Complementos sobre Modelos Discretos 1 (Ficha de trabalho)

Observações:

 Material de apoio às aulas.

 Esta ficha de trabalho tem exercícios tipo, escolhidos, ordenados e comentados, de

forma a que o estudante possa “ir crescendo” e ganhando segurança no seu estudo.

 Procedimento de estudo proposto:

1) Leia as sínteses-formulários no final da ficha de trabalho (incluído revisões);

2) Estude os exercícios resolvidos – foram especialmente escolhidos e ordenados. Note
em especial os comentários;
3) Complemente o seu estudo com folhas teóricas e livros de texto recomendados;
4) Tente resolver sem consultar as resoluções os exercícios propostos;
5) Finalmente, faça controlando o tempo, os exercícios de auto-avaliação.

Exercícios Resolvidos I.............................................................................................................. 2

Exercícios Resolvidos II - Modelos Bernoulli e Binomial ........................................................ 5
Exercícios Propostos .................................................................................................................. 6
Mini-Teste de Auto-Avaliação 1 (15-20 minutos)..................................................................... 7
Síntese das Variáveis Aleatórias Discretas I (Geral, Bernoulli e Binomial) ............................. 8

1
Estatística Aplicada Ficha de trabalho – Modelos discretos 1 – FT

Exercícios Resolvidos I
ER1 Explique porque cada uma das distribuições abaixo é ou não é uma distribuição de
probabilidades:

a) x P(X=x)
0 0.15
1 0.25
2 0.10
3 0.25
4 0.30
b) x P(X=x)
0 0.15
1 0.20
2 0.30
3 0.10

c) x P(X=x)
0 0.15
1 -0.20
2 0.50
3 0.20
4 0.35
d) x P(X=x)
-1 0.15
0 0.30
1 0.20
2 0.15
3 0.10
4 0.10

Comentário inicial: Nem todas as tabelas representam distribuições de probabilidade.


É necessário que: P1: p i  0 P2 : p
i 1
i 1

Resolução: a) Não é uma distribuição de probabilidades porque a soma de probabilidades de

5
ocorrência de cada uma das alternativas é maior que 1, neste caso, p
i 1
i  1.05 .

b) Não é uma distribuição de probabilidades porque a soma de probabilidades de ocorrência

5
de cada uma das alternativas é menor que 1, neste caso, p
i 1
i  0.75 .

c) P(X=1)<0, portanto não pode ser uma distribuição de probabilidades.

d) Pelas razões já expostas, esta é uma distribuição de probabilidade.

ER2 Seja: X  v.a. que representa o número de faces obtidas em três lançamentos de uma
moeda perfeita.
a) Construa a função de probabilidade da v.a. X, na forma de tabela.
b) Determine a função de distribuição de probabilidade da v.a. X, na forma de tabela.

Comentário inicial: Este exercício estabelece uma relação entre os Acontecimentos e as

Variáveis Aleatórias (Discretas). Há por isso um conjunto de situações – lançar dados, retirar
uma carta, lançar uma moeda, … - que será pedido que construa as f.p..

Resolução: a) Consideremos o espaço amostral associado ao lançamento sucessivo de uma

moeda, três vezes:   FFF , FFC,...,CCC , em que #   2  2  2  2 3  8 . Seja: X  v.a.
que representa o número de faces obtidas nos três lançamentos. Temos X=0, 1, 2 ou 3. A v.a.

Agradeço a indicação de dúvidas e/ou gralhas para jmarques@uatlantica.pt

Estatística Aplicada Ficha de trabalho – Modelos discretos 1 – FT

X toma o valor 0 quando se realiza o acontecimento elementar CCC ; toma o valor 1 quando
se realiza o acontecimento FCC , CFC , CCF  , (…). Pelo que a função de probabilidade é:

x 0 1 2 3 c.c.
P  X  x 1/8 3/8 3/8 1/8 0

Comentário intermédio: Em geral temos: Função Distribuição: Dada uma v.a. X chama-
se Função Distribuição (f.d.) da v.a. X e representa-se por F  x  ou FX ( x ) à aplicação:
FX x  ≡P X  x , ∀ .
x∈IR

No caso discreto temos: Função Distribuição discreta (f.d.d.):

FX ( x )  P( X  x )   P( X  xi )
v . a . discreta
xi  x

 0 se x0
1/ 8 se 0  x  1

b) F ( x)  P( X  x)   P( X  xi ) pelo que temos F ( x )  1/ 2 se 1  x  2
7 / 8
v.a.discreta
xi  x
se 2  x  3

 1 se 3 x

Comentário final: Para modelos teóricos especiais que vamos estudar, há tabelas quer da f.p.
quer da f.d.

