Sebenta ME 2024 2025 LEM

Licenciatura em Engenharia Mecânica
Ano Letivo 2024/25
Métodos Estatı́sticos
Material de Apoio às Aulas
1a Frequência - Capı́tulos I e II
a
2 Frequência - Capı́tulos III, IV, V e VI
Deolinda M. L. D. Rasteiro
Departamento de Fı́sica e Matemática
1. Probabilidades 3
2. Variáveis Aleatórias e Distribuições de Probabilidade Discretas 13
3. Variáveis Aleatórias e Distribuições de Probabilidade Contı́nuas 41
4. Amostragem e Distribuições Amostrais 58
5. Estimação 62
6. Teste de Hipóteses Paramétricos 73

1 Capı́tulo I - Probabilidades
1.1 Experiência aleatória, espaço de resultados, acontecimentos
Definições
1. Experiência aleatória é um qualquer processo ou conjunto de circunstâncias capaz de produzir pelo

menos dois resultados, com incerteza quanto ao que ocorrerá. As suas caracterı́sticas principais:
são
• Possibilidade de repetição;
• Carácter imprevisı́vel;
• Apresentam regularidade estatı́stica.
2. Espaço de resultados ou espaço fundamental é o conjunto de todos os resultados possı́veis da

experiência aleatória. Denota-se por Ω.
3. Um acontecimento (ou evento) é um subconjunto de Ω.
4. Acontecimento elementar é um subconjunto singular de Ω.
• Ω é denominado acontecimento certo (realiza-se sempre);

• ∅ é denominado acontecimento impossı́vel;
• A é denominado acontecimento complementar de A.
Operações e relações entre acontecimentos
1. A ⊂ B: a realização de A implica a realização de B;
2. A = B: A ⊂ B e B ⊂ A; (A e B dizem-se idênticos )
3. A ∩ B (Acontecimento Interseção): A e B realizam-se conjuntamente;

• Se A ∩ B = ∅ então A e B dizem-se mutuamente exclusivos, disjuntos ou incompatı́veis.
4. A ∪ B (Acontecimento Reunião): A ou B se realizam (o resultado da experiência aleatória pertence

a pelo menos um dos conjuntos);
5. A \ B (Acontecimento Diferença): A realiza-se e B não se realiza;
• A=Ω\A
• A\B =A∩B
3
Propriedades
1. A ∩ A = ∅
2. A ∪ A = Ω
3. Comutativa
A∩B = B∩A
A∪B = B∪A
4. Associativa
A ∩ (B ∩ C) = (A ∩ B) ∩ C
A ∪ (B ∪ C) = (A ∪ B) ∪ C
5. Distributiva
A ∩ (B ∪ C) = (A ∩ B) ∪ (A ∩ C)
A ∪ (B ∩ C) = (A ∪ B) ∩ (A ∪ C)
6. A ∩ Ω = A; A ∪ ∅ = A
7. A ∪ Ω = Ω; A ∩ ∅ = ∅
8. A ⊂ B ⇒ A ∪ B = B e A ∩ B = A
9. Leis de De Morgan
A∩B = A∪B
A∪B = A∩B
4
1.2 Definição de probabilidade
Definição [Clássica]
Admita-se que Ω é um espaço finito e que todos os acontecimentos elementares são equipossı́veis. A
probabilidade de um acontecimento (qualquer subconjunto de Ω) A se realizar é dada por
♯A
P (A) = .
♯Ω
• P (Ω) = 1
• P (∅) = 0
• ∀A ∈ Ω, 0 ≤ P (A) ≤ 1.
Definição [Axiomática]
Seja Ω um espaço de resultados e A e Ai , i = 1, 2, ..., acontecimentos quaisquer de Ω. Uma probabilidade
é uma aplicação P que satisfaz os seguintes axiomas:
(1) 0 ≤ P (A) ≤ 1
(2) P (Ω) = 1
+∞
[
(3) Para o acontecimento reunião Ai de Ω,
i=1
+∞
[ +∞
X
P( Ai ) = P (Ai ), se Ai ∩ Aj = ∅ para i 6= j.
i=1 i=1
Nota
A partir de Ω é possı́vel formar várias famı́lias de subconjuntos deste espaço (pensemos no caso
de Ω não ser finito). A definição axiomática de probabilidade, definida anteriormente no domı́nio Ω,
extende-se à famı́lia (chamemos-lhe ̥) de todos os subconjuntos de Ω, que verifica:
(1) Ω ∈ ̥;
(2) Se A ∈ ̥ então A ∈ ̥;
+∞
[
(3) Se Ai ∈ ̥, i ∈ IN, então Ai ∈ ̥.
i=1
5
Propriedades de uma probabilidade
1. P (∅) = 0
2. Se Ai ∈ Ω, i = 1, ..., n, e Ai ∩ Aj = ∅ para i 6= j, então

n
[ n
X
P( Ai ) = P (Ai ).
i=1 i=1
Caso particular:
Se A e B ∈ Ω e A ∩ B = ∅ ⇒ P (A ∪ B) = P (A) + P (B).
3. Se A e B ∈ Ω, P (A \ B) = P (A) − P (A ∩ B)
4. Se A e B ∈ Ω e B ⊂ A ⇒ P (B) ≤ P (A)
5. A ∈ Ω, P ( A ) = 1 − P (A)
6. A, B ∈ Ω, P (A ∪ B) = P (A) + P (B) − P (A ∩ B)
7. Se Ai ∈ Ω, i = 1, ..., n,
n
[ n
X
P( Ai ) ≤ P (Ai );
i=1 i=1
8. Se Ai ∈ Ω, i ∈ IN , e Ai é uma sucessão monótona,
P ( lim Ai ) = lim P (Ai ).

i→+∞ i→+∞
1.3 Probabilidade condicionada

Definição Sejam A e B acontecimentos de Ω com P (B) > 0. A probabilidade de A condicionada
por B, P (A/B), é dada por
P (A ∩ B)
P (A/B) = .
P (B)
Teorema [probabilidade composta] Se A e B são acontecimentos de Ω tais que P (A)P (B) > 0,
então
P (A ∩ B) = P (A/B)P (B) = P (B/A)P (A).
Generalização: Sejam A1 , A2 , ..., An acontecimentos de um mesmo espaço Ω, tais que P (A1 ∩ A2 ∩
... ∩ An ) > 0. Então
P (A1 ∩ ... ∩ An ) = P (A1 )P (A2 /A1 )P (A3 /A1 ∩ A2 )...P (An /A1 ∩ A2 ∩ ... ∩ An−1 )
6
1.4 Acontecimentos independentes
Definição [Independência] Os acontecimentos A e B dizem-se independentes se e só se
P (A ∩ B) = P (A)P (B).
Consequência: Sejam A e B acontecimentos de Ω tais que P (A)P (B) > 0. A e B são independentes
se e só se
P (A/B) = P (A).
Nota: Não confundir acontecimentos disjuntos com acontecimentos independentes.
1.5 Probabilidade total. Teorema de Bayes

Teorema [probabilidade total] Sejam A1 , A2 , ..., An acontecimentos de Ω tais que
Ai ∩ Aj = ∅, i 6= j (disjuntos)
[n
Ai = Ω (exaustivos)
i=1
Seja B um acontecimento qualquer. Tem-se

n
X
P (B) = P (B/Ai ) P (Ai ).
i=1
Teorema [Bayes] Sejam A1 , A2 , ..., An acontecimentos de Ω tais que
Ai ∩ Aj = ∅, i 6= j
[n
Ai = Ω.
i=1
Seja B um acontecimento qualquer, com B 6= ∅. Tem-se
P (B/Ai )P (Ai )
P (Ai /B) = n , i = 2, ..., n.
X
P (B/Ai ) P (Ai )
i=1
7
Exercı́cios
Capı́tulo I - Probabilidades
1. Uma caixa contém 5 lâmpadas das quais 2 são defeituosas. Estas têm os números 3 e 5. Considere
a experiência aleatória ”extração de duas lâmpadas ao acaso, uma a seguir à outra, sem reposição
da primeira”.
(a) Construa o espaço de resultados associado a esta experiência aleatória.

(b) Defina por extenso os acontecimentos:
A = {saı́da de lâmpada defeituosa na primeira tiragem};

B = {saı́da de lâmpada defeituosa na segunda tiragem};
C = {saı́da de duas lâmpadas defeituosas};
D = {não sair qualquer lâmpada defeituosa};
(c) Se as lâmpadas forem extraı́das ao acaso, os resultados possı́veis são equiprováveis. Calcule a
probabilidade dos acontecimentos A, B, C e D.
2. Calcule a probabilidade de, ao lançar três vezes uma moeda equilibrada, obter:
(a) duas caras;

(b) pelo menos uma cara.
3. Lança-se simultaneamente um dado e uma moeda equilibrados.
(a) Construa o espaço de resultados associado a esta experiência aleatória.

(b) Defina por extenso os acontecimentos:
A = {saı́da de coroa e número par};

B = {saı́da de cara e número ı́mpar};
C = {saı́da de múltiplos de três};
e determine as respetivas probabilidades.
4. Sejam A, B, e C acontecimentos de Ω tais que:
A ∪ B ∪ C = Ω, P (A) = 0.3, P (B) = 0.7, P (C) = 0.5 e A ∩ B = C ∩ B = ∅.
Determine P (A ∩ C).
5. Sejam A e B acontecimentos de um mesmo espaço de probabilidade Ω, tais que P (A) = 0.7,

P (B) = 0.6 e P (A ∪ B) − P (A ∩ B) = 0.3. Calcule:
(a) P (B); (b) P (A ∪ B) e P (A ∩ B).
6. Supondo que A e B são acontecimentos independentes com probabilidade não nula prove que os
acontecimentos A e B, A e B, A e B também são independentes.
7. Seja Ω o espaço de resultados associado a uma experiência aleatória. Sejam A e B dois aconteci-
mentos contidos em Ω não vazios. Sabe-se que A ⊂ B. O valor de P[(A ∪ B) ∩ B] é:
(A) 0 (B) P (A) (C) P (B) (D) 1
8
1
mentos (A ⊂ Ω e B ⊂ Ω). Sabe-se que P(A) = 0.3, P(B/A) = e P(A ∪ B) = 0.8. Qual é o valor
3
de P(B)?
(A) 0.3 (B) 0.4 (C) 0.1 (D) 0.2
mentos (A ⊂ Ω e B ⊂ Ω). Sabe-se que P(A) = 0.3, P(B) = 0.4 e P(A ∩ B) = 0.1. O valor de
P(A/B) é
2 4 3 1
(A) (B) (C) (D)
3 7 7 3
8
mentos equiprováveis e independentes. Sabe-se que P(A ∪ B) = . O valor de P(B) é:
9
1 3 1 2
(A) (B) (C) (D)
4 4 3 3
1
mentos (A ⊂ Ω e B ⊂ Ω). Sabe-se que P(A) = 0.6, P(B) = 0.6 e P(B/A) = . O valor de P(B ∩A)
3
é
2
(A) 0.4 (B) 0 (C) (D) 1
3
12. Foi examinada uma coleção de 100 programas de computador, para detetar erros de ”sintaxe”,
”input/output” e de ”outro tipo”. Verificou-se que:
- 20 programas tinham erros de ”sintaxe”, 10 tinham erros de ”input/output” e 5 tinham erros

de ”outro tipo”;
- 6 tinham erros de ”sintaxe” e de ”input/output”, 3 tinham erros de ”sintaxe” e de ”outro
tipo”e 3 tinham erros de ”input/output” e de ”outro tipo”
- 2 programas tinham os três tipos de erros considerados.
Foi selecionado um desses programas, ao acaso. Determine a probabilidade de que o programa
selecionado tenha:
(a) exclusivamente erros de ”sintaxe”.
(b) pelo menos um dos três tipos de erros.
13. Uma empresa fabrica aparelhos elétricos em duas cadeias de produção A e B. Sabe-se que a
probabilidade de um desses artigos ser exportado é 0.2 se produzido pela cadeia A e 0.5 se produzido
pela cadeia B. Além disso, a proporção de artigos provenientes da cadeia A é 52%. Escolhe-se, ao
acaso, um artigo da produção desta empresa.
(a) Determine a probabilidade do artigo ser exportado.
(b) Sabendo que o artigo não foi exportado, qual a probabilidade dele ter sido produzido pela
cadeia B?
14. A central telefónica do INEM de uma grande cidade recebe chamadas, umas genuı́nas e outras
falsas, isto é, correspondentes ou não a verdadeiros acidentes. A central recebe na totalidade 2%
de chamadas falsas. Destas, 20% são efetuadas durante o perı́odo da manhã, 40% durante o
perı́odo da tarde e as restantes à noite. Das chamadas genuı́nas recebidas na central, 30% são
feitas durante a manhã.
9
(a) Mostre que a percentagem de chamadas recebidas na central durante o perı́odo da manhã é
de 29.8% .
(b) Considerando que a probabilidade de uma chamada, recebida na central, ser efetuada no
perı́odo da tarde é de 40% , calcule a probabilidade de uma chamada ser feita durante a noite
dado que é uma chamada genuı́na.
15. Em determinada linha de montagem 2% das peças ficam mal colocadas. Um programa para detetar
falhas de montagem tem as seguintes propriedades:
• se a peça está mal colocada, o programa indica essa falha com probabilidade 0.99;
• se a peça está correctamente colocada, o programa indica falha com probabilidade 0.005.
(a) Determine a probabilidade de, ao ser efetuado o referido teste, o programa indicar falha.
(b) Se o teste indicar a existência de uma falha, qual a probabilidade de efetivamente existirem
peças mal colocadas?
16. Uma empresa de fabrico de peças dispões de três setores de produção: A, B e C. Sabe-se que:
• a percentagem de peças produzidas pelo setor A é 50%;

• a percentagem de peças defeituosas é 10%;
• em C não são produzidas peças defeituosas;
• 2% das peças provêm de B e são defeituosas.
Escolhe-se aleatoriamente uma peça da produção da empresa.
(a) Mostre que a probabilidade da peça ser defeituosa, sabendo que provém de A é 0.16.
(b) Calcule a probabilidade da peça não provir de B sabendo que é defeituosa.
(c) Sabendo que, das peças não defeituosas 40% provêm de C, qual a probabilidade da peça ser
proveniente de C?
17. Dos utilizadores de telefones móveis duma determinada localidade, 50% estão ligados à rede A, 40%
à rede B e 10% à rede C. Após um estudo de opinião de mercado conclui-se que:
• 70% dos utilizadores estão satisfeitos com o serviço;

• dos utilizadores ligados à rede A, 80% estão satisfeitos;
• dos utilizadores satisfeitos com o serviço, 10% estão ligados à rede C.
Determine a percentagem de utilizadores:
(a) da rede B que estão satisfeitos com o serviço;

(b) não satisfeitos com o serviço, sabendo que estes não estão ligados à rede C.
18. O fabrico de uma peça consta de duas operações. Inicialmente a peça é moldada numa máquina M e,
em seguida, passa por uma de duas impressoras, I1 ou I2 . A probabilidade de uma peça apresentar
defeito de moldagem é 0.4 e 70% das peças são impressas em I1 . Além disso, a probabilidade de
surgir um defeito de impressão é de 0.05 para I1 e de 0.02 para I2 . Note que defeitos de moldagem
e de impressão são independentes entre si. No final de determinado dia de laboração, da produção
total da fábrica retira-se uma peça ao acaso.
(a) Qual a probabilidade da peça ter defeitos de impressão?
10
(b) Qual a probabilidade da peça apresentar um qualquer defeito?
(c) Supondo que a peça apresenta defeito de impressão, calcule a probabilidade de ter sido impressa
em I1 .
19. Uma empresa de desenvolvimento de software efetuou um estudo sobre a probabilidade de ocorrência
de erros de programação entre os seus colaboradores. Classificou o tipo de programas que desenvol-
vem segundo a sua ordem de complexidade em dois nı́veis: média complexidade e alta complexidade.
Verificou que
• quando a ordem de complexidade do programa a desenvolver é média, a probabilidade de erro

é 3%;
• a probabilidade da ordem de complexidade ser média é 20%;
• há 10% de probabilidade de ocorrerem erros e o tipo de programas ter complexidade alta.
(a) Determine a probabilidade dos programas terem complexidade média sabendo que ocorreram
erros.
(b) Quando não se verifica a ocorrência de erros, é mais provável que os programas tenham com-
plexidade média? Justifique.
20. Uma companhia de seguros classifica os seus segurados em três categorias: baixo risco, risco médio
e risco elevado. Os seus registos indicam que a probabilidade de um segurado se envolver em pelo
menos um acidente, por ano, é 0.01, 0.10, e 0.25 se o segurado pertence à categoria de baixo, médio
ou risco elevado, respetivamente. Admita que a probabilidade de um segurado ser classificado na
categoria de baixo risco é de 0.1 enquanto que na de risco médio é 0.6.
(a) Qual a probabilidade de, num ano, um dos segurados tenha pelo menos um acidente?
(b) Sabendo que um dos segurados teve pelo menos um acidente no último ano, qual a probabili-
dade de pertencer à categoria de risco elevado?
(c) Sabendo que um dos segurados não teve acidentes no último ano, qual a probabilidade dele
pertencer à categoria de risco médio?
21. Numa fábrica as máquinas I, II e III produzem peças do mesmo comprimento na proporção de
35:25:40. Sabe-se que 2% das peças produzidas pela máquina I são defeituosas e 1% das peças
produzidas pela máquina II são defeituosas. Sabe-se ainda que 1.2% das peças são produzidas pela
máquina III e são defeituosas.
(a) Se for escolhida aleatoriamente uma peça da produção da fábrica, qual a probabilidade de ser
defeituosa?
(b) Se for selecionada uma peça defeituosa, qual a probabilidade de ter sido produzida pela
máquina II?
11
Soluções dos Exercı́cios
Capı́tulo I - Probabilidades
1. (c) 0.4; 0.4; 0.1; 0.3
2. (a) 0.375 (b) 0.875
3. (b) 0.25; 0.25; 0.33
4. 0.1
5. (a) 0.4 (b) 0.8; 0.5
6. Resolução ao cuidado do aluno
7. A
8. B
9. A
10. C
11. B
12. (a) 0.13 (b) 0.25
13. (a) 0.344 (b) 0.3659
14. (b) 0.3
15. (a) 0.0247 (b) 0.8016
16. (b) 0.8 (c) 0.36
17. (a) 0.575 (b) 0.3
18. (a) 0.041 (b) 0.4246 (c) 0.8537
19. (a) 0.0566 (b) Não
20. (a) 0.1360 (b) 0.5515 (c) 0.6250
21. (a) 0.0215 (b) 0.1163
12
2 Capı́tulo II - Variáveis Aleatórias e Distribuições de Probabili-
dade Discretas
2.1 Introdução
Definição Seja Ω um espaço de resultados associado a uma experiência aleatória. Designa-se por
variável aleatória (v.a.) uma função (correspondência unı́voca) X de domı́nio Ω e contradomı́nio em IR.
X : Ω −→ IR
w −→ X(w)
Exemplos de Ilustração
1. Lançamento de duas moedas equilibradas, uma a seguir à outra, anotando as faces que ficam
voltadas para cima.
Ω = {(C, C), (C, C ), (C, C), (C, C)}, com C :“saı́da de cara”.
Seja X a v.a. que representa (por exemplo) o número de caras obtidas no lançamento das duas
moedas.
X(w) ←número de caras no elemento w de Ω.
2. Lançamento de dois dados, anotando os números de pontos das faces que ficam voltadas para cima.
Ω = {(i, j), i, j = 1, 2, 3, 4, 5, 6}.
Seja X a v.a. que representa a soma dos pontos obtidos.
3. Medição da altura de uma pessoa, escolhida ao acaso.

