Aula 48 - Estatistica - Aula 03

Pacote de Teoria e Exercícios para Papiloscopista PF
Estatística
Aula 03
Distribuição Normal e Amostragem
1 Variável Aleatória .................................................................................................................. 2

1.1 Definição ............................................................................................................................ 2
1.2 Função Discreta de Probabilidade ............................................................................ 3
1.3 Função de Distribuição de Probabilidade............................................................... 3
1.4 Funções de Distribuição e de Densidade para Variáveis Contínuas ........... 4
2 Valor Esperado ....................................................................................................................... 7
2.1 Média ................................................................................................................................... 7
2.2 Valor Esperado de Uma Função de Variável Aleatória ..................................... 9
2.3 Variância ............................................................................................................................ 9
3 Distribuições de Probabilidade ....................................................................................... 12
3.1 Distribuições Discretas ............................................................................................... 12
3.1.1 Distribuição Binomial ................................................................................................. 12
3.2 Distribuições Contínuas .............................................................................................. 15
3.2.1 Distribuição Normal .................................................................................................... 15
3.2.2 Distribuição t de Student ............................................................................................. 22
4 Amostragem .......................................................................................................................... 23
4.1 Técnicas de Amostragem........................................................................................... 24
4.1.1 Amostragem Aleatória Simples .................................................................................. 25
4.1.2 Amostragem Estratificada ........................................................................................... 26
4.1.3 Amostragem Sistemática............................................................................................. 26
4.1.4 Amostragem por Conglomerados ............................................................................... 26
4.1.5 Amostragem por Voluntários ...................................................................................... 26
4.1.6 Variância Amostral ..................................................................................................... 28
5 Resumo 29
6 Exercícios de Fixação ......................................................................................................... 32
7 Gabarito 39
8 Resolução dos Exercícios de Fixação ........................................................................... 40
APÊNDICE 62
Prof. Alexandre Lima www.pontodosconcursos.com.br 1

1 Variável Aleatória
1.1 Definição
Uma variável aleatória é uma descrição numérica do resultado de um

experimento.
Por exemplo, considere o experimento “contactar cinco clientes”. Seja X a

variável aleatória que representa o número de clientes que colocam um pedido
de compra. Então os valores possíveis de X são: 0, 1, 2, 3, 4 e 5.
Uma variável aleatória X é denominada discreta se assume valores num

conjunto contável ou enumerável (como o conjunto dos números inteiros Ζ ou
o conjunto dos números naturais Ν), com certa probabilidade. Formalmente,
uma variável aleatória é uma função, e não uma “variável” propriamente
dita. A variável aleatória do exemplo anterior é discreta. Também são
exemplos de variáveis aleatórias discretas:
• Número de coroas obtido no lançamento de duas moedas;

• Número de itens defeituosos em uma amostra retirada,
aleatoriamente, de um lote;
• Número de defeitos em um carro que sai de uma linha de
produção.
Vejamos um outro exemplo. Considere o lançamento de duas moedas

mencionado acima. O espaço amostral (isto é, o conjunto de todos os
resultados possíveis do experimento) é
Ω = {(cara, cara), (cara, coroa), (coroa, cara), (coroa, coroa)},
e os valores que a variável aleatória X (número de coroas) pode assumir são
X = {0, 1, 2}.
Observe que o valor x = 0 está associado ao resultado (cara, cara), o valor x =

1 está associado aos resultados (cara, coroa) e (coroa, cara) e o valor x = 2
está associado ao resultado (coroa, coroa).
Uma variável aleatória contínua é uma função que associa elementos do

espaço amostral ao conjunto dos números reais (conjunto não enumerável).
Exemplos de variáveis aleatórias contínuas:
• Tempo de resposta de um sistema computacional;

• Volume de água perdido por dia, num sistema de abastecimento;
• Resistência ao desgaste de um tipo de aço, num teste padrão.
1.2 Função Discreta de Probabilidade
A função que atribui a cada valor de uma variável aleatória discreta sua
probabilidade é chamada de função discreta de probabilidade ou,
simplesmente, função de probabilidade
(1) P[X = x i ] = f ( x i ) i = 1,2,...
Uma função de probabilidade satisfaz as seguintes:
i) 0 ≤ f(xi) ≤ 1 (porque não existe probabilidade negativa) e
ii) ∑i f(xi) = 1 (é a probabilidade do evento certo).
As variáveis aleatórias discretas são completamente caracterizadas pela sua

função de probabilidade.
Exemplo. Considere o lançamento de um dado não viciado. A probabilidade de

se obter um resultado de 1 a 6 é igual a 1/6. O espaço amostral é Ω = {1, 2,
3, 4, 5, 6}. A Fig. abaixo ilustra a função de probabilidade f(xi) =1/6, i = 1, 2,
3, 4, 5, 6, da variável aleatória X.
f(x)
1/6 1/6 1/6 1/6 1/6 1/6
0 1 2 3 4 5 6 7 x
1.3 Função de Distribuição de Probabilidade
A função de distribuição (ou acumulada) de probabilidade de uma

variável aleatória discreta X é definida pela expressão
(2) F( x ) = P[X ≤ x ] .
A figura a seguir mostra a função de distribuição F(x) da variável aleatória do

exemplo anterior.

F(x)
5/6
2/3
1/2
1/3
1/6
1 2 3 4 5 6 x
1.4 Funções de Distribuição e de Densidade para Variáveis Contínuas
Diz-se que f(x) é uma função contínua de probabilidade ou função densidade

de probabilidade para uma variável aleatória contínua X, se satisfaz duas
condições:
1. f(x) > 0 para todo x ∈ (-∞,∞);

2. a área definida por f(x) é igual a 1.
A condição 2 é dada pela integral
∞
(3) ∫ f (x )dx = 1 .
−∞
A figura a seguir ilustra uma função densidade que satisfaz (3): f(x) = 1/T, em
que T é uma constante, para –T/2≤x≤T/2 e f(x) = 0 para os demais valores,
de maneira que a função tem a forma de um pulso retangular. Observe que
f(x) deve ser igual a 1/T para –T/2≤x≤T/2, pois a área sob a função densidade
é unitária (como a base do pulso é T, então a altura do pulso deve ser 1/T,
para que a área do pulso seja igual a 1).

f(x) P(-T/2≤X≤T/2) = 1
(área sob a função f(x))
1/T
-T/2 0 -T/2 x
Para calcular probabilidades, temos que, para a ≤ b
b
(4) P[a ≤ X ≤ b] = ∫ f ( x )dx .
a
A figura abaixo mostra o significado geométrico de (4): a probabilidade

P(a≤X≤b) é igual a área sob f(x) no intervalo [a,b].
f(x)
P(a≤X≤b)
1/T
-T/2 a 0 b -T/2 x
Observe que a probabilidade de ocorrência de um dado valor isolado “k” é

sempre nula, ou seja, P[x = k] = 0.
A função de distribuição de uma variável aleatória contínua X também é

definida por (2), que pode ser posta na forma

x
(5) F( x ) = ∫ f (λ)dλ .
−∞
As próximas duas figuras ilustram, respectivamente, as funções densidade de

probabilidade e de distribuição de uma variável aleatória normal (a expressão
matemática da densidade normal será fornecida mais adiante).
Densidade normal
0.45
0.4
0.35
0.3
0.25
f(x)
0.2
0.15
0.1
0.05
0
-3 -2 -1 0 1 2 3
x
Função de distribuição normal
0.8
0.6
F(x)
0.4
0.2
0
-3 -2 -1 0 1 2 3
x
A função densidade de probabilidade corresponde à derivada da função

distribuição em relação a x, ou seja, f(x) = dF(x)/dx = F(x)’.

2 Valor Esperado
Foi dito que uma variável aleatória é completamente caracterizada (ou

especificada) pela sua função de probabilidade. Isto quer dizer que temos toda
a informação acerca de X quando sabemos quem é fX(x) (isto é, quando
conhecemos a fórmula de fX(x)). Na prática, é bastante comum não
conhecermos fX(x). Neste caso, como faríamos para caracterizar X?
O fato é que normalmente temos acesso a diversas observações de uma

variável aleatória e podemos nos aproveitar deste fato para tentar obter uma
descrição, ainda que parcial, da mesma. Uma maneira alternativa de
caracterizar uma variável aleatória envolveria a obtenção de estimativas de
alguns de seus momentos ou “médias” estatísticas. Na prática, os
momentos mais importantes são a média (momento de 1ª ordem) e a
variância (momento de 2ª ordem). A média é uma medida de posição de
fX(x), ao passo que a variância é uma medida de dispersão (ou do grau de
variabilidade) de fX(x).
2.1 Média
A média (também conhecida como valor esperado ou esperança) é uma

medida de posição de uma função de probabilidade, servindo para localizar a
função sobre o eixo de variação da variável em questão. Em particular, a
média caracteriza o centro de uma função de probabilidade. A média é
uma característica numérica de uma função de probabilidade.
Se X for uma variável aleatória discreta que pode tomar os valores x1, x2, ...,
xn com probabilidades f(x1), f(x2), ..., f(xn), então a média de X é definida por
n
(6) E[X] = x 1f ( x 1 ) + x 2 f ( x 2) + ... + x n f ( x n ) = ∑ x i f ( x i )
i =1
em que E denota o operador esperança matemática. A média de X também

é usualmente representada por X (leia-se “X barra”) ou pela letra grega µ
(leia-se “mi”).

Já caiu em prova! (Administrador Júnior - Petrobrás/2007/Cespe-

UnB)
número de pedidos probabilidade

0 0,4
1 0,2
2 0,1
3 0,1
4 0,1
5 ou mais 0,1
O departamento de recursos humanos de uma empresa recebe diariamente

uma quantidade aleatória X de pedidos de auxílio- transporte. Considerando a
tabela acima, que mostra a distribuição de probabilidade de X, julgue os itens
seguintes.
1. O número médio de pedidos é superior a 1,5.
Resolução
E(X) = ∑ X.f(x) = (0 x 0,4) + (1 x 0,2) + (2 x 0,1) + (3 x 0,1) + (4 x 0,1) +

(5 x 0,1) = 1,6 > 1,5. O item está certo.
GABARITO: C
2. O número de pedidos X é igual a 1 com probabilidade igual a 0,6.
Resolução
A tabela com a distribuição de probabilidades de X mostra que f(X=1) = 0,2.

Logo, o item está errado.
Cabe ressaltar que P(X ≤ 1) = f(X = 0) + f(X=1) = 0,4 + 0,2 = 0,6.
GABARITO: E
Se a variável aleatória discreta X puder tomar um número infinito de valores,

então (6) pode ser generalizada na forma
(7) E[X] = x 1f ( x 1 ) + x 2 f ( x 2) + ... + x n f ( x n ) + ... = ∑ x i f ( x i ) .

i
O valor esperado de uma variável aleatória contínua X com densidade de

probabilidade fX(x) é dado pela integral

∞
(8) E[X] = ∫ xf ( x )dx .
−∞
2.2 Valor Esperado de Uma Função de Variável Aleatória
Seja X uma variável aleatória discreta com função de probabilidade fX(xi) e

g(X) uma função de X. Então o valor esperado de g(X) é
(9) E[g (X)] = ∑ g ( x i )f X ( x i ) .

i
Caso X seja uma variável aleatória contínua com densidade de probabilidade

fX(x), o valor esperado de g(X) é dado por
∞
(10) E[g (X)] = ∫ g ( x )f X ( x )dx .
−∞
Se g (X) = g1 (X) + g 2 (X) , em que g1(X) e g2(X) também são funções de X, então
vale
(11) E[g (X)] = E[g1 (X)] + E[g 2 (X)] .
Relacionamos abaixo algumas propriedades importantes da esperança

matemática E(.). Sejam “a” e “c” valores constantes e X uma variável aleatória
(tanto faz se contínua ou discreta), então valem:
1. E[c] = c ⇒ a média de um número qualquer “c” é o próprio número

“c”;
2. E[cX] = cE[X] ⇒ a média de uma variável multiplicada por um
número é igual ao número multiplicado pela média de X;
3. E[a + cX] = a + cE[X] ⇒ a média da soma de um número qualquer “a”
com a variável X multiplicada por um número qualquer c é igual à soma
do número “a” com a média de X multiplicada por “c”.
2.3 Variância
Sejam X uma variável aleatória (discreta ou contínua) e g (X) = [X − X ]2 uma

função de X. Define-se a variância de X (denotada por var(X) ou σ 2X ) como o
valor esperado E[g(X)] dado por
(12) var(X) = E[g (X)] = E[X − X ]2 .
Note que