ER3. Considera a v.a. discreta que nos indica o número de automóveis procurados por dia
num certo stand. A função de probabilidade da v.a. X é dada por:

x 0 1 2 3 4
P  X  x 0.05 a b 0.30 0.20

a) Sabendo que, em 75% dos dias são procurados pelo menos dois automóveis, determine a e
b.
b) Calcule a procura diária média.
c) Defina a f.d. da referida v.a.
d) Calcule a procura diária mediana.
e) Indique qual é a moda da procura diária de automóveis naquele stand.

Resolução:
a) Seja X = v.a. que representa o "número de automóveis procurados por dia"
Para que P(X = x) seja uma f.p. será necessário verificar as duas condições/propriedades:

P1: p i  0 P2: p
i 1
i 1

Pela 2ª condição podemos escrever:

0.05  a  b  0.30  0.20  1  a  b  0.45 (Equação 1)

Agradeço a indicação de dúvidas e/ou gralhas para jmarques@uatlantica.pt

Estatística Aplicada Ficha de trabalho – Modelos discretos 1 – FT

É dito no enunciado que:

P  X  2   0.75  P  X  2   P  X  3  P  X  4   0.75  b  0.3  0.2  0.75  b  0.25

Que substituindo na Equação 1 conduz a: a  b  0.45  b  a  0.45  0.25  a  0.2

Falta apenas agora verificar a 1ª condição: pi  0 : que está verificada.

Resposta: a  0.2 e b  0.25

Comentário intermédio: Valor Esperado, Valor Médio ou Média da v.a. X

- X uma v.a. discreta: E X  
def .


i 1
xi P ( X  xi ) .
- E  X  ,  X ou simplesmente  (quando não há dúvida da v.a. em estudo);
- o valor médio duma v.a. X não é necessariamente um valor do contradomínio da v.a., i.e.,
no caso discreto pode mesmo não ter uma probabilidade diferente de zero atribuída;
- o valor médio exprime-se nas unidades de X. Por isso sempre que possível deve indicar
explicitamente quais as unidades do valor médio.

def .
b) E  X   

x P( X  xi )  0  0.05  1 0.2  2  0.25  3  0.3  4  0.2  2.4 automóveis/dia
i 1 i

 0 se x0
0.05 se 0  x  1

0.25 se 1  x  2
c) F ( x)  P( X  x)   P( X  xi ) pelo que temos F ( x)  
v.a.discreta
xi  x 0.50 se 2  x  3
0.80 se 3  x  4

 1 se 4 x
d) 2 Automóveis, porque F (2)  0.50 .

e) 3 Automóveis, porque a f.p. é máxima em x = 3.

Agradeço a indicação de dúvidas e/ou gralhas para jmarques@uatlantica.pt

Estatística Aplicada Ficha de trabalho – Modelos discretos 1 – FT

Exercícios Resolvidos II - Modelos Bernoulli e Binomial

ERII.1 Considere que a v.a. X tem distribuição Binomial de parâmetros n= 5, p=0.01.

Calcule.
a) A média de X.
b) A variância de X.
c) Usando o formulário, as probabilidades:
c.1) P  X  0 
c.2) P  X  1
c.3) P  X  2 

Resolução: A sua f.p.é:

5 
P( X  x)    0.01x  0.995 x com x  0,1, 2,...,5
 x
E ( X )  np  5  0.01  0.05
Var ( X )  np(1  p)  5  0.01 0.99  0.0495

a) A média de X é   E ( X )  0.05

b) A variância de X é  2  0.0495

5
c.1) P( X  0)    0.010  0.955  0.995  0.9509
0
5
c.2) P( X  1)    0.011  0.9949  5  0.01 0.994  0.04803
1 
5
c.3) P( X  2)    0.012  0.993  10  0.012  0.993  0.00097
 2

ERII.2 Considere que a v.a. X tem distribuição Binomial com n = 5 e p = 0,20.

Determine usando as tabelas:
a) P ( X  0) b) P ( X  2) c) P( X  2)
d) P ( X  3) e) P ( X  4)
Resolução:
a) P( X  0)  F  0   0.3277
Tabela 1

b) P( X  2)  P( X  0)  P( X  1)  0.7373
ou
P( X  2)  P( X  1)  F (1)  0.7373
Tabela 1

c) P( X  2)  1  P( X  2)  1  F (2)  1  0.9421  0.057

Tabela 1

d) P( X  3)  F (3)  0.9933
Tabela 1

e) P( X  4)  1  P( X  4)  1  P( X  3)  1  F (3)  1  0.9933  0.0067

Tabela 1

Agradeço a indicação de dúvidas e/ou gralhas para jmarques@uatlantica.pt

Estatística Aplicada Ficha de trabalho – Modelos discretos 1 – FT

ERII.3 A probabilidade de um estudante que entra para a Universidade se formar é 0.4.

Determine a probabilidade de que pelo menos um estudante, de um grupo de cinco
estudantes, se forme.

Resolução: Seja
Y - v.a. que representa o nº de alunos que se forma (sucesso) num grupo de cinco

Y  i 1Yi ~ Bin  n  5, p  0.4 .

5

5
Pretende-se: P Y  1  ?  1  P Y  1  1  P Y  0   1    p 0 q 5  1  0.65  0.922 .
0

Comentário: Determine P Y  0  usando as tabelas.

Comentário final: A justificação da variável Y pode ser feita considerando as variáveis

aleatórias:
Yi - v.a. que indica se o aluno i se forma (sucesso) ou não (insucesso)
Y - v.a. que representa o nº de alunos que se forma (sucesso) num grupo de cinco

Como as v.a.´s Yi ~ Ber p  com p= P(“um aluno se formar”)= 0.4 (um dos dados do
problema), são independentes temos que: Y  i1Yi ~ Bin5, p  .
5

Exercícios Propostos
EP.1 Um grupo gerador é lançado diariamente, no início do dia de trabalho de uma certa
unidade fabril. Sabe-se que a probabilidade de que o grupo falhe no arranque, com a
consequente necessidade de reparação e paragem da laboração durante a manhã, de 0,01.
Face a estes dados, responda ao seguinte:
a) o nº de dias de uma semana, escolhida ao acaso, em que o gerador irá falhar o arranque é
uma v.a. Caracterize essa v.a. Isto é: defina-a, diga que valores pode assumir e com que
probabilidades.
b) qual é a probabilidade de que, numa semana, ocorram mais do que duas falhas do gerador?
c) sabendo que uma falha do gerador provoca a perda de uma manhã de trabalho e que isso
significa um prejuízo de 15000 Unidade Monetárias, obtenha a esperança matemática e a
variância das perdas associadas às paragens do gerador durante uma semana.

EP.2 Considere que a v.a. X tem distribuição Binomial com n = 8 e p = 0,60. Determine
usando as tabelas:
a) P(X=0) b) P(X<4) c) P(X>3)

Agradeço a indicação de dúvidas e/ou gralhas para jmarques@uatlantica.pt

Estatística Aplicada Ficha de trabalho – Modelos discretos 1 – FT

Mini-Teste de Auto-Avaliação 1 (15-20 minutos)

AA1. É conhecido que os passageiros transportam consigo, ou nas suas bagagens de mão,

objectos não autorizados, em 5% dos casos. Como sabe, todos os passageiros e bagagens de

mão são inspecionados antes de acederem à sala de embarque.

a) Qual a probabilidade de, em 15 passageiros inspeccionados, pelo menos um transportar

um objecto proibido.

b) Qual o número esperado de passageiros a transportarem objectos não autorizados num dia

em que são inspeccionados 10 000 passageiros.

Agradeço a indicação de dúvidas e/ou gralhas para jmarques@uatlantica.pt

Estatística Aplicada Ficha de trabalho – Modelos discretos 1 – FT

Síntese das Variáveis Aleatórias Discretas I (Geral, Bernoulli e Binomial)

V.A. Discreta: Função de Probabilidade (f.p.) - f X ( x)  P( X  x)

A f.p. da v.a. X (discreta) será dada na forma:
 P( X  x i )  p i ; i  1,2,...,k ,...
 : P( X  x )  
xIR
 0 ; i  1,2,...,k ,...

Propriedades: P1: p i  0 P2: pi 1
i 1

Função Distribuição discreta (f.d.): FX ( x )  P( X  x ) 

v . a . discreta
 P( X  x )
xi  x
i

Função Distribuição: Dada uma v.a. X chama-se Função Distribuição (f.d.) da v.a. X e
representa-se por F  x  ou FX ( x ) à aplicação: FX x  ≡P X  x , ∀ .
x∈IR

P1: 0  FX ( x )  1 P2: FX ( )  lim FX ( x )  0 e FX ( )  lim FX ( x )  1

x   x  

P3:  : P ( a  X  b )  P ( X  b )  P ( X  a )  F X ( b )  F X ( a )
ab

Valor Esperado, Valor Médio ou Média da v.a. X

X uma v.a. discreta: E X  
def .


i 1
xi P ( X  xi ) .

- E  X  ,  X ou simplesmente  (quando não há dúvida da v.a. em estudo);

- o valor médio duma v.a. X não é necessariamente um valor do contradomínio da v.a., i.e.,
no caso discreto pode mesmo não ter uma probabilidade diferente de zero atribuída;
- o valor médio exprime-se nas unidades de X. Por isso sempre que possível deve indicar
explicitamente quais as unidades do valor médio.

Momentos de uma Variável Aleatória X

Pretende-se agora generalizar um pouco a definição anterior, de valor médio.

Seja X uma v.a. e Y=Y(X), i.e., uma função da v.a. X.

Se X é uma v.a.d. então EY   i1Y ( X  xi ) P( X  xi ) .


Caso particular, que vamos especificar (necessário para o cálculo da Variância)

Se X é uma v.a.d. então E  X 2   i 1 xi2 P( X  xi )


Variância de uma Variável Aleatória X

Teorema: “Seja X uma v.a. então verifica-se: V X   E X 2  E X ”   2

Agradeço a indicação de dúvidas e/ou gralhas para jmarques@uatlantica.pt

Estatística Aplicada Ficha de trabalho – Modelos discretos 1 – FT

Observações:
- a variância exprime-se nas unidades quadradas de X. Por isso sempre que possível deve
indicar explicitamente quais as unidades da variância;
- embora a definição fosse naturalmente necessária, nas aplicações, salvo que for
explicitamente pedido o contrário, usaremos sempre a expressão que resulta deste ultimo
teorema.

Desvio-padrão:  X ,  ;

Coeficiente de variação: C.V. =  /  (adimensional)

Mediana: É o (menor) valor de X para o qual P( X  me )  0.5 .

Moda: É o valor de X para o qual a f.p. é máxima.

Álgebra do Valor Esperado:

i. E[constante]= constante; ii. E[a+bX]=a+bE[X]

Álgebra da Variância:
i. V constante  0 ; ii. V a  bX   b2V X 

Observações Gerais: - quer as definições, quer os teoremas são análogos para v.a.´s
discretas e contínuas, “substituído os somatórios por integrais”. Estas serão estudadas a
seguir.
- uma grande diferença é que “num ponto a probabilidade associada a uma v.a.c. é sempre
nula”.

Distribuição Binomial
“Uma v.a. X diz-se ter distribuição Binomial com parâmetros p e n, se a sua f.p. é da forma:
n
P( X  x)    p x (1  p) n  x , x  0,1,..., n
 x

Notação: Simbolicamente escreveremos que X ~ B(n, p) .

Propriedades: Se X ~ B(n, p) então:

i) E  X   np . ii) V  X   np(1  p ) .

Tabela: ver a Tabela 1 dada.

Nota: Sabemos que as combinações se podem calcular com a calculadora ou pela definição:
n n!
  em que o factorial representa: n!  n   n  1  ...  2 1
 x   n  x ! x !

Agradeço a indicação de dúvidas e/ou gralhas para jmarques@uatlantica.pt