Ω é o conjunto de todas as alturas atribuı́veis a uma pessoa.
Seja X a v.a. que representa a altura de uma pessoa.
Observação Em algumas situações o conjunto de valores que uma v.a. toma (contradomı́nio)
confunde-se com o próprio Ω; noutras, os valores da v.a. distinguem-se claramente dos elementos de Ω.
Embora da experimentação nem sempre resultem valores numéricos, o conceito de variável aleatória
permite associar valores numéricos (números ou intervalos reais) aos elementos de Ω, relação esta com
grande interesse prático.
Para w ∈ Ω, como calcular a probabilidade de ocorrência de X(w)? (“deixámos” Ω, estamos em IR
!!!)
Uma variável aleatória X : Ω −→ IR é tal que:
• ∀A ⊆ Ω, X(A) = {X(w) : w ∈ A} (imagem de A por X)
• ∀E ⊆ IR, X −1 (E) = {w ∈ Ω : X(w) ∈ E}(imagem inversa de E por X)

Note que se w ∈ X −1 (E) ⇒ X(w) ∈ E.
(Uma v.a. é uma aplicação que estabelece uma relação entre subconjuntos de Ω e subconjuntos de IR
e vice-versa)
13
Propriedade
Sendo E um qualquer subconjunto de IR e X uma variável aleatória, X −1 (E) é um subconjunto de
Ω.
Como P está definida neste domı́nio, podemos sempre calcular P (X −1 (E))! É assim introduzida em
IR uma probabilidade, denotada por PX , definida por
PX (B) = P (X −1 (B)), ∀B ⊆ IR.
A PX é usual chamar-se lei de probabilidade da v.a. X.
Notação
X −1 (B) = {w ∈ Ω : X(w) ∈ B} ≡ {X ∈ B}
⇒ PX (B) = P (X −1 (B)) = P (X ∈ B)
Na nossa incursão pelas variáveis aleatórias vamos considerar dois tipos de variáveis: as discretas
e as (absolutamente) contı́nuas (Capı́tulo III). Esta classificação é ditada pelos próprios fenómenos
aleatórios em estudo e consequente leitura, mas também porque estas variáveis obedecem a certas regras
(matemáticas) para que possam ser classificadas deste modo.
2.2 Variáveis Aleatórias Discretas
Definição Uma v.a. X : Ω −→ IR diz-se discreta se ∃S ⊂ IR : S é finito ou infinito numerável tal

que PX (S) = P (X ∈ S) = 1.
Ao menor subconjunto de IR que tem probabilidade 1 chamamos Suporte de X.
Definição Seja X uma v.a. discreta. Chama-se função de probabilidade de X à função p : IR −→

[0, 1] definida por
p(x) = P (X = x), ∀x ∈ IR.
Propriedades
(1) 0 ≤ p(x) ≤ 1, ∀x ∈ IR
X
(2) p(x) = 1.
x

P (X = x) se x ∈ S
Observação Se X tem suporte S então p(x) = .
0 se x ∈ S
Notas
• O conhecimento da função de probabilidade de X, p, implica o conhecimento da lei de probabilidade

de X, PX , e por isso p também é designada por lei de probabilidade de X.
• Identificamos sempre as v.a.’s por letras maiúsculas (X) e as suas concretizações por letras minúsculas
(x).
Definição Seja X uma v.a. discreta. Chama-se função distribuição de X à função F : IR −→ [0, 1]
definida por
F (x) = P (X ≤ x), ∀x ∈ IR.
14
Se X tem suporte S então X
F (x) = P (X = a).
a ∈S∩]−∞,x]
↓
“valores do suporte de X e que são inferiores ou iguais a x”
Propriedades da função distribuição de uma v.a. discreta
(1) ∀x ∈ IR, 0 ≤ F (x) ≤ 1 (F é uma função limitada)
(2) ∀a, b ∈ IR, se a < b ⇒ F (a) ≤ F (b) (F é não decrescente)
(3) lim F (x) = 0 e lim F (x) = 1

x→−∞ x→+∞
(4) ∀a ∈ IR, lim F (x) = F (a) (F é contı́nua à direita)

x→a+
(5) F admite um número finito ou infinito numerável de pontos de descontinuidade (pontos do suporte
de X)
(6) A cada v.a. X corresponde uma e uma só função distribuição
(7) Para ∀ a, b ∈ IR,
P (a < X < b) = P (X < b) − P (X ≤ a)

= lim F (x) − F (a);
x→b−
P (a ≤ X ≤ b) = F (b) − F (a) − P (X = a);
P (a ≤ X < b) = F (b) − P (X = b) − F (a) + P (X = a);
..
.
Independência de Variáveis Aleatórias
Definição Sejam X e Y duas variáveis aleatórias (discretas ou contı́nuas). X e Y dizem-se inde-

pendentes se e só se
∀x, y ∈ IR, P (X ≤ x ∩ Y ≤ y) = P (X ≤ x) × P (Y ≤ y).
Generalização
As n (n ≥ 2) variáveis aleatórias X1 , X2 , ..., Xn dizem-se independentes se e só se
n
Y
∀x1 , x2 , ..., xn ∈ IR, P (X1 ≤ x1 ∩ X2 ≤ x2 ∩ ... ∩ Xn ≤ xn ) = P (Xi ≤ xi ).
i=1
15
Parâmetros de localização e de dispersão
Definição Seja X uma v.a. discreta de suporte S. A esperança matemática de X (ou valor médio
de X ou valor esperado de X), caso exista, é definida por
X
E(X) = xP (X = x) .
x∈S
Notas
−A existência do valor médio de uma v.a. X depende da convergência da série anterior.
−Se a v.a. X é discreta com suporte finito, então E(X) existe sempre!
−O valor médio de uma v.a. é um parâmetro de localização (tendência central).
Definição Se E(X) = 0 diz-se que a v.a. X é centrada.
Propriedades da esperança matemática
1. Seja X = c, c ∈ IR. E(X) = E(c) = c.
2. Seja X uma v.a. discreta de suporte S e g : IR → IR é tal que g(X) é uma v.a. discreta. Tem-se
X
E[ g(X) ] = g(x)P (X = x).
x∈S
• Seja Y = g(X) = aX + b, ∀a, b ∈ IR. Se E(X) existe então E(Y ) = aE(X) + b.
• Seja k ∈ IN (arbitrariamente fixo) e g(X) = X k .

X
E(X k ) = xk P (X = x) (momento de ordem k de X).
x∈S
3. Se E(X) existe então |E(X)| ≤ E(|X|).
4. Sejam X1 , X2 , ..., Xn (n ∈ IN) v.a.’s todas definidas sobre o mesmo espaço Ω e tais que E(Xi )
existe para i = 1, 2, ..., n. Então
" n # n
X X
E ai Xi + b = ai E(Xi ) + b,
i=1 i=1
para ∀ a1 , a2 , ..., an , b ∈ IR. (Linearidade da esperança)
" n
# n
X X
•E Xi = E(Xi ).
i=1 i=1
Definição Seja X uma v.a. discreta de suporte S e esperança E(X) = µ. A variância de X,

denotada por V (X), V ar(X) ou σ 2 , é definida por

V (X) = E (X − µ)2
16
X
= (x − µ)2 P (X = x)
x∈S
Definição Chama-se
p desvio-padrão de X à raiz quadrada positiva da variância de X, e denota-se
por σ(X) = σ = V (X).
Nota A variância e o desvio padrão de uma v.a. X são ambos parâmetros de dispersão; no entanto,
o desvio padrão é mais usado, uma vez que vem expresso nas mesmas unidades de X.
Propriedades da variância
1. Seja X uma v.a. tal que E(X) e E(X 2 ) existem. Então
V (X) = E(X 2 ) − E 2 (X).
2. Se X = c, c ∈ IR, então V (X) = 0 .
3. Seja X uma v.a. tal que E(X) e E(X 2 ) existem e a, b ∈ IR. Então
V (aX + b) = a2 V (X).
• V (X + b) = V (X);
• V (aX) = a2 V (X);
• V (−X) = V (X).
Outros parâmetros: Mediana e Quantis

Definição Chama-se mediana de X ao número real Md tal que
F (Md ) = F (Md+ ) ≥ 0.5 ∧ F (Md− ) ≤ 0.5
Nota A mediana é um parâmetro de localização, alternativo (ou complementar) ao valor esperado.

Definição Seja p ∈]0, 1[. Chama-se quantil de ordem p de X ao número real xp tal que
F (x+ −
p ) ≥ p ∧ F (xp ) ≤ p
2.3 Distribuições Especiais Discretas
Vimos que associado a uma variável aleatória temos um modelo matemático que descreve (e resume)
o comportamento dessa mesma variável e, consequentemente, o fenómeno aleatório em estudo. Deste
modelo fazem parte a sua Distribuição de probabilidade (caracterizada pelas funções de probabilidade
ou distribuição), os seus parâmetros de localização e de dispersão.
Nesta seção vamos conhecer alguns modelos, Leis, Famı́lias de distribuições, que são especiais porque
uma mesma lei pode ser usada numa grande variedade de aplicações que envolvem fenómenos aleatórios.
Notemos a utilidade que uma expressão comum, isto é, que um modelo para a distribuição de variáveis
aleatórias associadas a diferentes experiências aleatórias tem, pois simplifica o seu estudo e o nosso
trabalho!!!
Estas distribuições estão bem estudadas e tabeladas. De entre um vasto leque de distribuições es-
peciais, estudaremos apenas algumas, discretas nesta seção e contı́nuas no Capı́tulo III, essenciais num
estudo introdutório a esta área.
17
2.3.1 Distribuição de Bernoulli
Seja A um acontecimento associado a uma determinada experiência aleatória, tal que P (A) = p , com
p ∈]0, 1[.
Considere-se a variável aleatória X definida do modo seguinte

1 se A ocorre
X= .
0 se A não ocorre
A variável assim definida é uma v.a. discreta de suporte S = {0, 1} e função de probabilidade

 1−p se x = 0
px (1 − p)1−x se x ∈ {0, 1}
p(x) = p se x = 1 = .
 0 se x ∈ S
0 se x ∈ S
• A função (lei) de probabilidade assim definida é denominada por lei de Bernoulli de parâmetro
p, denotada por B(p) (ou Bernoulli(p)).
• Diz-se que a v.a. X segue uma lei de Bernoulli (ou X tem distribuição de Bernoulli) de
parâmetro p, e escreve-se simbolicamente X ∼ B(p).
Nota A distribuição de Bernoulli está associada a experiências aleatórias com apenas dois resultados
possı́veis, usualmente denominados por sucesso e insucesso, com probabilidade de ocorrer sucesso p (o
seu parâmetro!) e insucesso q = 1 − p. Uma experiência aleatória assim caracterizada chama-se prova
(ou tentativa) de Bernoulli.
Propriedades Se X ∼ B(p) então
E(X) = p
V (X) = p(1 − p)
2.3.2 Distribuição Binomial
Seja A um acontecimento associado a uma determinada experiência aleatória, tal que P (A) = p , com
p ∈]0, 1[.
Suponha agora que esta mesma experiência é realizada n vezes, com n > 1, sempre nas mesmas
condições (note que os resultados das sucessivas experiências são independentes e logo P (A) = p em
qualquer realização).
Considere-se a variável aleatória
X: número de vezes que ocorre o acontecimento A, nas n realizações da experiência
aleatória
Observações
• O suporte de X é S = {0, 1, ..., n}
18
• A probabilidade (por exemplo) de ocorrer exatamente x vezes o acontecimento A, e de seguida
n − x vezes A, é dada por
| ∩ {z
P (A ... ∩ A}) = P (A)...P (A) P (A)...P (A) = px (1 − p)n−x
| ∩ {z
... ∩ A} ∩ A
| {z }| {z }
x vezes n−x vezes x vezes n−x vezes
O número
• de maneiras distintas de ocorrer x vezes o acontecimento A, nas n realizações, é Cxn =
n n!
=
x (n − x)!x!
• A probabilidade de ocorrer exatamente x vezes o acontecimento A, nas n realizações, é dada por

n
P (X = x) = px (1 − p)n−x , x ∈ {0, 1, ..., n}.
x
X é uma v.a. discreta de suporte S = {0, 1, ..., n} e função de probabilidade dada por

 n
px (1 − p)n−x se x ∈ {0, 1, ..., n}
p(x) = P (X = x) = x .

0 se x ∈ S
• P (X = x) > 0, ∀x ∈ {0, 1, ..., n}

n
X
• P (X = x) = 1
x=0
Diz-se que a v.a. X segue uma lei Binomial (ou X tem distribuição Binomial) de parâmetros
n e p, e escreve-se simbolicamente X ∼ B(n, p).
Diz-se que a v.a. X segue uma lei Binomial (ou X tem distribuição Binomial) de parâmetros
n e p, e escreve-se simbolicamente X ∼ B(n, p).
Observação A lei Binomial descreve a contagem do número de sucessos em n repetições, indepen-

dentes, de uma prova de Bernoulli com probabilidade de sucesso p. Note que se Xi representar o número
de sucessos (0 ou 1) obtidos na prova i, então Xi ∼ B(p), i = 1, 2, ..., n, e o número de sucessos obtidos
nas n provas é a v.a.
Xn
X= Xi ∼ B(n, p).
i=1
Uma das aplicações mais interessantes da lei Binomial é a contagem do número de elementos de
determinado tipo numa amostra de dimensão n, quando selecionados com reposição.
Nota A famı́lia de distribuições Binomial depende apenas dos parâmetros n e p. Esta está imple-
mentada na maioria das máquinas de calcular, assim como tabelada nos livros da área. Em particular,
nas aulas de ME podem (ou devem, em falta de alternativa) ser consultadas as tabelas da disciplina onde
constam as probabilidades
Xx
n
F (x) = P (X ≤ x) = pk (1 − p)n−k para x ∈ {0, 1, ..., n}.
k
k=0
19
Figura 1: Consulta da distribuição Binomial nas Tabelas de ME
2.3.3 Distribuição Hipergeométrica
Suponha que se tem um número finito de N objetos, dos quais M são de um tipo (sucesso) e os restantes
N − M de outro tipo (insucesso). Considere a experiência aleatória: extração, ao acaso, de um objeto.
Suponha agora que esta mesma experiência é realizada n vezes, isto é, extração sucessiva, e sem
reposição, de n dos N objetos (note que os resultados das sucessivas experiências não são independentes).
Seja
X: número de objetos do tipo sucesso obtidos nas n extrações
Observações:
• x ≤ n ∧ x ≤ M ⇐⇒ x ≤ min(n, M )
n−x ≤n ∧ n−x≤ N −M
⇐⇒ x ≥ 0 ∧ x ≥ n − (N − M )
⇐⇒ x ≥ max(0, n − (N − M ))
Então
S = {max(0, n − (N − M )), 1, . . . , min(n, M )}

M N −M
• O número de casos favoráveis à ocorrência de x sucessos, nas n extrações, é
x n−x

N
• O número de casos possı́veis nas n extrações, é
n
20
• A probabilidade de obter exatamente x sucessos, nas n extrações, é dada por

M N −M
x n−x
P (X = x) = , para x ∈ S
N
n
X é então uma v.a. discreta de suporte S = {max(0, n − (N − M )), 1, . . . , min(n, M )} e função de

probabilidade dada por
   

 M  N − M 

 

 x n−x
  se x ∈ S
p(x) = P (X = x) = N .

  

 n


0 se x ∈ S
Diz-se que a v.a. X segue a lei Hipergeométrica (ou X tem distribuição Hipergeométrica)
de parâmetros n, N e M, e escreve-se simbolicamente X ∼ H(n, N, M).
Propriedades
• Se X ∼ H(n, N, M ) então
M
E(X) = n
N

M M N −n
V (X) = n 1−
N N N −1
Notas:
Tal como no caso da Binomial, a distribuição Hipergeométrica é usada na contagem do número de
sucessos que ocorrem em n realizações de uma experiência aleatória com apenas dois resultados possı́veis
(sucesso ou insucesso). No entanto, a Hipergeométrica é usada quando a probabilidade do sucesso é
alterada em cada realização.
Uma das aplicações mais interessantes destas distribuições é na área da Amostragem, onde uma
amostra de dimensão n é seleccionada numa população de dimensão N . Uma leitura dos parâmetros da
Hipergeométrica, (n, N, M ) , é
n: dimensão da amostra
N : dimensão da população (finita)
M : número de sucessos na população
Prova-se, no entanto, que em certas condições, a distribuição H(n, N, M ) pode ser aproximada pela
M
distribuição B(n, p) , com p = .
N
21
Na prática,
n
se ˙ B n, M
≤ 0.1 então H(n, N, M ) ∼ N
N
↓
“aproximadamente (no limite)”
Intuitivamente, se a dimensão da amostra, n, é muito pequena relativamente à dimensão da população,

N , a seleção, embora seja feita sem reposição, não vai alterar “significativamente” a probabilidade de
ocorrer um sucesso.
(Mais à frente voltaremos a esta aproximação !!)
2.3.4 Distribuição de Poisson
Seja λ um número real positivo. Diz-se que uma v.a. X segue a lei de Poisson de parâmetro λ, e escreve-se
simbolicamente X ∼ P(λ), se X for discreta de suporte S = IN0 , com função de probabilidade
( λx
e−λ se x ∈ IN0
p(x) = P (X = x) = x! .
0 se x ∈ S
• P (X = x) > 0, ∀x ∈ IN0
+∞
X
• P (X = x) = 1
x=0
Propriedades
• E(X) = V (X) = λ
• Sejam X1 , X2 , ...Xk v.a.’s independentes tais que Xi ∼ P(λi ). Então

k
X
Y = Xi ∼ P(λ1 + λ2 + ... + λk )
i=1
Notas
Concluir que uma certa v.a. segue a lei de Poisson (ao contrário das leis Binomial e Hipergeométrica)
não é imediato, e sai fora do âmbito do nosso curso. No entanto, esta distribuição é aplicada na contagem
de eventos independentes que ocorrem durante um dado intervalo de tempo ou numa dada região espacial.
Esta distribuição também é conhecida pela distribuição dos acontecimentos raros, pois a probabilidade
de ocorrer mais do que um evento num intervalo muito pequeno é nula.
Prova-se que a distribuição B(n, p) , com p muito pequeno e n suficientemente grande (n ≥ 20), pode
ser aproximada pela distribuição P(λ) , com λ = np. Na prática,
se p ≤ 0.1 então B(n, p) ∼

˙ P(np)
22
Figura 2: Consulta da distribuição de Poisson nas Tabelas de ME
2.4 Variáveis Aleatórias Bidimensionais
Definição Seja Ω o espaço de resultados associado a uma experiência aleatória. Designa-se por
variável aleatória bidimensional (ou vector aleatório de dimensão dois) uma função X de domı́nio Ω e
contradomı́nio em IR2 .
X : Ω −→ IR2
w −→ X(w) = (X1 (w), X2 (w))
Exemplo de Ilustração
Lançamento de dois dados, anotando os números de pontos das faces que ficam voltadas para cima.
Ω = {(i, j) : i, j ∈ {1, 2, 3, 4, 5, 6}}.
Seja X = (X1 , X2 ) o vetor aleatório que representa a soma, X1 , e a diferença, X2 , dos pontos
obtidos.
Notas
− Uma variável aleatória bidimensional é um vetor cujas componentes são variáveis aleatórias unidi-
mensionais.
− Associado a uma experiência aleatória, pode interessar o estudo de k, com k ≥ 2, medidas/caracterı́sticas.

