesso)=P(S)=p,
0<p<1.
Distribuição de Bernoulli
 P(X=0)=p(0)=1-p
 P(X=1)=p(1)=p

 E(X)=p
 V(X)=p(1-p)
 F(x)= 0, se x < 0
1-p, se 0 ≤ x < 1
1, se x ≥ 1
X 0 1
P(X=x) 1-p p
Distribuição Binomial
 Repetições independentes de um Ensaio de Bernoulli dão origem ao
modelo Binomial;
 Uma amostra particular será construída de uma sequência de sucessos e
fracassos, ou seja, de zeros e uns.
 Exemplos:
 Uma moeda é lançada três vezes; qual é a probabilidade de se obter
duas caras;
 Cinco pessoas são escolhidas ao acaso entre 1000; qual é a probabilidade
de que duas sejam do sexo masculino?
 Sabe-se que 5% da população de uma cidade é HIV positivo.
Escolhendo-se 100 pessoas ao acaso, qual é a probabilidade de que pelo
menos 10 seja HIV positivo?
 OBS. A amostra dos indivíduos sem reposição pode ser feita neste caso
devido ao fato da amostra ser grande implicando em praticamente
independência entre os ensaios.
Exemplo
 Uma moeda é lançada 3 vezes e a probabilidade de
cara é p (sucesso). X: nº de caras nos 3 lançamentos.
 Ω={FFF, FFS, FSF, SFF, FSS, SFS, SSF, SSS}
 Seja X
i
a v.a de Bernoulli (i=1,2,3), então a variável
X=X
1
+X
2
+X
3
, representa o número de caras.

Exemplo
 A f.p. é dada por:
Distribuição Binomial
Exemplo disponível em http://www.ime.unicamp.br/~hlachos/
Distribuição Binomial com
parâmetros n=10 e p
Distribuição Binomial com
parâmetros n=20 e p
Distribuição Binomial com
parâmetros n=30 e p
Distribuição de Poisson
 Os valores de X~B(n,p) para n=1,2,….19 podem ser
consultados em Tabelas ou calculados no excel
(=DISTR.BINOM()).
 Para n grande e p pequeno, podemos aproximar essas
probabilidades por:


()

!
, x=0,1,2,…,n.
Essa aproximação é boa quando np ≤ 7.
Distribuição de Poisson
 A distribuição de Poisson é largamente empregada
quando se deseja contar o número de eventos de certo
tipo que ocorrem em um intervalo de tempo, ou
superfície, ou volume.
 Exemplos:
 Número de consultas médicas em uma hora de
atendimento;
 Número de casos de dengue por Km
2
no estado de SP;

Distribuição de Poisson
 A distribuição pode ser usada para monitoramento de
problemas de Saúde Pública;
 Surtos de doenças;
 Controle de infecções hospitalares;
 Número de acidentes por mês;
 Número de pessoas na fila de espera diariamente;
 Número de mortes por HIV, por trimestre ,de janeiro de
1983 à 1986;
 Número de incidentes violentos em 12 meses em um
hospital psiquiátrico;
 Número de homicídios diários em São Paulo;

Distribuição de Poisson
 De um modo geral, dizemos que a v.a. N tem uma
distribuição de Poisson com parâmetro λ>0 se
= =

−λ
λ

!
, k=0,1,2,....
 E(N)=V(N)=λ
 O λ representa o número médio de eventos ocorrendo no
intervalo considerado (taxa média de ocorrência ou
número médio de ocorrências por unidade de tempo);
 Obs: e=2,7183…..
Distribuição de Poisson para alguns λ
Exercício 1
 Suponha que a chegada ao pronto atendimento de uma
cidade em uma certa madrugada tenha distribuição de
Poisson com média 3. Qual a distribuição de
probabilidade? E a Distribuição acumulada? Construa
uma tabela para f.p e um gráfico para f.d.a.
 O que se pode concluir dessa tabela e gráfico?

 Lembrando que se X~Poisson, então:
 = =

−

!
, k=0,1,2,..... E >0

Exercício 2
 Uma companhia de seguros vendeu apólices a cinco
pessoas, todas da mesma idade e com boa saúde. De
acordo com as tábuas atuariais, a probabilidade de que
uma pessoa daquela idade esteja viva daqui 30 anos é
de 2/3. Calcular as probabilidades de que daqui 30
anos:
a) Exatamente duas pessoas estejam vivas;
b) Todas as pessoas estejam vivas; e
c) Pelo menos três pessoas estejam vivas.
d) (Indique as suposições necessárias para a resolução
do problema).

Exercício 3
 Em média, 5% de uma medicação vendida por uma
farmácia são devolvidas. Qual a probabilidade de que,
das quatro próximas unidades dessa medicação
vendidas nessa farmácia, duas sejam devolvidas?
Exercício 4
Se X~B(n,p), sabendo-se que E(X)=12 e
2
= 3,
determinar:
a) n
b) p
c) P(X<12)
d) P(X≥14)
e) P(Y≥14/16), onde Y=X/n
Exercício 5
Suponha que a probabilidade de que um item produzido
por uma máquina seja defeituoso é de 0,2. Se dez itens
produzidos por essa máquina são selecionados ao acaso,
qual é a probabilidade de que não mais do que um
defeituoso seja encontrado? Use a distribuição binomial
e a distribuição de Poisson e compare os resultados.
Exercício 6
Um fabricante de seringas garante que uma caixa de suas
peças conterá, no máximo, duas defeituosas. Se a caixa
contém 18 peças, e a experiência tem demostrado que esse
processo de fabricação produz 5% das peças defeituosas, qual
a probabilidade de que uma caixa satisfaça a garantia?
Exercício 7
Em uma cidade no interior da Inglaterra o número de
pacientes que chegam na UTI do hospital municipal em cada
dia segue uma distribuição de Poisson, com λ=2. As atuais
instalações podem atender, no máximo, a três pacientes por
dia. Se mais de três chegarem em um dia, o excesso é enviado
para outro hospital.
a) Em um dia, qual a probabilidade de se enviar pacientes
para outro hospital?
b) De quanto deverão ser aumentadas as instalações para
permitir atender a todos os pacientes que chegarem pelo
menos em 95% dos dias?
c) Qual o número médio de pacientes que chegam em
média por dia?