E[X − X ]2 = E[X 2 − 2XX + X 2 ] = E[X 2 ] − E[2XX ] + E[ X 2 ]
E[X − X ]2 = E[X 2 ] − 2 XE[X] + E[ X 2 ] , pois colocamos 2 X em evidência no segundo

termo do lado direito da igualdade,
E[X − X ]2 = E[X 2 ] − 2 X 2 + X 2 = E[X 2 ] − X 2
var(X) = E[X 2 ] − X 2 ⇒ a variância de X é igual a média do quadrado de X

subtraída da média de X ao quadrado.
Sejam “a” e “c” constantes e Z = a + cX. Observe que Z é uma transformação

linear de X, porque Z = a+cX define a equação de uma reta com declividade
“c” e intercepto “a”. Não é difícil demonstrar que vale a propriedade
(13) var(a+cX) = c2var(X).
A raiz quadrada positiva da variância é chamada de desvio padrão ou

erro padrão, sendo denotada pelo símbolo σ.
Exemplo (AFRFB/2009/ESAF). A tabela mostra a distribuição de

freqüências relativas populacionais (f’) de uma variável X:
X f'
–2 6a
1 1a
2 3a
Sabendo que “a” é um número real, então a média e a variância de X são,

respectivamente:
A) µ x = −0,5 e σ 2x = 3,45
B) µ x = 0,5 e σ 2x = −3,45
C) µ x = 0 e σ 2x = 1
D) µ x = −0,5 e σ 2x = 3,7
E) µ x = 0,5 e σ 2x = 3,7
Resolução
Em primeiro lugar, deve-se eliminar a opção B, pois não existe variância com
valor negativo. Assim, esta opção é absurda.
Soma das Freqüências Relativas = 6a + 1a + 3a = 10a = 1.
Logo, a = 0,1.
X f' X.f ' X2.f '

– 2 6a = 6 x 0,1 = 0,6 -1,2 2,4
1 1a = 1 x 0,1 = 0,1 0,1 0,1
2 3a = 3 x 0,1 = 0,3 0,6 1,2
Total 1 -0,5 3,7
Vimos que a média de uma variável aleatória discreta é calculada pela fórmula
n
E[X] = x 1f ( x 1 ) + x 2 f ( x 2) + ... + x n f ( x n ) = ∑ x i f ( x i )
i =1
Para a questão temos
E[X] = x 1f ( x1 ) + x 2 f ( x 2) + x 3f ( x n ) = −1,2 + 0,1 + 0,6 = −0,5 ⇒ podemos eliminar as opções

C e E (sobraram A e D).
A variância é dada por
var(X) = σ 2X = E[X 2 ] − [ X ]2
n
sendo que E[X 2 ] = ∑ x i f ( x i ) = 2,4 + 0,1 + 1,2 = 3,7 (reparou que a opção D é uma
2
i =1
“pegadinha”?). Logo, σ 2X = 3,7 − (−0,5) 2 = 3,7 − 0,25 = 3,45 .
GABARITO: A
Exemplo (Analista/Área 3/BACEN/2006/FCC). Um empresário,

investindo em um determinado empreendimento, espera ter os seguintes
lucros em função dos cenários “Bom”, “Médio” e “Ruim”:
Cenário Lucro (R$) Distribuição de

Probabilidades do Cenário
Bom R$ 8 000,00 0,25
Médio R$ 5 000,00 0,60
Ruim R$ 2 000,00 0,15
A expectância e a variância do lucro são, em R$ e (R$)2, respectivamente,
A) 5 500,00 e 3 160,00
B) 5 300,00 e 3 510,00
C) 5 300,00 e 3 160,00
D) 5 000,00 e 3 510,00
E) 5 000,00 e 3 160,00
Resolução

Expectância: E(X)
Variância: Var(X) = E(X2) - [E(X)]2
E(X) = ∑X.P(X) = 8 x 0,25 + 5 x 0,60 + 2 x 0,15 = 5,3 mil = 5.300,00

E(X2) = 82 x 0,25 + 52 x 0,60 + 22 x 0,15 = 31,6 mil
Var(X) = 31,6 – 5,32 = 3,51 mil = 3.510,00
GABARITO: B
3 Distribuições de Probabilidade
Daqui para frente, usaremos o termo distribuição como sendo sinônimo de

função de probabilidade, o que é usual na literatura da área.
3.1 Distribuições Discretas
3.1.1 Distribuição Binomial
Considere os seguintes experimentos aleatórios e variáveis aleatórias:
1. Jogue uma moeda 50 vezes. Seja X = número de caras obtidas.

2. Nos próximos 30 nascimentos em uma maternidade, seja X = número de
nascimentos de meninos.
Cada um desses experimentos aleatórios pode ser pensado como consistindo

em uma série de tentativas aleatórias e repetidas: 50 arremessos de moedas
no experimento (1) e 30 nascimentos de bebês no experimento (2). A variável
aleatória em cada caso é uma contagem do número de tentativas que
satisfazem um determinado critério. O resultado de cada tentativa satisfaz ou
não o critério que X conta; por conseguinte, cada tentativa pode ser
sumarizada como resultando em um sucesso ou um fracasso (falha ou
insucesso), respectivamente. Por exemplo, sucesso, no experimento (1), é a
obtenção de cara no lançamento da moeda. No experimento (2), o nascimento
de uma menina é um fracasso.
Uma tentativa com somente dois resultados possíveis é denominada tentativa

de Bernoulli. Considera-se que as tentativas que constituem o experimento
aleatório sejam independentes. Ou seja, o resultado de uma tentativa não tem
efeito sobre o resultado da tentativa seguinte. Além disso, admitimos que a
probabilidade de um sucesso em cada tentativa seja constante.

Definição:
Um experimento aleatório, consistindo em n repetidas tentativas, de modo que
(1) as tentativas sejam independentes,

(2) cada tentativa resulte em somente dois resultados possíveis, designados
por “sucesso” e “fracasso”,
(3) a probabilidade de um sucesso em cada tentativa seja p
é chamado de experimento de Bernoulli (ou Binomial). A variável

aleatória X, que conta o número de sucessos em n tentativas, tem
distribuição binomial (ou de Bernoulli) com parâmetros p e n. A função de
probabilidade de X (distribuição binomial) é
n
(14) f ( x ) =  p x (1 − p) n −x , x = 0,1,2,..., n
x
Se fizermos (1-p) = q (é a probabilidade de insucesso em uma tentativa) em

(14), obtemos
n
(15) f ( x ) =  p x q n −x , x = 0,1,2,..., n .
x
Alguns autores optam por definir a distribuição binomial (14) como a

probabilidade de se ter k sucessos em n tentativas:
n
P(X = k ) =  p k (1 − p) n −k .
k
A figura a seguir mostra a distribuição da Binomial para n=10 e p=1/2.

0.25
Binomial: n=10 e p=1/2
0.2
0.15
0.1
0.05
0
0 1 2 3 4 5 6 7 8 9 10
A Tabela a seguir fornece a média, a variância e o desvio padrão da

Distribuição Binomial.
Tabela: Caracterização da Binomial
Média E(X) = np
Variância Var (X) = npq
Desvio Padrão σ(X) = npq
Exemplo. A probabilidade de obter exatamente 2 caras em 6 lançamentos de

uma moeda não viciada é (n=6, p=0,5)
 6 6 × 5 × 4 × 3 × 2 ×1
P(X = 2) = f ( x = 2) =  0,52 × 0,54 = × 0,25 × 0,625 = 0,2344 .
 2 (4 × 3 × 2 × 1) × (2 × 1)
Exemplo. A probabilidade de obter pelo menos 5 caras em 6 lances de uma

moeda não viciada é
6 6
P(X=5 ou X=6) = = f (5) + f (6) =  0,55 × 0,5 +  0,56 × 0,50 = 0,0938 + 0,0156 = 0,1094.
5 6
Exemplo (ICMS-RJ/2010/FGV). 40% dos eleitores de uma certa população

votaram, na última eleição, num certo candidato A. Se cinco eleitores forem
escolhidos ao acaso, com reposição, a probabilidade de que três tenham
votado no candidato A é igual a:
A) 12,48%.
B) 17,58%.
C) 23,04%.
D) 25,78%.
E) 28,64%.
Resolução
A probabilidade de que três eleitores tenham votado no candidato A (k=3

“sucessos”) em n=5 tentativas, sendo p=0,4 (probabilidade de sucesso), é
dada pela distribuição binomial
n
P(X = k ) =  p k (1 − p) n −k
k
Logo,
5
P(X = 3) =  0,4 3 (1 − 0,4) 2 = 23,04%
 3
GABARITO: C
3.2 Distribuições Contínuas
3.2.1 Distribuição Normal
Uma variável aleatória contínua tem distribuição normal com parâmetros µ e σ2

se sua função densidade é dada por
( x −µ ) 2
1 −
(16) f ( x ) = e 2 σ2
, −∞ < x < ∞.
σ 2π
Não fique assustado com a fórmula acima. Você não precisará decorá-la para a
prova, pois os exercícios que envolvam a distribuição normal serão resolvidos
com o auxílio de uma tabela de probabilidades, como será visto mais adiante.

0.45
normal padrão
0.4
0.35
0.3
0.25
0.2
0.15
0.1
0.05
0
-3 -2 -1 0 1 2 3
Neste curso, usaremos a notação X ∼ N(µ, σ2) para indicar que X tem
distribuição normal com parâmetros µ e σ2. A figura acima mostra a curva
normal padrão. Repare que o seu formato é parecido com o de um sino.
A distribuição normal possui as seguintes propriedades:
1. f(x) é simétrica em relação a µ;

2. f(x) tende a zero quando x → ± ∞;
3. o valor máximo de f(x) se dá em x = µ.
Demonstra-se que os parâmetros µ e σ2 denotam a média e a variância da

distribuição normal, respectivamente.
Considere X ∼ N(µ, σ2) e seja a nova variável Z = (X – µ)/σ. Demonstra-se que

Z terá média zero e variância 1. Não é fácil mostrar que Z também tem
distribuição normal, ou seja, Z ∼ N(0, 1). Isso não será feito nesta aula. Diz-se
que Z tem distribuição normal padrão ou normal reduzida. Esta
distribuição é muito importante para a prova.

Da simetria de f(x), resulta que P(X > µ) = P(X < µ) = 0,5.
A figura acima mostra que:
- o intervalo (µ-σ, µ+σ) contém 68,27% dos valores da distribuição normal;
- o intervalo (µ-2σ, µ+2σ) contém 95,45% dos valores da distribuição normal.
- o intervalo (µ-3σ, µ+3σ) contém 99,73% dos valores da distribuição normal.
A função de distribuição acumulada de uma variável aleatória normal padrão é

usualmente denotada por Φ (z). Ressaltamos que
Φ(z) = P(Z ≤ z) = 1/2 + P(0≤ Z ≤ z).
O apêndice desta aula contém tabelas auxiliares que fornecem os valores das
seguintes probabilidades:
i) P(Z>Zc) = 1 - Φ (Zc) (Tabela I)

ii) P(0≤ Z ≤ Zc) = 1/2 - Φ (Zc) (Tabela II)
Dê uma olhada nas tabelas auxiliares da normal padrão; é importante que

você esteja familiarizado com o uso das tabelas!
Exemplo. Seja a variável aleatória normal padrão Z e as tabelas auxiliares da

normal.

(1) Calcule P(Z>1,26).
A Tabela II do apêndice da normal reduzida indica que P(0≤Z≤1,26) = 0,3962

= 39,62%. Logo, P(Z>1,26) = 1 - Φ (1,26) = 1 – (0,5 + 0,3962) = 1 – 0,8962
= 0,1038 (veja a figura a seguir). A Tabela I nos dá esse resultado de forma
direta, pois P(Z>1,26) = 0,1038.
(2) P(Z<-0,86) = 0,5 – P(0<Z<0,86) = 0,5 – 0,3051 = 0,1949.
(3) P(-1,25<Z<0,37) = P(0<Z<1,25) + P(0<Z<0,37) = 0,3944 + 0,1443 =

0,5387. Forma alternativa de cálculo: P(-1,25<Z<0,37) = Φ (0,37) – Φ (-1,25)
= (0,5 + 0,1443) – (0,5 – 0,3944) = 0,6443 – 0,1056 = 0,5387.
(4) P(-1,96<Z<1,96) = 2 x P(0<Z<1,96) = 2 x 0,475 = 95%.
Atenção: podemos generalizar o resultado (4) para qualquer variável aleatória

normal X com média µ e desvio padrão σ:
P(µ - 1,96σ< X <µ + 1,96σ) = 95%
O resultado obtido acima será muito utilizado para resolver questões de

Estatística que envolvam a distribuição normal (vide figura a seguir).