Surge o conceito de variável (vetor) aleatória(o) k-dimensional, com
X(w) = (X1 (w), X2 (w), ..., Xk (w)) ∈ IRk .
Por uma questão de clareza e simplicidade na exposição dos conceitos, no nosso estudo vamos considerar
apenas variáveis aleatórias bidimensionais. No entanto, todos os conceitos aqui apresentados generalizam-
se facilmente para o caso k-dimensional.
− Os vetores aleatórios podem ser discretos (todas as componentes do vetor são v.a.’s discretas),
contı́nuos (todas as componentes do vetor são v.a.’s contı́nuas) ou mistos. Embora neste curso se analise
23
apenas o caso discreto, os conceitos aqui apresentados generalizam-se para o caso contı́nuo. O caso misto
está fora do âmbito do nosso estudo.
Definição Um vetor aleatório (X, Y ) diz-se discreto se existir um conjunto finito ou infinito nu-
merável S tal que
S = {(x, y) ∈ IR2 : P (X = x, Y = y) > 0}
e tal que X
P ((X, Y ) ∈ S) = P (X = x, Y = y) = 1.
(x,y)∈S
Definição Sejam X e Y duas variáveis aleatórias. A função de probabilidade conjunta do par (X, Y )
é dada por
pXY (x, y) = P (X = x ∩ Y = y), ∀(x, y) ∈ IR2 .
↓
“probabilidade de, simultaneamente,
X tomar o valor x e Y tomar o valor y”
Propriedades:
(1) 0 ≤ pXY (x, y) ≤ 1, ∀(x, y) ∈ IR2

X XX
(2) pXY (x, y) = pXY (x, y) = 1.
(x,y)∈IR2 y∈IR x∈IR
Definição A função distribuição conjunta do par de v.a.’s (X, Y ) é dada por
FXY (x, y) = P (X ≤ x ∩ Y ≤ y), ∀(x, y) ∈ IR2 .
Se (X, Y ) tem suporte S = SX × SY então

X
FXY (x, y) = P (X = a ∩ Y = b).
(a,b) ∈S∩]−∞,x]×]−∞,y]
X X
= P (X = a ∩ Y = b).
a ∈SX ∩]−∞,x] b ∈SY ∩]−∞,y]
Algumas propriedades da função distribuição conjunta
(1) ∀(x, y) ∈ IR2 , 0 ≤ FXY (x, y) ≤ 1 (FXY é uma função limitada)
(2) ∀(x1 , y1 ), (x2 , y2 ) ∈ IR2 , se x1 < x2 e y1 < y2 ⇒ FXY (x1 , y1 ) ≤ FXY (x2 , y2 ) (FXY é não decrescente)
(3) lim FXY (x, y) = 0 e lim FXY (x, y) = 1

(x,y)→(−∞,−∞) (x,y)→(+∞,+∞)
24
Definições Seja (X, Y ) um vetor aleatório discreto com função de probabilidade conjunta pXY .
• A função de probabilidade marginal de X é a função dada por

X X
pX (x) = P (X = x) = pXY (x, y) = P (X = x ∩ Y = y), ∀x ∈ IR.
y∈IR y∈IR
• A função de probabilidade marginal de Y é a função dada por

X X
pY (y) = P (Y = y) = pXY (x, y) = P (X = x ∩ Y = y), ∀y ∈ IR.
x∈IR x∈IR
(As funções de probabilidade marginais são funções de probabilidade de v.a.’s unidimensionais.)
• A função de probabilidade condicionada de Y dado X = x, com pX (x) > 0, é a função de y dada

por
pXY (x, y)
pY /X=x (y) = P (Y = y/X = x) = , ∀y ∈ IR.
pX (x)
(de modo análogo se define função de probabilidade condicionada de X dado Y = y, com pY (y) > 0)
pY /X=x é uma função de probabilidade.
Independência de Variáveis Aleatórias
Definição Sejam X e Y duas variáveis aleatórias discretas. X e Y dizem-se independentes se e só se
∀(x, y) ∈ IR2 , pXY (x, y) = pX (x) × pY (y).
Generalização As n (n ≥ 2) variáveis aleatórias X1 , X2 , ..., Xn dizem-se independentes se e só se

n
Y
∀x1 , x2 , ..., xn ∈ IR, P (X1 = x1 ∩ X2 = x2 ∩ ... ∩ Xn = xn ) = P (Xi = xi ).
i=1
Parâmetros de Vetores Aleatórios
Definição Seja (X, Y ) um vetor aleatório tal que E(X) e E(Y ) existem. Chama-se esperança
matemática (valor médio ou valor esperado) do vetor (X, Y ) ao vetor (E(X), E(Y )).
Propriedade Seja (X, Y ) um vetor aleatório discreto de suporte S e g : IR2 → IR tal que g(X, Y )
é uma variável aleatória. Tem-se
X
E[ g(X, Y ) ] = g(x, y)P (X = x, Y = y).
(x,y)∈S
25
Definição Seja (X, Y ) um vetor aleatório discreto tal que E(X) = µX e E(Y ) = µY . A Covariância
entre X e Y , denotada por cov(X, Y ), é definida por
cov(X, Y ) = E[(X − µX )(Y − µY )] .

X X
• cov(X, Y ) = (x − µX )(y − µY )P (X = x, Y = y)
x∈SX y∈SY
= E(XY ) − E(X)E(Y )
Algumas propriedades :
1. V (X + Y ) = V (X) + V (Y ) + 2 cov(X, Y )
2. V (X − Y ) = V (X) + V (Y ) − 2 cov(X, Y )
3. Se X1 , X2 , ..., Xn (n ∈ IN) são v.a.’s independentes então
E (X1 X2 ...Xn ) = E(X1 )E(X2 )...E(Xn );

" n # n
X X
V ai Xi + b = a2i V (Xi ), ∀ a1 , a2 , ..., an , b ∈ IR.
i=1 i=1
Casos particulares:
" n # n
X X
i) V Xi = V (Xi );
i=1 i=1
ii) V (X1 − X2 ) = V (X1 ) + V (X2 ).
Nota Se X e Y são independentes então cov(X, Y ) = 0 (!), mas a implicação contrária já não é
válida!
Definição Seja (X, Y ) um vetor aleatório. O coeficiente de correlação linear entre X e Y , denotado
por ρXY , é dado por
cov(X, Y ) cov(X, Y )
ρXY = p = .
V (X) V (Y ) σX σY
Nota:
−1 ≤ ρXY ≤ 1
26
Exemplo
1. Uma fábrica possui duas linhas de produção de um certo motor. Considere o vetor aleatório (X, Y ),
onde
X: número de motores produzidos, diariamente, na linha I
Y : número de motores produzidos, diariamente, na linha II
A função de probabilidade conjunta de (X, Y ) é dada na forma tabular, por
X 0 1 2
Y
0 0 0.06 0.19
1 0.03 0.07 0.18
2 0.04 0.06 0.1
3 0.04 0.08 0.15
Funções de probabilidade marginais
x 0 1 2 y 0 1 2 3
pX (x) 0.11 0.27 0.62 pY (y) 0.25 0.28 0.2 0.27
E(X) = 1.51, V (X) = 0.4699, σX = 0.6855

E(Y ) = 1.49, V (Y ) = 1.2899, σY = 1.1357
(Comparar as duas linhas de produção.)
27
Exercı́cios
Capı́tulo II - Variáveis Aleatórias e Distribuições de Probabilidade

Discretas
1. Uma moeda apresenta cara duas vezes mais frequentemente que coroa. Essa moeda é lançada três
vezes e X é a variável aleatória que representa o número total de caras que ocorreram.
(a) Determine a função de probabilidade de X e represente-a graficamente.

(b) Determine a função distribuição de X e represente-a graficamente.
(c) Qual é a probabilidade de só saı́rem caras nos três lançamentos? E de saı́rem, no máximo,
duas caras?
2. Suponha que o número de computadores utilizados diariamente numa determinada empresa é uma
variável aleatória X com função de probabilidade,
(
k2x
se x = 1, 2, 3, 4
P (X = x) = p(x) = x! .
0 se caso contrário
(a) Determine o valor de k, justificando a sua resposta.

(b) Defina a função distribuição de X.
(c) Qual deverá ser o número mı́nimo de computadores disponı́veis no ı́nicio de cada dia para que
a procura diária seja satisfeita com uma probabilidade de pelo menos 0.8?
(d) Qual é o número médio de computadores utilizados diariamente naquela empresa? E o desvio
padrão?
3. A função distribuição de uma variável aleatória (v.a.) X é



 0 se x<0

 0.5 se 0≤x<1



0.6 se 1≤x<2
P (X ≤ x) = F (x) = .

 0.8 se 2≤x<3



 0.9 se 3 ≤ x < 3.5

1 se x ≥ 3.5
(a) Represente graficamente F (x).

(b) Justifique que a v.a. X é discreta e calcule a sua função de probabilidade.
(c) Calcule: P (X ≤ 1), P (X ≥ 2), P (X ≥ 3), P (2.5 ≤ X ≤ 4), P (X ≥ 3.5) e
P (2.5 ≤ X ≤ 4/X ≥ 1).
(d) Calcule E(X), V(X) e σ(X).
(e) Considere a v.a. Y = X − 1.15.
i. Calcule P (Y ≤ 1).
ii. Compare as v.a.’s X e Y , em termos de valor esperado e variância.
28
4. Seja X uma variável aleatória discreta definida por:
xi m−1 m m+3 m+5
k+1 k k−1 k
P (X = xi )
8 8 8 8
1
(a) Determine as constantes k e m sabendo que E(X) = .
4
(b) Calcule E(X − 2) e V(3X − 2).
(c) Obtenha a função distribuição da v.a. X.
(d) Calcule: P (X ≤ −5), P (X ≤ −1), P (−1 < X ≤ 3), P (X ≥ 4), P (X < 4) e P (X ≤ 6).
5. Seja X uma variável aleatória discreta definida por:
xi -2 -1 0 1 2
1 1 1
p(xi ) k k
3 15 3
(a) Determine o valor de k por forma a que p seja lei de probabilidade de X.

(b) Deduza a função distribuição de X.
(c) Calcule o valor médio e a variância de X.
(d) Calcule o valor de P (X 2 = 4/X ≤ 1).
6. A distribuição de probabilidades de uma variável aleatória X é dada pela tabela

x 0 1 2
P (X = x) b2 a 2a
onde a e b designam números reais. Sabendo que valor médio desta variável é 1.25, os valores de a
e b podem ser respetivamente
√ √
1 1 1 1 2 3 1 10
(A) − ; (B) ; (C) ; (D) ;
2 4 4 2 9 3 8 4
7. (Exercı́cio ao cuidado do aluno) Seja X uma v. a. discreta de Suporte S ⊂ [a, b], com a e b
dois números inteiros positivos à sua escolha.
(a) Gere, aleatoriamente, o suporte de X, S, usando o Microsoft Excel :

1 o Numa célula insira o comando =ALEATÓRIO()*(b-a)+a
2 o Formate a célula que contém o número obtido em (1 o ) :
Formatar células→ Número→Categoria: número→casas decimais=1
3 o Repita a operação até que S tenha dimensão 5.

(b) Considere o suporte de X, S, obtido na alı́nea anterior, e assuma que a probabilidade de cada
valor é igual à sua frequência relativa em S.
29
i. Calcule as funções de probabilidade e distribuição de X.
ii. Calcule, se possı́vel, as seguintes probabilidades:
(i) P (X ≥ 0) (ii) P (0 < X ≤ 7)
(iii) P (X ≤ 1.5/X ≥ 0.5) (iv) P (1 < X < 3/X ≥ 2)
iii. Considere a variável aleatória g(X) = X 2 − 4.
Sem usar o suporte de g(X), calcule E[g(X)] e V [g(X)].
8. Uma caixa contém 20 peças das quais 5 são defeituosas. Tiram-se 6 peças da caixa, com reposição
da peça extraı́da em cada tiragem. Seja X o número de peças defeituosas encontradas.
(a) Identifique, justificando, a lei de probabilidade de X.

(b) Determine: P (X ≤ 0), P (2 ≤ X < 4), P (X > 3) e P (X ≤ 7).
(c) Qual é o número esperado de peças defeituosas nas 6 tiragens?
(d) Assuma agora que a tiragem das 6 peças é feita sem reposição. Qual é a lei de probabilidade
de X? Justifique. Qual a probabilidade de nenhuma peça ser defeituosa?
9. Considere o exercı́cio no 1. A lei da variável aleatória aı́ definida é especial. Identifique-a, justifi-
cando a sua resposta.
10. Uma loja quer vender rapidamente os 100 computadores portáteis que tem em armazém, pelo que
realizou uma promoção com descontos oferecendo o sistema operativo. O processo de instalação
do sistema operativo não é completamente fiável e 10 dos portáteis necessitarão de assistência
complementar.
Uma empresa comprou na loja 20 portáteis, selecionados aleatoriamente no armazém.
(a) Indique (justificando) a lei de probabilidade do número de portáteis comprados pela empresa,
que necessitarão de assistência.
(b) Qual a probabilidade de nenhum dos portáteis apresentar problemas?
(c) Indique uma expressão matemática que permita determinar a probabilidade de mais de 5
portáteis necessitarem de assistência.
(d) Cada um dos portáteis é vendido a 1.520 euros e a sua eventual assistência custará à loja 55
euros. Indique o lucro esperado da loja com a venda dos portáteis à empresa.
11. Considere a experiência aleatória ”lançamento de um dado equilibrado”. Suponha que se efetua
uma sucessão de 20 realizações desta experiência. Seja X a variável aleatória que representa o
número de faces 5 que ocorreram nas 20 realizações da experiência. Determine:
(a) a lei de probabilidade de X;

(b) a probabilidade de ocorrerem 10 faces 5.
12. A informação obtida em experiências anteriores diz-nos que a probabilidade de um certo leitor ótico
fornecer uma leitura errada é de 1%. Suponha que, num determinado perı́odo de tempo, se obtêm
18 leituras com esse leitor ótico. A probabilidade de se obter, nesse perı́odo de tempo, duas ou mais
leituras erradas é:
(A) 0.0007 (B) 0.0138 (C) 0.7338 (D) 0.9993
13. De um grupo de 1000 habitantes de certa região, há 20% que são proprietários da casa que habitam.
Se se recolher, ao acaso, uma amostra de 10 indivı́duos, qual a probabilidade de 6 terem casa
própria?
30
14. Apenas 30% dos habitantes de uma grande cidade pensam que o sistema de trânsito vigente é
adequado. Se forem selecionados 20 habitantes, encontre a probabilidade de, no máximo, 2 concor-
darem com o sistema de trânsito.
15. Suponha que 10% dos vidros fabricados por certa máquina são defeituosos. Se forem selecionados,
ao acaso, 10 vidros da produção total da máquina, qual a probabilidade de
(a) nenhum ser defeituoso?

(b) o número de vidros defeituosos não ser inferior a 2 nem superior a 6?
Qual é o valor esperado do número de vidros defeituosos entre os selecionados?
16. Durante os Censos 2021, nos inquéritos à população feitos de forma independente uns dos outros,
verificou-se que 25% das pessoas precisavam de ajuda para preencher o inquérito.
(a) Considere que num dia esse inquérito foi realizado, pelo mesmo profissional, a 16 pessoas.
i. A probabilidade de mais de 4 terem precisado de ajuda é:
(A) 0.4050 (B) 0.6302 (C) 0.3698 (D) 0.5950
ii. As pessoas que precisam de ajuda demoram 60 minutos a preencher o inquérito e as que
não precisam de ajuda demoram 30 minutos. Quantas horas é de esperar que, no total, o
profissional tenha necessitado para recolher as respostas das 16 pessoas?
(b) Suponha agora que o inquérito foi realizado a 144 pessoas, qual a probabilidade de no máximo
40 pessoas terem precisado de ajuda?
17. Admita que é engenheiro de controle de qualidade numa empresa de produção de hardware para
computadores. A sua empresa recebeu um grande lote de componentes eletrónicos de um determi-
nado fornecedor que afirma que cada lote só tem 5% de componentes defeituosas. O lote contém 500
componentes e é da sua responsabilidade inspecionar uma amostra aleatória de 50 componentes. O
valor exato da probabilidade de encontrar 3 componentes defeituosas na amostra de 50 componentes
é:
(A) 0.2138 (B) 0 (C) 0.2328 (D) 0.2199
18. Uma empresa efetuou um estudo sobre a probabilidade de ocorrência de erros no trabalho dos seus
colaboradores. Classificou o tipo de tarefas que desenvolvem segundo a sua complexidade em dois
nı́veis: média complexidade e alta complexidade. Verificou que
• quando a complexidade da tarefa a desenvolver é média, a probabilidade de erro é 3%;

• a probabilidade da complexidade da tarefa ser média é 20%;
• se ocorrem erros, a probabilidade da tarefa ter complexidade alta é 0.9434.
(a) Determine a probabilidade da tarefa ter complexidade média e ocorrerem erros.

(b) Suponha que foram analisadas 10 tarefas cuja complexidade foi classificada como média. De-
termine a probabilidade de em pelo menos 2 dessas tarefas terem ocorrido erros.
19. O número de chamadas que chegam num perı́odo de 5 minutos à central telefónica de uma empresa
é uma variável aleatória com distribuição de Poisson de parâmetro 10.
(a) Calcule a probabilidade de, num perı́odo de 5 minutos,
31
i. chegarem exatamente 8 chamadas;
ii. chegarem menos de 5 chamadas;
iii. chegarem, no mı́nimo, 3 chamadas;
iv. não chegar alguma chamada.
(b) Qual a probabilidade de chegarem à central telefónica 35 chamadas, num perı́odo de 10 minutos
consecutivos? Justifique.
20. O número de visitantes que entra num cibercafe ao longo dos vários perı́odos diários segue uma lei
de Poisson. No entanto, o número médio de visitantes varia consoante o perı́odo do dia: no perı́odo
da manhã espera-se 3 visitantes e no perı́odo da tarde 15.
Assuma independência entre o número de visitantes ao cibercafe nos dois perı́odos diários.
(a) Qual a probabilidade de numa manhã de um dia qualquer, o número de visitantes ao cibercafe
ser pelo menos cinco?
(b) Qual a probabilidade de, num dia qualquer, o número total de visitantes ao cibercafe nos
perı́odos da manhã e da tarde ser menor que 31?
(c) Qual a probabilidade de, num dia qualquer, o número de visitantes na manhã ser igual a 5 e
na tarde ser igual a 20?
21. Determinada editora publica um livro com uma tiragem de 100 000 exemplares. A probabilidade
de que um dos livros seja encadernado incorrectamente é 10−4 . Calcule a probabilidade aproximada
de que o número de livros mal encadernados da tiragem seja
(a) exactamente 5;
(b) pelo menos 4;
(c) não mais do que 2.
22. O número de petroleiros que chegam em cada dia a determinada refinaria é uma variável aleatória
com distribuição de Poisson de média 2. As atuais instalações do porto podem atender 3 petroleiros
por dia; se acontecer que mais de 3 navios pretendam entrar no porto, os excedentes a 3 deverão
seguir para outro destino.
(a) Em determinado dia, qual a probabilidade de se ter de mandar petroleiros para outro porto?
(b) Qual o número esperado de petroleiros a chegarem por dia?
(c) Qual o número mais provável de petroleiros a chegarem por dia?
(d) De quanto deverão ser aumentadas as atuais instalações do porto para permitir manobrar
todos os petroleiros em 95% dos dias?
(e) Deduza a lei de probabilidade do número de petroleiros a serem atendidos por dia.
(f) Qual o número esperado de petroleiros a serem atendidos por dia?
23. O número de acidentes de trabalho, por mês, numa obra de construção civil é uma variável aleatória
com distribuição de Poisson de valor médio 2.
(a) Determine a probabilidade de não ocorrerem acidentes num determinado mês.

