UNIVERSIDADE FEDERAL DO RIO GRANDE DO NORTE

CENTRO DE CIÊNCIAS SOCIAIS APLICADAS

DEPARTAMENTO DE ECONOMIA
BACHARELADO EM CIÊNCIAS ECONÔMICAS

ATIVIDADE AVALIATIVA DA II UNIDADE

Discente: Joel do Nascimento Carlos

Docente: Stefan Amaral

1.
a) Experimento: Em probabilidade, um experimento é qualquer
procedimento ou ação que pode produzir um resultado bem definido.
Por exemplo, jogar uma moeda, rolar um dado, ou medir a altura de
uma pessoa são todos exemplos de experimentos.

b) Espaço amostral: O espaço amostral de um experimento é o conjunto

de todos os possíveis resultados desse experimento. Por exemplo, ao
jogar uma moeda, o espaço amostral é {cara, coroa}.

c) Evento: Um evento é um conjunto de resultados de um experimento.

Um evento pode consistir em um único resultado ou mais de um
resultado. Por exemplo, ao jogar dois dados, um evento pode ser "a
soma dos números nos dados é 7".

d) Probabilidade: A probabilidade de um evento é uma medida numérica

da chance de o evento ocorrer. Ela é expressa como um número entre
0 e 1, onde 0 indica que o evento certamente não ocorrerá e 1 indica
que o evento certamente ocorrerá.

2.
a) O primeiro axioma afirma que a probabilidade de um evento
pertencente ao conjunto geral dos eventos, precisa ser maior ou igual
a zero. O segundo axioma indica que a probabilidade do espaço
amostral é igual a 1. E, por fim, o terceiro axioma defende que para
qualquer sequência de eventos mutuamente exclusivos (ou seja,
eventos que não podem ocorrer simultaneamente), a probabilidade da
união desses eventos é a soma de suas probabilidades individuais.
b) i. S = {1, 2, 3, 4, 5, 6}, A > 4
➔ P (A) = 2/6 = 0,3333...
➔ P (A não ocorrer) = 4/6 = 0,6666...

Então, P(A não ocorrer) = 1 – P (A) = 1 – 0,333... = 0,666

 • ii. E ⊂ F ⇒ P(E) ⩽ P(F)
➔ Se E é um subconjunto de F, então podemos dividir F em dois
eventos mutuamente exclusivos: E e (F - E). Portanto, pelo terceiro
axioma, temos que P(F)=P(E)+P(F−E)
➔ Como a probabilidade é sempre um número não negativo (primeiro
axioma), temos que P(F−E)⩾0
➔ Portanto, P(F)⩾P(E)

3.
a) S = {(Cara, 1), (Cara, 2), (Cara, 3), (Cara, 4), (Cara, 5), (Cara, 6),
(Coroa, 1), (Coroa, 2), (Coroa, 3), (Coroa, 4), (Coroa, 5), (Coroa, 6)}.

b) i. A = {coroa e dado com número par} = {(Coroa, 2), (Coroa, 4), (Coroa,
6)}
ii. B = {cara e dado com número ímpar} = {(Cara, 1), (Cara, 3), (Cara,
5)}
iii. C = {múltiplos de 3 no dado} = {(Cara, 3), (Cara, 6), (Coroa, 3),
(Coroa, 6)}

c) i. {Coroa 1, Cara 2, Coroa 2, Coroa 3, Cara 4, Coroa 4, Coroa 5, Cara

6, Coroa 6}
ii. {Cara 1, Coroa 2, Cara 3, Coroa 4, Cara 5, Coroa 6}
iii. { }
iv. {Coroa 1, Cara 2, Coroa 3, Cara 4, Coroa 5, Cara 6}

4.
a) ½ ou 50%
b) ¾ ou 75%
c) { }
d) ¾ ou 75%
e) 100%

5.
a) ½ + 1/3 – ¼ = 0,58
b) 1 – 0,58 = 0,42
c) 1 – 0,25 = 0,75
d) 1/4 / 1/3 = ¾ ou 0,75
e) ¼ / ½ = 0,5
f) 7/4
g) 1 – 0,75 = 0,25
h) 1 – 0,5 = 0,5

6.
a) 14/16 = 0,875
b) 10/16 = 0,625
c) 12/16 = 0,75
 d)
➔ A probabilidade de nenhuma das duas peças ter um defeito é 10/16
∗ 9/15 = 0.375
➔ A probabilidade de exatamente uma das duas peças ter um defeito
é 2 ∗ 10/16 ∗ 6/15 = 0.5
➔ Somando essas duas probabilidades, obtemos 0.375 + 0.5 = 0.875

Portanto, a probabilidade de no máximo uma das duas peças retiradas ter

algum defeito é 0.875

7.
a) Todos acertarem: A probabilidade de todos os jogadores acertarem é o
produto das probabilidades individuais de cada um acertar. Portanto, a
probabilidade é 32 ∗ 54 ∗ 107 = 15056 = 0.3733

b) Apenas um acertar: Existem três cenários possíveis aqui - o primeiro

jogador acerta e os outros dois erram, o segundo jogador acerta e os
outros dois erram, ou o terceiro jogador acerta e os outros dois erram. A
probabilidade de cada um desses cenários é a probabilidade do jogador
acertar multiplicada pela probabilidade dos outros dois jogadores errarem.
Somamos as probabilidades desses três cenários para obter a
probabilidade total:
➔ Primeiro jogador acerta, outros erram: 32 ∗ (1−54) ∗ (1−107) = 0.04
➔ Segundo jogador acerta, outros erram: 54 ∗ (1−32) ∗ (1−107) = 0.08
➔ Terceiro jogador acerta, outros erram: 107 ∗ (1−32) ∗ (1−54) =
0.0933
Somando essas probabilidades, obtemos 0.04 + 0.08 + 0.0933 = 0.2133.
Portanto, a probabilidade de apenas um jogador acertar é 0.2133.

c) Todos errarem: A probabilidade de todos os jogadores errarem é o

produto das probabilidades individuais de cada um errar. Portanto, a
probabilidade é (1−32) ∗ (1−54) ∗ (1−107) = 0.04. Assim, a probabilidade
de todos os jogadores errarem é 0.04.

8.
a) Uma variável aleatória pode ser considerada uma função que associa
um número real a cada resultado em um espaço amostral. Ela é usada
para quantificar os resultados de um experimento aleatório.

b) A principal diferença entre as variáveis aleatórias discreta e contínua

reside no tipo de valores que elas podem assumir. Uma variável aleatória
discreta tem um número contável de valores possíveis. Por exemplo, o
número de carros em uma garagem ou o número de alunos em uma sala
de aula são variáveis aleatórias discretas. Por outro lado, uma variável
aleatória contínua pode assumir qualquer valor em um intervalo contínuo.
 Exemplos incluem a altura de uma pessoa ou o tempo que leva para viajar
para o trabalho.

c) A função distribuição de probabilidade de uma variável aleatória é uma

função que fornece a probabilidade de que a variável aleatória assuma
cada valor possível. Para uma variável aleatória discreta, a função
distribuição de probabilidade é simplesmente a probabilidade de cada
valor possível. Para uma variável aleatória contínua, a função distribuição
de probabilidade é representada por uma curva de densidade de
probabilidade.

d) A função distribuição acumulada de uma variável aleatória é uma

função que fornece a probabilidade de que a variável aleatória seja menor
ou igual a um determinado valor. Ela é obtida somando as probabilidades
para todos os valores possíveis da variável aleatória que são menores ou
iguais ao valor especificado.

9.
a)

Valor da Variável Probabilidade

Evento Aleatória (X) Probabilidade P(X) Acumulada F(X)
CC 2 1/4 1/4
CK 1 1/2 3/4
KC 1 1/2 3/4
KK 0 1/4 1

b)

d) P(X = 0) = 1/4
P(X = 1) = 1/2
P(X = 2) = 1/4
 e) A função de distribuição acumulada em X=1 é F(X = 1) = ¾.

10.
a) P(X = 1) + P(X = 3) + P(X = 5) + P(X = 7) = 1
K ∗ (1/1 + 1/3 + 1/5 + 1/7) = 1
K = 0,59

b) 0,59/3 + 0,59/5 = 0,31

c) 0,59/1 + 0,59/3 + 0,59/5 = 0,90

11.
a)P(3) = 1 − P(1) − P(2) − P(4) − P(5) = 1 − 0.20 − 0.25 − 0.30 − 0.10 =
0.15
b) F(4) = P(1) + P(2) + P(3) + P(4) = 0.20 + 0.25 + 0.15 + 0.30 = 0.90
c) E(X) = ∑5i=1 xi ∗ P(xi ) = 1 ∗ 0.20 + 2 ∗ 0.25 + 3 ∗ 0.15 + 4 ∗ 0.30 + 5 ∗
0.10 = 2.95
d)Var(X) = ∑5i=1 (xi − E(X))2 ∗ P(xi ) = (1 − 2.95)2 ∗ 0.20 + (2 − 2.95)2 ∗
0.25 + (3 − 2.95)2 ∗ 0.15 + (4 − 2.95)2 ∗ 0.30 + (5 − 2.95)2 ∗ 0.10 = 1.2275
e) σ = √Var(X) = √1.2275 ≈ 1.108

12.
a)
➔ Para K = 0, temos: 𝑃(𝑋 = 0) = 𝐶(5,0) ∗ (1/6)0 ∗ (1 − 1/6)5−0 = 1 ∗
1 ∗ (5/6)5 ≈ 0.40
➔ Para K = 1, temos: 𝑃(𝑋 = 1) = 𝐶(5,1) ∗ (1/6)1 ∗ (1 − 1/6)5−1 = 5 ∗
(1/6) ∗ (5/6)4 ≈ 0.40
➔ Para K = 2, temos: 𝑃(𝑋 = 2) = 𝐶(5,2) ∗ (1/6)2 ∗ (1 − 1/6)5−2 =
10 ∗ (1/36) ∗ (5/6)3 ≈ 0.16
➔ Para K = 3, temos: 𝑃(𝑋 = 3) = 𝐶(5,3) ∗ (1/6)3 ∗ (1 − 1/6)5−3 =
10 ∗ (1/216) ∗ (5/6)2 ≈ 0.03
➔ Somando essas probabilidades, temos: 𝑃(𝑋 ≤ 3) = 𝑃(𝑋 = 0) +
𝑃(𝑋 = 1) + 𝑃(𝑋 = 2) + 𝑃(𝑋 = 3) ≈ 0.40 + 0.40 + 0.16 + 0.03 =
0.99

b)
➔ Esperança: 𝐸(𝑋) = 𝑛 ∗ 𝑝 = 5 ∗ (1/6) ≈ 0.83
➔ Variância: 𝑉𝑎𝑟(𝑋) = 𝑛 ∗ 𝑝 ∗ (1 − 𝑝) = 5 ∗ (1/6) ∗ (5/6) ≈ 0.69

13.
a) 𝑃(𝑋 = 3) = (1 − 𝑝)3−1 ∗ 𝑝 = (1 − 0.8)2 ∗ 0.8 = 0.032
b) O modelo de distribuição de probabilidade que melhor descreve este
problema é a distribuição geométrica. A distribuição geométrica é usada para
modelar o número de tentativas necessárias para obter o primeiro sucesso
em experimentos de Bernoulli independentes.
14.
a)𝑃(𝑋 = 4) = 𝐶(6,4) ∗ (1/2)4 ∗ (1 − 1/2)6−4 = 15 ∗ (1/16) ∗ (1/4) = 15/
64 ≈ 0.234
b) 𝑃(𝑋 = 4) = (1 − 1/2)4−1 ∗ 1/2 = (1/2)3 ∗ 1/2 = 1/16 = 0.0625
c) No primeiro caso (a.), usamos a distribuição binomial para modelar o
número de “sucessos” (nascimentos de meninos) em um número fixo de
experimentos independentes (nascimentos). No segundo caso (b.), usamos
a distribuição geométrica para modelar o número de tentativas necessárias
para obter o primeiro “sucesso” (nascimento de uma menina).

15.
𝐶(90,5)∗𝐶(10,0) 43,833,600
a) 𝑃(𝑋 = 0) = = 75,287,520 ≈ 0.582
𝐶(100,5)
b) 𝑃(𝑋 ≥ 1) = 1 − 𝑃(𝑋 = 0) = 1 − 0.582 = 0.418

16.
𝜆5 ∗𝑒 −𝜆 25 ∗𝑒 −2
𝑃(𝑋 = 5) = = ≈ 0.036
5! 5!

A esperança (ou valor esperado) e a variância de uma distribuição de Poisson

são ambas iguais à taxa média de ocorrência λ. Portanto, neste caso, tanto
a esperança quanto a variância são iguais a 2.