UNIVERSIDADE DO ESTADO DE SANTA CATARINA – UDESC

CENTRO DE CIÊNCIAS DA ADMINISTRAÇÃO E SÓCIO-ECONÔMICAS – ESAG

ESTATÍSTICA I

Gabriel Dias Estanislau

Lista 05 – Distribuição de Probabilidade Discreta

1. Julgue os itens como Verdadeiro (V) ou Falso (F). Justifique os itens falsos.

(V) Suponha que X1, X2, ..., Xn sejam variáveis aleatórias independentes e
identicamente distribuídas com distribuição de Bernoulli com parâmetro p.
n

Então, X =∑ X i possui uma distribuição binomial com parâmetros n e p.

(F) Se X é uma variável aleatória com distribuição Binomial com parâmetros n e p,
em que n é um inteiro positivo e 0<p<1, então E(X) = np e Var(X)=p(1-p). Var [x]
= np(1-p).

(V) O lançamento de uma moeda viciada é um experimento de Bernoulli.

(F) O valor esperado de uma uniforme discreta no intervalo [0, a] é E[X]=(a+1)/2.

(V) O valor esperado de um experimento de Bernoulli é a proporção de fracassos.

( ) Uma variável aleatória Binomial é a soma de n experimentos independentes de

Bernoulli.

( ) A função densidade de probabilidade de uma Binomial nos fornece a

probabilidade de ocorrência de pelo menos k sucessos em n experimentos de
Bernoulli.

( ) A distribuição geométrica também pode ser parametrizada como o número de

falhas até o primeiro sucesso. P ( X =k )= p (1− p)k , k=0,1 , ...

( ) A distribuição geométrica possui a interessante propriedade de não possuir

memória. P ( X ≥s +t∣X > s)= P ( X ≥t )
( ) A distribuição de Poisson é utilizada para modelar tempo de espera em um ponto
de ônibus.

2. Suponha que X seja uniformemente distribuída no intervalo [0, b], com b ∈ℕ.
Calcule qual deve ser o valor de b para satisfazer as seguintes condições:
a) P(X > 1) = 1/(b+1)
b) E[X] = k, onde k é uma constante inteira maior que 0

3. Em um dia de verão, você está sentado em um parque olhando as pessoas

passarem. A probabilidade de uma pessoa estar andando de bicicleta é p, e a
probabilidade de uma pessoa estar andando a pé é 1-p. As probabilidades dos
eventos são independentes. Defina Y como o número de pessoas andando de
bicicleta até que n pessoas passem por você. Defina Z como o número de
pessoas andando de bicicleta que passam por você antes da primeira pessoa
andando a pé passar por você.

Com base nas informações acima, podemos afirmar que:

(V) Y tem uma distribuição binomial com parâmetros n e p. ( ) Z

UNIVERSIDADE DO ESTADO DE SANTA CATARINA – UDESC
CENTRO DE CIÊNCIAS DA ADMINISTRAÇÃO E SÓCIO-ECONÔMICAS – ESAG
ESTATÍSTICA I

tem uma distribuição de Bernoulli com parâmetro p.

4. Uma moeda é lançada 20 vezes. Qual a probabilidade de saírem 8 caras?

5. A probabilidade de um atirador acertar no alvo num único tiro é 1 /4. O atirador

atira 20 vezes no alvo. Qual a probabilidade de acertar:
a) Exatamente 5 vezes.
b) Pelo menos 3 vezes.
c) Nenhuma vez.

6. Uma aluna, quando assiste a aulas em salas com ar-condicionado, espirra, em

média, três vezes por hora quando está gripada. Quando não está gripada, espirra
apenas uma média de uma vez por hora. Considere que o fato de ela espirrar em um
momento não influencia na probabilidade dela espirrar depois.

a) Estando gripada, qual a probabilidade de que, em três horas, ela

espirre dez vezes?

b) Estando gripada, qual a probabilidade de que, em duas horas, ela

espirre no mínimo uma vez?

c) Sabendo apenas que ela espirrou três vezes na última hora, qual a
probabilidade dela estar gripada? Considere 50% a probabilidade
incondicional de ela estar gripada.

7. Considere X1 , X 2 , X 3 ,…variáveis aleatórias independentes com distribuição de

Bernoulli com parâmetro p ∈(0,1). Interpretamos Xi =1 como sucesso e Xi=0
como fracasso.

Denote Y como a variável aleatória que representa quando foi o primeiro sucesso. Por
exemplo, Y=3 se X3=1 e X1= X 2=0. Dizemos que Y tem distribuição geométrica com
parâmetro p. Calcule:
a) P (Y = y ), onde y ∈ {1,2,3 ,… }.

Para cada número inteiro n, o n-ésimo momento de uma variável aleatória X

qualquer, μn’ é igual a E[Xn]. O n-ésimo momento central de X, μn é:
2
μ n= E [ X − μ ] , onde μ = μ1 = E[X].
A função geradora de momentos (fgm), denotada por MX(t), que pode
ser utilizada para calcular momentos de ordem superiores de uma distribuição de
probabilidades.M X (t )=E [ e tX ], ou seja:
UNIVERSIDADE DO ESTADO DE SANTA CATARINA – UDESC
CENTRO DE CIÊNCIAS DA ADMINISTRAÇÃO E SÓCIO-ECONÔMICAS – ESAG
ESTATÍSTICA I
M X ( t ) =∑ e P ( X =x ) para variáveis aleatórias discretas. Os momentos de uma
tX

x
distribuição podem assim serem definidos:
E [ X n ] = MX(n) (0). O n-ésimo momento é a n-ésima derivada da fgm avaliada no ponto
t=0. Para uma descrição detalhada da função geradora de
momentos, leia o Capítulo 10 do livro-texto do Paul Meyer.

a função geradora de momentos de Y, ou seja, M Y (t ):= E [ et Y ]. (Dica: vai

b)

precisar da soma de uma PG infinita)

c)
E [ Y ] . (Dica: calcule M (1)Y (0 ) e use que a derivada do valor esperado é o valor
esperado da derivada).
d)
Var [ Y ] (Dica: calcule M (2)Y (0 )).