(b) Calcule a probabilidade de ocorrerem pelo menos 6 acidentes em 3 meses.
(c) Suponha que a obra foi observada durante 6 meses consecutivos. Qual a probabilidade de não
ocorrerem acidentes em exactamente 4 meses?
32
24. Sejam X e Y duas variáveis aleatórias reais independentes tais que X ∼ P(0.2) e Y ∼ P(0.4).
Determine P(X + Y = 3).
25. Uma máquina eletrónica tem, em média, 2 avarias por mês. Considerando que o número de avarias
mensal segue uma distribuição de Poisson, a probabilidade de, num ano, se terem verificado pelo
menos 11 avarias é:
(A) 0.0025 (B) 0.0054 (C) 1 (D) 0.9989
26. O número de defeitos por artigo produzido numa certa linha de produção segue uma distribuição
de Poisson de valor esperado 0.01. Para serem distribuı́dos, esses artigos são embalados em caixas
de 10 unidades.
(a) A probabilidade de um qualquer artigo não apresentar defeitos é
(A) 0.9048 (B) 0.9901 (C) 0.0952 (D) 0.0100
(b) A probabilidade de, numa caixa, no máximo 1 artigo ser defeituoso é
(A) 0.9044 (B) 0.9957 (C) 0.0956 (D) 0.0013
27. Na sede de uma empresa, é produzida diariamente uma grande quantidade de peças. A probalilidade
de uma peça ter defeitos é 0.01. Antes de enviar a produção para as filiais, o responsável pela linha
de produção tem como obrigação efetuar um controlo de qualidade, pelo que inspeciona um lote de
20 peças, extraı́das, ao acaso e sem reposição, das que foram produzidas. O responsável inviabiliza
o envio se encontrar mais do que duas peças com defeitos nessa amostra.
(a) Qual é a probabilidade do envio ser viabilizado pelo responsável da linha de produção?
(b) Qual é o número esperado de peças defeituosas na amostra inspecionada?
(c) Admita que, na produção da empresa, o número de peças que é necessário inspecionar sucessi-
vamente até serem encontradas duas peças com defeitos é uma variável aleatória Y . Determine
a lei de probabilidade da variável aleatória Y .
28. Seja X a variável aleatória relativa ao número de defeitos encontrados numa unidade de determinado
artigo e Y a v.a. que indica o número da fábrica que o produziu. A tabela seguinte representa a
função de probabilidade conjunta do vector (X, Y ):
X 0 1 2 3
Y
1 1 3 1
1
8 16 16 8
1 1 1 1
2
16 16 8 4
(a) Determine as leis de probabilidade marginais de X e Y .
(b) Calcule P (X = 2), P (X ≥ 2), P (X ≤ Y ) e P (Y = 3).
(c) Determine E(X), V(X), Cov (X, Y ) e ρ XY . (Nota: E(Y ) = 1.5, V(Y ) = 0.25).
(d) O número de defeitos que um artigo apresenta é independente da fábrica que o produziu?
(e) Sabendo que determinado artigo foi produzido pela fábrica 2, qual a probabilidade de apre-
sentar defeitos?
33
29. A tabela seguinte indica a função de probabilidade conjunta das variáveis aleatórias X e Y :
Y -1 0 1
X
-1 0 p 0
1 1
0 4 0 4
1
1 0 4 0
(a) Determine o valor de p, justificando a sua resposta.

(b) Determine as funções de probabilidade marginais de X e Y .
(c) Calcule P (X = x/Y = 0).
(d) Mostre que cov(X, Y ) = 0 mas as variáveis aleatórias X e Y não são independentes.
30. Seja f (x, y) = x+y

32 , x = 1, 2 e y = 1, 2, 3, 4 a função de probabilidade conjunta do par de variáveis
aleatórias (X, Y ).
(a) Deduza as funções de probabilidade marginais de X e Y .

(b) Calcule P (X > Y ), P (Y = 2X), P (X + Y = 3), P (X ≤ 3 − Y ), P (X ≥ 1) e P (0 ≤ Y ≤ 3).
(c) Calcule P (Y = y/X = 2).
(d) As variáveis aleatórias X e Y são independentes? Justifique.
31. Numa dada loja de componentes para computadores, as vendas diárias de discos rı́gidos das marcas
1 e 2, respetivamente X1 e X2 , têm a seguinte função de probabilidade conjunta:
X1 0 1 2
X2
0 0.12 0.25 0.13
1 0.05 0.30 0.01
2 0.03 0.10 0.01
(a) Calcule as funções de probabilidade marginais de X1 e X2 .

(b) Compare o número médio de vendas diárias de discos das duas marcas.
(c) Calcule a probabilidade de, num dia, a marca 1 ser a mais vendida.
(d) Calcule a função de probabilidade de X2 , nos dias em que não há vendas de discos da marca
1.
(e) As vendas diárias de discos das duas marcas são independentes?
32. De um vetor aleatório discreto (X, Y ) sabe-se que: X e Y são independentes;

0.5y 0.51−y se y = 0 ∨ y = 1
X ∼ B(2, 0.3); P (Y = y) = .
(a) Construa a tabela representativa da função de probabilidade conjunta do vetor (X, Y ).

(b) Determine P (X > Y ).
34
33. Seja X a variável aleatória que representa o número total de alunos que frequentaram o horário de
atendimento e Y o número de questões/dúvidas, em 3 possı́veis, que um aluno não consegue escla-
recer até ao dia da frequência. A função de probabilidade conjunta do vetor (X, Y ) é representada
pela tabela,
Y 0 1 2 3
X
5 0.08 0.07 0.02 0.00
10 0.12 0.11 0.06 0.04
20 0.17 0.15 0.1 0.08
(a) Determine as leis marginais de X e Y .

(b) Considere os acontecimentos: A = {X = 5}, B = {X = 10} e C = {Y ≥ 3}.
Calcule e interprete P (C/A ∪ B).
(c) Analise as seguintes afirmações, fundamentando sempre a sua análise em linguagem ma-
temática e apresentando os cálculos efetuados.
i. Mais de 60% dos alunos fica com menos de uma questão por esclarecer.
ii. A probabilidade de um aluno ficar com dúvidas por esclarecer diminui se o número de
alunos presentes no horário de atendimento passar de 20 para 5.
iii. Existe uma correlação linear fraca e positiva entre X e Y . ( E(Y) = 1.05, V(Y) = 1.1025)
iv. O número de questões que um aluno não consegue esclarecer não é independente do número
de alunos presentes no horário de atendimento.
34. Considere o vetor aleatório (X, Y ), em que X representa o número de ocorrências de erro detetadas
por um colaborador num determinado teste, e Y representa o tipo de colaborador (0 se o colabo-
rador é não experiente ou 1 se o colaborador é experiente) caracterizado pela seguinte função de
probabilidade conjunta.
X 0 1 2
Y
0 0.28 0.08 0.04
1 0.18 0.06 0.36
(a) Determine as leis de probabilidade marginal do número de ocorrências de erro detetadas por
um colaborador e do tipo de colaborador.
(b) Construa a função de probabilidade do número de ocorrências de erro detetadas por um
colaborador sabendo que este é experiente.
(c) Concorda com a afirmação ”A probabilidade de serem detetadas 2 ocorrências de erro é igual
à probabilidade de um colaborador não ser experiente.”? Justifique.
(d) Justifique que existe uma relação linear positiva moderada entre o tipo de colaborador e o
número de ocorrências de erro detetadas?
35. Considere o vetor aleatório (X, Y ), em que X representa o número de ocorrências de erro detetadas
por um colaborador num determinado teste, e Y representa o tipo de colaborador (0 se o colabo-
rador é não experiente ou 1 se o colaborador é experiente) caracterizado pela seguinte função de
35
probabilidade conjunta
P
X 0 1 2
Y
0 0.28 a 0.04 b
1 c d e 0.6
P
0.46 f 0.4
(a) Determine as leis de probabilidade marginal do número de ocorrências de erro detetadas por
um colaborador e do tipo de colaborador.
(b) Determine a probabilidade do colaborador não ser experiente dado que se detetaram ocorrências
de erro.
(c) Determine a probabilidade de serem detetadas ocorrências de erro e o trabalhador ser experi-
ente.
(d) Verifique que X e Y não são independentes.
36. Considere o vetor aleatório (X, Y ) que representa o número de discos externos das marcas A e
B, respetivamente, vendidos diariamente numa loja e que é caracterizado pela seguinte função de
probabilidade conjunta.
Y 0 1 2
X
0 a 0.06 0.04
1 0.09 b 0.01
2 0.05 0.02 0.01
(a) Sabendo que em 80% dos dias não se vendem leitores da marca A, determine o valor das
constantes a e b.
(b) Determine as leis de probabilidade marginal do número de discos externos das marcas A e B
vendidas diariamente na loja.
(c) Calcule P (Y = y/X = 2), ∀y ∈ IR e comente o seu significado.
37. Numa determinada região, o número de filhos dos sexos feminino e masculino, por casal, é bem
modelado pelas variáveis aleatórias reais X e Y , respetivamente.
A função de probabilidade conjunta de (X, Y ) é dada na forma de tabela, por
Y 0 1 2 3
X
0 0.15 0.10 0.05 0.02
1 0.10 0.10 0.05 0.10
2 0.09 0.08 0.10 0
3 0.04 0.02 0 0
(a) Determine as leis de probabilidade marginal de X e Y .

(b) Determine a proporção de casais cujo número de filhos do sexo feminino é superior ao número
de filhos do sexo masculino.
(c) Sabendo que um casal tem 4 filhos, determine a probabilidade de ter dois filhos do sexo
feminino.
(d) Determine a covariância entre X e Y .
36
(e) As variáveis aleatórias X e Y são independentes? Justifique.
38. Numa fábrica, há três linhas de produção de um artigo (X), sendo que o artigo é classificado quanto
ao acabamento (Y ), de acordo com a seguinte tabela:
Y
X 1 2 Total
1 0.06 b 0.25
2 0.04 c e
3 a d 0.4
(a) Sabendo que P (Y = 1/X = 3) = 0.125, complete a tabela.

(b) Sabendo que um artigo foi produzido na linha de produção 1, determine a probabilidade de
ter sido classificado quanto ao acabamento com 1.
(c) A classificação média do acabamento do artigo é
(A) 2.00 (B) 1.85 (C) 2.15 (D) Nenhuma das anteriores
37
Soluções dos Exercı́cios
Capı́tulo II - Variáveis Aleatórias e Distribuições de Probabilidade

Discretas


 0 se x<0

 1
 27 se 0≤x<1
xi 0 1 2 3 c.c 7
1. (a) 1 6 12 8 (b) F (x) = 27 se 1≤x<2 (c) 0.296; 0.704
p(xi ) 0 
 19
27 27 27 27 
 27 se 2≤x<3

1 se x≥3


 0 se x<1


 13 se 1≤x<2
1 2
2. (a) k = 6 (b) F (x) = 3 se 2≤x<3 (c) 3 (d) 2.1, 0.9938

 8

 9 se 3≤x<4

1 se x≥4


 0.5 se x=0

0.1 se x ∈ {1, 3, 3.5}
3. (b) p(x) = (c) 0.6, 0.4, 0.2, 0.2, 0.1,04 (d) 1.15, 1.7025, 1.3048

 0.2 se x=2

(e) i. 0.8 ii. E(Y ) = 0; V (Y ) = V (X)


 0 se x < −2
 3

 8 se −2 ≤ x < −1
5
4. (a) k = 2, m = −1 (b) -1.75, 55.7 (c) F (x) = 8 se −1 ≤ x < 2

 6

 se 2≤x<4
 8
1 se x≥4
5 1 2 6
(d) 0, 8, 8, 8, 8, 1


 0 se x < −2

 1

 se −2 ≤ x < −1
 73
2 15 se −1 ≤ x < 0
5. (a) k = 15 (b) F (x) = 8 (c) 0 ; 2.93 (d) 0.5

 15 se 0≤x<1

 10

 15 se 1≤x<2

1 se x≥2
6. B
7. Ao cuidado do aluno.
8. (a) X ∼ B(6, 0.25) (b) 0.178, 0.4285, 0.0376, 1 (c) 1.5 (d) X ∼ H(6, 20, 5); 0.1291
9. X ∼ B(3, 32 )
X10
Cx10 C20−x
90
10. (a) X ∼ H(20, 100, 10) (b) 0.095 (c) 100 (d) 30.290 euros
x=6
C20
11. (a) P (X = x) = Cx20 ( 16 )x ( 56 )20−x , x = 0, 1, 2, ..., 20 (b) 4.93 × 10−4

12. B
13. 0.0053 (Hipergeométrica); 0.0055 (aproximação à Binomial)
14. 0.0355
15. (a) 0.3487 (b) 0.2639; 1
38
16. (a) i. C ii. 10 horas (b) 0.8079
17. C
18. (a) 0.006 (b) 0.0345
19. (a) i. 0.1126 ii. 0.0293 iii. 0.9972 iv. 0.5 × 10−4 (b) 0.0007
20. (a) 0.1847 (b) 0.9967 (c) 0.00421
21. (a) 0.0378 (b) 0.9897 (c) 0.0028
22. (a) 0.1429 (b) 2 (c) 1 ou 2 (d) x = 4 (mais um petroleiro)
yi 0 1 2 3 c.c
(e) (f) 1.782
p(yi ) 0.1353 0.2707 0.2707 0.3233 0
23. (a) 0.1353 (b) 0.5543 (c) 0.0038
24. 0.0198
25. D
26. (a) B (b) B
27. (a) 0.9990 (b) 0.02 (c) S = {2, 3, . . . } e P (Y = k) = (k − 1)(0.99)k−2 (0.01)2
xi 0 1 2 3 c.c 5 11 7 30 79
28. (a) 3 2 5 6 (b) 16 , 16 , 16 , 0 (c) 16 , 64 , 0.125, 0.225
p(xi ) 16 16 16 16 0
yi 1 2 c.c
1 1
p(yi ) 2 2 0
(d) Não (e) 0.875
1 xi -1 0 1 c.c
29. (a) p = 4 (b) (c)
P (X = xi /Y = 0) 0.5 0 0.5 0
xi -1 0 1 c.c
p(xi ) 0.25 0.5 0.25 0
yi -1 0 1 c.c
p(yi ) 0.25 0.5 0.25 0
xi 1 2 c.c yi 1 2 3 4 c.c 3 9 6 8 21
30. (a) 14 18 5 7 9 11 (b) 32 , 32 , 32 , 32 , 1, 32
p(xi ) 32 32 0 p(yi ) 32 32 32 32 0
yi 1 2 3 4 c.c
(c) 3 4 5 6 (d)Não
P (Y = yi /X = 2) 18 18 18 18 0
x1i 0 1 2 c.c
31. (a) (b) 0.95; 0.64
p(x1i ) 0.2 0.65 0.15 0
x2i 0 1 2 c.c
p(x2i ) 0.5 0.36 0.14 0
x 0 1 2 c.c
(c) 0.39 (d) (e) Não
p(x) 0.6 0.25 0.15 0
Y 0 1
X
32. (a) 0 0.245 0.245 (b) 0.3
1 0.21 0.21
2 0.045 0.045
x 5 10 20 c.c y 0 1 2 3 c.c
33. (a) (b) 0.08;
p(x) 0.17 0.33 0.5 0 p(y) 0.37 0.33 0.18 0.12 0
(c) i. P.F.; ii. P.V.; iii. P.V.; iv. P.V.
39
x 0 1 2 c.c y 0 1 c.c
34. (a) (b)
 P (X = x/Y = 1) = (c) Sim, ambas são
p(x) 0.46 0.14 0.4 0 p(y) 0.4 0.6 0

 0.3 , x=0 iguais a 0.4; (d) ρ =

0.1 , x=1 0.4764 ∈ [0.3, 0.7]

 0.6 , x=2

0 , x∈/ {0, 1, 2}
x 0 1 2 c.c y 0 1 c.c
35. (a) (b) 0.2222;
p(x) 0.46 0.14 0.4 0 p(y) 0.4 0.6 0
(c) 0.4200;
(d) ...