Exemplo (APOFP-SP/2010/FCC/Adaptada). Instruções: para resolver às

próximas duas questões utilize as informações abaixo referentes à distribuição
normal padrão Z:
z 1,00 1,25 1,50 1,75 2,00 2,25

P(0<Z<z) 0,34 0,39 0,43 0,46 0,48 0,49
Os salários dos empregados de uma determinada categoria profissional

apresentam uma distribuição normal com média igual a R$ 1.200,00 e desvio
padrão igual a R$ 160,00. A proporção dos empregados com salários
superiores a R$ 1.000,00 e inferiores a R$ 1.520,00 é
(A) 98%
(B) 96%
(C) 92%
(D) 89%
(E) 87%
Resolução
De acordo com o enunciado, a distribuição dos salários dos empregados

(variável X) é normal com parâmetros µ = 1.200 (média) e σ = 160 (desvio
padrão). Pede-se a proporção dos empregados com salários superiores a R$
1.000,00 e inferiores a R$ 1.520,00, ou seja, a probabilidade
P[1.000<X<1.520].
Seja a nova variável Z = (X - µ)/σ, em que Z é a normal padrão. Aprendemos

que

P[1.000<X<1.520] = P[(1.000-1.200)/160<Z<(1.520-1.200)/160],
P[1.000<X<1.520] = P[-1,25<Z<2,00] = P[-1,25<Z<0] + P[0<Z<2,00].
A Tabela II da normal padrão fornece a seguinte probabilidade:
- P[0<Z<1,25] = 0,39. Mas P[0<Z<1,25] = P[-1,25<Z<0], pois a normal

padrão é simétrica em relação à origem z =0.
- P[0<Z<2,00] = 0,48.
Assim, P[1.000<X<1.520] = 0,39 + 0,48 = 0,87 = 87%
GABARITO: E
A distribuição das medidas dos cabos fabricados por uma indústria é

considerada normal. Sabe-se que 7% dos cabos medem no máximo 2,4
metros e apenas 2% medem no mínimo 16,4 metros. A média das medidas
destes cabos é igual a
(A) 9,4 metros.

(B) 8,4 metros.
(C) 8,2 metros.
(D) 8,0 metros.
(E) 7,8 metros.
Resolução
Foram dadas as seguintes probabilidades: P(X<2,4) = 0,07 e P(X>16,4) =

0,02. É razoável supor que a banca tenha fornecido dois valores extremos da
normal (x1=2,4 e x2=16,4) e que a média esteja situada em algum valor entre
os dois extremos (uma rápida olhada nas opções confirma essa suspeita!).
De acordo com a tabela, P(0<Z<1,5) = 0,43 = P(-1,5<Z<0) (lembre que a

normal é simétrica). Logo, P(Z<-1,5) = 0,5 - P(-1,5<Z<0) = 0,5 – 0,43 =
0,07, o que nos leva a afirmar (sem medo de errar!) que z=-1,5 é o valor
transformado de x=2,4. Similarmente, P(Z>2,0) = 0,5 - P(0<Z<2,0) = 0,5 –
0,48 = 0,02, e isto indica que z=2,0 corresponde ao valor reduzido de x=16,4.
A média µ das medidas dos cabos é então determinada resolvendo-se o

seguinte sistema de equações:
(1) (2,4-µ)/σ = -1,5

(2) (16,4-µ)/σ = 2,0
A solução do sistema é: µ = 8,4; σ=4,0.

GABARITO: B
Já caiu em prova! (Administrador Júnior - Petrobrás/2007/Cespe-

UnB) Considere que a vazão V de um oleoduto seja uma variável aleatória que
siga uma distribuição normal com média igual a 1.000 m3 por dia e desvio-
padrão igual a 500 m3 por dia. Nessa situação, julgue os itens subseqüentes.
V − 1.000
A quantidade m3 segue uma distribuição normal com média zero e
100
desvio-padrão igual a 5.
Resolução
V − 1.000
Sabemos que a quantidade X = tem distribuição normal padrão, ou
500
seja, N(µ=0, σ2=1) .
V − 1.000 V − 1.000
Então a quantidade Y = 5X = 5 × = também tem distribuição
500 100
normal. Precisamos calcular a média e a variância da nova variável Y.
Média de Y: E(Y) = E(5X) = 5E(X) = 5 x 0 = 0 ⇒ a média de Y é igual a

média de X.
Variância de Y: Var(Y) = Var(5X) = 52.Var(X) = 25.1 = 25.
Conclusão: Y tem distribuição N(µ = 0, σ2 = 25). Se Var(y) = 25 ⇒ σY = 5.
GABARITO: C
Propriedade reprodutiva da Distribuição Normal: se X1, X2, ..., Xn forem

variáveis aleatórias normais e independentes, com E(Xi) = µi e Var(Xi) = σ2i
para i =1, 2, ..., n, então
Y = c1X1 + c2X2 + ... + cnXn
em que c1, c2, ..., cn são constantes, será uma variável aleatória normal com
média
E(Y) = c1µ1 + c2µ2 + ... + cnµn
e variância
Var(Y) = c12 σ21 + c 22 σ22 + ... + c 2n σ2n.
Faça c1, c2, ..., cn = 1

Y = X1 + X2 + ... + Xn.
Então a média da soma de n variáveis normais e independentes é igual à soma

das n médias individuais
E(Y) = µ1 + µ2 + ... + µn,
e a variância da soma de n variáveis normais e independentes é igual à soma

das variâncias individuais
Var(Y) = σ21 + σ22 + ... + σ2n.
Aproximação da Binomial pela Normal
Seja a Distribuição Binomial (14). Se “n” é grande e se “p” e “q” não estão
muito próximos de zero, então a distribuição binomial é bem aproximada por
uma distribuição normal padrão em que a variável transformada é dada por
X − np
Z= .
npq
Na prática, a aproximação é muito boa se np e nq forem maiores que 5. No

limite, temos que
 X − np  1
b
lim P a ≤ ≤ b = ∫
2
e −u / 2 du .
n →∞  npq  2π a
 
X − np
A relação acima nos diz que a variável aleatória padronizada Z = é
npq
assintoticamente normal. A aproximação da binomial pela normal será
devidamente justificada em aula posterior.
3.2.2 Distribuição t de Student
A distribuição t de Student com n graus de liberdade é dada por
 n +1 
− 
 x 2  2 
(17) f ( x ) = K st 1 + 
 n 
Γ[(n + 1) / 2]
em que K st = .
Γ(n/ 2) πn

A banca deverá fornecer a tabela de valores da distribuição t de Student na

prova, caso haja alguma questão que envolva o uso dessa distribuição. Não
trabalharemos com a tabela da t de Student neste momento, pois este tópico
será visto quando estudarmos a Inferência Estatística. A figura a seguir mostra
os gráficos da distribuição t de Student para 1, 10 e 20 graus de liberdade
(curvas azul, verde e vermelha, respectivamente). Note que o formato da t de
Student se aproxima da normal (curva preta tracejada) conforme aumenta o
número de graus de liberdade.
0.4
normal
0.35 t1
t10
0.3 t20
0.25
0.2
0.15
0.1
0.05
0
-3 -2 -1 0 1 2 3
Veremos posteriormente por que a distribuição t de Student é relevante no

estudo da Estatística Indutiva. Mas é bom que você comece a se familiarizar
com variáveis aleatórias do tipo t de Student desde já. Como elas surgem na
Estatística? Esta pergunta será respondida de forma sucinta a seguir.
Considere um conjunto de n valores retirados de uma população normal de

média µ e desvio-padrão σ. Defina a variável
X −µ
t= ,
S/ n
em que X e S denotam a média aritmética e o desvio-padrão das n

observações, respectivamente. Veremos que a distribuição de t não é normal,
apesar da fórmula acima ser similar à da normal reduzida. De fato, trata-se de
uma variável com distribuição t de Student. Esta distribuição é simétrica e tem
média nula, assim como a normal padrão.
4 Amostragem

A inferência estatística consiste nos métodos usados para tomar

decisões ou tirar conclusões acerca de uma população. Esses métodos
utilizam a informação contida em uma amostra da população.
4.1 Técnicas de Amostragem
Uma população consiste na totalidade das observações em que estamos

interessados.
Uma amostra é um subconjunto de observações selecionadas a partir de

uma população.
Em problemas de inferência estatística, os conjuntos de dados serão as

amostras retiradas das populações sob investigação. É preciso assegurar que
a amostra seja representativa da população. Isto quer dizer que, a não ser
por pequenas discrepâncias inerentes ao acaso, que sempre acontecem em
maior ou menor grau no processo de amostragem, a amostra deve ter as
mesmas características básicas da população, no que diz respeito à(s)
variável(is) de interesse.
Sendo assim, é importante saber quando temos uma amostra representativa

ou não. Se ela não for representativa, o trabalho do estatístico ficará
comprometido e os resultados serão provavelmente incorretos.
Há dois tipos de amostragem: a probabilística e a não probabilística. A

amostragem será probabilística se todos os elementos da população
tiverem probabilidade conhecida e diferente de zero de pertencer à
amostra. Caso contrário, a amostragem será não probabilística. Segundo essa
definição, a amostragem probabilística implica um sorteio com regras bem
determinadas.
As técnicas da inferência estatística pressupõem que as amostras

utilizadas sejam probabilísticas, o que muitas vezes não é possível.
Entretanto, o bom senso indicará quando o processo de amostragem, mesmo
não sendo probabilístico, pode ser, para efeitos práticos, considerado como tal.
A utilização de uma amostragem probabilística assegura que a

amostra seja representativa, pois o acaso será o único responsável por
eventuais diferenças entre população e amostra, o que é levado em conta
pelos métodos da inferência estatística.
Uma amostra não representativa é uma amostra viciada e o vício inerente aos
dados dessa amostra é o vício de amostragem. A sua utilização pela
inferência estatística levará a resultados que não correspondem à realidade.
Pode-se evitar que isso ocorra por meio de uma coleta adequada dos
elementos que constituirão a amostra.

Serão explicadas na sequência algumas técnicas de amostragem probabilística

importantes na prática e que poderão ser cobradas na sua prova: amostragem
aleatória simples, amostragem sistemática, amostragem por conglomerados e
amostragem estratificada.
4.1.1 Amostragem Aleatória Simples
A amostragem mais usada é a amostragem aleatória simples também

chamada de casual simples, simples ao acaso, casual, simples,
elementar, randômica, etc., em que selecionamos ao acaso, com ou
sem reposição, os itens da população que farão parte da amostra.
A amostragem aleatória é equivalente a um sorteio lotérico. Nela,

todos os elementos da população têm igual probabilidade de pertencer
à amostra, e todas as possíveis amostras têm também igual
probabilidade de ocorrer.
Sendo N o número de elementos da população e n o número de elementos da

amostra, cada elemento da população tem probabilidade n/N (fração de
amostragem) de pertencer à amostra. Por outro lado, existem CN,n
(combinação de N elementos tomados n a n) possíveis amostras, todas
igualmente prováveis.
A seleção de uma amostra é um experimento aleatório e cada observação na

amostra é o valor observado de uma variável aleatória.
Seja X a variável aleatória que representa o resultado de uma seleção de uma

observação proveniente de uma população. Faça f(x) denotar a função
densidade de probabilidade de X. Admita que cada observação na amostra seja
obtida independentemente, sob condições inalteradas. Ou seja, as observações
para a amostra são obtidas observando-se X independentemente, sob
condições inalteradas, isto é, n vezes. Faça Xi denotar a variável aleatória que
representa a i-ésima observação da amostra. Então X1, X2, ..., Xn é uma
amostra aleatória e os valores numéricos obtidos (observações) são denotados
por x1, x2, ..., xn. As variáveis aleatórias em uma amostra aleatória são
independentes, com a mesma distribuição de probabilidades f(x), tendo em
vista as condições idênticas sob as quais cada observação é obtida. A função
densidade conjunta da amostra aleatória é f (x1 , x 2 ,..., x n ) = f (x1 ).f (x 2 )...f (x n ) .
As variáveis aleatórias (X1 , X 2 ,..., X n ) são uma amostra aleatória de tamanho n,

se (i) os Xi´s forem variáveis aleatórias independentes e (ii) cada Xi tiver a
mesma distribuição de probabilidade.
O principal objetivo de tomar uma amostra aleatória é obter informação sobre

parâmetros desconhecidos de uma população. Considere, por exemplo, que
desejamos ter uma idéia da proporção de pessoas no Brasil que preferem uma
determinada marca de água mineral (suponha que a população seja composta
por pessoas que tomam água mineral). Seja p o valor desconhecido dessa
proporção. Como é impraticável questionar cada indivíduo da população para
se determinar o verdadeiro valor de p, optamos por fazer uma inferência em
relação à verdadeira proporção p. Neste caso, selecionamos uma amostra
aleatória (de um tamanho apropriado) e usamos a proporção observada p̂ de
pessoas nesta amostra que tenham escolhido a marca de água mineral em
questão.
A proporção da amostra, p̂ , é calculada dividindo o número de indivíduos na

amostra que preferem a marca de água mineral pelo tamanho total, n, da
amostra. Deste modo, p̂ é uma função dos valores observados na amostra
aleatória. Como podemos obter várias amostras diferentes a partir de uma
população, tem-se que o valor de p̂ variará de amostra para amostra. Conclui-
se que p̂ é uma variável aleatória. Tal variável aleatória é denominada
estatística ou estimador.
4.1.2 Amostragem Estratificada
A amostragem estratificada é usada quando a população divide-se em

sub-populações (estratos) razoavelmente homogêneos. A amostragem
estratificada consiste em se especificar quantos itens da amostra
serão retirados de cada estrato. A seleção em cada estrato deve ser
aleatória.
Por exemplo, considere que a população de uma universidade tenha a seguinte

composição: 10% de professores, 15% de funcionários e 75% de alunos.
Então uma amostra estratificada proporcional teria 10% de professores, 15%
de funcionários e 75% de alunos.
4.1.3 Amostragem Sistemática
Os elementos da população apresentam-se ordenados e são retirados

periodicamente (de cada k elementos, um é escolhido).
4.1.4 Amostragem por Conglomerados
A amostragem por conglomerados é usada quando a população pode

ser subdividida em subpopulações (conglomerados) heterogêneos
representativos da população. A amostragem é feita sobre os
conglomerados e não mais sobre os indivíduos da população. Ou seja,
a amostragem é realizada em duas etapas: 1) seleção aleatória de
conglomerados e 2) seleção aleatória dos elementos.
4.1.5 Amostragem por Voluntários
Ocorre, por exemplo, no caso da aplicação experimental de uma nova

droga em pacientes, quando a ética obriga que haja concordância dos

escolhidos.
Neste curso, enfocaremos a amostragem aleatória, porque, salvo menção

em contrário, as técnicas estatísticas que veremos na(s) aula(s)
subseqüente(s) pressupõem a utilização de uma amostragem aleatória
ou algum processo que lhe seja equivalente.
Exemplo (AFPS/2002/ESAF). Assinale a opção correta em referência ao

significado do termo amostragem aleatória simples.
A) Refere-se a um método de classificação da população.

B) Refere-se à representatividade da amostra.
C) É um método de escolha de amostras.
D) Refere-se a amostras sistemáticas de populações infinitas.
E) Refere-se à amostragem por quotas.
Resolução
Análise das alternativas:
A) A amostragem aleatória simples (AAS) não é um método de classificação da

população. A AAS é um método de amostragem probabilística ⇒ FALSA.
B) A utilização de uma amostragem probabilística é a melhor estratégia para
se garantir a representatividade da amostra, pois o acaso será o único
responsável por eventuais discrepâncias entre população e amostra, o que é
levado em conta pelos métodos de análise da Inferência Estatística. Não
obstante o fato da AAS ser uma técnica de amostragem probabilística, o seu
significado está diretamente associado à sua característica randômica, sendo
por isso equivalente a um sorteio lotérico ⇒ FALSA.
C) A AAS é um método de amostragem ⇒ VERDADEIRA.
D) A amostragem sistemática é uma técnica probabilística de amostragem
diferente da AAS. Por exemplo, em uma linha de produção, podemos, a cada
cem itens produzidos, retirar um para pertencer a uma amostra da produção
diária. Assim, na amostragem sistemática, os elementos da população se
apresentam ordenados e a retirada dos elementos da amostra é feita
periodicamente ⇒ FALSA.
E) Esta opção é evidentemente absurda. Sem maiores comentários ⇒ FALSA.
GABARITO: C
Exemplo (ICMS-RJ/2011/FGV). A respeito das técnicas de amostragem

probabilística, NÃO é correto afirmar que

A) na amostragem por conglomerado a população é dividida em diferentes

grupos, extraindo-se uma amostra apenas dos conglomerados selecionados.
B) na amostragem estratificada, se a população pode ser dividida em
subgrupos que consistem em indivíduos bastante semelhantes entre si, pode-
se obter uma amostra aleatória em cada grupo.
C) na amostragem aleatória simples se sorteia um elemento da população,
sendo que todos os elementos têm a mesma probabilidade de serem
selecionados.
D) na amostragem por voluntários a população é selecionada de forma a
estratificar aleatoriamente os grupos selecionados.
E) na amostragem sistemática os elementos da população se apresentam
ordenados, e a retirada dos elementos da amostra é feita periodicamente.
Resolução
Análise das alternativas
A) na amostragem por conglomerado a população é dividida em diferentes

grupos, extraindo-se uma amostra apenas dos conglomerados selecionados ⇒
correta (vide comentários acima).
B) na amostragem estratificada, se a população pode ser dividida em
subgrupos que consistem em indivíduos bastante semelhantes entre si, pode-
se obter uma amostra aleatória em cada grupo ⇒ correta (vide comentários
acima).
C) na amostragem aleatória simples se sorteia um elemento da população,
sendo que todos os elementos têm a mesma probabilidade de serem
selecionados ⇒ correta (vide comentários acima).
D) na amostragem por voluntários a população é selecionada de forma a
estratificar aleatoriamente os grupos selecionados ⇒ incorreta, pois não há
estratificação aleatória dos grupos selecionados. Na amostragem por
voluntários deve haver a concordância dos escolhidos.
E) na amostragem sistemática os elementos da população se apresentam
ordenados, e a retirada dos elementos da amostra é feita periodicamente ⇒
correta (vide comentários acima).
GABARITO: D
4.1.6 Variância Amostral
A variância de um conjunto de amostras {x 1 , x 2 ,..., x n } ou variância

amostral deve ser calculada pela fórmula
1 n
(18) s 2x = ∑
n − 1 i =1
(x i − x) 2

ou pela fórmula “maceteada”
1 n 2  n  2
(19) s 2x = ∑ x i −  n − 1 x
n − 1 i =1
em que o fator 1 /(n − 1) multiplica a soma dos quadrados e o fator n /(n − 1)

multiplica o quadrado da média. A prova de (19) a partir de (18) será dada na
resolução de um dos exercícios propostos nesta aula.
Se as amostras distintas {x1 , x 2 ,..., x k } ocorrerem com as frequências {f1 , f 2 ,..., f k }

k
( ∑ f i = n ), respectivamente, a variância amostral será dada por
i =1
1 k  n  2
(20) s 2x = ∑
n − 1 i=1
f i x i2 −  x .
 n −1
5 Resumo
- Uma função discreta de probabilidade f(xi) (i=1,2,...,n) satisfaz às seguintes

condições: 0 ≤ f(xi) ≤ 1 e ∑i f(xi) = 1.
- A função de distribuição (ou acumulada) de probabilidade F(x) de uma

variável aleatória X é definida por F(x) = P(X≤x).
- A área sob a função densidade de probabilidade de uma variável aleatória

∞
contínua X é igual a 1, ou seja, ∫ f (x )dx = 1 .
−∞
Além disso, f(x) não pode ser
negativa (f(x) ≥ 0).
- A função densidade de probabilidade de uma variável aleatória contínua X é

igual à derivada da função de distribuição de X em relação a x, ou seja, f(x) =
dF(x)/dx = F(x)’
b
- P[a ≤ X ≤ b] = ∫ f ( x )dx .
a
- Se X for uma variável aleatória discreta que pode tomar os valores x1, x2, ...,
xn com probabilidades f(x1), f(x2), ..., f(xn), então a média (ou valor esperado)
de X é definida por
n
E[X] = x 1f ( x 1 ) + x 2 f ( x 2) + ... + x n f ( x n ) = ∑ x i f ( x i ) .
i =1
- A média de uma variável aleatória contínua X com densidade de

probabilidade fX(x) é dada pela integral
∞
E[X] = ∫ xf ( x )dx .
−∞
- Sejam “a” e “c” valores constantes e X uma variável aleatória. Então a média
possui as seguintes propriedades:
1. E[c] = c ⇒ a média de um número qualquer “c” é o próprio número “c”;

2. E[cX] = cE[X] ⇒ a média de uma variável multiplicada por um número é
igual ao número multiplicado pela média de X;
3. E[a + cX] = a + cE[X] ⇒ a média da soma de um número qualquer “a” com a
variável X multiplicada por um número qualquer c é igual à soma do
número “a” com a média de X multiplicada por “c”.
- var(X) = E(X2) - µ2 ⇒ a variância de X é igual a média do quadrado de X

subtraída da média de X ao quadrado.
- Sejam “a” e “c” constantes, X uma variável aleatória e Z = a + cX (Z é uma

transformação linear da variável X). Então
var(a+cX) = c2var(X).
- A raiz quadrada positiva da variância é chamada de desvio-padrão ou erro-

padrão, sendo denotada pelo símbolo σ.
- A Distribuição Binomial nos dá a probabilidade de k sucessos em n

n
tentativas: P(X = k ) =  p k (1 − p) n −k .
k
- Tabela: Caracterização da Binomial
Média µ = np
Variância σ 2 = npq
Desvio Padrão σ = npq
- X ∼ N(µ, σ2) denota uma variável aleatória X com distribuição normal com
média µ e variância σ2.
- A normal padrão Z ∼ N(0, 1) é obtida através da transformação Z=(X-µ)/σ.
- A normal é simétrica em relação à sua média, de modo que P(X≤µ) = P(X>µ)

= 50% =1/2.
- Se X é normal, então P(µ - 1,96σ<X<µ + 1,96σ) = 95%.

- Seja a Distribuição Binomial. Se “n” é grande e se “p” e “q” não estão muito
próximos de zero, então a distribuição binomial é bem aproximada por uma
distribuição normal padrão em que a variável transformada é dada por
X − np
Z= .
npq
Na prática, a aproximação é muito boa se np e nq forem maiores que 5.
- Uma população consiste na totalidade das observações.
- Uma amostra é um subconjunto de observações selecionadas a partir de

uma população.
- Os elementos de uma amostra aleatória são independentes.
- Variância de um conjunto de amostras {x 1 , x 2 ,..., x n } ou variância

amostral:
1 n 1 n 2  n  2
s 2x = ∑
n − 1 i =1
(x i − x ) 2 = ∑ x i −  n − 1  x
n − 1 i =1

6 Exercícios de Fixação
1. (DECEA/2009/Cesgranrio) As notas obtidas pelos candidatos em um

determinado concurso apresentaram distribuição normal, com média 6 e
desvio padrão 1. A nota correspondente ao 1o quartil dessa distribuição é,
aproximadamente,
(A) 5,0
(B) 5,3
(C) 5,8
(D) 6,3
(E) 6,7
2. (AFPS/2002/ESAF) A média e o desvio-padrão obtidos num lote de

produção de 100 peças mecânicas são, respectivamente, 16kg e 40g. Uma
peça particular do lote pesa 18kg. Assinale a opção que dá o valor padronizado
do peso da bola.
A) -50
B) 0,05
C) 50
D) -0,05
E) 0,02
3. (AFPS/2002/ESAF) O atributo X tem distribuição normal com média 2 e

variância 4. Assinale a opção que dá o valor do terceiro quartil de X, sabendo-
se que o terceiro quartil da normal padrão é 0,6745.
A) 3,3490
B) 0,6745
C) 2,6745
D) 2,3373
E) 2,7500
4. (ICMS-RJ/2007/FGV) Um candidato se submete a uma prova contendo

três questões de múltipla escolha precisando acertar pelo menos duas para ser
aprovado. Cada questão apresenta cinco alternativas, mas apenas uma é
correta. Se o candidato não se preparou e decide responder a cada questão ao
acaso, a probabilidade de ser aprovado no concurso é igual a:
A) 0,200.
B) 0,040.
C) 0,096.
D) 0,008.
E) 0,104.
5. (Assistente Técnico-Administrativo do MF/2009/ESAF) Ao se jogar

um dado honesto três vezes, qual o valor mais próximo da probabilidade de o
número 1 sair exatamente uma vez?
A) 35%
B) 17%
C) 7%
D) 42%
E) 58%
6. (APOFP-SP/2009/ESAF) Seja Z uma variável aleatória Normal Padrão.

Dados os valores de z e de P(Z < z) a seguir, obtenha o valor mais próximo de
P(-2,58 < Z < 1,96).
z 1,96 2,17 2,33 2,41 2,58

P(Z < z ) 0,975 0,985 0,99 0,992 0,995
A) 0,99
B) 0,97
C) 0,98
D) 0,985
E) 0,95
7. (AFTM-RN/2008/ESAF) Numa distribuição Binomial, temos que:
I. A E[x] = n p q, ou seja, é o produto dos parâmetros n – número de

elementos da avaliação, p – probabilidade de ocorrência do evento e q –
probabilidade contrária (q = 1 - p).
II. O desvio-padrão é dado pela raiz quadrada do produto entre os parâmetros
n e p.
III. A variância é dada pelo somatório dos quadrados dos valores (Xi) menos o
quadrado da média.
Apontando os três itens acima como V – Verdadeiro e F – Falso, a opção

correta é:
A) F, V, F
B) V, V, F
C) F, F, F
D) V, F, F

E) V, V, V
8. (Analista Técnico da SUSEP/2006/ESAF) Sendo X uma v. a. d. –

variável aleatória discreta e sendo Y = aX + b, pode concluir-se que var (aX +
b) é igual a:
A) = var X.
B) = E(X2) – (EX)2.
C) = E(X – E(X))2.
D) = a2 var X.
E) = a2 var X – b.
9. (AFPS/2002/ESAF) Tem-se uma variável aleatória normal X com média µ

e desvio-padrão σ. Assinale a opção que dá o intervalo contendo exatamente
95% da massa de probabilidades de X
A) (µ - 0,50σ; µ + 0,50σ)
B) (µ - 0,67σ; µ + 0,67σ)
C) (µ - 1,00σ; µ + 1,00σ)
D) (µ - 2,00σ; µ + 2,00σ)
E) (µ - 1,96σ; µ + 1,96σ)
(AFTM-SP/2007/FCC/Adaptada) Instruções: para responder à próxima

questão, utilize, dentre as informações abaixo, as que julgar adequadas. Se Ζ
tem distribuição normal padrão, então:
P(0< Ζ < 1) = 0,341, P(0< Ζ < 1,6) = 0,445, P(0< Ζ < 2) = 0,477
10. Os depósitos efetuados no Banco B, num determinado mês, têm

distribuição normal com média R$ 9.000,00 e desvio padrão R$ 1.500,00. Um
depósito é selecionado ao acaso dentre todos os referentes ao mês em
questão. A probabilidade de que o depósito exceda R$ 6.000,00 é de
A) 97,7%
B) 94,5%
C) 68,2%
D) 47,7%
E) 34,1%
11. (AFTE-RS/2009/Fundatec) Seja Z uma variável aleatória contínua

normalmente distribuída com média zero e desvio padrão um. Seja
P( Z < −1) = 0,1587 e P( Z > 2) = 0,0228 . Seja X uma variável aleatória contínua
normalmente distribuída com média 200 e desvio padrão 20, então
P(180<X<240), é:
A) 0,9772
B) 0,8413
C) 0,3413
D) 0,8185
E) 0,4772
12. (ICMS-RJ/2011/FGV/Adaptada) Assuma que uma distribuição de

Bernoulli tenha dois possíveis resultados n=0 e n=1, no qual n=1 (sucesso)
ocorre com probabilidade p, e n=0 (falha) ocorre com probabilidade q≡1–p.
Sendo 0<p<1, a função densidade de probabilidade é
(A) P(n ) = p n (1 − p)1−n

q, n = 1
(B) P(n ) = 
p, n = 0
(C) P(n ) = ∫ p nq (1 − p) (1−n ) q
(D) P(n ) = e npq

0, p =1
(E) P(n ) = 
1, (1 − p) = q = 1
13. (AFTE-RS/2009/Fundatec) Uma pesquisa indica que a distribuição do

tempo que os candidatos de um concurso levam para entregar uma prova é
aproximadamente normal, com tempo médio de 1,5 horas e desvio padrão de
15 minutos. Sabendo que P(µ<X<µ+2σ)=0,4772 e P(µ-σ<X<µ+σ)=0,6827, o
número esperado de candidatos que levam entre 1 e 2 horas para entregar a
prova, de um total de 10.000 candidatos, é:
A) 5.228
B) 9.972
C) 9.544
D) 6.827
E) 3.173
14. (AFTE-RO/FCC/2010) Os valores dos salários dos empregados de

determinado ramo de atividade apresentam uma distribuição normal com
média R$ 2.000,00 e variância igual a 62.500 (R$)2. Considere os valores das
probabilidades P(0 ≤ Z ≤ z) para a distribuição normal padrão:
Z 0,25 0,52 0,84 1,28

P(0 ≤ Z ≤ z) 0,10 0,20 0,30 0,40

Então, a porcentagem dos empregados que ganham salários inferiores a R$

1.790,00 ou salários superiores a R$ 2.320,00 é igual a
A) 30%
B) 40%
C) 50%
D) 60%
E) 70%
(AFRF/2002/ESAF) Em um ensaio para o estudo da distribuição de um

atributo financeiro (X) foram examinados 200 itens de natureza contábil
do balanço de uma empresa. Esse exercício produziu a tabela de
freqüências abaixo. A coluna Classes representa intervalos de valores de
X em reais e a coluna P representa a freqüência relativa acumulada. Não
existem observações coincidentes com os extremos das classes. As
questões de 15 a 18 referem-se a esses ensaios.
Classes P (%)
70-90 5
90-110 15
110-130 40
130-150 70
150-170 85
170-190 95
190-210 100
15. Assinale a opção que dá o valor médio amostral de X.
A) 140,10
B) 115,50
C) 120,00
D) 140,00
E) 138,00
16. Assinale a opção que corresponde à estimativa do quinto decil da

distribuição de X.
A) 138,00
B) 140,00
C) 136,67
D) 139,01
E) 140,66

17. Assinale a opção que corresponde à estimativa da freqüência relativa de

observações de X menores ou iguais a 145.
A) 62,5%
B) 70,0%
C) 50,0%
D) 45,0%
E) 53,4%
18. Considere a transformação Z=(X-140)/10. Para o atributo Z encontrou-se

7
∑Z f
i =1
2
i i = 1.680 , onde fi é a freqüência simples da classe i e Zi o ponto médio de
classe transformado. Assinale a opção que dá a variância amostral do atributo

X.
A) 720,00
B) 840,20
C) 900,10
D) 1200,15
E) 560,30
(Analista Judiciário/TST/2007/Cespe-UnB/Adaptada) Considere que,

em um ambiente de trabalho industrial, as seguintes medições acerca da
poluição do ar tenham sido observadas: 1, 6, 4, 3, 2, 3, 1, 5, 1, 4. Nessas
situação, julgue os itens que se seguem.
19. A mediana da amostra é igual a 2,5.
20. As médias harmônica e geométrica são ambas inferiores a 3.
21. O terceiro quartil é igual a 3.
22. A variância amostral é superior a 2,8.
(Analista em Gestão de Pessoas/Serpro/2010/Cespe-UnB) Certa

empresa possui dispositivos para evitar que seu sistema de informação seja
invadido por pessoas não autorizadas a acessá-lo. Apesar disso, para cada
tentativa de invasão, a probabilidade de sucesso é igual a 0,01. Sucesso é o
evento que representa a situação em que o sistema é invadido. A partir dessas
informações, julgue os itens a seguir.
23. Considerando n tentativas independentes de invasão, em que n é um

número fixo tal que n > 100, a probabilidade de haver um único sucesso é
inferior a 0,99n-1.

24. Considerando que o número de sucessos em 500 tentativas independentes

de invasão seja representado por uma variável aleatória discreta X e que Y =
3X – 10, os valores esperados de X e Y são iguais a 5.
(Analista da FINEP/2009/Cespe-UnB/Adaptada) A variável aleatória

contínua X tem função densidade de probabilidade
x 2 , x ∈ [0, b]
f (x ) = 
 0, x ∉ [0, b]
Com base nessa informação, julgue os itens a seguir.
25. O valor de b é 3.
b3
26. O valor esperado de x de é .
3

7 Gabarito
1–B
2–C
3–A
4–E
5–A
6–B
7–C
8–D
9–E
10 – A
11 – D
12 – A
13 – C
14 – A
15 – E
16 – C
17 – A
18 – B
19 – E
20 – C
21 – E
22 – C
23 – E
24 – C
25 – E
26 – E

8 Resolução dos Exercícios de Fixação
1. (DECEA/2009/Cesgranrio) As notas obtidas pelos candidatos em um

determinado concurso apresentaram distribuição normal, com média 6 e
desvio padrão 1. A nota correspondente ao 1o quartil dessa distribuição é,
aproximadamente,
(A) 5,0
(B) 5,3
(C) 5,8
(D) 6,3
(E) 6,7
Resolução
Variável aleatória X com distribuição N(6, 1), ou seja, normal com µ =6 e σ2 =

1)
1o quartil (Q1) de X: P{X<Q1} = 0,25.
1o quartil da normal padrão (-Zc): P{Z<-Zc} = 0,25 = P{-Zc<Z<0} =

P{0<Z<Zc} = 0,25 (pois a normal padrão é simétrica em relação à sua média,
que é zero).
Da Tabela II: Zc ≈ 0,675 (obtido por interpolação linear dos dados da tabela).
Como -Zc = (Q1 - µ)/σ (transformação para a normal padrão), segue-se que
Q1 = -Zc.σ + µ = -0,675.1 + 6 ≈ 5,3 (valor aproximado)
GABARITO: B
2. (AFPS/2002/ESAF) A média e o desvio-padrão obtidos num lote de

produção de 100 peças mecânicas são, respectivamente, 16kg e 40g. Uma
peça particular do lote pesa 18kg. Assinale a opção que dá o valor padronizado
do peso da bola.
A) -50
B) 0,05
C) 50
D) -0,05
E) 0,02
Resolução
Dados fornecidos:
- µ = 16kg = 16 x 1.000g = 16.000g

- σ = 40g
- peso de uma peça = 18kg = 18 x 1.000g = 18.000g
Valor padronizado:
z = (x - µ)/σ = (18.000 – 16.000)/40 = 2.000/40 = 50
GABARITO: C
3. (AFPS/2002/ESAF) O atributo X tem distribuição normal com média 2 e

variância 4. Assinale a opção que dá o valor do terceiro quartil de X, sabendo-
se que o terceiro quartil da normal padrão é 0,6745.
A) 3,3490
B) 0,6745
C) 2,6745
D) 2,3373
E) 2,7500
Resolução
Dados fornecidos:
-µ=2
- σ2 = 4 ⇒ σ = 2
- Q3 = 0,6745 para a normal padrão
Sabemos que o valor padronizado é dado pela fórmula
z = (x - µ)/σ
Aplicando a fórmula acima para o terceiro quartil da normal padrão, obtemos
0,6745 = (x - 2)/2 ⇒ x = 1,3490 + 2 = 3,3490
GABARITO: A
4. (ICMS-RJ/2007/FGV) Um candidato se submete a uma prova contendo

três questões de múltipla escolha precisando acertar pelo menos duas para ser
aprovado. Cada questão apresenta cinco alternativas, mas apenas uma é
correta. Se o candidato não se preparou e decide responder a cada questão ao
acaso, a probabilidade de ser aprovado no concurso é igual a:

A) 0,200.
B) 0,040.
C) 0,096.
D) 0,008.
E) 0,104.
Resolução
Trata-se de aplicação da distribuição Binomial. O “chute” a ser dado em

cada questão da prova é uma tentativa de Bernoulli (n = 3 tentativas), em que
p = 1/5 e (1-p)=4/5. Seja X a variável aleatória que denota o número de
questões certas. Então a probabilidade de acertar pelo menos 2 questões
(numa prova de 3 questões de múltipla escolha) é dada por
 n  n
P(X=2) + P(X=3) =   × p 2 × (1 − p ) +   × p 3 × (1 − p ) =
1 0
 2  3
2 1 3 0
 3   1   4   3  1   4  12 1
=   ×   ×   +   ×   ×   = + = 0,104.
 2   5   5   3   5   5  125 125
GABARITO: E
5. (Assistente Técnico-Administrativo do MF/2009/ESAF) Ao se jogar

um dado honesto três vezes, qual o valor mais próximo da probabilidade de o
número 1 sair exatamente uma vez?
A) 35%
B) 17%
C) 7%
D) 42%
E) 58%
Resolução
I – Utilizando a Distribuição Binomial:
n
P(n , x ) = f ( x ) =  p x (1 − p) n − x
x
P(n,x) = probabilidade de ocorrer exatamente x vezes o evento “A”, após n

repetições.
S = {1, 2, 3, 4, 5, 6} => n(S) = 6

A = {1} => n(A) = 1
Evento “A” = sair um número igual a 1 => P(A) = n(A)/n(S) = 1/6
Complementar de “A” = A´= não sair um número igual a 1

A´= {2, 3, 4, 5, 6} => n(A´) = 5
P(A´) = n(A´)/n(S) = 5/6
n= 3 vezes
x = 1 (1 sair exatamente uma vez)
1 2
 3  1   5  3! 1 25 75
P(3,1) = f (1) =   ×   ×   = × × = = 34,72% ≈ 35%
 1   6   6  1!×2! 6 36 216
GABARITO: A
6. (APOFP-SP/2009/ESAF) Seja Z uma variável aleatória Normal Padrão.

Dados os valores de z e de P(Z < z) a seguir, obtenha o valor mais próximo de
P(-2,58 < Z < 1,96).
z 1,96 2,17 2,33 2,41 2,58

P(Z < z ) 0,975 0,985 0,99 0,992 0,995
A) 0,99
B) 0,97
C) 0,98
D) 0,985
E) 0,95
Resolução
Z => variável aleatória normal padrão
P(-2,58 < Z < 1,96) = Φ (1,96) - Φ (-2,58)

Sabemos que: Φ (-2,58) = 1 - Φ (2,58) = 1 – 0,995 = 0,005
P(-2,58 < Z < 1,96) = Φ (1,96) - Φ (-2,58) = 0,975 – 0,005 = 0,97
GABARITO: B
7. (AFTM-RN/2008/ESAF) Numa distribuição Binomial, temos que:



n e p.
quadrado da média.
Apontando os três itens acima como V – Verdadeiro e F – Falso, a opção

correta é:
A) F, V, F
B) V, V, F
C) F, F, F
D) V, F, F
E) V, V, V
Resolução
Esperança da distribuição binomial: E(X) = np

Variância da distribuição binomial: Var(X) = np(1-p)
Vamos analisar as alternativas:

Esperança da distribuição binomial: E(X) = np. O item é FALSO.

n e p.
Variância da distribuição binomial: Var(X) = np(1-p)

Desvio-Padrão = [np(1-p)]1/2 => é dado pela raiz quadrada do produto entre
n, p e (1-p). O item é FALSO.
quadrado da média.
A fórmula geral da variância é: Var(X) = E(X2) – [E(X)]2 => ou seja, é a média

dos quadrados do valores menos o quadrado da média. O item é FALSO.
Lembre que a variância da distribuição binomial é np(1-p).
GABARITO: C
8. (Analista Técnico da SUSEP/2006/ESAF) Sendo X uma v. a. d. –

variável aleatória discreta e sendo Y = aX + b, pode concluir-se que var (aX +
b) é igual a:
A) = var X.
B) = E(X2) – (EX)2.
C) = E(X – E(X))2.
D) = a2 var X.
E) = a2 var X – b.
Resolução
Var(cX) = c2 Var(X), sendo c = constante

Var(X + a) = Var (X), sendo a = constante.
Var(aX + b) = a2 Var(X)
GABARITO: D
9. (AFPS/2002/ESAF) Tem-se uma variável aleatória normal X com média µ

e desvio-padrão σ. Assinale a opção que dá o intervalo contendo exatamente
95% da massa de probabilidades de X
A) (µ - 0,50σ; µ + 0,50σ)
B) (µ - 0,67σ; µ + 0,67σ)
C) (µ - 1,00σ; µ + 1,00σ)
D) (µ - 2,00σ; µ + 2,00σ)
E) (µ - 1,96σ; µ + 1,96σ)
Resolução
A questão é imediata ⇒ P(µ - 1,96σ< X <µ + 1,96σ) = 95%.
GABARITO: E
(AFTM-SP/2007/FCC/Adaptada) Instruções: para responder à próxima

questão, utilize, dentre as informações abaixo, as que julgar adequadas. Se Ζ
tem distribuição normal padrão, então:
P(0< Ζ < 1) = 0,341, P(0< Ζ < 1,6) = 0,445, P(0< Ζ < 2) = 0,477
10. Os depósitos efetuados no Banco B, num determinado mês, têm

distribuição normal com média R$ 9.000,00 e desvio padrão R$ 1.500,00. Um
depósito é selecionado ao acaso dentre todos os referentes ao mês em
questão. A probabilidade de que o depósito exceda R$ 6.000,00 é de
A) 97,7%

B) 94,5%
C) 68,2%
D) 47,7%
E) 34,1%
Resolução
Dados: X é uma variável aleatória normal com µ = 9.000 e σ = 1.500.
Normal padrão:
Z = (X – µ)/σ = (6.000 – 9.000)/1.500 = -2,0
P(Z > -2,0) = P(Z < 2,0) = 0,5 + P(0,0 < Z < 2,0) = 0,5 + 0,477 = 0,977 =
97,7%
GABARITO: A
11. (AFTE-RS/2009/Fundatec) Seja Z uma variável aleatória contínua

normalmente distribuída com média zero e desvio padrão um. Seja
P( Z < −1) = 0,1587 e P( Z > 2) = 0,0228 . Seja X uma variável aleatória contínua
normalmente distribuída com média 200 e desvio padrão 20, então
P(180<X<240), é:
A) 0,9772
B) 0,8413
C) 0,3413
D) 0,8185
E) 0,4772
Resolução
Dados: X1 = 180, X2 = 240, P( Z < −1) = 0,1587 e P( Z > 2) = 0,0228 .
Z1 = (180 – 200)/20 = -1
Z2 = (240 – 200)/20 = 2
Pede-se P(180<X<240) = P(-1<Z<2).
P(-1<Z<2) = P(-1<Z<0) + P(0<Z<2)
Mas P(-1<Z<0) = 0,5 – P(Z<-1) e P(0<Z<2) = 0,5 – P(Z>2). Logo,
P(-1<Z<2) = 0,5 – P(Z<-1) + 0,5 – P(Z>2) = 0,5 – 0,1587 + 0,5 – 0,0228 =

0,8185 (opção D).

GABARITO: D
12. (ICMS-RJ/2011/FGV/Adaptada) Assuma que uma distribuição de

Bernoulli tenha dois possíveis resultados n=0 e n=1, no qual n=1 (sucesso)
ocorre com probabilidade p, e n=0 (falha) ocorre com probabilidade q≡1–p.
Sendo 0<p<1, a função densidade de probabilidade é
(A) P(n ) = p n (1 − p)1−n

q, n = 1
(B) P(n ) = 
p, n = 0
(C) P(n ) = ∫ p nq (1 − p) (1−n ) q
(D) P(n ) = e npq

0, p =1
(E) P(n ) = 
1, (1 − p) = q = 1
Resolução
A distribuição Binomial (ou de Bernouilli) nos dá a probabilidade de k sucessos

em n tentativas:
n
P(X = k ) =  p k (1 − p) n −k , k = 0,1,2,..., n
k
De acordo com o enunciado, a distribuição possui somente dois possíveis

resultados: X=0 (zero sucesso) e X=1 (um sucesso). Logo, está implícito que
há somente uma tentativa (n=1 na fórmula acima). Então, a probabilidade de
0 sucesso em uma tentativa é
1 1! 0
P(X = 0) =  p 0 (1 − p)1−0 = p (1 − p)1 = p 0 (1 − p)1
0 0!×1!
e a probabilidade de um sucesso em uma tentativa é
 1 1! 1
P(X = 1) =  p1 (1 − p)1−1 = p (1 − p) 0 = p1 (1 − p) 0
 1 1!×0!
Agora é preciso compatibilizar a nossa notação com aquela que foi usada pela
banca no enunciado. Substitua a variável aleatória X por n nas probabilidades
acima: P(n = 0) = p 0 (1 − p)1 e P(n = 1) = p1 (1 − p) 0 .
Observe que as fórmulas das probabilidades P(n = 0) e P(n = 1) podem ser

generalizadas pela expressão

P(n ) = p n (1 − p)1−n .
Questãozinha “boa”, não é mesmo? A banca “brincou” com a notação e cobrou

o significado da distribuição binomial.
GABARITO: A
13. (AFTE-RS/2009/Fundatec) Uma pesquisa indica que a distribuição do

tempo que os candidatos de um concurso levam para entregar uma prova é
aproximadamente normal, com tempo médio de 1,5 horas e desvio padrão de
15 minutos. Sabendo que P(µ<X<µ+2σ)=0,4772 e P(µ-σ<X<µ+σ)=0,6827, o
número esperado de candidatos que levam entre 1 e 2 horas para entregar a
prova, de um total de 10.000 candidatos, é:
A) 5.228
B) 9.972
C) 9.544
D) 6.827
E) 3.173
Resolução
As três figuras abaixo ilustram, respectivamente, as probabilidades i)

P(µ<X<µ+2σ) = 0,4772, ii) P(µ-σ<X<µ+σ) = 0,6827 e iii) P(µ-2σ<X<µ+2σ) =
2x0,4772 = 0,9544, em que µ = 90 minutos e σ = 15 minutos.
0.03
normal
P(µ<X<µ+δ) = 47,72%
0.025
0.02
densidade
0.015
0.01
0.005
0
40 50 60 70 80 90 100 110 120 130 140
normal

0.03 normal
P(µ-σ<X<µ+σ) = 68,27%
0.025
0.02
densidade
0.015
0.01
0.005
0
40 50 60 70 80 90 100 110 120 130 140
normal
0.03 normal
P(µ-2σ<x<µ+2σ)=95,44%
0.025
0.02
densidade
0.015
0.01
0.005
0
40 50 60 70 80 90 100 110 120 130 140
normal
O número esperado de candidatos que levam entre 60 (= µ-2σ) e 120 (=µ+2σ)

minutos para entregar a prova, de um total de 10.000 candidatos, é dado por
10.000 x P(60<X<120) = 10.000 x 0,9544 = 9.544.
GABARITO: C
14. (AFTE-RO/FCC/2010) Os valores dos salários dos empregados de

determinado ramo de atividade apresentam uma distribuição normal com
média R$ 2.000,00 e variância igual a 62.500 (R$)2. Considere os valores das
probabilidades P(0 ≤ Z ≤ z) para a distribuição normal padrão:

Z 0,25 0,52 0,84 1,28

P(0 ≤ Z ≤ z) 0,10 0,20 0,30 0,40
Então, a porcentagem dos empregados que ganham salários inferiores a R$

1.790,00 ou salários superiores a R$ 2.320,00 é igual a
A) 30%
B) 40%
C) 50%
D) 60%
E) 70%
Resolução
Variável aleatória normal padrão:
X−µ
Z=
σ
Dados:
• µ = 2.000
• σ = (62.500)1/2 = 250
Pede-se:
- a porcentagem dos empregados que ganham salários inferiores a R$

1.790,00 ou salários superiores a R$ 2.320,00, ou seja,
P(X < 1.790) + P(X > 2.320)
Mas
 1.790 − 2000 
P(X < 1.790) = P Z <  = P(Z < −0,84 ) = P(Z > 0,84 ) = 0,5 − P(0 ≤ Z < 0,84 ) = 0,20
 250 
 2.320 − 2000 
P(X > 2.320) = P Z >  = P(Z > 1,28) = 0,5 − P(0 ≤ Z < 1,28) = 0.10
 250 
Finalmente,
P(X < 1.790) + P(X > 2.320) = 0,20 + 0,10 = 0,30 = 30%
GABARITO: A

(AFRF/2002/ESAF) Em um ensaio para o estudo da distribuição de um

atributo financeiro (X) foram examinados 200 itens de natureza contábil
do balanço de uma empresa. Esse exercício produziu a tabela de
freqüências abaixo. A coluna Classes representa intervalos de valores de
X em reais e a coluna P representa a freqüência relativa acumulada. Não
existem observações coincidentes com os extremos das classes. As
questões de 15 a 18 referem-se a esses ensaios.
Classes P (%)
70-90 5
90-110 15
110-130 40
130-150 70
150-170 85
170-190 95
190-210 100
15. Assinale a opção que dá o valor médio amostral de X.
A) 140,10
B) 115,50
C) 120,00
D) 140,00
E) 138,00
Resolução
Se k valores distintos observados x 1 , x 2 ,..., x k ocorrerem com as freqüências

relativas p1 , p 2 ,..., p k , respectivamente, a média será
k
x = ∑ x jp j
j=1
em que pj denota a j-ésima frequência relativa.
Quando os dados são apresentados em uma distribuição de freqüências, todos

os valores incluídos num certo intervalo de classe são considerados
coincidentes com o ponto médio do intervalo. As fórmula acima será válida
para esses dados agrupados quando se interpretar x j como o ponto médio e
p j como a frequência relativa

Classe Pj pi xi xjpj
(limites
reais)
70 ≡ 90 0,05 0,05 (90+70)/2=80 4
90 ≡ 110 0,15 0,15≡0,05=0,10 (110+90)/2=100 10
110 ≡ 130 0,40 0,40≡0,15=0,25 (130+110)/2=120 30
130 ≡ 150 0,70 0,70≡0,40=0,30 (150+130)/2=140 42
150 ≡ 170 0,85 0,85≡0,70=0,15 (170+150)/2=160 24
170 ≡ 190 0,95 0,95≡0,85=0,10 (190+170)/2=180 18
190 ≡ 210 1,00 1,00≡0,95=0,05 (210+190)/2=200 10
Soma 1,00 138
k
Logo, x = ∑ x j p j = 138 , conforme a tabela acima.
j=1
GABARITO: E
16. Assinale a opção que corresponde à estimativa do quinto decil da

distribuição de X.
A) 138,00
B) 140,00
C) 136,67
D) 139,01
E) 140,66
Resolução
A mediana é o quinto decil. A mediana (md) de uma distribuição em classes

de freqüências é dada pela expressão
(n / 2) − Fa
md = L i + × h md ,
f md
em que L i é o limite inferior da classe que contém a mediana, n é o número de

elementos do conjunto de dados, Fa é a soma das frequências das classes
anteriores à que contém a mediana, f md é a frequência da classe que contém a
mediana e h md é a amplitude da classe que contém a mediana.
Considere a Tabela das freqüências (fj) e freqüências acumuladas (Fj) abaixo:

Classe pj fj Fj
(limites
reais)
70 ≡ 90 0,05 200 x 0,05 =10 10
90 ≡ 110 0,10 200 x 0,10 =20 10 + 20 = 30
110 ≡ 130 0,25 200 x 0,25 =50 30 + 50 = 80
130 ≡ 150 0,30 200 x 0,30 =60 80 + 60 = 140
150 ≡ 170 0,15 200 x 0,15 =30 140 + 30 = 170
170 ≡ 190 0,10 200 x 0,10 =20 170 + 20 = 190
190 ≡ 210 0,05 200 x 0,05 =10 190 + 20 = 200
Soma 1,00 200 = n
Temos que: n = 200 , L i = 130 , Fa = 80 , f md = 60 e h md = 20
(200 / 2) − 80
Então, md = 130 + × 20 ≈ 136,67 .
60
GABARITO: C
17. Assinale a opção que corresponde à estimativa da freqüência relativa de

observações de X menores ou iguais a 145.
A) 62,5%
B) 70,0%
C) 50,0%
D) 45,0%
E) 53,4%
Resolução
Classes fi
70-90 10
90-110 20
110-130 50
130-150 60 Fazendo a interpolação:
(150 – 130) = 20 = 60
(145 – 130) = 15 = x
x = (15 x 60)/20 = 45
Número de elemento abaixo de 145 = 10 + 20 + 50 + 45 = 125

Total de elementos = 200

Freqüência Relativa = 125/200 = 0,625 = 62,5%
GABARITO: A
18. Considere a transformação Z=(X-140)/10. Para o atributo Z encontrou-se

7
∑Z f
i =1
2
i i = 1.680 , onde fi é a freqüência simples da classe i e Zi o ponto médio de
classe transformado. Assinale a opção que dá a variância amostral do atributo

X.
A) 720,00
B) 840,20
C) 900,10
D) 1200,15
E) 560,30
Resolução
z = ( x − 140) / 10 ⇒ x = 10z + 140 ⇒ s 2x = 10 2 s 2z = 100s 2z ⇒ o valor da variância

AMOSTRAL de X será determinado a partir do cálculo da variância AMOSTRAL
de Z.
Aprendemos que se os valores distintos z 1 , z 2 ,..., z k ocorrem com as frequências

k
f1 , f 2 ,..., f k ( ∑ f i = n ), respectivamente, a variância de Z é dada por
i =1
1 k 1 k
∑
s 2z =
n i =1
f i ( z i − z ) 2
= ∑
n i =1
f i z i2 − z 2 = média dos quadrados – quadrado da
média
A fórmula acima considera que os dados referem-se a uma população finita.
Contudo, a questão diz que as observações coletadas pertencem a uma

amostra da população. Neste caso, o fator n (= Σfi) que aparece no
denominador do lado direito da fórmula da variância deve ser substituído por
(n–1).
CÁLCULO DA VARIÂNCIA AMOSTRAL DE X
z = ( x − 140) / 10 = (138 − 140) / 10 = −0,20.
1 k 1 k 1  k k k

s 2z = ∑
n − 1 i =1
f i ( z i − z ) 2
= ∑
n − 1 i =1
f i ( z 2
i − 2 z i z + z 2
) =  ∑
n − 1  i =1
f z
i i
2
− 2 z ∑
i =1
f z
i i +z 2
∑
i =1
fi 


1  k
2
∑f z i
2
i
nz 2
s 2z = ∑
n − 1  i =1
f z
i i
2
− 2 n z 2
+ n z 

= i =1
n −1
−
n −1
1 k  n  2
s 2z = ∑
n − 1 i =1
f i z i2 −   z ⇒ note que o fator 1 /( n − 1) multiplica a soma dos
 n −1
quadrados e o fator n /( n − 1) multiplica o quadrado da média.
Seja a Tabela abaixo:
Classes fi xi zi = ( xi − 140) / 10 zi f i zi2 f i

70-90 10 80 -6 -60 360
90-110 20 100 -4 -80 320
110-130 50 120 -2 -100 200
130-150 60 140 0 0 0
150-170 30 160 2 60 120
170-190 20 180 4 80 320
190-210 10 200 6 60 360
Total 200 -40 1.680
∑f z
i =1
i
2
i
nz 2 1680 200 × (−0,2) 2
s 2z = − = − = 8,402 ,
n −1 n − 1 199 199
s 2x = 100s 2z = 100 × 8,402 = 840,2 (opção B)
Uma pergunta: acertaríamos a questão se tivéssemos utilizado a fórmula

1 k
s 2z = ∑ f i z i2 − z 2 ? Vamos tirar essa dúvida?
n i =1
1 k 1680
s 2z = ∑
n i =1
f i z i2 − z 2 =
200
− ( −0,2) 2 = 8,40 − 0,04 = 8,36
s 2x = 100s 2z = 100 × 8,360 = 836 ⇒ opção com o valor mais próximo é a “B” (840,20).
Conclusão: você também acertaria a questão. A princípio, você poderá fazer o

cálculo aproximado da variância na prova quando o número de obervações for
muito grande. Neste exercício, n /( n − 1) = 200 / 199 ≈ 1 , o que justifica a validade
da aproximação adotada.
GABARITO: B

(Analista Judiciário/TST/2007/Cespe-UnB/Adaptada) Considere que,

em um ambiente de trabalho industrial, as seguintes medições acerca da
poluição do ar tenham sido observadas: 1, 6, 4, 3, 2, 3, 1, 5, 1, 4. Nessas
situação, julgue os itens que se seguem.
19. A mediana da amostra é igual a 2,5.
Resolução
Rol: 1, 1, 1, 2, 3, 3, 4, 4, 5, 6 (N = 10 medições)
N = 10 é par. Então
mediana = média aritmética entre as 5a e 6a medições do rol
mediana = (3+3)/2 = 3
GABARITO: E
20. As médias harmônica e geométrica são ambas inferiores a 3.
Resolução
Fórmulas:
 n 
Média geométrica: x g = x1.x 2 ...x n = ∏ x i 1 / n
n
 i=1 
n n
Média harmônica: x h = = n
1 1 1 1
+
x1 x 2
+ ... +
xn ∑x
i =1 i
Média geométrica:
x g = n x1.x 2 ...x n =(1×1×1× 2 × 3 × 3 × 4 × 4 × 5 × 6)1 / 10 = 86401 / 10 = 10 8640
E agora, como fazer a conta acima? Como você poderia efetuar a raiz décima
de 8640 em uma situação real de prova?
Eu faria uma conta aproximada, como números inteiros. Quer ver? Quanto dá
310?
310 = 33 x 33 x 33 x 3 = 27 x 27 x 27 x 3 = 19683 x 3 > 8640
Logo,
x g = 10 8640 < 3
Média harmônica:
n 10 10 300
xh = = = = ≈2<3
1 1 1 1 1 1 1 1 1 1 1 1 1 61 151
+ + ... + + + + + + + + + + 3+
x1 x 2 xn 1 1 1 2 3 3 4 4 5 6 30
GABARITO: C
21. O terceiro quartil é igual a 3.
Resolução
Rol: 1, 1, 1, 2, 3, 3, 4, 4, 5, 6 (N = 10 medições)
O terceiro quartil é a mediana da sub-série 3, 4, 4, 5, 6 ⇒ Q3 = 4
GABARITO: E
22. A variância amostral é superior a 2,8.
Resolução
 1  n 2
Variância Amostral =  ∑
 n −1 i
x i2  −
 n −1
x
Média dos quadrados corrigida pelo fator n–1:
∑x
i
2
i = 12 + 12 + 12 + 2 2 + 32 + 32 + 4 2 + 4 2 + 5 2 + 6 2 = 3 + 4 + 9 + 9 + 16 + 16 + 25 + 36 = 118
1 118
∑
n −1 i
x i2 =
9
≈ 13,1
Observe que o cálculo da média dos quadrados usa o fator n-1 no

denominador da média, em vez de n, quando se trata da variância de uma
amostra.
Quadrado da média corrigido pelo fator n/(n-1):
1 + 1 + 1 + 2 + 3 + 3 + 4 + 4 + 5 + 6 30  n  2 10
x= = = 3 ⇒ x2 = 9 ⇒   x = × 9 = 10
10 10  n −1 9
Variância amostral= 13,1 – 10 = 3,1 > 2,8 ⇒ item certo.
Nota: calculemos a variância da população:

1 118
∑x
i
2
i = 118 ⇒ ∑
n i
x i2 =
10
= 11,8
Média dos quadrados = 11,8
Quadrado da média = 9
Variância = média dos quadrados – quadrado da média = 11,8 – 9 = 2,8 ⇒

você julgaria que o item é errado pela conta aproximada. Neste caso, o erro de
aproximação é (3,1 – 2,8) = 0,3, correspondente a aproximadamente 10% do
valor da variância amostral (significativo!). O erro percentual da conta
aproximada é grande porque o número de amostras (n=10) é “pequeno”.
GABARITO: C
(Analista em Gestão de Pessoas/Serpro/2010/Cespe-UnB) Certa

empresa possui dispositivos para evitar que seu sistema de informação seja
invadido por pessoas não autorizadas a acessá-lo. Apesar disso, para cada
tentativa de invasão, a probabilidade de sucesso é igual a 0,01. Sucesso é o
evento que representa a situação em que o sistema é invadido. A partir dessas
informações, julgue os itens a seguir.
23. Considerando n tentativas independentes de invasão, em que n é um

número fixo tal que n > 100, a probabilidade de haver um único sucesso é
inferior a 0,99n-1.
Resolução
Considerando n tentativas independentes de invasão, a probabilidade de haver

k sucessos é dada pela distribuição binomial:
n
P(X = k ) =  p k (1 − p) n −k
k
Para X = 1 sucesso, temos
n n! n (n − 1)(n − 2)...

P(X = 1) =  p1 (1 − p) n −1 = 0,01(1 − 0,01) n −1 = × 0,01 × 0,99 n −1 = n × 0,01 × 0,99 n −1
1
  ( n − 1)! ( n − 1)( n − 2 )...
Mas n > 100, de acordo com o enunciado. Logo, n x 0,01 = K > 1 e
P(X = 1) = K.0,99 n −1 > 0,99 n −1 ⇒ a probabilidade de haver um único sucesso é maior

que 0,99n-1. O item está errado.
GABARITO: E

24. Considerando que o número de sucessos em 500 tentativas independentes

de invasão seja representado por uma variável aleatória discreta X e que Y =
3X – 10, os valores esperados de X e Y são iguais a 5.
Resolução
O valor esperado da variável aleatória binomial X é
E(X) = np
em que n é o número de tentativas e p a probabilidade de sucesso.
Dados: n = 500 e p = 0,01.
E(X) = np = 500 x 0,01 = 5.
E(Y) = E(3X – 10) = E(3X) – E(10) = 3E(X) – 10 = 3x5 – 10 = 15 – 10 = 5.
GABARITO: C
(Analista da FINEP/2009/Cespe-UnB/Adaptada) A variável aleatória

contínua X tem função densidade de probabilidade
x 2 , x ∈ [0, b]
f (x ) = 
 0, x ∉ [0, b]
Com base nessa informação, julgue os itens a seguir.
25. O valor de b é 3.
Resolução
Vimos que a área sob a função densidade de probabilidade é unitária:
∫ f (x )dx = 1
−∞
Substituindo
x 2 , x ∈ [0, b]
f (x ) = 
 0, x ∉ [0, b]
Obtemos,

∞ 0 b ∞ b b
∫ f ( x )dx = ∫ 0.dx + ∫ x .dx + ∫ 0.dx = 0 + ∫ x .dx +0 = ∫ x .dx =1

2 2 2
−∞ −∞ 0 b 0 0
mas,
b b
x3 b 3 03 b 3 b3
∫0 = = − = − =
2
x .dx 0
3 0 3 3 3 3
de modo que
b3
= 1 ⇒ b 3 = 3 ⇒ b = 3 3 ≠ 3 ⇒ item errado.
3
Nota: a primitiva da integral indefinida
∫ x .dx
2
é a função
x3
g(x ) =
3
porque a derivada de g(x) em relação a x
dg( x ) d  x 3  3x 2
g ' (x ) = =   = = x2
dx dx  3  3
resulta no integrando x2.
GABARITO: E
b3
26. O valor esperado de x de é .
3
Resolução
∞ 0 b ∞ b b b
x4 b 4 04 b 4 b3
E (X ) = ∫ xf ( x )dx = ∫ x.0.dx + ∫ x.x .dx + ∫ x.0.dx = 0 + ∫ x .dx + 0 = ∫ x .dx =
2 3
= 3
− = ≠
−∞ −∞ 0 b 0 0
4 0 4 4 4 3
Item errado.
Nota: a primitiva da integral indefinida

∫ x .dx
3
é a função
x4
h (x ) =
4
porque a derivada de h(x) em relação a x
dh ( x ) d  x 4  4 x 3
h ' (x ) = =  = = x3
dx dx  4  4
resulta no integrando x3.
GABARITO: E
Abraços e até a próxima aula.
Bons estudos!
Alexandre Lima.

APÊNDICE
TABELA I
NORMAL: área à direita de Zc
Parte Parte
inteira e Segunda decimal de Zc inteira e
primeira primeira
decimal decimal
de Zc de Zc
0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0,0 0,50000 0,49601 0,49202 0,48803 0,48405 0,48006 0,47608 0,47210 0,46812 0,46414 0,0
0,1 0,46017 0,45620 0,45224 0,44828 0,44433 0,44038 0,43644 0,43251 0,42858 0,42465 0,1
0,2 0,42074 0,41683 0,41294 0,40905 0,40517 0,40129 0,39743 0,39358 0,38974 0,38591 0,2
0,3 0,38209 0,37828 0,37448 0,37070 0,36693 0,36317 0,35942 0,35569 0,35197 0,34827 0,3
0,4 0,34458 0,34090 0,33724 0,33360 0,32997 0,32636 0,32276 0,31918 0,31561 0,31207 0,4
0,5 0,30854 0,30503 0,30153 0,29806 0,29460 0,29116 0,28774 0,28434 0,28096 0,27760 0,5
0,6 0,27425 0,27093 0,26763 0,26435 0,26109 0,25785 0,25463 0,25143 0,24825 0,24510 0,6
0,7 0,24196 0,23885 0,23576 0,23270 0,22965 0,22663 0,22363 0,22065 0,21770 0,21476 0,7
0,8 0,21186 0,20897 0,20611 0,20327 0,20045 0,19766 0,19489 0,19215 0,18943 0,18673 0,8
0,9 0,18406 0,18141 0,17879 0,17619 0,17361 0,17106 0,16853 0,16602 0,16354 0,16109 0,9
1,0 0,15866 0,15625 0,15386 0,15151 0,14917 0,14686 0,14457 0,14231 0,14007 0,13786 1,0
1,1 0,13567 0,13350 0,13136 0,12924 0,12714 0,12507 0,12302 0,12100 0,11900 0,11702 1,1
1,2 0,11507 0,11314 0,11123 0,10935 0,10749 0,10565 0,10383 0,10204 0,10027 0,09853 1,2
1,3 0,09680 0,09510 0,09342 0,09176 0,09012 0,08851 0,08691 0,08534 0,08379 0,08226 1,3
1,4 0,08076 0,07927 0,07780 0,07636 0,07493 0,07353 0,07215 0,07078 0,06944 0,06811 1,4
1,5 0,06681 0,06552 0,06426 0,06301 0,06178 0,06057 0,05938 0,05821 0,05705 0,05592 1,5
1,6 0,05480 0,05370 0,05262 0,05155 0,05050 0,04947 0,04846 0,04746 0,04648 0,04551 1,6
1,7 0,04457 0,04363 0,04272 0,04182 0,04093 0,04006 0,03920 0,03836 0,03754 0,03673 1,7
1,8 0,03593 0,03515 0,03438 0,03362 0,03288 0,03216 0,03144 0,03074 0,03005 0,02938 1,8
1,9 0,02872 0,02807 0,02743 0,02680 0,02619 0,02559 0,02500 0,02442 0,02385 0,02330 1,9
2,0 0,02275 0,02222 0,02169 0,02118 0,02068 0,02018 0,01970 0,01923 0,01876 0,01831 2,0
2,1 0,01786 0,01743 0,01700 0,01659 0,01618 0,01578 0,01539 0,01500 0,01463 0,01426 2,1
2,2 0,01390 0,01355 0,01321 0,01287 0,01255 0,01222 0,01191 0,01160 0,01130 0,01101 2,2
2,3 0,01072 0,01044 0,01017 0,00990 0,00964 0,00939 0,00914 0,00889 0,00866 0,00842 2,3
2,4 0,00820 0,00798 0,00776 0,00755 0,00734 0,00714 0,00695 0,00676 0,00657 0,00639 2,4
2,5 0,00621 0,00604 0,00587 0,00570 0,00554 0,00539 0,00523 0,00508 0,00494 0,00480 2,5
2,6 0,00466 0,00453 0,00440 0,00427 0,00415 0,00402 0,00391 0,00379 0,00368 0,00357 2,6
2,7 0,00347 0,00336 0,00326 0,00317 0,00307 0,00298 0,00289 0,00280 0,00272 0,00264 2,7
2,8 0,00256 0,00248 0,00240 0,00233 0,00226 0,00219 0,00212 0,00205 0,00199 0,00193 2,8
2,9 0,00187 0,00181 0,00175 0,00169 0,00164 0,00159 0,00154 0,00149 0,00144 0,00139 2,9
3,0 0,00135 0,00131 0,00126 0,00122 0,00118 0,00114 0,00111 0,00107 0,00104 0,00100 3,0
3,5 0,00023 0,00022 0,00022 0,00021 0,00020 0,00019 0,00019 0,00018 0,00017 0,00017 3,5
4,0 0,00003 0,00003 0,00003 0,00003 0,00003 0,00003 0,00002 0,00002 0,00002 0,00002 4,0
5,0 0,00000 0,00000 0,00000 0,00000 0,00000 0,00000 0,00000 0,00000 0,00000 0,00000 5,0

TABELA II
NORMAL: área de 0 a Zc
Parte Parte
inteira e Segunda decimal de Zc inteira e
primeira primeira
decimal decimal
de Zc de Zc
0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0,0 0,00000 0,00399 0,00798 0,01197 0,01595 0,01994 0,02392 0,02790 0,03188 0,03586 0,0
0,1 0,03983 0,04380 0,04776 0,05172 0,05567 0,05962 0,06356 0,06749 0,07142 0,07535 0,1
0,2 0,07926 0,08317 0,08706 0,09095 0,09483 0,09871 0,10257 0,10642 0,11026 0,11409 0,2
0,3 0,11791 0,12172 0,12552 0,12930 0,13307 0,13683 0,14058 0,14431 0,14803 0,15173 0,3
0,4 0,15542 0,15910 0,16276 0,16640 0,17003 0,17364 0,17724 0,18082 0,18439 0,18793 0,4
0,5 0,19146 0,19497 0,19847 0,20194 0,20540 0,20884 0,21226 0,21566 0,21904 0,22240 0,5
0,6 0,22575 0,22907 0,23237 0,23565 0,23891 0,24215 0,24537 0,24857 0,25175 0,25490 0,6
0,7 0,25804 0,26115 0,26424 0,26730 0,27035 0,27337 0,27637 0,27935 0,28230 0,28524 0,7
0,8 0,28814 0,29103 0,29389 0,29673 0,29955 0,30234 0,30511 0,30785 0,31057 0,31327 0,8
0,9 0,31594 0,31859 0,32121 0,32381 0,32639 0,32894 0,33147 0,33398 0,33646 0,33891 0,9
1,0 0,34134 0,34375 0,34614 0,34849 0,35083 0,35314 0,35543 0,35769 0,35993 0,36214 1,0
1,1 0,36433 0,36650 0,36864 0,37076 0,37286 0,37493 0,37698 0,37900 0,38100 0,38298 1,1
1,2 0,38493 0,38686 0,38877 0,39065 0,39251 0,39435 0,39617 0,39796 0,39973 0,40147 1,2
1,3 0,40320 0,40490 0,40658 0,40824 0,40988 0,41149 0,41309 0,41466 0,41621 0,41774 1,3
1,4 0,41924 0,42073 0,42220 0,42364 0,42507 0,42647 0,42785 0,42922 0,43056 0,43189 1,4
1,5 0,43319 0,43448 0,43574 0,43699 0,43822 0,43943 0,44062 0,44179 0,44295 0,44408 1,5
1,6 0,44520 0,44630 0,44738 0,44845 0,44950 0,45053 0,45154 0,45254 0,45352 0,45449 1,6
1,7 0,45543 0,45637 0,45728 0,45818 0,45907 0,45994 0,46080 0,46164 0,46246 0,46327 1,7
1,8 0,46407 0,46485 0,46562 0,46638 0,46712 0,46784 0,46856 0,46926 0,46995 0,47062 1,8
1,9 0,47128 0,47193 0,47257 0,47320 0,47381 0,47441 0,47500 0,47558 0,47615 0,47670 1,9
2,0 0,47725 0,47778 0,47831 0,47882 0,47932 0,47982 0,48030 0,48077 0,48124 0,48169 2,0
2,1 0,48214 0,48257 0,48300 0,48341 0,48382 0,48422 0,48461 0,48500 0,48537 0,48574 2,1
2,2 0,48610 0,48645 0,48679 0,48713 0,48745 0,48778 0,48809 0,48840 0,48870 0,48899 2,2
2,3 0,48928 0,48956 0,48983 0,49010 0,49036 0,49061 0,49086 0,49111 0,49134 0,49158 2,3
2,4 0,49180 0,49202 0,49224 0,49245 0,49266 0,49286 0,49305 0,49324 0,49343 0,49361 2,4
2,5 0,49379 0,49396 0,49413 0,49430 0,49446 0,49461 0,49477 0,49492 0,49506 0,49520 2,5
2,6 0,49534 0,49547 0,49560 0,49573 0,49585 0,49598 0,49609 0,49621 0,49632 0,49643 2,6
2,7 0,49653 0,49664 0,49674 0,49683 0,49693 0,49702 0,49711 0,49720 0,49728 0,49736 2,7
2,8 0,49744 0,49752 0,49760 0,49767 0,49774 0,49781 0,49788 0,49795 0,49801 0,49807 2,8
2,9 0,49813 0,49819 0,49825 0,49831 0,49836 0,49841 0,49846 0,49851 0,49856 0,49861 2,9
3,0 0,49865 0,49869 0,49874 0,49878 0,49882 0,49886 0,49889 0,49893 0,49896 0,49900 3,0
3,5 0,49977 0,49978 0,49978 0,49979 0,49980 0,49981 0,49981 0,49982 0,49983 0,49983 3,5
4,0 0,49997 0,49997 0,49997 0,49997 0,49997 0,49997 0,49998 0,49998 0,49998 0,49998 4,0
5,0 0,50000 0,50000 0,50000 0,50000 0,50000 0,50000 0,50000 0,50000 0,50000 0,50000 5,0

Aula 48 - Estatistica - Aula 03

Enviado por

Direitos autorais:

Formatos disponíveis

Aula 48 - Estatistica - Aula 03

Enviado por

Dados do documento

Descrição original:

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Aula 48 - Estatistica - Aula 03

Enviado por

Direitos autorais:

Formatos disponíveis

Pacote de Teoria e Exercícios para Papiloscopista PF

1 Variável Aleatória .................................................................................................................. 2

Prof. Alexandre Lima www.pontodosconcursos.com.br 1

Uma variável aleatória é uma descrição numérica do resultado de um

Por exemplo, considere o experimento “contactar cinco clientes”. Seja X a

Uma variável aleatória X é denominada discreta se assume valores num

• Número de coroas obtido no lançamento de duas moedas;

Vejamos um outro exemplo. Considere o lançamento de duas moedas

Ω = {(cara, cara), (cara, coroa), (coroa, cara), (coroa, coroa)},

e os valores que a variável aleatória X (número de coroas) pode assumir são

Observe que o valor x = 0 está associado ao resultado (cara, cara), o valor x =

Uma variável aleatória contínua é uma função que associa elementos do

• Tempo de resposta de um sistema computacional;

1.2 Função Discreta de Probabilidade

(1) P[X = x i ] = f ( x i ) i = 1,2,...

Uma função de probabilidade satisfaz as seguintes:

i) 0 ≤ f(xi) ≤ 1 (porque não existe probabilidade negativa) e

ii) ∑i f(xi) = 1 (é a probabilidade do evento certo).

As variáveis aleatórias discretas são completamente caracterizadas pela sua

Exemplo. Considere o lançamento de um dado não viciado. A probabilidade de

1.3 Função de Distribuição de Probabilidade

A função de distribuição (ou acumulada) de probabilidade de uma

A figura a seguir mostra a função de distribuição F(x) da variável aleatória do

Prof. Alexandre Lima www.pontodosconcursos.com.br 3

1.4 Funções de Distribuição e de Densidade para Variáveis Contínuas

Diz-se que f(x) é uma função contínua de probabilidade ou função densidade

1. f(x) > 0 para todo x ∈ (-∞,∞);

A condição 2 é dada pela integral

Prof. Alexandre Lima www.pontodosconcursos.com.br 4

Para calcular probabilidades, temos que, para a ≤ b

A figura abaixo mostra o significado geométrico de (4): a probabilidade

Observe que a probabilidade de ocorrência de um dado valor isolado “k” é

A função de distribuição de uma variável aleatória contínua X também é

Prof. Alexandre Lima www.pontodosconcursos.com.br 5

As próximas duas figuras ilustram, respectivamente, as funções densidade de

Função de distribuição normal

A função densidade de probabilidade corresponde à derivada da função

Prof. Alexandre Lima www.pontodosconcursos.com.br 6

Foi dito que uma variável aleatória é completamente caracterizada (ou

O fato é que normalmente temos acesso a diversas observações de uma

A média (também conhecida como valor esperado ou esperança) é uma

em que E denota o operador esperança matemática. A média de X também

Prof. Alexandre Lima www.pontodosconcursos.com.br 7

Já caiu em prova! (Administrador Júnior - Petrobrás/2007/Cespe-

número de pedidos probabilidade

O departamento de recursos humanos de uma empresa recebe diariamente

1. O número médio de pedidos é superior a 1,5.

E(X) = ∑ X.f(x) = (0 x 0,4) + (1 x 0,2) + (2 x 0,1) + (3 x 0,1) + (4 x 0,1) +

2. O número de pedidos X é igual a 1 com probabilidade igual a 0,6.

A tabela com a distribuição de probabilidades de X mostra que f(X=1) = 0,2.

Cabe ressaltar que P(X ≤ 1) = f(X = 0) + f(X=1) = 0,4 + 0,2 = 0,6.

Se a variável aleatória discreta X puder tomar um número infinito de valores,

(7) E[X] = x 1f ( x 1 ) + x 2 f ( x 2) + ... + x n f ( x n ) + ... = ∑ x i f ( x i ) .

O valor esperado de uma variável aleatória contínua X com densidade de

Prof. Alexandre Lima www.pontodosconcursos.com.br 8

2.2 Valor Esperado de Uma Função de Variável Aleatória

Seja X uma variável aleatória discreta com função de probabilidade fX(xi) e

(9) E[g (X)] = ∑ g ( x i )f X ( x i ) .

Caso X seja uma variável aleatória contínua com densidade de probabilidade