 5

 , y=0

 8

 1
, y=1
36. (a) a = 0.7; b = 0.02; (c) P (Y = y/X = 2) = 4

 1
(b) 
 , y=2

x 0 1 2 c.c  8

0 , y∈
/ {0, 1, 2}
p(x) 0.8 0.12 0.08 0
y 0 1 2 c.c
p(y) 0.84 0.1 0.06 0
x 0 1 2 3 c.c y 0 1 2 3 c.c
37. (a) (b) 0.33;
p(x) 0.32 0.35 0.277 0.06 0 p(y) 0.38 0.3 0.2 0.12 0
(c) 0.4545; (d) -0.0142; (e) Não, pois a cov(X, Y ) 6= 0
38. (a) a = 0.05; b = 0.19; c = 0.31 : d = 0.35; e = 0.35 ; (b) 0.24 (c) B
40
3 Capı́tulo III - Variáveis Aleatórias e Distribuições de Probabi-
lidade Contı́nuas
3.1 Variáveis Aleatórias Contı́nuas
Definição Uma v.a. X diz-se contı́nua se existir uma função f : IR −→ IR que verifique
(i) f (x) ≥ 0, ∀x ∈ IR (não negativa)
Z +∞
(ii) |f (x)| dx < ∞ (integrável em IR)
−∞
Z +∞
(iii) f (x) dx = 1
−∞
Z b
e tal que ∀ a, b ∈ IR, P ( X ∈]a, b[ ) = f (x) dx.
a
Uma função f com estas caracterı́sticas chama-se função densidade de probabilidade de X, e permite
calcular a probabilidade de X assumir valores num qualquer intervalo real.
Observações Se X é uma v.a. contı́nua com densidade f ,

Z a
∀a ∈ IR, P (X = a) = f (x) dx = 0
a
Z b
∀a, b ∈ IR, P (a ≤ X ≤ b) = P (a < X < b) = f (x) dx
a
Z +∞
∀a ∈ IR, P (X ≥ a) = P (X > a) = f (x) dx
a
Definição Seja X uma v.a. contı́nua com função densidade de probabilidade f . Chama-se função distribuição
de X à função F : IR −→ [0, 1] definida por
F (x) = P (X ≤ x)
Z x
= f (a) da, ∀x ∈ IR.
−∞
Nota A definição de função distribuição é a mesma quer as variáveis aleatórias sejam discretas ou contı́nuas
(a integração no caso contı́nuo é a extensão “natural” da soma (caso discreto)).
Parâmetros de localização e de dispersão
Os parâmetros de localização e de dispersão de uma v.a. contı́nua definem-se de modo análogo ao caso discreto.
Definições
Seja X uma v.a. contı́nua de densidade f .
• A esperança matemática de X, caso exista, é definida por

Z +∞
E(X) = xf (x) dx.
−∞
(A existência do valor médio de X depende da convergência do integral anterior)
41
⊲ Seja g : IR → IR tal que g(X) é uma v.a. contı́nua. Então
Z +∞
E[ g(X) ] = g(x)f (x) dx.
−∞
Z +∞
Exemplo: k ∈ IN (arbitrariamente fixo), E(X k ) = xk f (x) dx
−∞
• Considere E(X) = µ. A variância de X é definida por

Z +∞
2

V (X) = E (X − µ) = (x − µ)2 f (x) dx = E(X 2 ) − E 2 (X).
−∞
• A mediana de X é o número real Md tal que
F (Md ) = 0.5 .
(Note que F é uma função contı́nua)
3.2 Distribuições Especiais Contı́nuas

3.2.1 Distribuição Uniforme (Contı́nua)
Seja [a, b] um intervalo real não vazio. Diz-se que uma v.a. X segue a lei (ou X tem distribuição) Uniforme
no intervalo [a, b], e escreve-se simbolicamente X ∼ U[a,b] , se X for uma variável contı́nua com função densidade
( 1
se x ∈ [a, b] 1
f (x) = b−a = 1 [a,b] (x)
0 se x < a ∨ x > b b−a
A função distribuição de X é dada por



 x−0 se x<a
a
F (x) = se x ∈ [a, b] .

 b − a
1 se x>b
Propriedades
• Se X ∼ U[a,b] então
a+b
E(X) =
2
(b − a)2
V (X) =
12
Nota
A distribuição Uniforme é usada para descrever medidas que variam aleatoriamente num certo intervalo não
vazio [a, b] e cuja probabilidade de tomar valores num sub-intervalo de [a, b] é proporcional ao seu comprimento.
De facto, se X ∼ U[a,b] ,
1
∀[c, d] ⊆ [a, b], P (c ≤ X ≤ d) = k(d − c), com k = .
b−a
42
3.2.2 Distribuição Exponencial
Seja λ um parâmetro real positivo. Diz-se que uma v.a. X tem distribuição Exponencial de parâmetro λ, e
escreve-se simbolicamente X ∼ E(λ), se X for uma variável contı́nua com função densidade

λ e−λx se x ≥ 0
f (x) = = λ e−λx 1 [0,+∞[ (x)
0 se x < 0
A função distribuição de X é dada por

0 se x < 0
F (x) = .
1 − e−λx se x ≥ 0
Propriedades
• Se X ∼ E(λ) então
1
E(X) =
λ
1
V (X) =
λ2
Nota
Se a distribuição de Poisson é aplicada na contagem de eventos independentes num certo intervalo de tempo,
a distribuição Exponencial é usada para representar intervalos de tempo entre eventos independentes!!
3.2.3 Distribuição Normal
Sejam µ ∈ IR e σ ∈ IR+ . Diz-se que uma v.a. X tem distribuição Normal de parâmetros µ e σ, e escreve-se
simbolicamente X ∼ N (µ, σ), se X for uma variável contı́nua com função densidade
2
1 x−µ
1 −
f (x) = √ e 2 σ , ∀x ∈ IR.
2πσ
Nota Diz-se também que X é Normalmente distribuı́da, ou que X segue a lei Normal, ou ainda que X é uma
v.a. Gaussiana (de Gauss), de parâmetros µ e σ.
Representação gráfica de f (µ > 0)
43
Caracterı́sticas principais:
• Forma de “sino”
• Máximo global para x = µ
• Simétrica relativamente a x = µ
• lim f (x) = lim f (x) = 0 (eixo xx é uma assimptota)

x→−∞ x→+∞
Para X ∼ N (µ, σ), de densidade f ,

Z +∞
• f (x) dx = 1
−∞
Z b
1 1 x−µ 2
• P (X ∈ [a, b]) = √ e− 2 ( σ ) dx = ...!?
a 2πσ
• P (X > µ) = P (X < µ) = 0.5.
Parâmetros
Mostra-se que
E(X) = µ (parâmetro de localização)

V (X) = σ 2 =⇒ σ(X) = σ (parâmetro de dispersão)
44
Caso particular: µ = 0 e σ = 1.
• A distribuição N (0, 1) é chamada normal estandardizada (standard ) ou normal centrada e reduzida.
• Se Z ∼ N (0, 1) então
Z z
1 1 2
FZ (z) = P (Z ≤ z) = √ e− 2 t dt, ∀z ∈ IR.
−∞ 2π
• Estão disponı́veis (em tabelas ou máquinas de calcular) as probabilidades FZ (z), para alguns valores de z.
Em particular, nas tabelas de PE podem ser consultadas as probabilidades FZ (z), para alguns z ≥ 0!
Propriedades da Lei Normal

X−µ
1. Se X ∼ N (µ, σ) então Z = ∼ N (0, 1).
σ

a−µ X −µ b−µ
•P (a < X < b) = P < <
σ σ σ

a−µ b−µ
= P <Z <
σ σ

b−µ a−µ
= FZ − FZ
σ σ
2. Se X ∼ N (µ, σ) e a, b ∈ IR (a 6= 0) então
√
Y = aX + b ∼ N aµ + b, a2 σ 2
3. (Estabilidade da Lei Normal)

Sejam X1 , X2 , ...Xn v.a.’s independentes e tais que Xi ∼ N (µi , σi ), com µi ∈ IR e σi ∈ IR+ para i = 1, 2, ..., n.
Então
 v 
n n u n
X X uX
ai X i ∼ N  a i µi , t a2i σi2 
i=1 i=1 i=1
“a combinação linear de v.a.’s independentes com distribuição normal é (ainda) uma v.a. normalmente
distribuı́da”
45
Casos particulares
Sejam X1 , X2 , ...Xn v.a.’s independentes e tais que Xi ∼ N (µ, σ), com µ ∈ IR e σ ∈ IR+ para i = 1, 2, ...n.
Então
n
X √
Xi ∼ N nµ, nσ
i=1
n
1X σ
Xi ∼ N µ, √
n i=1 n
Teorema do Limite Central (T.L.C.)
Sejam X1 , X2 , ..., Xn uma sequência de variáveis aleatórias independentes e identicamente distribuı́das com
E(X) = µ e V (X) = σ 2 . Para n suficientemente grande, tem-se
X − E(X) √ X − µ
= n ∼
˙ N (0, 1).
σ(X) σ
Notas
• A aproximação à Normal centrada e reduzida pode ser efetuada na prática para n > 30; no entanto, esta
será tanto melhor quanto maior for o valor de n.
• Se a população é normal, isto é, X ∼ N (µ, σ) (caso já estudado) então

σ √ X −µ
X ∼ N µ, √ ⇒ n ∼ N (0, 1) (distribuição exata!)
n σ
O T.L.C. permite alargar este resultado a qualquer famı́lia, desde que se considere uma sequência de variáveis
aleatórias independentes e identicamente distribuı́das de tamanho bastante razoável!
Aproximações da Binomial e da Poisson à Normal
• Se X ∼ B(n, p) [E(X) = np e V (X) = np(1 − p)], para n suficientemente grande e p ∈]0.1, 0.9[,
p X − np
X∼
˙ N np, np(1 − p) ⇔ Z = p ∼
˙ N (0, 1)
np(1 − p)
Nota
n
X
Neste caso, X = Xi com Xi ∼ B(p) para i = 1, ..., n.
i=1
Exercı́cio: Deduza que

√ X −p
Zn = np ∼
˙ N (0, 1)
p(1 − p)
Se p ≤ 0.1 então X ∼
˙ P(np);
Se p ≥ 0.9 então Y = n − X ∼P(n(1
˙ − p))
46
• Se X ∼ P(λ) [E(X) = V (X) = λ], para λ suficientemente grande,
√ X−λ
˙ N λ, λ ⇒ Z = √
X∼ ∼
˙ N (0, 1)
λ
Nota
n
X
Neste caso, X = Xi com Xi ∼ P( nλ ) para i = 1, ..., n.
i=1
Notas
• A aproximação à Normal é tanto melhor quanto maior for o valor de n (no caso da Binomial) ou de λ (caso
da Poisson), mas na prática pode ser efetuada com resultados razoáveis desde que n > 20 ou λ > 20.
• Na aproximação de uma distribuição discreta à normal , como nos casos anteriores, deve estar presente que
a normal é uma distribuição contı́nua. Com o objetivo de reduzir o erro de aproximação é usual efetuar-se uma
correção de continuidade. Não a efetuaremos nas aulas de PE, mas fica a nota de que se X é uma v.a. discreta,
a correção de continuidade consiste em converter X numa v.a. contı́nua, do modo seguinte (por exemplo):
P (X = x) ≃ P (x − 0.5 ≤ X ≤ x + 0.5)
3.2.4 Distribuição Qui-Quadrado
Seja n ∈ IN. Diz-se que uma v.a. X tem distribuição Qui-quadrado com n graus de liberdade, e escreve-se
simbolicamente X ∼ χ2n , se X for uma variável contı́nua com função densidade
1
e− 2 x 2 −1 , ∀x ∈ IR+ ,
x n
f (x) =
2 2 Γ( n2 )
n
R +∞
onde Γ(α) = 0 xα−1 e−x dx, α > 0 (chamada função Gama)
n
X
• Se Z1 , Z2 , ..., Zn são v.a.’s independentes e identicamente distribuı́das com Zi ∼ N (0, 1), então Zi2 ∼ χ2n .
i=1
• Se X ∼ χ2n então
E(X) = n
V (X) = 2n
47
Notas
• A distribuição Qui-quadrado é uma distribuição assimétrica, enviesada à direita. À medida que o número
de graus de liberdade n aumenta, o enviesamento diminui e aproxima-se da distribuição normal.
• A distribuição Qui-quadrado tem um papel fundamental no estudo da variância de uma população, como
veremos mais tarde.
• Tabela de PE :
Seja X ∼ χ2n .
Para alguns valores de n ∈ IN e p ∈]0, 1[, pode ser consultado na Tabela de PE o quantil de ordem p de X,
isto é, xp :
−1
P (X ≤ xp ) = p ⇔ FX (xp ) = p ⇔ xp = FX (p).
3.2.5 Distribuição t-Student
Seja n ∈ IN. Diz-se que uma v.a. X tem distribuição t-Student com n graus de liberdade, e escreve-se
simbolicamente X ∼ tn , se X for uma variável contı́nua com função densidade
− n+1
Γ( n+1
2 ) x2 2
f (x) = √ 1+ , ∀x ∈ IR,
nπ Γ( n2 ) n
com Γ a função Gama.
• Se Z e Y são v.a.’s independentes tais que Z ∼ N (0, 1) e Y ∼ χ2n , então
Z
q ∼ tn .
Y
n
• Se X ∼ tn então
E(X) = 0 se n > 1 (centrada; para n = 1 não existe esperança de X)
n
V (X) = n−2 se n > 2
48
Notas
• A distribuição t-Student é uma distribuição simétrica relativamente a x = 0 e tem forma de “sino”, tal
como a normal, mas a t-Student tem caudas mais “pesadas”. À medida que o número de graus de liberdade
n aumenta (n > 30), aproxima-se da distribuição normal centrada e reduzida.
• A distribuição t-Student tem um papel fundamental no estudo da esperança de uma população.
• Tabela de PE : Para X ∼ tn , pode ser consultado o quantil de ordem p de X, para alguns valores de
n ∈ IN e p ∈]0, 1[.
49
Exercı́cios
CAPÍTULO III - Variáveis Aleatórias e Distribuições de Proba-

bilidade Contı́nuas
1. Uma estação de serviço enche os seus depósitos uma vez por semana. A quantidade de combustı́vel procurada
por semana é uma variável aleatória (v.a.) X com função densidade f , definida por

5(1 − x)4 se 0 < x ≤ 1
f (x) = .
0 se x ≤ 0 ∨ x > 1
Esboço do gráfico de f
(a) Qual a probabilidade de, numa semana qualquer, a quantidade de combustı́vel procurada naquela
estação de serviço não exceder 0.5 (unidades de medida)? Interprete geometricamente o resultado
obtido.
(b) A função distribuição de X é dada por

 0 , x<0
F (x) = 1 − (1 − x)5 , 0≤x<1 .

1 , x≥1
Esboço do gráfico de F
Usando F , determine:
i. P (0.2 < X < 0.5);
ii. a capacidade dos depósitos por forma a que a probabilidade de se esvaziarem numa determinada
semana seja de 5%.
2. O tempo diário (em horas) de acesso à internet por uma determinada pessoa é representado por uma v.a.
X com função densidade e função distribuição dadas, respetivamente, por
50

  0 , x<0
 1
x se 0 ≤ x ≤ 5 
 x2
1
25
50 , 0≤x≤5
f (x) = (10 − x) se 5 < x ≤ 10 e F (x) = (10−x)2 .
 25 
0 se x < 0 ∨ x > 10  1−
 50 , 5 ≤ x ≤ 10
1 , x > 10
175
Assuma que E(X) = 5 e E(X 2 ) = 6 .
(a) Considere a v.a. Y = 2X − 5. Calcule E(Y ) e V (Y ).

(b) Considere os acontecimentos: A = {X ≥ 5}, B = {X < 5} e C = {2.5 ≤ X < 7.5}.
i. Calcule P (A), P (A/B) e P (A/C).
ii. Verifique se A e B são independentes.
3. Seja X uma v. a. com função densidade f , cujo esboço gráfico é apresentado na figura seguinte, onde k, a,
e b são constantes reais. Note que f (x) = 0, ∀ x ∈ IR\[a, b].
Determine:
(a) o valor da constante k;
(b) o valor esperado, variância e desvio padrão de X;
(c) a função distribuição de X.
4. Alguns cabos utilizados nas instalações de telefones podem ser reaproveitados. Assume-se que o comprimento
dos cabos segue uma lei Uniforme no intervalo de 1 a 15, U[1,15] , polegadas. Para um cabo escolhido ao acaso,
calcule:
(a) o seu comprimento médio e mediana;
(b) a sua variância e desvio padrão;
(c) a probabilidade de que o seu comprimento seja superior a 5 polegadas;
(d) a probabilidade de que o seu comprimento se situe entre 0 e 8 polegadas.
5. A duração de vida, em milhares de horas, de uma componente de certo tipo de aparelho de radar é uma v.
a. X com distribuição Exponencial de parâmetro 0.1, isto é, com função densidade e distribuição:

0 se x ≤ 0 0 se x ≤ 0
f (x) = −0.1x F (x) = −0.1x .
0.1 e se x > 0 1− e se x > 0
(a) Determine a probabilidade de uma componente, escolhida ao acaso, durar menos de 4 mil horas.
(b) Indique a duração média de vida de uma componente e o respetivo desvio padrão.
6. Seja X uma variável aleatória real cujas funções densidade e distribuição são respetivamente


 0 , x<6
( 

0 , x∈ / [6, 12] 

x−6
f (x) = 1 F (x) = , 6 ≤ x < 12
, 6 ≤ x ≤ 12 
 6
6 



1 , x ≥ 12
(a) Calcule o valor esperado de X.
51
1
(b) Sabendo que E(X 2 ) = 84 e considerando Y = X − 2 determine
4
i. o valor esperado e a variância de Y ;
ii. a probabilidade da variável aleatória Y não assumir valores positivos.
7. A tensão de corrente X numa instalação eléctrica tem distribuição Normal de média 220 V e desvio padrão
2 V ; X ∼ N (220, 2).
Gráfico da densidade da lei N (220, 2) Gráfico da densidade da lei N (0, 1)
Recorrendo à lei Normal standard, calcule:

(a) P (X > 223); (b) P (220 < X < 223); (c) P (X < 218); (d) P (X≤223/X > 221).
8. Uma empresa fabrica parafusos cujo comprimento é uma v. a. X com distribuição normal de média 0.25 cm
e desvio padrão 0.02 cm. Considera-se defeituoso um parafuso cujo comprimento não pertença ao intervalo
]0.2, 0.28[. Calcule a proporção de parafusos defeituosos.
9. O erro de medição do comprimento do raio de um cı́rculo, em mm, é uma variável aleatória X com distribuição
normal de média zero e desvio padrão σ.
(a) Calcule σ de modo a que 9.85% das medições apresentem erros superiores a 6.45 mm.
(b) Determine a percentagem de medições cujo erro varia entre −1 e 1 mm.
10. Determinada empresa opera no mercado da União Europeia na área da distribuição de encomendas. A entrega
de encomendas é executada em duas etapas. O tempo de entrega duma encomenda na primeira etapa tem
distribuição normal de média 24h e desvio-padrão 4h, enquanto que o tempo de entrega na segunda etapa,
que leva finalmente a encomenda ao destinatário, segue distribuição normal de média 8h e desvio-padrão 3h.
Os tempos nas duas etapas são independentes.
(a) Calcule a probabilidade do tempo de entrega duma encomenda na primeira etapa exceder 12h.
(b) Sabendo que na primeira etapa uma encomenda demorou mais de 24h, qual a probabilidade de ser
entregue ao destinatário durante as próximas 8h?
(c) Qual a probabilidade duma encomenda ser entregue ao destinatário num perı́odo superior a dois dias
após o seu envio?
11. O tempo de combustão de uma fita de magnésio de diâmetro A é normalmente distribuı́do de média µA =
420 seg e desvio padrão σA = 80 seg; para outra fita de diâmetro B, o tempo de combustão é também
normalmente distribuı́do mas com µB = 280 seg e σB = 45 seg. Admitindo independência entre os tempos
de combustão das fitas tipos A e B, calcule:
(a) a probabilidade de o tempo de combustão de uma fita tipo A variar entre 400 e 480 seg;
(b) a probabilidade de o tempo de combustão de uma fita de diâmetro B ser superior ao de uma fita de
diâmetro A.
52
12. O peso de uma peça, produzida com determinado material, segue uma distribuição normal de média 140 g e
variância 625 g 2.
(a) Determine a probabilidade de uma peça ter peso superior a 120 g, sabendo que o seu peso não excede
150 g.
(b) As peças deste tipo são embaladas em caixas contendo 50 unidades. O peso de cada caixa também é
aleatório, normalmente distribuı́do de média 1 kg e desvio-padrão 20 g.
Determine a probabilidade de o peso de uma caixa completa exceder 8.5 kg.
(c) Qual a probabilidade de, numa caixa completa, no máximo uma das peças ter peso superior a 150 g?
13. Suponha que o consumo de água num dado dia da semana, numa determinada localidade, segue uma dis-
tribuição normal de média 200 m3 e desvio padrão 10 m3 . A capacidade do reservatório que abastece a
localidade (e apenas esta) é de 4240 m3 . Sempre que o nı́vel de água no reservatório cai 10% abaixo da sua
capacidade é acionado um sistema de alarme.
(a) Qual a probabilidade de o consumo de água, num dado dia da semana, estar compreendido entre 200
e 210 m3 ?
(b) Suponha que num dado dia a quantidade de água no reservatório se situa 5 % abaixo da sua capa-
cidade; o abastecimento do referido reservatório processa-se, nesse dia, a uma taxa que segue uma
distribuição normal de média 100 m3 e desvio padrão 30 m3 . Supondo que consumo e abastecimento
são independentes, qual a probabilidade de o alarme ser acionado?
14. O diâmetro (exterior) de um eixo produzido por uma empresa é uma variável aleatória X com distribuição
normal de valor médio 10 cm e desvio padrão 0.02 cm. Um eixo satisfaz as especificações (da empresa) se
o seu diâmetro diferir em valor absoluto do respetivo valor esperado de, no máximo, 0.05 cm. Um eixo que
verifique as especificações é vendido pela empresa com um lucro de 5 euros; caso contrário, é devolvido à
empresa, causando-lhe um prejuı́zo de 1 euro.
(a) Calcule a probabilidade de um eixo verificar as especificações da empresa.
(b) Defina a variável aleatória que representa o lucro obtido pela empresa com a venda de um eixo. Qual
o valor esperado e a variância do lucro que um eixo, escolhido ao acaso, dará à empresa.
(c) Determine a probabilidade de a empresa ter um lucro total superior a 490 euros num lote de 100 eixos,
selecionados aleatória e independentemente da produção.
15. Admita que foi realizado um estudo sobre as despesas mensais de alojamento de um estudante em Coimbra.
Nesse estudo apurou-se que essa despesa obedece a uma distribuição normal de média 250 euros e desvio-
padrão 50 euros.
(a) Qual a probabilidade de um estudante, escolhido ao acaso, gastar mais de 324.5 euros por mês em
alojamento?
(b) Suponha que a Câmara de Coimbra concluiu que 20% dessas despesas de alojamento são demasiado
elevadas. Qual o valor, arredondado às unidades, a partir do qual se considera que essas despesas são
demasiado elevadas?
(A) 210e (B) 207e (C) 290e (D) 292e
(c) Considere agora que se reuniu uma amostra com despesas de alojamento de 64 estudantes. Qual é a
probabilidade da despesa média com alojamento desses estudantes estar compreendida entre 250 euros
e 262.5 euros?
16. Seja X variável aleatória com distribuição normal de valor médio 10 kg e desvio padrão 2 kg, que representa a
quantidade de lixo orgânico produzido semanalmente por cada agregado familiar numa determinada cidade.
O departamento de gestão da recolha do lixo da Câmara Municipal dessa cidade, considera que a quantidade
expectável de lixo produzido por agregado familiar se situa entre os 8 e os 12 kg.
(a) Determine a probabilidade de que um agregado familiar, escolhido ao acaso, produzir semanalmente
uma quantidade de lixo expectável.
53
(b) Qual a probabilidade de que em 10 agregados familiares, escolhidos aleatoriamente, pelo menos 2
produzam uma quantidade fora dos parâmetros esperados?
(c) Admita que o camião que recolhe o lixo orgânico para compostagem naquela zona tem uma capacidade
de recolha de 1.3 toneladas. Determine a probabilidade do lixo orgânico de 120 agregados familiares
poder ser recolhido apenas com uma só viagem do referido camião.
17. Em certos ambientes controlados, com uma infraestrutura de rede estável com configurações de servidor
consistentes e baixa variabilidade na carga de trabalho, podemos admitir que o tempo de resposta do servidor
segue uma distribuição normal. Suponha que se pretendem comparar dois servidores independentes com estas
caracterı́sticas. O tempo de resposta do servidor A segue uma distribuição normal de média 200 milissegundos
e desvio padrão 20 milissegundos e o tempo de resposta do servidor B segue uma distribuição normal de
média 180 milissegundos e desvio padrão 30 milissegundos.
(a) Determine a probabilidade de pelo menos um dos servidores ter um tempo de resposta inferior a 180
milissegundos.
(b) Em 10 acessos independentes aos servidores A e B, determine a probabilidade do tempo médio de
resposta do servidor B ser inferior ao tempo médio de resposta do servidor A.
(c) O tempo de resposta do servidor A supera em pelo menos t milissegundos o tempo de resposta do
servidor B no máximo em 65% dos casos. O valor mı́nimo de t arredondado às unidades é
(A) 6 (B) 33 (C) 7 (D) 34
18. Considere que existem quatro etapas consecutivas de processamento e análise de imagens para posterior
integração em apps. O tempo médio gasto em cada uma dessas etapas pelo algoritmo A é, respetivamente,
10.5, 10.8, 10.4 e 10.7 milissegundos. Admite-se que os tempos dispendidos em cada etapa são independentes
e têm distribuições normais cujos desvios-padrão são, respetivamente, 0.2, 0.4, 0.4 e 0.6.
(a) Estabeleça um limite mı́nimo para o tempo gasto pelo algoritmo A em 98% dos casos.
(b) Se o tempo total gasto nas 4 etapas pelo algoritmo B seguir uma distribuição normal de média 42.6
milissegundos e variância 0.9, a probabilidade deste algoritmo ser mais rápido que o algoritmo A é,
usando 4 casas decimais,
(A) 0.3187 (B) 0.4376 (C) 0.5624 (D) 0.6813
19. Um inspetor de controlo de qualidade rejeita qualquer lote de rolamentos esféricos se 3 ou mais defeituosos
são encontrados num lote de 20 testados. Admita que a probabilidade de um rolamento ser defeituoso é 20%.
(a) Determine a probabilidade de o lote ser rejeitado.
(b) Qual o número esperado de rolamentos defeituosos num lote?
(c) Admitindo que vai analisar um lote de 100 rolamentos, calcule um valor aproximado para a probabili-
dade de encontrar pelo menos 24 defeituosos.
20. O número de vı́rus detetados por mês por um departamento de informática segue uma lei de Poisson de
média 5.
(a) Se num determinado mês se detetaram menos de 5 vı́rus, qual a probabilidade de terem sido detetados
exactamente 4 vı́rus?
(b) Identifique a distribuição do número de vı́rus detetados durante um ano (12 meses consecutivos). Para
esse perı́odo de tempo, calcule um valor aproximado para a probabilidade de se detetarem pelo menos
40 vı́rus.
21. O tempo de execução, em segundos, de um determinado algoritmo varia linearmente com a dimensão do
problema, em milhares de unidades, segundo a seguinte função densidade de probabilidade e correspondente
função distribuição
54

 0 , x<0

ax , 0 ≤ x ≤ 2 ax2
f (x) = ; F (x) = , 0≤x≤2 .
0 , outros valores de x 
 2
1 , x>2
4 2
sendo o seu valor esperado igual a com uma variância de .
3 9
(a) Prove que o valor da constante a é 0.5.
(b) Sabe-se que, para problemas de uma certa dimensão, o tempo de execução do algoritmo não ultrapassa
1 segundo. Para problemas dessa dimensão, a probabilidade do tempo de execução ser superior a 0.5
segundos é:
(A) 0.5000 (B) 0.1875 (C) 0.7500 (D) 0.2500
(c) Considere X1 , X2 , . . . , X100 , 100 variáveis aleatórias independentes e identicamente distribuı́das com
X, correspondentes aos tempos de execução do algoritmo para 100 problemas diferentes.
100
X
i. Deduza a lei aproximada da variável aleatória Xi .
i=1
ii. Determine a probabilidade do tempo total de execução dos 100 problemas ser no máximo 2 minutos.
22. O tempo de execução, em segundos, de um determinado algoritmo varia quadraticamente com a dimensão do
problema, em milhares de unidades, segundo a seguinte função densidade de probabilidade e correspondente
função distribuição

(  0 , x<0
2  2
x + 2x2 , 0 ≤ x ≤ 1 x (2x + 1)
f (x) = 3 ; F (x) = , 0≤x≤1 .
0 , outros valores de x 
 3
1 , x>1
sendo o seu valor esperado igual a 0.7222 com uma variância de 0.0451.
(a) Se numa dada altura já passaram 0.5 segundos desde o inı́cio da execução do algoritmo, a probabilidade
desta terminar nos próximos 0.2 segundos é:
(A) 0.2704 (B) 0.2253 (C) 0.0187 (D) 0.5
(b) Considere X1 , X2 , . . . , Xn , n variáveis aleatórias independentes e identicamente distribuı́das com X,

correspondentes aos tempos de execução do algoritmo para n problemas diferentes.
n
1X
i. Deduza, para n > 30, a lei aproximada da variável aleatória X = Xi .
n i=1
ii. Supondo n = 31, determine a probabilidade do tempo médio de execução de 31 problemas ser no
máximo 0.68 segundos.
23. Considere que o tempo de viagem de autocarro entre Coimbra e Porto segue uma distribuição Uniforme
entre 80 a 90 minutos.
(a) Sabendo que já decorreram 82 minutos desde o inı́cio da viagem, a probabilidade da chegada não se
realizar dentro de 5 minutos é
(A) 0 (B) 0.5 (C) 0.375 (D) 0.625
(b) Numa amostra aleatória de 31 viagens, qual a probabilidade de a média dos tempos de viagem ser
inferior a 85 minutos?
24. Um monitor emite um sinal de alerta quando uma ação é necessária como parte de um processo de produção.
O intervalo, X (em horas), entre sinais sucessivos segue uma distribuição exponencial com as seguintes
funções densidade e distribuição, respetivamente.
55

0 se x < 0 0 se x<0
f (x) = −0.08x ; F (x) = −0.08x .
0.08 e se x ≥ 0 1− e se x≥0
(a) A probabilidade do intervalo entre dois sinais consecutivos ser superior a 10 horas e inferior a 20 horas
é:
(A) 0.2474 (B) 0.6512 (C) 0.6680 (D) 0.2306
(b) Qual é a média e o desvio-padrão do intervalo entre dois sinais consecutivos?
56
CAPÍTULO III - Soluções dos Exercı́cios
3. Variáveis Aleatórias e Distribuições de Probabilidade Contı́nuas
1. (a) 0.9688 (b) i. 0.2965 ii. 0.45

50
2. (a) 5; 3 (b) i. 0.5, 0, 0.5 ii. Não.

1 2
b + a (b − a) b − a  0x − a
 , x<a
3. (a) (b) , , √ (c) F (x) = , a≤x<b
b−a 2 12 12 
 b−a
1 , x≥b
4. (a) 8; 8 (b) 16.33; 4.04 (c) 0.7143 (d) 0.5
5. (a) 0.33 (b) 10; 10 (milhares de horas)
3 1
6. (a) 9 (bi) E(Y ) = 0.25 e V(Y ) = (bii)
16 3
7. (a) 0.0668 (b) 0.4332 (c) 0.1587 (d) 0.7835
8. 0.073
9. (a) ≈ 4 (b) 0.2019
10. (a) 0.99865 (b) 0.5 (c) 1−0.999313 ≃ 0
11. (a) 0.3721 (b) 0.063
12. (a) 0.6766 (b) 0.0025 (c) ≃ 0
13. (a) 0.3413 (b) 0.2 × 10−3
14. (a) 0.9876 (b) E(L) = 4.9256e e V(L) = 0.4409 (c) 0.6502
15. (a) 0.0681 (b) D (c) 0.4773
16. (a) 0.6827 (b) 0.8759 (c) ≃ 1
17. (a) 0.5794 (b) 0.9603 (c) C
18. (a) 40.6574 (b) B
19. (a) 0.7939 (b) 4 (c) ≃ 0.16
20. (a) 0.3984 (b) P (60); ≃ 0.995
R2 100
X √
400 200
21. (a) Note que 0
f (x) dx = 1 (b) C (ci) Xi ∼
˙ N 3 , 3 (cii) 0.0023
i=1
q
22. (a) A ˙ N 0.7222, 0.0451
(bi) X ∼ n (bii) 0.1340
18. (a) D (b) 0.5

23. (a) A (b) E(X) = 12.5h; σ(X) = 12.5h
57
4 Capı́tulo IV - Amostragem e Distribuições Amostrais
Neste capı́tulo serão dadas algumas noções e resultados teóricos fundamentais em Estatı́stica. O estudo de carac-
terı́sticas populacionais, a partir de amostras, assenta nestes resultados.
4.1 Amostra Aleatória. Estatı́sticas
População X y
Amostra AleatóriaX1 , X2 , ..., Xn
Definições
Uma amostra aleatória da v.a. X é um conjunto de n v.a.’s X1 , X2 , ..., Xn independentes e com a mesma
distribuição de X (dizem-se independentes e identicamente distribuı́das (i.i.d.) com X).
Estatı́stica é uma função da amostra aleatória, e logo uma variável aleatória, cuja expressão não contém
parâmetros desconhecidos.
Sejam X1 , X2 , ..., Xn uma amostra aleatória de X.

• A média da amostra ou média amostral, denotada por X, é dada por
n
1X
X= Xi
n i=1
• A variância da amostra ou variância amostral, denotada por Sn2 , é dada por

n
1 X 2
Sn2 = Xi − X
n − 1 i=1
p
• O desvio padrão amostral é dado por Sn = Sn2 .
n
1 X 2 n 2
Exercı́cio: Verifique que Sn2 = X − X .
n − 1 i=1 i n−1
A média e a variância amostrais são estatı́sticas (especiais no nosso estudo) e, logo, variáveis aleatórias, com
distribuições próprias, com parâmetros de localização e dispersão, que dependem da população em estudo. As suas
distribuições são designadas distribuições amostrais.
58
4.2 Distribuição da Média Amostral
Considere-se uma amostra aleatória X1 , X2 , ..., Xn da v.a. (população) X com parâmetros E(X) = µ e V (X) = σ 2 .
Usando propriedades da esperança e da variância, verifica-se que:
σ2 σ
E(X) = µ e V (X) = ⇒ σ(X) = √ .
n n
Distribuições da média amostral X:
• Usando o Teorema do Limite Central (Capı́tulo III) podemos concluir para n suficientemente grande que
√ X −µ
n ∼
˙ N (0, 1).
σ
• Se X ∼ N (µ, σ),
√ X −µ
n ∼ N (0, 1)
σ
√ X −µ
n ∼ tn−1
Sn
4.3 Distribuição da Variância Amostral

n−1 2
• Se X ∼ N (µ, σ), Sn ∼ χ2n−1
σ2
59
Exercı́cios
CAPÍTULO IV - Amostragem e Distribuições Amostrais
1. A quantidade de chuva que cai por dia, expressa em litros por metro quadrado, pode ser descrita por uma
v. a. X com distribuição contı́nua, admitindo a densidade
21

8192×107 40x5 − x6 se 0 ≤ x ≤ 40
f (x) = .
Admita que E(X) = 30 e V (X) = 33.33 .

Sejam X1 , X2 , . . . , X100 uma amostra aleatória de X, com Xi a quantidade de chuva, em litros por metro
quadrado, que cai no i-ésimo dia, i = 1, ..., 100 .
(a) Indique as propriedades de que as v. a.’s que constituem a amostra aleatória de X gozam.
100
1 X
(b) Considere a v.a. X 100 = Xi .
100 i=1
i. Calcule o valor médio e a variância de X 100 .

X − 30
ii. Justifique que ∼˙ N (0, 1).
0.577
iii. Calcule uma aproximação para o valor de P 28.5 < X 100 ≤ 31.5 . Interprete o resultado.
2. A energia em Joules (J) de qualquer partı́cula de um sistema é uma variável aleatória com distribuição Expo-
nencial de parâmetro 2. A energia do sistema é a soma da energia das suas partı́culas que são independentes.
Admita que determinado sistema β contém 1600 partı́culas.
(a) Indique, justificando, a lei aproximada da energia do sistema β.
(b) Calcule a probabilidade (aproximada) da energia do sistema β variar entre 780 e 840 J.
3. O erro de medição do comprimento do raio de um circulo, em mm, é uma variável aleatória X com distribuição
normal de média zero e desvio padrão 5. Considere uma amostra aleatória X1 , X2 , ..., X10 , daquela população,
e as seguintes estatı́sticas:
10
1 X 5X1 + 5X10
T1 = Xi T2 =
10 i=1 10
(a) Indique (justificando) as distribuições amostrais de T1 e de T2 .

(b) Calcule e interprete P (T1 > 3).
2 8
4. Seja X uma medida aleatória de valor esperado e variância . Considere uma amostra aleatória de X,
3 9
n
1X
X1 , X2 , . . . , Xn , e a média dessa amostra X n = Xi .
n i=1
(a) Para n ∈ IN, suficientemente grande, qual a lei de X n ? Justifique.

(b) Qual deverá ser a dimensão mı́nima da amostra para que P (X n > 0.8) ≤ 0.0119?
5. As normas ambientais em vigor exigem que a concentração diária de certo poluente não exceda 120 ng/m3 (na-
nogramas por metro cúbico). Admita que essa concentração segue uma lei normal de valor esperado 100 e
desvio padrão 9.71 ng/m3 , e que as concentrações em dias distintos são independentes.
(a) Mostre que em 1.97% dos dias as normas ambientais não são cumpridas.
(b) Qual a probabilidade da concentração média em 15 dias, escolhidos aleatoriamente, exceder 120 ng/m3 ?
60
Capı́tulo IV - Soluções dos Exercı́cios
4. Amostragem e Distribuições Amostrais
1. (b) i. 30; 0.3333 ii. X 100 ∼

˙ N (30, 0.577) iii. 0.9906
S−800
2. (a) √
400
∼
˙ N (0, 1) (b) 0.8185
√
3. (a) T1 ∼ N (0, √510 ) ; T2 ∼ N (0, 12.5) (b) 0.0294
q
4. ˙ N ( 32 , 9n
(a) X n ∼ 8
) (b) 256
5. (b) ≃ 0
61
5 Capı́tulo IV Estimação
5.1 Introdução
Problema
Seja X a v.a. em estudo, com função de probabilidade/densidade f (x, θ), onde θ é um (ou mais) parâmetro(s)
desconhecido(s).
Que valor(es) atribuir a θ ? Ou a g(θ) ?
Exemplos
λx
• X ∼ P(λ) f (x, λ) = e−λ , ∀x ∈ IN0 −→ θ = λ
x!
1
• X ∼ E(λ) f (x, λ) = λ e−λx 1 [0,+∞[ (x) −→ θ = λ, g(λ) =
λ
1 1 x−µ 2
• X ∼ N (µ, σ) f (x, µ, σ) = √ e− 2 ( σ ) , ∀x ∈ IR −→ θ = (µ, σ)
2πσ
População X y
Amostra AleatóriaX1 , X2 , ..., Xn
↓
Inferência Estatı́stica
Parâmetros Populacionais Caracterı́sticas Amostrais

n
1X
E(X) = µ X= Xi
n i=1
n
1 X 2
V (X) = σ 2 , σ(X) = σ, ... Sn2 = Xi − X , Sn , ...
n − 1 i=1
5.2 Estimação Pontual

Definições
Estimador é qualquer Estatı́stica usada para estimar um parâmetro populacional (ou função desse parâmetro).
Estimativa é um valor do estimador para uma amostra em concreto.
Notação Estimador do parâmetro θ → Θ b
62
Exemplos
População X −→ a.a. X1 , X2 , ..., Xn −→ concretização da a.a. x1 , x2 , ..., xn

↓ ↓ ↓
n n
1X 1X
µ µ
b=X = Xi x= xi
n i=1 n i=1
n n
1 X 2 1 X 2
σ2 b2 = Sn2 =
σ Xi − X s2n = (xi − x)
n − 1 i=1 n − 1 i=1
..
.
(parâmetros (Estimador) (Estimativa)
desconhecidos)
Observação
Os valores possı́veis de um Estimador (note-se v.a.) são as estimativas obtidas em cada concretização da
amostra aleatória.
Algumas propriedades de um (bom) Estimador:

b do parâmetro θ diz-se cêntrico (ou centrado ou não enviesado) se E( Θ
• Um estimador Θ b ) = θ.
• Um estimador Θ b do parâmetro θ diz-se enviesado se não for cêntrico e o seu enviesamento é dado por
b b
viés( Θ ) = E( Θ ) − θ.
• A eficiência de um estimador cêntrico Θb é dada por V ( Θ
b ).
Assim, dados dois estimadores cêntricos do parâmetro θ , Θb1 e Θ
b2 , Θ
b 1 diz-se mais eficiente do que Θ
b2
b b
se V ( Θ1 ) < V ( Θ2 ).
Entre estimadores não enviesados, é dada preferência ao estimador com menor variância, isto é, ao mais eficiente.
Exemplo
Considerando duas amostras aleatórias de uma população X, de tamanhos n e m, respectivamente, com n > m,
as médias amostrais X n e X m são estimadores cêntricos de µ = E(X). No entanto, X n é mais eficiente do que
X m . De facto,
V (X) V (X)
V (X n ) = < V (X m ) =
n m
b do parâmetro θ é dada pelo seu erro quadrático médio (EQM),
• A eficiência de um estimador Θ
definido por
b ) = E[ (Θ
EQM ( Θ b − θ)2 ] = V ( Θ
b ) + [viés( Θ
b ) ]2 .
Entre estimadores enviesados e não enviesados, é dada preferência ao estimador com menor erro quadrático
médio (o mais eficiente). Note-se que um estimador Θ b 1 enviesado pode ser mais eficiente do que um estimador
b b b
cêntrico Θ2 , bastando que EQM ( Θ1 ) < V (Θ2 ).
63
5.3 Estimação por Intervalos
Como determinar um intervalo no qual se espera encontrar, com uma certa confiança, o valor de um parâmetro
populacional θ (ou de g(θ) )?
Definição
Um intervalo de confiança (1 − α)% para o parâmetro θ (ou g(θ)) é um intervalo aleatório ]L1 , L2 [, com L1 e
L2 duas estatı́sticas amostrais (v.a.’s) tais que
P (L1 < θ < L2 ) = 1 − α.
( θ ∈]L1 , L2 [ com probabilidade 1 − α )

• 1 − α é a probabilidade do intervalo conter θ (o grau de confiança atribuı́do ao intervalo);
• α ∈]0, 1[ é a probabilidade do intervalo não conter θ (valor preferencialmente pequeno).
Como calcular L1 e L2 ?
Método da Variável Fulcral
Seja X uma variável aleatória cuja distribuição contém um parâmetro θ desconhecido. Pretende-se um intervalo
de confiança (1 − α)% para θ (ou para g(θ)).
Considere-se uma amostra aleatória X1 , X2 , ..., Xn , de X.
Nota: Variável Fulcral é uma função da amostra aleatória X1 , X2 , ..., Xn e do parâmetro θ, mas com distri-
buição (exata ou aproximada) independente de θ.
1- Escolher a Variável Fulcral Zn (tabelas da disciplina)

2- Determinar z1 , z2 ∈ IR: P (z1 < Zn < z2 ) = 1 − α
α α
Nota: z1 : P (Zn < z1 ) = ∧ z2 : P (Zn < z2 ) = 1 −
2 2
3- Com z1 e z2 conhecidos, encontrar
L1 ≡ L1 (X1 , X2 , ..., Xn ) e L2 ≡ L2 (X1 , X2 , ..., Xn )
tais que
P (z1 < Zn < z2 ) = 1 − α ⇔ P (L1 < θ < L2 ) = 1 − α
( θ ∈]L1 , L2 [ com probabilidade 1 − α )
4- Para uma amostra particular x1 , x2 , ..., xn , determinar estimativas para L1 e L2 , respectivamente,

l1 ≡ l1 (x1 , x2 , ..., xn ) e l2 ≡ l2 (x1 , x2 , ..., xn )
Obtém-se, assim, uma estimativa para o intervalo de θ, calculado com confiança (1 − α)%,
ICθ =]l1 , l2 [
Nota: O intervalo ]L1 , L2 [ é aleatório, com probabilidade 1 − α de conter θ; isto é, se forem recolhidas
amostras em número bastante elevado, espera-se que (1 − α)% dos intervalos estimados com base nessas
amostras contenha θ; o intervalo ]l1 , l2 [ é apenas uma estimativa, calculado com confiança (1 − α)%, mas ao
qual não se pode atribuir uma “probabilidade” de conter θ.
64
Exemplo
• Intervalo de confiança para o valor médio (caso de uma população normal com σ conhecido)
Seja (X1 , X2 , . . . , Xn ) uma amostra aleatória relativa à v.a. X ∼ N (µ, σ), sendo σ conhecido. Vimos que um
estimador para a média da população µ é dado pela estatı́stica X. Neste caso, segue-se que
X −µ
Zn = √ ∼ N(0, 1)
σ/ n
Fixado o valor de α e designando por zα/2 o valor tal que P (Z > zα/2 ) = α/2, tem-se
X −µ
P − zα/2 < Z < zα/2 = 1 − α ⇔ P − zα/2 < √ < zα/2 = 1 − α
σ/ n
σ σ
⇔ P X − zα/2 √ < µ < X + zα/2 √ = 1 − α
n n
Para uma realização da amostra aleatória, ou seja, uma amostra concreta (x1 , x2 , . . . , xn ), e designando por x
o valor concreto da estatı́stica X, tem-se que
o intervalo com (1 − α) × 100% de confiança para o parâmetro µ, numa população normal com σ
conhecido, é:

σ σ
µ ∈ x − zα/2 √ , x + zα/2 √
n n
65
Exercı́cios complementares
1- A resistência das cordas produzidas por determinada fábrica tem distribuição normal. A fábrica testou uma
amostra de 51 cordas tendo obtido uma resistência média de 300 Kg e desvio padrão 24 Kg.
(a) Determine um intervalo de confiança 95% para a resistência média deste tipo de cordas.
(b) Determine um intervalo de confiança 90% para o desvio padrão.
2- O conteúdo médio de nicotina de uma amostra de 10 cigarros de uma certa marca é de 1 mg (miligramas).
O laboratório sabe, pela longa experiência neste tipo de análise, que o conteúdo de nicotina é uma v.a. com
distribuição normal de desvio padrão 0.15 mg.
(a) Determine um intervalo de confiança 90% para o conteúdo médio de nicotina.
(b) Com a mesma confiança, quantos cigarros deveriam ser ana-lisados de modo a que o erro máximo
cometido na estimação não ultrapasse 0.01?
3- Realizou-se um inquérito telefónico para estimar a proporção da população de um paı́s, favorável a determi-
nada reforma fiscal.
No inquérito realizado a 50 pessoas, escolhidas aleatoriamente, 84% manifestou-se favorável à reforma fiscal.
Determine um intervalo de confiança 95% para a proporção da população favorável à reforma fiscal.
66
Exercı́cios
CAPÍTULO V - Estimação
1. Uma fábrica produz cabos eléctricos cujo diâmetro X (em milı́metros) segue uma lei Uniforme no intervalo
de 5 a 5 + θ, X ∼ U[5, 5+θ] , onde θ é um parâmetro real desconhecido.
Considere uma amostra aleatória (X1 , X2 , . . . , Xn ) de X (n ∈ IN).
(a) Considere o estimador de θ, dado por

n
!
1X
Θ̂n = 2 Xi − 5 .
n i=1
Prove que Θ̂n é um estimador cêntrico de θ.

(b) Seleccionaram-se aleatoriamente 20 cabos eléctricos da produção da fábrica e registaram-se os respec-
tivos diâmetros. Estes foram posteriormente classificados como indicado no quadro seguinte:
classes ]5, 5.2] ]5.2, 5.4] ]5.4, 5.6] ]5.6, 5.8] ]5.8, 6]
efectivos 4 3 5 4 4
i. Determine a média e a variância desta amostra.

ii. Indique uma estimativa cêntrica para θ, com base nesta amostra.
2. Seja (X1 , X2 , . . . , Xn ) uma amostra aleatória de dimensão n, n ∈ IN, de uma população X cuja lei de
probabilidade é caracterizada pela seguinte função densidade
(
2 x
1− se 0 < x < θ
fθ (x) = θ θ , onde θ ∈ IR+ .
Assuma que E(X) = θ3 .

n
X
(a) Mostre que Θ̂1 = Xi é um estimador enviesado de θ.
i=1
(b) Construa, a partir de Θ̂1 , um outro estimador de θ, Θ̂2 , que seja cêntrico.
(c) Suponha que se recolheu, ao acaso, uma amostra de X, de dimensão 100, (x1 , x2 , . . . , x100 ), para a qual
se constatou que x = 20.2 . Indique uma estimativa cêntrica de θ. Sugira uma estimativa para E(X).
3. Considere uma variável aleatória X cuja distribuição depende de um parâmetro θ, sendo E(X) = θ e
V (X) = θ2 + 1. De uma amostra aleatória de dimensão 320 sabe-se que x = 0.0694 e que s2 = 1.6748.
Indique, justificando, estimativas cêntricas para a média, para o desvio-padrão de X e para o parâmetro θ.
4. Seja X uma variável aleatória real cuja distribuição de probabilidade depende de um parâmetro desconhecido,
θ
θ, com θ ∈]0, 1[. Sabe-se que E(X) = .
4
nX1 −2X2 −Xn
(a) Recolheu-se uma amostra de X, X1 X2 , · · · , Xn com n > 2. O estimador T = 2 é um
estimador cêntrico de θ?
(A) Depende do valor de n (B) Não (C) Sim
(b) Foi recolhida uma amostra de X, de dimensão 40, cuja média é 0.125. A partir desta amostra uma
estimativa cêntrica de θ é
(A) 0.5 (B) 2 (C) 1 (D) Nenhuma das anteriores
67
5. Uma máquina de parafusos está regulada para produzir em série peças de diâmetro médio 150 mm. Admite-
se que os diâmetros são normalmente distribuı́dos. Uma amostra aleatória de 20 parafusos, extraı́da da
população, forneceu os seguintes valores:
20
X 20
X
xi = 2900; x2i = 432500.
i=1 i=1
Em face destes valores e utilizando um grau de confiança de 0.95, verifique se será de admitir irregularidade
de produção na máquina supondo:
(a) σ conhecido e igual a 25 mm;
(b) σ desconhecido.
6. Para estudar a tensão de ruptura de certo tipo de algodão fizeram-se 10 observações com os seguintes
resultados, em Kg:
7.4; 7.8; 7.1; 6.9; 7.3; 7.6; 7.3; 7.4; 7.7; 7.3
Admitindo que a tensão de ruptura segue uma distribuição normal com variância 0.08, determine:
(a) uma estimativa para a tensão de ruptura média;
(b) um intervalo com 95% de confiança para a tensão de ruptura média;
(c) se pretender que o erro dessa estimativa não ultrapasse 0.07, em 95 % dos casos, quantos elementos
deveria incluir na amostra?
7. Sabe-se que as classificações X de determinado curso são normalmente distribuı́das. Foi recolhida uma
amostra de 42 classificações para os quais se obteve
42
X 42
X
xi = 588 e x2i = 8400.
i=1 i=1
(a) Determine estimativas cêntricas para a média e para a variância da população.

(b) Qual o grau de confiança que permite afirmar que o verdadeiro valor da média se encontra no interior
de um intervalo de amplitude 1.224?
8. Mediu-se uma grandeza X 10 vezes, em condições idênticas, tendo-se obtido os seguintes resultados:
125.3; 124.8; 124.8; 125.1; 125.0; 125.1; 124.7; 125.4; 125.2; 125.0
Admitindo a normalidade da população, calcule:

(a) estimativas da média e do desvio-padrão da população;
(b) um intervalo de confiança para a média da população ao grau 0.98;
(c) um intervalo de confiança para o desvio padrão da população ao grau 0.95.
9. As medidas dos diâmetros de uma amostra aleatória de 200 rolamentos esféricos apresentam uma média de
0.824 polegadas e desvio padrão de 0.042 polegadas. Determine um intervalo com 99% confiança para o valor
médio dos diâmetros.
10. Um ecologista ao pretender investigar o nı́vel de poluição por mercúrio em determinado lago, retirou aleato-
riamente 20 peixes do referido lago e mediu a concentração de mercúrio nos mesmos. A amostra recolhida
foi resumida no seguinte quadro:
classes ]0, 1] ]1, 2] ]2, 3] ]3, 4] ]4, 5] ]5, 6]

efectivos 1 4 6 4 3 2
(a) Construa o histograma, e calcule a média e a variância da amostra.
68
(b) Admitindo a normalidade da população, determine um intervalo de confiança para a variância da
população em estudo, ao grau de confiança de 0.95. Que conclusão pode tirar sobre a variação do nı́vel
de poluição de peixe para peixe relativamente ao valor médio deste nı́vel?
11. Num laboratório registaram-se os seguintes pontos de fusão de chumbo (em ◦ C) numa amostra proveniente
de determinado fornecedor:
329; 345; 330; 328; 342; 334; 337; 341; 343
Assumindo a normalidade dos pontos de fusão:

(a) determine estimativas centradas para o ponto de fusão médio do chumbo e variância;
(b) o fornecedor garante que em 98% dos casos o ponto de fusão médio pode ser considerado 335; através
da determinação de um intervalo de confiança conveniente, o que pode dizer acerca da garantia do
fornecedor?
(c) indique um intervalo de confiança a 99% para o desvio padrão da população.
12. Seja X uma v.a. com distribuição normal N (µ, σ) e (X1 , X2 , ..., X9 ) uma amostra aleatória da população X.
Uma realização desta amostra conduziu ao seguinte intervalo de confiança para µ, a 90%: ]11.728, 12.472[.
(a) Determine estimativas para µ e σ 2 .
(b) Como varia a amplitude do intervalo de confiança para µ se:
i. aumentarmos apenas o grau de confiança?
ii. aumentarmos apenas a dimensão da amostra?
(c) Determine um intervalo de confiança a 90% para o desvio padrão σ da população .
13. Certa empresa opera recentemente no mercado da União Europeia na área da distribuição de encomendas.
O tempo de entrega duma encomenda, X, através desta nova empresa ainda não está bem caracterizado.
(a) Considere duas amostras aleatórias, X1 , X2 , ..., Xn e X1′ , X2′ , ..., Xm

′
, com m < n, de X.
i. Defina amostra aleatória.
ii. Mostre que as médias amostrais, respectivamente X n e X m , são estimadores centrados para o
tempo médio de entrega duma encomenda, e compare-os em termos de eficiência.
(b) A empresa garante que todas as encomendas chegam ao seu destinatário, em média, em menos de 48
horas, com uma variabilidade máxima de 8 horas.
Para avaliar este desempenho, foram recolhidos os tempos (em horas) relativos a uma amostra de 51
encomendas, tendo-se obtido os seguintes resultados:
51
X 51
X
xi = 3250; x2i = 277500.
i=1 i=1
O que pode concluir, com confiança 95%, sobre o desempenho da empresa relativamente às condições
de entrega referidas?
14. De uma população activa de 500 pessoas, de certa região, foram encontrados 41 desempregados. Determine
um intervalo de confiança a 95% para a taxa de desempregados dessa região.
15. Um grupo de cientistas defende a tese de que a taxa de mortalidade devida a certa doença é aproximadamente
10%.
(a) Supondo verdadeira a tese daqueles cientistas, calcule a probabilidade de em 10 pessoas, observadas
ao acaso entre as afectadas pela referida doença, haver pelo menos uma que acabe por falecer devido à
mesma.
69
(b) Com o objectivo de tirar conclusões sobre a veracidade daquela tese, recolheu-se uma amostra de 500
pessoas afectadas pela doença, das quais faleceram 60. Determine um intervalo real que contenha, com
uma confiança de 0.9, a proporção de indivı́duos que faleceram com tal doença. Terão os cientistas
razão?
16. Seja (X1 , X2 , ..., Xn ) uma amostra aleatória de dimensão n de uma variável aleatória real X de média µ e
variância σ 2 .
n
X
1
(a) Prove que X = n Xi é um estimador cêntrico de µ.
i=1
(b) Com o objectivo de estudar a duração de vida média de determinado tipo de peças, recolheu-se uma
amostra de 110 elementos que se resumiu no quadro seguinte:
Duração (milhares de horas) ]4,4.5] ]4.5,5] ]5,5.5] ]5.5,6]

número de peças 25 35 30 20
i. Construa o histograma da amostra e calcule estimativas cêntricas para a média e para a variância
da população em estudo.
ii. Supondo que a duração de vida das referidas peças é normalmente distribuı́da (será razoável?),
determine um intervalo de confiança para a sua média, ao grau 0.95.
17. A empresa ”DELIVER NOW”opera na área da distribuição de encomendas. O tempo de entrega duma
encomenda, X, através desta nova empresa ainda não está bem caracterizado.
(a) Considere duas amostras aleatórias, X1 , X2 , ..., Xn e X1′ , X2′ , ..., Xm
′
, com m < n, de X.
i. Defina amostra aleatória.
ii. Mostre que as médias amostrais, respectivamente X n e X m , são estimadores centrados para o
tempo médio de entrega duma encomenda, e compare-os em termos da sua variância. Qual das
duas médias amostrais diria que é a mais eficiente? Justifique.
(b) A empresa garante que todas as encomendas chegam ao seu destinatário, em média, em menos de 48
horas, com uma variabilidade máxima de 8 horas. Para avaliar este desempenho, foram recolhidos os
tempos (em horas) relativos a uma amostra de 51 encomendas, tendo-se obtido os seguintes resultados:
51
X 51
X
xi = 3250; x2i = 277500.
i=1 i=1
O que pode concluir, com confiança 95%, sobre o desempenho da empresa relativamente às condições
de entrega referidas?
18. Seja X uma variável aleatória real que representa o comprimento (em cm) dos parafusos produzidos por uma
determinada fábrica. Suponha que X tem distribuição normal de média 2θ.
(a) Com o objetivo de estimar o valor de θ, considerou-se
n
1X
X= Xi , n ∈ IN
n i=1
onde (X1 , X2 , · · · , Xn ) é uma amostra aleatória da variável aleatória real X. Averigue se X é um

estimador centrado de θ? Indique um estimador não enviesado de θ.
(b) Recolheu-se, ao acaso, uma amostra de 30 parafusos que conduziu aos valores
30
X 30
X
xi = 574 ; x2i = 10990
i=1 i=1
i. Determine estimativas pontuais para a média e para o desvio padrão do comprimento dos parafusos.
70
ii. O dono da fábrica afirma que o desvio no comprimento dos parafusos produzidos é 0.5 cm. Averigue
ao grau 0.98 se a afirmação do fabricante é verdadeira.
iii. Determine um intervalo com 98% de confiança para o comprimento médio dos parafusos.
iv. Se pretender, mantendo o grau de confiança utilizado na alı́nea anterior, diminuir a amplitude do
intervalo de confiança para o comprimento médio dos parafusos, deve:
(A) diminuir α (B) diminuir n (C) aumentar α (D) aumentar n
19. Um conjunto de professores está preocupado com o impacto do número de horas semanais necessárias para
executar os trabalhos de outras unidades curriculares. Em primeiro lugar será necessário perceber em média
quantas horas por semana os alunos dedicam à realização desses trabalhos. Admite-se que o desvio-padrão é
de aproximadamente 5 horas. Um estudo realizado com 200 estudantes forneceu como média do número de
horas semanais necessárias para executar os trabalhos de outras unidades curriculares, o valor de 15 horas.
(a) Com base nesta amostra, determine um intervalo com 98% de confiança para a média do número de
horas semanais necessárias para executar os trabalhos de outras unidades curriculares.
(b) A interpretação correta do intervalo de confiança obtido na alı́nea anterior é (escolha a opção correcta)
(A) Existe uma probabilidade de 98% de que o verdadeiro valor da média do número de horas semanais
necessárias para executar os trabalhos de outras unidades curriculares pertença a esse intervalo.
(B) Existe uma probabilidade de 98% de que um estudante, seleccionado aleatoriamente, tenha dedi-
cado um número de horas semanais a executar os trabalhos das unidades curriculares que pertence
a esse intervalo.
(C) Estamos 98% confiantes de que a média do número de horas semanais necessárias para executar
os trabalhos de outras unidades curriculares pertence a esse intervalo.
(D) Estamos 98% confiantes de que a média da amostra recolhida do número de horas semanais ne-
cessárias para executar os trabalhos de outras unidades curriculares, pertence a esse intervalo.
(c) Se pretendermos um intervalo de confiança de menor amplitude do que o obtido na alı́nea a) o que
podemos mudar no novo estudo (escolha a opção correcta)
(A) Aumentar o grau de confiança e aumentar a dimensão da amostra;
(B) Aumentar o grau de confiança e diminuir a dimensão da amostra;
(C) Diminuir o grau de confiança e aumentar a dimensão da amostra;
(D) Diminuir o grau de confiança e diminuir a dimensão da amostra.
20. Um certo tipo de cabo elétrico foi testado em laboratório para determinar o nı́vel de voltagem, X, a que
certas falhas tendem a ocorrer. Testados 10 cabos selecionados aleatoriamente foi possı́vel concluir que
10
X 10
X
xi = 332 ; x2i = 11028
i=1 i=1
Assuma que o nı́vel de voltagem tem distribuição normal.

a) Determine estimativas cêntricas para o nı́vel médio de voltagem e respetiva variância.
b) Qual o grau de confiança que permite afirmar que o verdadeiro valor da média se encontra no interior
de um intervalo de amplitude 0.6209?
71
Capı́tulo V - Soluções dos Exercı́cios
5. Estimação
1. (a) E(Θ̂n ) = θ (b) i. x = 5.51; s2n = 0.082 ii. θ̂20 = 1.02

nθ 3
2. (b) E(Θ̂1 ) = 3 (c) Θ̂2 = n Θ̂1 (d) 60.6; 20.2
3. µ̂ = 0.0694 σ̂ = 1.2941 θ̂ = 0.0694

4. (a) B (b) A
5. (a) ICµ =]134.04; 155.96[ (b) ICµ =]133.24; 156.76[
6. (a) µ̂ = 7.38 (b) ICµ =]7.205; 7.555[ (c) n ≥ 63
2
7. (a) µ̂ = x = 14 ; σ̂ = s2n = 4.098 (b) 0.95
8. (a) x = 125.04 ; sn = 0.227 (b) ICµ =]124.84; 125.243[ (c) ICσ =]0.156; 0.4144[
9. ICµ =]0.8163; 0.8316[
10. (a) x = 3 ; s2n = 1.947 (b) ICσ2 =]1.124; 4.152[
11. (a) x = 336.56 ; s2n = 42.772 (b) ICµ =]330.247; 342.87[ (c) ICσ =]3.9437; 15.9797[
12. (a) x = 12.1 ; s2n = 0.36 (b) i. aumenta ii. diminui (c) ICσ =]0.430; 1.023[
13. (b)I.C.µ = ]53.435, 74.025[ ; I.C.σ = ]31.39, 46.63[
14. ICp =]0.058; 0.106[
15. (a) 0.6513 (b) ICp =]0.096; 0.144[
16. (a) E(X) = µ (b) i. x = 4.955 ; s2n = 0.263 ii. ICµ =]4.859; 5.051[
17.
(a)i. ver aulas (a)ii. Mais eficiente é Xn pois tem a menor variância.
(b) x = 63.7255 ; s51 = 37.5212
ICµ =]53.4276; 74.0234[ ; ICσ =]31.3943; 46.6418[ com 95% de confiança as garantias não são verdadeiras
18.
X
(a) X não é centrado para estimar θ, θ̂ = 2
(b)i. x = 19.1333 ; s30 = 0.5087 (b)ii. ICσ =]0.3890; 0.7256[ Verdadeira
(b)iii. ICµ =]18.9046; 19.3620[ ; (b)iv. D
19. (a) ICµ =]14.1775; 15.8225[ (b) C (c) C
20. (a) x = 33.2; s2 = 0.6222 (b) 1 − α = 0.7867
72
6 Capı́tulo VI - Testes de Hipóteses Paramétricos
Vamos considerar neste capı́tulo outro aspecto do processo de inferência estatı́stica: os testes de hipóteses. O
objectivo é decidir se uma conjectura sobre determinada caracterı́stica da(s) população(ões) em estudo é ou não
apoiada pela evidência obtida de dados amostrais. Por exemplo, será que a média populacional difere de um valor
pré-especificado?
As hipóteses serão formuladas sobre o(s) valor(es) do(s) parâmetro(s) desconhecidos da população, θ . Nos
testes paramétricos admitem-se certos pressupostos, uma lei de probabilidade para a população em estudo por
exemplo, ao contrário do que acontece nos testes não paramétricos e que não serão abordados na disciplina.
NOTAÇÃO E METODOLOGIA
O primeiro passo na condução de um teste de hipóteses é especificar as duas hipóteses do teste. Em geral,
começa-se por formular a hipótese alternativa (H1 ), que é a hipótese que se pretende verificar (hipótese proposta
pelo investigador). H1 contém, regra geral, uma desigualdade (<, > ou 6=). Definida H1 , formula-se a hipótese
complementar de H1 , que se designa por hipótese nula (H0 ), e que é a hipótese que, à partida se julga inverosı́mil.
H0 contém, regra geral, uma igualdade (=).
Consideramos três tipos de testes:
1. Teste bilateral
H0 : θ = θ0
H1 : θ 6= θ0
2. Teste unilateral à direita
H0 : θ = θ0 (ou θ 6 θ0 )
H1 : θ > θ0
3. Teste unilateral à esquerda
H0 : θ = θ0 (ou θ > θ0 )
H1 : θ < θ0
Dir-se-á que se pretende testar H0 contra H1 , pelo que frequentemente se escreve:
H0 vs H1
o réu é inocente (H0 ) vs o réu é culpado (H1 )
Ao efectuar um teste, assumimos sempre que a hipótese H0 é verdadeira, e não havendo evidência para provar
o contrário decide-se não rejeitar H0 . Há duas possibilidades de se tomar uma decisão errada. Os dois tipos de
erros que podem ser cometidos são:
erro tipo I: rejeitar H0 sendo H0 verdadeira;
erro tipo II: não rejeitar H0 sendo H0 falsa;
α = P (erro tipo I) (probabilidade de cometer um erro tipo I)

β = P (erro tipo II) (probabilidade de cometer um erro tipo II)
α é designado o nı́vel de significância do teste. A escolha de α depende do que se pretende estudar, pois
quanto maior for α mais provável será rejeitar H0 sendo esta verdadeira!!!
Uma vez recolhida a amostra, observamos o valor de alguma estatı́stica (função da amostra aleatória) cuja
distribuição de probabilidade é conhecida sob o pressuposto de H0 ser verdadeira. Tal estatı́stica é chamada
estatı́stica de teste.
Nota: Qualquer estatı́stica utilizada na construção de um intervalo de confiança para um parâmetro (variável
fulcral) pode ser usada num teste de hipóteses sobre esse parâmetro.
O nı́vel de significância do teste, α, e a distribuição de probabilidade da estatı́stica de teste vão ser utilizados
para definir a chamada região crı́tica ou região de rejeição. Se o valor observado da estatı́stica de teste “cair”
na região crı́tica decidimos rejeitar H0 (e aceitar H1 ); caso contrário decidimos não rejeitar H0 .
73
Em resumo:
1. Formular as hipóteses do teste: H0 e H1 ;

2. Especificar um nı́vel de significância α;
3. Escolher a estatı́stica a usar e definir a sua distribuição de probabilidade sob o pressuposto de H0 ser
verdadeira;
4. Determinar a região crı́tica;
5. Calcular o valor observado da estatı́stica do teste;
6. Decidir: rejeitar H0 ou não rejeitar H0 .
Quadro resumo - Testes a médias e variâncias
Condições H0 H1 Estatı́stica Região Crı́tica

µ 6= µ0 Z < −zα/2 ou Z > zα/2
Dist. normal e X − µ0
µ µ = µ0 µ > µ0 Z= √ ∼ N (0, 1) Z > zα
σ conhecido σ/ n
µ < µ0 Z < −zα
Dist. desc. e
e n > 30 com µ 6= µ0 Z < −zα/2 ou Z > zα/2
X − µ0
µ σ conhecido µ = µ0 µ > µ0 Z= √ ∼N ˙ (0, 1) Z > zα
(se σ desc. µ < µ0 σ/ n Z < −zα
usar S)
µ 6= µ0 T < −tα/2 ou T > tα/2
Dist. normal e X − µ0
µ µ = µ0 µ > µ0 T = √ ∼ tn−1 T > tα
σ desconhecido S/ n
µ < µ0 T < −tα
σ 6= σ0 χ2 < χ21−α/2;(n−1) ou χ2 > χ2α/2;(n−1)
(n − 1)S 2
σ2 Dist. normal σ = σ0 σ > σ0 χ2 = ∼ χ2n−1 χ2 > χ2α;(n−1)
σ02
σ < σ0 χ2 < χ21−α;(n−1)
Exemplo
A resistência dos cabos fabricados por uma determinada empresa é uma v.a. de valor médio 816 Kg e desvio
padrão 45 Kg. Adoptando-se uma nova técnica de fabrico espera aumentar-se essa resistência. Para testar tal
hipótese, a empresa testou uma amostra de 50 cabos fabricados segundo o novo processo, tendo obtido uma
resistência média de 839 Kg e um desvio padrão de 44 kg.
Pode aceitar-se a hipótese de o novo processo de fabrico aumentar a resistência dos cabos, ao nı́vel de signi-
ficância de 0.001?
74
Exercı́cios
CAPÍTULO VI - Testes de Hipóteses Paramétricos
1. Uma empresa garante que, se os seus pneus forem utilizados em condições normais, têm um tempo médio
de vida superior a 40000 Km. Uma amostra constituı́da por 31 pneus, utilizados em condições normais,
proporcionou os seguintes dados: x = 43200 e s31 = 8000 km.
Teste, ao nı́vel de significância de 5%, se os pneus têm a vida média que a empresa reivindica.
2. Um molde de injecção tem produzido peças de um determinado material isolante térmico com uma resistência
à compressão de valor médio 5.18 kg/cm2 e variância 0.0625 (kg/cm2 )2 . As últimas 12 peças produzidas
nesse molde foram recolhidas e ensaiadas, tendo-se obtido para a resistência média à compressão o valor
4.95 kg/cm2 . Assuma que a resistência à compressão tem distribuição normal.
Poder-se-á afirmar, ao nı́vel de significância de 0.05, que as peças produzidas recentemente são menos resis-
tentes do que o habitual?
3. Considere uma fábrica que produz cabos eléctricos cujos diâmetros são normalmente distribuı́dos com valor
médio µ e desvio padrão σ > 0. Seleccionaram-se aleatoriamente 20 cabos eléctricos da produção da fábrica
e registaram-se os seguintes valores:
20
X 20
X
xi = 130.27; x2i = 849.98 .
i=1 i=1
Com base na informação anterior, teste ao nı́vel de significância de 1%:

(a) Ho : µ = 6.3 vs µ 6= 6.3;
(b) Ho : σ = 0.5 vs σ = 1.
4. Certo equipamento de empacotamento automático encontra-se regulado para encher embalagens de 1000
gramas de certo produto. O seu deficiente funcionamento origina prejuı́zo para a empresa. Aceita-se da
experiência passada que o peso das embalagens se comporta normalmente com desvio padrão de 12 gramas.
Para verificar a afinação do equipamento, seleccionaram-se aleatoriamente 9 embalagens com os resultados:
x = 993.78 gr e s9 = 11.29 gr.
Teste, ao nı́vel de significância de 10%, se a máquina está a encher correctamente ou não as embalagens.
5. Numa fábrica de automóveis existe uma secção destinada à produção de determinado tipo de peças, cujo
comprimento médio deverá ser aproximadamente de 2.5 cm. A secção de controlo de qualidade da referida
fábrica afirma que as peças apresentam comprimentos inferiores aos exigidos.
Com o objectivo de avaliar a veracidade da afirmação proferida pela secção de controlo de qualidade,
seleccionou-se ao acaso uma amostra de 26 peças na produção de um dia, tendo sido obtido os resulta-
dos seguintes:
26
X 26
X
xi = 52; (xi − x)2 = 13 .
i=1 i=1
Admitindo a normalidade da população subjacente aos dados, teste, ao nı́vel de significância de 5%, se secção
de controlo de qualidade tem razão.
6. Sabe-se que o tempo diário (em horas) de utilização de um determinado terminal de computador é normal-
mente distribuı́do. Foram observados os tempos de utilização durante 10 dias consecutivos, tendo sido obtido
os resultados seguintes:
10
X 10
X
xi = 56; (xi − x)2 = 129.6 .
i=1 i=1
75
(a) Estime pontualmente o tempo médio diário (em horas) de utilização do referido terminal e a variância.
(b) Determine intervalos de confiança a 95% para a média e variância da população em estudo.
(c) Teste, ao nı́vel de significância de 5%:
(i) se o tempo médio diário de utilização do terminal é superior a 6 horas;
(ii) se o desvio padrão excede as 8 horas.
7. Um agente de compras de um determinado supermercado testou uma amostra aleatória de 100 latas de
conserva na própria fábrica de enlatados. O peso médio (em decagramas) encontrado por lata foi de 15.97
com s100 = 0.15. O fabricante afirma que o peso lı́quido médio por lata era de 16. Pode esta afirmação ser
rejeitada? (use α = 0.1)
8. Uma determinada pessoa, interessada em alugar uma loja, é informada que a renda média na área é de
750 euros. Suponha que, para o tipo de zona em questão, é possı́vel dizer que as rendas têm distribuição
aproximadamente normal com desvio padrão 50 euros. Para uma amostra aleatória de 15 lojas, a renda
média foi de 800 euros.
A pessoa em causa está convencida de que o valor de 750 euros para a renda média está desactualizada.
Terá a pessoa razão? Justifique convenientemente a sua resposta, utilizando um teste adequado a 2% de
significância.
76
Capı́tulo VI - Soluções dos Exercı́cios
6. Testes de Hipóteses Paramétricos
1. R.C.=[1.645, +∞[; Rejeitar H0 .

2. R.C.=] − ∞, −1.645]; Rejeitar H0 .
3. (a) R.C.=] − ∞, −2.861] ∪ [2.861, +∞[; Não rejeitar H0 .
(b) R.C.=[36.19, +∞[; Não rejeitar H0 .
4. R.C.=] − ∞, −1.645] ∪ [1.645, +∞[; Não rejeitar H0 .
5. R.C.=] − ∞, −1.708]; Rejeitar H0 .
6. (a) x = 5.6; s210 = 14.4.
(b) ICµ =]2.8856; 8.3144[; ICσ2 =]6.821; 48[.
(c) R.C.(µ)=[1.833, +∞[; Não rejeitar H0 . R.C.(σ)=[16.92, +∞[; Não rejeitar H0 .
7. R.C.=] − ∞, −1.645] ∪ [1.645, +∞[; Rejeitar H0 .
8. R.C.=[2.06, +∞[; Rejeitar H0 .
77

Sebenta ME 2024 2025 LEM

Enviado por

Direitos autorais:

Formatos disponíveis

Sebenta ME 2024 2025 LEM

Enviado por

Dados do documento

Título 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

Sebenta ME 2024 2025 LEM

Enviado por

Direitos autorais:

Formatos disponíveis

Licenciatura em Engenharia Mecânica

Ano Letivo 2024/25

2. Variáveis Aleatórias e Distribuições de Probabilidade Discretas 13

3. Variáveis Aleatórias e Distribuições de Probabilidade Contı́nuas 41

4. Amostragem e Distribuições Amostrais 58

6. Teste de Hipóteses Paramétricos 73

1. Experiência aleatória é um qualquer processo ou conjunto de circunstâncias capaz de produzir pelo

2. Espaço de resultados ou espaço fundamental é o conjunto de todos os resultados possı́veis da

3. Um acontecimento (ou evento) é um subconjunto de Ω.

4. Acontecimento elementar é um subconjunto singular de Ω.

• Ω é denominado acontecimento certo (realiza-se sempre);

Operações e relações entre acontecimentos

1. A ⊂ B: a realização de A implica a realização de B;

3. A ∩ B (Acontecimento Interseção): A e B realizam-se conjuntamente;

4. A ∪ B (Acontecimento Reunião): A ou B se realizam (o resultado da experiência aleatória pertence

5. A \ B (Acontecimento Diferença): A realiza-se e B não se realiza;

2. Se Ai ∈ Ω, i = 1, ..., n, e Ai ∩ Aj = ∅ para i 6= j, então

8. Se Ai ∈ Ω, i ∈ IN , e Ai é uma sucessão monótona,

P ( lim Ai ) = lim P (Ai ).

1.3 Probabilidade condicionada

1.5 Probabilidade total. Teorema de Bayes

Seja B um acontecimento qualquer. Tem-se

Teorema [Bayes] Sejam A1 , A2 , ..., An acontecimentos de Ω tais que

Seja B um acontecimento qualquer, com B 6= ∅. Tem-se

(a) Construa o espaço de resultados associado a esta experiência aleatória.

A = {saı́da de lâmpada defeituosa na primeira tiragem};

(a) duas caras;

3. Lança-se simultaneamente um dado e uma moeda equilibrados.

(a) Construa o espaço de resultados associado a esta experiência aleatória.

A = {saı́da de coroa e número par};

e determine as respetivas probabilidades.

4. Sejam A, B, e C acontecimentos de Ω tais que:

A ∪ B ∪ C = Ω, P (A) = 0.3, P (B) = 0.7, P (C) = 0.5 e A ∩ B = C ∩ B = ∅.

5. Sejam A e B acontecimentos de um mesmo espaço de probabilidade Ω, tais que P (A) = 0.7,

(A) 0 (B) P (A) (C) P (B) (D) 1

- 20 programas tinham erros de ”sintaxe”, 10 tinham erros de ”input/output” e 5 tinham erros

• a percentagem de peças produzidas pelo setor A é 50%;

Escolhe-se aleatoriamente uma peça da produção da empresa.

• 70% dos utilizadores estão satisfeitos com o serviço;

Determine a percentagem de utilizadores:

(a) da rede B que estão satisfeitos com o serviço;

(a) Qual a probabilidade da peça ter defeitos de impressão?

• quando a ordem de complexidade do programa a desenvolver é média, a probabilidade de erro

2. (a) 0.375 (b) 0.875

3. (b) 0.25; 0.25; 0.33

5. (a) 0.4 (b) 0.8; 0.5

6. Resolução ao cuidado do aluno

12. (a) 0.13 (b) 0.25

13. (a) 0.344 (b) 0.3659

14. (b) 0.3

15. (a) 0.0247 (b) 0.8016

16. (b) 0.8 (c) 0.36

17. (a) 0.575 (b) 0.3

18. (a) 0.041 (b) 0.4246 (c) 0.8537

19. (a) 0.0566 (b) Não

20. (a) 0.1360 (b) 0.5515 (c) 0.6250

21. (a) 0.0215 (b) 0.1163

3. Medição da altura de uma pessoa, escolhida ao acaso.

Uma variável aleatória X : Ω −→ IR é tal que: