Estatística PDF

Estatística para AFRFB
Teoria e exercícios comentados

Prof. Jeronymo Marcondes - Aula 00
AULA 00: Representação de dados
SUMÁRIO PÁGINA
Conceitos Básicos 5
Variáveis 7
Tabela de frequência e representação gráfica 10
Diagrama de Ramos e Folhas 22
Lista de Exercícios resolvidos em aula 35
Gabarito 41
Olá pessoal! Estão prontos para embarcarmos juntos nesta difícil jornada que leva à
aprovação em um concurso público? Então vamos lá! Bom pessoal, primeiro que
gostaria de bater um papinho com vocês.
- "Mas, afinal de contas, quem é você professor?”
Boa pergunta! Meu nome é Jeronymo Marcondes Pinto e já tenho uma grande
bagagem no que se refere a concursos públicos. Sou Economista, Mestre e Doutor
em Economia Aplicada pela Universidade de São Paulo (USP) e, atualmente, sou
Auditor Fiscal do Trabalho (AFT), atuando na área de planejamento e análise
estatística da Secretaria de Inspeção do Trabalho (SIT - MTE sede). Já fiz muitos
concursos, tendo sido aprovado em vários, como Auditor Fiscal do Tesouro
Estadual (SEFAZ\RS), Analista de Planejamento, Orçamento e Finanças Públicas
(SEFAZ SP), Economista do MPU, Economista da Câmara Municipal de São Paulo,
dentre muitos outros. Porém, já fui reprovado em concurso também!
- "Professor, por que você está nos contando de reprovações, isso não te diminui?”
Muito pelo contrário! Posso dizer que a maior parte da minha experiência deriva do
não sucesso! Aprendi muita coisa ao não ser aprovado, coisas que fizeram com que
eu me tornasse um verdadeiro concurseiro! Ao longo do curso estarei dando "dicas
de concurseiro” para vocês, o que os ajudará nos seus planejamentos, estratégias,
etc.
Prof. Jeronymo Marcondes WWW.estrategiaconcursoS.COm.br 1 de 41
ATENÇÃO! ESSE MATERIAL PERTENCE AO SITE: WWW.MATERIALPARACONCURSOS.COM

DICAS DE UM CONCURSEIRO
Gente, o “perdedor” não é aquele que não vence, mas aquele que
não tenta por ter medo de perder! Não tenha medo de não ser
aprovado, faça o seu melhor! O medo fará com que você desperdice
chances que podem mudar a sua vida, além de fazer com que você
se esforce menos... o que é, de longe, o principal para ser aprovado!
Vamos falar de seu concurso! Auditor Fiscal da Receita Federal do Brasil é, em

minha opinião, o melhor concurso público do Brasil.
-“Melhor que Senado, Câmara, TCU, etc”?
Em minha opinião, sim! Veja, a carreira na Receita é uma das mais poderosas do
Brasil no sentido de que ela “controla o cofre”. Assim, no longo prazo, as carreiras
que teriam maior capacidade de garantir benefícios e excelentes condições de
trabalho seriam as da Receita. Além disso, há outras questões que considero
maravilhosas na receita:
1) Você pode morar em qualquer lugar no Brasil.

2) Há muitas “opções de trabalho” dentro da Receita. Por exemplo, se você for
economista, há divisões específicas para você atuar em sua área. Você não
precisa atuar na atividade fim da receita, se não quiser.
-“Que maravilha”!
Pois é, mas você não é a única pessoa que percebeu isso. O concurso da receita é,
também, um dos mais difíceis do Brasil. Os concurseiros desta área se preparam
com muita antecedência e estão entre os melhores do Brasil.
-“Mas, será que eu consigo”?

Claro que consegue! O que a minha experiência me ensinou é que quem passa em
concurso é aquele que realmente sabe o que quer e corre atrás! Não desanime de
jeito nenhum e estude com todas as suas forças, pois você vai conseguir. Por
enquanto, não temos edital, mas aí é que está a questão, pois você deve ir se
preparando com antecedência para um concurso deste calibre.
Pessoal, o meu estilo se caracteriza pelo seguinte: pragmatismo e informalidade.
Pragmatismo porque costumo tentar ser o mais objetivo possível, sempre com foco
em editais de concurso público. Assim, o meu curso não terá um viés acadêmico,
sendo que o mesmo é feito para quem quer passar em concurso público, ponto.
Informalidade porque o presente curso não é um livro texto. Afinal, quem quiser um
livro texto bem formal basta ir à livraria e comprar, não acha? O nosso diferencial no
Estratégia Concursos é ensinar da forma mais didática possível, evitando
formalismos desnecessários, como a demonstração de um teorema, por exemplo. O
meu objetivo é que qualquer pessoa seja capaz de fazer uma prova de
Estatística tendo meu curso como base.
O que vocês vão estudar comigo é a parte de estatística do edital atual (7 de Março
de 2014).
Probabilidade, Variáveis Aleatórias, Principais Distribuições de

Probabilidade, Estatística Descritiva, Amostragem, Teste de Hipóteses
e Análise de Regressão.
Parece pouco, não? Mas, não é! Isso porque há muitos conhecimentos de

estatística que são necessários para estudar todo este tópico. Assim, iremos cobrir
todo o conteúdo necessário desta forma:

AULA CONTEÚDO DATA
Aula 0 Conceitos Básicos 02/06/2014
Aula 1 Medidas de Posição e Dispersão 07/07/2014
Introdução à Análise
Aula 2 07/07/2014
Combinatória
Aula 2 - parte 2 Probabilidade 07/07/2014
Aula 3 Distribuição de Probabilidade 04/08/2014
Aula 4 Variáveis Aleatórias Contínuas 04/08/2014
Distribuição de Probabilidade
Aula 5 08/09/2014
Conjunta
Aula 6 Inferência e Estimação 08/09/2014
Intervalo de Confiança e Teste de

Aula 7 06/10/2014
Hipóteses
Aula 8 Correlação e Regressão 06/10/2014
Aula 9 Simulado 27/10/2014
Neste novo curso de Estatística para AFRFB teremos mais exercícios (resolveremos
a última prova de auditor e outras da ESAF), um simulado mais amplo e focado na
ESAF e um aprofundamento de alguns conteúdos, tal como amostragem.
Tendo isso em mente, chega de blá, blá e blá. Vamos ao que interessa!

1. Conceitos básicos
-"O que é estatística”?
Uma boa definição é: a coleção de técnicas utilizadas para coleta, análise e

interpretação de dados.
Essa ciência pode ser dividida em 2 ramos importantes:
1) Estatística Descritiva (dedutiva)

2) Estatística Inferencial (indutiva)
Perdoem-me a redundância, mas a estatística descritiva "descreve” um conjunto de

dados. Por exemplo, neste ramo você analisa os dados por meio de gráficos
representativos de sua distribuição, por meio de sua média, variância, mediana, etc.
A partir desta análise você avalia os resultados e tira conclusões.
Viu? A estatística descritiva é a coleta, apresentação, análise e interpretação dos

dados numéricos coletados.
-"Mas, isso não resume o conceito”?
Não! Porque nem sempre conhecemos o comportamento da população, sendo,

muitas vezes, necessário inferir conclusões a partir de uma amostra.
Não entendeu? Veja os conceitos:
População = conjunto de todos os elementos que

possuem determinada característica.
Amostra = parte não nula da população, mas menor

do que esta última.

Veja uma pesquisa eleitoral, por exemplo. O ideal seria que todos os eleitores de
uma determinada sociedade fossem consultados, mas isso é impossível, seja por
custos da pesquisa, seja pelo tempo que seria necessário para isso.
Assim, os institutos de pesquisa baseiam-se em amostras, ou seja, uma parcela que

seria representativa da população total.
No nosso exemplo, a população seria composta por todos os eleitores da

sociedade, enquanto que a amostra seriam os indivíduos entrevistados pelo instituto
quanto à sua preferência de voto. Se o instituto observasse 100% dos indivíduos da
sociedade (toda população) ele estaria realizando um censo.
Mas, isso levanta diversas questões, tais como:
• Será que podemos confiar nesta amostra?

• Qual o grau de confiabilidade da mesma?
• Como obter estimativas consistentes do que buscamos entender da
população com base na amostra
Essa parte fica para a estatística inferencial! Assim, com base em uma amostra, a
estatística inferencial irá apresentar, analisar e interpretar os dados coletados.

Estratégia
r nNr i i R«; r ><;
C O N C U R S O S
Entendeu? No nosso curso iremos estudar ambos os ramos da estatística,

sendo que iniciaremos pela estatística descritiva.
2. Variáveis
Poxa, você vai cansar de ouvir "esta variável”, "aquela variável”, etc. Mas, afinal de
contas, o que é uma variável?
Ora, quer uma explicação boba? É tudo que não é constante.
É claro que isso foi uma brincadeira, mas com um fundo de verdade. Veja uma
definição mais formal:
atenção
Variável é toda a realização de uma característica que
pode assumir diferentes valores a cada experimento.
Pense comigo, vamos imaginar que um pesquisador está fazendo um levantamento

estatístico para determinar a área de uma unidade da federação, bem como a
temperatura média no respectivo território.
Ora, vamos imaginar o território do estado de São Paulo nos últimos 5 (cinco) anos,
provavelmente o valor da área do estaíclo não mudou neste período (se mudou, por
favor me avisem...rsrsrs). Este é um exemplo de uma constante. Ou seja,
independentemente da quantidade de vezes que seja realizado o experimento
(leia-se pesquisa), o tamanho do território será o mesmo (leia-se característica
constante).
E a temperatura média? Com quase toda certeza, a temperatura média no estado

mudou de ano para ano, oscilando em torno de determinados valores. Este é um
exemplo de uma variável! Neste nosso exemplo trata-se de uma variável
quantitativa.

-“Há outros tipos de variável, professor”?
Sim! No caso estudado acima, a realização da variável é sempre um número, mas,

em alguns casos, a resposta pode ser uma qualidade, tratando-se de uma variável
qualitativa.
Por exemplo, caso um pesquisador realize uma pesquisa com diversos indivíduos a
fim de determinar a proporção de indivíduos que são casados na sociedade, a
resposta será uma variável qualitativa: casado ou solteiro.
Regrinha: “pergunte” para a variável. Se a

resposta for um número, a variável é quantitativa, se for uma palavra, variável
qualitativa. Por exemplo, a variável “nacionalidade” em uma pesquisa é uma
variável qualitativa, pois ao questionar qual a nacionalidade do indivíduo, a
resposta será uma palavra.
Mas, atenção! Isso é só uma dica que serve para

facilitar, mas nem sempre isso é verdade. Por exemplo, existe o caso das
variáveis dicotômicas (binárias), que só podem assumir os valores 1 e 0. Este
é um caso de exceção à regrinha acima, pois se trata de variável qualitativa,
que nós iremos discutir mais adiante no nosso curso.
-“Entendí professor, mas é só isso”?
Não! Podemos ainda dividir as variáveis conforme gráfico abaixo.

Prof. Jeronymo Marcondes-Aula 00
As variáveis qualitativas podem ser divididas em nominais e ordinais. Ordinais são

aquelas que podem ser ordenadas conforme seu resultado, nominais são aquelas
cuja operação não é possível. Perceba que quando eu digo "ordenar” eu estou
falando em classificar, a depender de seu resultado.
Por exemplo, as realizações de uma pesquisa com indivíduos no quesito "nível de

escolaridade”, é passível de ser ordenada, pois uma pessoa com ensino superior
estudou mais anos do que outra com ensino médio. Assim, a pessoa com nível
superior tem "mais escolaridade” do que a de ensino médio. O mesmo não pode se
dizer com relação à variável nacionalidade, pois esta não pode ser ordenada.
-"E as quantitativas, professor”?
Por outro lado, as variáveis quantitativas podem ser dividas em discretas e

contínuas. Veja, uma variável contínua é aquela que pode assumir infinitos valores.
Por exemplo, a distância entre os seus olhos e o monitor pode ser de 30 cm, mas
pode ser 30,01 cm, 30,0001, e por aí vai. Agora, se você for contar a quantidade de
garrafas de água por apartamento em seu prédio, você só encontrará números
inteiros, como uma, ou duas garrafas, por exemplo. A primeira é um exemplo de
variável contínua e a segunda de discreta.

Estratégia
C O N C U R S O S ^
Bom, conhecendo tudo isso, vamos discutir como representar tais variáveis. Isso é,
como podemos sintetizar o que nossos dados estão nos dizendo? Um jeito é com
gráficos e tabela de frequências.
Uma definição possível e muito útil é que as variáveis

quantitativas discretas derivam de uma contagem, enquanto que as contínuas
derivam de uma mensuração.
3. Tabela de frequência e representação gráfica
Primeira pergunta que você vai fazer ao avaliar uma variável é: quantas vezes uma
determinada característica aparece?
Para isso nos utilizamos do conceito de frequência.
Frequência é o número de vezes em que uma

variável assume um determinado valor.
Por exemplo, vamos analisar um exemplo hipotético de uma pesquisa sobre ensino
em um bairro do Rio de Janeiro:
Ensino Frequência (quantidade de pessoas)

Ensino Fundamental 400
Ensino Médio 300
Ensino Superior 300
Total 1000
Esta é uma forma de representação dos dados chamada, por alguns autores, de
agrupamento simples.

Veja, o que a tabela de frequências está te mostrando é quantas vezes a variável

qualitativa "ensino” assume determinados valores, isso é, quantas pessoas neste
bairro têm ensino fundamental, médio e superior. A tabela está te mostrando a
frequência absoluta.
-"Por que absoluta, professor”?
Pelo fato de esta medida não levar em conta o quanto cada valor assumido pelas
variáveis representa do total, que é o caso da frequência relativa ou proporção.
Vamos continuar no nosso exemplo:
Ensino (quantidade de pessoas) Frequência Frequência relativa

Ensino Fundamental 400 400/1000 = 40%
Ensino Médio 300 300/1000 = 30%
Ensino Superior 300 300/1000 = 30%
Total 1000 1000/1000 = 100%
A frequência relativa tem a vantagem de permitir comparações entre tabelas com

diferentes quantidades de dados analisados para uma mesma variável. Por
exemplo, se fizermos esta mesma pesquisa com 2400 indivíduos (ao invés de
1000), a comparação das frequências absolutas entre as duas tabelas não faz
sentido, porém isso não é verdade no caso das frequências relativas, pois
estaríamos comparando dois percentuais.
Entenderam? Nós podemos nos utilizar desta tabela para confeccionar um gráfico
desta variável qualitativa a fim de que possamos visualizá-la melhor.
Uma possibilidade são os gráficos em colunas ou em forma de "pizza” (ou "gráfico

em setores”). Vamos mostrar com base nos nossos exemplos:

Ensino - Gráfico em colunas
Muitas bancas costumam chamar este gráfico com a barra

"em pé” de gráfico em colunas, só chamando de "gráfico em barra” quando estas
colunas estão na horizontal. Desta forma, o gráfico em barras seria:

Ensino - Gráfico em Barras
Ensi no Superi or
Ensi no Médi o
Ensi no Fundament al
0 100 200 300 400 500
Olha pessoal, em termos práticos, não há diferença entre usar um gráfico em barra
ou em coluna. Portanto, quando eu falar de gráficos em barra, entenda que o
mesmo vale para os gráficos em colunas, ok?
Esta parte é tranquila, não é pessoal? Vai dar uma volta e tomar uma água,
porque agora iremos estudar a representação das variáveis quantitativas, o
que complica um pouco. Vamos começar com o caso mais fácil: variáveis
quantitativas discretas!
Bom, nós podemos utilizar a tabela de frequências para variáveis quantitativas

discretas também. Um exemplo bem tranquilo seria no caso de variáveis discretas,
tal como o número de casais de um bairro que tem um determinado número de
filhos:
Filhos Frequência (número de casais) Frequência relativa

1 60 60%
2 30 30%
3 10 10%
Total 100 100%
A quantidade de filhos é uma variável discreta, pois o número de filhos de um casal

só pode ser um número inteiro (ninguém tem 2/3 de filhos, por exemplo).

A representação gráfica desta tabela é muito tranquila e não apresenta muito

problemas. Podemos inclusive utilizar os modelos de gráficos em barra e em
"pizza”, tal como no caso das variáveis qualitativas. Por exemplo, no caso do gráfico
em barra:
Quantidade de filhos
70
60
50
40
30
20
10
0
1 2 3
Outro tipo bastante comum é o gráfico de dispersão unidimensional. Ele funciona

assim, com base em pontos sobre os gráficos, nós iríamos visualizar qual a
frequência de uma determinada classe. Vamos retornar ao exemplo:
Gráfico de Dispersão - tipo 1

70
60 ♦
50
40
30 ♦
20
10 ♦
0
0 0,5 1 1,5 2 2,5 3 3,5
Prof. Jeronymo Marcondes www.estrategiaconcursos.com .br 14 de 41

Neste exemplo, cada ponto está relacionando a frequência em que ocorre uma
determinada quantidade de filhos com esta variável.
O gráfico de dispersão pode ser modificado de forma que não seja necessário
incluirmos o eixo vertical, tal como:
Gráfico de Dispersão - tipo 2
♦ 60
♦ 30
♦ 10
0 0,5 1 1,5 2 2,5 3 3,5
Além disso, nós podemos “empilhar” o número de pontos correspondentes a cada

quantidade de filho, o que não é nada prático. Por exemplo, sob o ponto “1” haveria
60 pontos, o que corresponderiam às 60 famílias com esta quantidade de filhos.
Entendido o caso das variáveis quantitativas discretas? Porém, como seria

possível fazer uma tabela e gráficos deste tipo para o caso de uma variável
contínua?
Quer um exemplo? O salário dos empregados de uma grande companhia.
Em uma grande companhia, há infinitos valores possíveis para os salários dos

empregados, pois alguns cumprem horas extras, outros estão recebendo
gratificações, etc.

Neste caso, não seria possível fazer uma tabela como a acima descrita, pois haveria
a necessidade de infinitas linhas, ou seja, todo nosso objetivo de resumo de dados
se perde.
Assim, uma possibilidade é de agrupamento em intervalo de classes.
No nosso exemplo:
Frequência
Salários Frequência relativa
(número de empregados)
De 700,00 a 999,99 30 15%
De 1000,00 a 1999,99 140 70%
Mais de 2000,00 30 15%
Total 200 100%
Veja que a tabela trabalha com intervalos, ou range. Ou seja, nesta empresa há 30
empregados cujo salário fica entre R$ 700,00 e R$ 999,99, o que representa 15%
do total de empregados da empresa. Cada um destes intervalos é chamado de
classe.
No caso, este é um exemplo de classes fechadas à esquerda e à direita. Isso é,

o intervalo contem ambos os elementos discriminados, o primeiro e o último. Por
exemplo, a primeira classe inclui o trabalhador que ganha R$ 700,00 e o que ganha
R$ 999,99. Matematicamente, isso é dl scrito como:
700.00 hH 999,99
É aquele “tracinho” vertical que indica se o intervalo é fechado, ou seja, se

inclui o elemento diante de si.
Assim, fica fácil identificar o que seria algo como:
700.00 h 999,99

Neste caso, o intervalo conteria o valor 700,00, mas não 999,99. Este é um caso de
intervalo fechado à esquerda e aberto à direita. Agora fica fácil, não é pessoal?
Intervalo Representação formal

Fechado à esquerda e à direita hH
Aberto à esquerda e fechado à direita H
Aberto à direita e fechado à esquerda h
Aberto à esquerda e à direita —
-"Pô professor, até aqui tranquilo” !
Claro, mas só estamos começando. Além disso, acreditem, muitas questões

de estatística podem ser “matadas” com estes conhecimentos básicos, como
vocês irão ver.
Retornando!
Ao analisar a tabela de salários você percebe que cada classe tem uma amplitude.
Essa amplitude é dada pela diferença entre o limite superior e inferior de cada
classe.
INDO
^Jrmais fundo
Para uma distribuição com classes de mesma amplitude (h) há uma
“formulazinha” para encontra-las:
Sendo R a amplitude total da distribuição e k o número de classes.

Vamos a um exemplo.
Exercício 1
Com base na tabela abaixo, calcule a amplitude das classes.
Classes Frequência
45 h 55 10
55 h 65 7
65 h 75 8
75 h 85 15
85 h 95 3
Resolução
A amplitude total da tabela de frequências é 95 - 45 = 50 e há cinco classes.

Portanto:
R 50
Retornando!
Bom, como é a representação gráyica destes agrupamentos com variáveis

quantitativas contínuas?
Aqueles tipos de gráficos que já mostramos podem ser utilizados para tanto.
Normalmente, os gráficos são feitos de forma que o número expresso no gráfico
corresponda ao ponto médio de cada classe. Tudo bem, vou explicar melhor!
Pessoal, todo mundo sabe o que é média, certo? Nós vamos estudar tudo isso com
mais profundidade em aulas posteriores, mas vamos simplificar para fins de
entendimento: para encontrar o ponto médio de um intervalo some o limite

Estratégia
C O N C U R S O S ^
inferior de cada classe com o superior e divida o resultado por 2 (dois).
Calcule o ponto médio dos intervalos no nosso exemplo. Você vai chegar a:
Classes Frequência Ponto Médio

45 h 55 10 50
55 h 65 7 60
65 h 75 8 70
75 h 85 15 80
85 h 95 3 90
Bom, agora você pode representar esta tabela graficamente. Olha só!
Viram o que fizemos? Encontramos o ponto médio de um intervalo e, a partir desta

informação, definimos este resultado como se este fosse o valor representativo de
toda a classe de valores.
Mas, esta representação faz com que você perca muitas informações, pois o ponto
médio quase nunca corresponde a todos os dados da classe. O que fazer?
Uma alternativa é o histograma.

Estratégia
C O N C U R S O S ^
O histograma é um gráfico em barras, mas cuja base do retângulo corresponde à
amplitude das classes (A*). Veja como ficaria um histograma do nosso exemplo do
exercício 1:
Histograma - exemplo do exercício 1
0-45 45-55 55-65 65-75 75-85 85-95
Se quisermos que a área de cada retângulo corresponda à respectiva frequência de

cada classe (ft), a altura de cada um tem de ter correspondência com o conceito de
densidade de frequência (rí/j):
Esta é uma possibilidade de escrita do histograma.
Outra, mais comum, é que a altura de cada retângulo seja dada pela frequência
absoluta ou relativa do intervalo de dados em questão. No nosso exemplo, com
altura dada frequência absoluta:

Histograma - exemplo exercício 1

16
14
12
10
0
0-45 45-55 55-65 65-75 75-85 85-95
Beleza pessoal? O histograma é simples, basta traçar barras cuja altura seja
equivalente à frequência (absoluta ou relativa) de cada classe e a sua base
correspondente ao intervalo de cada classe.
Se nós passarmos uma linha unindo todos os pontos médios das laterais superiores
dos retângulos dos histogramas encontraremos o famoso polígono de
frequências.
é fácil ver que tanto o polígono de frequências quanto o histograma tratam-se

de representações gráficas de uma distribuição de frequências!

-"Professor, o que é distribuição de frequências”?
Ora, é isso que temos nos nossos gráficos! Esta é dada pela correspondência dos
valores encontrados com sua respectiva frequência, indicando a forma como estes
valores se distribuem ao longo da série total de dados.
Calma! Vamos estudar mais disso em breve.
Ambos os gráficos são muito semelhantes e exibem as distribuições de

frequências da mesma forma.
4. Diagrama de Ramos e Folhas
Pessoal, para encerrarmos a parte teórica de nossa aula, temos de discutir um

assunto muito cobrado em provas: o diagrama de ramos e folhas. Este diagrama é
uma forma alternativa de resumir um conjunto de valores e que nos dá uma ideia de
como se dá a distribuição dos mesmos.
A melhor forma de entender este diagrama é com um exemplo:
1 0
2 3 4 5 6
3 1 7
4 12 21
Veja, este diagrama está nos dizendo que temos uma série de dados composta
pelos seguintes números:
( 10,23,24,25,26,31,37,412,421)
Já entendeu? É isso mesmo! "Pegue” o número da esquerda e combine com cada

componente existente na direita. No caso do número 1 (hum), só há o número 0 do
outro lado, portanto, o valor encontrado é 10.

Estratégia
C O N C U R S O S ^
Este resultado é outra forma de apresentação de dados, conhecida como rol.
Veja, podemos colocar o resultado do diagrama de ramos e folhas desta forma:
Rol: 10; 23; 24; 25; 26; 31; 37; 412; 421
Este é um caso de rol crescente. Pois, estamos apenas evidenciando a sequência

de nossos números de forma crescente. Apesar de não ser muito comum, também
podemos ordenar as observações em um rol decrescente, iniciando no maior valor
e terminando no menor.
Portanto, todas as observações são divididas em duas partes: a primeira parte

(ramo) que fica à esquerda e uma segunda parte (folha) que fica à direita. Ao
combinarmos ambas, obtemos os valores que compõem a série de dados.
Algumas vezes o ramo é dividido das folhas por uma linha vertical, mas isso nem
sempre é feito em provas de concurso público, assim, acostume-se!
FIQUE
atento!
-- ----------- Muitas vezes o diagrama de ramos e folhas é feito de
forma diferente pelas bancas, o que pode causar uma confusão no candidato.
Por exemplo:
1 0
2 3 4 5
2 6
3 1
3 7
4 12 21

Estratégia
C O N C U R S O S
Viram? Foi feita uma divisão de ramos de forma que todos os algarismos com
valores superiores a 5 (cinco) sejam colocados em ramos diferentes do que os
que possuem valores inferiores a este limite. Isso está errado? Não! Não há
regra única para composição deste diagrama. Entendam a ideia por detrás do
mesmo e fiquem atentos.
É isso aí! Cansaram? Vamos treinar um pouco.
HORA DE
praticar!
Exercício 2
(IRB - 2005/ESAF) - Histograma e polígono de frequências são:
a) A mesma representação gráfica de uma distribuição de frequências.

b) Um texto descritivo e uma representação gráfica de uma distribuição de
frequências.
c) Um texto descritivo e uma função gráfica de uma distribuição de
frequências.
d) Duas representações gráficas de uma distribuição de frequências.
e) Duas representações gráficas de uma distribuição de frequências,
porém com sentidos opostos.
Resolução
Lembrem-se, trata-se de representações gráficas distintas!
O polígono de frequências deriva da união de todos os pontos médios das partes

superiores da barra do histograma.
Alternativa (d).

Exercício 3
(Gestor Fazendário MG - 2005/ESAF - modificada) Com base no diagrama de

ramos e folhas abaixo, encontre a observações que divide a série de dados em
duas partes iguais:
9 1 1
9 9
10 0 0 2 2 3 4
10 5 7 7 7 8
11 0 1 3
11 6 6
12 0 0 0 1 2
12 5 5 8
13 0 0 4
13 5 5 5
14 0
14 5
a) 110
b) 120
c) 116
d) 113
e) 111
Resolução
Pessoal, vamos colocar as observações em um rol:
Rol: 91,91,99, 100,100,102, 102,103,104, 105, 107,107, 107, 108,110,111, 113,116,116, 120,120,
120, 121,122, 125,125,128, 130,130,134, 135,135,135, 140,145

Estratégia
C O N C U R S O S ^
Olhe, o conceito que vocês estão utilizando aqui chama-se mediana, que consiste
na observação que divide uma série de dados em duas partes iguais. Estudaremos
mais na próxima aula.
Mas, você não precisa saber disso para constatar que, como temos 35
observações, a observação n° 18 será aquela que dividirá a série em duas partes
iguais, a saber, o número 116.
Alternativa (c).
Exercício 4
(IRB - 2004/ESAF - modificada) Com base no diagrama de ramos e folhas

abaixo, encontre a observações que divide a série de dados em duas partes
iguais:
3 4
3 8
4 2 2
4 5 7
5 1 2 4
5 7 8 8 9
6 0 1 3
6 5 5 6 7 8 9 9
7 0 1 1 2 3 3 4
7 5 5 6 6 7 9
8 1 1 2 3 3 4 4
8 5 7
9 0 1 3
9 7

a) 69
b) 71
c) 70
d) 72
e) 74
Resolução
Rol, gente:
Assim, temos 49 observações, sendo que a observação n° 25 será aquela que

dividirá a série em duas partes iguais, a saber, 71.
Alternativa (b).
Exercício 5
(Petrobrás - 2005\Cesganrio) Histograma e polígonos de frequência são duas

representações gráficas de distribuições:
a) Uniformes
b) De frequências
c) De acumulações
d) Não uniformes
e) Assimétricas

Resolução
Simples, não pessoal? Alternativa (b).
Tanto o histograma como os polígonos de frequências permitem que visualizemos a

distribuição de frequências.
Exercício 6
(SEFAZ SC - 2010\FEPESE\modificada) Das alternativas abaixo, qual a forma

gráfica mais adequada para representar uma variável qualitativa:
a) Histograma
b) Gráfico em setores
c) Gráfico de dispersão
d) Diagrama de caixas
Resolução
Vamos lá:
a) Esse é para variáveis quantitativas contínuas
b) Perfeito! Este está ótimo.
c) Esse é para variáveis quantitativas.
d) Nós ainda vamos estudar este aqui, mas você sabe que não é este!
Portanto, letra (b).

Exercício 7
(ARCE - 2006\FCC) O processo estatístico que consiste em avaliação direta de

um parâmetro, utilizando-se todos os componentes da população chama-se:
a) Amostragem
b) Estimação
c) Censo
d) Parametrização
e) Correlação
Resolução
Deem uma olhada lá em cima! Eu já te expliquei, se você fizer uma pesquisa com
todos os indivíduos de uma população, você estará realizando um censo.
Alternativa (c).
Exercício 8
(Elaborada pelo autor) Qual das alternativas abaixo não se refere a uma forma
de apresentação de dados estatísticos:
a) Rol
b) Agrupamento em classes
c) Agrupamento simples
d) Diagrama de Ramos e Folhas
e) Censo

Resolução
Censo não é uma forma de apresentação de dados estatísticos, trata-se de uma

metodologia de pesquisa que consiste em investigar todos os elementos de uma
população. Todos os outros são, portanto, decore.
Alternativa (e).
Exercício 9
(Prefeitura do Rio de Janeiro - 2002\FJG) Os dados de um determinado estudo

representam muitas variáveis para cada uma das pessoas que se submeteram
ao estudo. Uma variável considerada qualitativa é a seguinte:
a) Idade
b) Altura
c) Sexo
d) Peso
Resolução
Hora da nossa regrinha! Pergunte para a variável: a única que vai te dar uma
"palavra” como resposta é a variável "sexo”.
Alternativa (c).

Exercício 10
(SEFAZ AL - 2002\CESPE) Julgue a afirmativa.
Em uma distribuição de frequências para um conjunto de n indivíduos, pode-

se calcular as frequências relativas, dividindo-se cada frequência absoluta
pela amplitude da classe ou intervalo.
Resolução
Errado, né pessoal? A Frequência relativa pode ser obtida pela divisão da

frequência absoluta pelo total de elementos existentes na classe.
(Elaborado pelo autor - baseado em SEFAZ SC\1998) Com base na tabela de

frequências abaixo, julgue as afirmativas.
Salários Número de funcionários

3000 a 3999 12
4000 a 4999 10
5000 a 5999 20
6000 a 6999 18
7000 a 7999 15
8000 a 8999 10
9000 a 9999 6
10000 a 10999 4
Exercício 11
A porcentagem de funcionários que ganha menos do que R$ 7000,00 é de

63,1%.

Resolução
Pessoal, vamos rearranjar a tabela, o que vai facilitar a resolução das questões a
seguir.
Salários Número de funcionários Frequência Relativa

3000 a 3999 12 12,63%
4000 a 4999 10 10,53%
5000 a 5999 20 21,05%
6000 a 6999 18 18,95%
7000 a 7999 15 15,79%
8000 a 8999 10 10,53%
9000 a 9999 6 6,32%
10000 a 10999 4 4,21%
total 95 100,00%
Viram? Some os 4 primeiros intervalos (do salário de R$ 3.000 até R$ 6.999) que
você encontrará 63,16%. Portanto, a alternativa é correta!
Exercício 12
A variável da tabela de frequências da variável acima se refere a uma variável

qualitativa.
Resolução
Errado! A variável em questão é salário, portanto, se você perguntar para a variável,

a resposta será um número, portanto, variável quantitativa.

Exercício 13

quantitativa contínua.
Resolução
Ora pessoal, trata-se da variável "salários”. Você não tem como "contar” o salário,
portanto é uma variável quantitativa contínua.Verdadeiro.
Exercício 14
Uma forma de apresentar graficamente esta tabela seria por meio de um

histograma.
Resolução
Perfeito! O histograma é utilizado para variáveis quantitativas contínuas, tal como o

caso em questão.
Exercício 15
15% dos funcionários desta empresa ganham até R$ 4.000.
Resolução
Errado pessoal! Só 12,63% de todos os funcionários ganham até R$ 4.000.

Exercício 16
(SEMSA - CESGRANRIO/2005) Uma série estatística que resume os dados de

uma variável contínua. Esta é a definição de:
a) distribuição de frequência.
b) amplitude total.
c) média aritmética.
d) mediana.
e) moda
Resolução
Como nós podemos resumir uma série de dados contínuos por meio da
representação de uma série? A partir da distribuição de frequências da mesma.
Alternativa (a)

Lista de exercícios resolvidos em aula
Exercício 2
(IRB - 2005/ESAF) - Histograma e polígono de frequências são:
a) A mesma representação gráfica de uma distribuição de frequências.

b) Um texto descritivo e uma representação gráfica de uma distribuição de
frequências.
c) Um texto descritivo e uma função gráfica de uma distribuição de
frequências.
d) Duas representações gráficas de uma distribuição de frequências.
e) Duas representações gráficas de uma distribuição de frequências,
porém com sentidos opostos.
Exercício 3
(Gestor Fazendário MG - 2005/ESAF - modificada) Com base no diagrama de

ramos e folhas abaixo, encontre a observações que divide a série de dados em
duas partes iguais:
9 1 1
9 9
10 0 0 2 2 3 4
10 5 7 7 7 8
11 0 1 3
11 6 6
12 0 0 0 1 2
12 5 5 8
13 0 0 4
13 5 5 5
14 0
14 5

a) 110
b) 120
c) 116
d) 113
e) 111
Exercício 4
(IRB - 2004/ESAF - modificada) Com base no diagrama de ramos e folhas

abaixo, encontre a observações que divide a série de dados em duas partes
iguais:
3 4
3 8
4 2 2
4 5 7
5 1 2 4
5 7 8 8 9
6 0 1 3
6 5 5 6 7 8 9 9
7 0 1 1 2 3 3 4
7 5 5 6 6 7 9
8 1 1 2 3 3 4 4
8 5 7
9 0 1 3
9 7

a) 69
b) 71
c) 70
d) 72
e) 74
Exercício 5
(Petrobrás - 2005\Cesganrio) Histograma e polígonos de frequência são duas

representações gráficas de distribuições:
a) Uniformes
b) De frequências
c) De acumulações
d) Não uniformes
e) Assimétricas
Exercício 6
(SEFAZ SC - 2010\FEPESE\modificada) Das alternativas abaixo, qual a forma

gráfica mais adequada para representar uma variável qualitativa:
a) Histograma
b) Gráfico em setores
c) Gráfico de dispersão
d) Diagrama de caixas

Exercício 7
(ARCE - 2006\FCC) O processo estatístico que consiste em avaliação direta de

um parâmetro, utilizando-se todos os componentes da população chama-se:
a) Amostragem
b) Estimação
c) Censo
d) Parametrização
e) Correlação
Exercício 8
(Elaborada pelo autor) Qual das alternativas abaixo não se refere a uma forma
de apresentação de dados estatísticos:
a) Rol
b) Agrupamento em classes
c) Agrupamento simples
d) Diagrama de Ramos e Folhas
e) Censo
Exercício 9
(Prefeitura do Rio de Janeiro - 2002\FJG) Os dados de um determinado estudo

representam muitas variáveis para cada uma das pessoas que se submeteram
ao estudo. Uma variável considerada qualitativa é a seguinte:
a) Idade
b) Altura
c) Sexo
d) Peso

Exercício 10
(SEFAZ AL - 2002\CESPE) Julgue a afirmativa.
Em uma distribuição de frequências para um conjunto de n indivíduos, pode-

se calcular as frequências relativas, dividindo-se cada frequência absoluta
pela amplitude da classe ou intervalo.
(Elaborado pelo autor - baseado em SEFAZ SC\1998) Com base na tabela de

frequências abaixo, julgue as afirmativas.
Salários Número de funcionários

3000 a 3999 12
4000 a 4999 10
5000 a 5999 20
6000 a 6999 18
7000 a 7999 15
8000 a 8999 10
9000 a 9999 6
10000 a 10999 4
Exercício 11
A porcentagem de funcionários que ganha menos do que R$ 7000,00 é de

63,1%.
Exercício 12

qualitativa.

Exercício 13

quantitativa contínua.
Exercício 14
Uma forma de apresentar graficamente esta tabela seria por meio de um

histograma.
Exercício 15
15% dos funcionários desta empresa ganham até R$ 4.000.
Exercício 16
(SEMSA - CESGRANRIO/2005) Uma série estatística que resume os dados de

uma variável contínua. Esta é a definição de:
a) distribuição de frequência.
b) amplitude total.
c) média aritmética.
d) mediana.
e) moda

Gabarito
2- d
3- c
4- b
5- b
6- b
7- c
8- e
9- c
10- F
11- V
12- F
13- V
14- V
15- F
16- a
Boa galera! Encerramos nosso primeiro encontro. Só esquentamos os

motores, ainda tem muita coisa pela frente! Não tivemos questões de AFRFB
nesta aula, pois ainda estamos na parte muito básica (mas necessária).
Um abraço e mandem dúvidas.
jeronymo@estrategiaconcursos.com.br

Estatística p / AFRFB
AULA 01: Medidas de Posição e Dispersão
SUMÁRIO PÁGINA
Medidas de Posição Central 2
Medidas de Dispersão 10
Medidas Separatrizes e Simetria 17
Tabelas de Frequências e medidas de posição e dispersão 27
Gabarito 86
E aí pessoal? Firmes no propósito?
É muito importante que vocês não desanimem antes de um edital! Rumo à

Receita!
Dica de um concurseiro
A sua rotina de estudos deve ser regrada como uma vida de

monge. Não entendam mal, não estou falando em
V Lw / quantidade, mas em regularidade. Por exemplo, se você
tem 2 horas livres para estudar, você vai estudar 2 horas
todos os dias! Faça chuva ou faça sol, você vai estudar as
suas duas horas! Seja "quadrado”!
Prontos? Então, vamos logo!

1. Medidas de Posição Central
Na última aula nós estudamos como resumir dados por meio de tabelas, gráficos e
diagramas. Porém, muitas vezes, pode ser útil resumir todas as informações que
temos em um número.
Uma forma utilizada para tanto, são as famosas medidas de posição! No nosso
caso, vamos estudar as medidas de tendência central.
Olha, as medidas de tendência central vão te dar uma ideia dos valores
aproximados em torno do qual as observações se agrupam. Há diversos tipos de
medidas de tendência central, tais como a mediana, a moda, a média aritmética, a
média geométrica e a média harmônica.
Para estudarmos estas medidas, vamos nos basear no seguinte rol exemplificativo:
Rol: 10, 15,24,24,24,29,29,3 6, 36,45,65
Vamos começar com a média! Mais especificamente, a média aritmética.
Pessoal, todo mundo já deve ter ouvido falar na média aritmética, sendo que a
maior parte das pessoas refere-se a mesma como, simplesmente, média. Isso não é
à toa, pois essa é a forma mais comum de expressar uma média.
Mais simples, impossível! Voltando ao nosso exemplo, para

calcularmos a média, basta somarmos todas as observações e dividirmos este
somatório pelo número total de observações (no nosso exemplo, 11).
No nosso exemplo:
10 + 15 + 24 + 24 + 24 + 29 + 29 + 36 + 36 + 45 + 65
M édia = = 30, 63
11

Viram como é fácil? Outra forma de apresentar esta mesma média é por meio da
atribuição de pesos às observações, ou melhor, levando-se em conta suas
respectivas frequências.
Como? Bom, para começar vamos colocar nosso rol em forma de uma tabela de
frequências.
Observação Frequência
10 1
15 1
24 3
29 2
36 2
45 1
65 1
Ao ponderarmos os valores da tabela pelas suas frequências absolutas, o que

estamos fazendo é atribuir pesos a cada uma das observações, de forma que
indiquemos quantas vezes cada observação aparece em nossa série. Neste caso,
multiplique cada uma das observações pela sua respectiva frequência e divida este
total pelo somatório do total de frequências:
( 10 ■1) + ( 15 ■1) + ( 24 ■3) + ( 29 ■2) + (3 6 -2) + 45 + 65

M édia = = 30, 63
11
Dá para ver que dá na mesma? Clarp que dá, ao invés de somarmos todas as
observações, só estamos multiplicando cada uma delas pelo total de vezes que ela
aparece na série, o que é a mesma coisa!
Vamos deixar bonito! Se chamarmos a i-ésima observação de uma série de xt, de n

o total de observações e considerarmos 2 como símbolo de somatório de um
conjunto de dados, a média aritmética será dada por:
2Xj
M édia Aritmética =
n

Estratégia
r nONNr Ci i UR R« ;S nO<S;
C
Se quisermos uma fórmula para o caso da média aritmética calculada com as

frequências:
Tjfi - x{) = ! ( f i - x{)

Média Aritm ética =
n Z/ í
Vou deixar a cargo de vocês encontrarem a fórmula para o caso em que estivermos
usando frequências relativas.
Beleza? Mas, este não é o único tipo de média!
Outra média, mas que nos dá resultados diferentes da anterior é a média

geométrica.
Você calcula a média geométrica do nosso exemplo assim:
Média Geométrica = 10 - 15- 24- 2 4- 2 4- 2 9- 29 - 3 6- 3 6- 45- 65
Ou, de forma mais genérica, no caso de n observações:
Média Geométrica = vsJx1 - x2 - .
Percebe? Você vai tirar uma raiz n-ésima do produto de uma série de n elementos.
Isso é média geométrica.
Mais uma? A média harmônica.
Para o nosso exemplo:
10 + 15 + 24 + 24 + 24 + 29 + 29 + 36 + 36 + 45 + 65

Estratégia
C
Já que vocês gostam tanto de generalizações:
Média Harmônica =
Xi X2 Xft
-“Professor, eu entendi, mas porque você está falando só superficialmente

das médias geométrica e harmônica”?
Pelo seguinte, meu querido aluno: não cai muito em prova!
Obs. Relação entre as médias
Uma das coisas mais cobradas com relação aos tipos de médias é a relação entre
elas no que se refere à magnitude de cada resultado.
Pode-se provar que, para um determinado rol de valores:
Média Aritmética > Média Geométrica > Média Harmônica
Calcule cada uma das médias para o nosso exemplo, você perceberá que isso é
verdade.
Ok? Vamos partir para outra medida de posição central: a moda!
^ \2 p a te n to !
------ A moda é definida como a realização mais frequente do
conjunto de valores observados.
Voltemos ao nosso exemplo. Perceba que a observação que tem valor igual à 24 é
a que aparece a maior quantidade de vezes ao longo da série. Essa é a moda!

Uma forma que facilita enxergar a moda é com base em tabelas de frequência, tal
como construímos acima. Isso porque, basta verificar qual é a observação que mais
ocorre.
Guarde assim, quando você pensa em "moda”,

você, provavelmente, pensa em algo que todo mundo está fazendo ou usando,
certo? Então, a moda de uma série é a "roupa” que as observações mais gostam de
usar, ou seja, é a realização que mais ocorre.
Beleza? E a mediana?
A mediana é a realização que ocupa a posição central

da série de observações.
Vamos voltar ao nosso exemplo acima. Naquele caso temos 11 observações,

portanto a mediana da série é aquela observação que separa a série em duas
partes iguais.
Não precisa pensar muito para saber que deve ser a sexta observação, pois neste
caso, haverá cinco observações antes e depois da mesma. No exemplo, a mediana
será a primeira observação de número igual à 29.
Neste caso fica fácil, mas vamos tornar o procedimento mais analítico.
Se considerarmos que o número de observações pode

n+ 1
ser chamado de n, a mediana será a observação da amostra número .

Estratégia
C
Portanto, como temos 11 observações em nosso exemplo, a mediana será a

observação número = 6.
-"Tudo bem professor, mas e se o número de observações for par”?
Boa pergunta! Se o número de observações for par, não há observação que divide a
série em duas partes iguais! Neste caso, você vai tirar uma média aritmética das
duas que dividem!
Não entendeu? Vamos lá, suponha que nosso rol contenha mais uma observação:
Neste caso, temos 12 observações, portanto não há uma única variável que divida o
rol em duas partes iguais. Assim, para encontrar a observação:
n+ 1
2
No nosso exemplo:
12 + 1
Portanto, a nossa mediana está emalgum ponto entre a sexta e a sétima

observação.
-"Mas, este ponto não existe”!
Existe sim! Trata-se do ponto médio entre a sexta e a sétima observação! No nosso
caso, a sexta e a sétima observação tem valor igual à 29, assim:
29 + 29
= 29
2

Então, nossa mediana tem valor igual à 29.
Certo? Vamos estudar agora algumas propriedades destas medidas de

posição.
1.1 Propriedades das medidas de posição central
A ideia desta seção consiste no conceito de operador estatístico.
Por meio de um operador estatístico pode-se aplicar determinada operação a

um conjunto de dados.
Por exemplo, podemos aplicar o operador "média aritmética” em um conjunto de

dados o que nos dará como resultado a aplicação da seguinte operação no rol:
2Xj
Mé dia Aritmética = X =
n
Percebe como funciona? Chame o conjunto de dados de X, assim, se aplicarmos o

operador "média aritmética”:
Mé dia(X) = 30, 63
Trata-se tão somente de uma forma simplificada de representar a aplicação de uma

determinada operação a um conjunto de dados. Isso nos será muito útil em
explicações posteriores.
Nesta seção, iremos estudar como o operador média responde a determinadas

operações, tal como a multiplicação de todas as observações por um valor fixo
qualquer, por exemplo.
Assim, vamos a estas propriedades.

1) Se somarmos (subtrairmos) todas as observações com um determinado

valor fixo, tal como x, toda a média terá resultado igual ao anterior à
operação mais (menos) x.
Entendeu? Vamos a um exemplo, com base no nosso rol de dados:
Rol: 10, 15,24,24,24,29,29,3 6, 36,45,65
Vamos somar 10 em cada uma das observações, de forma que o novo rol seja:
Rol: 20,25,34,34,34,39,39,46,46,55,75
Tire a média:
M édia = 40, 63
Ora, este é o mesmo resultado anterior mais 10! Essa é a propriedade. Isso vale
para uma subtração também.
Para uma constante a:
M édia(a + X) = X + a
Teste!
2) Se multiplicarmos (dividirmos) todas as observações de uma amostra

por um determinado valor fixo, tal como x, a média terá resultado igual
ao anterior à operação vezes (dividido por) x.
Mesma coisa. Multiplique cada uma das observações do rol por 2:
Rol: 20,3 0,48,48,48, 58, 58,72, 72,90, 130

Qual é a média?
M édia = 6 1, 27
Que é o mesmo resultado anterior multiplicado por 2.
Média(a ■X) = X ■a
Tente para o caso da divisão!
2. Medidas de Dispersão
As medidas de dispersão visam tornar a avaliação do conjunto de dados por meio

de estatísticas-resumo mais próximas da realidade. A simples observação da média
não nos diz muita coisa sobre um conjunto de dados, a título d eilustração, observe
o seguinte rol de dados:
Rol: 9; 10; 50
Rol: 22; 24
A média para ambos os rols será de 23
Suponha que você não consiga visualizar o rol, mas só o resultado da média. Você
acha que esta medida resumo explica bem como os dados estão dispostos?
Claro que não! Isso porque há uma intensa variabilidade dentro do conjunto de
dados no primeiro rol, o que não ocorre no segundo.

Um exemplo bem fácil pode ser detido da análise de um caso de tiro ao alvo!
Suponha que você dê dois tiros, se você acertar ambos no alvo, na média, você
acertou no alvo. Agora, se você der dois tiros e um deles ficar 50 metros acima do
alvo, enquanto o segundo ficar 50 metros abaixo, na média, você acertou no alvo.
Qual o problema do argumento? Você não levou em conta a variabilidade!
-"Bom, então eu devo encontrar uma medida que mostra o quanto as observações
estão desviando da média”.
Essa é a ideia! Você pode pensar que uma "média dos desvios de cada observação
com relação à média” pode nos ajudar a identificar quando há uma intensa
variabilidade nos dados.
Porém, isso não é possível. Pois, a soma dos desvios de uma série com relação
à média sempre é igual à zero!
Vamos ao exemplo do nosso primeiro rol de dados:
Rol: 9; 10; 50
Agora, chamando cada observação de xt e a média da série de x, calculemos o

somatório dos desvios com relação à média, de forma que:
! ( xí - x ) = i 9 - 23) + ( 10 - 23) + (50 - 23) = 0
Viram? Isso não é uma coincidência. Isso ocorre sempre!
-”O que fazer então”?
Bom, podemos "trapacear”, criando formas alternativas de mensurar este desvio.
Uma delas é a medida "desvio médio”:

Desvio Médio = - ■
n
Para o caso de n observações.
Este "traço” vertical que fica em volta do desvio é chamado de módulo. Qualquer
número em módulo retorna um valor positivo. Ou seja, aqueles desvios negativos no
exemplo serão somados como se fossem positivos, assim:
1\ x í - x\ |(9 - 23) + ( 10 - 23) + (50 - 23)| 1 4 + 1 3 + 27

Desvio Médio = = = = 18
n 3 3
Percebeu? Este número 18 seria representativo do desvio médio nas

observações!
Outra possibilidade é a medida de dispersão variância:
2 (x j —x ) 2
Variância =
n
Você pode perceber que esta medida também "resolve” o problema do somatório
ser igual à zero, pois os valores serão elevados ao quadrado. Veja:
2 ( x ; - x ) 2 (9 - 2 3 ) 2 + ( 1 0 - 2 3) 2 + (5 0 - 2 3 ) 2 19 6 + 1 69 + 7 2 9
Vari ância = - = = = 3 64,6 6
n 3 3
Mas, isso pode causar um problema de interpretação, pois as variáveis resultantes

estão elevadas ao quadrado. Então, uma medida muito útil é o desvio padrão, que
nada mais é do que a raiz quadrada da variância:
2 (x j - x ) 2
Desvio Padrão = i
n

No nosso caso:
2(Xj - x ) 2
Desvio Padrão = I 19, 06
n
Perceba que o valor fica mais próximo do desvio médio, permitindo uma
comparação mais acurada.
Pessoal, muitas vezes fica difícil calcular a variância

em uma prova, já que você tem pouco tempo. Portanto, precisamos de uma
maneira mais fácil e direta, assim, pode-se provar que:
Variãncia = média dos quadrados —quadrado da média
-“Não entendí”!
Bom, vamos ao nosso famoso exemplo. Primeira coisa, vamos fazer uma tabela
com as observações e seus valores ao quadrado:
Observações Quadrados
9 81
10 100
50 2500
Média 23 893,66
Agora use nossa fórmula:
Vari ãncia = média dos quadrados —quadrado da média = 893,66 —529 = 364,66

Ora, mas esta não é a variância? Exatamente! Dá na mesma, mas, vai por mim,
isso vai te ajudar demais na resolução de provas. Portanto, decore!
2.1 Propriedades da variância e do desvio padrão
Pessoal, tal como eu fiz no caso da média, não vou ficar derivando as propriedades
da variância e do desvio padrão, apenas decorem!
1) Ao somar (diminuir) qualquer valor fixo das observações utilizadas para

cálculo da variância (Var) ou de seu respectivo desvio padrão (DP), o
resultado ficará inalterado.
Veja pessoal, vamos pegar nosso exemplo:
Rol: 9; 10; 50
Agora vamos diminuir 3 de cada observação:
Rol: 6; 7; 47
Agora, calcule a variância (nova média igual à 20):
I ( X j - x ) 2 (6 - 2 0) 2 + (7 - 2 0) 2 + (47 - 2 0) 2 1 9 6 + 1 69 + 72 9
Variância = = = = 3 64, 66
n 3 3
Ora, deu na mesma! O mesmo pode-se dizer do desvio padrão, pois se trata de
raiz quadrada do mesmo número. Isso também vale sempre!
Para quem gostou de analisar as propriedades com base em operadores, para um

dado valor fixo a:

Var(a + X) = Var(X)
DP(a + X ) = DP(X)
2) Ao multiplicar (dividir) todas as observações de uma série por um

determinado valor fixo, tal como x, a variância resultante ficará
multiplicada (dividida) por x2, enquanto que o desvio padrão resultante
ficará multiplicado (dividido) por x.
Olha, um jeito legal de pensar é que "variância lembra quadrados”, enquanto que o
desvio padrão é a raiz da mesma, portanto o resultado será com a variável em nível,
isso é sem estar elevada a nada.
Vamos ao nosso exemplo, vamos multiplicar todas as observações por 2:
Rol: 18;2 0; 100
Agora, calcule a variância (nova média igual à 46):
E(Xj - x )2 (18 - 4 6)2 + (2 0 - 4 6)2 + (1 00 - 4 6)2 784 + 676 + 2 9 1 6

Variância = = = = 1458,66
n 3 3
Ora, divida este valor por 22 = 4 que você vai encontrar a variância original.
E o desvio padrão? Neste caso o fator não multiplica ao quadrado.
Desvio Padrão = ^ 1458,66 = 38, 19
Perceba que este valor é igual ao resultado original 19,09 multiplicado por 2.

Estratégia
C
Para quem quiser um jeitinho fácil de lembrar, ao multiplicar as observações de uma

série por x, a variância ficará multiplicada por x2 e o desvio padrão por x porque:
Não está satisfeito? Então veja em forma de operadores:
Var(a • X) = a2 • Var{X)
DP{a- X) = a- DP( X)
Obs. Coeficiente de Variação
Conceito simples e que sempre cai em prova. Pessoal, o desvio padrão é muito
afetado pelo valor absoluto dos dados analisados, o que dificulta a comparação de
duas séries com valores muito diferentes. Assim, costuma-se utilizar o conceito de
coeficiente de variação (cv):
DP(X)
H
Entenderam? Divida o desvio padrão calculado de cada série pela sua respectiva
média aritmética. Este conceito permite comparações entre os desvios padrões de
séries com valores muito diferentes.
Guarde isso, pois cai muito!
Beleza pessoal? Vão tomar uma água e voltem logo para continuarmos com
as medidas separatrizes.

3. Medidas separatrizes e assimetria
Outra forma de visualizar uma distribuição e de podermos representa-la é por meio

de suas medidas separatrizes, isso é observações que "separam” os dados de
uma série de forma bem específica. Isso é feito por meio dos percentis.
Percentil de ordem p significa o valor da observação

que não é superado por p% das observações da série.
Nós já estudamos uma medida deste tipo: a mediana. Ela divide o conjunto de
dados em duas partes iguais, tal que metade das observações possuirá valores
menores do que ela e metade terá valores maiores. Na verdade, ela é um percentil
de ordem 50.
Outro exemplo de medida separatriz é o quartil. Os quartis são as observações

que dividem a série em quatro partes iguais.
Os quartis separam uma série de dados em quatro partes iguais, de forma que o
primeiro quartil é o valor que não é superado por 25% das observações. Na mesma
linha, o segundo quartil coincide com a mediana, possuindo valor que não é
superado por 50% das observações, enquanto que o terceiro quartil tem valor
superior a 75% das observações.
Outro exemplo: os decis. Estes dividem a série de dados em 10 partes iguais! Por
exemplo, o 1° decil possui valor que não é superado por 10% das observações. E
por, aí vai.
Mas, apesar de existirem infinitas possibilidades de percentis, o que nos interessa,

para fins de prova, são a mediana e os quartis. Já estudamos a mediana, portanto,
vamos nos aprofundar nos quartis.

Olhem o exemplo abaixo:
Rol: 2; 3; 6; 8; 9; 10; 13; 15; 18; 2 1; 23
Veja quais são as observações que dividem a série em quatro partes iguais:
Rol: 2; 3; 6; 8; 9; 10; 13; 15; 18; 2 1; 23

Assim:
1° quartil: 6
2° quartil: 10
3° quartil: 18
Neste caso específico conseguimos determinar os números da série que

representam a divisão do conjunto em 4 partes iguais, mas, tal como no caso da
mediana, isso nem sempre é possível. E se o nosso rol fosse composto de 8
elementos?
Rol: 2; 3;8 ;9 ;1 3;1 5;2 1;2 3
Aí você vai pensar da seguinte forma: já que há 8 elementos, a divisão da série em

4 partes deverá ser feita de forma que cada parcela tenha 2 valores. Mas, como
fazer isso? Da mesma forma que no caso da mediana, encontre o ponto médio que
cumpra tal função!
Rol: 2; 3; ponto médio ( 3 e 8); 8; 9; ponto médio ( 9 e 13); 13; 15; ponto médio ( 15 e 2 1); 2 1; 23
Rol: 2; 3; 5, 5; 8; 9; 11; 13; 15; 18; 2 1; 23

Gente, se cair na prova, o que não é comum, encontre a mediana geral! Após
encontrar a mediana, encontre as medianas para cada parcela da mediana
geral. Por que isso? Porque a mediana da metade dos dados corresponde ao
1° e 3° quartil. Como fazer isso? Tal como fizemos neste exemplo aqui em
cima!
Viram? Tranquilo não?
O que é interessante é que o conceito de quartil é

comumente utilizado com o intuito de averiguar o grau de simetria de uma
distribuição!
Para que isso fique claro precisamos estudar o conceito de distância interquartil
ou amplitude interquartil.
A distância interquartil (dq) é uma medida da diferença de valores entre o terceiro

(ç3) e o primeiro quartil {q1)\
dq — Ç3 Çl
Esta medida nos dá uma ideia do grau de dispersão de uma série, pois quanto
maior este resultado menor é a concentração dos valores da série ao redor da
mediana.
A ideia de distribuição simétrica tem a ver com a distância entre os diversos

quartis e as observações extremas das séries estudadas.
-"Como assim, professor”?
Simples. O que nós queremos dizer com distribuição simétrica é que o que ocorre
com os valores à direita da mediana deve ser “semelhante” ao que ocorre com
os valores à sua esquerda.

Um exemplo de distribuição simétrica é a distribuição normal ou gaussiana (tem

a forma de um “sino”):
Olha só, divida o gráfico em duas partes iguais. Como? Encontre o valor da
mediana.
Frequência
Perceba que o lado esquerdo é muito semelhante ao esquerdo. Essa é a ideia de

simetria.

Assim, para uma distribuição simétrica ou aproximadamente simétrica as

observações devem respeitar as seguintes condições:
1) q2 —1- observação = última observação —q2

2) Ç2 _ Çi = Ç3 _ Ç2
3) q± —1- observa ção = última observa ção —q3
4) Distâncias entre a mediana (q2) e q± e ç3menores do que as distâncias entre
os extremos (1â e última observação) e q± e q3
Percebam que estou usando o sinal de igual nas expressões acima, mas o
correto é “aproximadamente igual”, só estou tentando facilitar para vocês na
notação, ok?
-“Nossa, preciso decorar tudo isso”?
Não! Isso não costuma cair em prova. Eu apenas desejo que vocês entendam a
ideia de distribuição simétrica. Olhem para as condições e vejam que a distribuição
normal tende a se encaixar no conceito. Pensem de forma abstrata, pois iremos
estudar mais da distribuição normal em aulas futuras.
Se quiser decorar uma propriedade, guarde a número (2), pois, na maior parte
dos casos, esta é resolve o seu problema!
Agora, o que cai muito em prova são as formas de

distribuição não simétricas! Viu porque você tinha que saber o conceito anterior?
Perceba que se os quantis da direita estiverem mais afastados da mediana do

que os da esquerda o gráfico representativo desta distribuição seria:

Esta distribuição tem dados que são assimétricos à direita.
Entenderam o gráfico? A concentração da distribuição ocorre na "parte gordinha”

do gráfico, com valores mais baixos para as observações "mais comuns”, entretanto
há algumas observações que têm valores muito altos com relação a todo o rol de
dados. Estas observações destoam das demais por serem de valores muito
diferentes da maior parte da amostra. Como estes pontos extremos ocorrem à sua
direita, ela é assimétrica à direita!
E se for o contrário? E se os quantis da esquerda estiverem mais afastados da

mediana do que os da direita?

Neste caso os dados tem comportamento assimétrico à esquerda!
Pessoal, o que é interessante e que cai em prova é o posicionamento da

média, mediana e moda a depender da assimetria da distribuição!
As relações que você vai ter que guardar são:
Média < Mediana < Moda Moda < Mediana < Média
Vamos pensar de forma intuitiva a fim de que não tenhamos que ficar decorando
sem pensar!
Pessoal, a moda é o mais fácil, pois ela ocorre no ponto de maior frequencia, ou
seja, no topo da curva!

E a média? Se a distribuição é assimétrica à direita isso significa que há

observações com valores muito altos e que destoam do resto da série, essas irão
"puxar” o valor da média para cima! Portanto, a média será o valor mais alto neste
caso, pois trata-se da medida de posição central mais sensível a valores extremos
(moda e mediana não são afetadas por pontos extremos). Se a distribuição foir
assimétrica à esquerda faz-se o raciocínio inverso, sendo que a média será
"puxada” para trás.
E a mediana? Ora, sempre ficará entre a média e a moda.
-“E se a distribuição for simétrica”?
Exatamente, a média terá o mesmo valor da mediana e da moda da série.
Beleza pessoal? Antes de encerrarmos este tópico, vamos fazer uma

observação!

Obs. Box-plots ou gráficos em caixa
Este é um assunto que já foi cobrado em concursos, portanto precisamos abordar.

Trata-se de uma forma gráfica de representar uma distribuição com base nos quartis
e mediana de uma série de dados.
32 quartil
Mediana
12 quartil
Veja, no eixo vertical dispomos os valp res da série de dados e nos utilizamos da
caixa para que possamos saber o posicionamento da mediana e dos quartis de uma
determinada sequência de dados. Assim, este gráfico nos ajuda a verificar a
simetria da distribuição de dados em estudo.
Além disso, nós podemos verificar a possibilidade de existência de outliers ou

valores atípicos na nossa série. Veja que do retângulo saem duas “peminhas”, uma
para baixo e outra para cima! Essas perninhas são indicativas do que é considerado
como desvios “dentro do esperado”, que é dada por:

Limite superior = q3 + 1, 5 • dq
Limite inferior = q1 —1,5 • dq
Ora, o que isso está dizendo é que qualquer observação que esteja em um intervalo
de 1,5 vezes a distância interquartil, contada a partir do 1° ou 3° quartil, é
considerada "dentro do normal”.
l,5IDq
3S quartil — —
Mediana
IS quartil
1,5 Dq
-“Tudo bem professor, mas e se uma observação superar o limite superior ou

inferior”?
Ótima pergunta! Ela é considerada um valor atípico ou outlier!
Se você ainda não entendeu, calma, nós vamos resolver alguns exercícios no fim da
aula que vão te ajudar, ok?

4. Tabelas de Frequências e medidas de posição e dispersão
Bom pessoal, até agora estudamos os conceitos de medidas de posição e

dispersão, mas, para fins de prova, o que realmente importa é a aplicação destes
conceitos em dados contínuos agrupados em classes.
Primeira coisa que vocês tem que aprender é o conceito de frequência acumulada,
pois isso está em quase todas as questões de concurso.
Pessoal, a ideia de frequência acumulada é melhor entendida com base em um

exemplo, suponha uma pesquisa feita sobre a altura de uma determinada população
em uma região:
Altura Frequência Frequência

(metros) Absoluta Acumulada
1,5 h 1,6 10 10
1,6 h 1,7 10 20
1,7 h 1,8 5 25
1,8 h 1,9 5 30
Total 30 x
Veja o que a informação de frequência acumulada está te dizendo, ela indica

quantos elementos estão abaixo de um determinado valor.
Perceba que para o grupo que vai de 1,5 m até 1,6 m há 10 indivíduos, assim,
sabendo-se que há 10 indivíduos com altura entre 1,6 m e 1,7 m, uma classe que
agrupe todos os indivíduos com altura entre 1,5 m até 1,7 m terá 20 indivíduos.
Percebe como funciona o conceito de “acumulado”? Assim, como há 30
indivíduos pesquisados no total, a frequência acumulada na última classe coincide
com o tamanho da amostra!

Atenção! O conceito de frequência acumulada pode ser

feito com base nas frequências relativas calculadas para uma série. Neste
caso, a frequência acumulada irá identificar qual a porcentagem de elementos
que estão abaixo de um determinado valor.
Muitas vezes a banca vai te dar as frequências acumuladas e, a partir daí, será
necessário você calcular as frequências absolutas ou relativas.
-"Como faço isso”?
Vamos voltar no nosso exemplo:

1,5 h 1,6 x 10
1,6 h 1,7 y 20
1,7 h 1,8 z 25
1,8 h 1,9 k 30
Total j x
Bom, a frequência absoluta total você já sabe: a frequência acumulada da última

classe. Assim:
j = 30
E a frequência da última classe? Ora, basta realizar uma subtração da frequência

acumulada da última classe menos a da penúltima:
k = 30 - 2 5 = 5
E a da penúltima?
Z = 25 - 20 = 5

Assim:

1,5 h 1,6 10 10
1,6 h 1,7 20-10=10 20
1,7 h 1,8 25-20=5 25
1,8 h 1,9 30-25=5 30
Total 30 x
Viram como se faz? Isso é muito comum em provas.
Beleza? Então, vamos ao que interessa: as medidas de posição e dispersão

calculadas para dados agrupados em classes.
4.1 Caso da média
Bom, a média é um dos casos mais fáceis. Você vai ter que dar um "chute” para o
valor representativo de cada classe.
Calcule o ponto médio de cada classe e

considere que a classe é representada por este valor!
Entenderam? Você calcula o ponto médio do intervalo com base na seguinte

fórmula:
li T ls
ponto médio =
Sendo ls o limite superior da classe e lt o limite inferior.
Assim, calculamos:

Altura Frequência
(metros) Absoluta
1,5 5 10
1,6 5 10
1,7 5 5
1,8 5 5
Total 30
Você percebe que isso é um "chute”? Claro que sim, pois pode ser que nenhuma
das observações da classe coincida com seu ponto médio. Para o cálculo iremos
nos utilizar das frequências absolutas ou relativas.
Esta é a metodologia mais comum para calcular a média de uma série agrupada em
classes. Portanto, agora temos uma tabela de frequências simples, o que torna o
cálculo bem simples:
l( f i ■x{) ■Xj) 1,5 5 •1 0 + 1,6 5 •1 0 + 1,7 5 •5 + 1,8 5 •5

Média Aritmética = = = 1,6 6
n I fi 30
4.2 Caso da variância, desvio padrão e desvio médio
Da mesma forma que o cálculo da média, precisamos calcular os pontos médios de

cada intervalo e nos utilizarmos do mesmo como se fosse a observação
representativa da classe em questão. Ao obtermos os pontos médios, é só calcular
a variância e o desvio médio com base nas fórmulas:
l [ f i • |Xj - x|]
Desvio M édio = - -
n
Sendo fo a frequência absoluta da classe.
Bom, a média nós já calculamos, então:

1 0 •(1,5 5 - 1,66)2 + 1 0 •(1,65 - 1,66)2 + 5 •(1,75 - 1,66)2 + 5 •(1,85 - 1,66)2

Variância = = 0,1 1
1 0 •11,5 5 - 1,661 + 1 0 •11,65 - 1,661 + 5 •11,75 - 1,661 + 5 •11,85 - 1,661

Desvio Médio = = 0, 0 8 8
30
Entendeu? Você deve encontrar o ponto médio de cada classe, calcular a média e
calcular as medidas de dispersão como se os pontos médios fossem as próprias
observações da série. Tal como no caso da média, isso é um "chute”.
4.3 Caso da moda
Vamos modificar nosso exemplo a fim de que tenhamos uma classe modal:
Altura Frequência
(metros) Absoluta
1,5 h 1,6 10
1,6 h 1,7 20
1,7 h 1,8 5
1,8 h 1,9 5
Total 40
-"Classe modal, professor”?
Exatamente! Classe modal é aquela que "aparece mais vezes”, tal como o conceito
de moda no caso de observações não agrupadas em classe.
Então, uma primeira forma simples de se encontrar a moda é por meio da moda
bruta.
O cálculo da moda bruta é feito de forma a representarmos um intervalo com base

em seu ponto médio, tal como nos casos anteriormente estudados.

Neste caso:
Altura Frequência
(metros) Absoluta
1,5 5 10
1,6 5 20
1,7 5 5
1,8 5 5
Total 40
Simples, não? A moda é 1,65m, pois é a observação que mais ocorre.
Alguns de vocês já devem estar achando que tudo é igual: "é só ficar chutando”.
Mas, esta não é a única forma, nem a mais comumente cobrada em prova.
O cálculo da moda que mais aparece em concursos

é por meio da fórmula de Czuber:
fclasse fclasse ant

Moda Czuber = li + h-
Xfclasse fclasse ant) ^ {fclasse fclasse post)/
Sendo:
l t: limite inferior da classe modal

h: amplitude da classe modal
fdasse: frequência da classe modal
fclasse ant- frequência da classe anterior à modal
fclasse post: frequência da classe posterior à classe modal
É isso aí, não tem jeito, você tem que decorar esta fórmula!
Algumas vezes a banca fornece a fórmula para você, mas não conte com isso.

Exercício 1
(FCC - Analista Bacen\2005) Considere a distribuição de frequências a seguir

para resolver a questão abaixo.
Frequência
Salário Absoluta
(R$) Simples
10 0 0 h 2 0 0 0 2
20 00 h 30 00 8
3 0 0 0 h 40 0 0 16
40 0 0 h 5 0 0 0 10
5 0 0 0 h 60 0 0 4
O valor da moda, obtida com a utilização da fórmula de Czuber é (despreze os

centavos)
a) 3201,00
b) 3307,00
c) 3404,00
d) 3483,00
e) 3571,00
fclasse fclasse ant

Moda Czuber = lt + h-
.2 ' fclasse ( fclasse ant T fclasse post}/

Resolução
Pessoal, vou deixar para vocês comprovarem que esta fórmula é exatamente igual à
que eu ensinei.
Bom, sabendo que a classe modal é a terceira, é só substituir:
16 - 8
Moda = 3000 + 1000• s 3571
2 -1 6 - ( 8 + 10)
Simples! Alternativa (e).
Continuando.
Beleza, mas este ainda não é o único jeito de calcular a moda! Tem mais 2
jeitos, mas que não caem muito. Entretanto, por via das dúvidas, é bom saber.
Bom, outra fórmula é a de King:
fclasse post
Moda King = li + h-
fcla sse post 3" fclasse
Quer mais um método? Método de Pparson!
Moda de Pearson = 3 • (Mediana) —2 • (média)
Como eu disse, as que caem mesmo são as modas de Czuber e a bruta, mas
não custa dar uma olhada nestas.

4.4 Caso das medidas separatrizes
Este é o assunto mais importante da aula! Para encontrar tais valores iremos nos
utilizar de interpolação linear.
Para o uso desta metodologia precisamos das frequências acumuladas e você

precisa entender o que na verdade elas estão te dizendo. Vamos ao exemplo, mas
vamos modifica-lo a fim de facilitar os cálculos:
Altura Frequência Frequência Frequência

(metros) Absoluta Relativa*100(%) Acumulada
1,5 h 1,6 20 20% 20
1,6 h 1,7 30 30% 50
1,7 h 1,8 25 25% 75
1,8 h 1,9 25 25% 100
Total 100 100% x
O que eu quero que vocês entendam é o seguinte: qual é a observação que não é
superada por 50% da amostra?
1,7! Olhe, até 1,7 acumularam-se 50% das observações existentes na série,
portanto, este é nossa mediana, pois este número não é superado por 50% dos
valores.
E qual a observação correspondente ao 3° quartil? Exatamente! O 3° quartil está

em 1,8, pois esta observação não é superada por 75% da série.
Mas, neste exercício a coisa está muito fácil e não é isso que geralmente cai na sua
prova. No caso, eu modifiquei o exercício para que a mediana e o terceiro quartil
fossem facilmente visualizáveis e não fossem necessários cálculos para encontra-
los, apesar de estarmos tratando com frequências absolutas. Entretanto, nem
sempre é tão fácil!
Quer ter uma noção? Vamos mudar a pergunta, qual a observação que corresponde
ao 1° decil, ou seja, que não é superada por 10% da série?

Estratégia
C
Veja que isso não pode ser respondido diretamente, pois a primeira classe já
acumula 20 observações, que coincide com 20% da série. A única coisa que você
sabe é que o 1° decil deve estar naquela classe, pois o valor que não é
superado por 10% dos valores deve estar alí!
-"O que posso fazer”?
Há toda uma teoria que explica como encontrar este valor por meio da metodologia
de interpolação da ogiva. Mas, não vou ficar enchendo a cabeça de vocês com
teoria, vamos ao que interessa!
A ideia da teoria se baseia no fato de que há uma regularidade da distribuição

dos dados dentro de uma classe, de forma que a quantidade de dados
dispostos em uma determinada seção da classe seja proporcional à sua
amplitude. Por exemplo, se uma determinada classe acumula 50% das
observações em uma amplitude de 10, 25% do total da série estará acumulado
em uma observação que corresponde à amplitude de 5 nesta classe.
Calma! O que você deve fazer é utilizar aquela famosa "regra de três” que você
aprendeu na escola. Veja, no nosso exemplo, 20% das observações, ou o segundo
decil, corresponde a uma amplitude de 10 cm (1, 6 - 1,5), aí fica a pergunta: qual a
amplitude após o limite inferior corresponde ao acúmulo de 10% das observações?
Para isso, uma regra de três:
1, 6 —1, 5 1Qdecil —1, 5

20 % 10%
1Qdecil = 0, 1 • 0, 5 + 1, 5 = 1, 55

Estratégia
C
Este é o primeiro decil. Entendeu como funciona? Você identifica a classe em que
está a observação que você deseja e faz uma regra de três de forma que você
relacione a amplitude da classe dividida pela sua frequência com o percentual
acumulado que você deseja.
Não entendeu? Há algumas formas de “ decorar” a metodologia, mas eu não

acho didático. A melhor forma de aprender é com exercícios e prática.
Vamos fazer mais um exemplo, mas, agora, com base na tabela acima, encontre o
valor correspondente ao 6° decil! O que estamos procurando é a observação que
não é superada por 60% da série.
Com certeza, esta observação está na 3â classe, pois a segunda só acumula 50%
das observações, enquanto que a terceira acumula 75%. Portanto, estamos
procurando a observação que corresponde a 10% do total da série na terceira
classe, pois esta observação acumularia os 50% das classes anteriores mais os
10% desta, resultando em 60% acumulado.
Neste caso, a regra de três que temos de realizar é a seguinte: a terceira classe tem
amplitude de 0,1 cm para uma frequência relativa de 25%, tal como uma amplitude
de ( 6Qdecil - 1, 7) está para 10%. Assim:
1,8 - 1, 7 6Qdecil - 1,7

2 5% r 10%
10%
0, 1'25% = 6Qdecü ~ 1’7
+ 1, 7 = 6Qdecil
6 Qdecil = 1,74
ATENÇÃO! ESSE MATERIAL PERTENCE AO SITE: WWWMATERIALPARACONCURSOS.COM

Bom pessoal, o que eu quero é que vocês tenham entendido a ideia. Por isso
vamos fazer muitos exercícios, assim vocês poderão treinar!
Exercício 2
(Analista/IRB - ESAF/2005) Sendo a moda menor que a mediana e, esta menor

que média, pode-se afirmar que se trata de uma curva
a) Simétrica.
b) Assimétrica, com frequências desviadas para a direita.
c) Assimétrica, com frequências desviadas para a esquerda.
d) Simétrica, com frequências desviadas para a direita.
e) Simétrica, com frequências desviadas para a esquerda.
Resolução
Hora de forçar a memória! Se a média é o valor mais elevado, isso significa que há
pontos extremos de altos valores (à direita), o que corresponde a uma assimetria à
direita (a ESAF chamou de "frequências desviadas à direita”). Além disso, se a
moda é o menor valor, isso significa que o pico está mais à esquerda.
Alternativa (b).

Exercício 3
(Técnico da Receita Federal - ESAF/2005) Sobre a moda de uma variável, é

correto afirmar que:
a) para toda variável existe uma e apenas uma moda.
b) a moda é uma medida de dispersão relativa.
c) a moda é uma medida não afetada por valores extremos.
d) em distribuições assimétricas, o valor da moda encontra-se entre o valor da
média e o da mediana.
e) sendo o valor mais provável de distribuição, a moda, tal como a
probabilidade, pode assumir valores somente no intervalo entre zero e a
unidade.
Resolução
Vamos analisar:
a) Errado! Algumas distribuições têm mais de uma moda, são chamadas de

multimodais.
b) Não, é uma medida de posição e não dispersão.
c) Perfeito! Os valores extremos não afetam o valor da moda nem da mediana.
d) Errado. O da mediana sempre se encontra entre as duas medidas.
e) Errado, isso não tem anda a ver com o conceito.
Alternativa (c).

Exercício 4
(Analista/IRB - ESAF/2005) O grau ao qual os dados numéricos tendem a

dispersar-se em torno de um valor médio chama-se
a) média.
b) variação ou dispersão de dados.
c) mediana.
d) correlação ou dispersão.
e) moda.
Resolução
Pessoal, questão puramente conceituai. Trata-se das medidas de dispersão.
Alternativa (b).
Exercício 5
(AFRFB - ESAF/2005) Para dados agrupados representados por uma curva de

frequências, as diferenças entre os valores da média, da mediana e da moda
são indicadores da assimetria da curva. Indique a relação entre essas medidas
de posição para uma distribuição negativamente assimétrica.
a) A média apresenta o maior valor e a mediana se encontra abaixo da moda.
b) A moda apresenta o maior valor e a média se encontra abaixo da mediana.
c) A média apresenta o menor valor e a mediana se encontra abaixo da moda.
d) A média, a mediana e a moda são coincidentes em valor.
e) A moda apresenta o menor valor e a mediana se encontra abaixo da média.

Resolução
Bom, no caso de uma distribuição assimétrica à esquerda:
Moda > Mediana > Mé dia
Perceba que tanto as alternativas (b) e (c) acabam por falar a mesma coisa. Assim,
a questão deveria ter sido anulada.
Alternativa (c). (gabarito oficial: nula)
Exercício 6
(Técnico da Receita Federal - ESAF/2005) Considere a seguinte distribuição

de frequências absolutas dos salários mensais, em R$, referente a 200
trabalhadores de uma indústria (os intervalos são fechados à esquerda e
abertos à direita:
Classes de salários Frequências absolutas
De R$400 até R$500 50
De R$500 até R$600 70
De R$600 até R$700 40
De R$700 até R$800 30
De R$800 até R$900 10
Sobre essa distribuição de salários é correto afirmar que:

a) O salário modal encontra-se na classe de R$800 até R$900.
b) O salário mediano encontra-se na classe de R$600 até R$700.
c) O salário modal encontra-se na classe de R$600 até R$700.
d) O salário modal encontra-se na classe de R$700 até R$800.
e) O salário mediano encontra-se na classe de R$500 até R$600.

Resolução
Vamos fazer uma tabela com frequência acumulada:
Classes de salários Frequências absolutas Frequência Acumulada

De R$400 até R$500 50 50
De R$500 até R$600 70 120
De R$600 até R$700 40 160
De R$700 até R$800 30 190
De R$800 até R$900 10 200
Olhe, a moda ocorre na classe de R$ 500 a R$ 600, pois a frequência absoluta é

mais alta nesta classe. Portanto, o salário modal está na segunda classe.
Quanto à mediana, é fácil ver que ela deve estar na segunda classe, pois, como a
frequência total é de 200 observações, estamos procurando a 100â observação.
Portanto, tanto o salário mediano como modal estão na segunda classe.
Alternativa (e).
Exercício 7
(Técnico da Receita Federal - ESAF/2005) A tabela mostra a distribuição de

frequências relativas populacionais (f’) de uma variável X.
X f’
-1 3k
0 K
+1 6k
Sabendo que “k” é um numero real, a média e o desvio-padrão de X são,
respectivamente:

a) 0,3; 0,9.
b) 0,0; 0,3.
c) 0,3; 0,3.
d) k; 3k.
e) 0,3k; 0,9k.
Resolução
Atenção para a palavra "relativa”! Ou seja, a soma de todas as frequência é igual a

1!
Portanto:
3 K + K + 6K = 10K = 1
K = 0,1
Agora fica fácil, vamos calcular a média:
( ( - 1) • 0, 3) + ( 0 • 0, 1) + ( 1 • 0, 6)
M edia = = 0,3
E o desvio padrão é melhor calculado com base naquela formulazinha:
Variância = media dos quadrados —quadrado da media
Portanto, vamos calcular a média dos quadrados:
( ( - 1)2 • 0, 3) + ( 02 • 0, 1) + ( 12 • 0, 6)
Media dos quadrados = = 0 ,9

Portanto:
Vari ãncia = 0,9 —0,32 = 0,9 —0,09 = 0,81
O desvio padrão é a raiz quadrada disso:
Desvio Padrão = ^0 ,8 1 = 0,9
Alternativa (a).
Exercício 8
(AFRFB - ESAF/2005) Assinale a opção que expresse a relação entre as

médias aritmética (X), geométrica (G) e harmônica (H), para um conjunto de n
valores positivos (X1,X2 ...,Xn)\
a) G < H < X, com G=H=X somente se os n valores forem todos iguais.
b) G < X < H, com G=X=H somente se os n valores forem todos iguais.
c) X < G < H , com X=G=H somente se os n valores forem todos iguais.
d) H < G < X, com H=G=X somente se os n valores forem todos iguais.
e) X < H < G , com X=H=G somente se os n valores forem todos iguais.
Resolução
Essa questão é puramente conceitual.
Média Aritmé tica > Média Geométrica > M édia Harmônica
A possibilidade de que todas sejam iguais é quando todas as observações são

iguais.
Alternativa (d).

Exercício 9
(Gestor fazendário - ESAF/2005) Com base na distribuição de frequências do

atributo X dada abaixo, assinale a opção que corresponde à estimativa da
função de distribuição de X no ponto 29. Não existem observações
coincidentes com os extremos das classes. Use interpolação da ogiva no
cálculo da estimativa.
Classes Frequências Acumuladas
15-18 8
18-21 18
21-24 20
24-27 26
27-30 29
30-33 31
a) 0,935
b) 0,903
c) 0,839
d) 0,887
e) 0,871
Resolução
Não falei que isso cai? A questão até te disse para usar interpolação da ogiva.
Uma coisa interessante sobre esta questão é que ela está falando da "estimativa da
função de distribuição de X no ponto 29”. O que ela quer é a frequência relativa
acumulada desta observação.

Estratégia
C O N C U R S O S ^
Mas, vamos por partes, vamos fazer uma tabela de frequências simples a partir das
frequências acumuladas. Faça e você vai ver que vai ficar assim:
Classes Frequências Frequência

Acumuladas Simples
15-18 8 8
18-21 18 10
21-24 20 2
24-27 26 6
27-30 29 3
30-33 31 2
Neste caso, a observação que estamos procurando está na 5â classe. Assim, por
meio da interpolação linear iremos fazer a seguinte correspondência: a amplitude da
5â classe (30 - 27 = 3) está para sua frequência ( 3), assim, como a amplitude
desejada (29 - 27) está para sua frequência, de modo que:
30 - 27 29 - 27
Portanto, até a observação 29 acumulou-se 28 observações que se referem às 26 já

acumuladas mais as 2 até o ponto desejado na quinta classe.
Dado o total da amostra de 31 observações, até o ponto 29 a frequência relativa

acumulada será de:
28
Frequência Relativa Acumulada = Função de Distribui ção2g = — 0,9 03
Alternativa (b).

(Analista/IRB - ESAF/2004) As questões 10 e 11 dizem respeito à distribuição

de frequências conforme o quadro abaixo, no qual não existem observações
coincidentes com os extremos das classes.

129,5 - 139,5 4
139,5 - 149,5 12
149,5 - 159,5 26
159,5 - 169,5 46
169,5 - 179,5 72
179,5 - 189,5 90
189,5 - 199,5 100
Exercício 10
Assinale a opção que corresponde ao 8° decil.
a) 179,5
b) 189,5
c) 183,9
d) 184,5
e) 174,5

Resolução
Mais uma para treinar! Como o total acumulado é igual a 100 os cálculos são mais
fáceis. Vamos colocar a tabela com as frequências simples:
Classes Frequências Frequência

Acumuladas Simples
129,5 - 139,5 4 4
139,5 - 149,5 12 8
149,5 - 159,5 26 14
159,5 - 169,5 46 20
169,5 - 179,5 72 26
179,5 - 189,5 90 18
189,5 - 199,5 100 10
Veja, o 8° decil corresponde a observação que não tem valor superado por 80% das
observações. Este valor está na sexta classe, pois a mesma abrange todas as
observações que vão de 72 até 90!
Agora, vamos fazer a interpolação da ogiva! Sabendo que a sexta classe

corresponde a 18% da série e nós desejamos saber qual a observação que acumula
mais 8% nesta classe, pois até a classe anterior foi acumulado uma frequência de
72%, (o que somado com 8% gera os 80% procurados) devemos fazer a seguinte
operação:
189,5 - 179, 5 x - 179, 5

18 _ 8
Multiplicando invertido temos:

10
■8 = x - 179, 5
18 '
x = 183,9
Alternativa (c).
Exercício 11
Assinale a opção que corresponde à estimativa, via interpolação da ogiva, do

número de observações menores ou iguais ao valor 164.
a) 46
b) 26
c) 72
d) 35
e) 20
Resolução
Para resolver esta questão precisamos encontrar qual a frequência acumulada até a
observação em questão! Bom, para isso iremos nos utilizar da interpolação da ogiva
novamente.
A observação de valor igual à 164 está na quarta classe, assim, sabendo-se que
esta classe tem frequência de 20, podemos realizar a seguinte associação:
169, 5 - 159, 5 _ 164 - 159, 5

20 x
10 _ 4,5
20 x
x= 9

Ou seja, até a observação de valor 164 acumularam-se 9 observações na quarta

classe. Você já sabe que até a classe anterior foram acumuladas 26 observações,
portanto:
9 + 26 = 35
Portanto, até a observação 164 foram acumuladas 35 observações.
Alternativa (d).
Exercício 12
(SENADO - FGV/2008) O coeficiente de variação amostrai (em porcentagem)

de um conjunto de salários é 110%. Se os salários deste conjunto forem
reajustados em 20%, o novo coeficiente de variação amostrai será:
a) 110%
b) 112,2%
c) 114,2%
d) 122%
e) 130%
Resolução
Para realizarmos esta questão precisamos das propriedades da média e da

variância. Lembra-se da fórmula do coeficiente de variação? Para o nosso exercício:
Veja, reajustar os salários em 20% é a mesma coisa que multiplicar todos os

salários por 1,2. Vamos relembrar as propriedades da multiplicação de um termo
fixo sob o desvio padrão e média de uma série:

Mé dia(a ■X) = X ■a
DP(a-X) = D P ( X ) - a
Assim:
DP(X) _ 1,2 • DP(X) 12

— ■1, 1 = 110%
X ~ 1,2 - X 1t2
Ou seja, o coeficiente de variação não se altera.
Alternativa (a).
Exercício 13
(CEB - UNIVERSA/2009) Considere o Box-plot abaixo.
* T
10 35 60 68 75 85 100
O asterisco “*” indica:
a) O menor valor
b) 1,5 ■(Qs - Ri)
c) Qi - 1,5 ■(q3 - Qi)
d) (Q3 - R i )
e) Um outlier

Resolução
Essa questão é muito fácil pessoal. Perceba que o asterisco está além do alcance
das “peminhas”, portanto trata-se de um ponto extremo que não tem
comportamento dentro do padrão, leia-se outlier.
Exercício 14
(PETROBRÁS - CESGANRIO/2005) O gráfico abaixo é um box-plot da

distribuição de renda, em mil reais, da população de um determinado
município.
Box-Plot
12
10
----------------------------------------------- 6
■5
Qual a probabilidade de uma pessoa deste município ter renda superior à 6 mil
reais?
a) 0,15
b) 0,20
c) 0,25
d) 0,50
e) 0,75

Resolução
Viram como são as questões de box-plots? Veja o gráfico e você perceberá que o
salário de 6 mil reais corresponde à primeira "linha horizontal” do box-plot, ou seja,
corresponde ao 1° quartil!
Assim, 75% das observações têm valores superiores a 6 mil reais.
Alternativa (e).
Exercício 15
(FINEP - NCE/2011-alterada) Uma amostra aleatória de 100 famílias foi

selecionada com o objetivo de estimar o gasto médio mensal das famílias com
medicamentos. Os resultados amostrais estão resumidos na distribuição de
frequência, a seguir, segundo as classes de gastos, em 10 reais. Não existem
observações coincidentes com os extremos das classes.
Gastos (em 10 reais) Frequência Absoluta

de 1 a 3 10
de 3 a 5 30
de 5 a 7 60
total 100
A melhor estimativa para a média ariRmética é:
a) 5 reais
b) 8 reais
c) 50 reais
d) 80 reais
e) 25 reais

Resolução
Vamos calcular o ponto médio de cada classe:
Gastos (em 10 reais) Ponto Médio Frequência Absoluta

de 1 a 3 2 10
de 3 a 5 4 30
de 5 a 7 6 60
total 100
Agora basta aplicar a fórmula:
2(/j ■Xj) 2(/j ■Xj)

Média Aritmé tica = - - = - -
n Ifi
Assim:
(2-10) + (4-3 0) + (6-60)

M édia = =5
100
Mas, cuidado, o exercício está dizendo que os valores na tabela estão em 10 reais,
portanto, a média não é 5, mas 50!
Alternativa (c).

Exercício 16
(FINEP - NCE/2011-alterada) As medidas citadas abaixo descrevem uma

amostra obtida em um experimento aleatório. A única que mede a dispersão
da amostra é o(a)
a) desvio padrão
b) mediana
c) média aritmética
d) média geométrica
e) moda
Resolução
Tomara que esta questão cai, hein? Muito fácil, afinal, qual é a única medida de
dispersão na listagem? Desvio Padrão!
Alternativa (a).
Exercício 17
(AFRFB - ESAF/2013) A expectância de uma variável aleatória x — média ou

esperança matemática como também é chamada — é igual a 2, ou seja: E(x) =
2. Sabendo-se que a média dos quadrados de x é igual a 9, então os valores da
variância e do coeficiente de variação de x são, respectivamente,
iguais a:
a)
b)
c)
d)
e)

Resolução
Para resolvermos esta questão precisamos nos lembrar de que:
Variància = média dos quadrados —quadrado da média
Com base no enunciado, sabemos que:
Variància = M édia(x2) — [Média(x)]2 = E(x2) — [£(x)]2
Assim:
Var(x ) = 9 —( 2) 2 = 5
Agora, fica fácil achar o coeficiente de variação:
Alternativa (a).

Exercício 18
(MPE - VUNESP/2013) Foi delineado um experimento separando três grupos

escolhidos aleatoriamente de 5 homens em cada um, para medir seus níveis
alcoólicos após beberem certa quantidade de bebida alcoólica. Os
componentes do grupo A após uma hora, o grupo B após duas horas, e o
grupo C após 3 horas. A quantidade de mg por grama de álcool foi
multiplicada por 10 para facilitar os cálculos. Os resultados observados foram:
Grupo A Grupo B Grupo C

11 5 4
10 8 4
9 6 5
8 6 6
12 5 6
Calculando-se as três médias, a soma delas vale

a) 19.
b) 20.
c) 21.
d) 22.
e) 23.
Resolução
Aí fica fácil:
11 + 10 + 9 + 8 + 12
média A = - = 10
5+8+6+6+S
média B = - =6
4+4+5+6+6
média C = =5
Portanto, Soma = 10 + 6 + 5 = 21. Alternativa (c).

O próximo exercício é bom você acompanhar comigo. Vamos treinar a

aplicação das propriedades da média e variância.
Exercício 19
(STN - ESAF/2013) Suponha que X seja uma variável aleatória com valor
esperado 10 e variância 25. Para que a variável Y dada por Y = p - q x, com p e
q positivos, tenha valor esperado 0 e variância 625, é necessário que p + q
seja igual a:
a) 50
b) 250
c) 55
d) 100
e) 350
Resolução
Bom, vamos aplicar as propriedades de média e variância que já estudamos.

Primeira coisa, vamos tirar a média de Y:
M édiaÇY) = 0 = M édia(p —qx) = M édia(p) —M édia(qx)
Como p e q são constantes:

p —q x M édia{x) = p —10 q = 0
E no caso da variância? Lembre-se de que variância "lembra quadrados”:
Var(Y) = 62 5 = Var(p —qx) = Var{qx)
Isso decorre do fato de que se você tirar a variância de uma constante essa é igual
à zero, portanto, a variância da parte constante nem conta, portanto, pode
descartar. Assim:

Var(qx) = q2Var(x) = q2 ■25 = 62 5
Assim:
q= S
Substituindo isso na expressão que obtivemos a partir da esperança:
p —10q = 0 ^ p —10 5 = 0 ^ p = 50
Portanto:
p + q = 55
Alternativa (c).
Exercício 20
(AFRFB - ESAF/2009) A tabela mostra a distribuição de frequências relativas

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

respectivamente:
a) Média = - 0,5 e variância = 3,45
b) Média = 0,5 e variância = - 3,45
c) Média = 0 e variância = 1
d) Média = - 0,5 e variância = - 3,7
e) Média = 0,5 e variância = 3,7

Resolução
Primeira coisa que temos de fazer é determinar o valor de “a”. Ora, o que nós
sabemos de frequência relativa? A soma de todas deve ser igual a 1. Portanto:
6a + la + 3a = l ^ a = 0 ,1
Agora reescreva a tabela

X f'
-2 0,6
1 0,1
2 0,3
Calcular a média:
( - 2) ■0, 6 + ( l ) ■0, l + ( 2) ■0, 3

M edia = ^ = —0,5
E a variância? Vamos encontrar a média dos quadrados, porque fica mais fácil:
( - 2) 2 ■0,6 + ( l ) 2 ■0,l + (2) 2 ■0,3

M edia = ^ = 3,7
Assim:
Variância = media dos quadrados —quadrado da media = 3,7 —(—0, 5)2 = 3,45
Alternativa (a).

Exercício 21
(CETESB - VUNESP/2013) Numa classe, as notas de uma prova ficaram assim

distribuídas: 1 aluno tirou 10, 13 tiraram 8, 6 tiraram 6, 4 tiraram 5, 10 tiraram 1
e 6 tiraram zero. A média e a moda desta classe foram, respectivamente,
a) 5,3 e 8.
b) 5,3 e 5.
c) 5,3 e 8.
d) 4,5 e 1.
e) 4,5 e 8
Resolução
Para responder esta questão, vamos construir a tabela de frequência para o

modelo:
Nota Frequência
10 1
8 13
6 6
5 4
1 10
0 6
A moda é o mais fácil: nota 8, pois basta ver qual é a observação que mais ocorre.
Para calcularmos a média:
10 -1 + 8-1 3 + 6- 6 + 5- 4 + 1-1 0 - 0 - 6
M édia = = 4,5
40
Alternativa (e).

Exercício 22
(ICMS-RJ - FCC\2014) O Departamento de Pessoal de certo órgão público fez

um levantamento dos salários, em número de salários mínimos (SM), dos seus
400 funcionários, obtendo os seguintes resultados:
Salários (em número de SM) Frequência absoluta

41----- 6 43
61----- 3 100
8 1----- 10 X
10 I----- 12 y
12 I----- 16 40
Total 400
Sabe-se que a mediana dos salários desses funcionários calculada por meio
dessa tabela pelo método da interpolação linear é igual a 8,8 SM. Nessas
condições, o salário médio desses 400 funcionários, em número de salários
mínimos, considerando que todos os valores incluídos em um intervalo de
classe são coincidentes com o ponto médio do intervalo, é igual a
a) 8,93
b) 8,72
c) 8,54
d) 8,83
e) 8,62
Resolução
Essa questão não é difícil pessoal, mas também não é fácil.
Veja, você tem informação sobre qual o valor da mediana pelo método de
interpolação, mas, agora, o raciocínio é inverso, o exercício pede que você encontre
o tamanho do intervalo.

Ora, o que você tem de fazer é encontrar os valores de x e y e, a partir daí, calcular
a média com os pontos médios de cada classe. Então, vamos lá.
Se a mediana é 8,8 SM, isso significa que, até 8,8, ficaram acumuladas 50% das
observações, ou seja, 200. Então, como até a classe anterior já tinham sido
acumuladas 148 observações, isso significa que, na classe x, foram necessárias 52
observações para encontrar a mediana. Então:
range da classe = 10 —8 = 2 0, 8
x _ 200 - 148 = 52
Assim:
0, 8x = 104 ^ x = 130
Agora, o y fica fácil:
48 + 100 + 13 0 + y + 40 = 4 00 ^ y = 82
Agora, vamos calcular a média com base nos pontos médios. Bom, os pontos
médios são fáceis de achar, certo?
P o n to M é d io F req u ê n c ia A b s o lu ta
5 48
7 100
9 130
11 82
14 40
Assim:
5 x 48 + 7 x 100 + 9 x 13 0 + 11 x 82 + 14 x 40 3572
Média = 8,9 3
400 400
Alternativa (a).

Exercício 23
(TRT - FCC\2013) Em uma tabela de distribuição de frequências relativas,

representando a distribuição dos salários dos funcionários em um órgão
público, obteve-se pelo método da interpolação linear que o valor da mediana
foi igual a R$ 4.400,00 e pertencente ao intervalo de classe [4.000,00; 5.000,00),
em R$. Se 35% dos funcionários possuem um salário maior ou igual a R$
5.000,00, então a respectiva frequência relativa correspondente ao intervalo
em que pertence a mediana é, em %, igual a
a) 15.
b) 40.
c) 20.
d) 25.
e) 18.
Resultado
Se 35% dos funcionário têm salários superiores a R$ 5.000 e a mediana é de R$

4.400, isso significa que a amplitude de R$ 600,00 (5.000 - 4.400) nesta classe
corresponde a 15% de toda a amostra. Agora, fica fácil calcular a frequência relativa
da classe:
600 1000
Alternativa (d).

Exercício 24
(TRT - FCC\2013) A quantidade de determinadas ocorrências por dia em uma

fábrica, durante um período de 80 dias, pode ser observada pelo quadro
abaixo.
Quantidade de Ocorrências 0 1 2 3 4 5 Total

Número de Dias 6 10 m 20 n 4 30
Dado que a média aritmética, ponderada pelo número de dias, de ocorrências

por dia é igual a 2,5, verifica-se que a soma da moda e da mediana é igual a
a) 4,25.
b) 5,00.
c) 4,50.
d) 5,50.
e) 4,00.
Resolução
Esse exercício exige que você monte um sistema de equações, afinal há duas
informações (quantidade total de dias e média ponderada) e duas variáveis (m e n).
Veja, você sabe que:
6 + 10 + m + 20 + n + 4 = 80 ^ m + n = 40
Você sabe também que:
6 x 0 + 10 x 1 + m x 2 + 2 0 x 3 + n x 4 + 4 x 5
Média ponderada = = 2,5
80
Então:
0 + 10 + 2m + 60 + 4n + 20
= 2,5 ^ 10 + 2m + 60 + 4n + 20 = 200

2m + 4n = 110
Agora basta resolver o sistema, com base na primeira equação:
m = 40 —n
Substituindo na última:
2( 40 —n )+ 4 n = 11 0 ^ 8 0 —2n + 4n = 11 0
2n = 30 ^ n = 15
Assim:
m = 4 0 - 1 5 = 25
Fica fácil perceber que a moda é 2, pois esta classe é a que tem a maior frequência
(25).
A mediana também está nesta classe, pois é nela que esta concentrada a
observação número 40. Assim, a moda mais mediana:
Moda + Medana = 2 + 2 = 4
Alternativa (e).

Exercício 25
(Ministério da Integração Nacional - 2012/ESAF) A distribuição de frequências

em classes do salário mensal x, medido em número de salários mínimos, de
uma amostra aleatória de 50 funcionários de uma empresa, é apresentado a
seguir.
Usando o ponto médio como representativo da classe, determine o valor mais

próximo da média amostral do salário mensal.
a) 14,5
b) 15,0
c) 15,8
d) 16,1
e) 16,5
Resolução
Vamos refazer a tabela com base no ponto médio de cada classe:
x f
5 22
15 13
25 10
35 3
45 2

Agora, é só calcular a média:
5 x 22 + 15 x 13 + 25 x 10 + 35 x 3 + 45 x 2
Média = 15
22 + 13 + 10 + 3 + 2
Alternativa (b).
Exercício 26
(Ministério da Integração Nacional - 2012/ESAF) Determine o valor mais

próximo da mediana do salário mensal da distribuição de frequências
apresentada na Questão 25, interpolando linearmente dentro das classes, se
necessário.
a) 15
b) 14,3
c) 13,7
d) 12,3
e) 7,3
Resolução
Vamos começar coma elaboração de uma tabela de distribuição acumulada:
x f f acumulada
o- io 22 22
10-20 13 35
20-30 10 45
30-40 3 48
40-50 2 50
Por esta tabela, podemos perceber que a mediana está entre 10 e 20, pois, nesta
classe, acumulam-se 25 das 50 observações.

Devemos fazer uma interpolação, pois queremos encontrar qual a observação

correspondente a 3 observações na segunda classe, o que daria 25 observações.
Assim:
10( 10 a 20) x
— = 3 ^ 1 3x = 30 ^ x = 2,3
Portanto, dado que estamos na segunda classe, a observação correspondente a

50% das observações é:
10 + 2,3 = 12,3
Alternativa (d).

Lista de exercícios resolvidos em aula
Exercício 1
(FCC - Analista Bacen\2005) Considere a distribuição de frequências a seguir

para resolver a questão abaixo.
Frequência
Salário Absoluta
(R$) Simples
10 0 0 h 2 0 0 0 2
20 00 h 30 00 8
3 0 0 0 h 40 0 0 16
40 0 0 h 5 0 0 0 10
5 0 0 0 h 60 0 0 4
O valor da moda, obtida com a utilização da fórmula de Czuber é (despreze os

centavos)
a) 3201,00
b) 3307,00
c) 3404,00
d) 3483,00
e) 3571,00
fclasse fclasse ant

Moda Czuber = lt + h-
.2 ' fclasse ( fclasse ant T fclasse post}/

Exercício 2
(Analista/IRB - ESAF/2005) Sendo a moda menor que a mediana e, esta menor

que média, pode-se afirmar que se trata de uma curva
a) Simétrica.
b) Assimétrica, com frequências desviadas para a direita.
c) Assimétrica, com frequências desviadas para a esquerda.
d) Simétrica, com frequências desviadas para a direita.
e) Simétrica, com frequências desviadas para a esquerda.
Exercício 3
(Técnico da Receita Federal - ESAF/2005) Sobre a moda de uma variável, é

correto afirmar que:
a) para toda variável existe uma e apenas uma moda.
b) a moda é uma medida de dispersão relativa.
c) a moda é uma medida não afetada por valores extremos.
d) em distribuições assimétricas, o valor da moda encontra-se entre o valor da
média e o da mediana.
e) sendo o valor mais provável de distribuição, a moda, tal como a
probabilidade, pode assumir valores somente no intervalo entre zero e a
unidade.

Exercício 4
(Analista/IRB - ESAF/2005) O grau ao qual os dados numéricos tendem a

dispersar-se em torno de um valor médio chama-se
a) média.
b) variação ou dispersão de dados.
c) mediana.
d) correlação ou dispersão.
e) moda.
Exercício 5
(AFRFB - ESAF/2005) Para dados agrupados representados por uma curva de

frequências, as diferenças entre os valores da média, da mediana e da moda
são indicadores da assimetria da curva. Indique a relação entre essas medidas
de posição para uma distribuição negativamente assimétrica.
a) A média apresenta o maior valor e a mediana se encontra abaixo da moda.
b) A moda apresenta o maior valor e a média se encontra abaixo da mediana.
c) A média apresenta o menor valor e a mediana se encontra abaixo da moda.
d) A média, a mediana e a moda são coincidentes em valor.
e) A moda apresenta o menor valor e a mediana se encontra abaixo da média.

Exercício 6
(Técnico da Receita Federal - ESAF/2005) Considere a seguinte distribuição

de frequências absolutas dos salários mensais, em R$, referente a 200
trabalhadores de uma indústria (os intervalos são fechados à esquerda e
abertos à direita:
Classes de salários Frequências absolutas
De R$400 até R$500 50
De R$500 até R$600 70
De R$600 até R$700 40
De R$700 até R$800 30
De R$800 até R$900 10
Sobre essa distribuição de salários é correto afirmar que:

a) O salário modal encontra-se na classe de R$800 até R$900.
b) O salário mediano encontra-se na classe de R$600 até R$700.
c) O salário modal encontra-se na classe de R$600 até R$700.
d) O salário modal encontra-se na classe de R$700 até R$800.
e) O salário mediano encontra-se na classe de R$500 até R$600.

Exercício 7
(Técnico da Receita Federal - ESAF/2005) A tabela mostra a distribuição de

frequências relativas populacionais (f’) de uma variável X.
X f’
-1 3k
0 K
+1 6k
Sabendo que “k” é um numero real, a média e o desvio-padrão de X são,
respectivamente:
a) 0,3; 0,9.
b) 0,0; 0,3.
c) 0,3; 0,3.
d) k; 3k.
e) 0,3k; 0,9k.
Exercício 8
(AFRFB - ESAF/2005) Assinale a opção que expresse a relação entre as

médias aritmética (X), geométrica (G) e harmônica (H), para um conjunto de n
valores positivos (X1,X2 ...,Xn):
a) G < H < X, com G=H=X somente se os n valores forem todos iguais.
b) G < X < H, com G=X=H somente se os n valores forem todos iguais.
c) X < G < H , com X=G=H somente se os n valores forem todos iguais.
d) H < G < X, com H=G=X somente se os n valores forem todos iguais.
e) X < H < G , com X=H=G somente se os n valores forem todos iguais.

Exercício 9
(Gestor fazendário - ESAF/2005) Com base na distribuição de frequências do

atributo X dada abaixo, assinale a opção que corresponde à estimativa da
função de distribuição de X no ponto 29. Não existem observações
coincidentes com os extremos das classes. Use interpolação da ogiva no
cálculo da estimativa.
15-18 8
18-21 18
21-24 20
24-27 26
27-30 29
30-33 31
a) 0,935
b) 0,903
c) 0,839
d) 0,887
e) 0,871

(Analista/IRB - ESAF/2004) As questões 10 e 11 dizem respeito à distribuição

de frequências conforme o quadro abaixo, no qual não existem observações

129,5 - 139,5 4
139,5 - 149,5 12
149,5 - 159,5 26
159,5 - 169,5 46
169,5 - 179,5 72
179,5 - 189,5 90
189,5 - 199,5 100
Exercício 10
Assinale a opção que corresponde ao 8° decil.
a) 179,5
b) 189,5
c) 183,9
d) 184,5
e) 174,5
Exercício 11
Assinale a opção que corresponde à estimativa, via interpolação da ogiva, do
número de observações menores ou iguais ao valor 164.
a) 46
b) 26
c) 72
d) 35
e) 20

Exercício 12
(SENADO - FGV/2008) O coeficiente de variação amostrai (em porcentagem)

de um conjunto de salários é 110%. Se os salários deste conjunto forem
reajustados em 20%, o novo coeficiente de variação amostrai será:
a) 110%
b) 112,2%
c) 114,2%
d) 122%
e) 130%
Exercício 13
(CEB - UNIVERSA/2009) Considere o Box-plot abaixo.
10 35 60 68 75 85 100
O asterisco “ *” indica:
a) O menor valor
b) 1, 5 ■(q3 - Qi)
c) qi - 1, 5 ■(q3 - q1)
d) (Qs - Qi)
e) Um outlier

Exercício 14
(PETROBRÁS - CESGANRIO/2005) O gráfico abaixo é um box-plot da

distribuição de renda, em mil reais, da população de um determinado
município.
B o x -P lo t
12
----------------------------------------------------6
- 5
Qual a probabilidade de uma pessoa deste município ter renda superior à 6 mil
reais?
a) 0,15
b) 0,20
c) 0,25
d) 0,50
e) 0,75

Exercício 15
(FINEP - NCE/2011-alterada) Uma amostra aleatória de 100 famílias foi

Gastos (em 10 reais) Frequência Absoluta

de 1 a 3 10
de 3 a 5 30
de 5 a 7 60
total 100
A melhor estimativa para a média aritmética é:
a) 5 reais
b) 8 reais
c) 50 reais
d) 80 reais
e) 25 reais
Exercício 16
(FINEP - NCE/2011-alterada) As medidas citadas abaixo descrevem uma

amostra obtida em um experimento aleatório. A única que mede a dispersão
da amostra é o(a)
a) desvio padrão
b) mediana
c) média aritmética
d) média geométrica
e) moda

Exercício 17
(AFRFB - ESAF/2013) A expectância de uma variável aleatória x — média ou

esperança matemática como também é chamada — é igual a 2, ou seja: E(x) =
2. Sabendo-se que a média dos quadrados de x é igual a 9, então os valores da
variância e do coeficiente de variação de x são, respectivamente,
iguais a:
a)
b)
c)
d)
e)
Exercício 18
(MPE - VUNESP/2013) Foi delineado um experimento separando três grupos

escolhidos aleatoriamente de 5 homens em cada um, para medir seus níveis
alcoólicos após beberem certa quantidade de bebida alcoólica. Os
componentes do grupo A após uma hora, o grupo B após duas horas, e o
grupo C após 3 horas. A quantidade de mg por grama de álcool foi
multiplicada por 10 para facilitar os cálculos. Os resultados observados foram:
Grupo A Grupo B Grupo C

11 5 4
10 8 4
9 6 5
8 6 6
12 5 6
Calculando-se as três médias, a soma delas vale

a) 19.
b) 20.
c) 21.
d) 22.
e) 23.
Exercício 19
(STN - ESAF/2013) Suponha que X seja uma variável aleatória com valor
esperado 10 e variância 25. Para que a variável Y dada por Y = p - q x, com p e
q positivos, tenha valor esperado 0 e variância 625, é necessário que p + q
seja igual a:
a) 50
b) 250
c) 55
d) 100
e) 350
Exercício 20
(AFRFB - ESAF/2009) A tabela mostra a distribuição de frequências relativas

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

respectivamente:

a) Média = - 0,5 e variância = 3,45

b) Média = 0,5 e variância = - 3,45
c) Média = 0 e variância = 1
d) Média = - 0,5 e variância = - 3,7
e) Média = 0,5 e variância = 3,7
Exercício 21
(CETESB - VUNESP/2013) Numa classe, as notas de uma prova ficaram assim

distribuídas: 1 aluno tirou 10, 13 tiraram 8, 6 tiraram 6, 4 tiraram 5, 10 tiraram 1
e 6 tiraram zero. A média e a moda desta classe foram, respectivamente,
a) 5,3 e 8.
b) 5,3 e 5.
c) 5,3 e 8.
d) 4,5 e 1.
e) 4,5 e 8

Exercício 22
(ICMS-RJ - FCC\2014) O Departamento de Pessoal de certo órgão público fez

um levantamento dos salários, em número de salários mínimos (SM), dos seus
400 funcionários, obtendo os seguintes resultados:
Salários (em número de SM) Frequência absoluta

41----- 6 43
61----- 3 100
8 1----- 10 X
10 I----- 12 y
12 I----- 16 40
Total 400
Sabe-se que a mediana dos salários desses funcionários calculada por meio
dessa tabela pelo método da interpolação linear é igual a 8,8 SM. Nessas
condições, o salário médio desses 400 funcionários, em número de salários
mínimos, considerando que todos os valores incluídos em um intervalo de
classe são coincidentes com o ponto médio do intervalo, é igual a
a) 8,93
b) 8,72
c) 8,54
d) 8,83
e) 8,62

Exercício 23
(TRT - FCC\2013) Em uma tabela de distribuição de frequências relativas,

representando a distribuição dos salários dos funcionários em um órgão
público, obteve-se pelo método da interpolação linear que o valor da mediana
foi igual a R$ 4.400,00 e pertencente ao intervalo de classe [4.000,00; 5.000,00),
em R$. Se 35% dos funcionários possuem um salário maior ou igual a R$
5.000,00, então a respectiva frequência relativa correspondente ao intervalo
em que pertence a mediana é, em %, igual a
a) 15.
b) 40.
c) 20.
d) 25.
e) 18.
Exercício 24
(TRT - FCC\2013) A quantidade de determinadas ocorrências por dia em uma

fábrica, durante um período de 80 dias, pode ser observada pelo quadro
abaixo.
Quantidade de Ocorrências 0 1 3 4 5 Total

Número de Dias 6 10 m 20 n 4 30
Dado que a média aritmética, ponderada pelo número de dias, de ocorrências

por dia é igual a 2,5, verifica-se que a soma da moda e da mediana é igual a
a) 4,25.
b) 5,00.
c) 4,50.
d) 5,50.
e) 4,00.

Exercício 25
(Ministério da Integração Nacional - 2012/ESAF) A distribuição de frequências

em classes do salário mensal x, medido em número de salários mínimos, de
uma amostra aleatória de 50 funcionários de uma empresa, é apresentado a
seguir.

a) 14,5
b) 15,0
c) 15,8
d) 16,1
e) 16,5
Exercício 26
(Ministério da Integração Nacional - 2012/ESAF) Determine o valor mais

próximo da mediana do salário mensal da distribuição de frequências
apresentada na Questão 25, interpolando linearmente dentro das classes, se
necessário.
a) 15
b) 14,3
c) 13,7
d) 12,3
e) 7,3

Estratégia
C
Gabarito
1- e
2- b
3- c
4- b
5- anulada
6- e
7- a
8- d
9- b
10- c
11- d
12- a
13- e
14- e
15- c
16- a
17- a
18- c
19- c
20- a
21- e
22- a
23- d
24- e
25- b
26- d
Força na peruca porque vai valer a pena. A Receita os aguarda!

Um abraço!

Estatística p/ AFRFB
AULA 02: Tópicos de análise combinatória
SUMÁRIO PÁGINA
Arranjo 4
Combinação 7
Permutação 10
Gabarito 27
Pessoal, a aula de hoje será curta e com poucos exercícios.
-"Está com preguiça, professor”?
Não! O que acontece é que esta matéria não faz parte do conteúdo de estatística e
não necessita muito aprofundamento.
-"Então, por que estamos estudando isso”?
Porque tais conhecimentos serão úteis em outras partes de estatística, tal como no
estudo de probabilidades.
Diante da impossibilidade de colocar isso em alguma aula de forma que o

conhecimento seguisse uma sequência lógica, decidi fazer uma aula dividida em
duas partes, sendo que uma delas tratará deste assunto!
Então, chega de papo!

Pessoal, toda a ideia desta aula se concentra na pergunta: dado 1 (hum) ou mais
conjuntos, quantas combinações são possíveis de serem feitas a partir deles?
Quer um exemplo? Suponha que você queira formar casais de gatos, dada uma
amostra de 4 fêmeas e 4 machos. Quantos casais diferentes são possíveis?
Ora, basta olhar o seguinte diagrama:
Perceba que cada uma das fêmeas pode ser combinada com cada um dos 4
machos de forma que há 4 combinações possíveis para cada fêmea.
Agora pense, quantos casais são possíveis? Simples:

4 -4 = 16
Entendeu? Cada fêmea pode combinada com 4 possibilidades de macho,

portanto há 16 combinações possíveis.
Este exercício deriva do princípio fundamental da contagem.
O princípio fundamental da contagem afirma que,

quando uma tarefa puder ser dividida em n etapas, e cada etapa puder ser realizada
de mi formas diferentes, o número de formas pelas quais podemos concluir a tarefa
é igual à:
m 1 • m 2 • m 3 ■...m n
Sendo que i variaria de 1 a n.
Não entendeu? Vamos a nosso exemplo!
A primeira etapa seria a escolha da fêmea. No caso, há 4 fêmeas possíveis. A

segunda etapa seria a escolha do macho, sendo que há 4 machos possíveis. Assim:
m 1 - m2 = 4 ■4 = 1 6
Isso é bem fácil não? Saiba que você pode resolver a maior parte dos exercícios
somente raciocinando sobre tal conceito! Mas, a fim de darmos uma abordagem
mais didática iremos abordar as peculiaridades do uso do princípio fundamental da
contagem em alguns casos específicos, o que permite o uso de fórmulas!

2. Arranjo
Está bem, vamos complicar um pouco. No caso do exemplo anterior tudo ficou
muito fácil porque estávamos lidando com dois conjuntos distintos. Ou seja, fica
fácil visualizar o resultado porque basta combinar dois grupos distintos, no caso,
machos e fêmeas.
Entretanto, se você tiver que fazer combinações dentro de um mesmo grupo a coisa
complica.
Veja um exemplo: suponha que você tenha um conjunto de 5 gatos e você queira
escolher 2 deste bichanos, um para vacina e outro para tomar banho. Quantas
formas diferentes há de se fazer isso, sabendo-se que o gato que toma vacina não
toma banho?
Ora, primeiro eu quero que vocês tentem resolver este problema usando lógica!
Suponha que nossos gatos sejam chamados de "A”, "B”, "C”, "D” e "E”, neste caso
nós sabemos que há 5 possibilidades para a escolha de quem vai tomar a
vacina:
Vacina Banho
5 possibilidades
Opa! Já temos o primeiro passo de nosk o exercício! E agora, quantas possibilidades

temos para o banho?
Vacina Banho
5 possibilidades 4 possibilidades
Assim, quantas combinações possíveis são possíveis?
5 -4 = 20
Exatamente, 20! Simples, não?

Estratégia
Cr nONNr iCi U
R «R; Sr >O<S;
Na verdade, o que estamos fazendo é combinar elementos de um mesmo grupo, de

forma que a ordem de escolha seja importante e não haja reposição dos
elementos escolhidos.
Não entendeu? Veja, quando que digo que não há reposição dos elementos é
porque, escolhido um elemento, ele não volta a ser considerado para a próxima
etapa. Fizemos isso quando eu disse que o gato que toma vacina não toma banho,
ou seja, o bichano infeliz de levar uma picada tem a tortura do banho adiada.
Por outro lado, quando eu digo que a ordem deve ser importante é porque cada
escolha diferente gera um resultado diferente. Perceba que se o gato "A” é o
primeiro escolhido e "B” o segundo, "A” toma vacina e "B” toma banho, o que é
totalmente diferente de "B” ter sido escolhido antes de "A”. Sumariamente, em
termos de realização:
(A, B) * ( B,A)
Sendo que: (X, Y) = ( 1ã escolha, 2ã escolha ) para todo X e Y.
Isso é um exemplo de arranjo! No arranjo estamos

combinando elementos de um determinado conjunto de forma que a ordem seja
importante e que não haja reposição!
Uma forma de encontrar este resultado é por meio da fórmula de arranjo:
Sendo que a mesma refere-se a um arranjo de n elementos em combinações de p

unidades.

Estratégia
Cr nONNr iCi U
R «R; Sr >O<S;
-"Professor, o que é aquele ponto de exclamação na fórmula”?
Aquilo é o símbolo de fatorial!
Ífr" INDO
mais fundo Fatorial de um determinado número x qualquer é
equivalente à:
x\ = x - ( x ~ l ) - ( x ~ 2 ) ... ■( 3) • ( 2) ■( 1)
Entendeu? Basta ir multiplicando o número pelos valores inferiores ao mesmo até o

número 1. Por exemplo:
4! = 4 • 3 • 2 • 1 = 24
E se estivermos sob o caso da divisão de dois números em fatoriais? Por

exemplo:
5! 5-4-3-2-1
4! 4-3-2-1
Agora é só cancelar:
5! 5-1
= 5
4! 1
Entendeu? Então vamos retornar à nossa fórmula de arranjo:

Estratégia
Cr nONNr iCi U
R «R; Sr >O<S;
Pessoal, muitas vezes decorar fórmulas pode ser uma ótima
estratégia? Por que? Porque você tem de fazer uma prova em
muito pouco tempo. Portanto, fórmula podem te ajudar a ir mais
rápido!
Se você aplicar a fórmula ao problema do nosso exemplo:
5! 5!
An'v (n -p )! (5 - 2 ) ! 3!
Ora, é o mesmo resultado! Claro, pois esta é a fórmula que simplifica aquele
raciocínio.
-"E se a ordem dos elementos não for importante”?
Aí nós vamos para o próximo tópico.
3. Combinação
Se nós estivermos lidando com um problema semelhante ao anterior, mas no qual a

ordem não importa, o raciocínio será diferente. Neste caso, estamos diante de um
problema de Combinação.
Vamos a um exemplo: suponha que você tenha um conjunto de 5 gatos e você

queira escolher 2 deste bichanos, ambos para vacina, sabendo-se que todo gato
só pode tomar uma vacina. Quantas formas diferentes há de se fazer isso?
Agora a coisa mudou. Perceba que a ordem de escolha dos gatos não irá afetar o
resultado final, pois ambos os gatos tomarão vacina, independentemente da ordem
em que foram selecionados. A título de ilustração, suponha que tenhamos escolhido
os gatos "A” e "B”, assim, em termos de realização:

(A, B) = ( B,A)
Sendo que: (X, Y) = ( 1- escolha, 2 - escolha) para todo X e Y. Ou seja, se

selecionarmos os gatos "A” e "B”, não importa a ordem de escolha, pois o resultado
será o mesmo (ambos tomam vacina).
Portanto, as nossas possibilidades de escolha são:
Vacina Vacina
5 possibilidades 4 possibilidades
Que nos dá um total de ( 5 • 4 = 2 0) escolhas.
"-Mas, isso é o mesmo que no caso do arranjo”?
Falta uma coisinha, precisamos excluir os casos repetidos, ou seja, realizações de

conjuntos equivalentes. Por exemplo, pode-se considerar que (A, B) equivale à
( B,A), dado que a ordem dos fatores não é importante no caso concreto.
Precisamos dividir o resultado total obtido por meio de um arranjo pela quantidade
total de "casos repetidos”. O cálculo da quantidade de casos repetidos pode ser
detido da análise dos conjuntos que estamos formando, que é composto por dois
elementos, a saber:
( 1- escolha = x, 2 - escolha = y)
Sabendo-se que cada um destes grupos de escolha contem dois elementos, a

quantidade máxima de repetições que cada um pode ter é de duas. Isso pode ser
detido da análise da expressão acima, pois, como só há dois elementos em cada
conjunto, a única possibilidade de repetição é invertendo a ordem original, tal como:
( 1- escolha = y, 2 - escolha = x)

Uma forma analítica de você saber qual o número máximo de repetições é:
p!
Sendo p a quantidade de unidades que cada grupo combinado contem.
Neste caso, o número de formas diferentes que podemos combinar os gatos que
vão tomas vacina é:
20
- = 10
Assim, não fica difícil perceber que a fórmula para combinações é:
n!
^n,p (n —p)!-p!
Quer testar? Vamos aplicar a fórmula no nosso exemplo:
n! 5! 5! 5-4-3-2-1 5- 4
C = = = = = = 1 0
n’p ( n - p ) i - p ! ( 5 - 2 )!-2! 3! • 2! ( 3 - 2 - 1 ) • (2-1) 2
Viram? Este procedimento permite que realizemos uma combinação de um

determinado conjunto de forma que a ordem não seja importante e que não haja
reposição!

4. Permutação
Este é o mais fácil de todos! Pode-se visualizar a permutação como um caso

específico da permutação, no qual:
n = p
Assim, o número de elementos a ser combinado é igual à quantidade de

observações em cada conjunto, ou seja, só há um conjunto e nós queremos saber
quantas são as possibilidades de reordenação das observações em seu
interior.
Nós já estudamos isso, certo? Quando nós vimos quantas repetições são
possíveis em um conjunto de um determinado número de elementos. No caso, nós
vimos que este número é dado por p!. Quer a prova?
Sabendo que a permutação é um caso específico de arranjo quando (n = p), então:
n! n!
An'p = ( n - p ) ! = (Õ)!
Sabendo-se que ( Õ! = 1):
^n,p
Esta é a fórmula da permutação.
Um exemplo de uso é no caso de anagramas. Anagrama é uma espécie de jogo na

qual, a partir do rearranjamento das letras de uma palavra, são formadas novas
palavras. A permutação nos permite visualizar a quantidade de anagramas
possíveis a partir de uma palavra qualquer.

Estratégia
Cr nONNr iCi U
R «R; Sr >O<S;
A título de ilustração, vamos calcular a quantidade de anagramas que podem ser

detidos da palavra "CHÁ”. Ora, basta aplicar nossa fórmula, como há 3 letras na
palavra:
3! = 3 ■2 ■1 = 6
Ou seja, podemos reescrever 6 palavras.
Mas, este não é o caso genérico, pois, muitas vezes, precisaremos fazer a
permutação com elementos repetidos. Não entendeu? Suponha a palavra "DADO”,
neste caso tanto faz se colocarmos o 1° "D” no lugar do segundo, pois a palavra
continuará exatamente igual. Assim, para levarmos em conta elementos repetidos,
nos basearemos na fórmula:
(■número de vezes em que o elemento repetido aparece)\
Veja, no caso de DADO:
Beleza pessoal? Vamos fazer alguns exercícios para treinar um pouco.

Exercício 1
(ANEEL - ESAF/2006) Em um campeonato de tênis participam 30 duplas, com

a mesma probabilidade de vencer. O número de diferentes maneiras para a
classificação dos 3 primeiros lugares é:
a) 24360
b) 25240
c) 24460
d) 4060
e) 4650
Resolução
Neste primeiro exercício vamos tentar fazer sem fórmulas.
Olhe, há 30 duplas e 3 lugares diferentes disputados, portanto a ordem importa.

Além disso, não há repetição, pois cada dupla só pode ter uma colocação.
Pensando em uma tabela:
1° lugar 2° lugar 3° lugar

30 possibilidades 29 possibilidades 28 possibilidades
Assim, as possibilidades são:
30- 29- 28 = 24360
Letra (a).

Exercício 2
(ANEEL - ESAF/2006) Em um plano são marcados 25 pontos, dos quais 10 e

somente 10 desses pontos são marcados em linha reta. O número de
diferentes triângulos que podem ser formados com vértices em quaisquer dos
25 pontos é igual a:
a) 2180
b) 1180
c) 2350
d) 2250
e) 3280
Resolução
Este exercício é mais difícil. Veja um esqueminha do que está ocorrendo:
Perceba que os pontos que estão em linha reta não podem ser combinados entre si
de forma a gerarem um triângulo, pois estes só formariam uma reta.

Pensar em quantos triângulos podem ser formados é fácil, pois trata-se de uma
combinação (a ordem de ligação dos pontos não importa, pois formariam o mesmo
triângulo) de 25 elementos em grupos de 3. Entretanto, devemos desconsiderar as
combinações resultantes da ligação dos 10 pontos que estão em linha reta. Assim:
triângulos = C25 3 - C10,3
Portanto:
25- 24- 23 10- 9- 8
tri ângulos = C253 - C10,3 = 3 ^ . 1 “ 3 2 . 1 = 2 300 - 120 = 2180
Letra (a)
(ANAC - CESPE\2009) Julgue os itens a seguir
Exercício 3
O número de rotas aéreas possíveis partindo de Porto Alegre, Florianópolis ou

Curitiba com destino a Fortaleza, Salvador, Natal, João Pessoa, Maceió, Recife
ou Aracaju, fazendo escala em São Paulo, Rio de Janeiro, Belo Horizonte ou
Brasília é múltiplo de 12.
Resolução
A melhor forma de resolver este exercício é usando uma tabela e dividindo o mesmo
em etapas:
Lugar de saída Escala Lugar de chegada

3 opções 4 opções 7 opções
Então, temos (3 - 4- 7 = 84) opções. Este resultado é múltiplo de 12.
Gabarito: certo.

(Ministério da Saúde - CESPE/2007) Julgue os itens a seguir:
Exercício 4
Se o diretor de uma secretária do MS quiser premiar 3 de seus 6 servidores

presenteando um deles com um ingresso para o cinema, outro com um
ingresso para o teatro e o terceiro com um ingresso para um show, ele terá
mais de 100 maneiras diferentes de fazê-lo.
Resolução
Esta questão é muito parecida com nosso exemplo de aula.
No caso, trata-se de um arranjo, pois a ordem de sorteio dos indivíduos irá

diferenciar seus prêmios. Assim, estamos tentando realizar um arranjo de 6
elementos em grupos de 3:
A6,3 = § = 6 • 5 • 4 = 120
Gabarito: certo
Exercício 5

presenteando um deles com um ingresso para o teatro, ele terá mais de 24
maneiras diferentes de fazê-lo.

Estratégia
Cr nONNr iCi U
R «R; Sr >O<S;
Resolução
No caso, agora a ordem não mais afeta o prêmio a ser obtido, tratando-se de um
caso de combinação. Assim, teríamos de fazer uma combinação de 6 elementos em
grupos de 3:
6! 6-5-4
Gabarito: errado.
Exercício 6
(Elaborada pelo autor) Quantos anagramas são possíveis a partir da palavra

“TATÚ”?
a) 12
b) 15
c) 17
d) 18
e) 20
Resolução
A questão deve ser analisada por meio de uma permutação, tal como devemos
fazer nos casos de anagramas. Entretanto, atente-se que há duas letras repetidas,
portanto:
(■número de vezes em que o elemento repetido aparece)\
Ou seja, há 12 combinações possíveis. Letra (a).

Exercício 7
(AFRE-MG - ESAF/2005) Sete modelos, entre elas Ana, Beatriz, Carla e Denise,
vão participar de um desfile de modas. A promotora do desfile determinou que
as modelos não desfilarão sozinhas, mas sempre em filas formadas por
exatamente quatro das modelos. Além disso, a última de cada fila só poderá
ser ou Ana, ou Beatriz, ou Carla ou Denise. Finalmente, Denise não poderá ser
a primeira da fila. Assim, o número de diferentes filas que podem ser formadas
é igual a:
a) 420
b) 480
c) 360
d) 240
e) 60
Resolução
Vamos raciocinar para pensar na melhor forma de abordar a questão. Vamos

pensar no total de combinações que podem ser feitas:
7!
A74 = — = 7- 6 - 5- 4 = 840
Entretanto, há algumas restrições! Devemos excluir os casos em que as filas não

são finalizadas com Ana, Beatriz, Carla ou Denise, além das filas em que a Denise é
a primeira. Vamos aos casos em que as a última da fila não é uma das quatro:
1ã da fila 2ã da fila 3ã da fila 4ã da fila

6 possibilidades 5 possibilidades 4 possibilidades 4 possibilidades

Neste caso, há 3 possibilidades para a última posição da fila (7-4), assim,

descontando esta do total de modelos temos:
6 - 5 -4- 3 = 360
Agora, a quantidade de casos em que a Denise é a primeira:
1ã da fila 2ã da fila 32 da fila 4ã da fila

3 possibilidades (Ana,
Denise x y Beatriz ou Carla)
Ora, qual o valor de x e y?
Você já escolheu duas modelos, portanto só sobram 5 para a segunda posição da

fila e 4 para a terceira:
1ã da fila 2ã da fila 32 da fila 4ã da fila

3 possibilidades (Ana,
Denise 5 4
Beatriz ou Carla)
Portanto, a quantidade de combinações em que a Denise é a primeira é:
5 - 4 - 3 = 60
Assim, o total de combinações que queremos é o total possível menos os

casos de restrições, sendo:
840 - (60 + 360) = 420
Portanto, letra (a).

Exercício 8
(TFC - ESAF/2000) Em uma circunferência são escolhidos 12 pontos distintos.

Ligam-se quatro quaisquer destes pontos, de modo a formar um quadrilátero.
O número total de diferentes quadriláteros que podem ser formados é:
a) 128
b) 495
c) 545
d) 1485
e) 11880
Resolução
Exercício bem simples, pois é só aplicar a fórmula de combinação de forma a

encontrar todos quadriláteros possíveis.
-"Por que combinação, professor”?
Ora, a ordem de ligação dos lados do quadrilátero não altera o formato resultante.
Veja:

Estratégia
Cr nONNr iCi U
R «R; Sr >O<S;
Ligar "A” a "B” dá na mesma do que ligar "B” a "A”, sendo a figura resultante a
mesma.
Então:
12! 12 -1 1-1 0 -9
= 495
° 12-4 (8)!-4! 4-3-2-1
Letra (b).
Exercício 9
(SERPRO - ESAF/2001 - alterada) Em uma sala de aula estão 10 alunos. A

professora quer formar quadrilhas entre os alunos, quantas combinações são
possíveis?
a) 5040
b) 5050
c) 200
d) 250
e) 210
Resolução
Bom, na combinação de uma quadrilha é fácil perceber que a ordem não importa.
Veja, se você tiver uma quadrilha com João, Maria, Pedro e Juliana esse conjunto
será o mesmo independentemente da ordem de seleção. Assim:
10! 10 ■9 - 8 - 7
= 210
Letra (e).

Exercício 10
(Elaborada pelo autor) Quantos anagramas podem ser gerados a partir da

palavra “AEROPORTO”?
a) 20612
b) 26000
c) 27550
d) 30240
e) 32340
Resolução
Essa eu só fiz para vocês treinarem permutação, o que não é comum de ser
cobrado em prova. Perceba que, neste caso, você tem 2 letras que se repetem "o” e
“r”. O que você deve fazer é o seguinte:
p! 9! 9 - 8 - 7 - 6 - 5- 4
= = = 30240
p (o )!x p (r)! 3! x 2! 2 -1
Letra (d).

Lista de exercícios resolvidos
Exercício 1
(ANEEL - ESAF/2006) Em um campeonato de tênis participam 30 duplas, com

a mesma probabilidade de vencer. O número de diferentes maneiras para a
classificação dos 3 primeiros lugares é:
a) 24360
b) 25240
c) 24460
d) 4060
e) 4650
Exercício 2
(ANEEL - ESAF/2006) Em um plano são marcados 25 pontos, dos quais 10 e

somente 10 desses pontos são marcados em linha reta. O número de
diferentes triângulos que podem ser formados com vértices em quaisquer dos
25 pontos é igual a:
a) 2180
b) 1180
c) 2350
d) 2250
e) 3280

(ANAC - CESPE\2009) Julgue os itens a seguir
Exercício 3
O número de rotas aéreas possíveis partindo de Porto Alegre, Florianópolis ou

Curitiba com destino a Fortaleza, Salvador, Natal, João Pessoa, Maceió, Recife
ou Aracaju, fazendo escala em São Paulo, Rio de Janeiro, Belo Horizonte ou
Brasília é múltiplo de 12.
(Ministério da Saúde - CESPE/2007) Julgue os itens a seguir:
Exercício 4

presenteando um deles com um ingresso para o cinema, outro com um
ingresso para o teatro e o terceiro com um ingresso para um show, ele terá
Exercício 5

presenteando um deles com um ingresso para o teatro, ele terá mais de 24
maneiras diferentes de fazê-lo.

Exercício 6
(Elaborada pelo autor) Quantos anagramas são possíveis a partir da palavra

“TATÚ”?
a) 12
b) 15
c) 17
d) 18
e) 20
Exercício 7
(AFRE-MG - ESAF/2005) Sete modelos, entre elas Ana, Beatriz, Carla e Denise,
vão participar de um desfile de modas. A promotora do desfile determinou que
as modelos não desfilarão sozinhas, mas sempre em filas formadas por
exatamente quatro das modelos. Além disso, a última de cada fila só poderá
ser ou Ana, ou Beatriz, ou Carla ou Denise. Finalmente, Denise não poderá ser
a primeira da fila. Assim, o número de diferentes filas que podem ser formadas
é igual a:
a) 420
b) 480
c) 360
d) 240
e) 60

Exercício 8
(TFC - ESAF/2000) Em uma circunferência são escolhidos 12 pontos distintos.

Ligam-se quatro quaisquer destes pontos, de modo a formar um quadrilátero.
O número total de diferentes quadriláteros que podem ser formados é:
a) 128
b) 495
c) 545
d) 1485
e) 11880
Exercício 9
(SERPRO - ESAF/2001 - alterada) Em uma sala de aula estão 10 alunos. A

professora quer formar quadrilhas entre os alunos, quantas combinações são
possíveis?
a) 5040
b) 5050
c) 200
d) 250
e) 210

Exercício 10
(Elaborada pelo autor) Quantos anagramas podem ser gerados a partir da

palavra “AEROPORTO”?
a) 20612
b) 26000
c) 27550
d) 30240
e) 32340

Gabarito
1- a
2- a
3- C
4- C
5- E
6- a
7- a
8- b
9- e
10- d
Essa aula foi muito rápida! Mas, aproveitem o descanso porque a próxima aula cai
em, praticamente, todo concurso.
Um abraço e bons estudos

Estatística p/AFRFB
AULA 03 - Probabilidades
SUMÁRIO PÁGINA
Diagrama de Venn e Propriedades 5
Probabilidade Condicional 16
Teorema de Bayes 20
Gabarito 72
Bem vindos de volta! Vamos continuar nossa jornada no mundo "maravilhoso” da

Estatística. Firmes no propósito, pois em breve você estará na Receita Estadual!
Na aula de hoje iremos estudar Probabilidade e algumas de suas propriedades, tal

como o Teorema de Bayes. Mas, antes, uma dica de concurseiro:
No mundo dos concursos é muito comum aquela velha

y u T expressão: "faz a prova, vai que você dá sorte”.
Pessoalmente, não acredito nisso. Os concursos estão cada
vez mais concorridos e com pessoas focadas em editais
específicos. Não há mais como conseguir passar sem
dedicação e muito estudo! Fazer uma prova sem estudar e
se dedicar é enriquecer a banca examinadora.
Vamos nessa!

Muitas vezes nos deparamos com as seguintes expressões no dia a dia: "a
probabilidade de cair um piano na sua cabeça é pequena”, "a probabilidade de
reeleição é grande”, etc. Mas, o que queremos dizer com isso?
Na verdade, isso está muito relacionado com o conceito de "frequência”. Quando se

afirma que a probabilidade de algo ocorrer é pequena, está sendo dito que, dado um
determinado conjunto de resultados possíveis, o evento em questão ocorre em
poucas das realizações deste.
Não entendeu? Vamos a um exemplo. Suponha o lançamento de uma moeda não

viciada, isso é, que possui uma cara e uma coroa. Qual a probabilidade de ocorrer
"cara”, por exemplo?
Com efeito, há duas possibilidades de realização deste evento: cara ou coroa,

entretanto nós só estamos interessados no resultado "cara”, ou seja, em uma destas
possibilidades. Portanto, a probabilidade de dar "cara” em um lançamento é:
possibilidades de dar "cara" 1

P(cara) =
possibilidades de dar "cara" ou "coroa" 2
-Professor, então, ao lançar uma moeda não viciada, na metade dos

lançamentos eu obterei “ cara” ?
Não é bem assim! Veja, antes de lançar a moeda, a probabilidade de dar "cara” é
de V2 , porém pode ser que isso não ocorra. Suponha a realização de três
lançamentos seguidos, pode ser que o resultado seja:

15 = coroa
2Q= coroa
3Q= cara
Isso quer dizer que a moeda é viciada? Pode ser, mas só com esse resultado não
há como saber, pois este resultado é possível em uma moeda não viciada. A partir
deste resultado você poderia inferir erroneamente inferir que a probabilidade de dar
"cara” não é de %, mas de:
possibilidades de dar "cara" 1

P(cara) =
possibilidades de dar "cara" ou "coroa" 3
Se você pensou assim, pense de novo! A forma correta

de definir a probabilidade de ocorrência de um evento é encontrar qual a
frequência de sua ocorrência com relação a todas as outras ocorrências
possíveis quando o número de experimentos tende ao infinito. No nosso caso:
possibilidades de dar "cara"

P(cara),
possibilidades de dar "cara" ou "coroa"
Sendo n o número de vezes que você realiza o experimento e a expressão — oo

significando que o mesmo tende para o infinito.
Portanto, se você realizar um experimento infinitas vezes, sendo o nosso

experimento o lançamento da moeda, a probabilidade de ocorrência de um
determinado evento (no caso exemplo, dar "cara”) será dada pela relação à priori
entre a quantidade de vezes em que é possível sua ocorrência dividida pela
quantidade de vezes que todos os outros eventos são possíveis (no caso, quantas
"caras” e "coroas” existem em uma moeda). Aí sim, se você jogar a moeda
infinitas vezes, metade das vezes a face “ cara” será o resultado.

Nós podemos aprofundar este conceito de forma mais

teórica, de forma a facilitar o entendimento. Se você lançar a moeda uma vez, quais
são todos os resultados possíveis?
O = (Cara); (Coroa)
E se você lançar duas vezes?
O = (Cara, Coroa); (Coroa, Cara); (Cara, Cara); (Coroa, Coroa)
Este conjunto formado por todas as realizações possíveis (que, no caso, chamamos
de O) chama-se espaço amostrai.
Com base neste espaço amostral podemos atribuir uma probabilidade para um
determinado evento, sendo este dado por um subconjunto de (O).
Por exemplo, no caso de um lançamento único da moeda, qual a probabilidade de

dar "cara”? Nós já vimos esta resposta e sabemos que se trata da probabilidade de
ocorrência do subconjunto dado por (cara) do espaço amostral (cara, coroa).
Belezinha? Mas, e a probabilidade de ocorrer pelo menos 1 cara em dois

lançamentos? Bom, olhando nosso espaço amostral definido acima para este caso
mostra que isso ocorre em 3 dos 4 lançamentos possíveis.
Neste caso, cada um daqueles parênteses tem Q- = 0,2 5 = 25%) de chance de
ocorrer. Mas, nossa pergunta abrange 3 (três) daqueles casos, isso é, três daquelas
realizações atendem ao nosso requisito. Portanto, a probabilidade de ocorrência do
subconjunto do espaço amostral composto pelos resultados nos quais ocorrem pelo
menos uma cara é de:

Estratégia
r nONNr Ci i UR «R ; Sr >O <S;
C
1 1 1 3
P( 1 cara ao menos) = + + =
4 4 4 4
Assim, teoricamente, para um determinado evento A qualquer, sua

probabilidade de ocorrência é de:
Quantidade de ve z es que ocorre A
Maravilha? Vá comer um chocolate e relaxar um pouco, mas volte logo em

seguida!
2. Diagrama de Venn e propriedades
Gente, a primeira coisa e mais óbvia é que toda probabilidade se situa entre 0 e 1.
Não há como um evento ocorrer mais de 100% das vezes ou menos de 0% das
vezes. Essa é a própria ideia da frequência relativa que já estudamos! Portanto,
dado qualquer evento "A”:
0 < P(A) < 1
Assim, a ideia de probabilidade se aproxima muito do conceito de frequência

relativa, haja vista estarmos considerando que o experimento poderia ser realizado
várias vezes e que o resultado sempre seria o mesmo. Isso é chamado de
“ Abordagem Frequentista da Probabilidade” .
Uma forma interessante de vocês visualizarem probabilidades é pelo diagrama de

Venn:

Olhem pessoal, aquele círculo no meio representa o evento A no espaço amostrai

representado pela "caixa U”. Perceba que o círculo não ocupa mais do que a caixa
toda nem menos do 0% da caixa, isso é, a probabilidade de ocorrência de "A” está
entre 0 e 1.
Obs. Muitas vezes você irá me ver referir a probabilidades como números entre 0 e
1 ou 0% e 100%. Não é loucura do teacher! Toda probabilidade, com o intuito de
facilitar a visualização, pode ser multiplicada por 100 de forma que obtenhamos o
resultado em percentual. Por exemplo, uma probabilidade de 0,5 é equivalente à
50%.
Retornando!
Então, outros dois casos interessantes, mas diametralmente opostos, são os casos
de eventos certos e eventos impossíveis.
Evento certo é aquele que coincide com o espaço amostral! Por exemplo, no nosso
caso de "cara” e "coroa”, um evento certo seria aquele composto por todos os
resultados nos quais ocorrem, ao menos, uma cara ou uma coroa. Ou seja, todo o
espaço amostral!

Evento impossível é o caso oposto! Este evento seria composto por elementos não
constantes no espaço amostrai, por exemplo, o caso de um lançamento em que não
ocorresse nem cara nem coroa!
Outro conceito importante é o de “complementar”. Dada uma probabilidade de um

evento “A” qualquer, a probabilidade de seu complementar (Ac) é dada por:
P{AC) = 1 - P{A)
Entendeu? O complementar da probabilidade de ocorrência de um evento é a

probabilidade de sua não ocorrência! Para ficar bem legal e fácil, olhe o
Diagrama de Venn abaixo:
Dado um evento “A” qualquer, representado pelo círculo acima, o seu complementar
é toda a parte vermelha da figura!
Simples! Mas, agora que complica. Vamos a um exemplo para facilitar!
Suponha dois grupos de pessoas concurseiras dentro de uma amostra com

bacharéis em Engenharia, Direito e Economia, sendo que algumas passaram e que
outras não passaram em concurso público. Podemos expressar os resultados da
seguinte forma:

Passou Não Passou Total

Engenharia 20 10 30
Direito 40 70 110
Economia 30 60 90
Total 90 140 230
Qual a probabilidade de uma pessoa escolhida ao acaso a partir desta amostra ter
sido estudante de Economia?
Isso não tem segredo! O total de estudantes, ou seja, nosso espaço amostrai é
composto por 230 pessoas, sabendo-se que, desse total, 90 são economistas,
temos que:
90
P(economista) = = 0, 392
Mas, e se eu te perguntar qual a probabilidade da pessoa ser formada em Economia

e ter passado em concurso? Neste caso, estamos falando de intersecção destes
dois subconjuntos. Em termos de Diagrama de Venn:
Viram do que estamos falando? Trata-se de um evento que necessita que as duas
condições sejam verdade (ser economista e ter passado em concurso), refere-se à
intersecção entre os dois subconjuntos (parte vermelha).

Vocês têm de saber que a expressão usualmente utilizada

para identificar a intersecção entre dois subconjuntos é “ n ” . No nosso caso,
se chamarmos os subconjuntos de Economistas e pessoas que passaram em
concurso respectivamente de A e B, pode-se representar a intersecção entre
os mesmos como AnB.
-“ E de quanto é essa probabilidade, professor” ?
Ora:
economistas que passaram 30
total da amostra 230
E se eu te perguntar qual a probabilidade de encontrarmos economistas ou pessoas

que passaram?
Agora a coisa é diferente! Veja no diagrama para entender bem:
Veja como aumentou a parte vermelha! Se uma ou outra condição for verdadeira,
devemos computá-la! Chamamos a isso de "reunião” entre dois subconjuntos.

Estratégia
C
Vocês têm de saber que a expressão usualmente utilizada

para identificar a reunião entre dois subconjuntos é “ u N o nosso caso, se
chamarmos os subconjuntos de Economistas e pessoas que passaram em
concurso respectivamente de A e B, pode-se representar a reunião entre os
mesmos como AuB.
Como você encontraria tal probabilidade?
-“ Ora professor, faria como você fez anteriormente, somando as

probabilidades” :
90 90 180
PÇeconomista ou passou) = + =
Então, meu amigo, tem um erro aí!
Você percebeu que você está contando o economista que passou duas vezes? Por
exemplo, dos 90 que passaram, 30 já são economistas, podendo ser feito o mesmo
raciocínio inverso. Em termos de Diagrama de Venn, seria o mesmo que somar:

Neste caso, você estará contando duas vezes aquela “partezinha” que é a
intersecção entre ambos:

Estratégia
C O N C U R S O S ^
Assim, o certo seria:
90 90 30 150
PÇeconomista ou passou) + - = s 0, 652
230 230 230 230 '
Genericamente, para dois eventos A e B quaisquer,

podemos afirmar que:
P(A U B )= P(A) + P(B ) - PÇA n B)
Mas, cuidado com o caso especial dos eventos disjuntos ou mutuamente

exclusivos!
Imagine o lançamento de um dado honesto de forma que nosso espaço amostrai

seja dado por:
{ 1; 2; 3;4; 5; 6}
Assim, somente uma destas realizações é possível, ou seja, o resultado só pode ser
uma das faces do dado.
Qual é a probabilidade de o resultado do lançamento gerar os números 4 ou 5?

Ora:
P( 4 u 5 ) = P( 4) + P( 5) - P( 4 n 5)
Vamos começar com o mais fácil, qual é a probabilidade de cair qualquer das faces
de um dado? O dado tem 6 faces no total, de forma que a probabilidade de que
qualquer delas seja o resultado é de:
1
P( 1) = P( 2) = P( 3) = P( 4) = P( 5) = P( 6) = -
Assim:
1 1
P( 4 u 5 )= + - P ( 4 n 5)
6 6
E o último componente que se refere à intersecção entre os dois eventos? Qual é a

probabilidade de ocorrer como resultado do experimento uma face do dado com
número 4 e 5? É claro que é zero! Veja como seria a representação no Diagrama de
Venn:

Estratégia
C
Estes eventos não tem intersecção! Ou seja, quando um ocorre o outro não pode
ocorrer! Assim, neste caso, aquele último componente de nossa fórmula será igual à
zero, de forma que:
Obs. Propriedades
Pessoal, este tópico é muito pouco cobrado em concursos públicos, porém é

importante passarmos por ele, afinal não se sabe o que será pedido!
Uma forma de ajudar a decorar tais propriedades é pensando que quando você tira
o complemento de n ou u, o resultado é inverter a “barriguinha” da operação.
Assim, em termos nem um pouco formais, você deve pensar que:
( n )c = u
( u )c = n
Assim, para três conjuntos quaisquer chamados de “A”, “B” e “C”, destacam-se as
seguintes propriedades:
1) {A n B)c = Ac u B c
2) (A U B) c = A c n B c
Beleza? Esta é a menos intuitiva das propriedades, assim, decore! Agora, as outras
são bem mais fáceis de serem entendidas, tais como:

3) A n 0 = 0
Sendo (0) um conjunto vazio, ou seja, sem nenhum elemento. Isso faz todo o
sentido, dado que a intersecção de um conjunto "A” qualquer com outro conjunto
vazio não pode conter nenhum elemento.
4) A n ^ = A
Sendo (^ ) representativo do espaço amostrai. A intersecção de um conjunto "A”

qualquer com o espaço amostrai é o próprio conjunto "A”.
Com base nestes dois últimos, fica fácil visualizar que:
5) 4 u 0 = ^
6) A U ^ ^
Outras propriedades intuitivas relacionam um determinado conjunto com seu

complementar, assim, sabendo-se que P(A) + P(AC) = 1, tem-se que:
7) A u Ac = ®
8) A n A c = 0
Para finalizar, devemos tratar de uma propriedade que relaciona intersecções e

reuniões entre conjuntos:
9) A n ( B u C ) = ( An B ) u ( An C)
Com base nestes três conjuntos, pode-se desenhar o seguinte Diagrama de Venn:

Estratégia
C O N C U R S O S ^
Prof. Jeronymo Marcondes - A u la 03
“ Esta propriedade está dizendo que a intersecção de um conjunto com uma

reunião de outros dois é equivalente à reunião da intersecção deste conjunto
com estes outros dois” . Isso não está a coisa mais bem escrita do mundo, mas,
lendo o texto e olhando o gráfico, vocês conseguirão entender o conceito.
3. Probabilidade Condicional
Voltemos a nosso exemplo da pesquisa sobre qual a formação superior que mais
aprova em concurso público. Só relembrando a tabela:
Passou Não Passou Total

Engenharia 20 | 10 30
Direito 40 70 110
Economia 30 60 90
Total 90 140 230
Anteriormente, havíamos realizado o cálculo para a probabilidade de que alguém na

nossa amostra fosse economista, o que não apresentou maiores dificuldades.
E se tivéssemos a informação a priori de que os economistas em questão se

restringiriam àqueles que já passaram em concurso público? Ou seja, qual a

probabilidade de uma pessoa escolhida ao acaso ser economista, dado que o
mesmo passou em concurso público?
Você entende o que estou falando? A forma de avaliação não é a mesma, pois,
neste caso, temos mais informações do que tínhamos anteriormente e, portanto,
devemos nos utilizar dela! Essa é a ideia de probabilidade condicional! A forma
usual de representarmos uma probabilidade condicional de um evento qualquer "A”,
dado outro evento qualquer "B” é:
P{A\B)
E como poderíamos incorporar esta informação, ou seja, de que forma este cálculo
pode ser realizado? Vamos pensar intuitivamente para podermos chegar à fórmula!
Veja o Diagrama de Venn abaixo:
Eu te pergunto, dado que ocorreu "B”, qual parte da figura representa a porção de
"A” que pode ocorrer? Exatamente, a intersecção entre os dois conjuntos! Esta parte
laranja representa a parcela do evento "A” que é compatível com a informação a
priori.

Mas, você já sabe que probabilidades são calculadas com base na divisão da
quantidade de elementos "favoráveis” pelo espaço amostral! Qual é o espaço
amostral no nosso exemplo? Boa de novo, o tamanho de "B” !
Agora fica fácil:
^ S ^ t ome nota!
P(A n B)
P{A\B) =
PW
Esta fórmula é muito importante, assim vocês devem decorá-la, mas não deixem de
entender de onde ela vem, ok? Nesse caso, P{A) é a probabilidade a priori de "A”, o
que pode ser "atualizado” com as novas informações de "B”, permitindo a obtenção
da probabilidade a posteriori, P(A\B).
“ Beleza professor, mas me dê um exemplo, está tudo muito teórico” !
Claro, é pra já! Retornando ao exemplo do nosso quadro acima, eu quero saber:
P(economista\passoú) = ?
Vamos aplicar a fórmula? O numerado nós já temos calculado:
economistas que passaram 30

AnB= = =0, 13
total da amostra 230
Ótimo! E o denominador? Trata-se da probabilidade de encontrar alguém que

passou, o que não é difícil:
90
P(passou) = -^ 3 0 = 0, 392

Estratégia
C
Pronto:
P(economista\passoú) =
Viram? A probabilidade de encontrar um economista que passou é menor do

que encontrar um economista dado que estamos tratando só com os que
passaram. A informação adicional nos ajudou a ter uma previsão com mais
acurácia!
Retornando à parte mais teórica, o que você acha que está acontecendo se, para
dois eventos "A” e "B” quaisquer:
P(A\B) = PÇA)
Isso não te lembra nada? Boa! O lançamento da moeda!
Imagine que foram feitos dois lançamentos, qual a probabilidade de "cara” no

próximo lançamento dado que "coroa” ocorreu no primeiro? Ora, a probabilidade de
ocorrência de "cara” continua igual à 0, 5, pois o resultado do primeiro lançamento
não afeta o segundo. Assim:
Pecara no 2Q|coroa no 1Q) = P(cara) = 0, 5
Este é um exemplo de eventos independentes! A definição de eventos

independentes perpassa pela necessidade de que a ocorrência de um não afete a
probabilidade de ocorrência do outro. No caso de eventos independentes, podemos
reescrever nossa fórmula da seguinte maneira:

Quer mais um exemplo?
Suponha que você esteja desmanchando sua árvore de natal e que a mesma só
possua bolas vermelha e prata. Sabendo-se que há 10 bolas vermelhas e 10
prateadas, se você fechar os olhos e tirar uma bola, qual a probabilidade de que a
mesma seja vermelha?
Bom, isso é fácil, há 20 bolas no total, sendo que 10 são vermelhas, assim:
10
Pivermelha) = ^ = 0,5
Suponha que você tirou uma bola vermelha! Agora, você decide tirar outra bola com
os olhos vendados, repondo a que você já tirou. Qual a probabilidade de que a
mesma seja vermelha?
Ora, o evento relacionado à retirada da segunda bola independe do que houve da

primeira vez, pois a bola foi reposta na árvore! Assim, fica fácil ver que:
PÇvermelha 2ã|vermelha 1ã) = PÇvermelha) = 0, 5
Entendeu? Este é um caso de eventos independentes!
4. Teorema de Bayes
À primeira vista você vai pensar que o Teorema de Byes não tem nada demais, pois
ele é tão somente uma decorrência do que estudamos na seção anterior. Porém,
preciso detalhá-lo para você, pois ele cai muito.

Estratégia
C
Então, a maior parte dos exercícios de concurso você não vai precisar da
fórmula por si só, porém, se estudarmos este tópico de uma maneira um
pouco mais aprofundada, você saberá responder os exercícios de forma mas
rápida!
Uma coisinha básica que eu quero que vocês entendam, suponha dois eventos
quaisquer "A” e “B” e aplique aquela “formulazinha” de probabilidade condicional
que já estudamos de forma a encontrar a probabilidade de “A” dado “B” e a
probabilidade de “B” dado “A”. Você vai chegar nisso:
O que estas duas fórmulas têm em comum? Exatamente, o termo P(A n B)!
Suponha que você queira calcular P(A\B), então faça assim, substitua PÇA nB) de
forma que:
P(B\A)-P(A) = P ( A n B )
O que levará à:
Entretanto, não conhecemos o denominador (essa é a premissa). Assim, queremos

saber a probabilidade condicional de A dado B, mas suponha que o resultado B não
é o único possível, sendo que poderia ter ocorrido C, com P{C) ^ 0. Por exemplo,
poderíamos querer saber qual a probabilidade de um time ganhar se um
determinado jogador participar da partida, neste caso:

P(A) = probabilidade do time ganhar

P(B) = probabilidade do jogador jogar
P(C) = probabilidade do jogador não jogar
Assim, o Teorema de Bayes garante que:
P(B\A)-P{A)
P{A\B) =
P(B\A) ■P(A) + P(B\C) ■P{C)
-“ Professor, este é o famoso e temível Teorema de Bayes” ?
É isso aí! A ideia deste teorema é que, a partir de informações das probabilidades a
priori de "A” e de "B” e da probabilidade condicional de "B” dado "A” podemos obter
a relação desejada. Muitos exercícios costumam dar estas informações para que
você calcule a probabilidade condicional. Isso chove em concurso público. Mas, dá
para resolver sem a fórmula, basta pensar um pouquinho, ok? Não tem nada
demais mesmo, você só tem que entender o mecanismo de funcionamento do
mesmo para responder alguns exercícios, tal como este:
Exercício 1
(Analista Judiciário - FCC/2001) Numa cidade onde se publicam 2 jornais, A e

B, sabe-se que entre n famílias: 160 assinam o jornal A, 35 assinam os dois
jornais, 201 não assinam B e 155 assinam apenas um jornal. O valor de n e a
probabilidade de que uma família selecionada ao acaso assinar A dado que
assina B são dados respectivamente por:
a) 180 e 160/266
b) 250 e 35/75
c) 266 e 7/13
d) 266 e 35/76
e) 266 e 35/266

Resolução
Vamos lá pessoal! A ideia básica deste tipo de exercício é utilizar o Diagrama de

Venn para podermos encontrar algum valor faltante, tal como n. Conselho, comece
preenchendo a intersecção! Veja:
O raciocínio é assim:
1) Se 160 assinam o jornal A e 35 assinam os dois, 125 pessoas assinam só A.

2) 155 pessoas assinam só 1 jornal, como há 125 pessoas que assinam só A,
30 pessoas assinam só B
3) Como 201 pessoas não assinam B e 125 pessoas assinam só A, 76 pessoas
não assinam nenhum.
Portanto, o total de famílias é:
n = l 25 + 35 + 30 + 76 = 266
Isso não resolveu seu problema, pois há mais três alternativas com esta
possibilidade.

Estratégia
C O N C U R S O S ^
O que eles querem saber é: qual a probabilidade de assinar A dado que assina B.
Isso foi só para te confundir. Uma maneira mais direta de perguntar a mesma coisa
é: qual a probabilidade assinar os dois jornais, dado que assina B!
Assim:
P(A n B)
P(A\B) =
P(B)
Você já tem ambas as definições a partir do diagrama de Venn, basta substituir:
P( AnB) 35 30 7
p (A\R} = = = = ,
P(B) (3 5 + 30) 65 13
Alternativa (c).
, HORA DE
30Í4Ji»spraticar!
' . Boa pessoal! Vamos praticar, porque essa é a maneira
mais fácil de aprender sobre probabilidades!
Exercício 2
(IRB - ESAF/2005) Sendo qx a probabilidade de uma pessoa de idade “ x”

falecer nesta idade e qy a probabilidade de uma pessoa de idade “ y” falecer
nesta idade e px = (1 - qx) e py = (1 - qy), pode-se afirmar que o resultado da
equação (1 - px*py) indica a:
a) Probabilidade de ambos estarem vivos

b) Probabilidade de pelo menos um vivo
c) Probabilidade de pelo menos um morto
d) Probabilidade de ambos mortos
e) Probabilidade de “ x” vivo e “ y” morto ou “ y” vivo e “ x” morto

Resolução
Questão interessante e puramente conceituai.
Primeira coisa que você tem de perceber é que ambas as probabilidades são
mutuamente exclusivas, pois não há como uma pessoa ter idade "x” e "y” ao mesmo
tempo! Neste caso, nós já sabemos que:
P(x e y) = P(x) x P(y)
Esta é a probabilidade de que ambas as pessoas estejam vivas!
-“ Por que, professor” ?
Ora, qx (qy) não é a probabilidade de que uma pessoa de idade "x” ("y”) morra?
Então, px = 1 - qx (py = 1 - qy) é a probabilidade de que uma pessoa de idade "x”
("y”) não morra!
Neste caso, 1 - px*py é o complemento da probabilidade de ambas as pessoas

estarem vivas. Qual é este complemento?
Ora, trata-se da probabilidade de, pelo menos, uma das pessoas estar morta!

Alternativa (c).
Exercício 3
(ICMS\SP - FCC\2009) Considere que numa cidade 40% da população adulta é

fumante, 40% dos adultos fumantes são mulheres e 60% dos adultos não
fumantes são mulheres. Qual a probabilidade de uma pessoa escolhida ao
acaso na cidade ser mulher?
a) 44%
b) 52%
c) 50%
d) 48%
e) 56%
Resolução
Esta questão é mais facilmente resolvida só com raciocínio! O que você tem de
fazer é encontrar o quanto as mulheres representam da população total. A
população se divide da seguinte forma:
Homens 40%-16%=24%
Fumante
40% M ulheres 40%*40%=16%
População Homens 60%-36%=24%

Não fum ante
60% M ulheres e0% *6 0% = 36%
É assim:
1) 40% da população adulta é fumante e deste valor 40% são mulheres.

Portanto, 0,4 x 0,4 = 0, 16 = 16% da população adulta total são mulheres que
fumam.

Estratégia
C O N C U R S O S ^
2) 60% da população adulta não fuma e 60% das pessoas que não fumam são
mulheres, assim 0,6 x 0,6 = 0, 36 = 36% da população adulta que não fuma
são mulheres.
Estes são eventos mutuamente exclusivos, assim a soma das mulheres que fumam
mais as que não fumam é o total da população feminina. Portanto:
Pop feminina = 16% + 36% = 52%
Alternativa (b).
Exercício 4
(Petrobrás - CESGRANRIO/2008) A tabela abaixo representa o peso de um

grupo de pessoas e suas respectivas frequências. Não há observações
Classes (em kgf) Frequências
401-50 2
501-60 5
601-70 7
701-80 8
801-90 3
Uma pessoa de mais de 50 kgf será escolhida ao acaso. A probabilidade de

que o peso desta pessoa esteja entre 60 e 80 kgf é de, aproximadamente:
a) 65%
b) 63%
c) 60%
d) 58%
e) 55%

Resolução
Perceba que a questão já afirma que estamos tratando de pessoas com mais de 50
kgf, portanto, em termos de frequência relativa:
Classes (em kgf) Frequências Relativa

501-60 5 0,217391
601-70 7 0,304348
701-80 8 0,347826
801-90 3 0,130435
Total 23 1
A probabilidade de estar no intervalo desejado é de 0, 3043 + 0,3478 s 0,65 = 65%
Alternativa (a).
(Petrobrás - CESGRANRIO/2005) Em um grupo de 40 homens e 60 mulheres, a

probabilidade de um homem ser míope é de 0,05 e de uma mulher é de 0,1.
Com base nestas informações responda às seguintes perguntas.
Exercício 5
Selecionando uma pessoa ao acaso, qual a probabilidade de ela ser míope?
a) 0,05
b) 0,06
c) 0,07
d) 0,08
e) 0,09

Resolução
Esta questão é muito fácil! Basta encontrarmos o total de pessoas míopes na

população e dividir este número pelo total da população de forma a que
encontremos os elementos da fórmula:
Quantidade de vezes que ocorre A

P(A = míope) =
Quantidade de elementos no espaço amostrai
Temos 40 homens e 0,05 = 5% deles são míopes, assim:
40 • 0, 05 = 2
Existem dois homens míopes! E mulheres? Existem 60 mulheres e 10% delas são
míopes, portanto:
60 • 0, 1 = 6
Portanto, há ( 6 + 2 = 8) míopes na população. Assim, a probabilidade de encontrar

um míope é de:
8
PÇmíope) = 0,08
1ÕÕ
Alternativa (d).

Estratégia
C
Exercício 6
Selecionando um míope ao acaso, qual a probabilidade de o mesmo ser

homem.
a) 0,25
b) 0,27
c) 0,30
d) 0,33
e) 0,40
Resolução
Olha o Teorema de Bayes aí gente! O que ele está te perguntando é: qual a

probabilidade de alguém escolhido ao acaso ser homem dado que o mesmo é
míope. Com base em nossa fórmula:
PÇhomem n míope)
P(homem\míope) =
P(míope)
O numerador deriva do que já encontramos, no caso sabemos que há dois homens

míopes, portanto, a probabilidade de alguém ser homem e míope é de:
PÇhomem n míope) = = 0, 02
Agora, a probabilidade de ser míope independentemente do sexo, com base no que

encontramos no exercício anterior é de:
Substituindo na fórmula:

Estratégia
C
PÇhomem n míope) 0, 02
P(homem\míope) =
P(míope) 0,0 8
Alternativa (a).
Exercício 7
(Auditor da Previdência - ESAF/2002) Suponha que a probabilidade de um

evento C seja 0,4 e que a probabilidade condicional do evento D dado que C
ocorreu seja 0,2. Assinale a opção que dá o valor da probabilidade de
ocorrência de D e C.
a) 0,5
b) 0,08
c) 0
d) 1
e) 0,6
Resolução
Essa questão é só aplicar a fórmula:
Alternativa (b).

Exercício 8
(Auditor da Previdência - ESAF/2002) Considere um ensaio aleatório com

espaço amostral {T,U,V,W}. Considere os eventos M = {T}, N={U,V} e S={W}.
Assinale a opção correta relativamente à probabilidade de M n ^ n S .
a) Não se pode determinar a probabilidade de intersecção.

b) É o produto das probabilidades de M, N e S.
c) A probabilidade é um, pois pelo menos um dos três deve ocorrer.
d) A probabilidade de intersecção é de 1/3.
e) A probabilidade de intersecção é nula, pois os eventos são mutuamente
exclusivos.
Resolução
Pessoal, a forma mais fácil de visualizar a solução é com base no Diagrama de

Venn:
Ficou fácil enxergar, não? Não há intersecção entre os conjuntos, os eventos são
mutuamente exclusivos.
Alternativa (e).

Exercício 9
(BACEN - FCC/2005) Uma pessoa poderá investir seu dinheiro em três setores
(A, B e C) da economia. Sabe-se que a probabilidade de uma empresa
apresentar lucro é de 0,70 sendo empresa do setor A; 0,8 sendo empresa do
setor B e 0,9 sendo empresa do setor C. Tem-se ainda que nesta economia
existem 750 empresas do setor A, 300 do setor B e 150 do setor C. Escolhendo
aleatoriamente uma empresa pertencente a esses 3 setores e detectando-se
que ela não apresenta lucro, a probabilidade dela pertencer ao setor A é de:
a) 30%
b) 40%
c) 50%
d) 75%
e) 80%
Resolução
Isso é um caso típico de probabilidade condicional. Voltemos novamente ao

Teorema de Bayes:
P(A n não teve lucro)

P(A\não teve lucro)
P(não teve lucro)
Vamos começar a calcular! O exercncio nos deu as probabilidades de que as

empresas tenham lucro, assim a probabilidade de que elas não tenham é o
complementar destas últimas:
P{A n não teve lucro) = 1 —0, 7 = 0, 3

P(B n não teve lucro) = 1 —0,8 = 0,2
P(C n não teve lucro) = 1 —0,9 = 0, 1
Agora vamos encontrar a quantas empresas este valor corresponde, basta

multiplicar a probabilidade pela quantidade de empresas:

Empresas A sem lucro = 0,3-7 50 = 225

Empresas B sem lucro = 0, 2 • 300 = 60
Empresas C sem lucro = 0, 1 • 150 = 15
Agora ficou fácil! No total nós temos (750 + 150 + 300 = 1200) empresas. Deste
total, (225 + 15 + 60 = 300). Portanto, a probabilidade de uma empresa não ter
lucro é de:
300
P(não teve lucro) = 1200
No caso, a probabilidade de ser uma empresa A e não ter lucro é de:
P(A n não teve lucro) = 1 2 jõ
Agora aplique na fórmula:
P(A n não teve lucro) 225/1200 225

P{A\não teve lucro) = = 0, 75 = 75%
P(não teve lucro) 300/1200 3ÕÕ
Alternativa (d).

Exercício 10
(CGU - ESAF/2008) Dois eventos
a) P(A n B) = P(A) + P(B)

b) P(A n B) = P(A) + P{B)
c) P(A n B) = P { A ) - P { B )
d) P(A n B) = P(B)+P(B\A)
e) P(A n B) = P(A) x P{B)
Resolução
Questão conceituai. Basta nos lembrar daquele “mantra”, assim para dois eventos
"A” e “B” quaisquer:
Se os eventos são independentes a probabilidade de A dado B é igual à

probabilidade de A, assim:
P(A n B)
P{A) =
P(B)
Multiplicando invertido:
P (A n B ) = PÇA) X P(B)
Alternativa (e).

Exercício 11
(Petrobrás - CESGRANRIO/2011) Dois eventos de um espaço amostrai são

independentes se e somente se:
a) A informação e que um deles ocorreu não altera a probabilidade de
ocorrência do outro.
b) Um deles ocorrendo, o outro não poderá ocorrer.
c) São disjuntos, ou seja, a probabilidade de ocorrerem juntos é negativa.
d) São negativamente correlacionados.
e) Têm a mesma probabilidade de ocorrer.
Resolução
Com base no que vimos no exercício acima, sabemos que dois eventos
independentes têm a característica de que se um deles ocorrer, a probabilidade de
ocorrência do outro não se altera.
Gabarito (a).
Exercício 12
(Petrobrás - CESGRANRIO/2005) Os eventos A e B são independentes e suas

probabilidades são P(A) = 0,5 e P(B) = 0,4. Quanto vale P{A u B)?
a) 0,5
b) 0,6
c) 0,7
d) 0,8
e) 0,9
Resolução
Esta resolução parte da nossa fórmula para reunião:

P(A U B) = P(A) + P(B) - PÇA n B)
Como os eventos são independentes:
P(A nB) = P(A) ■P(B) = 0, 5 • 0,4 = 0,2
Assim, vamos substituir na fórmula:
P(A U B) = P{A) + P{B) - P(A nB) = 0, 5 + 0,4 - 0, 2 = 0,7
Alternativa (c).
Exercício 13
(CGU - ESAF/2008) Uma empresa de consultoria no ramo de engenharia de

transportes contratou 10 profissionais especializados, a saber: 4 engenheiras
e 6 engenheiros. Sorteando-se, ao acaso, três desses profissionais para
constituírem um grupo de trabalho, a probabilidade de os três profissionais
sorteados serem do mesmo sexo é igual a:
a) 0,10
b) 0,12
c) 0,15
d) 0,20
e) 0,24
Resolução
Agora vamos nos utilizar de análise combinatória!
O que nós temos de fazer é o seguinte, encontrar quantas combinações (pois a

ordem em que os indivíduos forem escolhidos não importa) de três pessoas são
possíveis em que o sexo de todas seja igual e dividir o resultado por todas as

Estratégia
C O N C U R S O S ^
combinações possíveis! Iremos fazer isso para os dois sexos. No caso dos homens,
queremos saber quantas combinações de 3 homens são possíveis, dado que há 6
pessoas do sexo masculino:
„ 6! 6-5-4 ^
Có'3 _ ( 6 - 3 )!3! _ 3 - 2 - 1 _ 20
Realizando a mesma operação para as mulheres:
„ 4! 4 ^
C4'3 _ ( 4 - 3 )!3! _ 1 _ 4
Ótimo! Agora temos de encontrar todas as combinações possíveis,

independentemente da disposição do grupo pelo sexo dos indivíduos. Neste caso,
temos uma combinação de 10 elementos três a três:
„ 10! 10 - 9 - 8 ^
Cl0'3 _ ( 10 - 3)!3! _ 3 - 2 - 1 _ 120
Para encontrarmos a probabilidade do que é pedido na questão precisamos calcular

o quanto aquelas combinações representam do total:
20 4 24
P ( m e s m o se x o ) = + = = 0,2
v J 120 120 120
Alternativa (d).

Exercício 14
(ICMS\RJ - FGV\2007) A tabela abaixo representa a distribuição de 1000

pessoas classificadas por sexo e Estado Civil:
Sexo
Estado Civil Total
M F
Solteiro 300 200 500
Casado 200 100 300
Viúvo 100 100 200
Total 600 400 1.0 00
Uma pessoa é selecionada ao acaso, a probabilidade de a mesma ser uma

mulher ou viúva é de:
a) 0,6
b) 0,2
c) 0,4
d) 0,7
e) 0,5
Resolução
Vamos à nossa fórmula de reunião de probabilidades:
PÇmulher U viúva) = PÇmulher) + P(viúva) —PÇmulher n viúva)
Agora fica bem fácil! Dado que nosso espaço amostra é de 1000 indivíduos e que
há 400 mulheres e 200 viúvos:
400
P(mulher) = = 0,4
v 7 1000 '

200
P{vi úvo) = = 0, 2
Agora temos de encontrar a probabilidade de intersecção, com vistas a excluir a

dupla contagem. No caso, há 100 mulheres e viúvas, o que representa 10% do total.
Assim:
P (m u lh e r U vi úva) = P (m u lh e r) + P (v i úva) — P (m u lh e r n vi úva) = 0,4 + 0, 2 — 0,1 = 0, 5
Alternativa (e).
Exercício 15
(ATA\MF - ESAF\2012) Uma caixa contém 3 bolas brancas e 2 pretas. Duas

bolas são retiradas desta caixa, uma a uma e sem reposição, qual a
probabilidade de serem da mesma cor?
a) 55%
b) 50%
c) 40%
d) 45%
e) 35%
Resolução
Este tipo de questão sem muitas alternativas de combinações, eu sempre aconselho

a vocês resolverem com base em raciocínio. Vamos a dois casos possíveis, duas
bolas brancas ou duas bolas pretas.
1) 2 bolas pretas: na primeira extração haviam 5 bolas na caixa, sendo que

destas duas eram pretas. Portanto, na 1â extração a chance era de 2 para 5
de vir uma bola preta, enquanto que, na segunda, a chance era de 1 para 4,
dado que uma bola preta já foi extraída. Portanto:

2 1 2
P(preta) = - ■ - = -
2) 2 bolas brancas: por raciocínio análogo, pode-se inferir que a chance de

extrair uma bola branca na primeira vez era de 3 para 5, enquanto que na
segunda era de 2 para 4. Assim:
3 2 6
PÇbranca) = - ■ - = —
Não há como os dois casos ocorrerem ao mesmo tempo, ou seja, os eventos são
mutuamente exclusivos. Assim:
P ibra n ca U p re ta ) = P (b r a n c a ) + P (p r e t a )
,
P ibra n ca
,
n preta ) =
6
+
2
=
8
= 0 , 4 = 40%
20 20 20 ’
Alternativa (c).
Pessoal, agora vou dar alguns exercícios mais teóricos e um

pouco mais aprofundados. Estas questões eu tirei do exame da ANPEC
(Associação Nacional dos Centros de Pós Graduação em Economia)! Apesar
de elas não serem de nenhum concurso específico, o aprofundamento
necessário para resolvê-las vai dar a vocês uma “ maturidade intelectual” , o
que ajuda a resolver as mais fáceis!
(ANPEC - 2010) Sobre a teoria das probabilidades e considerando A, B e C

três eventos quaisquer, mas com probabilidades de ocorrência diferentes de
zero, julgue as afirmativas:
Exercício 16
P(A\B) P(A)
P(B\A) ~ P(B)

Resolução
Vamos à nossa fórmula:

P(A n B)
P{A\B)
P(B)
P(A n B)
P{B\A)
PW
Agora, basta dividir uma expressão pela outra:
P{AnB)
P{A\B) P ( fi) P(A)
P(B\A) ~ P (A n B ) ~ P(B)
P{A)
Gabarito: alternativa correta.
Exercício 17
Se dois eventos são mutuamente exclusivos, eles são independentes.
Resolução
Questão importantíssima! Vamos ver se vocês entenderam o conceito de

independência.
Há como formalizar matematicamente esta resposta, mas eu prefiro utilizar a

intuição.
Se dois eventos "A” e "B” são mutuamente exclusivos isso significa que a ocorrência
de um implica a não ocorrência do outro! Mas, isso é o oposto de independência,

Estratégia
C
pois, neste caso, a probabilidade da ocorrência de um dos eventos, tal como "A”,
não poderia afetar a probabilidade de ocorrência de "B”. Entendeu a ideia?
Portanto, alternativa errada.
Exercício 18
Probabilidade é uma função que relaciona elementos do espaço amostrai a

valores no intervalo fechado entre 1 e zero.
Resolução
Esta é a própria definição formal de probabilidade, associando uma parcela do

espaço amostral à sua totalidade, sendo que este valor estará definido entre os
valores de 0 a 1.
Alternativa correta.
(ANPEC - 2011) Julgue as afirmativas:
Exercício 19
Se P(A) = 0,4, P(B) = 0,8 e P(A\B) = 0,2, então P(B\A) = 0,4
Resolução
Basta lembrarmos que existe um elemento comum entre as fórmulas de P(A\B) e

P(B\A), dado por P{A n B). Portanto:
Substituindo na fórmula de P(B\A):

P(A\B)-P{B)
P{B\A) =
P(Ã)
Essa é a nossa fórmula do Teorema de Bayes. Substituindo os valores:
P(A\B)-P{B) 0, 2 • 0, 8
P{B\A) = 0,4
P(Ã) 0,4
Exercício 20
Se P(A) = 0, então A = conjunto vazio
Resolução
Outra pegadinha! Não necessariamente, pois nem todo evento que tem
probabilidade de ocorrência igual à zero corresponde a um conjunto vazio. Isso é
meio que intuitivo, pense nisso!
Alternativa errada.

Estratégia
C
Exercício 21
(BACEN - FCC/2006) A probabilidade de um associado de um clube pagar a

sua mensalidade com atraso é de 5%. Entre 5 associados escolhidos
aleatoriamente, a probabilidade de pelo menos 1 atrasar sua mensalidade é
de:
a) l - 0 , 9 5 5
b) 0,955
c) 4,75 0,955
d) 5 0,955
e) 1 —0,055
Resolução
A resolução desta questão parece complicada, mas não é! A primeira coisa que
vocês têm de perceber é que os eventos de diferentes associados atrasarem sua
mensalidade são independentes. Portanto, a probabilidade de ocorrência de todos
ao mesmo tempo é igual ao produto das probabilidades. Vamos chamar a
probabilidade do indivíduo “i” atrasar o pagamento de (At), assim:
P(.A± nA2n A 3nA4 n a 5) = P{A1) ■P{A2) ■pça 3) ■P{Aa) ■pça5)
Portanto:
Esta é a probabilidade de que todos atrasem o pagamento! Então, 1 - 0, 055 é a

probabilidade de que ao menos um associado não atrase o pagamento.
Alternativa (e).

Estratégia
C
Exercício 22
(Integração Nacional - ESAF/2012) Uma turma de escola de 1° grau tem 30

alunos, dos quais 20 são meninas e 10 são meninos. Ao se escolher, ao acaso,
três alunos da turma, sem reposição, qual a probabilidade de 2 dos 3
escolhidos serem meninas?
a) /
b) 12/27
c) 45/91
d) 95/203
e) 2/3
Resolução
Bom, nós temos de escolher combinações possíveis das meninas de forma a

preencher duas das vagas que precisamos preencher. A ordem não importa, assim:
20! 20 • 19
Como temos 10 meninos na escola, podemos encontrar o número de possibilidades

apenas multiplicando estes dois números (tal como no exemplo do macho e da
fêmea):
Possibilidades = 190 • 10 = 1900
Agora basta dividir este número pelo total de possibilidades! Isso será dado por
todas as combinações possíveis, ou seja a combinação dos 30 elementos em
conjuntos de três:
30! 30- 29 • 28
= 4060

Assim, a probabilidade desejada é de:
1900 190 95
P(2menínas, ím enino) = — = — = —
Alternativa (d).
Exercício 23
(FINEP - CESGRANRIO/2011) Um sistema de detecção de temporais é

composto por dois subsistemas, A e B, que operam independentemente. Se
ocorrer temporal, o sistema A acionará o alarme com probabilidade 90%, e o
sistema B com probabilidade 95%. Se não ocorrer temporal, a probabilidade
de que o sistema A acione o alarme, isto é, um falso alarme, é de 10%, e a
probabilidade de que o sistema B acione o alarme é de 20%. O sistema foi
acionado. A probabilidade de que ocorra um temporal é de, aproximadamente,
a) 9/19
b) 185/215
c) 855/875
d) 995/1000
e) 995/1275
Resolução
Essa questão é difícil! Atenção aos detalhes.
A primeira coisa que você tem de entender é que temos 2 possibilidades: "o alarme
soou sem temporal” e "o alarme soou com temporal”, dado que o nosso espaço
amostral foi reduzido de forma a considerar que o alarme foi acionado!
Assim, pense que devemos encontrar:

P (te m p o ra l e so ar)
P(tem p\soar)
P (s o a r)
A probabilidade de soar nós tiramos de uma reunião entre a probabilidade de soar

com temporal e sem temporal, de forma que:
P (s o a r ) = PÇsoarcom tem poral U soarsem tem poral)
P (s o a r ) = P (s o a r c o m te m p o r a l) + P (s o a r s e m t e m p o r a l) — P Ç soa rc om tem p ora l n s o a rs e m te m p o ra l)
É fácil visualizar que o último elemento é igual à zero, pois não há intersecção entre
os eventos. Assim:
P (s o a r ) = P(soarco m tem p oral) + P(soarsem tem p oral)
Mas, há mais de um alarme, portanto, a probabilidade de soar, com ou sem

temporal, deve ser uma reunião das probabilidades de soar no alarme A e B:
P (s o a r ) = P(_soarcom tem poral)A e B + P (so a rsem tem p o ra l)A e B
Se nós detalharmos as duas probabilidades:
P(so a rco m te m p o ra l)A e B = P( "A "soar U "B"soar)

P(soarsem tem poral)W e B = P( "A "soar U "B"soar)
Nós já sabemos que P (A u B ) = P (A ) + P (B ) - P {A n B ) , então vamos abrir estas

expressões:
P(so a rco m te m p o ra l)A e B = P( "A "so ar) + P( "B "so ar) — P( "A " e "B "soar)
P(so a rsem tem p o ra l)A e B = P( "A "so ar) + P( "B "soar) —P( "A" e "B "soar)
No enunciado é dito que ambos são independentes, de forma que:

P(soarcomtemporal)AeB = P( "A "so ar) + P(" P(
B "s o a r) — "A "so ar) • P( " B "s o a r)
P(soarsemtemporal)AeB = P( "A"soar) + P( " B"soar) —P( "A" soar) • P( "B"soar)
Agora, é só substituir os valores do enunciado:
P{soarcomtemporal)AeB = 0,9 + 0,9 5 —0,9 • 0,9 5 = 0,99 5

P(soarsemtemporal)AeB = 0, 1 + 0, 2 —0, 1 • 0, 2 = 0, 28
Assim, o espaço amostrai é dado por:
P (s o a r ) = 1,275
Nós já calculamos a probabilidade de soar com temporal, aí é só calcular:
PÇtemporal e soar) 0,995

P(temp\soar)
P(soar) 1,275
Multiplicando o numerador e o denominador por 1000 chegamos à alternativa (e).
Exercício 24
(FINEP - NCEUFRJ/2006) Um jogador está interessado em fazer apostas com

base nos resultados obtidos com o lançamento de dois dados
simultaneamente. Ele deseja determinar as probabilidades de dois tipos de
resultados: a) a soma dos números que aparecem nos dois dados é menor do
que 4; e b) o número que aparece em um dado é diferente do número que
aparece no outro dado. As respostas corretas são, respectivamente:
a) 1/9 e 5/6
b) 1/12 e 5/6
c) 1/9 e 5/12
d) 1/12 e 2/3
e) 1/6 e 5/12

Estratégia
C
Resolução
Vamos por partes, primeiro iremos determinar a probabilidade de que a soma das
faces seja menor do que 4.
As possibilidades de que a soma das faces seja menor do que 4 são:
{( 1, 1);( 1, 2) ;( 2, 1)}
Ora, com base no princípio fundamental da contagem, são três combinações de um

total de:
6 números possíveis do dado 1 x 6 números possíveis do dado 2 = 36
Assim:
3 1
P(soma menor que 4) = =
36 12
Beleza! Agora, vamos calcular a probabilidade de que os números dos dados sejam
diferentes!
É muito mais fácil calcularmos a probabilidade de que os mesmos sejam iguais e

encontrar o complemento da mesma. Ab possibilidades de resultados iguais são:
Ou seja, são 6 possibilidades de um total de 36! Assim:
6 1
P(n Qiguais) = =
36 6
O complemento desta última é dado por:

P(n Qdiferentes) = 1 — =
6 6
Portanto, alternativa (b).
Exercício 25
(ATA - ESAF/2012) Sorteando-se um número de uma lista de 1 a 100, qual a

probabilidade de o número ser divisível por 3 ou por 8?
a) 41%
b) 44%
c) 42%
d) 45%
e) 43%
Resolução
Questão bem tranquila, mas tem que pensar um pouco.
Primeira coisa é encontrar quantos números entre 1 e 100 são divisíveis por 3 e 8.
Ora, pense comigo, quantos números que são múltiplos de 3 estão entre 1 e 100?
Você precisa encontrar o maior valor possível de um múltiplo de 3 (x ) que seja
menor do que 100, pois, neste caso, você encontrará quantos múltiplos de 3
existem neste intervalo.
Se você calcular, verá que:
x = 33
Pois, 3 x 33 = 99, enquanto que 3 x 34 = 102, o que é maior do que 100. Assim,
existem 33 múltiplos de 3 que estão entre 1 e 100.

E múltiplos de 8? Se você pensar da mesma forma, vai perceber que:
x = í2
Pois, 8 x í 2 = 96, enquanto que 8 x í 3 = í 04, o que é maior do que 100. Assim,
existem 12 múltiplos de 8 que estão entre 1 e 100.
Entretanto, existem números repetidos nesta lista, pois há números que são
divisíveis por 3 e 8. Assim, qual é o Mínimo Múltiplo Comum (MMC, lembra do 2°
grau?) entre 3 e 8? Assim, para encontrar os números que são múltiplos de ambos,
precisamos multiplicar um pelo outro, o que nos dá o valor de 24.
Agora, temos de encontrar a quantidade de múltiplos de 24 no intervalo de 1 a 100.

Este é bem mais fácil:
x=4
Assim, a quantidade de múltiplos de 3 e 8 entre 1 e 100 é igual à quantidade de

múltiplos de 3 mais os de 8, menos os valores conjuntos de ambos:
Múltiplos = 33 + í 2 —4 = 4 í
Aí, fica fácil calcular a probabilidade. No caso, temos 100 possibilidades ao todo:
41
PCmultiplos de 3 e 8) = = 41%
r 100
Alternativa (a).

Essa próxima questão vai trazer conteúdo novo, portanto resolvam comigo
primeiro.
Exercício 26
(STN - ESAF/2012) Com relação à teoria da Probabilidade, pode-se afirmar
que:
a) se A e B são eventos independentes, então P(A U B) = P(A) + P(B).
b) se A, B e C são eventos quaisquer com P(C) t 0, então P(A U BjO) = P (AjO)
+ P(BjO).
c) a definição frequentista de probabilidade é fundamentada na ideia de
repetição do experimento.
d) A, B e C são eventos independentes se, e somente se, P(AH B HO) = P(A).
P(B). P(O).
e) P(A) + P(A) = 0.
Resolução
Esta é muito difícil, vamos uma por uma!
Letra (a).
Se os eventos são independentes, a probabilidade condicional é que muda, de

forma que:
P ( AnB) = P{A) x P{B)

Errada.
Letra (b)
Vamos substituir a equação:

P((A U B )n C )
P(AUB\C)
W )
Pelas propriedades vistas em aula, sabemos que:
P((A u B ) n C)_ P((A n C ) u (Bn c)) _ P(A n c) + P(B n c ) - P((A n C ) n ( A n 5))

P(Õ _ P(C) _ nc]
Substituindo a probabilidade condicional:
P(A n c ) + P(B n C) - P((A n c ) n ( ^ n fl))

P(AUB\C)
P((A n C ) n ( ^ n 5))
= P(A\C) + P(B\C) -
m
Alternativa errada.
Letra (c).
Esta está correta por definição. Já discutimos isso na aula.
Letra (d).
Esta é a mais complicada. Para que três eventos sejam independentes, é preciso
que eles sejam independentes conjuntamente e entre si. Portanto, as condições
necessárias e suficientes para que isso ocorra são:
P(A n B ) = P(A) x P{B)

P(B n c ) = P{B) x P(C)
P(A n c ) = P(A) x P(C)
P { A n B n C ) = P(A) x P{B) x P(C)

Todas devem ocorrer conjuntamente. Alternativa falsa.
Letra (e).
Aquele “tracinho” em cima do A significa o seu complemento. A soma de um

conjunto com seu complemento é sempre igual à 1. Alternativa errada.
Assim, o gabarito é (c).
Exercício 27
(MPOG - ESAF/2012) Um jogo consiste em jogar uma moeda viciada cuja

probabilidade de ocorrer coroa é igual a 1/6. Se ocorrer cara, seleciona-se, ao
acaso, um número z do conjunto Z dado pelo intervalo {z e N | 7 < z < 11}. Se
ocorrer coroa, seleciona-se, ao acaso, um número p do intervalo P = {p e N | 1
< p < 5}, em que N representa o conjunto dos números naturais. Maria lança
uma moeda e observa o resultado. Após verificar o resultado, Maria retira,
aleatoriamente, um número do conjunto que atende ao resultado obtido com o
lançamento da moeda, ou seja: do conjunto Z se ocorreu cara ou do conjunto
P se ocorreu coroa. Sabendo-se que o número selecionado por Maria é ímpar,
então a probabilidade de ter ocorrido coroa no lançamento da moeda é igual a:
a) 6/31
b) 1/2
c) 1/12
d) 1/7
e) 5/6
Resolução
Trata-se de um exercício com o uso da Regra de Bayes. Qual a probabilidade de ter

dado coroa dado que o número encontrado é ímpar.

Estratégia
C
■
P(im p ar\coro a) PÇcoroa)
P(co ro a\im p ar) = P(im p ar\coro a) ■ P (c o ro a ) + P (im p a r\ c a ra ) ■ PÇcara)
Bom, a probabilidade de termos um valor ímpar, dado que tiramos coroa é de 0,5,
pois trata-se da metade dos casos do espaço amostral do evento coroa:
coroa = {1 ; 2; 3; 4}
Já, a probabilidade de ser cara é de 0,6, pois o espaço amostral é:
cora = { 7; 8; 9; 10; 11}
Assim, vamos substituir:
1
7
Alternativa (d).
Exercício 28
(ICMS-RJ - 2014/FCC) Um lote de d e ierminado artigo é formado por 8 bons e 4

defeituosos. Desse lote, é extraída uma amostra aleatória, sem reposição, de 3
artigos. A probabilidade dessa amostra conter no máximo um artigo bom é
a) 13/100
b) 13/55
c) 7/55
d) 9/110
e) 9/55

Resolução
O total de combinações possíveis que podemos formar é:
1 2! 12 x 1 l x l 0
A partir daí, precisamos encontrar a quantidade de combinações possíveis

compostas só de artigos ruins e todas que seriam possíveis só com 1 artigo bom.
4! 4x3x2
Assim, há 4 combinações possíveis de só escolhermos 4 itens ruins.
No caso de 1 item bom e outros 2 ruins, precisamos encontrar o total de

combinações possíveis de itens ruins primeiro:
4! 4x3
2 ruins = C42 = = =6
Bom, nós temos 6 possibilidades de escolhermos 2 ruins primeiro, seguindo-se a

escolha de um item bom. É fácil perceber que o total de possibilidades será dado
pela multiplicação deste total de combinações pelo total de itens bons ainda
presentes na amostra. Assim:
1 item bom e 2 ruins = 6 x 8 = 48
Portanto, a probabilidade de encontrarmos a combinação pedida no enunciado é:
48 + 4 52 13
P(no máximo 1 bom) = = = ■
Alternativa (b).

Exercício 29
(Ministério da Integração Nacional - ESAF\2012) Se A e B são eventos

independentes, então:
a) P(A n B) = P(A) - P(B).
b) P(A | B) = P(A) / P(B), se P(B) > 0.
c) P(A | B) = P(A).
d) P(A | B) = P(A n B) / P(A), se P(A) > 0.
e) P(A u B) = P(A) + P(B).
Resolução
Ora, se dois eventos são independentes, a probabilidade condicional de qualquer

evento é igual a sua probabilidade incondicional. Portanto:
P {A \ B ) = P (A )
Alternativa (c).
Exercício 30
(ANA - ESAF\2009) Uma urna possui 5 bolas azuis, 4 vermelhas, 4 amarelas e

2 verdes. Tirando-se simultaneamente 3 bolas, qual o valor mais próximo da
probabilidade de que as 3 bolas sejam da mesma cor?
a) 11,53%
b) 4,24%
c) 4,50%
d) 5,15%
e) 3,96%
Resolução
O total de combinações possíveis é, com todas as bolas (15), é:

15! 15-14- 13
^15,3 — 12131 = 5 - 7 - 1 3 = 4 55
3~2
O exercício pede a probabilidade de as três tenham a mesma cor. Bom, não há

como fazer isso com bolas verdes, já que só há 2. Então, vamos encontrar quantas
combinações possíveis há para bolas azuis:
5! 5 -4
No caso das bolas vermelhas e amarelas, o número possível de combinações é o

mesmo, já que a quantidade de bolas é a mesma. Assim:
4!
Portanto, basta encontrar a probabilidade de que estes casos ocorram no total de

casos possíveis:
10 + 4 + 4
P(3 bolas iguais) = = 3,96
Alternativa (e).

Exercício 1
(Analista Judiciário - FCC/2001) Numa cidade onde se publicam 2 jornais, A e

B, sabe-se que entre n famílias: 160 assinam o jornal A, 35 assinam os dois
jornais, 201 não assinam B e 155 assinam apenas um jornal. O valor de n e a
probabilidade de que uma família selecionada ao acaso assinar A dado que
assina B são dados respectivamente por:
a) 180 e 160/266
b) 250 e 35/75
c) 266 e 7/13
d) 266 e 35/76
e) 266 e 35/266
Exercício 2
(IRB - ESAF/2005) Sendo qx a probabilidade de uma pessoa de idade “ x”

falecer nesta idade e qy a probabilidade de uma pessoa de idade “ y” falecer
nesta idade e px = (1 - qx) e py = (1 - qy), pode-se afirmar que o resultado da
equação (1 - px*py) indica a:
a) Probabilidade de ambos estarem vivos

b) Probabilidade de pelo menos um vivo
c) Probabilidade de pelo menos um morto
d) Probabilidade de ambos mortos
e) Probabilidade de “ x” vivo e “ y” morto ou “ y” vivo e “ x” morto

Exercício 3
(ICMS\SP - FCC\2009) Considere que numa cidade 40% da população adulta é

fumante, 40% dos adultos fumantes são mulheres e 60% dos adultos não
fumantes são mulheres. Qual a probabilidade de uma pessoa escolhida ao
acaso na cidade ser mulher?
a) 44%
b) 52%
c) 50%
d) 48%
e) 56%
Exercício 4
(Petrobrás - CESGRANRIO/2008) A tabela abaixo representa o peso de um

grupo de pessoas e suas respectivas frequências. Não há observações
Classes (em kgf) Frequências
401-50 2
501-60 5
601-70 7
701-80 8
801-90 3
Uma pessoa de mais de 50 kgf será escolhida ao acaso. A probabilidade de

que o peso desta pessoa esteja e n trl 60 e 80 kgf é de, aproximadamente:
a) 65%
b) 63%
c) 60%
d) 58%
e) 55%

Estratégia
C
(Petrobrás - CESGRANRIO/2005) Em um grupo de 40 homens e 60 mulheres, a
probabilidade de um homem ser míope é de 0,05 e de uma mulher é de 0,1.
Com base nestas informações responda às seguintes perguntas.
Exercício 5
Selecionando uma pessoa ao acaso, qual a probabilidade de ela ser míope?
a) 0,05
b) 0,06
c) 0,07
d) 0,08
e) 0,09
Exercício 6
Selecionando um míope ao acaso, qual a probabilidade de o mesmo ser

homem.
Exercício 7
(Auditor da Previdência - ESAF/2002) Suponha que a probabilidade de um

evento C seja 0,4 e que a probabilidade condicional do evento D dado que C
ocorreu seja 0,2. Assinale a opção que dá o valor da probabilidade de
ocorrência de D e C.
a) 0,5
b) 0,08
c) 0
d) 1
e) 0,6

Exercício 8
(Auditor da Previdência - ESAF/2002) Considere um ensaio aleatório com

espaço amostral {T,U,V,W}. Considere os eventos M = {T}, N={U,V} e S={W}.
Assinale a opção correta relativamente à probabilidade de M n ^ n S .
a) Não se pode determinar a probabilidade de intersecção.

b) É o produto das probabilidades de M, N e S.
c) A probabilidade é um, pois pelo menos um dos três deve ocorrer.
d) A probabilidade de intersecção é de 1/3.
e) A probabilidade de intersecção é nula, pois os eventos são mutuamente
exclusivos.
Exercício 9
(BACEN - FCC/2005) Uma pessoa poderá investir seu dinheiro em três setores
(A, B e C) da economia. Sabe-se que a probabilidade de uma empresa
apresentar lucro é de 0,70 sendo empresa do setor A; 0,8 sendo empresa do
setor B e 0,9 sendo empresa do setor C. Tem-se ainda que nesta economia
existem 750 empresas do setor A, 300 do setor B e 150 do setor C. Escolhendo
aleatoriamente uma empresa pertencente a esses 3 setores e detectando-se
que ela não apresenta lucro, a probabilidade dela pertencer ao setor A é de:
a) 30%
b) 40%
c) 50%
d) 75%
e) 80%

Exercício 10
(CGU - ESAF/2008) Dois eventos são independentes se:
a) P(A n í ) = P(A) + P{B)

b) P(A n B) = P(A) - P{B)
c) P(A n B) = P(A) - P{B)
d) P(A n B) = P{B) + P{B\A)
e) P(A n B) = P (^) X P(fi)
Exercício 11
(Petrobrás - CESGRANRIO/2011) Dois eventos de um espaço amostral são

independentes se e somente se:
a) A informação e que um deles ocorreu não altera a probabilidade de
ocorrência do outro.
b) Um deles ocorrendo, o outro não poderá ocorrer.
c) São disjuntos, ou seja, a probabilidade de ocorrerem juntos é negativa.
d) São negativamente correlacionados.
e) Têm a mesma probabilidade de ocorrer.
Exercício 12
(Petrobrás - CESGRANRIO/2005) Os eventos A e B são independentes e suas

probabilidades são P(A) = 0,5 e P(B) = 0,4. Quanto vale P(A u B)?
a) 0,5
b) 0,6
c) 0,7
00
d)
o
e) 0,9

Exercício 13
(CGU - ESAF/2008) Uma empresa de consultoria no ramo de engenharia de

transportes contratou 10 profissionais especializados, a saber: 4 engenheiras
e 6 engenheiros. Sorteando-se, ao acaso, três desses profissionais para
constituírem um grupo de trabalho, a probabilidade de os três profissionais
sorteados serem do mesmo sexo é igual a:
a) 0,10
b) 0,12
c) 0,15
d) 0,20
e) 0,24
Exercício 14
(ICMS\RJ - FGV\2007) A tabela abaixo representa a distribuição de 1000

pessoas classificadas por sexo e Estado Civil:
Sexo
Estado Civil Total
M F
Solteiro 300 200 500
Casado 200 100 300
Viúvo 100 100 200
Total 600 400 1.000
Uma pessoa é selecionada ao acaso, a probabilidade de a mesma ser uma

mulher ou viúva é de:
a) 0,6
b) 0,2
c) 0,4
d) 0,7
e) 0,5

Estratégia
C
Exercício 15
(ATA\MF - ESAF\2012) Uma caixa contém 3 bolas brancas e 2 pretas. Duas

bolas são retiradas desta caixa, uma a uma e sem reposição, qual a
probabilidade de serem da mesma cor?
a) 55%
b) 50%
c) 40%
d) 45%
e) 35%
(ANPEC - 2010) Sobre a teoria das probabilidades e considerando A, B e C

três eventos quaisquer, mas com probabilidades de ocorrência diferentes de
zero, julgue as afirmativas:
Exercício 16
P(A\B) P(A)
P{B\A) ~ P(B)
Exercício 17
Se dois eventos são mutuamente exclusivos, eles são independentes.
Exercício 18
Probabilidade é uma função que relaciona elementos do espaço amostral a

valores no intervalo fechado entre 1 e zero.

(ANPEC - 2011) Julgue as afirmativas:
Exercício 19
Se P(A) = 0,4, P(B) = 0,8 e P(A\B) = 0,2, então P(B\A) = 0,4
Exercício 20
Se P(A) = 0, então A = conjunto vazio
Exercício 21
(BACEN - FCC/2006) A probabilidade de um associado de um clube pagar a

aleatoriamente, a probabilidade de pelo menos 1 atrasar sua mensalidade é
de:
a) l - 0 , 9 5 5
b) 0,955
c) 4,75 0,955
d) 5 0,955
e) l - 0 , 0 5 5

Exercício 22
(Integração Nacional - ESAF/2012) Uma turma de escola de 1° grau tem 30

alunos, dos quais 20 são meninas e 10 são meninos. Ao se escolher, ao acaso,
três alunos da turma, sem reposição, qual a probabilidade de 2 dos 3
escolhidos serem meninas?
a) /
b) 12/27
c) 45/91
d) 95/203
e) 2/3
Exercício 23
(FINEP - CESGRANRIO/2011) Um sistema de detecção de temporais é

composto por dois subsistemas, A e B, que operam independentemente. Se
ocorrer temporal, o sistema A acionará o alarme com probabilidade 90%, e o
sistema B com probabilidade 95%. Se não ocorrer temporal, a probabilidade
de que o sistema A acione o alarme, isto é, um falso alarme, é de 10%, e a
probabilidade de que o sistema B acione o alarme é de 20%. O sistema foi
acionado. A probabilidade de que ocorra um temporal é de, aproximadamente,
a) 9/19
b) 185/215
c) 855/875
d) 995/1000
e) 995/1275

Exercício 24
(FINEP - NCEUFRJ/2006) Um jogador está interessado em fazer apostas com

base nos resultados obtidos com o lançamento de dois dados
simultaneamente. Ele deseja determinar as probabilidades de dois tipos de
resultados: a) a soma dos números que aparecem nos dois dados é menor do
que 4; e b) o número que aparece em um dado é diferente do número que
aparece no outro dado. As respostas corretas são, respectivamente:
a) 1/9 e 5/6
b) 1/12 e 5/6
c) 1/9 e 5/12
d) 1/12 e 2/3
e) 1/6 e 5/12
Exercício 25
(ATA - ESAF/2012) Sorteando-se um número de uma lista de 1 a 100, qual a

probabilidade de o número ser divisível por 3 ou por 8?
a) 41%
b) 44%
c) 42%
d) 45%
e) 43%

Estratégia
C
difícil!
Exercício 26
(STN - ESAF/2012) Com relação à teoria da Probabilidade, pode-se afirmar
que:
a) se A e B são eventos independentes, então P(A U B) = P(A) + P(B).
b) se A, B e C são eventos quaisquer com P(C) t 0, então P(A U B/C) = P (A/C)
+ P(B/C).
c) a definição frequentista de probabilidade é fundamentada na ideia de
repetição do experimento.
d) A, B e C são eventos independentes se, e somente se, P(AD B OC) = P(A).
P(B). P(C).
e) P(A) + P(A) = 0.
Exercício 27
(MPOG - ESAF/2012) Um jogo consiste em jogar uma moeda viciada cuja

probabilidade de ocorrer coroa é igual a 1/6. Se ocorrer cara, seleciona-se, ao
acaso, um número z do conjunto Z dado pelo intervalo {z e N | 7 < z < 11}. Se
ocorrer coroa, seleciona-se, ao acaso, um número p do intervalo P = {p e N | 1
< p < 5}, em que N representa o conjunto dos números naturais. Maria lança
uma moeda e observa o resultado. Após verificar o resultado, Maria retira,
aleatoriamente, um número do conjunto que atende ao resultado obtido com o
lançamento da moeda, ou seja: do conjunto Z se ocorreu cara ou do conjunto
P se ocorreu coroa. Sabendo-se que o número selecionado por Maria é ímpar,
então a probabilidade de ter ocorrido coroa no lançamento da moeda é igual a:
a) 6/31
b) 1/2
c) 1/12
d) 1/7
e) 5/6

Exercício 28
(ICMS-RJ - 2014/FCC) Um lote de determinado artigo é formado por 8 bons e 4

defeituosos. Desse lote, é extraída uma amostra aleatória, sem reposição, de 3
artigos. A probabilidade dessa amostra conter no máximo um artigo bom é
a) 13/100
b) 13/55
c) 7/55
d) 9/110
e) 9/55
Exercício 29
(Ministério da Integração Nacional - ESAF\2012) Se A e B são eventos

independentes, então:
a) P(A n B) = P(A) - P(B).
b) P(A | B) = P(A) / P(B), se P(B) > 0.
c) P(A | B) = P(A).
d) P(A | B) = P(A n B) / P(A), se P(A) > 0.
e) P(A u B) = P(A) + P(B).
Exercício 30
(ANA - ESAF\2009) Uma urna possui 5 bolas azuis, 4 vermelhas, 4 amarelas e

2 verdes. Tirando-se simultaneamente 3 bolas, qual o valor mais próximo da
probabilidade de que as 3 bolas sejam da mesma cor?
a) 11,53%
b) 4,24%
c) 4,50%
d) 5,15%
e) 3,96%

Gabarito
1- c
2- c
3- b
4- a
5- d
6- a
7- b
8- e
9- d
10 - e
11 - a
12 - c
13 - d
14 - e
15 - c
16 - certo
17 - errado
18 - certo
19 - certo
20 - errado
21 - e
22 - d
23 - e
24 - b
25 - a
26 - c
27 - d
28 - b
29 - c
30 - e
Não desanimem, pois em breve vocês estarão na Receita Federal!

AULA 04 - Distribuições de Probabilidade Discretas
SUMÁRIO PÁGINA
Distribuição de Probabilidade 2
Distribuição Uniforme 5
Distribuição Binomial e de Bernoulli 7
Distribuição de Poisson 12
Distribuição Geométrica 14
Distribuição Hipergeométrica 15
Gabarito 51
Você quer mesmo passar em concurso? Não é nada fácil, portanto, força na peruca
e vamos a mais essa aula.
Assim, iremos abordar, de maneira bem rápida, as principais distribuições de

probabilidade discretas cobradas em concurso. Então, vamos à nossa aula!
Essa é para o pessoal que está estudando por livros para

o concurso! Entenda uma coisa, você não está estudando
para redigir sua tese de doutorado, ok? Foco no edital!
Muitas pessoas vão te indicar livros mirabolantes de 1500
páginas para estudo. Esse não é o objetivo! Tentem
maximizar o tempo de estudo. Utilizem bibliografias que
abordam o conteúdo de forma completa, mas simples!
Lembrem-se, há uma dezena de matérias que caem, não
é só uma! Objetividade galera!

1. Distribuição de Probabilidade
Nós já discutimos isso, mas vamos tentar formalizar um pouco mais este conceito:
Distribuição de probabilidade associa uma

probabilidade a cada valor possível de uma variável.
Nós já estudamos isso, veja o caso do lançamento de um dado, por exemplo:
Face Probabilidade
1 1/6
2 1/6
3 1/6
4 1/6
5 1/6
6 1/6
Viu? O que este gráfico está te mostrando é: qual a probabilidade associada a cada
resultado possível deste experimento. Essa é a distribuição de probabilidade deste
experimento.
Nós já estudamos como chegar a tais probabilidades, o que não deve ser um
problema para você.
-“E se for uma variável contínua, professor”?
Boa pergunta! Vamos ao exemplo de nossa aula 00, a altura dos indivíduos de uma
região com uma população muito grande. Nós já sabemos que este é um caso de
uma variável contínua, pois a mesma deriva de uma mensuração. Assim, eu
pergunto: qual a probabilidade de que uma pessoa tenha exatamente 1,70m,
sabendo que a altura dos indivíduos vai de 1,60m a 1,80m?

Bom, você pode pensar que isso seria fácil, pois bastaria contar a quantidade de
pessoas com 1,70m e dividir pelo total da população. Mas aí é que está o problema:
há infinitas alturas possíveis. Tem uma pessoa que mede 1,701, outra que mede
1,70001, e por aí vai. Neste caso, a probabilidade de encontrar alguém com,
exatamente, 1,70 é de:
casos favoráveis casos favoráveis

P(h = 1, 70) = = =0
total de casos possi veis + oo
Pois, se você dividir qualquer número inteiro por infinito (+ oo), o resultado será zero.
Para qualquer valor pontual, a probabilidade será igual à zero.
Assim, você teria de calcular uma probabilidade intervalar. Ou seja, qual a

probabilidade de que algum determinado intervalo ocorra. Por exemplo, você
poderia calcular qual a probabilidade de que alguém com altura entre 1,70m e
1,80m seja selecionado. Suponha que a população se divida da seguinte forma:
Altura (m) N° de pessoas

1,60-1,70 100
1,70-1,80 100
Neste caso, a probabilidade de encontrar alguém com altura entre 1,70m e 1,80m é
de:
100
P(h = 1,70 - 1,80) = — = 50%
Perceberam? No caso de variáveis contínuas, a probabilidade estará associada a

um intervalo, pois a probabilidade de ocorrência de um determinado ponto é igual à
zero. Essa probabilidade de ocorrência em variáveis contínuas pode ser
representada por meio da função densidade de probabilidade (f(x)). Por meio do
gráfico definido por esta função, podemos calcular a probabilidade de ocorrência de
um intervalo. Na verdade nós já "meio” que estudamos isso na aula 00 quando

Estratégia
Cr nONNr iCi U
R «R; Sr >O<S;
falamos em frequência, mas vamos repassar o conceito com base em nosso
exemplo de alturas:
f(x]
1,7 1,B X
Veja, a área do retângulo referente às alturas que ficam entre 1,70m e 1,80m deve
equivaler à probabilidade de sua ocorrência. No caso, a base do retângulo é de 0,1
(1,8 - 1,7) e sua altura é de 5, sendo este o valor de /(x ), portanto:
área = base x altura = 0, 1 x 5 = 0, 5
Que é exatamente a probabilidade que calculamos. Perceba que a

probabilidade de ocorrência de uma altura entre 1,60m e 1,80m é igual à 1
(100%)!
No caso, as coleções de pares ordenados formados por (x ,/(x )) nos dá a

distribuição de probabilidade da variável contínua.
-“Por que você está falando tudo isso, professor”?
Porque existem distribuições de probabilidades que são bem definidas e já

estudadas, com tabelas e propriedades que permitem realizar inferências de
maneira simples, tal como no caso da distribuição normal da aula anterior. Vamos

Estratégia
Cr nONNr iCi U
R «R; Sr >O<S;
estudar algumas distribuições de probabilidades discretas já definidas. Na próxima
aula estudaremos o caso de variáveis contínuas de forma mais aprofundada.
2. Distribuição Uniforme
CAIU
na prova!
Distribuição uniforme é aquela em que todos os valores
possíveis para a variável aleatória ocorrem com a mesma probabilidade.
Vocês já viram um exemplo nesta aula: o lançamento de um dado. Vocês viram lá

em cima que a probabilidade de ocorrência de qualquer face é sempre a mesma. No
caso:
l
P(x = 1; x = 2; x = 3; x = 4; x = 5;x = 6) =
6
Nós também vimos um caso de distribuição uniforme contínua, com um gráfico

representativo de que ambos os intervalos têm a mesma chance de ocorrer: o
exemplo das alturas.
Essa distribuição é fácil de entender e tem propriedades muito simples. No caso do

lançamento do dado, qual a média do processo?
Para isso, lembrem-se da aula anterior:

Esperança matemática é um conceito intimamente relacionado com a média

aritmética. No caso, para um dado conjunto de valores (X) que vai de X1 a Xn,
sua esperança é dada por:
E {X )= X 1 - f 1 + X 2 - f 2 ...Xn -fn
Sendo f t a frequência relativa de Xt.
Percebeu? A aplicação do operador "esperança” a uma série de dados nos

diz, em termos bem simples, a média do que pode acontecer com esta
variável.
No lugar de frequência relativa, coloque "probabilidade de ocorrência”. Lembre-se

de que ambos os conceitos são estritamente ligados, sendo que a frequência liga-se
ao que "já ocorreu”, enquanto a probabilidade nos diz o que "pode ocorrer”. Daí tire
a esperança do processo, que não é nada além de sua média:
E a variância do processo?
Ora, lembrem-se da propriedade ensinada na aula 01:
Variância = média dos quadrados —quadrado da média
Mas, nós já temos a média, que é a esperança do processo (£(x)). Agora fica fácil
ver que:
Variância = Var(x) = E(x2) —[E(x)]2

Estratégia
Cr nONNr iCi U
R «R; Sr >O<S;
Agora é só aplicar a “fórmula”. Só falta calcular (£(x2)):
6 6 6 6 6 6 6
Portanto:
2 10 5
36
Simples, não? Essa é a distribuição mais fácil. Basta ver quando a probabilidade de
todos os elementos do espaço amostral é igual.
3. Distribuição Binomial e de Bernoulli
A distribuição de Bernoulli se caracteriza pela existência de dois eventos,

mutuamente exclusivos: sucesso ou fracasso.
-“Como assim, professor”?
Simples, o nosso experimento pode ter 2 resultados: um resultado que ocorre com
probabilidade (p), que pode ser denominado "sucesso”, e outro com probabilidade
(1 - p), que pode ser chamado de fracasso.
Um exemplo clássico seria o lançamento de uma moeda. Se apostarmos que este

lançamento terá "cara” como resultado, então temos (p = 0,5) chances de "sucesso”
e (1 - p = 0,5) chances de "fracasso”.
Ou seja, a distribuição de Bernoulli é aquela em que "ou é um ou é outro”, no

sentido que ou acertamos ou erramos, não há meio termo, sendo que nossa chance
de acerto é dada por (p) e de erro por (1 - p).
Neste caso, qual a média do processo?

Ora, pode-se provar que:
E(x) = p
Com efeito, a esperança do processo é igual à probabilidade de ocorrência de

sucesso.
Não acredita? Vamos provar calculando a média do processo tirando sua

esperança! No nosso exemplo, se atribuirmos o valor 1 para o caso de sucesso e o
valor 0 para o fracasso, temos que:
£(x) = X1 - f 1 + X 2 - f 2 = l- 0 , 5 + 0-0, 5 = 0, 5
Outra característica importante de uma distribuição é sua variância! Do resultado

acima fica fácil ver que:
V ar(x) = p —p2
Isso porque:
Var(x) = £ (x 2) —[E(x)Y
Se x = l para sucesso e x = 0 para fracasso:
Var(x) = £ (x 2) — [£ (x )]2 = E(x) — [£ (x )]2 = p —p2
Beleza? Mas, o caso da distribuição de Bernoulli é um caso particular de outra

distribuição, chamada distribuição binomial. Pois, se repetíssemos um
experimento de Bernoulli n vezes, como se dariam as probabilidades de ocorrência?
Quer um exemplo? E se nós jogássemos a moeda duas vezes, qual a

probabilidade de obtermos duas caras?

Estratégia
Cr nONNr iCi U
R «R; Sr >O<S;
Veja que esse não é mais um experimento de Bernoulli, pois o estamos realizando
mais de uma vez! Para respondermos esta questão, vamos listar como seria o
espaço amostral deste experimento (ü)?
ü = (cara, cara); (cara, coroa); (coroa, cara); (coroa, coroa)
Assim, as probabilidades são:
1
P( 2 caras) = —
1
P(2 coroas) =
4
Neste caso, podemos perceber que:
P(2 sucessos) = p ■p
P(2 fracassos) = ( 1 —p) ■(1 —p)
P( 1 sucesso e 1 fracasso) = 2 - p ■(1 —p)
O número 2 (dois) que multiplica o último membro se refere ao fato de que há duas
possibilidades de obtermos 1 sucesso e 1 fracasso, (cara, coroa) ou (coroa, cara).
E se você jogar 3 (três) vezes?
ü = (cara, cara, caroa); (cara, coroa, cara); (coroa, cara, cara); (cara, coroa, coroa);
(coroa, cara, coroa); (coroa, coroa, cara); (cara, cara, cara); (coroa, coroa, coroa)
Assim, as probabilidades são:

Estratégia
Cr nONNr iCi U
R «R; Sr >O<S;
1
P(3 coroas) = ( 1 —p) • ( 1 - p ) - ( 1 —p) =
8
P( 1 cara e 2 coroas) = 3 • p • ( 1 —p) • ( 1 —p) =

8
Bom, daí você percebe que a probabilidade de qualquer resultado pode ser
generalizada da seguinte forma:
P(.) = pk( 1 - p ) n~k
Sendo k o número de sucessos, n o número de experimentos e n - k o número de

fracassos. Isso porque os experimentos são independentes.
atento!
“ “ Essa é uma pressuposição da distribuição binomial e de
Bernoulli: os experimentos devem ser independentes.
O problema é que qualquer sequência com k sucessos e n - k fracassos terá a

mesma probabilidade acima descrita, tal como no exemplo de dois lançamentos da
moeda, no qual há dois eventos em que há 1 sucesso: (cara, coroa) e
(coroa, cara)\ Então, nós precisamos rrnultiplicar esta probabilidade encontrada pela
quantidade de combinações em que há a quantidade de sucessos desejada
(lembrar de análise combinatória). No exemplo de 1 sucesso em dois
lançamentos, podemos fazer:
P( 1 cara e 1 coroa) = C2,i ' P ' ( 1 —p) = 2 " ^ = ^

Ou seja, nós queremos multiplicar a probabilidade de ocorrência de um determinado

tipo de sucesso pela quantidade de vezes que este ocorre de diferentes formas, no
exemplo, (cara, coroa) e (coroa, cara) , o que corresponde a 1 sucesso. Assim, para
este caso, multiplicaríamos a probabilidade de ocorrência pela quantidade de
combinações possíveis de 1 sucesso em 2 experimentos.
Portanto, podemos generalizar:
P(sucessos = k) = Cnk -p k ■( 1 —p)n~k
-“Beleza professor, já entendi como calcular a probabilidade de ocorrência de

k sucessos em n experimentos”.
Ótimo! Mas, ainda falta definir quais são as expressões que definem a média e a
variância em um processo deste tipo.
Como a distribuição binomial corresponde à n experimentos de Bernoulli, pode-se

provar que:
E(x) = n - p
Var(x) = n - (p —p2)
Muito parecido com os resultados para a distribuição de Bernoulli, decore isso. Não
está acreditando? Vamos calcular a média do processo para o caso de dois
lançamentos, se atribuirmos o valor 1 para 1 sucesso e 2 para 2 sucessos:
2
E(x) = 2 ---- h 1 • + 0 — = 1 = n ■p
4

Estratégia
Cr nONNr iCi U
R «R; Sr >O<S;
Calculando a esperança dos quadrados:
A partir daí podemos calcular a variância:
Var(x) = £ (x 2) —[£(x)]2 = 1, 5 —1 = 0, 5 = n (p —p2)
Entendeu? Vamos estudar mais um tipo de distribuição, mas antes dê uma

paradinha! Lembre-se que sempre é bom dar uma parada após algum tempo de
estudo seguido, caso contrário, você perderá muita concentração.
4. Distribuição de Poisson
A distribuição de Poisson é uma generalização da distribuição binomial quando n é

muito grande e p é pequeno.
Não entendeu? Veja, qual a probabilidade de o telefone da sua casa tocar nos
próximos 300 segundos? Esse é um exemplo em que podemos utilizar a distribuição
de Poisson! Trata-se da análise de um evento em que podemos ter sucesso (tocar o
telefone) ou não, porém, devido ao fato de a probabilidade ser muito baixa e o
número de experimentos ser grande, pode-se aproximar a distribuição binomial pela
seguinte forma:
e np ■(n- p)k
PÇsucessos = k) =
Sendo e um número real que vale aproximadamente 2,7.

Muitas vezes, os livros textos substituem o operador n • p pela letra grega “lambda”
(1). Assim:
e~x ■(X)k
PÇsucessos = k) = ■
-“Mas, quando eu decido se uso distribuição binomial ou de Poisson em uma

prova”?
Normalmente, a banca vai te falar. Nós iremos realizar alguns exercícios que vão
facilitar sua vida e você vai pegar o jeito, mas a minha dica é a seguinte:
Em geral, utilize a distribuição binomial.

Mas, quando o exercício quiser saber a
probabilidade de ocorrência ou de encontrar
tome nota! algo em uma área ou espaço de tempo, use
distribuição de Poisson.
Porque isso? O negócio é o seguinte, quando você avalia a probabilidade de

ocorrência de um evento em um intervalo de tempo, por exemplo, é como se você
dividisse o tempo em intervalos bem pequenos, o que tornaria a probabilidade de
ocorrência muito pequena. No exemplo do telefone tocar, a probabilidade de que o
telefone toque em um determinado segundo é muito pequena mesma, apesar de
estarmos avaliando 300 segundos!
Assim, como o nosso p é muito pequeno, ( 1 - p ) se aproxima de 1. Portanto,

sabendo que (n-p = À) e que a distribuição de Poisson é uma generalização da
binomial:
E(x) = X
Var(x) = n - (p —p2) = n p ( l —p) = n p = X
Portanto, a distribuição de Poisson tem a característica de que sua média e

sua variância são iguais!

5. Distribuição Geométrica
A distribuição geométrica é facilmente entendida com base em nossos

conhecimentos prévios da distribuição binomial.
Suponha que realizemos um experimento de Bernoulli "X” vezes até obtermos

"sucesso”. Neste caso, "X” é uma variável com distribuição geométrica. Por
exemplo, "X” pode indicar o número de vezes em que temos de lançar uma moeda
até obtermos a primeira cara.
Neste exemplo, a chance de obtermos a primeira cara na k-ésima jogada é de:
P{sucesso n a k —ésim a jo g a d a ) = (1 —p )fc_1 x p
Ora, isso é fácil de deduzir. Imagine que queiramos saber a probabilidade de que a
primeira cara ocorra na 3â jogada. Sem olhar a fórmula, como você faria?
Bom, você calcularia a probabilidade de que ocorressem 2 coroas seguidas, que é

de:
(2 M 2 K
Daí você multiplicaria tal resultado pela probabilidade de uma cara, que é de:
1
2
Assim:
1 1_ 1
4X2~8
Mas, isso é a própria fórmula:

Estratégia
Cr nONNr iCi U
R «R; Sr >O<S;
3-i x 1 _ 1
PÇsucesso na k —ésima jogada) = ( 1 —p)k 1 x
H i)
Simples, não? Essa distribuição não costuma se muito cobrada em prova, mas
vamos prevenir.
ATENÇÃO
lecore!
' Assim, pode-se provar que, para uma variável (X) com
distribuição geométrica:
6. Distribuição Hipergeométrica
A distribuição hipergeométrica refere-se à probabilidade de que, ao retirarmos, sem

reposição, “n” elementos de um conjunto de “N”, saiam “k” elementos com o
atributo sucesso. Sabendo-se “s” elementos possuem o atributo sucesso e que “N -
s” não o possuem, fica claro que a probabilidade de sucesso (p) é:
Assim, ao retirarmos uma amostra de n elementos, qual a probabilidade de que “k”

sejam “sucesso” e “n - k sejam “fracasso”?
Bom, o total de possibilidades é uma combinação de “N” elementos em grupos de

“n”. Assim:

O total de possibilidades de obtermos “k” sucessos do total de “s” elementos é:
CS,k
Por outro lado, o total de possibilidades de obtermos “n-k sucessos de um total de

“N-s” elementos com característica de fracasso é de:
^ N -s ,n -k
Portanto, a probabilidade (p{k sucessos e n - k fracassos)) de, ao retirarmos uma

amostra de n elementos, sem reposição, “k” serem de sucesso e “n-k’ serem de
fracasso é de:
5 .71—K.
p{k sucessos e n —k fracassos) =
^N,n
Esse é outro tópico que não é muito cobrado em concurso, mas que é importante
conhecer. Na seção de exercícios, vamos fazer um exercício que vai fazer com que
vocês entendam direitinho.
Veja que essa distribuição é muito semelhante à binomial, mas

acontece que ela não tem reposição Assim, pode-se provar que, para uma
variável (X) com distribuição hipergeométrica:
E(X) = n p
N —n\
Var{X) = n p ( l - p ) -
Viram que as expressões são bem parecidas? A única diferença é o ‘”fator de
ajuste” da variância (^ 77).

Prof. Jeronymo Marcondes -A ula 04
HORA DE
praticar!
Exercício 1
(FINEP - CESGRANRIO/2011)
Considere a distribuição de probabilidade sobre os números 1, 2, 3 e 4 acima.

Essa distribuição é:
a) Continua
b) Assimétrica
c) Normal
d) Uniforme
e) Multivariada
Resolução
Pessoal, o que vocês estão vendo é a função distribuição de probabilidade de uma

variável discreta, pois os pontos não estão ligados por uma linha reta.
Mas, que distribuição é essa? Uma distribuição uniforme, pois todos os pontos têm
a mesma probabilidade de ocorrência. Alternativa (d).

Exercício 2
(TJ\RO - CESGRANRIO/2008) Uma urna contem 10 bolas, cada uma gravada

com um número diferente de 1 a 10. Uma bola é retirada aleatoriamente e um
“X” é marcado na mesma. X é uma variável aleatória:
a) Com desvio padrão de 10
b) Com 1° quartil de 0,25
c) Com média de 5
d) Com distribuição de probabilidade uniforme
e) Com distribuição de probabilidade assimétrica
Resolução
Veja, todas as possíveis realizações decorrentes da extração de uma bola têm a

mesma probabilidade. O que é isso? Distribuição uniforme. Viu como a
CESGRANRIO gosta disso?
Alternativa (d).
(FINEP - CESPE/2009) Uma empresa produz determinado tipo de peça. A

probabilidade de cada peça ser perfeita é de 0,7, e a probabilidade de cada
peça ser defeituosa é de 0,3. Tomando 0,06, 0,17 e 0,24 como valores
aproximados de 0,78, 0,75 e 0,74, respectivamente, julgue as afirmativas.
Exercício 3
Na produção de 400 itens o número esperado de peças defeituosas é de 150.

Estratégia
Cr nONNr iCi U
R «R; Sr >O<S;
Resolução
Pessoal, nós estamos tratando de uma distribuição binomial, com o evento

"encontrar peça defeituosa” como sucesso, portanto:
E (x) = n- p
Assim:
£(x) = n - p = 400 - 0,3 = 120
Alternativa falsa.
Exercício 4
A probabilidade de que uma amostra aleatória de 10 peças contenha

exatamente 8 peças perfeitas é menor que 10%.
Resolução
Veja que agora, nosso "sucesso” é encontrar uma peça sem defeito (perceba que
tanto faz definir quem é sucesso ou fracasso, teste para ver). Assim, vamos utilizar
nossa fórmula para distribuição binomial:
PÇsucessos = k) = Cnk ■pk ■( 1 —p)n k
Substituindo os valores:

Portanto, alternativa falsa.
Exercício 5
A probabilidade de que uma amostra aleatória de 5 peças contenha, (no

máximo), 2 peças defeituosas é maior que 70%.
Resolução
Vamos refazer o cálculo anterior com as mudanças requisitadas, só que agora

estamos procurando 2 "sucessos” em uma amostra de 5 peças:
PÇsucessos = k) = Cnk ■pk ■( 1 —p)n~k
5!
PÇsucessos = 3) = C53 • 0, 73 • 0, 32 = .„^ „ | • 0,343 • 0,09 = 0,3 087
. , 5!
PÇsucessos = 4) = C54 • 0, 74 • 0, 31 = • 0, 24 • 0, 3 = 0, 36
^1) \ 4!
PÇsucessos = 5) = C55 • 0, 75 • 0, 30 = 0, 17
A probabilidade de existirem, no máximo, duas peças defeituosas é de:
PÇsucessos = 3 U sufiessos = 4 U sucessos = 5)
Como os eventos são independentes, basta somar:
P(sucessos = 3 U sucessos = 4 U sucessos = 5 ) = 0,3 6 + 0, 1 7 + 0, 3 0 87 = 0 ,8 3 8 7
Alternativa verdadeira.

Exercício 6
(CGU - ESAF/2008) Seja X a soma de n variáveis aleatórias independentes de

Bernoulli, isto é, que assumem apenas os valores 1 e 0 com probabilidades p
e 1-p, respectivamente. Assim, a distribuição de X é:
a) Binomial com parâmetros n e p.
b) Gama com parâmetros n e p.
c) Qui quadrado com n graus de liberdade.
d) Laplace.
e) “t” de Student com n-1 graus de liberdade.
Resolução
Essa é bem fácil! Por definição, letra (a).
Exercício 7
(AFRFB - ESAF/2009) Em um experimento binomial com três provas, a

probabilidade de ocorrerem dois sucessos é doze vezes a probabilidade de
ocorrerem três sucessos. Desse modo, as probabilidades de sucesso e
fracasso são, em percentuais, respectivamente, iguais a:
a) 20 % e 80 %
b) 80 % e 20 %
c) 60 % e 40 %
d) 30 % e 70 %
e) 25 % e 75 %
Resolução
No caso de 3 experimentos a probabilidade de 2 sucessos é de:
PÇsucesso = 2) = C32 • p2 • ( 1 —p)1 = 3 • p2 • (1 —p)
Já a probabilidade de 3 sucessos é de:

PÇsucesso = 3) = C33 • p3 = p3
Do enunciado sabemos que:
PÇsucesso = 2) = 12 ■PÇsucesso = 3)
Agora é só substituir e resolver a equação:
3 • p2 • ( 1 —p) = 12 • p 3
3p2 —3p3 = 12 ■p 3
3p2 —15p3 = 0
Se isolarmos p2, tem-se que:
p2( 3 —15p) = 0
Para que essa expressão seja verdade, ou (p = 0), o que não corresponde à
solução que buscamos, ou ( 3 - 15p = 0). Assim, resolvendo a expressão:
1
3 —15p = 0 ^ p = —= 0,2
Assim, a chance de fracasso é de:
P(fracasso) = 1 —0, 2 = 0,8
Alternativa (d).

Exercício 8
(SEJUS - UNIVERSA/2010) Em certo plano amostrai, em uma população de

100 elementos, optou-se pelo seguinte critério: joga-se uma moeda (honesta)
e, se der cara, o elemento entra na amostra; se der coroa, ele não entra na
amostra. Qual o tamanho esperado dessa amostra?
a) 10
b) 20
c) 30
d) 40
e) 50
Resolução
Outra questão mais tranquila para relaxar. O que o exercício está te pedindo é a
esperança da quantidade de caras! Isso é fácil, basta:
£(x) = n- p = 100 • 0, 5 = 50
Alternativa (e).
Pessoal, o próximo exercício também entra no caso que vocês devem

acompanhar e depois tentar responder sozinhos.

Exercício 9
(TRF - FCC/2001) A probabilidade de que um item produzido por uma máquina

seja defeituoso é 10%. Uma amostra de 30 itens produzidos por esta máquina
é selecionada ao acaso. Usando-se a aproximação pela distribuição de
Poisson para determinar a probabilidade de que não mais que um item
defeituoso seja encontrado na amostra, obtemos
a) 4e~3
b) 4e~2
c) 3e~3
d) 1 - 4e~3
e) 1 - 3e~3
Resolução
Veja que nós podemos resolver o problema com a distribuição binomial (precisaria
de calculadora), mas como nós já fizemos exercício deste conteúdo, vamos treinar a
aplicação da fórmula da distribuição de Poisson.
O que é pedida é a probabilidade de que não haja mais do que uma peça
defeituosa, ou seja, no máximo uma. Assim, nosso "sucesso” é encontrar uma peça
defeituosa. Vamos encontrar as probabilidades referentes a "0” e "1” peças
defeituosas.
Então, em uma amostra de 30 elementos, espera-se que 3 (10%) sejam

defeituosos, portanto:
X = n -p = 30-0, 1 = 3
Agora basta substituirmos:

Estratégia
Cr nONNr iCi U
R «R; Sr >O<S;
PÇsucesso = k = 0) =
PÇsucesso = k = 1) =
Como os eventos são independentes, a probabilidade conjunta se dará pela

soma de ambos:
PÇsucesso = 1 ou 0) = 3- e 3 + e 3 = 4 - e 3
Alternativa (a).
Exercício 10
(BACEN - FCC/2005) A probabilidade de um associado de um clube de pagar

aleatoriamente, a probabilidade de pelo menos um pagar sua mensalidade
sem atraso é:
a) 5 ( 0 , 9 5 ) 5
b) 1 - (0,05)5
c) l - ( 0 , 9 5 ) 5
d) (0,95)5
e) 4,75 • (0,95)5
Resolução
Para facilitar a resolução deste exercício, fica mais fácil avaliar a probabilidade de
ninguém pagar a mensalidade com atraso (P{x = 0)) e fazer:
1 - P ( x = 0 ) = P(x = 1) + P(x = 2) + P(x = 3) + P(x = 4) + P(x = 5)
Ou seja, o cálculo fica bem mais fácil, pois só calculamos a probabilidade de que
ninguém pague com atraso.

Assim, sabendo que a chance de sucesso é de 95% (100% - 5%) e a de fracasso é

de 5%:
p(x = 0) = C50 ■0,9 50 ■0,0 55 = 0,055
Assim, a probabilidade pedida é de:
1 - 0,055
Alternativa (b).
Exercício 11
(SEFAZ-ES - CESPE/2013) O número de reclamações diárias registradas por

uma central de atendimento ao cidadão for uma variável aleatória que segue a
distribuição de Poisson com média igual a ln10, então a probabilidade P(N= 0)
será igual a
a) 0,09
b) 0,14
c) 0,18
d) 0,1
e) 0,05
Resolução
Em primeiro lugar, nós sabemos que se trata de uma distribuição de Poisson,

portanto, a média do processo é equivalente à variável (1). No caso, o exercício
quer saber a probabilidade de 0 (zero) sucessos.
Vamos usar a fórmula:

e~x -Àk
P{sucesso = k = 0) =
No caso, substituindo os valores:
Veja, este ln trata-se do logaritmo neperiano! Ou seja, ln de um número qualquer é:

o valor a que você deve elevar “e” (chamado de neper e que, como vimos, tem valor
próximo a 2,7) a fim de resultar neste número. Por exemplo:
x = ln (2)
Isso significa que:
ex = 2
Assim, sempre que você vir e elevado a ln, o resultado é o número na frente do ln.
Por exemplo:
eln2 = 2
Entendeu? Agora vamos voltar ao exercício.
PÇsucesso = k = 0) = e~ln10 = = — = 0,1
O gabarito original não tinha a resposta correta, mas neste nosso exemplo
modificado, alternativa (d).

Pessoal, o próximo exercício é sobre distribuição hipergeométrica.
Acompanhem comigo!
Exercício 12
(MDIC - ESAF\2013) Em uma população de 50 empresas de uma região, 20 são

empresas exportadoras. Qual o valor mais próximo do número esperado de
empresas exportadoras em uma amostra aleatória de tamanho 20 retirada sem
reposição da amostra.
a) 10
b) 8
c) 7,5
d) 6
e) 4
Resolução
Veja a palavrinha chave: "sem reposição”. Trata-se de uma variável com distribuição
hipergeométrica.
Qual a esperança de uma variável com distribuição hipergeométrica?
20
E{X) = n - p = 20 ■ =8
Alternativa (b).

Exercício 13
(SUSEP - ESAF/2010) Um estudo indica que, nas comunidades que vivem em

clima muito frio e com uma dieta de baixa ingestão de gordura animal, a
probabilidade de os casais terem filhos do sexo masculino é igual a 1/4. Desse
modo, a probabilidade de um casal ter dois meninos e três meninas é igual a:
a) 37/64
b) 45/216
c) 1/64
d) 45/512
e) 9/16
Resolução
Queremos saber a probabilidade de 2 sucessos (filhos homens) em 5 experimentos

(5 filhos). Assim:
135
PÇsucesso = 2) = C5j2 ■
16 '6 4 512
A questão foi anulada, pois não há alternativa certa.

Estratégia
Cr nONNr iCi U
R «R; Sr >O<S;
Exercício 14
(ISS-SP - FCC\2012) Suponha que ao realizar um experimento ocorra o evento

A com probabilidade p e não ocorra com probabilidade (1-p). Repetimos o
experimento de forma independente até que A ocorra pela primeira vez. Seja:
X = número de repetições do experimento até que A ocorra pela primeira vez.
Sabendo que a média de X é 3, a probabilidade condicional expressa por P (X
= 2 | X < 3) é igual a
a) 5/27
b) 4/27
c) 2/9
d) 1/3
e) 6/19
Resolução
Bom, em primeiro lugar temos de encontrar a probabilidade de sucesso. O exercício

nos deu o valor da média do processo, assim:
E(X) = 3
Como esta é uma variável com distribuição geométrica (leia o enunciado e veja se
entendeu):

Agora, atenção! O exercício está te pedindo uma probabilidade condicional:
P (X = 2 |X < 3)
Como se encontra isso?
P{X = 2 e X < 3 )
P(X = 2\X < 3 ) =
P(X < 3)
Bom, o numerador é a própria probabilidade de que X seja igual à 2. O denominador

será o somatório da probabilidade de que X seja igual à "1”, "2” e "3”.
Assim:
P(X = l ) = p = 3
P(.X = 2) = p x ( i - v) = l x^2 = ^
P(X = 3 ) = p x ( l - p ) 2 = 3 x ^ = 2^
Agora, substitua na fórmula da probabilidade condicional:
P(X = 2 e X < 3 ) (g) (§) 6

P(X = 2\X < 3 ) =
P(X<3) ( l + 2+ ± \ n£\ 19
V3 + 9 + 27) V27)
Letra (e).

Exercício 15
(TER-ES - FCC/2011) O custo para a realização de um experimento é de 500

reais. Se o experimento falhar haverá um custo adicional de 100 reais para a
realização de uma nova tentativa. Sabendo-se que a probabilidade de sucesso
em qualquer tentativa é 0,4 e que todas são independentes, o custo esperado
de todo o procedimento até que o primeiro sucesso seja alcançado é
a) 1.500.
b) 1.400.
c) 1.300.
d) 1.200.
e) 1.000.
Resolução
Em primeiro lugar, precisamos encontrar quantas vezes o experimento terá de ser

realizado, na média, até termos sucesso. Perceba que trata-se de um caso de
distribuição geométrica, assim:
Isso quer dizer que o experimento será realizado, na média, duas vezes e meia taé
"acertarmos”.
Bom, agora pense! Na primeira vez, você terá que desembolsar 500 reais para
realizar o experimento, mas você vai errar. Assim, você terá que desembolsar mais
600 reais (100 reais adicionais mais os 500 necessários para realizar o experimento
de novo) para tentar uma segunda vez. Até aí você já gastou 1100 reais para jogar
duas vezes.
Mas, ainda falta 0,5 vezes para você acertar. Assim, na média, você irá gastar mais:

Estratégia
Cr nONNr iCi U
R «R; Sr >O<S;
0,5 x 600 = 300
Portanto, até acertar, você gastará, na média:
1100 + 300 = 1400
Alternativa (b).
Exercício 16
(AFRFB - ESAF/2013\modificada) Em uma cidade de colonização alemã, a

probabilidade de uma pessoa falar alemão é de 60%. Selecionando-se ao
acaso 4 pessoas desta cidade, a probabilidade de, exatamente, 3 delas não
falarem alemão é, em valores percentuais, igual a
a) 6,4.
b) 12,26.
c) 15,36.
d) 3,84.
e) 24,5.
Resolução
Tranquilo, não? Basta lembrar-se da nossa distribuição binomial.
Veja, vamos supor que nosso "sucesso” seja encontrar alguém que fala alemão.
Assim:
Alternativa (c).

Estratégia
Cr nONNr iCi U
R «R; Sr >O<S;
A questão original foi anulada por não possuir a palavra “exatamente”, tal como
coloquei no enunciado. Se essa palavra não constasse, o sucesso seria obtido se 3
ou 4 pessoas falassem alemão, pois, neste caso, pelo menos, três pessoas
estariam falando alemão!
Exercício 17
(DNIT - ESAF/2013) Dois dados de seis faces são lançados simultaneamente,

e os números das faces voltadas para cima são somados. A probabilidade da
soma obtida ser menor do que cinco ou igual a dez é igual a:
a) 35%
b) 20%
c) 30%
d) 15%
e) 25%
Resolução
Vamos pensar no nosso espaço amostral.
Ou seja, há trinta e seis combinações possíveis.
Quantas combinações têm soma menor do que 5?
Quantas somam dez?

(Soma = 10) = {( 4; 6); ( 5; 5); ( 6; 4)}
Portanto:
9 1
P(soma < 5 ou soma = 10) = = = 25%
36 4
Alternativa (e).
Exercício 18
(MTUR - ESAF/2013) Com os dígitos 3, 4, 5, 7, 8 e 9 serão formadas centenas

com dígitos distintos. Se uma centena for selecionada ao acaso, a
probabilidade de ser menor do que 500 e par é
a) 15%
b) 10%
c) 25%
d) 30%
e) 20%
Resolução
Vamos pensar quantos números pares e menores do que 500 podem ser formados.
Bom, o primeiro digito deve ser 3 ou 4, pois o número deverá ser menor do que 500.
Vamos começar com 3, neste caso temos 5 possibilidades para o algarismo da

dezena. Entretanto, como é exigido que o número seja par, só temos 2 opções para
o algarismo da unidade: 4 e 8.

Estratégia
C O N C U R S O S ^
Neste caso, se a dezena não for composta nem por 4 ou 8, temos 3 possibilidades
para a mesma e 2 para a unidade, o que nos leva à:
1 ■3 ■2 = 6 possibilidades
Mas, caso a dezena seja composta por um destes números:
E no caso de 4? Bom, o número 8 não pode estar na dezena, pois, caso contrário,
não sobraria um número par para a unidade.
Portanto, temos um total de 12 possibilidades com a nossa característica desejada.

O total de possibilidades será dada pela permutação dos 6 elementos, de forma
que:
Portanto, a probabilidade desejada é de:
12
P(< 500 e par) = = 10%
Alternativa (b).

Exercício 19
(AFRFB - ESAF/2009) O número de petroleiros que chegam a uma refinaria

ocorre segundo uma distribuição de Poisson, com média de dois petroleiros
por dia. Desse modo, a probabilidade de a refinaria receber no máximo três
petroleiros em dois dias é igual a:
3 4
b) e*
' 71
. 71 _4
c) e *
d) T e' 2
e) f e" 2
Resolução
Olha a distribuição de Poisson aí gente!
e np ■(n- p ) k
P(sucessos = k) = ■
k\
O que nós queremos saber é qual a probabilidade de que a refinaria receba zero,
um, dois ou três petroleiros em dois dias. Portanto, sabemos que nossa média é de
2 petroleiros por dia e a quantidade de vezes que o experimento é realizado é igual
à 2, pois são dois dias. Qual a chance de k = 0; 1; 2; 3?
e~4 ■(4)0
PÇsucessos = 0) = o = e 4

e“ 4 • (4) 1
PÇsucessos = 1) = = 4 ■e- 4
e“ 4 •( 4) 2
PÇsucessos = 2) = = 8 -e - 4
e -4 . (4)3 64 32
P(sucessos = 3) = - = -■ e- 4
T
Agora some!
3 e~4 + 12 e~4 + 2 4e~4 + 3 2 e “4

P(sucesso < 3 ) = e 4 + 4e 4 + 8 e 4 + ~ e 4 =
3
Alternativa (c).

Exercício 20
(ICMS-RJ - 2014/FCC) O número de atendimentos, via internet, realizados pela

Central de Atendimento Fazendário (CAF) segue uma distribuição de Poisson
com média de 12 atendimentos por hora. A probabilidade dessa CAF realizar
pelo menos 3 atendimentos em um período de 20 minutos é
a) 0,594
b) 0,910
c) 0,766
d) 0,628
e) 0,750
Dados: e~2 = 0,14; e-4 = 0,018
Resolução
Vamos lembrar da fórmula de novo:
e~x ■(A)fc
P{sucessos = k) = ------ ■
A média (n-p) é igual à 12 atendimentos por hora, a quantidade de sucesso que

queremos é igual à 3 e o tempo desejado é 1/3 de hora.
-“1/3 de hora, professor”?
Exatamente! Você tem que usar a mesma unidade de medida para todas as
informações.
Assim, se em uma hora são realizados 12 atendimentos, em 1/3 de hora:
12
A= t =4

A probabilidade de realizar, pelo menos, 3 atendimentos em uma hora é igual à:
P{pelo menos 3) = 1 —P(0) —P( 1) —P( 2)
Agora basta encontrar estes valores:
e~4 • (4)0 e~4 -1

P(sucessos = 0) = 0 =— = e~i
e~4 ' (4)1 e_4 ■4

P(sucessos = 1) = = = 4e 4
1! 1
e - 4 . (4) 2 e - 4 ■16
PÇsucessos = 2) = 2 = 2 =8e4
Portanto:
PÇpelo menos 3) = 1 —P( 0) —P( 1) —P( 2) = 1 —(e_4 + 4e_4 + 8e_4)

1 - 13e_4 = 1 - 13( 0, 0 18) = 0, 766
Alternativa (c).

Exercício 21
(ICMS-SP - FCC/2013) Sabe-se que em determinado município, no ano de

2012, 20% dos domicílios tiveram isenção de determinado imposto.
Escolhidos, ao acaso e com reposição, quatro domicílios deste município a
probabilidade de que pelo menos dois tenham tido a referida isenção é igual a
a) 0,4096
b) 0,4368
c) 0,1808
d) 0,3632
e) 0,2120
Resolução
Vamos nos utilizar da velha e boa fórmula:
PÇsucessos = k) = Cnk ■pk ■( 1 —p)n~k
Bom, nós sabemos que a probabilidade de "sucesso” é de 20% (0,2). Assim, a

probabilidade de 2 sucessos em 4 "jogadas” é de:
4!
PÇsucessos = 2) = C42 • 0, 22 • ( 0, 8 )2 = 3 - 3 x 0,04 x 0,64 = 0, 15 36
Porém, como sempre, o exercício pede a probabilidade de que ao menos 2 jogadas

tenham sucesso. Assim, precisamos das probabilidades de 3 e 4 sucessos:
4!
PÇsucessos = 3) = C43 • 0, 23 • ( 0, 8 )1 = 1 - 3 x 0,008 x 0,8 = 0,02 56
4!
PÇsucessos = 4) = C44 ■0, 24 • (0,8 )0 = —— x 0,00 16 x 1 = 0,00 16
1 0! 4!

Assim:
P(ao menos 2 sucessos) = 0, 153 6 + 0,02 56 + 0,00 16 = 0, 1808
Alternativa (c).

Exercício 1
(FINEP - CESGRANRIO/2011)
Considere a distribuição de probabilidade sobre os números 1, 2, 3 e 4 acima.

Essa distribuição é:
a) Continua
b) Assimétrica
c) Normal
d) Uniforme
e) Multivariada

Exercício 2
(TJ\RO - CESGRANRIO/2008) Uma urna contem 10 bolas, cada uma gravada

com um número diferente de 1 a 10. Uma bola é retirada aleatoriamente e um
“X” é marcado na mesma. X é uma variável aleatória:
a) Com desvio padrão de 10
b) Com 1° quartil de 0,25
c) Com média de 5
d) Com distribuição de probabilidade uniforme
e) Com distribuição de probabilidade assimétrica
(FINEP - CESPE/2009) Uma empresa produz determinado tipo de peça. A

probabilidade de cada peça ser perfeita é de 0,7, e a probabilidade de cada
peça ser defeituosa é de 0,3. Tomando 0,06, 0,17 e 0,24 como valores
aproximados de 0,78, 0,75 e 0,74, respectivamente, julgue as afirmativas.
Exercício 3
Na produção de 400 itens o número esperado de peças defeituosas é de 150.
Exercício 4
A probabilidade de que uma amostra aleatória de 10 peças contenha

exatamente 8 peças perfeitas é menor que 10%.
Exercício 5
A probabilidade de que uma amostra aleatória de 5 peças contenha, (no

máximo), 2 peças defeituosas é maior que 70%.

Exercício 6
(CGU - ESAF/2008) Seja X a soma de n variáveis aleatórias independentes de

Bernoulli, isto é, que assumem apenas os valores 1 e 0 com probabilidades p
e 1-p, respectivamente. Assim, a distribuição de X é:
a) Binomial com parâmetros n e p.
b) Gama com parâmetros n e p.
c) Qui quadrado com n graus de liberdade.
d) Laplace.
e) “t” de Student com n-1 graus de liberdade.
Exercício 7
(AFRFB - ESAF/2009) Em um experimento binomial com três provas, a

probabilidade de ocorrerem dois sucessos é doze vezes a probabilidade de
ocorrerem três sucessos. Desse modo, as probabilidades de sucesso e
fracasso são, em percentuais, respectivamente, iguais a:
a) 20 % e 80 %
b) 80 % e 20 %
c) 60 % e 40 %
d) 30 % e 70 %
e) 25 % e 75 %

Exercício 8
(SEJUS - UNIVERSA/2010) Em certo plano amostrai, em uma população de

100 elementos, optou-se pelo seguinte critério: joga-se uma moeda (honesta)
e, se der cara, o elemento entra na amostra; se der coroa, ele não entra na
amostra. Qual o tamanho esperado dessa amostra?
a) 10
b) 20
c) 30
d) 40
e) 50
Exercício 9
(TRF - FCC/2001) A probabilidade de que um item produzido por uma máquina

seja defeituoso é 10%. Uma amostra de 30 itens produzidos por esta máquina
é selecionada ao acaso. Usando-se a aproximação pela distribuição de
Poisson para determinar a probabilidade de que não mais que um item
defeituoso seja encontrado na amostra, obtemos
a) 4e_3
b) 4e_2
c) 3e_3
d) 1 - 4e_3
e) 1 - 3e_3

Exercício 10
(BACEN - FCC/2005) A probabilidade de um associado de um clube de pagar

aleatoriamente, a probabilidade de pelo menos um pagar sua mensalidade
sem atraso é:
a) 5 ( 0 , 9 5 ) 5
b) 1 - (0,05)5
c) 1 - (0,95)5
d) (0,95)5
e) 4,75 • (0,95)5
Exercício 11
(SEFAZ-ES - CESPE/2013) O número de reclamações diárias registradas por

uma central de atendimento ao cidadão for uma variável aleatória que segue a
distribuição de Poisson com média igual a ln10, então a probabilidade P(N= 0)
será igual a
a) 0,09
b) 0,14
c) 0,18
d) 0,1
e) 0,05

Exercício 12
(MDIC - ESAF\2013) Em uma população de 50 empresas de uma região, 20 são

empresas exportadoras. Qual o valor mais próximo do número esperado de
empresas exportadoras em uma amostra aleatória de tamanho 20 retirada sem
reposição da amostra.
a) 10
b) 8
c) 7,5
d) 6
e) 4
Exercício 13
(SUSEP - ESAF/2010) Um estudo indica que, nas comunidades que vivem em

clima muito frio e com uma dieta de baixa ingestão de gordura animal, a
probabilidade de os casais terem filhos do sexo masculino é igual a 1/4. Desse
modo, a probabilidade de um casal ter dois meninos e três meninas é igual a:
a) 37/64
b) 45/216
c) 1/64
d) 45/512
e) 9/16

Exercício 14
(ISS-SP - FCC\2012) Suponha que ao realizar um experimento ocorra o evento

A com probabilidade p e não ocorra com probabilidade (1-p). Repetimos o
experimento de forma independente até que A ocorra pela primeira vez. Seja:
X = número de repetições do experimento até que A ocorra pela primeira vez.
Sabendo que a média de X é 3, a probabilidade condicional expressa por P (X
= 2 | X < 3) é igual a
a) 5/27
b) 4/27
c) 2/9
d) 1/3
e) 6/19
Exercício 15
(TER-ES - FCC/2011) O custo para a realização de um experimento é de 500

reais. Se o experimento falhar haverá um custo adicional de 100 reais para a
realização de uma nova tentativa. Sabendo-se que a probabilidade de sucesso
em qualquer tentativa é 0,4 e que todas são independentes, o custo esperado
de todo o procedimento até que o primeiro sucesso seja alcançado é
a) 1.500.
b) 1.400.
c) 1.300.
d) 1.200.
e) 1.000.

Exercício 16
(AFRFB - ESAF/2013\modificada) Em uma cidade de colonização alemã, a

probabilidade de uma pessoa falar alemão é de 60%. Selecionando-se ao
acaso 4 pessoas desta cidade, a probabilidade de, exatamente, 3 delas não
falarem alemão é, em valores percentuais, igual a
a) 6,4.
b) 12,26.
c) 15,36.
d) 3,84.
e) 24,5.
Exercício 17
(DNIT - ESAF/2013) Dois dados de seis faces são lançados simultaneamente,

e os números das faces voltadas para cima são somados. A probabilidade da
soma obtida ser menor do que cinco ou igual a dez é igual a:
a) 35%
b) 20%
c) 30%
d) 15%
e) 25%

Estratégia
Cr nONNr iCi U
R «R; Sr >O<S;
Exercício 18
(MTUR - ESAF/2013) Com os dígitos 3, 4, 5, 7, 8 e 9 serão formadas centenas

com dígitos distintos. Se uma centena for selecionada ao acaso, a
probabilidade de ser menor do que 500 e par é
a) 15%
b) 10%
c) 25%
d) 30%
e) 20%
Exercício 19
(AFRFB - ESAF/2009) O número de petroleiros que chegam a uma refinaria

ocorre segundo uma distribuição de Poisson, com média de dois petroleiros
por dia. Desse modo, a probabilidade de a refinaria receber no máximo três
petroleiros em dois dias é igual a:

Estratégia
Cr nONNr iCi U
R «R; Sr >O<S;
Exercício 20
(ICMS-RJ - 2014/FCC) O número de atendimentos, via internet, realizados pela

Central de Atendimento Fazendário (CAF) segue uma distribuição de Poisson
com média de 12 atendimentos por hora. A probabilidade dessa CAF realizar
pelo menos 3 atendimentos em um período de 20 minutos é
a) 0,594
b) 0,910
c) 0,766
d) 0,628
e) 0,750
Exercício 21
(ICMS-SP - FCC/2013) Sabe-se que em determinado município, no ano de

2012, 20% dos domicílios tiveram isenção de determinado imposto.
Escolhidos, ao acaso e com reposição, quatro domicílios deste município a
probabilidade de que pelo menos dois tenham tido a referida isenção é igual a
a) 0,4096
b) 0,4368
c) 0,1808
d) 0,3632
e) 0,2120

Gabarito
1- d
2- d
3- F
4- F
5- V
6- a
7- d
8- e
9- a
10- b
11- d
12- b
13- anulada
14- e
15- b
16- c
17- e
18- b
19- c
20- c
21- c
Muito bom pessoal! Foco na Receita, pois logo vocês realizarão seu sonho!
Um abraço e bons estudos.

AULA 05 - Distribuições de Probabilidade Contínuas
SUMÁRIO PÁGINA
Distribuições Contínuas 2
Distribuição Uniforme 18
Distribuição Normal 19
Distribuição Exponencial 25
Distribuição de Pareto 27
Gabarito 49
Bem vindos de volta! Vamos continuar nossos estudos sobre distribuições de

probabilidade, mas agora vamos focar no caso de distribuições de variáveis
contínuas. Esta aula tem poucos exercícios, pois a aula está com uma teoria muito
pesada (quero poupar vocês) e é pouco cobrada em prova. Mas você tem de saber!
Essa é a hora de pensar em uma coisinha:
Espremer todo seu tempo! Isso é fundamental para

qualquer estudante! Veja, se você tem um compromisso
no sábado, vai tomar uma cervejinha com os amigos às
15:00, você acha que não deve estudar este dia? Errado!
Dá muito bem para você estudar até a hora de sair! Se
sobrar meia hora, aproveite! Aquele pensamento de que é
necessário muito tempo para "engatar” nos estudos é
balela! É melhor meia hora estudada do que zero horas,
certo?

1. Distribuições Contínuas
1.1 Função de Distribuição Acumulada
Nós já discutimos o conceito de variáveis contínuas, mas não custa relembrar.
Imagine um relógio digital e outro analógico. No relógio digital o mostrador só

assume valore inteiros, enquanto que no relógio analítico o mostrador pode assumir
qualquer valor!
Não entendeu? Veja, o relógio digital tem um número finito de valores que pode
mostrar:
6O x l 2 = 720
Isso sem contar “am” ou “pm”. Agora, quantos valores o relógio analítico pode
assumir em uma volta inteira? Infinitos! Isso deriva do fato que ele não irá dar
“saltos” a cada segundo, mas irá fazer um movimento contínuo ao longo do
mostrador, o que faz com que ele possa assumir qualquer valor neste intervalo, que
são infinitos.
O histograma para esta variável seria da seguinte forma:
íi*j
1/12
ç i ; 3 i 5 6 1 a <3 io 11;;

Assim, a probabilidade de um determinado ponto no relógio é igual à zero.

Entretanto, tal como já estudamos, podemos calcular a probabilidade de ocorrência
de um determinado intervalo, por exemplo, a probabilidade de o ponteiro estar entre
2 e 3 seria:
Sendo f ( x ) a função densidade de probabilidade (fdp) para a variável.
Bom, aí fica fácil encontrar a probabilidade de ocorrência do intervalo! Trata-se da

área em amarelo:
Nós também podemos usar este gráfico para encontrarmos a probabilidade

acumulada dentro de um intervalo. Nós já estudamos isso, porém sem fazermos
referência direta ao nome. A Função de Distribuição Acumulada (FDA) mostra a
soma das probabilidades de todos os valores que a variável em questão pode
assumir até o valor desejado.
Não entendeu? Qual é a probabilidade de que o horário seja, no máximo, 3:00 e, no

mínimo, 0:00? Ora, não estamos tratando somente do caso em que o valor do
relógio mostra valores entre dois e três, mas todos os horários menores do que este
intervalo até 0:00! Olhe o gráfico!

Estratégia
C O N C U R S O S ^
E fácil perceber que trata-se de uma soma das probabilidades dos diversos
intervalos, que é igual à —. Essa é a FDA acumulada até 3. E evidente que se
acumularmos a função ao longo de todo o intervalo, a probabilidade será igual à 1.

Isso pode ser visto se calcularmos a área do retângulo acima (base 12 e altura
1/12):
è xl2 = 1
Isso serve bem aos propósitos de análise de uma função linear tal como
analisamos, porém a maior parte das distribuições contínuas não é tão simples de
serem avaliadas. Para isso, precisamos do conceito de cálculo diferencial e integral.
OBS. Cálculo diferencial e integral
Engenheiros e matemáticos de plantão, sugiro que vocês pulem essa parte, pois
estou explicando estes conceitos de forma bem simples e sem nenhum formalismo,
assim qualquer pessoa de qualquer formação pode entender!
Em termos muito leigos, a derivada pode ser definida, em termos geométricos,

como a inclinação de uma função no ponto! Assim, para uma função / ( x ) qualquer,
a sua derivada terá a notação df{x). Ao substituirmos o valor de x no ponto
desejado, encontraremos a inclinação da reta.

-"Não entendi nada” !
Podemos dar alguns exemplos para ilustrar. Se a derivada de uma função é dada
por:
df(x) = 5 ■x
Isso significa que a inclinação desta curva no ponto x = 2 é 10, pois:
d f ( 5) = 5-2 = 10
Muito importante, a inclinação de uma função no ponto é uma medida da taxa

de variação instantânea de uma função. Assim, a inclinação é uma medida da
variação em /( x ) quando a variação em x tende a zero, ou seja, é
infinitesimalmente pequena.
Vamos parar de falar bonito e explicar isso de forma intuitiva. Olhe o gráfico abaixo:
Obs. A linha cinza não é parte do gráfico, ela somente mostra em que ponto as
curvas se interceptam.
Veja o ponto formado pelo par ordenado Y(1) e X(1). Neste ponto, a inclinação é
dada por aquela reta com tracejado mais escuro que passa de forma "reta” sobre o
ponto. Essa é a inclinação da função no ponto! E mais, perceba que, quando a
variação em x for muito pequena, tendendo a zero, essa inclinação irá representar o
quanto Y irá variar em decorrência desta variação em x.

Estratégia
r nONNr iCi U
C R «R ; Sr >O <S;
Isso é a derivada! A derivada irá medir esta taxa de variação instantânea, ou,
em termos geométricos, a inclinação da função no ponto.
- "Tudo bem professor, mas como eu encontro a derivada de uma função”?
Simples! Decore! Vou ensinar 4 regras de diferenciação que serão suficientes para
que você faça a prova, apesar de existirem mais.
1) Primeira regra de diferenciação. Para um valor k qualquer, a derivada de uma

função /( x ) (d/(x)), dada por:
/( x ) = xk
É:
- "Não entendi” !
Vamos a um exemplo, suponha a função:
/( x ) = x2
Qual a derivada desta função? Aplique a fórmula! No caso:
d /(x) = 2 ■x2_1 = 2x
Entenderam? Vamos lá, tentem outras funções, como:
/( x ) = x4
Neste caso:
df{x) = 4 ■x 3
E a derivada de:
/( x ) = x

Simples, pense um pouco e veja que:
d (/(x )) = 1
E se a função for:
/(x ) = 2- x
Neste caso, esqueça do fator 2 (dois) na frente do x e derive normalmente. Apenas

multiplique o resultado pelo número que multiplica a variável, de forma que:
d (/(x )) = 2 - d (/(x )) = 2-1 = 2
É fácil perceber que a derivada de uma constante com relação a uma variável é
sempre igual à zero, pois a constante não irá mudar, independentemente da
variação na variável.
E no caso de haver mais de uma variável na função, tal como:
/(x ,y ) = a - x + b - y
Neste caso, você deve diferenciar os dois membros separadamente e somá-los.
Mas, a pergunta é, qual a derivada de y com relação a x? Bom, a menos que o

exercício diga que y é função de x , y será uma variável que não varia com x.
Assim, faça essa pergunta a si mesmo:
-"Se o y não é função de x, e vice versa, qual o impacto de uma variação

infinitesimal de x sobre /(x ,y ), por meio de y?
Exatamente, zero (0)! Ao variar o x, o único impacto dessa dinâmica é direto, pois o
x não afeta a função de forma indireta via y. Portanto:
d (/(x ,y )) = a - d(x) + b - d(y)
d(f (x, y)) = a- 1 + b- 0 = a

Não entendeu? Olhe este exemplo:
/(x ,y ) = a ■x + b ■y
Dado que:
y = 2 ■x
Aí você está vendo uma forma pela qual a derivada de /(x ,y ) com relação x a terá
dois efeitos, um direto (igual a a) e indireto, via y:
d( f (x, y)) = a ■d(x) + b ■d(y) = a ■d(x) + b ■d(2 ■x) = a + 2b
2) Segunda regra de diferenciação. Essa é baseada no somatório ou

diminuição de duas funções diferentes. Suponha uma função H{x) composta por
duas funções de x:
tf(x) = g(x) + / ( x )
Neste caso, a derivada de H{x) é:
d(H(x)) = d(g(x)) + d(f(x))
O mesmo vale para subtração, de forma que, se:
tf(x) = g(x) ± /( x ) ,
Tem-se que:
d(H (x)) = d(g(x)) ± d (/(x ))
3) Terceira regra de diferenciação. Uma última regra importante de

diferenciação se refere à diferenciação de uma função que está expressa em
logaritmo neperiano. Vocês sabem o que é isso?

Antes de continuarmos, vamos falar sobre o que é o logaritmo. Vocês se lembram

do 2° grau? Então, em termos bem simples, o logaritmo é o valor ao qual você tem
de elevar o número da base para se atingir a um determinado valor. Por exemplo:
log416 = 2,p oi s 42 = 16
Neste exemplo, o número 4 é a base.
Porém, não há necessidade de se restringir o valor da base a um número

específico. Na operação com logaritmos é comum se utilizar do número neperiano
(e = 2,178). O logaritmo que tem o número neperiano como base é chamado de
logaritmo natural, ou In.
Assim, vamos à derivada de uma função In. Assim, dada uma função:
/( x ) = Zn(x)
Temos que:
dum = lJL
4) Quarta regra de diferenciação. Pej se na seguinte função:
/( x ) = ex
A derivada desta função é tão somente:
df {x) = ex
Ou seja, é a própria função!

Estratégia
r nONNr iCi U
C R «R ; Sr >O <S;
-"Mas, e a integral”?
Boa! A integral é conhecida como a “anti-derivada”! Ou seja, é a derivada ao

contrário, portanto basta fazer o processo inverso ao da derivada que você terá a
integral de uma função.
Por exemplo, qual é a integral da função:
/( x ) = 2x
Nós já vimos lá em cima que isso equivale à derivada da função (/(x ) = x2).
Portanto, a integral desta função é:
Sendo que a expressão “J dx“ representa a integral de uma função. 1
Entenderam? Para saber a integral de uma função /(x ), basta perguntar: qual é a
função que sendo derivada geraria /(x ). A função que estamos procurando quando
fazemos uma integral é a primitiva de uma função.
A maneira mais formal (e que será útil para vocês) de integrar a função acima é
tirando a constante para fora do operadp r de integração e integrando o valor dentro:
1 Quem prestou atenção percebeu que falta uma coisinha, uma constante! Isso mesmo, porque a derivada de
uma constante é igual à zero. Assim, no caso, a integral deveria resultar em x2 + c, sendo c uma constante de
integração que pode assumir qualquer valor, até mesmo zero. Para fins de análise estatística isso raramente
importa, assim vamos omitir este resultado, fazendo c=0 em todos os casos.

Estratégia
r nONNr iCi U
C R «R ; Sr >O <S;
Não entendeu? Vamos fazer mais um exemplo que vai ficar claro.
/( x ) = x2
Qual é a integral desta função? Ora, basta procurarmos a função que, sendo
derivada, geraria esta última. Bom, em primeiro lugar olhe o expoente da função e
perceba que a primitiva deveria ter o número "3” lá em cima, pois a primitiva foi
derivada, o que reduziria o expoente em uma unidade. Vamos fazer um teste:
| * 2* =x
Mas, isso está errado! Isso porque:
d(x3) = 3x2 ^ x2
Entendeu? Mas, isso é fácil de resolver, basta dividir a primitiva por "3” ! Neste caso:
Agora sim! Então:
Não é tão difícil assim. Matute um pouquinho que você vai entender.
Vamos a mais um exemplo, qual é a integral da função:
/( x ) = ex

Esta função tem a sua derivada igual à ela própria. Portanto, qual é a primitiva desta
função, ou seja, qual é a função que sendo derivada geraria esta última?
f ( x) dx = I exdx = ex
Estas são bem intuitivas. Mas, para que saber tudo isso?
O conceito de integral é o limite de uma soma, ou melhor, a soma de infinitos

pontos embaixo de uma curva. Quer um exemplo? Pense na seguinte função:
/( x ) = x2
Esta função tem um gráfico simples dado por:
Se nós quisermos saber a área sob o gráfico, definida de 0 a 1, por exemplo,

basta fazermos uma integral definida neste intervalo.
Calma, vamos por partes! Primeiramente, vamos achar a integral da função em

estudo, nós já sabemos que:

Estratégia
r nONNr iCi U
C R «R ; Sr >O <S;
J f (x)dx = l
Ótimo! Entretanto, agora o que nós queremos saber é a chamada "integral definida”,
ou seja, qual é o valor do somatório dos infinitos pontos abaixo desta curva em um
determinado intervalo. No nosso caso:
f ( x) dx = J X2d x = — { l ) - y ( 0 ) = - - - =-
Ou seja, você define a função dentro do intervalo em questão, subtraindo o limite

superior do inferior. Portanto, a área daquela parcela do gráfico é igual à 1/3. Faça
um teste, calcule a área do triângulo para você ver como bate.
Portanto, a integral vai somar os infinitos pontos que estão embaixo de uma
curva e te dar uma função que seja representativa desta operação. Se você
defini-la em um intervalo, terá a área até o ponto determinado.
Beleza pessoal? Agora vocês vão entender porque isso é importante.
Continuando a nossa aula.
Para as distribuições já conhecidas vocês não precisam conhecer integral para

resolver o exercício, pois indico que vocês devem decorar algumas propriedades
importantes das mesmas, tais como média e variância. Entretanto, muitas vezes o
exercício pode não te dizer de que tipo de distribuição se trata, assim, você precisa
encontrar.
O que nós sabemos é que o total da área de um gráfico representado por uma fdp
deve ser igual a 1, pois a probabilidade de ocorrer um de todos os valores possíveis
de um intervalo é 100%. Então, vamos voltar ao nosso exemplo e tratar aquela
função como uma fdp. Suponha que aquela função seja dada por:

Estratégia
r nONNr iCi U
C R «R ; Sr >O <S;
Ax2, 0 < x < 1

0,x < 0 ou x > 1
Entendeu? O que nós fazíamos antes para encontrar a FDA era somar as
probabilidades correspondentes a cada um dos intervalos, porém, no caso de uma
função contínua não linear, precisamos realizar uma integral, que é como se
somássemos todos os "pedacinhos” embaixo da curva. Só para destacar, a integral
pode ser usada, por aproximação, para o caso linear também.
Neste caso, vamos encontrar o valor de A. O que nós sabemos é que a FDA
acumulada ao longo de todo o intervalo é igual à 1. Assim:
Entendeu? Vamos somar todos os "pontinhos” embaixo da curva até que a soma
das probabilidades seja igual à 1.
Portanto:
A= 1
Entendeu? Vamos fazer um exemplo a fim de encontrarmos a FDA genérica para

uma fdp, ou seja, sem definirmos o intervalo no qual ela será acumulada. Para
tanto, suponha a seguinte fdp:
Para encontrarmos a respectiva FDA desta fdp basta integrarmos a função no

intervalo que sua fdp é diferente de zero. Assim:

Estratégia
r nONNr iCi U
C R «R ; Sr >O <S;
j 3x2dx = x
Assim, a FDA (F(x)) genérica será dada por:
x 3, se 0 < x < 1
0, se x < 0
Viu? Com esta função na mão, você consegue calcular a FDA acumulada até o
limite que você quiser. Perceba que esta função atende ao nosso requisito de FDA:
0 < F(x) < 1
-“Professor, e se o exercício me der uma FDA e me pedir a respectiva fdp”?
Excelente pergunta! Derive a função! A integral não é a anti-derivada? Então,

ela vai fazer o processo inverso da integral, resultando na fdp que gerou esta
FDA. Pense no exemplo acima! Se você derivar x3, você vai encontrar 3x2, que é
justamente a fdp da FDA que encontramos.
Mas, esta não é a única utilidade da integral para funções contínuas não lineares.

Estratégia
r nONNr iCi U
C R «R ; Sr >O <S;
1.2 Esperança e Média em funções contínuas
Nós já estudamos, mas vamos relembrar o conceito:
Ír INDO
mais fundo

E m = X 1 - f 1 + X 2 - f 2 ...Xn -fn
Sendo fo a frequência relativa de Xt.
Percebeu? A aplicação do operador "esperança” a uma série de dados nos

variável.
Você percebe que trata-se de um somatório? Isso não te lembra nada? Exatamente,
vamos integrar!
Então, para uma dada fdp /(x ), sua esperança é dada por:
x ■/(x )d x
Com base no que nós já estudamos, fica fácil encontrar a variância para qualquer
processo contínuo:
Var( x ) = M é di a d o s quadrad o s —quadrad o da m édia = E(x 2) —[E(x) ]2
Assim, fica bem mais fácil encontrar a variância calculando duas esperanças, a
regular e a do quadrado da variável. Vamos calcular a esperança e a variância para
um dos nossos exemplos:

Estratégia
r nONNr iCi U
C R «R ; Sr >O <S;
3x2,se 0 < x < 1

0, se x < 0
Assim, vamos calcular.
Bom, vamos começar com a esperança:
Simples, não? E a variância? Primeiro vamos calcular a esperança dos quadrados:
x5 1 0 3
x4dx = 3 — = 3 ------ = - = 06
X 3 5 3 5 5j 5 °’ 6
Var(x) = E(x2) - [E(x)]2 = 0,6 - (0,75)2 = 0,0375
Essa é a variância! Nós vamos fazer alguns exercícios para que vocês treinem o
que foi ensinado. Não se preocupem, é esperado que seja um pouco mais difícil
acompanhar tudo isso na primeira vez. Talvez vocês precisem reler esta parte da
aula e fazer todos os exercícios.
A parte boa é que quase nunca vocês precisarão de tal conhecimento, pois, na
maior parte das vezes a banca vai te perguntar características de distribuições
com propriedades bem conhecidas. Portanto, vamos a estas distribuições.
Com o intuito de facilitar sua vida, é importante decorar algumas propriedades
destas distribuições, especialmente, sua média e variância.

Estratégia
r nONNr iCi U
C R «R ; Sr >O <S;
2. Distribuição uniforme
Nós já estudamos esta distribuição para o caso discreto, agora vamos trabalhar no
caso contínuo. Trata-se de uma distribuição em que todos os pontos têm a mesma
probabilidade de ocorrência, entretanto, como estamos no caso contínuo, trata-se
de uma distribuição em que todos os intervalos têm a mesma probabilidade de
ocorrência.
Por exemplo, suponha que um ônibus chegue em uma estação entre 9:00 e 9:30 da
manhã e que a sua probabilidade de chegada seja proporcional à amplitude do
intervalo. Neste caso, à probabilidade de chegada do ônibus entre 9:00 e 9:10 é
igual à probabilidade de chegada entre 9:10 e 9:20. Se tratarmos o tempo como
uma variável contínua, o gráfico seria tal que:
fM
9:10 9:20 st
Sendo f { x ) a função densidade de probabilidade da variável contínua (fdp) e x o

valor da variável. Assim, a função densidade de probabilidade para uma função
deste tipo seria tal que:

se o horário estiver entre 9:00 e 9:30. Isso porque, se dividirmos todo o intervalo em
intervalos menores, de 1 unidade de amplitude, a probabilidade de cada um será de
1/30. Além disso:
/( x ) = 0
quando estivermos em pontos fora do intervalo de 9:00 e 9:30.
Generalizando, para uma variável aleatória de distribuição uniforme (X) no intervalo

de [a;p], sua fdp será tal que:
0, caso contrário
Beleza? Pessoal, a média e a variância para este processo é bem fácil de decorar,
então decorem:
a+p
Mé dia(X) = E(X) =
Vari ânciaÇK) =
(P - aY
12
3. Distribuição Normal
Pessoal, a função densidade de probabilidades da normal é complicadinha, mas dê

uma olhada:
l (x-yy
= e 2^2
V2 na2

Sendo p a média do processo, ó2 sua variância e n é igual à, aproximadamente,

3,14.
Viram? Com a definição da média e da variância, conseguimos definir a

probabilidade de um intervalo de um processo com distribuição normal.
O gráfico representativo desta distribuição é algo desse tipo (formato de sino):
Veja, esse tipo de distribuição de frequências é o mais comum (formato de sino),

pois muitos fenômenos são assim:
• Valores extremos com menor probabilidade de ocorrência;

• Valores mediano e médio (e/ou próximos a estes) com grande chance de
ocorrência.
Essa distribuição é simétrica, de forma que cada metade desta curva tem 50% de
chance de ocorrer:

Estratégia
r nONNr iCi U
C R «R ; Sr >O <S;
Um caso especial desta distribuição ocorre quando p = 0 e o2 = 1, esta é chamada

de normal padrão.
-“Por que isso é importante”?
Porque a normal padrão é mais fácil de ser avaliada e tem uma tabela que permite
que você calcule a probabilidade de ocorrência de um determinado valor.
Não entendeu? Veja, pode-se provar que uma variável (X) com distribuição normal
pode ser transformada em uma normal padronizada por meio da seguinte operação:
Essa variável padronizada (z) tem as características de uma normal padrão.
Calma, você vai entender agora! A questão é que a normal padrão, que é obtida
pela transformação de uma variável em seu respectivo valor (z), tem uma
“tabelinha mágica” que nos diz a probabilidade de que o valor encontrado (z
calculado) esteja entre 0 (zero) e um determinado valor a ser especificado!
Vamos a um exercício para vocês entenderem. Não tentem resolver sozinhos,

acompanhem a minha resolução e depois tentem sozinhos!
Exercício 1
(Elaborado pelo autor) Dada uma variável com distribuição normal, com p = 3
e a2 = 16, qual a probabilidade de encontrarmos um valor entre 2 e 5?

Resolução
Veja, o que estamos querendo é:
P ( 2 < X < 5)
Para isso vamos transformar estes dois valores em versões padronizadas:
2 —p X —p 5 —p\
o ~ o ~ o )
Substituindo os valores da média e variância:
f2 - 3 5 -3
<z< ) = P (-0, 25 < z < 0, 5)
-“Mas, como encontrar tal probabilidade”?

Estratégia
C O N C U R S O S ^
Distribuição pormal — valores de P(0 < Z < z 0)
0 I 2 3 4 5 6 7 8 9
io
0 ,0 0 ,0 0 0 0 0 ,0 0 4 0 0 ,0 0 8 0 0 ,0 1 2 0 0 ,0 1 6 0 0 ,0 ! 99 0 ,0 2 3 9 0 ,0 2 7 9 0 ,0 3 1 9 0 ,0 3 5 9
0,1 0 .0 3 9 8 0 ,0 4 3 8 0 ,0 4 7 8 0 ,0 5 1 7 0,0 5 5 7 0 ,0 5 9 6 0 ,0 6 3 6 0,0 6 7 5 0 ,0 7 )4 0,0 7 5 3
0 ,2 0 ,0 7 9 3 0 ,0 8 3 2 0,0871 0 ,0 9 1 0 0 ,0 9 4 8 0 ,0 9 8 7 0 ,1 0 2 6 0,1 0 6 4 0,1103 0,1141
0 ,3 0 ,1 1 7 9 0 ,1 2 1 7 0 ,1 2 5 5 0 ,1 2 9 3 0,1331 0 ,1 3 6 8 0 ,1 4 0 6 0,1 4 4 3 0,1480 0,1517
0 ,4 0 ,1 5 5 4 0,1 5 9 1 0 ,1 6 2 8 0 ,1 6 6 4 0 ,1 7 0 0 0 ,1 7 3 6 0,1 7 7 2 0 ,1 8 0 8 0,1 8 4 4 0 ,1 8 7 9
0 ,5 0 ,1 9 1 5 0 ,1 9 5 0 0 ,1 9 8 5 0 ,2 0 1 9 0,2 0 5 4 0 ,2 0 8 8 0 ,2 1 2 3 0,2 1 5 7 0 ,2 1 9 0 0,2224

0 .6 0 ,2 2 5 7 0,2291 0 ,2 3 2 4 0 ,2 3 5 7 0 ,2 3 8 9 0 ,2 4 2 2 0,2 4 5 4 0 ,2 4 8 6 0,2517 0,2549
0,7 0 ,2 5 0 0 0,2611 0 ,2 6 4 2 0 ,2 6 7 3 0,2703 0 ,2 7 3 4 0 ,2 7 6 4 0,2 7 9 4 0,2 8 2 3 0,2852
0 ,8 0,21181 0 ,2 9 1 0 0 ,2 9 3 9 0 ,2 9 6 7 0,2995 0 ,3 0 2 3 0,3051 0 ,3 0 7 8 0 ,3 1 0 6 0,3133
0 ,9 0 ,3 1 5 9 0 ,3 1 8 6 0 ,3 2 1 2 0 ,3 2 3 8 0,3264 0 ,3 2 8 9 0 ,3 3 1 5 0 ,3 3 4 0 0,3 3 6 5 0,3389
1,0 0 ,3 4 1 3 0 ,3 4 3 8 0 . 34G1 0 ,3 4 8 5 0,3508 0,3531 0 ,3 5 5 4 0,3 5 7 7 0,3 5 9 9 0,3621

0 ,3 6 4 3 0 ,3 6 6 5 0 ,3 6 8 6 0 ,3 7 0 8 0,3729 0 ,3 7 4 9 0 ,3 7 7 0 0 ,3 7 9 0 0 ,3 8 1 0 0 ,3 8 3 0
U
1,2 0 ,3 8 4 9 0 ,3 8 6 9 0 ,3 8 8 8 0 .3 9 0 7 0 ,3 9 2 5 0 ,3 9 4 4 0 ,3 9 6 2 0 ,3 9 8 0 0,3 9 9 7 0 ,4 0 1 5
1,3 0 ,4 0 3 2 0 ,4 0 4 9 0 ,4 0 6 6 0 ,4 0 8 2 0 ,4 0 9 9 0 ,4 1 1 5 0,4131 0,4147 0 ,4 1 6 2 0,4177
1,4 0 ,4 1 9 2 0 ,4 2 0 7 0 ,4 2 2 2 0 ,4 2 3 6 0,4251 0 ,4 2 6 5 0 ,4 2 7 9 0 ,4 2 9 2 0 ,4 3 0 6 0 ,4 3 1 9
1,5 0 .4 3 3 2 0 ,4 3 4 5 0 ,4 3 5 7 0 ,4 3 7 0 0,4382 0 ,4 3 9 4 0 ,4 4 0 6 0 ,4 4 1 8 0 ,4 4 2 9 0,4441

1,6 0 ,4 4 5 2 0 ,4 4 6 3 0 ,4 4 7 4 0 ,4 4 8 4 0,4 4 9 5 0 ,4 5 0 5 0,4515 0 ,4 5 2 5 0,4 5 3 5 0 ,4 5 4 5
1.7 0 ,4 5 5 4 0 ,4 5 6 4 0 ,4 5 7 3 0 ,4 5 8 2 0,4591 0 ,4 5 9 9 0 ,4 6 0 8 0 ,4 6 1 6 0,4 6 2 5 0,4633
1,8 0 ,4 6 4 1 0 ,4 6 4 9 0 ,4 6 5 6 0 ,4 6 6 4 0,4671 0 ,4 6 7 8 0 ,4 6 8 6 0,4 6 9 3 0 ,4 6 9 9 0 ,4 7 0 6
1.9 0 ,4 7 1 3 0 ,4 7 1 9 0 ,4 7 2 6 Oj4732 0 ,4 7 3 8 0 ,4 7 4 4 0 ,4 7 5 0 0 ,4 7 5 6 0,4761 0.4767
2 ,0 0 ,4 7 7 2 0 ,4 7 7 8 0 ,4 7 8 3 0 ,4 7 8 8 0,4793 0 ,4 7 9 8 0 ,4 8 0 3 0 ,4 8 0 8 0 ,4 8 1 2 0,4817
0,4821 0 ,4 0 2 6 0 ,4 8 3 0 0,4 8 3 4 0 ,4 8 3 8 0 ,4 8 4 2 0 ,4 8 4 6 0 ,4 8 5 0 0,4 8 5 4 0 ,4 8 5 7
2,1
2 ,2 0 .4 8 6 1 0 ,4 8 6 4 0 ,4 8 6 8 0,4871 0 ,4 8 7 5 0 ,4 8 7 8 0,4881 0 ,4 8 8 4 0,4 8 8 7 0 ,4 8 9 0
2.3 0.41193 0 ,4 8 9 6 0 ,4 8 9 8 0,4901 0,4904 0 ,4 9 0 6 0 ,4 9 0 9 0,4911 0 ,4 9 1 3 0 ,4 9 1 6
2 ,4 0 .4 9 1 8 0 ,4 9 2 0 0 ,4 9 2 2 0 ,4 9 2 5 0,4927 0 ,4 9 2 9 0,4931 0 ,4 9 3 2 0,4934 0 ,4 9 3 6
2 ,3 0 ,4 9 3 8 0 ,4 9 4 0 0,4941 0 ,4 9 4 3 0,4 9 4 5 0 ,4 9 4 6 0 ,4 9 4 8 0 ,4 9 4 9 0,4951 0 ,4 9 5 2

2 ,6 0 .4 9 5 3 0 ,4 9 5 5 0 ,4 9 5 6 0 ,4 9 5 7 0,4 9 5 9 0 ,4 9 6 0 0,4961 0,4 9 6 2 0,4 9 6 3 0 ,4 9 6 4
2,7 0 ,4 9 6 5 0 ,4 9 6 6 0 ,4 9 6 7 0 ,4 9 6 8 0 . 4 9 G9 0 ,4 9 7 0 0,4971 0,4 9 7 2 0,4 9 7 3 0 ,4 9 7 4
2 ,8 0 .4 9 7 4 0 ,4 9 7 5 0 ,4 9 6 7 0 ,4 9 7 7 0,4 9 7 7 0 ,4 9 7 8 0 ,4 9 7 9 0 ,4 9 7 9 0 ,4 9 8 0 0,4981
2 .9 0,1981 0 ,4 9 8 2 0 ,4 9 8 2 0 ,4 9 8 3 0 ,4 9 8 4 0 ,4 9 8 4 0 ,4 9 8 5 0,4 9 8 5 0 ,4 9 8 6 0 ,4 9 8 6
3 ,0 0 ,4 9 8 7 0 ,4 9 8 7 0 ,4 9 8 7 0 ,4 9 8 8 0,4 9 8 8 0 ,4 9 8 9 0 ,4 9 8 9 0 ,4 9 8 9 0 ,4 9 9 0 0 ,4 9 9 0
0 ,4 9 9 0 0,4991 0,4991 0,4991 0 ,4 9 9 2 0 ,4 9 9 2 0 ,4 9 9 2 0,4 9 9 2 0 ,4 9 9 3 0 ,4 9 9 3
3.1
3 ,2 0 .4 9 9 3 0 ,4 9 9 3 0 ,4 9 9 4 0 ,4 9 9 4 0 ,4 9 9 4 0 ,4 9 9 4 0 ,4 9 9 4 0,4 9 9 5 0 ,4 9 9 5 0 ,4 9 9 5
3,3 0 ,4 9 9 5 0 ,4 9 9 5 0 ,4 9 9 5 0 ,4 9 9 6 0 ,4 9 9 6 0 ,4 9 9 6 0 ,4 9 9 6 0 ,4 9 9 6 0 ,4 9 9 6 0,4997
3 ,4 0 ,4 9 9 7 0 ,4 9 9 7 0 ,4 9 9 7 0,4 9 9 7 0 ,4 9 9 7 0 ,4 9 9 7 0 ,4 9 9 7 0,4997 0 ,4 9 9 7 0 ,4 9 9 8
3 ,5 0 ,4 9 9 8 0 ,4 9 9 8 0 ,4 9 9 8 0 ,4 9 9 8 0 ,4 9 9 8 0 ,4 9 9 8 0 ,4 9 9 8 0 ,4 9 9 8 0 ,4 9 9 8 0 ,4 9 9 8
3 ,6 0 ,4 9 9 8 0 ,4 9 9 8 0 ,4 9 9 9 0 ,4 9 9 9 0 ,4 9 9 9 0 ,4 9 9 9 0 ,4 9 9 9 0,4 9 9 9 0 ,4 9 9 9 0 ,4 9 9 9
3 ,7 0 ,4 9 9 9 0 ,4 9 9 9 0 ,4 9 9 9 0 ,4 9 9 9 0 ,4 9 9 9 0 ,4 9 9 9 0 ,4 9 9 9 0,4 9 9 9 0,4 9 9 9 0 ,4 9 9 9
0 ,4 9 9 9 0 ,4 9 9 9 0 ,4 9 9 9 0 ,4 9 9 9 0 ,4 9 9 9 0 ,4 9 9 9 0,4 9 9 9 0 ,4 9 9 9 0 ,4 9 9 9
3 ,8 0 .4 9 9 9
0 ,5 0 0 0 0 ,5 0 0 0 0 ,5 0 0 0 0 ,5 0 0 0 0 ,5 0 0 0 0 ,5 0 0 0 0 ,5 0 0 0 0 ,5 0 0 0 0,5 0 0 0 0 ,5 0 0 0
3 ,9
O processo de utilizar a tabela é assim: veja qual o valor correspondente dentro da

tabela de um z = x,xx. Olhe a linha correspondente aos dois primeiros dígitos de z
e o terceiro você vai encontrar na coluna lá em cima. Os valores que vocês
encontrarem na tabela vão te dizer a probabilidade de que a variável
padronizada (z) esteja entre 0 e o valor calculado para z.
No nosso caso, temos que dividir o nosso resultado em duas partes, pois a tabela
só nos diz a probabilidade do valor padronizado estar entre 0 e o valor encontrado.
Assim:

P ( - 0, 25 < z < 0, 5) = P ( - 0,25 < z) + P(z < 0, 5)
Olhem na tabela os valores que encontramos, ou seja, 0,25 e 0,5 (0 sinal negativo
não influencia, ele só significa que estamos olhando a curva da direita para a
esquerda).
Graficamente, o que a tabela está nos dizendo é que a probabilidade encontrada é

tal que corresponde à seguinte área:

Estratégia
r nONNr iCi U
C R «R ; Sr >O <S;
Assim, basta somar aqueles dois valores que encontramos, que, na verdade, são as
probabilidades de ocorrência de cada um dos intervalos:
P ( - 0, 25 < z < 0, 5) = 0, 19 15 + 0,0987 = 0,2902 = 29,02 %
Não é tão complicado. Nós vamos fazer uns exercícios e você vai entender
direitinho. Além disso, iremos falar mais sobre isso na aula de “Intervalo de
Confiança e Testes de Hipóteses”. Então, relaxe!
4. Distribuição Exponencial
Dado um parâmetro p > 0, a distribuição exponencial tem sua fdp dada por:
Esse é um caso de uma variável x que tem distribuição exponencial com parâmetro
p, o que pode ser escrito como:
x ~ Exp(P)
Este processo tem as seguintes características:
£(x) = p
Var(x) = p 2
Esta distribuição é muito utilizada para avaliar o tempo de vida útil de equipamentos.
Esta distribuição tem uma característica muito importante relativa à sua

correspondência com um processo que segue uma distribuição de Poisson.
Suponha uma variável Y que represente a chegada de automóveis em uma praça
de pedágio e que siga um processo com distribuição de Poisson. Se X representar o

-------------
Estratégia
C O N C U R S O S ^
tempo entre duas chegadas consecutivas, pode-se demonstrar que X tem
distribuição exponencial.
Devido à dificuldade de operacionalização matemática, já vou fornecer a vocês a

função de distribuição acumulada para esta distribuição, que é dada por:
F(x) = 1 1 — e P,se x > 0

0, se x < 0
Uma extensão do modelo exponencial é a distribuição Gama.
Seja X uma variável aleatória contínua com valores positivos e com parâmetros
a > 0 e (3 > 0, a mesma terá distribuição Gama se sua fdp for dada por:
0, se x < 0
A função r(a ) é muito importante em vários ramos da matemática e é dada por:
TO
T(a) = I e~xxa~1d x , a > 0
o
Podemos expressar que a variável segue esta distribuição da seguinte forma:
x ~Gama(a,p')
A distribuição Gama representa o caso de variáveis que são não negativas e que
tendem a concentrar a maior parte de seus valores próximos à origem, o que resulta
em uma distribuição assimétrica. Tal como pode ser visto no gráfico abaixo:

Alguns experimentos demonstraram que esta distribuição explica melhor a vida útil
de equipamentos do que a distribuição exponencial.
Pode-se demonstrar que:
£(x) = afi
Var(x) = afí2
Perceba a ligação entre as duas distribuições, pois pode-se provar que as duas
serão iguais se a distribuição Gama tiver a = 1.
5. Distribuição de Pareto
Apenas para fins de curiosidade, vamos passar por mais uma distribuição que pode
ser cobrada em concursos públicos, apesar de isso não ser nem um pouco comum.
A distribuição de Pareto, com parâmetro a, tem sua fdp dada por:
Sendo a > 0 e 0 < x < oo. No caso, p é o menor valor possível que x pode assumir.
O nome da distribuição se originou no trabalho de Vilfredo Pareto que descobriu que

80% da riqueza estava concentrada em cerca de 20% da população. No ambiente
empresarial, este tipo de análise encontra a sua aplicação verificando-se que 80%

Estratégia
C O N C U R S O S ^
(ou um percentual alto) dos problemas são causados por 20% (ou um percentual
baixo) das causas. Nesta linha, conclui-se que poucas causas são responsáveis
pela maioria dos problemas, levando um bom gestor a atacar essas causas
prioritariamente, pois assim, resolvem-se grande parte de problemas.
A média e a variância para essa distribuição são:
afí
£(x) =
(a - 1)
afí2
Var(x) =
(a —1)2 (a —2)
A sua respectiva FDA é dada por:
F(x) = 1 - P
O gráfico desta distribuição é dada por:
Pf(X=ü)
Perceba que o formato da curva muda conforme variamos o parâmetro (a) da

distribuição.

Estratégia
r nONNr iCi U
C R «R ; Sr >O <S;
Exercício 1
(CGU - 2008/ESAF) Sendo X aleatória uniformemente distribuída no intervalo

(0;1), determine sua variância.
a) 1/2
b) 1/3
c) 1/4
d) 1/6
e) 1/12
Resolução
Pessoal, só aplique a fórmula:
Alternativa (e).
Exercício 2
(TRT - 2008/FCC) Uma variável aleatória é uniformemente distribuída no

intervalo [1 ;5]. A sua média e variância são, respectivamente:
a) 2 e 1/3
b) 2 e 2/3
c) 3 e 3/4
d) 3 e 1/3
e) 3 e 4/3
Resolução
Simples também:

Estratégia
r nONNr iCi U
C R «R ; Sr >O <S;
(5 - 1)2 42 16 4
Variância(X) = = = =
Alternativa (e).
Exercício 3
(BACEN - 2006/FCC) As empresas de um determinado setor têm situação

líquida bem descrita por uma distribuição normal, com média igual a 2,5,
milhões de reais e desvio padrão de 2 milhões de reais. Selecionando-se uma
empresa aleatoriamente deste setor, a probabilidade dela apresentar uma
situação líquida negativa ou nula é de:
a) 11%
b) 16%
c) 23%
d) 39%
e) 50%
Resolução
O que nós queremos é saber:
P(X < 0)
Substituindo:

Estratégia
C O N C U R S O S ^
Como eu disse antes, o sinal não importa. Então, vamos procurar este valor na
tabela, o que nos dará:
P(z = 1, 25) s 0, 39 = 39%
Isso está nos dizendo que a chance de encontrarmos qualquer valor da média até
zero é de 39%. Graficamente:
Como cada cauda tem 50% de chance de ocorrer, a probabilidade de valores

menores do que zero é de:
P(X < 0 ) = 0, 5 - 0, 39 = 0, 11 = 11%
Alternativa (a).

Exercício 4
(BACEN - 2009/CESGRANRIO) Estima-se que os retornos de um determinado

mercado tenham distribuição normal, com média 20% e desvio padrão de 10%.
A probabilidade de perdas financeiras é de:
a) 1%
b) 2,5%
c) 5%
d) 10%
e) 20%
Resolução
Muito semelhante ao exercício anterior. O que ele está pedindo é:
P(X < 0)
Mesma coisa, vamos encontrar o valor padronizado para X = 0:
X -p 0-20
Procurando 0,5 na tabela encontramos 0,4772. Ou seja, a probabilidade de ocorrer

um valor entre 20% e 0% é de 47,72%.
Portanto, a probabilidade de valores menores do que zero é de:
0,5 - 0,47 72 = 0,022 8 = 2,2 8%
O valor mais próximo é o da alternativa (b).

Exercício 5
(RIOPREV - 2010/CEPERJ) Se uma variável aleatória X tem distribuição

binomial com E(x) = 12 e Var(x) = 3, os valores de n e p são:
a) 25 e 4/5
b) 16 e 4
c) 16 e 4/5
d) 25 e 3/4
e) 16 e 3/4
Resolução
Vamos fazer um exercício de distribuições discretas para não esquecer.
Nós sabemos que para essa distribuição:
E (x) = n x p
Var(x) = n x (p —p2)
Assim, nós temos um sistema de equações dado por:
E(x) = n x p = l 2
Var(x) = n x (p —p2) = 3
Usando a segunda equação, chegamos a:
np —np2 = l 2 —np2 = 3
Rearranjando:
9
n = pZõ

Estratégia
r nONNr iCi U
C R «R ; Sr >O <S;
Substituindo este valor na primeira equação:
9 3
nxp= p /
xp = l 2
Sabendo o valor de p, chegamos ao valor de n:
3
nx = l 2 ^ n = 16
4
Alternativa (e).
Exercício 6
(STN - 2012/ESAF) Seja X uma variável aleatória contínua com função

densidade
/<X> = f5* + '£'se0- * - 3)

0, caso co n t r ár i o
Desse modo, a probabilidade de x estar no intervalo (0 < x < 1) é igual a:
a) 1/3
b) 1/12
c) 2/5
d) 1/6
e) 1/4
Resolução
Para encontrarmos esta probabilidade precisamos encontrar FDA acumulada até o

valor de x=1. Assim:

Determinando a função integral no intervalo:
,2
+ kx
Ou seja, precisamos encontrar o valor de k. Para isso precisamos especificar a

propriedade que conhecemos de toda FDA, isso é que a soma de todas as
probabilidades no intervalo devem somar 1:
31
I x+k = 1
o6
Assim, integrando:
31 31 X
x + fc = I x + fc =
I 6 06 12 + ta
Definindo no intervalo:
x2 \(9 \ ( 0 M (9 \
+ kx = (■ + 3 k) —( + 0k) = L + 3 k) = 1
12 [\12 ) V12 )\ V12 )
Agora, basta resolver a equação para encontrar k:
Substituindo na expressão para FDA desejada:
Alternativa (d).

Estratégia
r nONNr iCi U
C R «R ; Sr >O <S;
Exercício 7
(ABIN - 2010/CESPE) Sabendo que o número de veículos que chegam, a cada

minuto, a determinado local de uma avenida segue um processo de Poisson
homogêneo, julgue o item a seguir.
O intervalo de tempo entre a chegada de um veículo e o veículo que chega em

seguida segue uma distribuição exponencial.
Resolução
O item está correto! Tal como nós explicamos, ambas as distribuições estão
intimamente relacionadas.
Exercício 8
(SUSEP - 2002/ESAF) Uma lâmpada tem tempo de vida (X) que se comporta
conforme uma distribuição exponencial com fdp dada por:
O desvio padrão da variável é:

a) 32 horas
b) 500 horas
c) 900 horas
d) 800 horas
e) 1000 horas

Resolução
Já temos uma fórmula para resolver o problema:
Var(x) = P2 = 100O2
Como o exercício pede o desvio padrão:
Dp(x) = = P = 1000
Alternativa (e).
A próxima questão é bom que vocês resolvam comigo, pois ela traz coisas
novas.
Exercício 9
(TCE/PR - 2011/FCC) O tempo de vida, X, em horas de lâmpadas de certa

fabricação tem distribuição exponencial com média de 8000 horas. O tempo de
vida mediano destas lâmpadas é, em horas, igual a:
Dados:
Ln(0,4)= -0,916
Ln(0,5)= -0,693
a) 7328
b) 7120
c) 5830
d) 5544
e) 5250

Resolução
Nós já conhecemos a FDA para esta distribuição, que é dada por:
F(x) = 11 —e P,se x > 0

0, se x < 0
No caso, o exercício pede a mediana, ou seja, a FDA deve acumular 50% das
probabilidades até este ponto.
Não entendeu? A mediana não divide os dados em duas partes iguais? Então, a
mediana acumula 50% das observações do lado esquerdo e 50% ficam do seu lado
direito.
Assim:
F(x) = 0, 5
Substituindo:
_X
F(x) = 1 - e P = 0, 5
Como a média é igual a 8000, temos que:
1 - e sooo = 0, 5
X
e sooo = 0, 5
Para resolver esta questão, precisamos tirar o Logaritmo neperiano de ambos os

lados.
- ^ = ln( 0, 5) = -0 , 69 3
8000 K J

Multiplicando invertido, temos:
x = 5544
Alternativa (d).
Exercício 10
(CENAD - 2012/ESAF) Seja X uma variável aleatória contínua com função

densidade de probabilidade constante no intervalo [0,2]. Determine sua
variância.
a) 1/3
b) 1/2
c) 2/3
d) 5/7
e) 5/6
Resolução
Qual é a a distribuição de probabilidade que é constante, ou seja, que assume um

mesmo valor para qualquer intervalo de mesma amplitude? A distribuição uniforme.
Aplique a fórmula:
V - a)2 ( 2 - 0) 2 4 1
Var(x) =
12 12 12 3
Alternativa (a).

Exercício 11
(APOFP - ESAF/2009) Seja Z uma variável aleatória Normal Padrão. Dados os

valores de z e de P(Z < z) a seguir, obtenha o valor mais próximo de P(-2,58 < Z
< 1,96).
z 1,96 2,17 2,33 2,41 2,58
P( Z < z ) 0,975 0,985 0,99 0,992 0,995
a) 0,97
b) 0,985
c) 0,98
d) 0,99
e) 0,95
Resolução
Este exercício não é difícil se você olhar com calma. Vamos por partes, qual a
probabilidade de que z < 1,96. Isso tem na tabela:
P(z < 1,96) = 0,9 75
Ou seja, 97,5% dos valores positivos estão acumulados até 1,96.
E qual a porcentagem de valores que se acumula até -2,58? Ora, nós sabemos que
a distribuição é simétrica, assim este percentual é o mesmo que se acumula até
2,58:
P (-2, 58 < z = z < 2,58) = 0,995
Assim:

Estratégia
r nONNr iCi U
C R «R ; Sr >O <S;
0 1,96
Portanto, 97% dos valores estão neste intervalo.
Alternativa (a).
Exercício 12
(MTUR - ESAF/2014) Uma variável aleatória contínua x possui função

densidade dada por: f(x) = 0 para x < 0; f(x) = 3 x2 para 0 < x < 1; f(x) = 0 para x
> 1. Desse modo, a expectância de x é igual a:
a) 1/3
b) 3/4
c) 1/4
d) 1/2
e) 1/5
Resolução
Bom, nós aprendemos como se calcula isso:
lim ite s u p e r io r
lim ite i n f e r i o r
Assim:

Estratégia
r nONNr iCi U
C R «R ; Sr >O <S;
£(x) = I !■ 3x2dx =
Alternativa (b).
Exercício 13
(MTUR - ESAF/2014) Dois eventos, A e B, são ditos independentes quando:

a) P(A/B) = P(B)
b) P(B/A) = 1- P(B)
c) P(A/B) = P(A)
d) P(A n B) = 0
e) P(Au B) = P(A) P(B)
Resolução
Alguns alunos estão tendo dificuldade de entender o conceito de independência.

Pessoal, dois eventos são ditos independentes se a probabilidade de ocorrência de
um independe da probabilidade de ocorrência do outro. Portanto:
P(A\B) = PÇA)
Ou seja, a probabilidade de ocorrência de A é a mesma que a probabilidade de

ocorrência de A sabendo-se que B já ocorreu.
Alternativa (c).

Exercício 1
(CGU - 2008/ESAF) Sendo X aleatória uniformemente distribuída no intervalo

(0;1), determine sua variância.
a) 1/2
b) 1/3
c) 1/4
d) 1/6
e) 1/12
Exercício 2
(TRT - 2008/FCC) Uma variável aleatória é uniformemente distribuída no

intervalo [1 ;5]. A sua média e variância são, respectivamente:
a) 2 e 1/3
b) 2 e 2/3
c) 3 e 3/4
d) 3 e 1/3
e) 3 e 4/3

Exercício 3
(BACEN - 2006/FCC) As empresas de um determinado setor têm situação

líquida bem descrita por uma distribuição normal, com média igual a 2,5,
milhões de reais e desvio padrão de 2 milhões de reais. Selecionando-se uma
situação líquida negativa ou nula é de:
a) 11%
b) 16%
c) 23%
d) 39%
e) 50%
Exercício 4
(BACEN - 2009/CESGRANRIO) Estima-se que os retornos de um determinado

mercado tenham distribuição normal, com média 20% e desvio padrão de 10%.
A probabilidade de perdas financeiras é de:
a) 1%
b) 2,5%
c) 5%
d) 10%
e) 20%

Exercício 5
(RIOPREV - 2010/CEPERJ) Se uma variável aleatória X tem distribuição

binomial com E(x) = 12 e Var(x) = 3, os valores de n e p são:
a) 25 e 4/5
b) 16 e 4
c) 16 e 4/5
d) 25 e 3/4
e) 16 e 3/4
Exercício 6
(STN - 2012/ESAF) Seja X uma variável aleatória contínua com função

densidade
/<x>=ís* +k,seOSXS3
0 , c a s o c o n t r á r io
Desse modo, a probabilidade de x estar no intervalo (0 < x < 1) é igual a:

a) 1/3
b) 1/12
c) 2/5
d) 1/6
e) 1/4

Estratégia
r nONNr iCi U
C R «R ; Sr >O <S;
Exercício 7
(ABIN - 2010/CESPE) Sabendo que o número de veículos que chegam, a cada

minuto, a determinado local de uma avenida segue um processo de Poisson
homogêneo, julgue o item a seguir.
O intervalo de tempo entre a chegada de um veículo e o veículo que chega em

seguida segue uma distribuição exponencial.
Exercício 8
(SUSEP - 2002/ESAF) Uma lâmpada tem tempo de vida (X) que se comporta
conforme uma distribuição exponencial com fdp dada por:
O desvio padrão da variável é:

a) 32 horas
b) 500 horas
c) 900 horas
d) 800 horas
e) 1000 horas

A próxima questão é bom que vocês resolvam comigo, pois ela traz coisas
novas.
Exercício 9
(TCE/PR - 2011/FCC) O tempo de vida, X, em horas de lâmpadas de certa

fabricação tem distribuição exponencial com média de 8000 horas. O tempo de
vida mediano destas lâmpadas é, em horas, igual a:
Dados:
Ln(0,4)= -0,916
Ln(0,5)= -0,693
a) 7328
b) 7120
c) 5830
d) 5544
e) 5250
Exercício 10
(CENAD - 2012/ESAF) Seja X uma variável aleatória contínua com função

variância.
a) 1/3
b) 1/2
c) 2/3
d) 5/7
e) 5/6

Exercício 11
(APOFP - ESAF/2009) Seja Z uma variável aleatória Normal Padrão. Dados os

valores de z e de P(Z < z) a seguir, obtenha o valor mais próximo de P(-2,58 < Z
< 1,96).
z 1,96 2,17 2,33 2,41 2,58
P( Z < z ) 0,975 0,985 0,99 0,992 0,995
a) 0,97
b) 0,985
c) 0,98
d) 0,99
e) 0,95
Exercício 12

densidade dada por: f(x) = 0 para x < 0; f(x) = 3 x2 para 0 < x < 1; f(x) = 0 para x
> 1. Desse modo, a expectância de x é igual a:
a) 1/3
b) 3/4
c) 1/4
d) 1/2
e) 1/5
Exercício 13
(MTUR - ESAF/2014) Dois eventos, A e B, são ditos independentes quando:

a) P(A/B) = P(B)
b) P(B/A) = 1- P(B)
c) P(A/B) = P(A)
d) P(A n B) = 0
e) P(Au B) = P(A) P(B)

Gabarito
1- e
2- e
3- a
4- b
5- e
6- d
7 - Certo
8- e
9- d
10 - a
11 - a
12 - b
13 - c
Pessoal, esta aula foi muito pesada. Apesar de não ser um assunto muito cobrado,
é importante que vocês releiam esta Jkula com muita calma, pois, se cair, é bem
difícil. As distribuições qui-quadrado e t-student serão abordadas na aula de
"Intervalo de Confiança e Teste de Hipóteses”, conjuntamente com um maior
aprofundamento da distribuição normal. Um abraço e bons estudos!

AULA 06 - Distribuição de Probabilidade Conjunta
SUMÁRIO PÁGINA
Distribuição conjunta de variáveis discretas 2
Esperança e covariância 7
Distribuição conjunta de variáveis contínuas 11
Gabarito 59
Bem vindos de volta! Agora vamos estudar as distribuições de probabilidade

conjuntas, ou seja, como podemos analisar o comportamento probabilístico de duas
variáveis conjuntamente.
Esta aula será mais curta, pois não é um assunto muito cobrado e aprofundado em
concursos. Porém, já caiu. Então, tem que saber e pronto! Porém, isso não
significa que a aula será fácil, muito pelo contrário.
Mas, antes, uma dica de concurseiro.
Estamos em uma época farta de concursos bons, tais

como Receita, ISS/SP, e, quem sabe em breve, AFT. Não
fiquem empolgados demais de forma a perder seu foco.
Muitas vezes, o concurseiro fica tão empolgado que se
esquece de focar no seu objetivo. Tentem manter a calma
e pensem como seria bom se você atingisse o seu
objetivo.

1. Distribuição conjunta de variáveis discretas
Muitas vezes um experimento gera valores para mais de uma variável, ou seja, um
mesmo ponto amostral se refere a valores de mais de uma variável.
A título de ilustração, suponha que você faça uma pesquisa em vários lares que
adotaram até 3 animais, podendo ser gatos ou cachorros. Neste caso, você pode ter
duas variáveis, uma primeira (X) que indicaria a quantidade de gatos adotados em
cada lar, e uma segunda variável binária, que assumiria valor igual a 1 se o primeiro
animal adotado for um gato. Assim:
X = quantidade de gatos adotados

y ( 1 ,s e o prim eiro animal adotado fo i um gato)
\ 0 , caso contrário )
Se nós colocarmos todas as possibilidades em uma tabela:
Resultados X Y
GGG 3 1
GCG 2 1
GGC 2 1
GCC 1 1
CGG 2 0
CGC 1 0
CCG 1 0
CCC | 0 0
A partir desta tabela, podemos construir a famosa tabela de dupla entrada de

distribuição de probabilidade conjunta. Essa tabela irá nos mostrar qual a
probabilidade de ocorrência conjunta de valores de ambas as variáveis. Veja a
tabela abaixo.

__ X
0 1 2 3
V
0 1/8 2/8 1/8 0
í
0 1/3 2/8 1/8
Para o entendimento de como “ler” esta tabela, tome o exemplo da primeira célula.
A primeira célula é:
1
P{X, Y ) = P { X = 0 e Y = 0) =
O
Ora, o que está sendo dito é que a probabilidade (X) e (Y) assumirem valores iguais
a zero, isso é, só serem adotados cachorros, é de 1/8.
O interessante é que podemos obter todas as informações importantes sobre as

distribuições de probabilidade de cada uma das variáveis, somente com base
nesta tabela.
Por exemplo, você pode obter qual a probabilidade de o primeiro animal adotado ser
um gato, independentemente da quantidade de animais adotados. Assim, o que
você estaria buscando é:
P(Y = 1) = ?
Esse é o caso que chamamos de probabilidade marginal. A probabilidade

marginal de um evento é a sua probabilidade de ocorrência, independente do valor
assumido pela outra variável. No presente caso:
1 2 1 4 1
P(y = 1> = 0 + 8 + 8 + 8 = 8 = 2 = 50%

Você entendeu o que fizemos? Nós apenas somamos todos os elementos ao longo
da linha que especifica Y = 1.
Da mesma forma, poderíamos obter as probabilidades marginais de X ao somarmos

as colunas. Por exemplo:
Em outros termos, o que se está fazendo é avaliar qual a probabilidade de

ocorrência de:
P(X = 1) = P((X = 1 e Y = 0) ou (X = 1 e Y = 1))
Isso facilita a visualização da forma como a probabilidade marginal é obtida por

meio do cálculo da probabilidade da ocorrência de Y independentemente do valor de
X.
Além disso, nós podemos usar a tabela de dupla entrada para encontrarmos as
probabilidades condicionais. Lembra-se da fórmula? Para dois eventos quaisquer
(A e 5), a probabilidade de ocorrência de A dado que B já ocorreu é dada por:
Então, agora podemos calcular esta probabilidade para valores específicos de cada
evento, sendo que será bem mais fácil.
Vamos a um exemplo. Qual é a probabilidade de adotarmos 3 gatos, dado que a

primeira adoção foi um felino? Ora, isso é a mesma coisa que:
P(X = 3 e Y = 1)
P(X = 3\Y = 1)
P(Y = 1)

O denominador é a própria probabilidade marginal de Y = 1. Essa é fácil de

encontrar, pois basta somar todas as entradas ao longo da linha que indica este
valor:
A probabilidade conjunta fica fácil de encontrar na tabela, pois basta procurar a

entrada relativa ao que estamos procurando, no caso X = 3 e Y = 1. Se você olhar
na tabela você encontrará:
P(.X = 3 e Y = 1 ) = l
Olha só como encontrar:
Viu? Basta procurar a intersecção relativa às probabilidades procuradas. Essa

intersecção vai te dizer qual a probabilidade de X e Y assumirem determinados
valores. Assim, o valor procurado é dado por:
P(X = 3 e Y = í) (g)
P(X = 3\Y = 1)
P(Y = 1) 4

Assim, podemos colocar o formato da tabela de uma forma mais didática:
\ X
0 1 2 3
y
0 P(X=0 e Y=0) P(X=1 e Y=0) P(X=2 e Y=0) P(X=3 e Y=0)
1 P(X=0 e Y = l) P(X=1 e Y = i) P(X=2 e Y = l) P(X=3 e Y = l)
Assim fica fácil encontrar qualquer probabilidade condicional. A título de ilustração

imagine que queiramos saber a probabilidade de uma pessoa ter 2 gatos adotados
dos seus 3 animais, sendo que o primeiro foi um cachorro. Esta pergunta é
equivalente a:
Primeiramente, precisamos calcular a probabilidade marginal para Y = 0:
O que já era meio que óbvio, certo? Pois, como sabíamos que esta variável só pode
assumir dois valores, se P(Y = 1) = 1/ I , então P(Y = 0) = 1/2 .
Assim, consultando a tabela podemos encontrar a probabilidade condicional em

questão, dada por:
P(X = 2 e Y = 0) (g) 1
P(X = 2| Y = 0)
P( r = 0) - ( i) 4

Estratégia
r nONNr iCi U
C R «R ; Sr >O <S;
Agora, eu quero que vocês prestem atenção em algo importante: a

independência entre as variáveis.
Isso vem causando dúvidas em alguns alunos, a definição de independência. No

nosso exemplo, dizer que as variáveis são independentes é o mesmo que defini-las
da seguinte forma:
P(X\Y) = P(X)
P(Y\X) = P(Y)
Ou seja, as probabilidades condicionais são iguais às respectivas probabilidades

marginais. Por exemplo, X será independente de Y se a sua probabilidade
condicionada a esta variável for igual a sua probabilidade marginal.
Assim, nós podemos saber se as variáveis do nosso exemplo são independentes.

Veja o exemplo que resolvemos:
P(X = 2 e Y = 0) 1
P(X = 2\Y = 0) =
P(Y = 0) 4
Viram? A probabilidade de X ser igual a 2 muda se condicionarmos tal valor a Y = 0

(de 1/8 para 1/4). Ou seja, estas variáveis não são independentes!
2. Esperança e Covariância
Nós já estudamos o conceito de esperança, então vamos aplica-lo ao nosso estudo

de distribuições conjuntas. Para encontrarmos a esperança de uma variável, basta
aplicarmos o conceito à distribuição marginal de uma variável. Só lembrando:
E ( X ) = X 1 -P1 + X 2 -P2 ...Xn -Pn
Sendo Pn a probabilidade associada a variável Xn.

Estratégia
r nONNr iCi U
C R «R ; Sr >O <S;
Assim, a esperança de Y é dada por:
Entendeu? Agora fica fácil encontrar a variância da variável, pois nós já sabemos
que:
Variància = média dos quadrados —quadrado da média
Então, basta encontrarmos a esperança dos quadrados para definirmos a seguinte

função:
Var(Y) = E(Y2) - [E(Y)]2
Então, vamos calcular a esperança dos quadrados:
Portanto, a variância desta variável será dada por:
1 1 z 1
Var(Y) = E(Y2) - [ E ( Y ) ] 2 = - - { - j = -
Viu? Não tem segredo para encontrar a variância de uma variável! O que nós
precisamos estudar ágora é um conceito ligado à variância conjunta de duas
variáveis: a covariância.
-“Variância conjunta, professor”?
É isso aí! O que nós vamos tentar encontrar é uma medida que expressa o quanto
duas variáveis "flutuam em conjunto”. Isso é feito por meio do valor médio do
produto dos desvios de duas variáveis.

Estratégia
r nONNr iCi U
C R «R ; Sr >O <S;
Como é que é”?
Vamos por partes. Defina covariância:
A covariância é o valor médio do produto dos desvios entre duas variáveis

(X e Y). Assim, para duas variáveis quaisquer, defina a covariância como:
Porém, há uma forma mais simples de aplicarmos esta fórmula:

Cov(X, Y) = E(X ■Y) - E(X) ■E(Y)
Cov(X, Y) = média dos produtos —produto da média
Bom, a forma mais simples de encontrarmos a covariância é com base no segundo

método acima descrito. Vamos fazer isso para nosso exemplo. Nós podemos
encontrar a esperança de cada uma das duas variáveis isoladamente de forma bem
simples, tal como demonstramos acima. Assim, precisamos encontrar a esperança
do produto das mesmas!
Isso é feito da seguinte forma, vamos rearranjar os valores da nossa tabela de

forma a encontrarmos as probabilidades dos produtos das variáveis. Assim:

Prof. Jeronymo M a rco n d e s-A u la 06
X Y XY
0 0 0
1 0 0
2 0 0
3 0 0
0 1 0
1 1 1
2 1 2
3 1 3
Agora faça assim, veja qual a probabilidade deste produto ocorrer na tabela lá em
cima. Assim, fica fácil. Vamos calcular a esperança dos produtos:
1 2 1 8
E(X ■Y) + 0'■ + 0 ' ■ —
1
8 8 8 8
Nós ainda não calculamos a esperança de X, então vamos a ela:
1 3 3 1 10
E{X) = 0- + 1 -ES 2 ■ + 1 - = = 1 ,2 5
w 8 8 8 8 8 '
Agora, vamos calcular a covariância:
Cov(X, Y) = E(X ■Y) - E(X) ■E(Y) = 1 - 1,25 ■0, 5 = 0 , 375

A covariância é utilizada para indicar um grau de "associação entre as variáveis”. Se

as variáveis estiverem positivamente (negativamente) correlacionadas, a
covariância será positiva (negativa).
Por exemplo, as variáveis "renda média” e "gastos em consumo” de uma economia

tendem a estar positivamente correlacionadas, de forma que, na média, quanto
maior a renda, maior deve ser o gasto em consumo. Neste caso, a covariância entre
tais variáveis deve ser positiva.
Se duas variáveis são independentes, a sua covariância é zero! Porém, atenção, o

fato de a covariância ser igual a zero não significa que duas variáveis são
independentes.
Ótimo! Vamos aprofundar um pouco mais e estudar os mesmos conceitos

para distribuições contínuas.
3. Distribuição conjunta de variáveis contínuas - tema extra
O que vamos falar agora é um assunto mais complicado. Portanto, não precisa ficar
desesperado, pois isso quase nunca é cobrado em concurso (a não ser em
concursos mais específicos).
A distribuição conjunta de variáveis contínuas é dada por uma função similar a

nossa famosa função densidade de probabilidade (fdp): a função densidade
conjunta (fdc).
A fdc para duas variáveis quaisquer, X e Y, é dada por:
fdc = f{X,Y)
Esta função tem características semelhantes da nossa fdp. Vamos complicar sua
vida um pouquinho (hora de lembrar-se dos conceitos básicos de cálculo):

Estratégia
r nONNr iCi U
C R «R ; Sr >O <S;
1 ) fÇX, Y ) > 0
2 ) j j f(X,Y)dXdY = 1
-“Não entendi nada! Você está doido, professor!”
Calma, vamos por partes.
A primeira propriedade tem a ver com o fato de que, tal como uma fdp, a fdc é
ligada ao conceito de probabilidade de ocorrência. Portanto, o menor valor que a
mesma pode assumir é zero, pois não há como a "probabilidade” de ocorrência de
um evento ser negativa.
A segunda propriedade nos diz que o somatório (lembre-se de que o conceito de

integral está intimamente relacionado a somatório) das duas variáveis, para todas
suas ocorrência possíveis, deve ser igual a 1. Isso está nos dizendo que a
probabilidade de ocorrência de qualquer elemento contido no espaço amostral é
igual a 1. Lembre-se do conceito de distribuição de probabilidade acumulada!
-“Mas, para que isso”?
Vejam o seguinte exercício.
Exercício 1
Dada a seguinte fdc:
p a ra 0 < x < 1 e
0, caso co n trá rh
Determine o valor de “ A” .

Resolução
Ora, vocês sabem que:
+ to + to
f(x ,y )d x d y = 1
— TO — TO
Assim, primeiro vamos resolver para x e depois para y. Bom, primeiramente, vamos
definir os intervalos superiores e inferiores para as duas variáveis, o que pelo
enunciado sabemos que são 0 e 1 para ambas as variáveis.
i i
j j f(x ,y )d x d y = 1
o o
Agora, vamos substituir a função específica:
i i
j j Axydxdy = 1
0 o
Resolver para x basta integrar a função nesta variável e tirar a outra para fora como
se fosse uma constante (junto com A).
1 i
w xdxdy = 1
o o
Bom, vocês já aprenderam qual a integral de x, certo? Ora, é o valor que derivado
gera x . Assim:

Derive esta função para ver que isso é verdade! Então, vamos resolver a integral
definida lá em cima:
Assim, defina a função neste intervalo e diminua o valor do intervalo inferior do

superior:
1
dy=l
2
Agora, integre com relação a y:
i ,
l M
f A---ydy = J -y d y = l
A integral de y é fácil, pois é igual a de x. Então:
A
= l
2
A l2 02
- T _ T
A 1
= l
2 2 .
A
l^ A = A
4
Verdade! Não é nada trivial, mas dá para fazer, caso seja necessário.

Estratégia
r nONNr iCi U
C R «R ; Sr >O <S;
Veja que a integral deve ser definida dentro do intervalo que se deseja
analisar, portanto se você quiser avaliar outro intervalo, basta mudar o
intervalo em que você está definindo a integral. Vamos ver como isso é feito
nos exercícios.
Bom, vamos continuar com alguns conceitos importantes que já discutimos, mas
aplicados ao caso de variáveis contínuas, tal como a distribuição marginal para
cada variável.
Olhe, até agora nós encontramos as distribuições marginais por meio da

probabilidade de que esta assuma um determinado valor independentemente do
que acontece com as demais. Na verdade, nós “somávamos” as linhas ou colunas
da nossa tabela de dupla entrada de distribuição conjunta.
O que vamos fazer no caso de variáveis contínuas é muito semelhante. Vamos

“somar” as probabilidades de que uma variável assuma um valor ao longo de um
intervalo, independentemente do valor assumido pelas demais.
Exercício 2
p a ra 0 < x < 1 e
0, caso co n trá rh
Encontre a função densidade de probabilidade marginal para .
Resolução
-“Função densidade de probabilidade marginal, professor”?

Estratégia
r nONNr iCi U
C R «R ; Sr >O <S;
Exatamente. Pense comigo, se nós integrarmos a função acima, mas sem definir
um intervalo, nós teremos uma função como resultado de tal operação.
Veja, vamos integrar esta função com relação a x, tratando y como uma constante:
Viram? Esta é uma função de y! Ou seja, para qualquer valor de x, a probabilidade

de um determinado intervalo só depende de y. Intuitivamente, o que estamos
fazendo é "somar” as probabilidades de y para todos os valores possíveis de x. Esta
é a função densidade de probabilidade marginal. Se vocês quiserem saber a
probabilidade de um determinado intervalo, basta integrar a função com relação a y
e definir a integral no intervalo desejado.
Retornando.
Bom, nós podemos retirar qualquer informação de uma determinada fdc, tal
como variância e covariância. Porém, a maior parte disso não será importante
para o seu concurso. Mas, algumas coisas podem ser importantes, tal como a
esperança de uma variável, bem como o cálculo da probabilidade condicional.
A esperança é fácil, pois nós já vimSs como fazer isso na nossa aula anterior.
Vamos usar nosso exemplo para facilitar. A diferença é que nós vamos nos basear
na já calculada função de distribuição marginal.

Estratégia
r nONNr iCi U
C R «R ; Sr >O <S;
Exercício 3
para O C x C l e 0 < y < l

0, caso contrário
Encontre a esperança de y .
Resolução
Bom, se você quiser a esperança de uma variável, primeira coisa a fazer é calcular
sua função de distribuição marginal. No caso de y, se chamarmos a função de
distribuição marginal de g(y), já temos isso calculado:
g(y) = 2y
Agora é só fazer o que você já sabe, "somando” todos os valores possíveis de y

multiplicados pela sua "probabilidade”. Ora, nós já vimos que isso é:
i
EÇy) = I y 2ydy
o
Essa é a nossa esperança! Agora é só integrar.
iv3! 1 n3 o3i 2

Estratégia
r nONNr iCi U
C R «R ; Sr >O <S;
Percebe que no final das contas é a mesma coisa que estudamos na aula
anterior? A única diferença é que você tem que encontrar a distribuição
marginal primeiro.
Para finalizarmos, vamos ver como podemos encontrar as probabilidades

condicionais. Ou seja, se eu te perguntar, qual a probabilidade de que uma variável
esteja em um determinado intervalo, dado que a outra está em outro, como
encontrar tal valor? Pense em termos da nossa antiga fórmula:
Agora aplique ao nosso caso contínuo:
h l y ~ f(y)
Legal, agora você consegue encontrar a probabilidade condicional. Vamos a mais

um exemplo.
Exercício 4
para 0 < x < 1 e

0, caso contrárh
Encontre a função que define / x|y.
Resolução
Bom, nós já temos calculados, dos exercícios anteriores, /( y ) e, pelo enunciado,

sabemos /(x ,y ), portanto:

, /(*.y) 4xy ^
h 'y - f ( y ) “ 2y ~ i x
Veja que resultado interessante você chegou. A probabilidade condicional de

x dado y é igual à probabilidade marginal de x . O que isso quer dizer mesmo?
Isso! As variáveis são independentes! Veja no caso de y :
Assim, as variáveis são independentes pois:
/(x| y) = g {x )
f(y\x ) = g (y )
Boa pessoal, vamos praticar um pouco!
Exercício 5
(MTUR - ESAF/2014) Dois eventos A e B são tais que: P(A) = 0,25; P(B/A) = 0,5;
P(A/B) = 0,25. Assim, pode-se afirmar que:
a) A e B são eventos dependentes.
b) P(B) = 0,5 e os eventos são mutuamente exclusivos.
c) P(B) = 0,25 e os eventos são independentes.
d) P(B) = 0,5 e os eventos são independentes.
e) P(ADB) = 0 e os eventos são independentes.

Resolução
Perceba o que está ocorrendo:
PC4) = P(A\B) = 0, 2 5
Portanto, os eventos são independentes. Se A é independente de B, então B é

independente de A. Portanto:
P(fl) = P(B\A) = 0, 5
Alternativa (d).
Exercício 6

densidade dada por: f(x) = 0 para x < 0; f(x) = 3x2 para 0 < x < 1; f(x) = 0 para x >
1. Desse modo, a expectância de x é igual a:
a) 1/3
b) 3/4
c) 1/4
d) 1/2
e) 1/5
Resolução
Vamos definir nosso problema de forma matemática, pois fica mais fácil de
visualizar:

Estratégia
r nONNr iCi U
C R «R ; Sr >O <S;
3 x 2,s e 0 < x < 1
0, caso contrário
A esperança (também chamada de expectância) é dada por:
E {x ) = I x ■3 x2dx
o
Vamos resolver:
x 4! 1 _ 3 14 041 _ 3
E {x ) = I 3x 3dx = 3 I x 3dx = 3
4 4 4 4
o
Alternativa (b).
Exercício 7
(MTUR - ESAF/2014) Considerando a variável aleatória contínua bidimensional

definida por f(x,y) = 6xy para 0 < x < 1 e 0 < y < 1, então a probabilidade de
conjuntamente ocorrer 0 < x < 0,5 e 0 < y < 0,5, ou seja, P(x < 0,5 , y < 0,5) é
igual a:
a) 2/3
b) 1/8
c) 3/62
d) 3/32
e) 1/6
Resolução
Ótima forma de treinar um intervalo. O que o exercício está pedindo é:

Estratégia
C O N C U R S O S ^
Teoria e exercícios com entados
Prof. Jeronymo M arcondes - A u la 06
Entendeu? Ora, você quer calcular o valor acumulado de probabilidade até 0,5 para
cada uma das variáveis contínuas, portanto, integre a função e a defina até tal valor.
Vamos lá, começando por x:
0,5 0,5 0,5 0,5 0,5 0,5 ±

I I 6xydxdy = 6y I xdxdy = I 6y dy = J 6y Qdy
o o 0 0 0
Agora, vamos integrar em y:
6 1 6 3
8 8 64 32
Alternativa (d).
Exercício 8
(INEA - FGV\2013) Duas variáveis aleatórias discretas X e Y têm função de

probabilidade conjunta dada na tabela a seguir
A probabilidade condicional P[X = 0 | y = 2] é igual a

a) 30%.
b) 40%.
c) 50%.
d) 60%.
e) 70%.

Resolução
Pessoal, a melhor forma de fazer este exercício é por meio de um raciocínio inverso,
gerando a tabela que teria dado origem a esta "tabela resumida". Pense e você verá
que ela tem a seguinte forma:
x\y 0 1 2
0 0,2 0,1 0,3
1 0 0,2 0,2
Perceba que as probabilidade acima já somam 1, portanto pode-se concluir que o

elemento (x,y) = ( 1,0) tem probabilidade de ocorrer igual à zero.
Assim, basta fazer o seguinte cálculo:
P(x = 0 e y = 2)
P(x = 0|y = 2)
P(y = 2)
Vamos encontrar a probabilidade de y=2:
P(y = 2 ) = 0, 3 + 0, 2 = 0 ,5
Olhando na tabela, nós sabemos que P(x = 0 e y = 2) = 0, 3, portanto:
P(x = 0 e y = 2 ) 0, 3
P(x = 0|y = 2 ) 0, 6 = 6 0 %
P(y = 2 ) = Õ5
Alternativa (d).

Estratégia
r nONNr iCi U
C R «R ; Sr >O <S;
(IMESC - VUNESP/2013) Leia o enunciado a seguir para responder às

questões de números 9 e 11.
Uma variável aleatória contínua tem a função de distribuição de probabilidade

dada por:
f(x) = 2x; 0 < x < 1;
f(x) = 0 fora desse intervalo.
Exercício 9
Então, a probabilidade de que x seja menor do que 0,8 é igual a

a) 0,84.
b) 0,78.
c) 0,70.
d) 0,64.
e) 0,60.
Resolução
O que o exercício está pedindo é a probabilidade acumulada até 0,8. Nós já vimos
que isso se faz assim:
Portanto:
0,8 0,8
P(0 < x < 0, 8) = I 2xdx = 2 I xdx = 2
Alternativa (d).

Estratégia
r nONNr iCi U
C R «R ; Sr >O <S;
Exercício 10
O valor esperado é, aproximadamente,

a) 0,25.
b) 0,38.
c) 0,50.
d) 0,58.
e) 0,67.
Resolução
Nós já sabemos que para encontrar o valor esperado precisamos fazer a seguinte
operação:
x ■2xdx
Assim:
E (x) = | x ■2 xdx = 2 | x z dx = 2 ■ =2- — =

o o 3 o 3 3 3
Isso é, aproximadamente, 0,67.
Alternativa (e).

Estratégia
r nONNr iCi U
C R «R ; Sr >O <S;
X INDO
mais fundo Exercício 11
A variância da variável aleatória é, aproximadamente,

a) 0,01.
b) 0,06.
c) 0,11.
d) 0,18.
e) 0,22.
Resolução
Vamos aprofundar um pouco? Não é difícil, você vai ver.
Qual o jeito mais fácil de calcular a variância?
variància = média dos quadrados —quadrado da média = E (x 2) — [£ (x )]2
Ora, o segundo membro nós já temos, pois basta elevar o resultado do exercício
anterior ao quadrado.
E o primeiro membro?
E {x 2) = 1 *2 ■2 xdx
Viu? Nada demais. Agora encontre este valor!
i4 0^ _ 2 _ 1
E {x ) = I x 2 ■2 xdx = 2 I x 3 dx = 2 = 2■
4 T ~ T ~4~2
Portanto:

Var(x) = E(x2) - [£(x)]2 \ - \ = 0’5 -0 ,4 4 = 0,06
Alternativa (b).
Exercício 12
(DEGASE - CEPERJ/2012) Em uma turma há 20 homens e 10 mulheres. Para

os homens, o percentual de aprovação foi de 80%, enquanto para as mulheres
o percentual de aprovação foi de 90%. Se selecionarmos um aluno ao acaso
dentre o conjunto de alunos aprovados, a probabilidade de este aluno ser do
sexo masculino será de:
a) 0,48
b) 0,60
c) 0,64
d) 0,89
e) 0,90
Resolução
Vamos fazer uma questão de probabilidade para treinar um pouco.
Se dos 20 homens 20% foram aprovados:
Aprovados = 20 x 80% = 16
Já das mulheres:
Aprovadas = 10 x 90% = 9
Assim, a probabilidade, dentre os aprovados, de selecionarmos um homem é de:

16
P(homem\aprovado) = ^^ + g = ^ ^
Alternativa (c).
Exercício 13
(DEGASE - CEPERJ/2012) A distribuição apresenta assimetria negativa, que é

caracterizada, tipicamente, pelas seguintes relações:
A) média < mediana < moda
B) média < moda < mediana
C) moda < média < mediana
D) moda < mediana < média
E) mediana < moda < média
Resolução
Basta lembrar-se de como é uma distribuição de assimetria negativa:
Alternativa (a).

Exercício 14
(DEGASE - CEPERJ/2012) Dois candidatos A e B irão realizar prova para

determinado concurso. Supondo que a probabilidade de o candidato A ser
aprovado é de 0,40 e a probabilidade de o candidato B ser aprovado é de 0,30,
e que a aprovação ou não de um dos candidatos não interfere nas chances de
aprovação do outro candidato, a probabilidade de ambos serem aprovados no
concurso é de:
a) 0,10
b) 0,12
c) 0,30
d) 0,40
e) 0,70
Resolução
Questão muito fácil. Como a probabilidade de um candidato ser aprovado não

interfere nas chances do outro, a probabilidade de os dois serem aprovados é de:
P(A ser aprovado) x P(B ser aprovado) = P(A e B serem aprovados)
Assim:
P(A e B serem aprovados) = 0,4 x 0, 3 = 0 , 1 2
Alternativa (b).

Estratégia
r nONNr iCi U
C R «R ; Sr >O <S;
Exercício 15
(IBGE - CESGRANRIO/2010) Um comitê é formado por três pesquisadores

escolhidos dentre quatro estatísticos e três economistas. A probabilidade de
não haver nenhum estatístico é
a) 1/ 35
b) 4/35
c) 27/243
d) 64/243
e) 3/7
Resolução
Esta é aquela questão clássica de probabilidade.
Qual é a probabilidade de 1 sucesso? Bom, é:
1
P(sucesso) =
W,3
Isso é, o valor de hum (1) (o conjunto formado por "economista”, "economista” e

"economista”) dividido pela quantidade de combinações possíveis. Assim:
1 1
P(sucesso) =
35
Alternativa (a).

Exercício 16
(STN - ESAF/2008) Dois eventos A e B são ditos eventos independentes se e

somente se:
a) a probabilidade de ocorrência conjunta de A e B for nula.
b) a ocorrência de B alterar a probabilidade de ocorrência de A.
c) a ocorrência de A alterar a probabilidade de ocorrência de B.
d) a ocorrência de B não alterar a probabilidade de ocorrência de A.
e) a probabilidade de ocorrência conjunta de A e B for igual a 1.
Resolução
Questão puramente teórica. Os eventos são independentes se a ocorrência de um

não alterar a probabilidade de ocorrência do outro.
Alternativa (d).
(BACEN - CESPE/2013) Considerando que um investidor obtenha retornos

diários iguais a R$ 10,00, R$ 50,00 ou R$ 100,00 com probabilidades iguais a
0,70, 0,25 e 0,05, respectivamente, julgue os itens subsequentes.
Exercício 17
A probabilidade de o investidor obter retorno superior a R$ 40,00 é maior que

25%.

Resolução
Esta questão é muito fácil, pois a probabilidade de obtermos retornos superior a R$

40,00 é a soma das probabilidade de obtermos R$ 50,00 e R$ 100,00:
P(R $ 5 0) + P(R $ 100) = 0,2 5 + 0,0 5 = 0, 30 = 30%
Exercício 18
O retorno diário esperado pelo investidor é inferior a R$ 20,00.
Resolução
Vamos tirar a esperança do processo:
EÇretorno) = 0, 7 ■1 0 + 0, 2 5 ■50 + 0,05 ■100 = 24, 5
Alternativa errada.
Exercício 19
Se o retorno diário de R$10,00 e de R$ 100,00 forem eventos independentes,

então a probabilidade de se obter retorno diário igual a R$10,00 ou R$ 100,00 é
maior que 73%.

Resolução
Esta questão já foi muito discutida no meio dos concursos. Seu gabarito consta
como correta, porém, já foi mais do que mostrado, que ela está errada!
Vamos ver o que houve.
Olhe, como os eventos são independentes a probabilidade de intersecção de

ambos é igual ao produto de suas probabilidades:
P ( 1 0 n 1 0 0) = P ( 1 0 ) ■ P ( 1 0 0) = 0, 7 • 0,0 5 = 0 ,0 3 5
-“Para que isso é necessário”?
Ora, o que está sendo pedido é:
P ( 1 0 U 1 0 0) = ?
Assim, nós já sabemos que:
p ( 1 0 n 1 0 0) = P ( 1 0) + P ( 1 0 0) - P ( 1 0 n 1 0 0)
P ( 1 0 n 1 0 0) = P ( 1 0) + P ( 1 0 0) - P ( 1 0 n 100) = 0, 7 + 0,05 - 0,03 5 = 0 ,7 1 5
Ou seja, o item está errado! Porém o gabarito consta como certo. O problema é que,
para chegarmos no resultado do gabarito, precisaríamos considerar os eventos
como dependentes (mutuamente exclusivos, na verdade), o que vai contra o próprio
enunciado.

Exercício 20
(Ministério das Cidades - CETRO/2013) Para construir o boxplot, utilizam-se

as seguintes medidas, exceto:
a) valor mínimo.
b) primeiro quartil.
c) mediana.
d) valor máximo.
e) variância.
Resolução
Vamos nos lembrar do "boxplot”:
35 quartil
Mediana
15 quartil

Neste caso, nós temos os quartis, a mediana e os valores extremos. Portanto, das
alternativas, o único parâmetro que não consta é a variância.
Alternativa (e).
Exercício 21
(Ministério das Cidades - CETRO/2013) Com relação a covariância, assinale a

alternativa correta.
a) Se duas variáveis são diretamente correlacionadas, a covariância e
negativa.
b) A covariância e o único elemento que define a dependência entre duas
variáveis.
c) Se duas variáveis são inversamente correlacionáveis, a covariância esta
entre 0 e 1.
d) Se duas variáveis são independentes, a covariância é zero.
e) A covariância não é um bom elemento para definir a correlação entre as
variáveis.
Resolução
Questão puramente conceitual.
a) Neste caso, a covariância é positiva.

b) Não, pois há diversas formas de mensurar a dependência.
c) Errado, pois, neste caso, a covariância é negativa.
d) Perfeito, conforme definição.
e) Essa é justamente uma das utilidades da covariância.
Alternativa (d).

(ICMS-SP - FCC\2009) Para resolver às questões de números 22 e 23,

considere a tabela de frequências relativas abaixo, que mostra a distribuição
dos valores arrecadados, em 2008, sobre determinado tributo, referente a um
ramo de atividade escolhido para análise. Sabe-se que:
I. As frequências absolutas correspondem às quantidades de recolhimentos,
sendo as frequências relativas do segundo e terceiro intervalos de classe
iguais a x e y, respectivamente.
II. A média aritmética da distribuição, valor arrecadado por recolhimento, é
igual a R$ 3.350,00 (valor encontrado considerando que todos os valores
incluídos num certo intervalo de classe são coincidentes com o ponto médio
deste intervalo).
V a lo re s A rre c a d a d o s (R$) F re q u ê n c ia s R elativas

1 .0 0 0 .0 0 I---------- 2 .0 0 0 ,0 0 0,1 0
2 .0 0 0 ,0 0 I---------- 3 .0 0 0 ,0 0 X
3 .0 0 0 ,0 0 I---------- 4 .0 0 0 ,0 0 V
4 .0 0 0 ,0 0 I---------- 5 .0 0 0 ,0 0 0,2 0
5 .0 0 0 ,0 0 I---------- 6 .0 0 0 ,0 0 0,1 0
T otal 1,00
Exercício 22
A porcentagem de recolhimentos com valores arrecadados maiores ou iguais

a R$ 3.000,00 é
a) 70%
b) 65%
c) 55%
d) 45%
e) 40%

Resolução
Bom, nós vamos precisar de 2 equações para encontrarmos estas duas incógnitas.
A primeira é fácil, dado que a soma das frequências relativas deve ser igual a 1:
0, 1 + x + y + 0, 2 + 0, 1 = 1 ^ x + y = 0,6
A segunda equação vem da afirmação II, no que se refere a média aritmética com
os pontos médios das classes. Os pontos médios serão o valor inferior da classe
mais R$ 500,00, pois a amplitude da classe é de R$ 1.000,00. Assim, para
encontrar a média:
1500 x 0, 1 + 2500 X x ! 3500 x y + 4500 x 0,2 + 5500 x 0, 1 = 3350
Rearranjando a expressão acima:
150 + 2500x + 3500y + 900 + 550 = 3350 ^ 2500x + 3500y = 1750
Bom, com base na primeira equação, sabemos que:
x = 0, 6 —y
Substituindo na segunda:
2 5 0 0 ( 0,6 - y ) + 3 5 0 0 y = 1 750 ^ 1500 - 2 5 0 0 y + 3 5 0 0 y = 1 7 5 0
Portanto:
1000y = 250 ^ y = 0, 25
Com base na primeira equação:

x = 0, 6 — 0, 2 5 = 0, 3 5
Assim, fica fácil encontrar a porcentagem de recolhimentos superiores a R$ 3.000:
Recolhimentos > 3.000 = y + 0,2 + 0, 1 = 0,55 = 55 %
Alternativa (c).
Exercício 23
Utilizando o método da interpolação linear, tem-se que o valor da respectiva

mediana é
(A) R$ 3.120,00
(B) R$ 3.200,00
(C) R$ 3.400,00
(D) R$ 3.600,00
(E) R$ 3.800,00
Resolução
Agora que conhecemos x e y, sabemos que até x acumulam-se 45% das

observações e até y 70%. Portanto, a mediana está na classe do y e corresponde a
5% das observações nesta classe. Assim:
0,2 5 0,0 5
w õõ~ —
Ou seja, uma amplitude de 1.000 corresponde a 25%, assim como 5% corresponde

a x. Resolvendo:
0,2 5 x = 50 ^ x = 2 0 0

Portanto, a mediana é iguala a soma do limite inferior da classe mais R$ 200,00:
m e d ia n a = 3 000 + 2 00 = 32 00
Alternativa (b).
Exercício 24
(TRT 16ã - FCC\2014) Uma população, considerada de tamanho infinito,

apresenta uma distribuição normal com média p e uma variância populacional
igual a 576. Com base em uma amostra aleatória de tamanho 100 extraída
desta população, obteve-se um intervalo de confiança para p igual a [194,48 ;
205,52], com um nível de confiança de (1 - a). Considerando uma outra
amostra aleatória desta população, independente da primeira, de tamanho 144
obteve-se um novo intervalo de confiança para p com um nível de confiança (1
- a). A amplitude deste novo intervalo é igual a:
a) 8,00.
b) 9,20.
c) 8,60.
d) 9,60.
e) 9,84.
Resolução
Como encontrar a amplitude?
Pense:
a
X = p±z-
Vn
Assim, nós sabemos que, no caso da primeira amostra:

194,48 = p — z - —
yn
2 05,52 = p + z - —
yn
Nós sabemos o valor do desvio padrão populacional (o) e do tamanho da amostra

(n):
24
194,48 = u — z - ■
^ 10
24
2 05, 52 = p + z - ■
Agora é só resolver o sisteminha:
24
194,48 + z- =p
Substituindo na equação de baixo:
I 24 \ 24
205, 52 = (1194,48 + z -— = j + z - —
24
11, 04 = 2-z-
10
z = 2,3
Assim:
24
194,48 + 2,3 - = p = 200
Agora, vamos encontrar a amplitude do intervalo de confiança da segunda amostra,

já que conhecemos z. A amplitude do intervalo é tão somente:

o
2 'z '~^
Ora, você não vai somar e diminuir este valor da média a fim de encontrar o
intervalo de confiança? Então, a amplitude será dada por duas vezes este valor,
pois este valor será acrescentado a este intervalo do lado esquerdo e direito. Assim:
a 24
2 'z ' = 2 ' 2 ,3 ' = 9 ,2
Alternativa (b).
Exercício 25
(MI-CENAD - 2011\ESAF) A distribuição de frequências em classes do salário

mensal x, medido em número de salários mínimos, de uma amostra aleatória
de 50 funcionários de uma empresa, é apresentado a seguir.
X f
mais de 0 a 10 22
mais de 10 a 20 13
mais de 20 a 30 10
mais de 30 a 40 3
mais de 40 a 50 2

a) 14,5
b) 15,0
c) 15,8
d) 16,1
e) 16,5

Resolução
Bom, vamos refazer a tabela com base nos respectivos pontos médios:
x f f(%)
5 22 0,44
15 13 0,26
25 10 0,2
35 3 0,06
45 2 0,04
A terceira coluna refere-se à frequência relativa de cada observação. Assim, fica

fácil encontrar a média:
5 x 0,44 + 15 x 0,2 6 + 2 5 x 0,2 + 3 5 x 0,06 + 45 x 0,04

M édia = = 15
Alternativa (b).
Exercício 25
(MI-CENAD - 2011\ESAF) Determine o valor mais próximo da mediana do

salário mensal da distribuição de frequências apresentada na Questão 24,
interpolando linearmente dentro das classes, se necessário.
a) 15
b) 14,3
c) 13,7
d) 12,3
e) 7,3

Resolução
É fácil verificar que a mediana está na segunda classe, dado que a primeira
acumula 44% das observações e a segunda 26%. Portanto, precisamos de 6% da
segunda classe para completarmos o acumulado de 50% das observações, que é a
própria mediana.
Bom, como sempre, uma simples regra de três, a segunda classe tem 26% das
observações com uma amplitude de 10 observações, tal como 6% das observações
está para x:
26 6
= ^ 2 6x = 60 ^ x = 2, 3
10 x
Portanto, a mediana é o somatório do limite superior da 1â classe mais essa

amplitude encontrada. Assim:
10 + 2, 3 = 12,3
Alternativa (d).
Exercício 26
(MI-CENAD - 2011\ESAF) Seja X uma variável aleatória contínua com função

variância.
a) 1/3
b) 1/2
c) 2/3
d) 5/7
e) 5/6

Resolução
Pessoal, é só lembrar da fórmula que eu dei na aula 05, página 19.
{fi - a) 2
V a ri â n cia (X ) = —
Sendo a o limite inferior do intervalo e p o superior. Assim:
Alternativa (a).

Estratégia
r nONNr iCi U
C R «R ; Sr >O <S;
Lista dos exercícios resolvidos
Exercício 1
p a ra 0 < x < 1 e 0 < y < l

0, c a s o c o n t r á r io
Determine o valor de “ A” .
Exercício 2
Í 4 xy, p a ra 0 < x < 1 e 0 < y < l }

’yy \ 0, c a s o c o n t r á r io )
Encontre a função densidade de probabilidade marginal para .
Exercício 3
p a ra 0 < x < l e 0 < y < l

Encontre a esperança de .

Estratégia
r nONNr iCi U
C R «R ; Sr >O <S;
Exercício 4
p a ra 0 < x < 1 e 0 < y < l

Encontre a função que define / x|y.
Exercício 5
(MTUR - ESAF/2014) Dois eventos A e B são tais que: P(A) = 0,25; P(B/A) = 0,5;
P(A/B) = 0,25. Assim, pode-se afirmar que:
a) A e B são eventos dependentes.
b) P(B) = 0,5 e os eventos são mutuamente exclusivos.
c) P(B) = 0,25 e os eventos são independentes.
d) P(B) = 0,5 e os eventos são independentes.
e) P(ADB) = 0 e os eventos são independentes.
Exercício 6

densidade dada por: f(x) = 0 para x < 0; f(x) = 3x2 para 0 < x < 1; f(x) = 0 para x >
1. Desse modo, a expectância de x é igual a:
a) 1/3
b) 3/4
c) 1/4
d) 1/2
e) 1/5

Exercício 7
(MTUR - ESAF/2014) Considerando a variável aleatória contínua bidimensional

definida por f(x,y) = 6xy para 0 < x < 1 e 0 < y < 1, então a probabilidade de
conjuntamente ocorrer 0 < x < 0,5 e 0 < y < 0,5, ou seja, P(x < 0,5 , y < 0,5) é
igual a:
a) 2/3
b) 1/8
c) 3/62
d) 3/32
e) 1/6
Exercício 8
(INEA - FGV\2013) Duas variáveis aleatórias discretas X e Y têm função de

probabilidade conjunta dada na tabela a seguir
A probabilidade condicional P[X = 0 | y = 2] é igual a

a) 30%.
b) 40%.
c) 50%.
d) 60%.
e) 70%.

(IMESC - VUNESP/2013) Leia o enunciado a seguir para responder às

questões de números 9 e 11.
Uma variável aleatória contínua tem a função de distribuição de probabilidade

dada por:
f(x) = 2x; 0 < x < 1;
f(x) = 0 fora desse intervalo.
Exercício 9
Então, a probabilidade de que x seja menor do que 0,8 é igual a

a) 0,84.
b) 0,78.
c) 0,70.
d) 0,64.
e) 0,60.
Exercício 10
O valor esperado é, aproximadamente,

a) 0,25.
b) 0,38.
c) 0,50.
d) 0,58.
e) 0,67.

Estratégia
r nONNr iCi U
C R «R ; Sr >O <S;
ê INDO
Tnais fundo Exercício 11
A variância da variável aleatória é, aproximadamente,

a) 0,01.
b) 0,06.
c) 0,11.
d) 0,18.
e) 0,22.
Exercício 12
(DEGASE - CEPERJ/2012) Em uma turma há 20 homens e 10 mulheres. Para

os homens, o percentual de aprovação foi de 80%, enquanto para as mulheres
o percentual de aprovação foi de 90%. Se selecionarmos um aluno ao acaso
dentre o conjunto de alunos aprovados, a probabilidade de este aluno ser do
sexo masculino será de:
a) 0,48
b) 0,60
c) 0,64
d) 0,89
e) 0,90

Exercício 13
(DEGASE - CEPERJ/2012) A distribuição apresenta assimetria negativa, que é

caracterizada, tipicamente, pelas seguintes relações:
A) média < mediana < moda
B) média < moda < mediana
C) moda < média < mediana
D) moda < mediana < média
E) mediana < moda < média
Exercício 14
(DEGASE - CEPERJ/2012) Dois candidatos A e B irão realizar prova para

determinado concurso. Supondo que a probabilidade de o candidato A ser
aprovado é de 0,40 e a probabilidade de o candidato B ser aprovado é de 0,30,
e que a aprovação ou não de um dos candidatos não interfere nas chances de
aprovação do outro candidato, a probabilidade de ambos serem aprovados no
concurso é de:
a) 0,10
b) 0,12
c) 0,30
d) 0,40
e) 0,70

Exercício 15
(IBGE - CESGRANRIO/2010) Um comitê é formado por três pesquisadores

escolhidos dentre quatro estatísticos e três economistas. A probabilidade de
não haver nenhum estatístico é
a) 1/ 35
b) 4/35
c) 27/243
d) 64/243
e) 3/7
Exercício 16
(STN - ESAF/2008) Dois eventos A e B são ditos eventos independentes se e

somente se:
a) a probabilidade de ocorrência conjunta de A e B for nula.
b) a ocorrência de B alterar a probabilidade de ocorrência de A.
c) a ocorrência de A alterar a probabilidade de ocorrência de B.
d) a ocorrência de B não alterar a probabilidade de ocorrência de A.
e) a probabilidade de ocorrência conjunta de A e B for igual a 1.
(BACEN - CESPE/2013) Considerando que um investidor obtenha retornos

diários iguais a R$ 10,00, R$ 50,00 ou R$ 100,00 com probabilidades iguais a
0,70, 0,25 e 0,05, respectivamente, julgue os itens subsequentes.
Exercício 17
A probabilidade de o investidor obter retorno superior a R$ 40,00 é maior que

25%.

Exercício 18
O retorno diário esperado pelo investidor é inferior a R$ 20,00.
Exercício 19
Se o retorno diário de R$10,00 e de R$ 100,00 forem eventos independentes,

então a probabilidade de se obter retorno diário igual a R$10,00 ou R$ 100,00 é
maior que 73%.
Exercício 20
(Ministério das Cidades - CETRO/2013) Para construir o boxplot, utilizam-se

as seguintes medidas, exceto:
a) valor mínimo.
b) primeiro quartil.
c) mediana.
d) valor máximo.
e) variância.

Exercício 21
(Ministério das Cidades - CETRO/2013) Com relação a covariância, assinale a

alternativa correta.
a) Se duas variáveis são diretamente correlacionadas, a covariância e
negativa.
b) A covariância e o único elemento que define a dependência entre duas
variáveis.
c) Se duas variáveis são inversamente correlacionáveis, a covariância esta
entre 0 e 1.
d) Se duas variáveis são independentes, a covariância é zero.
e) A covariância não é um bom elemento para definir a correlação entre as
variáveis.

(ICMS-SP - FCC\2009) Para resolver às questões de números 22 e 23,

considere a tabela de frequências relativas abaixo, que mostra a distribuição
dos valores arrecadados, em 2008, sobre determinado tributo, referente a um
ramo de atividade escolhido para análise. Sabe-se que:
I. As frequências absolutas correspondem às quantidades de recolhimentos,
sendo as frequências relativas do segundo e terceiro intervalos de classe
iguais a x e y, respectivamente.
II. A média aritmética da distribuição, valor arrecadado por recolhimento, é
igual a R$ 3.350,00 (valor encontrado considerando que todos os valores
incluídos num certo intervalo de classe são coincidentes com o ponto médio
deste intervalo).
V a lo re s A rre c a d a d o s (R$) F re q u ê n c ia s R elativas

1.0 0 0 ,0 0 I---------- 2 .0 0 0 ,0 0 0,1 0
2 .0 0 0 ,0 0 I---------- 3 .0 0 0 ,0 0 X
3 .0 0 0 ,0 0 I---------- 4 .0 0 0 ,0 0 V
4 .0 0 0 ,0 0 I---------- 5 .0 0 0 ,0 0 0,2 0
5 .0 0 0 ,0 0 I---------- 6 .0 0 0 ,0 0 0,1 0
T otal 1,00
Exercício 22
A porcentagem de recolhimentos com valores arrecadados maiores ou iguais

a R$ 3.000,00 é
a) 70%
b) 65%
c) 55%
d) 45%
e) 40%

Exercício 23
Utilizando o método da interpolação linear, tem-se que o valor da respectiva

mediana é
(A) R$ 3.120,00
(B) R$ 3.200,00
(C) R$ 3.400,00
(D) R$ 3.600,00
(E) R$ 3.800,00
Exercício 24
(TRT 16ã - FCC\2014) Uma população, considerada de tamanho infinito,

apresenta uma distribuição normal com média p e uma variância populacional
igual a 576. Com base em uma amostra aleatória de tamanho 100 extraída
desta população, obteve-se um intervalo de confiança para p igual a [194,48 ;
205,52], com um nível de confiança de (1 - a). Considerando uma outra
amostra aleatória desta população, independente da primeira, de tamanho 144
obteve-se um novo intervalo de confiança para p com um nível de confiança (1
- a). A amplitude deste novo intervalo é igual a:
a) 8,00.
b) 9,20.
c) 8,60.
d) 9,60.
e) 9,84.

Exercício 25
(MI-CENAD - 2011\ESAF) A distribuição de frequências em classes do salário

mensal x, medido em número de salários mínimos, de uma amostra aleatória
de 50 funcionários de uma empresa, é apresentado a seguir.
X f
mais de 0 a 10 22
mais de 10 a 20 13
mais de 20 a 30 10
mais de 30 a 40 3
mais de 40 a 50 2

a) 14,5
b) 15,0
c) 15,8
d) 16,1
e) 16,5
Exercício 25
(MI-CENAD - 2011\ESAF) Determinp o valor mais próximo da mediana do

salário mensal da distribuição de frequências apresentada na Questão 24,
interpolando linearmente dentro das classes, se necessário.
a) 15
b) 14,3
c) 13,7
d) 12,3
e) 7,3

Exercício 26
(MI-CENAD - 2011\ESAF) Seja X uma variável aleatória contínua com função

variância.
a) 1/3
b) 1/2
c) 2/3
d) 5/7
e) 5/6

Gabarito
5- d
6- b
7- d
8- d
9- d
10 - e
11 - b
12 - c
13 - a
14 - b
15 - a
16 - d
17 - C
18 - E
19 - C (?)
20 - e
21 - d
22 - c
23 - b
24 - b
25 - b
26 - d
27 - a
Mais uma etapa concluída. Continuem estudando firme!
Um abraço e bons estudos.


AULA 07 - Inferência e Estimação
SUMÁRIO PÁGINA
Introdução à inferência estatística 2
Amostragem e estimador 2
Variância de estimadores 9
Consistência e distribuição amostral 13
Estimador de Máxima Verossimilhança 15
Gabarito 47
Bem vindos de volta!
O que vamos estudar nesta aula é saber se nossa amostra traz evidência de que
uma determinada hipótese seja verdadeira. Complicado? Não é não! Você só vai ter
que se lembrar de alguns conceitos de nossa aula 00 e estudar um pouquinho sobre
inferência primeiro.
O que fazer alguns dias antes da prova? Essa pergunta

aflige todo concurseiro! Minha opinião? Revisão! Não adianta
ficar enfiando um monte de coisa nova na cabeça, é melhor
consolidar o que você já sabe. Devido à tensão, será muito
difícil estudar matéria nova.

1. Introdução à inferência estatística
1.1 Amostragem e estimador
Inferência é o processo através do qual uma pessoa tira conclusões sobre a

população com base em uma amostra. Só para lembrar:
População = conjunto de todos os elementos que

possuem determinada característica.
Amostra = parte não nula da população, mas menor

do que esta última.
O exemplo mais clássico é o da cozinheira que prova uma colher do seu preparo a
fim de determinar se o mesmo está muito salgado. Ora, a colher que ela
experimentou é só uma parte de seu cozido, mas, com base nesta amostra, ela irá
inferir como está toda a panela.
Entendeu? Ela não precisa provar a panela toda para tirar suas conclusões, ela irá
se basear somente em parte dela, isso é inferência! Na estatística é a mesma coisa,
muitas vezes não temos dados sobre toda uma população, mas precisamos tirar
conclusões a respeito da mesma, assim necessitaremos de inferência estatística.
Isso é comum no dia a dia de um pesquisador!
A primeira pergunta que um pesquisador faria é: como obter uma determinada

amostra? Ou seja, como realizar uma amostragem. Quando se realiza uma
pesquisa com todos os elementos de uma população, chama-se a tal pesquisa de
Censo.
A amostragem pode ser realizada de duas formas diferentes:

Amostragem probabilística ou casual: é uma técnica puramente científica com

uma seleção puramente aleatória, na qual podemos calcular a probabilidade de que
um determinado elemento vá fazer parte da amostra. A título de exemplo, podemos
citar a Amostragem Aleatória Simples, a Amostragem Estratificada, a
Amostragem por Conglomerados e a Amostragem Sistemática.
Amostragem não probabilística ou não casual: Escolha deliberada de elementos

da amostra, dependendo de julgamento de valor. A título de exemplo, podemos citar
a amostragem por cotas, a amostragem intencional e a amostragem por
conveniência.
Há diversas formas de obter uma amostra com base em uma extração de elementos
de uma população. Tais métodos têm muitas particularidades e formalismos que
vão além do escopo deste curso. Porém, precisamos saber alguns dos métodos
mais conhecidos em amostragem. Vamos a eles!
Amostragem Aleatória Simples (AAS)
Este é o tipo mais famoso de amostragem e o mais utilizado na demonstração de

Teoremas. Neste tipo de amostragem, dada uma população, todas as amostras
possíveis de um determinado tamanho têm a mesma probabilidade de serem
obtidas.
Não entendeu? Suponha que queiramos encontrar uma amostra de 10 elementos

de pessoas com o sobrenome "SILVA” da população de pessoas residentes no
Brasil. Realizar uma AAS seria semelhante a escrever o nome completo de todas
essas pessoas em um papel e sortearmos 10 nomes deste total. Perceba que, neste
caso, todas as amostras têm a mesma chance de ocorrência.
Uma AAS pode ser realizada com e sem reposição.

Amostragem Aleatória Estratificada (AAE)
Neste caso, a população seria dividida em estratos, seguindo-se a aplicação de uma

AAS em cada um destes. Estes "estratos” seriam subconjuntos da população
bastante semelhantes entre si.
Quer um exemplo? Suponha que tenhamos uma população com a renda de

diversos indivíduos em uma economia. Podemos dividir a população em "classe
baixa”, "classe média” e "classe alta”. A partir daí, aplicaríamos uma AAS em cada
um destes estratos para obtermos nossa amostra. A ideia deste procedimento é
diminuir a variância dentro das amostras para cada estrato. Perceba que qualquer
estatística a ser aplicada à amostra deve ser ponderada pelo tamanho do estrato.
Atenção, a amostra de cada estrato será proporcional ao tamanho de cada uma de

suas populações no caso de uma AAE proporcional. Porém, este não é o único tipo
de AAE, pois poderíamos ter o caso de uma AAE uniforme, na qual as amostra de
cada estrato tenham o mesmo tamanho.
Amostragem Aleatória por Conglomerado
Agora, vamos tratar de um caso muito parecido com o anterior. Neste caso, a AAS
será aplicada sobre os subgrupos e não mais sobre os indivíduos da
população.
Por exemplo, suponha que há diversos bairros em uma cidade com variabilidade
interna significativa, mas bastante semelhantes entre si. Neste caso, "sortearíamos”
alguns destes bairros como "amostras” da população total. Você está realizando a
amostragem sobre conglomerados, entende? Segue-se, então, uma análise de
todos os indivíduos nos conglomerados escolhidos.

Amostragem Sistemática
Nessa técnica supõe-se que temos uma listagem das unidades populacionais. Para
um valor k fixado, sorteamos um elemento entre os k primeiros da listagem. Depois
observamos, sistematicamente, indivíduos separados por k unidades. Por exemplo,
se k = 10 e sorteamos o oitavo elemento, observamos depois o décimo oitavo, o
vigésimo oitavo, etc.
Amostragem por Conveniência
Neste caso, o pesquisador só realiza amostragem com os casos que ele tem a sua
disposição. Assim, acaba-se por realizar uma pesquisa com somente uma parcela
da população, o que pode, inclusive, gerar vieses em sua conclusão. Não é possível
generalizar os resultados encontrados para a população, contudo este tipo de
amostragem pode ser útil no início de uma pesquisa, testar questionários, por
exemplo.
Amostragem por quotas
A participação de uma determinada característica na população é utilizada para fins

de geração da amostra. Por exemplo, suponha que esteja sendo feita uma pesquisa
com os usuários de drogas e sabe-se que, na população, 60% dos indivíduos do
que usam drogas são homens e 40% são mulheres. Assim, em uma amostra de
1000 indivíduos, a amostra será feita de tal forma que 60% dela (600) sejam
homens e 40% (400) sejam mulheres.
Amostragem Intencional
O pesquisador seleciona intencionalmente os elementos que irão compor sua

amostra por acreditar que estes são os que melhor representam o fenômeno que se
quer estudar. Por exemplo, qual a aprovação de um partido entre os seus afiliados,
isso pode ser feito em bairros ou domicílios eleitorais ligados ao mesmo.

-“Tudo bem professor, mas o que fazer com esta amostra”?
Um exemplo bacana seria se estivéssemos analisando a altura média de uma

população com base em uma amostra. O que estamos fazendo é avaliar uma
estimativa de um parâmetro populacional.
Não entendeu? Veja, se nós tivéssemos toda a população de elementos e

quiséssemos calcular a média seria fácil, pois bastaria somar todas estas
observações e dividir pelo total:
Ex-
M édia = 6 = -
n
Sendo (2xj) o somatório de todos os elementos da população (n). No caso, a média

seria um parâmetro populacional, no nosso exemplo, chamado de 0.
Porém, raramente isso ocorre, pois quase nunca temos toda a população, mas
somente uma amostra. Nesse caso, a média calculada com base na amostra seria
um estimador do parâmetro populacional. Assim:
2x-
M édia = 0 = -
a
Sendo (a) o tamanho da amostra e o chapéu sobre 0 (0) um indicativo de que

estaríamos trabalhando com um estimador do parâmetro populacional
correspondente.
-“Entendi professor, o estimador do parâmetro populacional seria equivalente

ao cálculo da estatística populacional, mas aplicada à amostra”.

Estratégia
Cr nONNr iCi U
R «R; Sr >O<S;
Isso está aproximadamente correto, mas nem sempre a mesma “fórmula” que
utilizamos para o cálculo de uma estatística na população é a que devemos usar na
amostra. Isso deriva do fato de que o estimador que iremos utilizar na amostra deve
ser não viesado.
Se eu digo para vocês que um estimador não é viesado, eu estou dizendo que, na
média, ele “acerta”, ou seja, dá o valor “real” do parâmetro. Ou seja:
E(estimador) = parâmetro
Sendo E{ ■) o operador esperança.
INDO
mais fundo
E {X )= X 1 - f 1 + X 2 - f 2 ...Xn -fn
Sendo f t a frequência relativa de Xt.
Percebeu? A aplicação do operador “esperança” a uma série de dados nos

variável.
Entendeu? A esperança do estimador de um parâmetro populacional é igual ao seu

valor “real”. O que você quer é que sua estimativa esteja certa, na média!

Vou ressaltar uma coisa que confunde muita gente. Você

consegue perceber que se você realizar o experimento de cálculo da média
amostrai para diferentes amostras dentro de uma população, você terá estimativas
diferentes? Olhe, os valores que estarão contidos em sua amostra provavelmente
serão diferentes para cada vez que você realizar uma amostragem diferente,
mesmo sabendo que estes valores pertencem à mesma população. Então, com
certeza, sua média amostral será diferente. O que você quer é que, na média destas
estatísticas calculadas, você acerte o valor populacional. Ou seja, a média
amostrai pode ser considerada como uma variável aleatória. Esta variável,
como é um estimador não viesado da média populacional, significa que a
média das médias amostrais é igual à média populacional.
Pode-se provar que:
E(0) = 0
Ou seja, a esperança do estimador da média amostral é igual à média populacional.

(vamos mostrar isso no exercício 18)
Portanto, se um exercício de concurso te pedir a média de

uma determinada amostra, basta calcu lar a média como sempre fizemos para a
população ( ^ ) , pois este é um estimador não viesado para a média populacional.
Outra estatística que é comumente cobrada em concursos é a variância (por

consequência, o desvio padrão também).
Só que agora o buraco é mais embaixo! A estatística que aprendemos para calcular
a variância de uma população é dada por:

_ 2(xj-x)2
Variancia = =
n
E, por consequência:
2 (x j - x ) 2
Desvio Padrão = a = I
n
Entretanto, pode-se provar que:
E(â2) * a 2
E:
£(<r) ^ a
-“Isso quer dizer que aquela fórmula não nos dá uma estatística não viesada
quando aplicada à amostra”?
Precisamente!
Olha pessoal, não vou ficar fazendo demonstração de cada uma destas afirmações
porque isso não é importante para seu concurso! Se vocês quiserem saber como se
faz, a título de curiosidade, eu indico bibliografias para vocês.
Voltando ao problema em questão, a nossa estatística para cálculo da variância

populacional (bem como no caso do desvio padrão) gera um estimador viesado
para a variância amostral.
Assim, pode-se provar que, para obtermos estimadores não viesados para a
variância e desvio padrão amostrais, devemos nos utilizar das seguintes
estatísticas:

- x) 2
Vari ãncia = S2
n —1
I(Xj - x) 2
Desvio Padrão = S =
n —1
-“A única diferença é que o denominador deixa de ser (n) e passa a ser ( n -
1)”?
Exato!
Portanto, se um exercício de concurso te pedir a variância

ou desvio padrão de uma determinada amostra, calcule o numerador como sempre,
mas divida este valor por ( n - 1)!
Apesar de estas não serem as únicas estatísticas que podem ser avaliadas em
termos da comparação parâmetro\estimador, para fins de concurso, estas são as
mais cobradas.
1.2 Variância de estimadores
-"Como assim, variância de um estimado r”?
Pense comigo, não basta que um estimador acerte na média, mas também é
desejável que os seus resultados apresentem baixa variância ao redor do valor
populacional que se esta tentando estimar.
Veja um exemplo gráfico:

Os pontinhos vermelhos seriam estimativas do valor populacional, pontinho preto,

para dois estimadores diferentes.
Perceba que o segundo gráfico tem alguns valores que praticamente "acertam” o
valor populacional, mas o mesmo apresenta grande variabilidade. Ou seja, o
segundo estimador tem maior variância.
O ideal seria que nosso estimador não viesado tivesse a menor variância dentre
todos os estimadores não viesados. Este é o conceito de estimador
absolutamente eficiente.
Estimador absolutamente eficiente é aquele que é não

FIQUE viesado e que apresenta a menor variância dentre
atento! todos os estimadores não viesados possíveis para um
determinado parâmetro populacional.

Estratégia
Cr nONNr iCi U
R «R; Sr >O<S;
Veja, não precisamos abordar necessariamente o conceito de eficiência absoluta.

Suponha dois estimadores não viesados para um determinado parâmetro, a saber,
X e X', X é dito mais eficiente que X' se:
Var(X) < Var(X')
Entendeu? Isso é muito importante na hora de decidirmos qual estimador usar. Você
não precisa conhecer a variância de todos os tipos de estimadores possíveis (até
porque são infinitos), mas esta é uma forma importante de avaliarmos o quanto um
estimador é "bom”. Podemos comparar a eficiência de alguns estimadores não
viesados por meio de análise de suas variâncias.
Um ponto importante! Como foi dito, vocês não precisam conhecer as propriedades
de uma infinidade de estimadores, podendo compará-los no caso concreto diante de
vocês. Entretanto, há um estimador importante em termos de prova: o estimador
da média amostrai. Com base neste estimador, vocês vão ver, podemos chegar a
várias conclusões importantes que podem ser estendidas a qualquer distribuição
de probabilidade.
Então, vamos aprofundar nosso estudo sobre o estimador da média amostral. Pode-
se provar que:
,2
Sendo n o tamanho da amostra.
Ou seja, o a variância do estimador da média amostral é dado pela variância

populacional dividida pelo tamanho da amostra.
Se você só tiver a variância amostral, substitua a2 por este valor, essa

estatística é chamada de erro padrão.

Então, você consegue perceber que, conforme a amostra aumenta (n aumenta de

valor), o valor da variância da média amostral tende para zero! Claro, pois, neste
caso, a média amostral irá coincidir com a média populacional.
Bom, a pergunta natural seria: então o estimador Ô é um estimador eficiente?
Não é possível responder isso a não ser se comparamos a variância deste último
com a variância de todos os estimadores não viesados possíveis da média
populacional. Pode-se demonstrar, entretanto, que, quando a variável para a qual
está sendo calculada a média seguir uma distribuição normal, a média amostral é
um estimador eficiente da média populacional.
Porém, se quisermos comparar este estimador com qualquer outro estimador

possível, viesado ou não, podemos fazê-lo por meio do conceito de erro quadrático
médio (EQM). Para o caso do estimador 0, o seu erro quadrático médio seria dado
por:
EQM{0) = Var(Ô) + [E(§) - O]2 = Var(Ô) + [Viés(0)]2
Perceba que o primeiro membro é a variância do estimador e o segundo é a

diferença entre seu valor esperado e o seu valor populacional, que é conhecida
como o valor do viés do estimador (o valor do viés é considerado ao quadrado,
pois o viés pode ser negativo, assim, com este ajuste, seria possível comparar
o viés de estimadores com tendência “para cima” e “para baixo”).
Isso é intuitivo, pois quanto menor o valor combinado da variância e do viés de um

estimador, "mais eficiente ele será”.

1.3 Consistência e distribuição amostrai
Muitas vezes não conseguiremos encontrar estimadores que tenham propriedades

desejáveis, tais como eficiência e inexistência de viés. Porém, muitos deles
apresentam propriedades assintóticas desejáveis.
-“O que é isso”?
Em termos bem simples, trata-se do comportamento do estimador conforme a

amostra tende para o infinito.
Um estimador assintoticamente não viesado é aquele que, conforme a amostra

tende ao infinito, o viés tende a zero. Este tipo de estimador é dito com propriedades
desejáveis em grandes amostras!
Veja, em termos bem simples, conforme a sua amostra aproxima-se do

tamanho da população, o estimador teria o seu viés diminuído até chegar a
zero.
É fácil perceber que o nosso estimador 0 é assintoticamente não viesado, pois ele
não é viesado! Entretanto, a recíproca não é verdadeira, pois há vários estimadores
que são viesados e assintoticamente não viesados. Assim:
lim n^ mE{0 ) = 0
Para quem não é da área de exatas, o que esta simbologia está dizendo é que, no
limite, quando a amostra tende ao infinito (n ^ o ), a esperança da média amostral é
igual à média populacional.
O mesmo raciocínio pode ser estendido para o caso da variância do estimador.

Podemos avaliar como seria o comportamento assintótico da variância de um
estimador, isso é, como se dá sua variância conforme sua amostra cresce.

Estratégia
Cr nONNr iCi U
R «R; Sr >O<S;
Com base neste conceito, define-se um estimador consistente como aquele em

que:
lim n^ mE{Ô ) = d
lim n^ mVarÇê ) = 0
Essa é uma propriedade desejável de um estimador em grandes amostras. Veja, o

estimador da média amostral é consistente, pois:
lim n^ mE{Ô ) = d
Isso é verdade, pois, conforme o tamanho da amostra vai aumentando, a variância

deste estimador tende a zero (o denominador,n, fica com valor muito grande).
O que também é interessante é avaliar como é o comportamento da distribuição

amostral do estimador conforme a amostra aumenta de tamanho.
Um teorema importante que trata sobre o nosso caso concreto da média amostral
define que, dada uma variável X, é possível demonstrar que a sua média amostral,
X, assumirá uma distribuição normal conforme a amostra aumenta. Este é o famoso
Teorema do Limite Central (TLC).
decore!
Teorema do Limite Central: Para uma amostra aleatória

simples (X1,X2, ...Xn), retirada de uma população com média p e
variância o2 finita, a distribuição da média amostral (X)
aproxima-se, para n grande, de uma distribuição normal, com
O"2
média p e variância —. Se a variável X tiver distribuição normal,
X terá distribuição exata normal!

0 que isso está dizendo é que, conforme a amostra aumenta, a distribuição da

média amostral converge para uma distribuição normal! Percebe a importância
disso? A distribuição normal é uma antiga conhecida nossa e nós sabemos muita
coisa sobre ela (já aprendemos algumas em aulas anteriores e iremos aprender
ainda mais em aulas futuras). Isso é muito útil em várias ocasiões, pois como
sabemos do TLC, podemos nos basear nisso para entendermos o comportamento
assintótico da média amostral de qualquer variável!
Bom, chega de um papo tão teórico, vamos estudar alguns estimadores

importantes! O principal é o Estimador de Mínimos Quadrados Ordinários
(MQO), mas ele é tão importante que teremos uma aula inteiramente dedicada
a ele - “Correlação e Regressão”. A estimação por intervalo será dada na aula
de “Intervalo de Confiança e Testes de Hipóteses”. Nesta aula, vamos
conhecer o estimador de Máxima Verossimilhança.
2. Estimador de Máxima Verossimilhança
Este é um assunto muito pouco cobrado em provas, exceto no caso do concurso do

IPEA, que é mais específico. Além disso, é bem difícil! Porém, vai saber, se cair
você estará pronto.
Antes de começarmos, preciso ensinar mais uma coisinha sobre cálculo diferencial.
OBS. Conceito de derivada - ponto extremo
Bom, o porquê de tudo isso é ensinar a vocês como encontrar o ponto máximo ou
mínimo de uma função, isso é, um ponto extremo.1
Como você encontra um ponto extremo de uma função? Simples! Derive a função
(você já aprendeu) e iguale a zero. Por exemplo, suponha a função:
/(x ) = x 2 + x
1 Para quem entende de matemática, saiba que estamos tratando de pontos extremos locais e não
globais. É só uma introdução mesmo.

Neste caso, é fácil chegar à derivada (é só derivar cada membro

separadamente):
d f(x ) = 2x + 1
Agora, é só igualar a zero e resolver em função de x:
1
d f(x ) = 0 ^ 2 x + 1 = 0 ^ x = —2
Assim, este ponto é o extremo local da função, ou seja, um ponto de mínimo ou

máximo. Pode-se provar que se trata de um ponto de mínimo, mas não precisam
se preocupar, pois, na prova de Estatística, o ponto extremo sempre será o
que o enunciado pede. Daqui a pouco vocês vão entender.
Além disso, há outras formas mais complexas de derivada, mas a única

necessária, isso se for necessária, será esta. Chega disso, vamos voltar ao
estimador de máxima verossimilhança!
Retornando.
Gente, o estimador de Máxima Verossimilhança (MLE) é aquele que maximiza a

probabilidade de que os valores obtidos de uma amostra sigam, de fato, uma
determinada distribuição de probabilidade.
Hora de lembrar-se das aulas de Estatística! Lembrem-se das funções densidade de

probabilidade, tais como a distribuição normal, a binomial, etc.
Então, como funciona? Você tem uma amostra de valores obtidos de uma
população que, por hipótese, você conhece a distribuição de probabilidade (ou pelo
menos supõe que seja desta forma). Com base nestas informações, o estimador
MLE irá lhe fornecer os parâmetros desta distribuição de probabilidade que
maximizam a chance de que esta amostra realmente siga esta distribuição!

Estratégia
Cr nONNr iCi U
R «R; Sr >O<S;
Isso é feito pela maximização da função de verossimilhança. Suponha que uma

amostra seja dada por:
Assim, a função de verossimilhança (FV) será dada por:

FV = L(6;X)
Ou seja, a FV busca estimar o valor do parâmetro (ou parâmetros, já que pode ser
mais de um) em função dos valores da amostra. E qual o formato da função L{ ■)? Aí
é que entra o conhecimento que você deve ter da distribuição de probabilidade que
a amostra segue, esta determinará a forma desta função!
Fica difícil visualizar sem um exemplo. Vamos supor que uma amostra X (X =
x1,x2 ...xn) siga uma distribuição normal, com média e variância desconhecidas.
Vamos determinar os estimadores MLE para a média e variância desta amostra.
Olha, a média (^) e a variância (<r2) são os parâmetros que compõem a forma
funcional desta distribuição, dada por:
1
L(p,o2;Xi) =
( 2no2) 2
Como resolver? Primeira coisa, tire o logaritmo da função:
Rearranjando a expressão:
Pronto! Agora é mais fácil resolver.
-"Resolver o que, professor? Não estou entendendo” !

Estratégia
Cr nONNr iCi U
R «R; Sr >O<S;
É assim, lembram-se do conceito de derivada? E de como este instrumento permite

que você encontre um ponto máximo, ou seja, que maximize uma função?
É isso aí! Você tem uma amostra e uma função de distribuição, no nosso
exemplo a Normal. O que nós vamos fazer é, para dados valores de xu vamos
encontrar os valores de média e variância que maximizam a probabilidade que
tal amostra siga esta distribuição! Como se faz isso? Derive em função dos
parâmetros e iguale o resultado a zero! Não se preocupe, você não precisa
saber se o ponto é de máximo ou mínimo, a banca fará a questão de forma a
sempre ser um ponto extremo de máximo local!
Esta derivação é um pouco mais complicada, pois exige um conhecimento de

derivada maior do que o já ensinado. Porém, isso não será cobrado, portanto, não
mostrado! Mas, pode-se demonstrar que, ao maximizar a função nos parâmetros
média e variância, encontraremos:
IXi
O conceito de média amostral Ou seja, o estimador da média de uma distribuição

normal é a própria média amostral.
E a variância?
Opa! Mas, este não é o estimador de variância amostral já conhecido por vocês da
aula de Estatística. O denominador deve ser n - 1, caso contrário o mesmo será
viesado! Portanto, o estimador MLE para a variância é viesado!
Viram? O estimador MLE nem sempre é não viesado! Mas, o mesmo tem
propriedades úteis, como:

Estratégia
Cr nONNr iCi U
R «R; Sr >O<S;
1) É consistente
2) Sua distribuição converge para a normal conforme a amostra tende ao
infinito (assintoticamente normal)
3) O estimador tende a ser eficiente conforme a amostra tende ao infinito
(assintoticamente eficiente)
-"Professor, mas porque você ensinou os conceitos básicos de derivada se não é

tão simples aplicá-los no caso do exemplo que você mostrou?
Boa! Pelo seguinte, vai saber o que dá na cabeça da banca! É praticamente

impossível que eles peçam que vocês derivem uma função normal convencional.
Mas, de repente, eles já te dão uma versão simplificada, que permite o cálculo dos
parâmetros maximizadores da função de forma simples. Foi só para prevenir
mesmo. Não precisa se preocupar muito com isso!
Só para finalizarmos, como seria o estimador MLE para a probabilidade de sucesso

de um evento em uma distribuição binomial.
Lembram-se da distribuição binomial? É aquela em que há dois eventos possíveis,

um considerado "sucesso”, com probabilidade p , e outro, mutuamente exclusivo,
considerado "fracasso”, com probabilidade 1 - p .
Então suponha que em uma amostra com n elementos, x apresentam o atributo

sucesso. Você consegue adivinhar qual o estimador MLE para p ?
Ou seja, é a própria proporção deste elemento na amostra como um todo, tal como
no caso da média!
Simples não? É claro que não! Esta aula é muito complexa. Faça um favor a
você, releia o conteúdo mais de uma vez! Vamos aos exercícios.

Exercício 1
(ATRFB - 2013/ESAF) A variância da amostra formada pelos valores 2, 3, 1, 4,

5 e 3 é igual a
a) 3.
b) 2.
c) 1.
d) 4.
e) 5.
Resolução
Ora, veja que o exercício fala em amostra! Portanto, nosso estimador é:
, 2(Xj - x )2
Vari ancia = S =
n -1
A média do processo é de:
2+3+1+4+5+3 18
M édia = 3
6 ~6~
plicando:
( 2 - 3) 2 + (3 - 3) 2 + ( 1 - 3) 2 + (4 - 3) 2 + (5 - 3) 2 + (3 - 3) 2 _ 10
= 2
5 ~~s
Alternativa (b).

Estratégia
Cr nONNr iCi U
R «R; Sr >O<S;
Exercício 2
(PETROBRÁS - 2010/CESGRANRIO) Em um conjunto de N elementos

extraídos de uma população, foi utilizada o seguinte estimador para avaliar a
dispersão:
S=
Onde x é a média aritmética dos dados. Qual o significado desta expressão?
a) Desvio padrão não tendencioso da população

b) Estimativa não tendenciosa do desvio padrão populacional
c) Estimativa tendenciosa do desvio padrão populacional
d) Estimativa tendenciosa da variância populacional
e) Estimativa não tendenciosa da variância populacional
Resolução
Ora pessoal, esta fórmula é um estimador tendencioso do desvio padrão

populacional, tal como vimos na aula.
Alternativa (c).

Estratégia
Cr nONNr iCi U
R «R; Sr >O<S;
Exercício 3
(CGU - 2008/ESAF) Qual o estimador de máxima verossimilhança da variância

de uma variável X normalmente distribuída obtido a partir de uma amostra
aleatória simples X1, 2, ...,Xn, desta variável, sendo m = Zi Xi / n o estimador de
máxima verossimilhança da média?
a) Ei (Xi - m)2 /(n-1)

b) li (Xi - m)2 /(n-2)
c) [ li (Xi - m)2 /(n-1)] 0,5
d) li (Xi - m)2 . li (Xi - m)2
e) li (Xi - m)2 /n
Resolução
Nós já estudamos isso, o estimador de Máxima Verossimilhança para a variância é

o valor viesado da variância:
S=
Alternativa (e).
(SEFAZ\RJ - FGV/2010 - alterada) Com base em uma variável (X) que segue
uma distribuição normal de média 15 e desvio padrão (o-) 2, com uma amostra
de 36 elementos, julgue as afirmativas.
Exercício 4
Dado que X é normal, sua média aritmética também é.

Resolução
Quando uma variável tem distribuição normal, sua média aritmética tem distribuição
exata normal. Alternativa correta.
Exercício 5
A média amostrai é um estimador tendencioso da média populacional.
Resolução
Errada. A média amostral, conforme nós vimo, é um estimador não tendencioso da

média populacional.
Exercício 6
A média aritmética de X tem desvio padrão de 1/3.
Resolução
Nós já conhecemos o estimador não tendencioso para a variância da média

amostral, que é dado por:
Variância =
n
Portanto:
a
Desvio Padrão =
yn

Estratégia
Cr nONNr iCi U
R «R; Sr >O<S;
o
a 2 2 1
Desvio Padrão =
Vn V36" 6 3
Exercício 7
(PETROBRAS - 2010/CESGRANRIO) Quando se lança uma certa moeda, a

probabilidade de o resultado ser cara é p. A moeda foi lançada dez vezes,
sucessivas e independentes, e o resultado foi de 2 caras e 8 coroas. Tendo
em vista este experimento, a estimativa de máxima verossimilhança de p é:
a)0,2
b0,25
c) 0,3
d) 0,35
e) 0,4
Resolução
A proporção amostrai é um estimador de verossimilhança da proporção

populacional, assim:
Alternativa (a).

Exercício 8
(CGU - 2008/ESAF) Seja T um estimador do parâmetro 0 de uma população.

Se E(T) = 0, diz-se que T é um estimador:
a) Eficiente
b) Não viesado
c) Consistente
d) De Mínimos Quadrados
e) De Máxima Verossimilhança
Resolução
Outra questão tranquila, se o estimador acerta na média, ele é não viesado.
Alternativa (b).
(ANPEC - 2010) Julgue as afirmativas.
Exercício 9
Considere dois estimadores não tendenciosos, 0Xe 02 de um parâmetro 0, 0X

é dito eficiente relativamente a 02 se VarÇO-t) < Var(02)
Resolução
Alternativa correta, pois, dado que ambos são não tendenciosos, o que tiver menor
variância será "mais eficiente”.

Exercício 10
Um estimador 0X é um estimador consistente de 0 se 0X converge para 0

conforme a amostra tende ao infinito.
Resolução
Perfeito! Esta é a própria definição de estimador consistente.
Exercício 11
Um estimador 0Xé um estimador consistente de 0 se, e somente se, 0Xfor não

viesado.
Resolução
Como nós vimos na aula, um estimador não viesado é consistente, mas a recíproca
não é verdadeira.
Alternativa falsa.

Exercício 12
(CEB - 2009/UNIVERSA) Para saber as condições dos animais de uma

fazenda, será realizada uma pesquisa por amostragem estratificada, a partir de
uma amostra de 15 animais. A tabela seguinte apresenta o efetivo de animais
desta fazenda:
Animal Efetivo
Asininos 80
Bovinos 300
Caprinos 120
Equinos 150
Suínos 250
A quantidade de bovinos e suínos a serem utilizados na pesquisa são:

a) 5
b) 6
c) 7
d) 8
e) 9
Resolução
A questão não disse se trata-se de ni ma amostragem proporcional ou uniforme.

Quando for assim, use proporcional!
Do total de 900 animais, 550 são bovinos ou suínos, portanto:
550 _ 11
900 _ 18
Assim, aplicando tal proporcionalidade aos 15 animais da pesquisa:

11
T 5 x l s = 9. i
Aproximadamente 9.
Alternativa (e).
Exercício 13
(TRT 3ã região - 2009/FCC) O objetivo de uma pesquisa era o de se obter,

relativamente aos moradores de um bairro, informações sobre duas variáveis:
nível educacional e renda familiar. Para cumprir tal objetivo, todos os
moradores foram entrevistados e arguídos quanto ao nível educacional, e,
dentre todos os domicílios do bairro, foram selecionados aleatoriamente 300
moradores para informar a renda familiar. As abordagens utilizadas para as
variáveis nível educacional e renda familiar foram, respectivamente,
a) censo e amostragem por conglomerados.
b) amostragem aleatória e amostragem sistemática.
c) censo e amostragem aleatória simples.
d) amostragem estratificada e amostragem sistemática.
e) amostragem sistemática e amostragem em dois estágios.
Resolução
Questão puramente teórica. Na primeira foram entrevistados todos os moradores do

bairro, portanto é um Censo. No segundo caso, foram escolhidos tais indivíduos de
forma aleatória, portanto é uma AAS.
Alternativa (c).

(SEDUC-AM - 2011\CESPE)
Turma Média Aritmética Variância Amostral

A 7,2 4
B 6,8 3,6
Um estudo foi realizado em determinada escola para se avaliar o efeito, no

desempenho dos estudantes, do uso de computadores em sala de aula. Para
esse estudo, foram selecionados aleatoriamente 60 alunos de determinado
ano escolar, separando-os em duas turmas A e B, cada uma com 30 alunos.
Ao longo de um semestre letivo, um método de ensino com auxílio de
computadores foi aplicado na turma A, enquanto, nesse mesmo período, outro
método sem auxílio de computadores foi aplicado na turma B. Ao final desse
semestre, o mesmo teste foi aplicado para os 60 alunos participantes desse
estudo. O quadro acima mostra algumas estatísticas acerca das notas obtidas
pelos alunos de ambas as turmas.
Considerando essas informações, acerca de probabilidade, inferência e

amostragem, julgue os itens a seguir.
Exercício 14
A variância amostral das notas da turma B utilizou um denominador igual a 29.
Resolução
Alternativa correta. Pois, o número de elementos de cada uma das turmas é de 30

alunos, assim, o denominador da variância amostral ( n - 1) é igual à 29.

Exercício 15
Considerando que as notas da turma A estão ordenadas da menor nota para a

maior nota, então a mediana dessas notas ocupa a 15.ã posição nesse rol de
dados ordenados.
Resolução
Alternativa errada. Como há um número par de elementos em cada uma das turmas
(30 alunos), a mediana será uma média aritmética entre a 15â e 16â nota.
Exercício 16
Os alunos da turma B apresentaram desempenho mais homogêneo que os

alunos da turma A, pois a variância amostrai da turma B foi inferior a 4,0.
Resolução
Alternativa errada. Tal como vimos na aula 01, nestes casos é útil usarmos o
conceito de coeficiente de variação, pois a variância é afetada pelos valores
absolutos dos dados analisados. Com base no coeficiente de variação aí sim
poderiamos usar o valor do desvio padrão para afirmar que uma turma tem notas
mais homogêneas do que a outra.
Exercício 17
O erro padrão da média das notas dos alunos da turma A foi superior a 0,40.
Resolução
Bom pessoal, vocês conhecem o estimador do desvio padrão da média amostral (s):

Estratégia
Cr nONNr iCi U
R «R; Sr >O<S;
Quando você ouvir “erro padrão”, pense em desvio padrão. A diferença é que
erro padrão” é o caso no qual não temos o valor do desvio padrão
populacional, assim, usamos o desvio padrão amostrai. Assim:
V4 2
Alternativa errada.
INDO
^Jrrnais fundo „ . x .
Bom, vamos pegar mais pesado? Vamos estudar um
pouquinho como se acha a esperança de um determinado estimador, pois aí
poderemos provar se um determinado é ou não viesado. Isso não costuma
cair em provas que não são mais específicas, mas vale a pena saber por cima.
Acompanhem a questão seguinte comigo.
(ANPEC - 2003) Julgue as afirmativas
Exercício 18
A média aritmética é um estimador viesado da média populacional.
Resolução
Bom, para provarmos isso precisamos conhecer a seguinte propriedade:
Esperança da soma = soma das esperanças
Então, vamos ver a nossa fórmula de média aritmética amostral para estimarmos
uma média populacional (^):

Estratégia
Cr nONNr iCi U
R «R; Sr >O<S;
X i + X2 + ■ " + Xn
M édia = X =
Vamos tirar a esperança desta fórmula:
X1 + X2 + ■" + Xn
O valor n é constante, portanto sua esperança é igual ao seu próprio valor. Portanto,
vamos tirá-lo do parêntese e aplicar nossa propriedade:
1 1
x= E(X1 + X 2 + - + Xn) = [E(X1) + E ( X 2) + - + E(Xn)]
n n
Qual é a esperança de cada observação Xt ? Ora, é a própria média do processo!

Assim:
1 np
X = + ------= p
Ou seja, a média amostrai é um estimador não viesado da média populacional.

Alternativa errada.
Exercício 19
Um estimador é dito não tendencioso se a sua variância é igual à variância do

parâmetro estimado.
Resolução
Alternativa errada. Um estimador é dito não tendencioso, que é a mesma coisa que
"não viesado”, se sua média for igual ao parâmetro populacional.

Exercício 20
Um estimador consistente pode não ser eficiente.
Resolução
Alternativa verdadeira. Pois, este pode não apresentar a menor variância possível
na classe de estimadores que está sendo comparado.
Exercício 21
(TRT 12ã - 2013\FCC-alterada) Julgue a afirmativa:
“Na amostragem por conglomerados, a população é dividida em grupos

distintos, mutuamente exclusivos, denominados conglomerados. Usa-se a
amostragem aleatória simples para selecionar uma amostra de
conglomerados e depois todos os elementos dos conglomerados
selecionados são analisados.”
Resolução
Alternativa correta. Na amostragem por conglomerados, aplicamos a AAS para

escolher os subgrupos e depois analisamos cada elemento do subgrupo escolhido.

(TRT 2- - 2013\FCC-alterada) Julgue a afirmativa.
Exercício 22
Se as unidades de estudo formam grupos naturais, a amostragem por

conglomerados pode ser considerada, o que envolve selecionar uma amostra
aleatória de grupos ou conglomerados e depois selecionar, de cada grupo,
uma amostra aleatória simples.
Resolução
Alternativa errada. A ordem está invertida. No caso da amostragem por

conglomerados, primeiro aplica-se a AAS para os subgrupos e depois são
investigados todos os elementos de cada um.
Exercício 23
Quando a amostragem estratificada é usada, a média da população é estimada

como a média ponderada das médias das amostras específicas dos estratos.
Resolução
Correto. Dado que cada estrato escolhido é uma parte da amostra total, a média da
população deve ser calculada de forma a ser uma média ponderada, levando-se em
conta o "tamanho” de cada parcela desta amostra. Porém, caso a amostragem
seja uniforme, uma média aritmética simples funciona, dado que todas tem o
mesmo tamanho.

Exercício 24
(MTUR - ESAF\2014) Com relação à amostragem, pode-se afirmar que:

a) na amostragem por quotas, tem-se uma amostra não probabilística na qual
divide-se a população em subgrupos e determina-se uma quota (proporcional)
a cada subgrupo. A seleção dos objetos individuais obedece o critério de uma
amostra sistemática.
b) na amostragem estratificada, divide-se a população em grupos (ou classes,
ou estratos), de modo que os elementos pertencentes ao mesmo estrato
sejam o mais heterogêneos possível com respeito à característica em estudo.
Para cada grupo toma-se uma subamostra pelo procedimento a.a.s., e a
amostra global é o resultado da combinação das subamostras de todos os
estratos.
c) na amostragem por conglomerados, seleciona-se primeiro, ao acaso,
grupos (conglomerados) de elementos individuais da população. A seguir,
toma-se ou todos os elementos ou uma subamostra de cada conglomerado.
Nos conglomerados, as diferenças entre eles devem ser tão grandes quanto
possível, enquanto as diferenças dentro devem ser tão pequenas quanto
possível.
d) na amostragem por quotas, tem-se uma amostra probabilística na qual
a cada subgrupo. A seleção dos objetos individuais é por sorteio.
e) na amostragem sistemática, toma-se cada k-ésima unidade da população
previamente ordenada, em que k é a razão de amostragem. O procedimento
deve começar ao acaso, sorteando-se um número entre 1 e k.
Resolução
Vamos avaliar uma por uma:

a) Realmente é uma amostra não probabilística e que determina-se uma quota

proporcional a cada subgrupo da população. Mas, a seleção não é feita com basem
em amostragem sistemática, método que é probabilístico.
b) Os estratos devem ser dividos de forma que sejam o mais homogêneos possível,
isso permite inferir o que queremos saber de cada uma desta divisões.
c) Ao escolher um conglomerado, todos os elementos dentro dele devem ser
observados.
d) A amostragem por quotas não é probabilística.
e) Definição correta.
Alternativa (e).

Estratégia
Cr nONNr iCi U
R «R; Sr >O<S;
Exercício 1
(ATRFB - 2013/ESAF) A variância da amostra formada pelos valores 2, 3, 1, 4,

5 e 3 é igual a
a) 3.
b) 2.
c) 1.
d) 4.
e) 5.
Exercício 2
(PETROBRÁS - 2010/CESGRANRIO) Em um conjunto de N elementos

extraídos de uma população, foi utilizada o seguinte estimador para avaliar a
dispersão:
S=
Onde x é a média aritmética dos dados. Qual o significado desta expressão?
a) Desvio padrão não tendencioso da população

b) Estimativa não tendenciosa do desvio padrão populacional
c) Estimativa tendenciosa do desvio padrão populacional
d) Estimativa tendenciosa da variância populacional
e) Estimativa não tendenciosa da variância populacional

Exercício 3
(CGU - 2008/ESAF) Qual o estimador de máxima verossimilhança da variância

de uma variável X normalmente distribuída obtido a partir de uma amostra
aleatória simples X1, 2, ...,Xn, desta variável, sendo m = Zi Xi / n o estimador de
máxima verossimilhança da média?
a) Ei (Xi - m)2 /(n-1)

b) li (Xi - m)2 /(n-2)
c) [ li (Xi - m)2 /(n-1)] 0,5
d) li (Xi - m)2 . li (Xi - m)2
e) li (Xi - m)2 /n
(SEFAZ\RJ - FGV/2010 - alterada) Com base em uma variável (X) que segue
uma distribuição normal de média 15 e desvio padrão (o-) 2, com uma amostra
de 36 elementos, julgue as afirmativas.
Exercício 4
Dado que X é normal, sua média aritmética também é.
Exercício 5
A média amostral é um estimador tendencioso da média populacional.
Exercício 6
A média aritmética de X tem desvio padrão de 1/3.

Exercício 7
(PETROBRAS - 2010/CESGRANRIO) Quando se lança uma certa moeda, a

probabilidade de o resultado ser cara é p. A moeda foi lançada dez vezes,
sucessivas e independentes, e o resultado foi de 2 caras e 8 coroas. Tendo
em vista este experimento, a estimativa de máxima verossimilhança de p é:
a)0,2
b0,25
c) 0,3
d) 0,35
e) 0,4
Exercício 8
(CGU - 2008/ESAF) Seja T um estimador do parâmetro 0 de uma população.

Se E(T) = 0, diz-se que T é um estimador:
a) Eficiente
b) Não viesado
c) Consistente
d) De Mínimos Quadrados
e) De Máxima Verossimilhança
Exercício 9
Considere dois estimadores não tendenciosos, 0Xe 02 de um parâmetro 0, 0X

é dito eficiente relativamente a 02 se VarÇO-t) < Var(02)

Exercício 10
Um estimador 0X é um estimador consistente de 0 se 0X converge para 0

conforme a amostra tende ao infinito.
Exercício 11
Um estimador 0Xé um estimador consistente de 0 se, e somente se, 0Xfor não

viesado.
Exercício 12
(CEB - 2009/UNIVERSA) Para saber as condições dos animais de uma

fazenda, será realizada uma pesquisa por amostragem estratificada, a partir de
uma amostra de 15 animais. A tabela seguinte apresenta o efetivo de animais
desta fazenda:
Animal Efetivo
Asininos 80
Bovinos 300
Caprinos 120
Equinos 150
Suínos 250
A quantidade de bovinos e suínos a serem utilizados na pesquisa são:

a) 5
b) 6
c) 7
d) 8
e) 9

Exercício 13
(TRT 3ã região - 2009/FCC) O objetivo de uma pesquisa era o de se obter,

relativamente aos moradores de um bairro, informações sobre duas variáveis:
nível educacional e renda familiar. Para cumprir tal objetivo, todos os
moradores foram entrevistados e arguídos quanto ao nível educacional, e,
dentre todos os domicílios do bairro, foram selecionados aleatoriamente 300
moradores para informar a renda familiar. As abordagens utilizadas para as
variáveis nível educacional e renda familiar foram, respectivamente,
a) censo e amostragem por conglomerados.
b) amostragem aleatória e amostragem sistemática.
c) censo e amostragem aleatória simples.
d) amostragem estratificada e amostragem sistemática.
e) amostragem sistemática e amostragem em dois estágios.
(SEDUC-AM - 2011\CESPE)
Turma Média Aritmética Variância Amostral

A 7,2 4
B 6,8 3,6
Um estudo foi realizado em determinada escola para se avaliar o efeito, no

desempenho dos estudantes, do uso de computadores em sala de aula. Para
esse estudo, foram selecionados aleatoriamente 60 alunos de determinado
ano escolar, separando-os em duas turmas A e B, cada uma com 30 alunos.
Ao longo de um semestre letivo, um método de ensino com auxílio de
computadores foi aplicado na turma A, enquanto, nesse mesmo período, outro
método sem auxílio de computadores foi aplicado na turma B. Ao final desse
semestre, o mesmo teste foi aplicado para os 60 alunos participantes desse

estudo. O quadro acima mostra algumas estatísticas acerca das notas obtidas
pelos alunos de ambas as turmas.
Considerando essas informações, acerca de probabilidade, inferência e

amostragem, julgue os itens a seguir.
Exercício 14
A variância amostral das notas da turma B utilizou um denominador igual a 29.
Exercício 15
Considerando que as notas da turma A estão ordenadas da menor nota para a

maior nota, então a mediana dessas notas ocupa a 15.ã posição nesse rol de
dados ordenados.
Exercício 16
Os alunos da turma B apresentaram desempenho mais homogêneo que os

alunos da turma A, pois a variância amostral da turma B foi inferior a 4,0.
Exercício 17
O erro padrão da média das notas dos alunos da turma A foi superior a 0,40.

Bom, vamos pegar mais pesado? Vamos estudar um

pouquinho como se acha a esperança de um determinado estimador, pois aí
poderemos provar se um determinado é ou não viesado. Isso não costuma
cair em provas que não são mais específicas, mas vale a pena saber por cima.
Acompanhem a questão seguinte comigo.
(ANPEC - 2003) Julgue as afirmativas
Exercício 18
A média aritmética é um estimador viesado da média populacional.
Exercício 19
Um estimador é dito não tendencioso se a sua variância é igual à variância do

parâmetro estimado.
Exercício 20
Um estimador consistente pode não ser eficiente.
Exercício 21
(TRT 12ã - 2013\FCC-alterada) Julgue a afirmativa:
“Na amostragem por conglomerados, a população é dividida em grupos

distintos, mutuamente exclusivos, denominados conglomerados. Usa-se a
amostragem aleatória simples para selecionar uma amostra de
conglomerados e depois todos os elementos dos conglomerados
selecionados são analisados.”

(TRT 2- - 2013\FCC-alterada) Julgue as afirmativas.
Exercício 22
Se as unidades de estudo formam grupos naturais, a amostragem por

conglomerados pode ser considerada, o que envolve selecionar uma amostra
aleatória de grupos ou conglomerados e depois selecionar, de cada grupo,
uma amostra aleatória simples.
Exercício 23
Quando a amostragem estratificada é usada, a média da população é estimada

como a média ponderada das médias das amostras específicas dos estratos.
Exercício 24
(MTUR - ESAF\2014) Com relação à amostragem, pode-se afirmar que:

a) na amostragem por quotas, tem-se uma amostra não probabilística na qual
a cada subgrupo. A seleção dos objetos individuais obedece o critério de uma
amostra sistemática.
b) na amostragem estratificada, divide-se a população em grupos (ou classes,
ou estratos), de modo que os elementos pertencentes ao mesmo estrato
sejam o mais heterogêneos possível com respeito à característica em estudo.
Para cada grupo toma-se uma subamostra pelo procedimento a.a.s., e a
amostra global é o resultado da combinação das subamostras de todos os
estratos.
c) na amostragem por conglomerados, seleciona-se primeiro, ao acaso,
grupos (conglomerados) de elementos individuais da população. A seguir,
toma-se ou todos os elementos ou uma subamostra de cada conglomerado.

Nos conglomerados, as diferenças entre eles devem ser tão grandes quanto
possível, enquanto as diferenças dentro devem ser tão pequenas quanto
possível.
d) na amostragem por quotas, tem-se uma amostra probabilística na qual
a cada subgrupo. A seleção dos objetos individuais é por sorteio.
e) na amostragem sistemática, toma-se cada k-ésima unidade da população
previamente ordenada, em que k é a razão de amostragem. O procedimento
deve começar ao acaso, sorteando-se um número entre 1 e k.

Estratégia
Cr nONNr iCi U
R «R; Sr >O<S;
Gabarito
1- b
2- c
3- e
4- V
5- F
6- V
7- a
8- b
9- V
10- V
11 -F
12- e
13- c
14- V
15- F
16- F
17- F
18- F
19- F
20- V
21- V
22- F
23- V
24- e
É isso aí pessoal! Mandem dúvidas.
Um abraço e bons estudos
jeronymo@estra tegiaconcursos. com.br

AULA 08 - Intervalo de Confiança e Teste de Hipóteses
SUMÁRIO PÁGINA
Testes de Hipóteses e Intervalo de Confiança 1
Teste para a variância 33
Poder de um teste e o p-valor 37
Teste para proporções 41
Gabarito 71
Mais uma etapa que vocês devem enfrentar se quiserem trabalhar na Receita
Federal: testes de hipóteses. Última vez, força na peruca!
1. Testes de Hipóteses e Intervalo de Confiança
1.1 Testando a média - distribuição normal
Suponha que uma pessoa tenha visto sua pesquisa sobre a altura média das
pessoas que vivem em um determinado território e faça a seguinte afirmação:
-"A média de altura dos indivíduos que vivem naquela região é de 1,70m”!
Há como testar se a sua amostra dá Euporte a essa afirmação? Sim, por meio do
teste de hipótese!
A forma de testar quais valores seriam condizentes com a nossa amostra exige
conhecimento da distribuição de probabilidades de nossa amostra!
Para que você entenda, pense em um gráfico que represente a distribuição de

frequências de nossa variável. No caso, vamos supor que se trata de uma variável
contínua, o que faz sentido, já que devem existir infinitas alturas de indivíduos em
uma sociedade muito grande.

“ Variável, professor, mas não estamos tratando da média calculada para

nossa amostra” ?
Veja, o parâmetro "média populacional” não é uma variável,

pois seu valor é o mesmo para todos os experimentos possíveis em que possamos
calculá-lo, haja vista em todos estes o tamanho da amostra é igual à própria
população. Isso não é verdade no caso da média amostral! A média será calculada
para as mais diversas amostras que podem ser retiradas da população, ou seja,
este estimador é uma variável!
Assim, é muito provável que a nossa distribuição da variável "média de altura” seja
algo semelhante à:
Veja, esse tipo de distribuição de frequências é o mais comum (formato de sino),

pois muitos fenômenos são assim:
• Valores extremos com menor probabilidade de ocorrência;

• Valores mediano e médio (e/ou próximos a estes) com grande chance de
ocorrência.
No nosso exemplo, é de se esperar que alturas comuns no povo brasileiro (como o

intervalo que vai de 1,70m a 1,80m) sejam valores em torno dos quais a maior parte
das médias calculadas irá orbitar. Por outro lado, podem ocorrer valores extremos,
como uma altura média de 1,95, entretanto a probabilidade (frequência em que
ocorre) de sua ocorrência será pequena!

Esta distribuição com formato de sino é muito comum e é chamada de distribuição

normal ou distribuição gaussiana, como já estudamos na aula 01.
Se nós conhecermos bem essa nossa distribuição, podemos determinar valores

limites (pouco prováveis) e assim aceitar ou refutar hipóteses que são feitas sobre
nossa amostra! Perceba que a afirmação feita no início desta seção, provavelmente
pode ser verdadeira, se a nossa distribuição seguir uma distribuição normal.
No nosso caso, podemos dizer com toda certeza que, se a nossa amostra for
suficientemente grande, a variável em estudo tem distribuição normal, isso é feito
com base no Teorema do Limite Central.
Em termos bem sim ples, o Teorema do Limite Central (TLC) afirma que,
para uma dada variável X, com média p e desvio padrão o 2, sua respectiva
média amostral (X) convergirá para uma distribuição normal, com média p
2
e variância —,
n conforme a amostra tende para o infinito, sendo n o tamanho
da amostra.
Cuidado! Quando estivermos analisando médias, devemos dividir a

nossa estatística de desvio padrão populacional pelo tamanho da
amostra!
Entendeu o que isso quer dizer? Para qualquer variável (desde que suas
observações sejam independentes), podemos afirmar que a distribuição de sua
média amostral será gaussiana para amostras suficientemente grandes. Esse
teorema é incrivelmente poderoso, pois podemos nos basear nele para garantir que
a nossa avaliação de médias baseie-se na distribuição normal, que é fácil de ser
analisada.
-“ Por que é fácil analisar uma variável que tenha distribuição normal” ?

Pelo seguinte meu querido aluno, nós podemos padronizar qualquer variável com
distribuição normal de forma que sua média seja sempre igual à zero e seu desvio
padrão igual à 1 por meio da seguinte operação:
X -p
z=
o
No caso da média amostral, sabemos que:
X -p
z=
Sendo a variável (z) uma padronização da nossa média amostral (X) por meio da
diminuição da mesma de sua média e divisão pelo seu respectivo desvio padrão.
Essa operação garante que a variável (z) terá uma distribuição normal com média
igual a zero e variância igual a 1.
-“ Tudo bem professor, mas por que fazer tudo isso” ?
Calma, você vai entender agora! A questão é que a normal padrão, que é obtida
pela transformação de uma variável em seu respectivo valor (z), tem uma
“ tabelinha mágica” que nos diz a probabilidade de que o valor encontrado (z
calculado) esteja entre 0 (zero) e um p eterminado valor a ser especificado!
Perceba que o estudo que se segue não se aplica somente a

médias, mas também a qualquer variável que possua distribuição normal e que,
portanto, pode ser padronizada. Só atenção ao caso das médias, pois você precisa
dividir a estatística do desvio padrão por Vn na hora de padronizar a variável.

Estratégia Estatística p/ AFRFB
C O N C U R S O S ^
Vamos a um exercício para vocês entenderem. Não tentem resolver sozinhos,
acompanhem a minha resolução e depois tentem sozinhos!
Exercício 1
(Elaborado pelo autor) Suponha que a seguinte amostra de alturas tenha sido
retirada da população:
Dado que a altura média da população é de 1,70m e sabendo que o desvio

padrão populacional é de 0,1, qual a probabilidade de encontrarmos um valor
para a média amostral que se situe entre 1,70m e o valor encontrado para esta
amostra?
Resolução
O que temos de fazer aqui é bem simples. Vamos calcular o valor (z) para o nosso
exemplo. Para isso precisamos encontrar os valores da média com base em nossa
amostra. Calcule a média que você vai chegar a:
X = Média = 1, 762
Agora, temos de encontrar o valor (z) com vistas a definir a probabilidade de que
esta média calculada esteja no intervalo definido pela normal padrão (pois, pelo
TLC, sabemos que a média amostral converge em distribuição para uma
gaussiana). Assim, fica fácil, pois basta substituir na "fórmula” de padronização:

X -p
z=
Portanto:
1,762 - 1,70
(O .)
W 1Õ/
Agora faça assim, olhe a tabela de distribuição normal:

Distribuição pormal — valores de P(0 ^ Z ^ £0)
*0 0 i 2 3 4 5 6 7 8 9
0,0 0,0000 0.0040 0,0080 0,0120 0,0160 0,0! 99 0,0239 0,0279 0,0319 0,0359
0,1 0,0398 0,0438 0,0478 0,0517 0,0557 0,0596 0,0636 0,0675 0,07)4 0,0753
0.2 0,0793 0,0832 0,0871 0,0910 0,0948 0,0987 0,1026 0,1064 0,1103 0,1141
0,3 0,1179 0,1217 0,1255 0,1293 0,1331 0,1368 0,1406 0,1443 0,1480 0,1517
0,4 0,1554 0.159I 0,1628 0,1664 0,1700 0,1736 0,1772 0,1808 0,1844 0,1879
0,5 0* 1915 0,1950 0,1985 0,2019 0,2054 0,2088 0,2123 0,2157 0,2190 0,2224
0,6 0,2257 0,2291 0,2324 0,2357 0,2389 0,2422 0,2454 0,2486 0,2517 0,2549
0.7 0.2500 0,2611 0,2642 0,2673 0,2703 0,2734 0,2764 0,2794 0,2823 0,2852
0,8 0.21581 0,2910 0,2939 0,2967 0,2995 0,3023 0,3051 0,3078 0,3106 0,3133
0,9 0,3159 0,3186 0,3212 0,3338 0,3264 0,3289 0,3315 0,3340 0,3365 0,3389
1,0 0,3413 0,3438 0,3461 0,3485 0,3508 0,3531 0,3554 0,3577 0,3599 0,3621
1.1 0.3643 0,3665 0,3686 0,3708 0,3729 0,3749 0,3770 0,3790 0,3810 0,3830
1,2 0,3849 0,3869 0,3388 0,3907 0,3925 0,3944 0,3962 0,3980 0,3997' 0,4015
1,3 0,4032 0,4049 0,4066 0,4082 0,4099 0,4115 0,4131 0,4147 0,4162 0,4177
1,4 0,4192 0,4207 0,4222 0,4236 0,4251 0,4265 0,4279 0,4292 0,4306 0,4319
1,5 0.4332 0,4345 0,4357 0,4370 0,4382 0,4394 0,4406 0,4418 0,4429 0,4441
1,6 0,4452 0,4463 0,4474 0,4484 0,4495 0,4505 0,4515 0,4525 0,4535 0,4545
1,7 0,4554 0,4564 0,4573 0,4582 0,4591 0,4599 0,4608 0,4616 0,4625 0,4633
1,8 0,4641 0,4649 0,4656 0,4664 0,4671 0,4678 0,4686 0.4693 0,4699 0,4706
1,9 0,4713 0,4719 0,4726 0,4732 0,4738 0,4744 0,4750 0,4756 0,4761 0.4767
2,0 0,4772 0,4778 0,4783 0,4788 0,4793 0,4798 0,4803 0,4808 0,4812 0,4817
2,1 0,4821 0,4826 0,4830 0,4834 0,4838 0,4842 0,4846 0,4850 0,4854 0,4857
2,2 0.4861 0,4864 0,4868 0,4871 0,4875 0,4878 0,4881 0,4884 0,4887 0,4890
2,3 0.4893 0,4896 0,4898 0,4901 0,4904 0,4906 0,4909 0,4911 0,4913 0,4916
2,4 0,49)6 0,4920 0.4922 0,4925 0,4927 0,4929 0,4931 0,4932 0,4934 0,4936
2.5 0.4938 0,4940 0,4941 0,4943 0,4945 0,4946 0,4948 0,4949 0,4951 0,4952
2,6 0.4953 0,4955 0,4956 0,4957 0,4959 0.4960 0,4961 0,4962 0,4963 0,4964
2,7 (i,4%5 0,4966 0,4967 0,4968 0,4969 0,4970 0,4971 0,4972 0,4973 0,4974
2,8 0,4974 0,4975 0,4967 0,1977 0,4977 0,4978. 0,4979 0,4979 0,4980 0,4981
2.9 0,1981 0,4982 0,4982 0,4983 0,4984 0,4984 0,4985 0,4985 0,4986 0,4986
3,0 0.49B7 0,4987 0.4987 0,4988 0;4988 0,4989 0,4989 0,4989 0,4990 0,4990
3,1 0,4990 0,4991 0,4991 0,4991 0,4992 0,4992 0,4992 0,4992 0,4993 0,4993
3.2 0,1993 0,4993 0,4994 0,4994 0,4994 0,4994 0,4994 0,4995 0,4995 0,4995
3,3 0.4995 0,4995 0,4995 0,4996 0,4996 0,4996 0,4996 0,4996 0.4996 0,4997
3,4 0,4997 0,4997 0,4997 0,4997 0,4997 0.4997 0,4997 0,4997 0,4997 0,4998
3,5 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998
3,6 0,4998 0,4998 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999
3,7 0,4999 0,4999 0,4999 0,4999 0,4909 0,4999 0,4999 0,4999 0,4999 0,4999
3,8 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999
3,9 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000
ATENÇAO! ESSE MATERIAL PERTENCE AO SITE: WWW.MATERIALPARACONCURSOS.COM

O processo de utilizar a tabela é assim: veja qual o valor correspondente dentro da
tabela de um z = x,xx. Olhe a linha correspondente aos dois primeiros dígitos de z
e o terceiro você vai encontrar na coluna lá em cima. Por exemplo, encontramos um
valor z = 1,96, portanto:
Dnlribuiçlo jiormal — vaiqrçs ctc P<Q ^ Z ^
ÍB 0 < 2 3 4 3 * 7 H 9
0.0 0,0000 0,00+0 c.o m 0,0 )2 0 0,0160 0 ,0 í 99 0.0239 0,02)9 0,0219 0,0350
o.l 0.0308 0,0138 0,0+78 0,0517 0.055? 0,0596 0.0636 0,0675 0,0714 c .o f tà
0.2 0,0293 0.0832 0.O&T1 0,0 9 )0 0,09+8 0,0982 0.1026 0,10*4 0,1103 0,1141
0,1 0,1 179 0,171-7 □.1755 0,1293 0,1131 0 , 1366 0.1406 0.1443 0,1+80 0,1317
(M O .fM l 0,1591 0,1638 0,1664 0,1 W 0,1736 0,1772 0.1003 0.1 B+4 0 ,i8 ? 9
□,5 0'.1915 0,1950 0,1985 0.2019 0,2054 0,2066 0.2123 O .Z Ii? 0.2190 0.222+
O.f. 0.2257 0.Í2S1 0.2324 0.2357 0,2380 0,2422 0,2+54 0.2+36 0.2317 0,2549
0,? 0.2580 0.2811 0 ,2 6 1 í 0,2 6 ? ) 0,2703 0,273+ 0.276+ 0.Z794 0.2821 0,2052
0.8 u ,:u a t 0,2910 0,1930 0,2967 0,2905 0,1023 0.3051 0.3073 0.3106 0.1131
0,8 0.1158 0.3188 0.3212 0,3238 0,1264 0,3283 0.3315 0,33+0 0.1165 0.3389
1,0 0,1+13 0.3 )38 0,3461 0.3463 0,3508 0,3531 0,1554 0.3577 0.35D9 0.1621
U O .Jij+ l 0.3865 0,3660 n ,i? o * 0,3729 0,17+9 0,3778 0,3790 0.3010 0,3830
].! 0.3B+9 0J869 0.3868 0.39N? 0,1923 0,394 + 0,3962 0,3980 0,3997 0.40)3
1,1 0.4012 0,4 0(5 0,4060 0,4002 0,1099 0 ,4 1 15 8,4131 0,41+7 0.416? 0,4177
1,4 o,+ m 0.4207 0,4772 0.4236 0,4251 0.4265 0,4279 0,4292 0,4306 0.(1 1 9
0 ,+ líÍ 0.43+5 0,435? 0,4 370 0,4382 0 .0 9 4 0,4406 0,4413 0.1429 0.4441
1J
LO 0.4452 0,4+03 0,447+ 0.4484 0,4495 0.4595 0,4513 0.4523 0.(5 3 5 0.4545
1,7 0,4554 0.+564 0,4 573 0,4582 0,4 591 0.4599 0.4008 0,4 61 $ 0.4625 0,4633
i ,b O.+G+l 0.40+9 0,4656 0,460+ 0,4671 0.4678 0,4086 0,1693 0,1699 0,4)06
m (1,4713 0,4719 0.47J6 0,4 732 0,4738 0,4 )4 4 0,4750 0 .(7 3 * 0,4761 nv+)ET
2,0 0,1?TÍ 0.4 778 0,4 763 0,4 7K0 li,4 793 0,4798 0,4883 0,4803 0,4012 0,4817
5,1 0.4B2! 0.4826 0.4 830 0,4834 0,4818 0,4847 0.1846 0,4850 0,4851 0,4857
2,2 0.+JU3I 0,+3Q1 0,4868 0,4871 0,4875 o ,i m 0.4881 0,(03+ 0.4887 0.4W9Ü
2,3 0,10113 o.+eiK 0,48911 0,4901 0.+W4 0,490* 0,4909 0.(911 0.4913 0.4916
2,4 0.4910 0.4020 O.40JÍ 0,4975 0,4027 0,1979 0,4931 0,1932 0.(934 0,4936
2.5 0,41)30 0,4940 0.49+1 0,49+3 0,4945 0,+9+G 0,19+8 0.4949 0,4951 0,1952
2.8 0.(953 0,4915 0,4958 0,4957 0.4959 0,494» 0,4961 0.4962 0.4963 0,1961
?.) 0.(965 0,4966 0.4967 0,4968 0,4969 0,4970 0,4971 0.4972 0,4971 0.4974
0.(17 74 0,4975 0.4967 0,497? 0,491? 0,4976 0,1979 0.4978 0.4900 0.4981
5.»
2,9 U.+HBt 0.49P2 0.4962 0.4 963 0.1984 0,4984 0.4965 0.4985 0.4006 0.4986
3.0 C.49W 0,4967 0.(957 0,4 968 0;(90& 0,4989 0,(9 0 9 0.(989 0,(9 9 0 0.499o
0 .4 9 M 0,4901 0.4991 0,4901 0.4992 0,4992 0,499? 0.4992 0.4991 0,4993
1,!
3.2 0,4993 0,1993 0.+99I 0,4954 R - 0,4994 0,4994 0.4991 0,(995 0.4995
0,4995 0,4995 0,4995 0,4 S1* 0,4996 0,4996 0,1996 0,4996 0,4996 0.439?
v 0,4997 0,(99? 0.4997 0,499? 0,4997 0,4997 0,4992 0,4997 0,4997 0.4998
0,4958 0,4908 0.+998 0,4999 0,4996 0,4996 Q.I99S 0.1S98 0.1998 0,4998
3,5
3.6 0.+9SB 0,1908 0.4909 0.4 599 0,4999 0,4999 0,4999 0.4999 0.4999 0,4999
3,7 0 ,(3 M 0,(999 0,4999 0,4999 0.4999 0,4999 0.4999 0,4990 0.4999 0.+999
?.B 0,4999 0,1999 0.4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,(999 0,4939
0.1000 0,5000 0,5000 0,5000 0.5000 0.5000 O .lü W 0.1000 0,5000 0.5000
3.9
'i
"T "— í—
Este valor é a “probabilidade monocaudal” de o valor testado pertencer à nossa

população.

-Monocaudal, professor” ?
Isso mesmo! O que estamos vendo é qual a probabilidade de que o valor calculado
esteja no intervalo amarelo abaixo:
Viu? Trata-se da probabilidade monocaudal, pois só estamos vendo a probabilidade

de que ocorram valores maiores do que 1,70m, que foi normalizado em z = 0, mas
menores do que 1,762, normalizado em 1,96. Isso é, a parte amarela só
corresponde a valores à direita (ou maiores) do que 1,70m.
Portanto, no gráfico acima, estamos calculando a probabilidade de que o valor

testado (1,762m) tenha derivado de uma amostra de nossa população. Com base
na tabela acima podemos inferir que o valor encontrado é de 0,475, ou seja, 47,5%!
Portanto, a probabilidade de que a média amostrai se situe entre os valores de
1,70m e 1,762 é de 47,5%! Assim, no nosso exemplo:
P (l, 70 < m édia am ostrai < 1,762) = P(0 < z < í , 96) = 0,475 = 47,5%
Simples, não? Olhe um “ resuminho” :

Para o cálculo da probabilidade de que uma variável com
distribuição normal padronizada assuma determinado valor
faça:
1) Calcule o valor z correspondente
2) Olhe a tabela com o valor z correspondente
3) Multiplique o valor por 100
Mas, cuidado! Este é um caso em que estamos lidando com “probabilidade

monocaudal”, ou seja, olhando se o valor testado se situa dentro do intervalo
superior (valores maiores do que a média populacional, mas compatíveis com
nossas informações). Entretanto, nós podemos estar interessados em saber qual a
probabilidade de que um determinado desvio com relação à média ocorra, isso é,
um intervalo de valores maiores e menores do que a média populacional, mas
condizentes com nossas informações.
Vamos a um exemplo para simplificar! Se ao invés de calcularmos a probabilidade

de ocorrência do valor 1,762m, podemos estar interessados na probabilidade de
que a média populacional seja 0,062m maior ou menor do que 1,70m. Neste caso,
estamos interessados em uma “probabilidade bicaudal” ! Vamos calcular o valor
(z) para a probabilidade de ocorrência de (1,70 - 0,062 = 1,638):
1638 - 1,70 -0,0 62

z = ---------------- = ---------- -- - 1 96
z Í-0 1 V 6
W 1Õ/ W 1Õ/
Assim:

Neste caso, o que estamos calculando é:
P (l, 638 < média am ostrai < 1,762) = P (—l, 96 < z < 1,96)
Como a distribuição normal é simétrica, uma mesma distância com relação à origem
(z = 0) corresponde à mesma probabilidade de ocorrência, seja à esquerda ou
direita. Assim, fica fácil perceber que a probabilidade de ocorrência do evento acima
é igual a 2 (duas) vezes a chance de ocorrência de um dos dois isoladamente!
Analiticamente:
P ( - 1,96 < z < 1,96) = P ( - 1,96 < z < 0 ) + P ( 0 < z < 1,96)
Portanto:
P ( - 1,96 < z < 0 ) + P ( 0 < z < 1,96) = 0,475 + 0,475 = 0,9 5 = 9 5%
Entendeu? A probabilidade de encontrarmos um valor que varie em 0,062 da média

populacional na nossa amostra é de 95%.
Essa aula é pesada! Respire um pouquinho antes de continuar!

2.2 Testando a média - teste de hipóteses e intervalo de confiança
Com base no que sabemos já somos capazes de testar hipóteses. A primeira coisa
que temos de estipular é “o que é muita coincidência”.
-“ Como assim, professor” ?
Veja, no exemplo anterior encontramos que 95% das vezes em que realizarmos
uma amostragem com base em nossa população, nosso valor de média amostral se
encontrará dentro daquele intervalo (1,638 < m édia amostrai < 1,762).
Mas, o que estes 95% querem dizer? Será que esse intervalo é “muito” ou “pouco”
provável? Ora, você já deve ter percebido onde quero chegar. Existe uma
arbitrariedade envolvida na definição do que é provável ou não!
Veja, no nosso exemplo, 95% das vezes os valores encontrados para a média
amostral estarão dentro daquele intervalo. Aí é que entra a definição de
significância de um teste:
Significância de um teste é o valor que é

considerado como “ muita coincidência” . Este
valor é definido previamente pelo pesquisador
com base em estudos e em sua experiência
pessoal.
No caso em estudo, poderíamos estipular que 10% seria muita coincidência, ou

seja, se a média amostral testada ocorrer em menos do que 10% das vezes, isso
seria muita coincidência e poderíamos descartar a hipótese de que aquele intervalo
seria possível com base em nossas informações.

Mas, com base nos nossos cálculos, encontramos que aquele intervalo ocorre
em 95% das vezes, assim aceitaríamos a hipótese de que aquela amostra foi
retirada da população em estudo!
Agora que vocês entenderam o que é significância de um teste, podemos realizar o

exercício inverso e calcularmos um intervalo de confiança para nosso estudo, de
forma que possamos ver a adequação de nossas hipóteses com base em
informações prévias. Vamos fazer um exercício para ficar claro!
Faça a mesma coisa de novo! Resolva o exercício junto comigo e só depois

faça sozinho.
Exercício 2
(Auditor da Previdência Social - ESAF/2002/modificada) O desvio padrão para

o peso de peças mecânicas obtidas num lote de produção é de 25kg.
Sabendo-se que, em uma amostra de 100 peças do lote, foi encontrado um
peso médio de 23,2kg, qual o intervalo de confiança para a média?
a) [22, 22; 24,18]
b) [25,22; 24,18]
c) [22, 22; 27,00]
d) [22,00; 24,00]
e) [22,19; 28,18]
Resolução
O que o exercício está te pedindo é: a 95% de confiança, qual o intervalo que

corresponde a valores possíveis para a média de peso destas peças?
Ora, o exercício já está te dando o valor (z), haja vista a informação de que o nível
de confiança é de 95%! Olhando a tabela você verá que o valor de (0,47 5), que é a
metade de (0,9 5), corresponde ao número 1,96. Colocando na "fórmula”:

—u 23,2 —
^ ± 1,96 - =-
& ) C / 1ÕÕ
Você entende porque estamos lidando com 1,96 em valores positivos e negativos?
Isso porque queremos encontrar um intervalo de confiança para a média
populacional, ou seja, o quanto ela pode variar positivamente ou negativamente, de
forma a observarmos a parte esquerda e direita da curva! Olhem o desenho abaixo
que vocês entenderão:
Assim, precisamos encontrar o valor "máximo” e "mínimo” que são possíveis para a
média populacional, dadas as informações que temos.
Assim:
23,2 —u
1,96 = Õ 5 ^ 2 3 , 2 —^ = 0,98
23,2 —u
-1 9 6 = — ^ 2 3 , 2 - ^ = -0 ,9 8
Este valor (0,98) é chamado de “ margem de erro” . Isso mesmo! É aquele valor
que os jornais costumam falar quando tratam de campanhas eleitorais. Em nosso
exemplo, o que esta margem de erro está nos dizendo é que a média populacional

Estratégia
Cr nONNr iCi U
R «R; Sr >O<S;
será igual a uma média amostrai mais um valor que nos dará esta "flutuação” nos
resultados, a saber:
Este é nosso intervalo de confiança (IC):
IC = [22,22;2 4, 18]
Alternativa (a).
Atenção! E os valores que estão “ fora da região de aceitação da hipótese

nula” ? Essa é chamada de “ Região Crítica” ! Esta define-se como o conjunto
de valores para os quais a hipótese nula é rejeitada.
Mais um? Vamos lá!
Exercício 3
(BACEN - FCC\2005) A distribuição dos valores de aluguéis dos imóveis em

certa localidade é bem representada por uma curva normal com desvio padrão
populacional de R$ 200,00. Por meio de uma amostra aleatória de 100 imóveis
neste local, determinou-se um intervalo de confiança para a média destes
valores de [R$ 540,00;R$ 660,00].
A mesma média amostral foi obtida com um outro tamanho de amostra, com o
mesmo nível de confiança anterior, sendo o novo intervalo [R$ 560,00;R$
640,00]. A população tem tamanho infinito, o tamanho da amostra no segundo
caso é de:

a) 225
b) 256
c) 324
d) 400
e) 625
Resolução
Questão bem difícil! Tem que pensar! Veja o raciocínio que você tem de fazer:
1) Encontre a média amostral;

2) calcule o valor Z para a primeira amostra;
3) Com base no Z anterior, encontre o tamanho da amostra.
A média amostral não é difícil de ser calculada, pois já aprendemos isso em aulas
anteriores:
Limite superior de intervalo + limite inferior de intervalo 12 00

Média = X = = = 600
2 2
Agora fica fácil encontrar o valor (z) para a primeira amostra:
_ 660 - 600
Zsuperior ~ 200
V iõõ
_ 540 - 600
Zinferior ~ 200
Vioo
Ou seja, em valores absolutos (sem considerar sinal), z = 3. Com intuito de

simplificação, vamos utilizar o limite superior, mas saiba que dá na mesma!
Agora, vamos substituir (z = 3) na equação da segunda amostra de modo que:

Estratégia
Cr nONNr iCi U
R «R; Sr >O<S;
640 - 600
s u p e rio r
200
Vn
Realizando a operação:
600
n = 225
Alternativa (a).
Retornando à aula!
Bom, vimos que é possível estabelecer um intervalo de confiança de modo a

garantirmos que, a determinado nível de confiança, os valores possíveis estarão
contidos em um intervalo descrito. Mas, se nós podemos construir tal intervalo, nós
também podemos testar hipóteses que são feitas com relação a nossos dados.
-“ Como isso é possível, professor” ?
Bom, a primeira coisa que você vai fazer é determinar qual hipótese você está
testando. Por exemplo, se alguém faz afirmações sobre o valor de um determinado
parâmetro 0, é feita a seguinte hipótese nula (H0):
Este é o nosso exemplo da altura dos indivíduos, a hipótese nula afirma que a
média de altura dos mesmos é igual à 1,70m.
Mas, toda hipótese científica tem uma "alternativa”, que é o caso quando o que
estamos afirmando não é verdade. Esta hipótese alternativa (H-J pode assumir as
seguintes formas:
H^. 6 ^ 6 o
Hi'. 0 < 0O

H^. 6 > 60
Ou seja, poderiamos concluir que o parâmetro em estudo não é igual ao valor sob
hipótese nula por se tratar de um valor diferente do mesmo, menor, ou maior,
respectivamente!
Assim, a nossa hipótese nula seria sempre uma igualdade e teria como alternativa
um destes casos, sendo que o primeiro necessitaria de uma análise bicaudal,
enquanto que o segundo e terceiro seriam monocaudais.
Com efeito, isso está intimamente relacionado com o que já estudamos sobre
"probabilidades monocaudais” e "bicaudais”. A ideia aqui seria criar um intervalo de
confiança para o valor testado, se o mesmo não estivesse contido neste,
rejeitaríamos a hipótese nula.
Assim, no caso do nosso exemplo de altura dos indivíduos, como nós concluímos
que 1,70m encontra-se dentro do intervalo de confiança calculado a 95% de
confiança, podemos afirmar que a afirmação é verdadeira.
Veja que não há nada de novo com relação ao cálculo do intervalo de

confiança, no fundo é a mesma coisa, só o jeito de olhar que é diferente!
Vamos fazer uns exercícios para entender! Faça este primeiro junto comigo,
ok?
Exercício 4
(TRF 1ã Região - FCC/2001/modificada) Julgue a afirmativa.
Seja uma variável aleatória X, com média p e desvio padrão igual à 5. A partir
de uma amostra aleatória de 16 elementos, observou-se uma média amostral
de valor 13. Uma pessoa afirmou que a média populacional dos elementos é
igual a 15, com 5% de significância. Essa afirmação mostrou-se como
verdadeira.

Resolução
Vamos lá pessoal, a primeira coisa é definir nossas hipóteses nula e alternativa:
Hq-. p = 1 5
Hp. p ^ 15
Perceba que se trata de um teste bicaudal, pois podemos encontrar valores

superiores e inferiores a 15. Assim, nós iremos usar aquela "fórmula” da estatística
(z), também chamada de estatística de teste:
X -p
õ
Vn
Dado que se trata de uma média!
Assim:
X. —p 13 —p
Z=~ ^ = 5
Vn 4
Olhando a nossa tabela, vamos cotstruir um intervalo, supondo verdadeira a

hipótese nula e que contenha 95% dos possíveis valores amostrais:
limite superior = 1,96
limite in ferior = — 1,96
Você percebeu? Como falamos 5% de significância, isso significa 2,5% de

cada lado, o que nos leva a um valor de 1,96 na tabela! Assim, quando

estivermos trabalhando com testes bicaudais, devemos dividir a significância
pedida pelo exercício por 2 (dois).
Assim, substituindo o valor de z:
1 3 —u
^ = 1 ,96 ^ 1 3 - ^ = 2,45
4
13 —u
5 = - 1,96 ^ 1 3 - ^ = -2 ,4 5
4
Com efeito, nosso intervalo de confiança será:
IC = [ 10, 55; 15,45]
Ou seja, o valor 15 está contido no intervalo! A afirmação é verdadeira!
r 1 INDO
mais fundo Outra forma de resolver o exercício é calculando a estatística
de teste como se a hipótese fosse verdadeira e vendo se o z calculado está dentro
do intervalo previsto para a variável padronizada.
Assim, calcule a estatística de teste como se a média fosse realmente 15:
X -u 13-1 5
z= ê = 5 = - 1 .6 0
Vn 4
Como seria o intervalo de confiança para os valores padronizados? Este seria dado
pelos valores de z que fazem com que 95% da amostra esteja em seu intervalo, ou
seja:
IC = [ - 1,96; 1,96]

O valor calculado está no intervalo, portanto aceitamos a hipótese nula!
Para que vocês aprendam o uso de testes monocaudais, vamos refazer o exercício
com uma pequena modificação!
Exercício 5
de, no mínimo, 15, com 5% de significância. Essa afirmação mostrou-se como
verdadeira.
Resolução
Agora a hipótese alternativa é que muda:
Hq-. p = 1 5
H^. p < 15
Lembre-se de que a hipótese nula sempre é avaliada em uma igualdade!
Bom, pelas nossas hipóteses, o valor nunca será superior a 15, portanto só
precisamos olhar o lado esquerdo da distribuição normal padronizada. Vamos testar
se a amostra com média igual à 13 é compatível com a afirmação do indivíduo.

Percebam que todos os “5%” ficam do lado esquerdo! Aí é diferente na hora de

consultar a tabela! Como a tabela te dá os valores unicaudais, procure o valor
respectivo a 45%, que é 1,65!
Esqueça o lado direito! Vamos só testar se a média é menor do que 15 (ou menor
do que 0 (zero) na versão padronizada)! Neste caso, só faríamos o cálculo para a
cauda superior:
X -l5
- l, 65 ^ X - l 5 = - 2,06
5
4
p = 12,94
Assim, nosso intervalo de confiança seria:
/C95o/o = [ l 2,94;+oo]
Ou seja, o limite superior vai até “infinito”, cobrindo todas a possibilidades, havendo,
tão somente, um limite mínimo!
Com base nestas considerações podemos concluir que a hipótese nula é

verdadeira! Pois, mesmo com uma média igual a 15, podemos obter uma média
amostral de valor 13.
Mais um exercício?

Estratégia
Cr nONNr iCi U
R «R; Sr >O<S;
Exercício 6
(BACEN - FCC/2005) As empresas de um determinado setor têm uma situação

líquida bem descrita por uma distribuição normal, com média igual a 2,5
milhões de reais e desvio padrão de 2 milhões de reais. Selecionando uma
situação líquida negativa é de:
a) 50%
b) 39%
c) 23%
d) 16%
e) 11%
Resolução
Outra questão que exige um pouco mais de raciocínio! Atente-se que, neste caso,
não estamos testando uma média, mas uma variável com distribuição normal.
Assim, na padronização basta utilizarmos o desvio padrão em nível (sem dividi-lo
pelo tamanho da amostra, como no caso da média).
Vamos encontrar o valor normalizado para o caso de uma situação líquida nula
(X = 0):
Ou seja:

Agora basta olharmos na tabela a probabilidade correspondente a z = 1,25, isso é,

qual é a probabilidade de que um valor esteja entre 0 e 1,25. Podem conferir, o valor
encontrado é 0,39. Assim, toda aquela área amarela corresponde a uma
probabilidade de 0,39!
Agora, eu te pergunto: qual a probabilidade de ocorrência de um evento na parte

vermelha da figura (que é o que desejamos saber, dado que o exercício pergunta a
probabilidade da empresa ter resultado nulo ou negativo)?
Ora, toda a figura tem probabilidade igual a 1 , certo? Então, como a distribuição é
simétrica, cada "lado do sino” tem probabilidade de ocorrência igual a 0,5! Assim, a
probabilidade da parte vermelha é:
P(z < 1,25) = 0, 5 - 0,39 = 0,11
Alternativa (e).
1.2 Testando a média quando a variância é desconhecida
Até agora tratamos do caso em que queremos testar um possível valor de média
populacional, dadas informações sobre uma média calculada com base na amostra
e na variância populacional.
Mas, isso não é estranho? Se você não tem a média populacional, porque teria a
variância? O que nós costumamos ter é a variância amostral.

Neste caso, a versão padronizada de nossa estatística de teste seria:
X -p
“X "
yfn
Sendo S o desvio padrão amostrai, dado por:
Desvio Padrão = 5 = 1 -
n -1
-“ O que isso muda, professor” ?
Simples, a distribuição correspondente a esta estatística deixa de ser uma normal

padrão e torna-se a famosa t de Student. A distribuição t de Student é muito
parecida com a normal, não necessitando de maiores detalhes sobre a mesma, tal
como pode ser percebido no gráfico abaixo:
-4 -2 0 2 4
Assim, pode-se dizer que a expressão acima segue uma distribuição t de Student
com (n - 1) graus de liberdade. Analiticamente:

X -p
yfã
“ O que são estes graus de liberdade, professor” ?
Olhe pessoal, isso é um pouco mais avançado e desnecessário para seu concurso,
portanto decore que o grau de liberdade associado a uma estatística t de Student é
igual ao tamanho da amostra em questão menos uma unidade. Você precisará
deste valor para consultar a tabela, como vocês podem ver abaixo:
1,3406 1,7531 2,1314 2.6025

0.5357 0,6912 I 0.8662 1,0735
15 r 0,1278 0,2579 ' 0,3928 2.5635
0,8647 1,0711 1,3368 1,7459 2.1199
0,1277 0.2576 0,3923 0,5350 0.6901
16 1,0690 1,3334 1,7396 2,1098 1 2.565Õ
0,3919 0,5344 0.6892 0,8633
I 17 0,1276 0.2573 2,1009 2.5â24
0,6884 0.8620 1,0672 1,3304 1,7341
18 0.1274 0,2571 0,3915 0.5338 2.5396
1,0655 1.3277 1,7291 2,0930
0,3912 0,5333 0,6876 0,8610
0,1274 0.2569 1,7247 2,0860 2.5230
19 0,1273 0,2567 0.3909 0,5329 0.6870 0.8600 1,0640 1,3253
20 1,3232 1,7207 2,0796 2,5175
0,3906 0,5325 0,6864 0,8591 1,0627
21 | 0,1272 0.2566 2,0739 2.5083
0,6858 0,8583 1,0614 1,3212 1,7171
22 0,1271 0,2564 0.3904 0,5321
0,8575 1,0603 1,3195 1,7139 2,0687 2.4999 0,30’
0,2563 0,3902 0,5317 0,6853
23 0,1271 1,7109 2.0639 2.4922
0,5314 0,6848 0,8569 1,0593 1,3178
24 0,1270 0,2562 0,3900 2,4851
1,0584 1,3163 1,7081 2,0595
0,2561 0.3898 0,5312 0,6844 0,8562
26 0,1269 1,7056 2.0055 2.4736
0,6840 0,8557 1,0575 1,3150
26 0,1269 0.2560 0,3896 0,5309 2,47277 ;2.77Q
1,0567 1,3137 1.7033 2.0518
0,3894 0,5306 0.6837 0,8551
27 0,1268 0,2559 2,0484 2.467-
0,6834 0,8546 1,0560 1,3125 1,7011
28 0,1268 0,2558 0,3893 0.5304
0,8542 1,0553 1,3114 1,6991 2.0452 2.462- - -7c
0,6830
29 0,1268 0,2557 0,3892 0,5302
0.8538 1,0547 1,3104 1,6973 2,0423 2-457D :,"a:
0,1267 0,2556 0,3890 0,5300 0,6828
30 1,3031 1.6839 2.0211 ^4293
0,5286 0,6807 0,8507 1,0500
40 0.1265 0,2550 0,3881 2.4033
0.8489 1,0473 1,2987 1,6759 2.0086
0,2547 0.3875 0,5278 0.6794
50 I 0,1263 1.9840 25642
0,6770 j 0.8452 1.0418 1.2901 ' 1.6602
100 0,1260 0.2540 0,3864 0,5261
0.3416 1,3364 12816 1.6449 1.9600 2.3263- 2,571
0,2533 0.3853 0.5244 Q.o. -Lc
inf. 0.1257

A forma de utilização desta tabela é buscar o número de graus de liberdade na linha

e o valor crítico na coluna. Perceba que a coluna tem 2 valores, sendo que o de
cima corresponde ao valor bicaudal, enquanto que o de baixo é o respectivo valor
no caso de um teste monocaudal (às vezes a tabela só dá o valor monocaudal). A
título de exemplo, veja o valor t0 para o caso de 4 graus de liberdade e 10% de
significância em um teste monocaudal:
Pode-se provar que, conforme aumentam os graus de liberdade, a distribuição t

converge para uma distribuição normal! Assim, a forma de avaliação das duas é
muito semelhante.
-“ Professor, como vou decorar este monte de tabelas” ?
Não se preocupe, a banca vai disponibilizar os valores das tabelas, você só tem que
aprender como usá-las!
A forma de resolução de problemas com a distribuição t é muito semelhante ao caso

da normal padrão, tal como vocês poderão perceber nos exercícios abaixo.

Exercício 7
(TRT 2- Região - 2008/FCC) Para uma experiência realizada com referência à

medição do comprimento de determinada peça fabricada por uma indústria,
utilizou-se uma amostra de 16 peças, apurando-se uma média de 0,9m e um
desvio padrão de 0,2m. Supondo que os comprimentos das peças tenham
distribuição normal, com média p e variância desconhecida, deseja-se saber,
ao nível de significância de 5%, se o comprimento da peça não é inferior a 1m.
Seja H0 a hipótese nula do teste (p = lm ) e H1 a hipótese alternativa (p < lm )
e t005 = - 1 , 7 5 o quantil da distribuição t de Student tabelado para teste
unicaudal, com 15 graus de liberdade. Então, pelo teste t:
a) A conclusão obtida seria a mesma para qualquer nível de significância

b) H0 não pode ser aceita, indicando que os comprimentos são menores
que 1m
c) O número de graus de liberdade não interferiu na definição de t 0,os =
-1 ,7 5
d) Para um nível de significância superior a 5% a conclusão não poderia
ser a mesma
e) O valor da estatística de teste é de -0,5
Resolução
Bom, pode-se perceber que se trata de um teste monocaudal, ou seja, a região

limite (muitas vezes chamada de "crítica”) é formada por valores na esquerda do
gráfico da distribuição. O valor crítico fornecido pelo exercício é:
to = —1, 75
Confira com o valor da tabela, assim você aprende a usá-la caso seja necessário.

Estratégia
Cr nONNr iCi U
R «R; Sr >O<S;
O que este valor está nos mostrando é um intervalo de confiança para testarmos
nossa estatística de teste, sendo que este é dado por:
IC = [ - 1, 75;oo]
O exercício só nos fornece o desvio padrão amostral, assim, temos de utilizar a

estatística t de Student. Calculando a estatística de teste chegamos a:
0,9 - 1 - 0, 1
0, 2 0, 05
VTô
Veja que este valor não está no intervalo de confiança, superando o valor
crítico inferior do intervalo. Portanto rejeitamos a hipótese nula!
Alternativa (b).
Vamos fazer mais alguns exercícios! Agora vamos dar uma generalizada!
Exercício 8
(ATRFB - ESAF/2013) A variância da amostra formada pelos valores 2, 3, 1, 4,

5 e 3 é igual a
a) 3.
b) 2.
c) 1.
d) 4.
e) 5.

Resolução
Para calcularmos esta estatística devemos nos atentar à palavra "amostra”. Perceba
que, neste caso, a variância deve ser calculada com base na seguinte estatística:
_ 2(Xj - x )2
Vari ancia = =
n —1
Não se esqueça de modificar o denominador por (n - 1).
Agora é fácil:
2+3+1+4+5+3
Média = =3
6
Então:
( 2 - 3)2 + (3 - 3)2 + ( 1 - 3)2 + (4 - 3)2 + (5 - 3)2 + ( 3 - 3 )2 _ 10 _ ^

5 ~~s~2
Alternativa (b).

Exercício 9
(FINEP - CESGRANRIO/2011) Uma amostra aleatória de 100 famílias foi

Gastos em 10 reais Frequência Absoluta

de 1 a 3 10
de 3 a 5 30
de 5 a 7 60
total 100
As melhores estimativas para a média aritmética e para a variância amostral

são, aproximada e respectivamente,
a) 5 reais e 1,82 reais2

b) 5 reais e 18,2 reais2
c) 50 reais e 1,82 reais2
d) 50 reais e 18,2 reais2
e) 50 reais e 182 reais2
Resolução
Na aula 01 nós já realizamos parte deste exercício, calculando a média, que era de
50 reais. Agora, com base no nosso conhecimento de variância amostral, vamos
calcular esta estatística. A melhor forma é encontrar os pontos médios de cada
classe:

Gastos (em 10 reais) Ponto Médio Frequência Absoluta

de 1 a 3 2 10
de 3 a 5 4 30
de 5 a 7 6 60
total 100
Agora, calcule a variância:
Entretanto, cuidado, estamos tratando com unidades de 10 reais, assim, nosso

resultado é de 1822 reais (1,82-102, pois estamos tratando de variância, assim a
medida também fica ao quadrado).
Alternativa (e).
Exercício 10
(FINEP - CESGRANRIO\2011) Dois dados comuns, honestos, foram lançados

simultaneamente. Sabe-se que a diferença entre o maior resultado e o menor é
igual a um. Qual é a probabilidade de que a soma dos resultados seja igual a
sete?
a) 1/3
b) 1/4
c) 1/5
d) 1/6
e) 1/7
Resolução
Bom, a primeira coisa a fazer é pensar quais são os resultados cuja soma pode ser
igual a 7, mas a diferença entre o maior e o menor resultado é igual a 1.

Estratégia
Cr nONNr iCi U
R «R; Sr >O<S;
Bom, os únicos casos em que isso ocorre são:
( 3;4 );( 4; 3)
Mas existem várias outras possibilidades de que a diferença entre o maior e menor
valor seja igual a 1. Vamos listar de cabeça o espaço amostral (ü):
Assim:
casos favoráveis 2 1
P(soma ser 7) =
casos possíveis 10 5
Alternativa (c).
(TCU - CESPE/2008) Uma instituição afirma que o custo médio para realização
de determinada obra é igual ou inferior a R$ 850,00 m2. Para avaliar esta
afirmação, foi realizado um teste estatístico cujas hipóteses nulas e
alternativas são, respectivamente, H0: p < 850 e H1: p > 850. Considere que a
distribuição de custos por metros quadrados possa ser considerada como
normal com média p e desvio padrão de R$ 300m2. A partir de uma amostra
aleatória de tamanho 25, a estatística de teste para a média foi igual a 2,1. Com
base nestas afirmações, julgue o item a seguir:
Exercício 11
A média amostral produzida pelo teste estatístico foi superior a 950 m2 e

inferior a 1000 m2

Estratégia
C O N C U R S O S
Resolução
Basta calcularmos a estatística de teste:
X - 850
300
a/25
Calculando o valor de X:
X - 850 = 126 ^ X = 976
Portanto, o item está correto, pois o valor calculado encontra-se entre 950m2 e
1000m2.
Retornando!
2. Teste para a variância
Até agora analisamos hipóteses feitas sobre médias ou variáveis com distribuição
normal, o que podíamos fazer com base na distribuição normal padrão (ou t de
Student, caso não conheçamos a variância). Agora vamos aprender como
determinar intervalos de confiança para variâncias, que sejam derivadas de
distribuições normais (isso é muito imp» rtante).
-“ Como fazer isso, professor” ?
A forma de fazer isso é por meio do cálculo da seguinte estatística de teste:

Sendo ó2 a variância populacional, S2 a variância amostrai e n o tamanho da

amostra.
Sob a hipótese nula, pode-se provar que esta estatística seguirá uma distribuição
qui-quadrado com (n - 1) graus de liberdade. Assim:
S2
( n - 1)- — Xn-l
oz
A distribuição qui-quadrado, em geral, não é simétrica, tal como pode ser observado
abaixo:
Portanto, a forma de realização do teste de hipóteses para a variância é feito da

mesma forma que para a média, mas utilizamos a estatística de teste qui-quadrado,
além da necessidade de atentarmos para o fato de que os valores na cauda direita e
esquerda serão diferentes!
Veja a tabela de valores críticos qui-quadrado:

2 2
.05 1 x a.10
y2
r
,005 x a
*01 xa .025 xa xa.25 *.50
x a *.75
x a X
*00 *95
xa *.975
xa *99
x
*.905
xa *999
í ,0000 ,0002 ,0010 ,0039 ,0158 ,102 ,456 1,32 2,71 3,84 5.02 6,63 7,88 10 ,8
2 ,0100 ,0201 ,0606 ,103 ,211 ,676 1,39 2,77 4,61 5,99 7,38 9,21 10,6 13,8
3 ,0717 ,115 ,216 ,362 ,584 1,21 2,37 4,11 6,25 7,81 9,35 11,3 12,8 16,3
4 ,207 ,297 ,484 ;7H 1,06 1,92 3,36 5,39 7,78 9,49 11,1 13 / 14,9 18,6
5 ,412 ,554 ,831 1 4 6 1,61 2,67 4,36 6,63 9,24 11,1 12,8 16,1 16,7 20,5
6 ,676 ,872 1,24 1,64 2,20 3,46 5,35 7,84 10,6 12,6 14,4 16,8 18,5 22,5
7 ,989 1,24 1,69 2,17 2,83 4,25 6,35 ' 9,04 12,0 14,1 16,0 18,6 20,3 24,3
8 1,34 1,66 2,18 2,73 3,49 6,07 7,34 10,2 13,4 15,5 17,6 20,1 22,0 26,1
9 1,73 2,09 2,70 3,33 4,17 6,90 8,34 11,4 14,7 16,9 19,0 21,7 23,6 27,9
10 2,16 2,56 3,26 3,94 4,87 6,74 9,34 12,6 16,0 18,3 20,5 23,2 26,2 29,6
11 2,60 3,06 3,82 4,67 5,58 7,58 10,3 13,7 17,3 19,7 21,9 24,7 26,8 31,3
12 3,07 3,57 4,40 5,23 6,30 8,44 11,3 14,8 18,5 21,0 23 / 26,2 28,3 32,9
13 3,57 4,11 6,01 5,89 7,04 9,30 12,3 16,0 19,8 22,4 24,7 27,7 29 / 34,6
14 4,07 4,66 5,63 6,57 7,79 10,2 13,3 17,1 21,1 23,7 26,1 29,1 31,3 36,1
15 4,60 5,23 6,26 7,26 8,65 11,0 14,3 18,2 22,3 25,0 27,6 30,6 32,8 37,7
16 5,14 5,81 6,91 7,96 9,31 11,9 15,3 19,4 23 / 26,3 28,8 32,0 34,3 39 /
17 5,70 6,41 7,66 8,67 10,1 12,8 16,3 20,6 24,8 27,6 30,2 33,4 35,7 40,8
18 6,26 7,01 8,23 9,39 10,9 13,7 17,3 21,6 26,0 28,9 31,5 34,8 37,2 42,3
19 6,84 7,63 8,91 10,1 11,7 14,6 18,3 22,7 27 / 30,1 32,9 36,2 38,6 43,8
20 7,43 8,26 9,69 10,9 12,4 15,5 19,3 23,8 28,4 31,4 34,2 37,6 40,0 45,3
21 8,03 8,90 10,3 11,6 13,2 16,3 20,3 24,9 29,6 32,7 35,6 38,9 41/ 46,8
22 8,64 9,54 11,0 12,3 14,0 17,2 21,3 26,0 30,8 33,9 36,8 40,3 42,8 48,3
23 9,26 10,2 11,7 13,1 14,8 18,1 22,3 27,1 32,0 35,2 38,1 41,6 44,2 49,7
24 9,89 10,9 12,4 13,8 i 6,7 19,0 23,3 28,2 33,2 36,4 39,4 43,0 46,6 51,2
25 10,5 11,6 13,1 14,6 16,5 19,9 24,3 29,3 34,4 37,7 40f6 44,3 46,9 52,6
26 11,2 12,2 13,8 15,4 17,3 20,8 25,3 30,4 36,6 38,9 41,9 45,6 48,3 54,1
27 11,8 12,9 14,6 16,2 18,1 21,7 26,3 31,5 36,7 40; 1 43,2 47,0 49,6 55,5
28 12,5 13,6 16,3 16,9 18,9 22,7 27,8 32,6 37,9 41,3 44,6 48,3 51,0 56,9
29 13,1 14,3 16,0 17,7 19,8 23,6 28,3 33,7 39,1 42,6 46,7 49,6 62,3 58,3
30 13,8 16,0 16,8 18,5 20,6 24,5 29,3 34,8 40.3 43,8 47,0 50,9 63,7 59,7
40 20,7 22,2 24,4 26,5 29,1 33,7 39,3 45/ 51.8 55,8 59.3 63,7 66,8 73,4
60 28,0 29,7 32,4 34,8 37,7 42,9 49,3 56,3 63,2 67,6 71,4 76,2 " 79,5 86,7
60 35,5 37,5 40;5 43,2 46,5 62,8 69,3 67,0 74,4 79,1 83,3 88,4 92,0 99,6
70 43,3 46,4 48,8 51,7 66,3 61,7 69,3 77,6 86,6 90,5 96,0 100 104 112
80 51,2 53,6 67,2 60,4 H 3 Jn 79,3 88,1 96,6 102 107 112 116 126
90 59,2 61,8 65,6 69,1 73,3 80,6 89,3 98,6 108 113 118 124 128 137
100 67,3 70,1 74,2 77,9 82,4 90,1 99,3 109 118 124 130 136 140 149
Calma, vou ensinar a vocês com exercícios!

Estratégia
C O N C U R S O S
Exercício 12
(TRT 3ã Região - FCC/2009) O peso de pacotes de café é uma variável aleatória

X. Uma máquina de encher pacotes está regulada para fazê-lo com g = 500# e
a2 = 100 g 2. Com o objetivo de manter sob controle a variabilidade do produto,
a cada 30 minutos uma amostra aleatória de alguns pacotes é selecionada e
testa-se se a variabilidade está controlada. Assim, desejando-se testar H0:
a2 = 100 contra H1: a2 ^ 100, toma-se uma amostra de 16 pacotes e observa-
se uma variância amostral de 160g2. O valor observado para a estatística de
teste é de:
a) 31
b) 28
c) 24
d) 22
e) 19
Resolução
O cálculo da estatística de teste é feito da seguinte forma:
160
Alternativa (c).
Exercício 13
(Elaborado pelo autor) Com base no exercício anterior, a 5% de significância,

verifique se a hipótese nula é satisfeita.

Resolução
A forma de olhar a tabela é um pouco diferente dos casos anteriores, pois a

distribuição não é simétrica. Portanto, no caso em questão, devemos verificar as
duas extremidades da distribuição, ou seja, os 2,5% da extremidade inferior e os
97,5% da extremidade superior, de forma que tenhamos um total de 5% de
significância testada. Olhando a tabela vocês encontrarão:
limite superior ( 9 7, 5%) = 27, 5

limite inferior ( 2,5%) = 6, 26
Entendeu o que fizemos? Como a distribuição não é simétrica, precisamos

encontrar os valores para os limites superior e inferior individualmente e assim
estabelecer o intervalo de confiança, que no nosso caso é:
IC = [6, 26; 27, 5]
Como o valor calculado está dentro do intervalo, aceitamos a hipótese nula.
3. Poder de um teste e o p-valor
Suponha que estejamos tentando determinar se uma moeda é ou não viciada.

Neste caso, podemos testar essa hipótese com base na quantidade de caras que
ocorrem em uma determinada quantidade de lançamentos. Assim, as hipóteses
nulas e alternativas com relação à probabilidade de ocorrer cara são:
H0-.p = 0, 5
H-^-.p ^ 0, 5
Agora, vamos determinar a significância do nosso teste, ou seja, o que é muita

coincidência! Por suposição, vamos considerar que o nosso nível de significância é
de 10%.

A probabilidade de ocorrer uma cara no primeiro lançamento é de 0,5. Assim, qual é

a probabilidade de ocorrerem duas caras seguidas?
P(2 caras) = 0, 5 • 0, 5 = 0, 25
Com base em nosso nível de significância, isso é possível de ocorrer, pois 10% que
é muita coincidência. E se tirarmos outra cara em um terceiro lançamento?
P(3 caras) = 0, 5 • 0, 5 • 0, 5 = 0, 125
Isso continua sendo possível! E se fosse 4 vezes?
P( 4 caras) = 0, 5 • 0, 5 • 0, 5 • 0,5 = 0,062 5
Perceba que este valor é inferior à significância do teste, portanto isso seria muita
coincidência! Neste caso, rejeitaríamos a hipótese nula de que a moeda é honesta.
Este valor (6,25%) seria o p-valor para este experimento. O p-valor seria o valor
limite entre a aceitação e rejeição da hipótese nula. Em termos mais analíticos,
pode-se definir o p-valor como o menor nível de significância em que a
hipótese nula pode ser rejeitada. No exemplo, como o p-valor (6,25%) é menor do
que o nível de significância adotado, rejeita-se a hipótese nula!
Fique calmo, nós já vamos fazer uns exercícios que vão te ajudar a entender o
conceito!
-“ Tudo bem professor, mas e se eu realizar um teste de hipótese que, apesar

de rejeitar uma determinada hipótese nula, ele estiver incorreto” ?

Estratégia
C O N C U R S O S
tome nota!
Não vou mentir, esta é uma possibilidade! Na verdade, esta
probabilidade tem até um nome: "erro tipo 1” . O erro tipo 1 ocorre quando
rejeitamos uma hipótese nula, quando na verdade ela é verdadeira. No caso da
moeda, nosso teste de hipóteses está rejeitando a hipótese nula de uma moeda
honesta, mas isso não é certo, pois, apesar de pouco provável, aquele resultado
pode acontecer.
No nosso exemplo, o erro tipo 1 seria a probabilidade de que estivéssemos na parte

"improvável” da curva de distribuição, ou seja, nos valores definidos pela
significância de 10%. Portanto fica fácil ver que:
P(erro tipo 1) = significância do teste
Isso fica claro quando pensamos: qual a probabilidade de o valor "verdadeiro” não
estar no intervalo de confiança a ser definido por nós? Ora, nos valores que
consideramos "muita coincidência”.
Outro erro possível ocorre quando aceitamos a hipótese nula quando ela é falsa!
Este é o erro tipo 2!
Neste caso, temos um problemão aqui! Pense comigo, este valor nós não temos
acesso, haja vista não conhecermos a distribuição que contem o valor verdadeiro
que estamos procurando. Com base na figura abaixo, pode-se inferir um caso em
que aceitaríamos a hipótese nula apesar de ela ser falsa.

Você percebe o que está ocorrendo? A primeira curva seria relativa aos dados que
estamos testando, enquanto que a segunda seria relativa à verdadeira distribuição
da variável. A parte escura está dentro de nossa região de aceitação, mas ela não
contem o valor verdadeiro.
-“ E se eu dim inuir o nível de significância para ser mais rigoroso” ?
Não tem jeito, é o problema do cobertor curto. Se você reduz a probabilidade de

erro tipo 1 , você aumenta a probabilidade do erro tipo 2 ! Isso porque o que você vai
fazer é que mais valores possam ser considerados como "corretos”, aumentando a
chance de que outras distribuições possam ter valores considerados como
verdadeiros, quando não o são.
O erro de tipo 2 é importante para definir a efetividade de um teste, fixando o poder

do teste. Se chamarmos a probabilidade de erro tipo 2 de p, o poder do teste será
dado por:
Poder do Teste = 1 —P(erro tipo 2) = 1 —p
Este valor nos diz qual a probabilidade de que um determinado teste rejeite a
hipótese nula quando ela é falsa.

Estratégia
C O N C U R S O S
-“ Mas, como melhorar a eficiência de minhas estimativas, professor” ?
Você precisa deixar suas distribuições mais “fininhas”, ou seja, com menor
variância, deste modo diminuímos a probabilidade dos dois erros. Isso só é possível
com amostras maiores. Portanto, uma amostra maior pode ser vista como uma
quantidade maior de “provas” para nossas conclusões, o que aumenta a acurácia de
nossas previsões.
Bom, estudamos vários testes de hipóteses, mas

focamos no caso de variáveis com distribuição normal! Este não é o único
tipo de distribuição conhecida, o que pode mudar a forma de abordagem do
teste de hipóteses.
4. Teste para proporções
Vamos fazer um exercício juntos para que vocês possam entender bem como
funciona este teste. Perceba que se trata de um caso com uma amostra grande
(1000 elementos). Em geral, quando você vir uma amostra de mais 50
elementos, pode usar a distribuição normal. Além disso, pelo formato do
exercício vocês vão saber quando é um caso ou outro. Você vai ver!
Exercício 14
(Petrobrás - CESGRANRIO/2010) Um fabricante deseja fazer um estudo, com

confiança de 95%, a respeito da aceitação de seu novo produto. Esse novo
lançamento só será comercializável se o índice de aceitação for de, pelo
menos, 90%. Para tal, realizou uma pesquisa em uma cidade na qual o produto
já foi comercializado. Foi perguntado aos consumidores se estes gostaram do
produto. O resultado foi o seguinte: 850 consumidores responderam que
gostaram e 150 que não gostaram. Qual será a estatística de teste a ser
utilizada neste teste?

a) -5,27
b) -1,96
c) -1,65
d) 1,96
e) 5,27
Resolução
No presente caso estamos tratando com um caso de distribuição Bernoulli. Não

percebeu? Ao escolhermos um consumidor ao acaso, temos 85% (850 ^ 1000) de
chance de encontrar alguém que gosta do produto. Ou seja, estamos comparando
uma proporção de "sucesso” com uma proporção "teórica” e verificando se a
amostra permite concluir que a teoria está adequada.
Bom, vamos nos lembrar daquela "fórmula” da estatística de teste:
x —p
z =
o
Assim, na média, temos 85% de chance de acertar! Essa é nossa média amostral
(x). Por simplicidade, vamos chamar a este valor de (p).
-“ Isso é uma proporção média, professor” ?
Sim, pois o percentual de 85% nem seranpre pode bater com o valor encontrado. Por
exemplo, se você extrair uma amostra de 20 indivíduos deste total, isso significa que
você encontrará, exatamente, 17 pessoas que gosta do produto? Não! Pode ser que
você não encontre nenhuma! O que você sabe é que, na média, 85% das pessoas
analisadas preferem o produto, ou seja, se você realizar este experimento infinitas
vezes 85% das pessoas irão gostar.
Qual o parâmetro que estamos comparando com essa média? Nós queremos saber
se, na média e com base no que sabemos da amostra, podemos assumir como
verdadeira a hipótese feita sobre a população, de que a média de preferências que

Estratégia Estatística p/ AFRFB
C O N C U R S O S ^
pode ser encontrada é de 90%. Esse é nosso parâmetro populacional (p). Vamos
chamar a este parâmetro de (p ).
E a variância? Nós já sabemos como calcular a variância de uma binomial:
Var(x) = p • ( 1 —p)
Então, nós temos como saber qual a variância da população se hipótese feita for
verdadeira:
p . ( 1 - p ) = 0,9-0, 1 = 0,09
Mas, devido ao fato de que estamos tratando de uma proporção média,

devemos nos lembrar da fórmula para o estimador não viesado da variância
da média amostral:
Var(x) =
n
Portanto, combinando tudo isso que falamos, a nossa fórmula modificada para
testes em proporções seria:
Viu? No fundo é a mesma coisa, o que muda mesmo é o cálculo da variância!

Vamos aplicar ao caso concreto para entendermos. A variância do processo seria:

Estratégia
Cr nONNr iCi U
R «R; Sr >O<S;
Sendo que o desvio padrão respectivo seria:
0,09 0, 3
Dp(p) =
1000 V iõ õ õ
Colocando tudo na estatística de teste, chegamos a:
p —p 0, 85 —0,9 -0 , 05 • VlÕÕÕ
Dp(p) 0,3 0, 3
VlÕÕÕ
Exercício chato de cálculo! Uma forma de resolver é pensar, mais ou menos, quanto
seria a raiz quadrada de 1000. Pense 202 é 400, 302 é 900 e 402 é 1600, opa, pare
aí mesmo! Deve ser um número entre 30 e 40, só que bem mais próximo de 30,
então deve ser inferior a 35. Se você fizer 312 você chegará à 961. Este é o valor
mais próximo!
Então vamos fazer um cálculo aproximado:
-0,05 ■V1000
O que chega mais próximo é a alternativa (a). Esta é a correta! Faça com a
calculadora e confirme o raciocínio.
Entenderam como se calcula a estatística de teste?
Agora, podemos testar essa hipótese, fixando a hipótese nula de que p = 0,9 e a
hipótese alternativa de que p < 0,9. Assim:
H0:p = 0,9
H^.p < 0,9

Se formos testar a hipótese a 10% de significância, basta olharmos a tabela da

normal padronizada para encontrarmos o valor do intervalo:
z = [ - 1,28; 1,28]
Lembre-se de que este é um teste monocaudal, portanto, vocês devem procurar

uma probabilidade de, aproximadamente 0,40 na tabela!
Se você comparar a estatística de teste com o intervalo construído, você perceberá

que a mesma não está contida neste último, portanto, rejeita-se a hipótese nula.
Entendeu? Não tem segredo! Agora, vamos treinar um pouco para aprender
de verdade. Alguns exercícios podem ter uns macetes que falta ensinar, mas
pode deixar que eu aviso antes para que vocês acompanhem a resolução.
Chega de lero lero, vamos exercitar!
alternativas são, respectivamente, HH): p < 850 e H1: p > 850. Considere que a

Exercício 15
O poder do teste que representa a probabilidade de se aceitar corretamente a

hipótese nula é de 98,2%.
Resolução
Simples pessoal. Está errado! O poder de um teste é a probabilidade de se rejeitar a

hipótese nula dada que ela é falsa.
Exercício 16
(DNOCS - FCC/2010) Em um teste de hipóteses estatístico, sendo H0 a

hipótese nula e H1 a hipótese alternativa, o nível de significância do teste
consiste na probabilidade de:
a) Aceitar H0 dado que H0 é verdadeira
b) Rejeitar H0 dado que H0 é falsa
c) Aceitar H0, independentemente de falsa ou verdadeira
d) Aceitar H0, dado que é falsa
e) Rejeitar H0, dado que é verdadeira
Resolução
O nível de significância de um teste é a probabilidade de cometer o erro tipo 1 , isso

é, a probabilidade de rejeitar H0 dado que ela é verdadeira.
Alternativa (e).

Exercício 17
(Petrobras - CESGRANRIO/2010) Em um teste de hipóteses estatístico, sendo

H0 a hipótese nula e H1 a hipótese alternativa, cometer erro tipo 2 consiste
em:
a) Rejeitar H0, dado que é verdadeira
b) Aceitar H0, dado que é falsa
c) Aceitar H1, sendo H1 verdadeira
d) Rejeitar H1, sendo H1 falsa
e) Aceitar H0 e H1
Resolução
A probabilidade de erro tipo 2 é a de aceitar H0, dado que a mesma é falsa.
Alternativa (b).
Exercício 18
(STN - ESAF/2013) Em um teste de hipóteses, onde Ho é a hipótese nula e Há

é a hipótese alternativa, pode-se afirmar que:
a) ocorre Erro Tipo I quando aceita-se Ho e Ho é falsa.
b) a estatística F de Snedecor tem por finalidade testar o efeito individual de
cada variável explicativa sobre a variável explicada.
c) a soma das probabilidades dos Erros Tipo I e Tipo II é igual a 1.
d) se o valor-p de um teste de hipóteses for igual 0,015, então a hipótese nula
será rejeitada ao nível de significância de 5%, mas não ao nível de
significância de 1%.
e) o nível de confiança é a probabilidade de se cometer Erro Tipo II.

Resolução
Vamos analisar uma a uma:

a) Errado, é o nível de significância do teste.
b) Na última aula vocês vão aprender a estatística F, mas está errado!
c) Essa propriedade não existe.
d) Perfeito, como o p-valor é menor do que 0,05 e maior do que 0,01, rejeitamos
a hipótese nula a 5% e aceita-se a 1%.
e) Não, este é o erro tipo 2.
Alternativa (d).
Exercício 19
(ISS-SP - FCC/2006) Uma variável aleatória X tem distribuição normal com

média p e desvio padrão 100. O tamanho da amostra para que a diferença, em
valor absoluto, entre a média amostral e p seja menor do que 2, com
coeficiente de confiança de 89% é:
a) 1100
b) 2200
c) 2800
d) 3600
e) 6400
Resolução
Olhe, quando o exercício te diz "diferença entre média amostral e p”, ele está
falando de:
X -p = 2
Sabendo que um nível de confiança de 89% corresponde a um valor de 0,445 de

cada lado. Olhe a tabela normal, você verá que o valor encontrado é de 1,6.

Agora basta substituirmos na estatística de teste:
_ X -p _ 2
z_ ^ 1 6 _ TÕÕ
Vn Vn
Agora vamos operar:
100 100 2
Vn= 2 -1' 6 ^ n = í 2 ■1 6 )
n = 6400
Alternativa (e).
Exercício 20
Se o p-valor de um teste é maior do que o nível de significância adotado,

rejeita-se a hipótese nula.
Resolução
É exatamente o contrário, caso o p-valor seja inferior ao nível de significância, aí sim

Alternativa errada.

Exercício 21
Suponha que o objetivo seja testar a hipótese nula de que a média

populacional p é igual a 0. Se esta hipótese é rejeitada num teste monocaudal
contra a hipótese alternativa de que p > 0, ela também será rejeitada num
teste bicaudal contra a hipótese alternativa de que p ^ 0, adotando-se o
mesmo nível de significância.
Resolução
A um mesmo nível de significância, o valor crítico será um número superior (em

número absoluto) em um teste bicaudal do que em um monocaudal.
Por exemplo, compare um nível de significância de 10% em um teste bicaudal, que

nos dá um valor (z = 1,65), enquanto que em um monocaudal o valor passa a ser
(z = 1,28).
Assim, para uma mesma estatística de teste, nada garante que, se o valor supera o
valor de (z) monocaudal, o mesmo será superior ao valor bicaudal para um mesmo
nível de significância.
Alternativa errada.

Estratégia
Cr nONNr iCi U
R «R; Sr >O<S;
Exercício 22
(Gestor fazendário - ESAF/2005) Lança-se uma moeda 20 vezes e observa-se a

ocorrência de 7 caras. Seja 0 a probabilidade de cara. Assinale a opção que dá
o valor da estatística de teste correspondente ao teste H 0-, 0 > O , S contra
H t: 0 < 0,5.
a) -o,3V2Õ
b) - 0 , 2 ^
c) 0,3V2Õ
d) 0,2V2Õ
e) o,5V2Õ
Resolução
Bom, vamos testar esta moeda que mostra uma probabilidade de obter cara de:
Agora só precisamos usar a fórmula de estatística de teste:

p —p
Assim, substituindo os valores:

0, 35 - 0 , 5 - 0, 15-V2Õ
= -0 , 3 ■V2Õ
Alternativa (a).
A próxima vale a pena vocês acompanharem primeiro!

Estratégia
Cr nONNr iCi U
R «R; Sr >O<S;
difícil!
Exercício 23
(ICMS-MG - ESAF/2005) Um fabricante afirma que, pelo menos, 95% dos

equipamentos que fornece à indústria encontram-se dentro de suas
especificações. Uma amostra de 200 itens escolhidos ao acaso revelou 10
itens fora de especificação. Assinale a opção que corresponde ao valor
probabilístico (p-valor) do teste H 0-, 0 > 0,95 contra H a-. 0 < 0,95, sendo 0 a
proporção populacional dos itens dentro das especificações.
a) 0,5
b) 0,05
c) 0,025
d) 0,01
e) 0,1
Resolução
Vamos utilizar a mesma "fórmula” para estatística de teste do exercício anterior:
p —p
A questão agora é que o que é pedido é o p-valor. Mas, o que é o p-valor? Vamos
lembrar-nos da aula anterior: “ Em termos mais analíticos, pode-se definir o p-
valor como o menor nível de significância em que a hipótese nula pode ser
rejeitada” .
Então, em termos práticos, o que estamos fazendo? Nós vamos calcular, por meio
da estatística de teste, os valores que estão dentro de um intervalo de confiança
definido para a proporção. O p-valor será a probabilidade de obtermos valores
extremos, além do intervalo de confiança definido para a proporção.

Estratégia
---------- C O N C U R S O S ^
Vamos aplicar no nosso exemplo, sendo que, para isso, temos de calcular a
proporção amostrai:
190
Vamos substituir na estatística de teste:
0,9 5 - 0,9 5
z = = 0
P-(. 1 - P )
n
Veja que nem precisamos calcular o denominador, pois o numerador é igual à zero.
O que este resultado está nos dizendo? Olhe o gráfico abaixo:
Nós estamos bem no centro da distribuição, o que nos leva à conclusão de que
estamos em um ponto que divide a distribuição em duas partes iguais de 50% de
chance.

Qual o p-valor? É a probabilidade de estarmos à direita do z calculado, ou seja, nos
valores extremos delimitados pelo intervalo de confiança. Portanto, o p-valor será
de:
p — valor = 1 —0, 5 = 0, 5
Alternativa (a).
(ICMS-RJ - FCC\2013) Para responder às questões de números 24 a 25,

considere as informações a seguir:
Se Z tem distribuição normal padrão, então:
P(Z < 0,8) = 0,788; P(Z < 1,25) = 0,894; P(Z < 1,4) = 0,92;
P(Z < 1,64) = 0,95; P(Z < 1,96) = 0,975; P(Z < 2) = 0,977
Exercício 24
Seja p a probabilidade de ocorrer cara quando se lança uma determinada

moeda. Com base em 100 lançamentos da moeda, deseja-se testar a hipótese
de que a moeda é não viciada (p = 0,5) contra a alternativa de que p = 0,8. Com
base na variável aleatória p que representa a proporção de caras em 100
lançamentos estabeleceu-se para o teste a seguinte região crítica (RC): RC =
{p > 0,75}. Sendo p a probabilidade do erro do tipo II, e admitindo-se a
aproximação à normal para a distribuição dep, o valor de p é
a) 0,150
b) 0,250
c) 0,106
d) 0,053
e) 0,125

Estratégia
Cr nONNr iCi U
R «R; Sr >O<S;
Resolução
O erro tipo II é a probabilidade de aceitarmos a hipótese nula dado que ela é falsa.
O exercício fala que a região crítica é dada pelos valores nos quais a proporção é
maior ou igual a 0,75.
Para fazer isso, precisamos encontrar a probabilidade de que encontremos um valor

menor do que 0,75, sabendo-se que a média do processo é 0,8.
Antes de começarmos, atente-se que se trata de um caso de teste de jipóteses com

proporções! Assim, vamos usar nossa fórmula:
0, 8 • ( 0, 2)
100
Ou seja, com base no enunciado:
PÇZ < 1,25) = PÇZ > - 1,25) = 0,894
Essa é a probabilidade de encontrarmos um valor maior do que 0,75, mas nós

queremos exatamente o contrário!
Portanto, a probabilidade de encontrarmos um valor menor do que 0,75 significa

encontrar um valor de estatística Z "mais negativo”, ou mais "à esquerda” da curva
de distribuição normal.
1 - P ( Z > -1 ,2 5) = 0, 106
Alternativa (c).

Estratégia
Cr nONNr iCi U
R «R; Sr >O<S;
Exercício 25
O tempo necessário para o atendimento de uma pessoa em um guichê de uma

repartição pública tem distribuição normal com média : = 140 segundos e
desvio padrão o = 50 segundos. A probabilidade de que um indivíduo,
aleatoriamente selecionado, espere entre 3 e 4 minutos para ser atendido é
a) 0,765
b) 0,632
c) 0,235
d) 0,189
e) 0,678
Resolução
Vamos trabalhar com a unidade "segundos”:
3 minutos = 180
4 minutos = 240
Precisamos encontrar a diferença entre a probabilidade de o indivíduo esperar 4

minutos e 3 minutos a fim de respondermos a questão. Assim, a probabilidade de o
indivíduo esperar até 3 minutos:
180 - 140 40
Com base no enunciado:
P(Z < 0,8) = 0, 788
Já a chance de o indivíduo esperar entre 0 e 4 minutos é:
240 - 140 100

50 50 2

Assim:
PÇZ < 2 ) = 097 7
O que estamos procurando é:
P( 0,8 < Z < 2) = P{Z < 2 ) - PÇZ < 0,8) = 0,9 77 - 0,788 = 0, 189
Alternativa (d).
Exercício 26
(AFRFB - ESAF\2014) Em um teste de hipóteses bilateral, com nível de

significância a, cujas estatísticas de teste calculadas e tabeladas são
designadas por Tc e Ta , respectivamente, pode-se afirmar que:
a) se - T a/2< Tc< Ta/2, rejeita-se H0.
b) se - T a/2< Tc< Ta/2, não se pode rejeitar H0.
c) a probabilidade de se rejeitar H0, sendo H0 verdadeira, é igual |.
d) ocorre erro tipo I quando se aceita H0 e H0 é falsa.

e) se a for igual a 5%, então a probabilidade de ocorrer erro tipo II é 95%.
Resolução
Vamos analisar as alternativas:

a) Quando a estatística de teste (t calculado) cai dentro do intervalo de confiança
não é possível rejeitar H0.
b) Alternativa correta.
c) Essa é quase uma pegadinha, pois esse é o erro tipo I, que é igual a a.
d) O erro tipo I ocorre quando rejeita-se H0 quando ela é verdadeira.
e) Não dá para afirmar isso.
Alternativa (b).

Exercício 1
(Elaborado pelo autor) Suponha que a seguinte amostra de alturas tenha sido
retirada da população:
Dado que a altura média da população é de 1,70m e sabendo que o desvio

padrão populacional é de 0,1, qual a probabilidade de encontrarmos um valor
para a média amostral que se situe entre 1,70m e o valor encontrado para esta
amostra?
Exercício 2
(Auditor da Previdência Social - ESAF/2002/modificada) O desvio padrão para

o peso de peças mecânicas obtidas num lote de produção é de 25kg.
Sabendo-se que, em uma amostra de 100 peças do lote, foi encontrado um
peso médio de 23,2kg, qual o intervalo de confiança para a média?
a) [22, 22; 24,18]
b) [25,22; 24,18]
c) [22, 22; 27,00]
d) [22,00; 24,00]
e) [22,19; 28,18]

Exercício 3
(BACEN - FCC\2005) A distribuição dos valores de aluguéis dos imóveis em

certa localidade é bem representada por uma curva normal com desvio padrão
populacional de R$ 200,00. Por meio de uma amostra aleatória de 100 imóveis
neste local, determinou-se um intervalo de confiança para a média destes
valores de [R$ 540,00;R$ 660,00].
A mesma média amostral foi obtida com um outro tamanho de amostra, com o
mesmo nível de confiança anterior, sendo o novo intervalo [R$ 560,00;R$
640,00]. A população tem tamanho infinito, o tamanho da amostra no segundo
caso é de:
a) 225
b) 256
c) 324
d) 400
e) 625
Exercício 4
igual a 15, com 5% de significância. Essa afirmação mostrou-se como
verdadeira.

Exercício 5
(TRF 1- Região - FCC/2001/modificada) Julgue a afirmativa.
de, no mínimo, 15, com 5% de significância. Essa afirmação mostrou-se como
verdadeira.
Exercício 6
(BACEN - FCC/2005) As empresas de um determinado setor têm uma situação

líquida bem descrita por uma distribuição normal, com média igual a 2,5
milhões de reais e desvio padrão de 2 milhões de reais. Selecionando uma
situação líquida negativa é de:
a) 50%
b) 39%
c) 23%
d) 16%
e) 11%

Exercício 7
(TRT 2- Região - 2008/FCC) Para uma experiência realizada com referência à

medição do comprimento de determinada peça fabricada por uma indústria,
utilizou-se uma amostra de 16 peças, apurando-se uma média de 0,9m e um
desvio padrão de 0,2m. Supondo que os comprimentos das peças tenham
distribuição normal, com média p e variância desconhecida, deseja-se saber,
ao nível de significância de 5%, se o comprimento da peça não é inferior a 1m.
Seja H0 a hipótese nula do teste (p = lm ) e H1 a hipótese alternativa (p < lm )
e t005 = -1 ,7 5 o quantil da distribuição t de Student tabelado para teste
unicaudal, com 15 graus de liberdade. Então, pelo teste t:
a) A conclusão obtida seria a mesma para qualquer nível de significância

b) H0 não pode ser aceita, indicando que os comprimentos são menores
que 1m
c) O número de graus de liberdade não interferiu na definição de t 0,os =
-1 ,7 5
d) Para um nível de significância superior a 5% a conclusão não poderia
ser a mesma
e) O valor da estatística de teste é de -0,5
Exercício 8
(ATRFB - ESAF/2013) A variância da amostra formada pelos valores 2, 3, 1, 4,

5 e 3 é igual a
a) 3.
b) 2.
c) 1.
d) 4.
e) 5.

Exercício 9
(FINEP - CESGRANRIO/2011) Uma amostra aleatória de 100 famílias foi

Gastos em 10 reais Frequência Absoluta

de 1 a 3 10
de 3 a 5 30
de 5 a 7 60
total 100
As melhores estimativas para a média aritmética e para a variância amostral

são, aproximada e respectivamente,
a) 5 reais e 1,82 reais2

b) 5 reais e 18,2 reais2
c) 50 reais e 1,82 reais2
d) 50 reais e 18,2 reais2
e) 50 reais e 182 reais2
Prof. Jeronym o M arcondes WWW.estrategiaconcursoS.COm.br 62 de 71

Exercício 10
(FINEP - CESGRANRIO\2011) Dois dados comuns, honestos, foram lançados

simultaneamente. Sabe-se que a diferença entre o maior resultado e o menor é
igual a um. Qual é a probabilidade de que a soma dos resultados seja igual a
sete?
a) 1/3
b) 1/4
c) 1/5
d) 1/6
e) 1/7
Exercício 11
A média amostral produzida pelo teste estatístico foi superior a 950 m2 e

inferior a 1000 m2

Exercício 12
(TRT 3ã Região - FCC/2009) O peso de pacotes de café é uma variável aleatória

X. Uma máquina de encher pacotes está regulada para fazê-lo com g = 500# e
a2 = 100 g 2. Com o objetivo de manter sob controle a variabilidade do produto,
a cada 30 minutos uma amostra aleatória de alguns pacotes é selecionada e
testa-se se a variabilidade está controlada. Assim, desejando-se testar H0:
a2 = 100 contra H1: a2 ^ 100, toma-se uma amostra de 16 pacotes e observa-
se uma variância amostral de 160g2. O valor observado para a estatística de
teste é de:
a) 31
b) 28
c) 24
d) 22
e) 19
Exercício 13
(elaborado pelo autor) Com base no exercício anterior, a 5% de significância,

verifique se a hipótese nula é satisfeita.
Exercício 14
(Petrobrás - CESGRANRIO/2010) Um fabricante deseja fazer um estudo, com

confiança de 95%, a respeito da aceitação de seu novo produto. Esse novo
lançamento só será comercializável se o índice de aceitação for de, pelo
menos, 90%. Para tal, realizou uma pesquisa em uma cidade na qual o produto
já foi comercializado. Foi perguntado aos consumidores se estes gostaram do
produto. O resultado foi o seguinte: 850 consumidores responderam que
gostaram e 150 que não gostaram. Qual será a estatística de teste a ser
utilizada neste teste?

a) -5,27
b) -1,96
c) -1,65
d) 1,96
e) 5,27
Exercício 15
O poder do teste que representa a probabilidade de se aceitar corretamente a

hipótese nula é de 98,2%.
Exercício 16
(DNOCS - FCC/2010) Em um teste de hipóteses estatístico, sendo H0 a

hipótese nula e H1 a hipótese alternativa, o nível de significância do teste
consiste na probabilidade de:
a) Aceitar H0 dado que H0 é verdadeira
b) Rejeitar H0 dado que H0 é falsa
c) Aceitar H0, independentemente de falsa ou verdadeira
d) Aceitar H0, dado que é falsa
e) Rejeitar H0, dado que é verdadeira

Exercício 17
(Petrobras - CESGRANRIO/2010) Em um teste de hipóteses estatístico, sendo

H0 a hipótese nula e H1 a hipótese alternativa, cometer erro tipo 2 consiste
em:
a) Rejeitar H0, dado que é verdadeira
b) Aceitar H0, dado que é falsa
c) Aceitar H1, sendo H1 verdadeira
d) Rejeitar H1, sendo H1 falsa
e) Aceitar H0 e H1
Exercício 18
(STN - ESAF/2013) Em um teste de hipóteses, onde Ho é a hipótese nula e Há

é a hipótese alternativa, pode-se afirmar que:
a) ocorre Erro Tipo I quando aceita-se Ho e Ho é falsa.
b) a estatística F de Snedecor tem por finalidade testar o efeito individual de
cada variável explicativa sobre a variável explicada.
c) a soma das probabilidades dos Erros Tipo I e Tipo II é igual a 1.
d) se o valor-p de um teste de hipóteses for igual 0,015, então a hipótese nula
será rejeitada ao nível de significância de 5%, mas não ao nível de
significância de 1%.
e) o nível de confiança é a probabilidade de se cometer Erro Tipo II.

Exercício 19
(ISS-SP - FCC/2006) Uma variável aleatória X tem distribuição normal com

média p e desvio padrão 100. O tamanho da amostra para que a diferença, em
valor absoluto, entre a média amostrai e p seja menor do que 2, com
coeficiente de confiança de 89% é:
a) 1100
b) 2200
c) 2800
d) 3600
e) 6400
Exercício 20
Se o p-valor de um teste é maior do que o nível de significância adotado,

Exercício 21
Suponha que o objetivo seja testar a hipótese nula de que a média

populacional p é igual a 0. Se esta hipótese é rejeitada num teste monocaudal
contra a hipótese alternativa de que p > 0, ela também será rejeitada num
teste bicaudal contra a hipótese alternativa de que p ^ 0, adotando-se o
mesmo nível de significância.

Exercício 22
(Gestor fazendário - ESAF/2005) Lança-se uma moeda 20 vezes e observa-se a

ocorrência de 7 caras. Seja 0 a probabilidade de cara. Assinale a opção que dá
o valor da estatística de teste correspondente ao teste H 0-, 0 > O , S contra
H t: 0 < 0,5.
a) -o,3V2Õ
b) - 0 , 2 ^
c) 0,3V2Õ
d) 0,2V2Õ
e) o,5V2Õ
Exercício 23
(ICMS-MG - ESAF/2005) Um fabricante afirma que, pelo menos, 95% dos

equipamentos que fornece à indústria encontram-se dentro de suas
especificações. Uma amostra de 200 itens escolhidos ao acaso revelou 10
itens fora de especificação. Assinale a opção que corresponde ao valor
probabilístico (p-valor) do teste H 0-, 0 > 0,95 contra H a-. 0 < 0,95, sendo 0 a
proporção populacional dos itens dentro das especificações.
a) 0,5
b) 0,05
c) 0,025
d) 0,01
e) 0,1

(ICMS-RJ - FCC\2013) Para responder às questões de números 24 a 25,

considere as informações a seguir:
Se Z tem distribuição normal padrão, então:
P(Z < 0,8) = 0,788; P(Z < 1,25) = 0,894; P(Z < 1,4) = 0,92;
P(Z < 1,64) = 0,95; P(Z < 1,96) = 0,975; P(Z < 2) = 0,977
Exercício 24
Seja p a probabilidade de ocorrer cara quando se lança uma determinada

moeda. Com base em 100 lançamentos da moeda, deseja-se testar a hipótese
de que a moeda é não viciada (p = 0,5) contra a alternativa de que p = 0,8. Com
base na variável aleatória p que representa a proporção de caras em 100
lançamentos estabeleceu-se para o teste a seguinte região crítica (RC): RC =
{p > 0,75}. Sendo p a probabilidade do erro do tipo II, e admitindo-se a
aproximação à normal para a distribuição dep, o valor de p é
a) 0,150
b) 0,250
c) 0,106
d) 0,053
e) 0,125
Exercício 25
O tempo necessário para o atendimento de uma pessoa em um guichê de uma

repartição pública tem distribuição normal com média : = 140 segundos e
desvio padrão o = 50 segundos. A probabilidade de que um indivíduo,
aleatoriamente selecionado, espere entre 3 e 4 minutos para ser atendido é
a) 0,765
b) 0,632
c) 0,235
d) 0,189
e) 0,678

Exercício 26
(AFRFB - ESAF\2014) Em um teste de hipóteses bilateral, com nível de

significância a, cujas estatísticas de teste calculadas e tabeladas são
designadas por Tc e Ta , respectivamente, pode-se afirmar que:
a) se - T a/2< Tc< Ta/2, rejeita-se H0.
b) se - T a/2< Tc< Ta/2, não se pode rejeitar H0.
c) a probabilidade de se rejeitar H0, sendo H0 verdadeira, é igual |.
d) ocorre erro tipo I quando se aceita H0 e H0 é falsa.

e) se a for igual a 5%, então a probabilidade de ocorrer erro tipo II é 95%.

Gabarito
2- a
3- a
4- C
5- C
6- e
7- b
8- b
9- e
10 - c
11 - C
12 - c
13 - C
14 - a
15 - E
16 - e
17 - b
18 - d
19 - e
20 - E
21 - E
22 - a
23 - a
24 - c
25 - d
26 - b
O assunto de hoje é muito importante e daremos enfoque a ele em nosso simulado.
Estudem e mandem dúvidas! Vocês conseguirão realizar seus sonhos, basta se
esforçar!

AULA 09 - Correlação e Regressão
SUMÁRIO PÁGINA
Associação entre variáveis 2
Associação entre variáveis qualitativas 4
Associação entre variáveis quantitativas 10
Associação entre variáveis qualitativas e quantitativas 15
Introdução ao método de regressão 17
Estimação com base em amostra e Método dos Mínimos 21
Quadrados Ordinários (MQO)
Tabela ANOVA 28
Teste de hipóteses sobre os coeficientes 35
Eficiência do estimador de Mínimos Quadrados Ordinários (MQO) 38
Lista de Exercícios resolvidos 60
Gabarito 70
Bem vindos à nossa última aula teórica! Nesta aula, temos alguns assuntos
importantes para discutir:
1) Correlação.
2) Regressão Linear.
Aquele pensamento de estudar matérias de exatas, tais

como estatística, só por exercícios não é muito correto. Toda
matéria, independentemente de qual, deve ser estudada com
base em teoria também. Muitos exercícios podem exigir
conhecimentos mais aprofundados, tal como vocês verão no
simulado.

1. Associação entre variáveis
Até agora estudamos o comportamento de variáveis com distribuições e parâmetros

definidores de sua dinâmica, tal como sua média, por exemplo.
Mas, uma questão que os estatísticos sempre têm que abordar é: como é o
comportamento conjunto de mais de uma variável?
Por exemplo, um pesquisador pode estar interessado em saber como a renda dos
indivíduos de uma determinada região está correlacionada com seus gastos em
consumo. O que deve ser feito é avaliar como a variável "renda” de um determinado
indivíduo se relaciona com a variável "gastos em consumo” do mesmo.
Neste caso, teríamos um conjunto de variáveis relativas à renda dos diversos

indivíduos pesquisados (rt) e outro conjunto com as variáveis relativas ao consumo
destes mesmos indivíduos (q). Suponha que nossa amostra seja dada por 8 (oito)
indivíduos, cujos valores para estas variáveis sejam dados por:
Renda Consumo
Indivíduo (R$) (R$)
1 1000 700
2 1500 800
3 2000 1000
4 2300 1100
5 2700 1200
6 5500 2300
7 6000 2500
8 7300 3000
Se você colocar em um gráfico os pontos relativos a cada indivíduo, de forma que

localizemos o valor de consumo no eixo vertical, da renda no eixo horizontal e que o
ponto seja a "intersecção” destes valores, teríamos o seguinte gráfico de dispersão:

Olhe o que este gráfico está te mostrando! Conforme a renda cresce, o valor gasto
em consumo também cresce, mas a taxas decrescentes. Veja que, para o primeiro
indivíduo o consumo é 70% de toda sua renda, enquanto que, para o 8° indivíduo, o
consumo é 41%.
Viu que conclusão interessante você tirou a partir da análise desta amostra fictícia?
A lista de possibilidades é infinita! Vocês terão que fazer isso várias vezes no setor
público, pois a análise de muitos projetos necessita este conhecimento estatístico.
Assim, nesta aula, precisaremos estudar a forma de avaliar o comportamento

conjunto de variáveis. Entretanto, vocês devem lembrar-se de que há dois tipos de
variáveis: quantitativas e qualitativas. Assim, podemos ter 3 (três) casos de
associação entre variáveis:
1) Entre duas variáveis qualitativas;

2) Entre duas variáveis quantitativas;
3) Entre uma variável qualitativa e outra quantitativa.
Então, vamos começar!

2. Associação entre variáveis qualitativas
Para que vocês entendam direitinho, vamos analisar alguns exemplos do livro
"Estatística Básica” dos professores Bussab e Morettin.
Suponha que queiramos verificar se existe associação entre o sexo e a carreira

escolhida por 200 alunos de Economia e Administração. Nós podemos verificar
como se dá a distribuição conjunta destas variáveis por meio de uma tabela de
dupla entrada ou tabela de contingência. Veja como seria uma tabela deste tipo:
Curso\Sexo Masculino Feminino Total

Economia 85 35 120
Administração 55 25 80
Total 140 60 200
Olhe, cada entrada da tabela representa quantas vezes ocorre cada realização
conjunta. Não entendeu? Veja o primeiro quadradinho da tabela, que tem o valor
de 85:

Economia 85 35 120
Total 140 60 200
O que ele está te dizendo é que há 85 homens que cursam economia, ou seja, ele
dá a realização simultânea de (sexo = masculino) e (curso = economia).
Em termos matriciais, nós podemos chamar esta

célula de (1, 1), pois se trata da intersecção da primeira linha com a primeira coluna.
Assim, sempre que você ver a definição de uma célula de uma matriz com base em
dois números entre parênteses (x e y , por exemplo), o que isso está te falando é
que: (x ,y ) = (linha, coluna) = intersecção da linha x com coluna y.

Este é um exemplo de amostragem aleatória estratificada em contraposição à

amostragem aleatória simples, que estudamos até agora! Esta última é o caso no
qual qualquer membro da população tem a mesma chance de ser sorteado para a
amostra, como se fosse um sorteio. Já no presente exemplo, a população foi
dividida em subgrupos (tal como homens e mulheres, por exemplo) e, a partir daí, é
realizada uma amostragem aleatória simples em cada um destes estratos.
E qual é a quantidade de alunos de Economia, independentemente do sexo?
Ora, basta somar a linha respectiva à economia:

Economia 85 35 120
Total 140 60 200
Entendeu? Há 120 alunos de Economia, sendo 85 homens e 35 mulheres. Este

valor, que nos dá o valor total de realizações de uma variável qualitativa
(independentemente das outras variáveis qualitativas), é chamado de distribuição
marginal. Na nossa tabela, estes valores estão nas células (1,3), (2,3), (3,1) e (3,2).
Em vez de trabalharmos com frequências absolutas, como é o caso, fica mais fácil
visualizar interações utilizando frequências relativas!
-“Como fazer isso, professor”?
Basta dividir as células pelas suas distribuições marginais.
“Mas, devo utilizar as distribuições marginais das linhas ou das colunas”?
Aí,depende do que você quer avaliar. No nosso caso, vamos fixar o total dos sexos
como 100% e, com base nisso, encontrar quanto cada curso representa de
matriculas por sexo. Veja como ficaria:


Economia 61% 58% 60%
Administração 39% 42% 40%
Total 100% 100% 100%
Viu o que eu fiz? Eu dividi cada célula pelo total dado pela coluna e multipliquei por
100. Por exemplo, na célula (1,1), realizamos a divisão de 85 por 140, o que dá,
aproximadamente, 0,61.
Agora eu te pergunto: existe relação entre o sexo da pessoa e o curso escolhido?
Quando nós fixamos a coluna e encontramos as frequências relativas, estamos

encontrando, nas duas primeiras colunas, qual o percentual de cada sexo que
frequenta cada curso, enquanto que, na última coluna, determinamos o percentual
de pessoas que frequenta cada curso, independentemente do sexo.
INDO
^jrrnais fundo Isso não te lembra nada? Exatamente! As
probabilidades condicionais. As duas primeiras colunas referem-se a “frequências
condicionais”, enquanto que a última seria como se fosse uma “frequência
incondicional”. Lembra-se de que, quando os eventos são independentes, a
probabilidade condicional é igual à incondicional? Aplique um raciocínio análogo ao
presente caso, se a frequência condicional é muito próxima à incondicional, a
“condição” parece não ajudar a explicar o fenômeno.
Vamos exemplificar! No nosso exemplo, 60% das pessoas da população

frequentam cursos de Economia e 40% frequentam cursos de Administração,
independentemente do sexo. Assim, olhando a tabela, podemos ver que as
proporções do sexo masculino (61% e 39%) e feminino (58% e 42%) são muito
próximas das marginais (60% e 40%). Este resultado parece indicar não haver
dependência entre as duas variáveis. Com base nestas afirmações podemos inferir
que, provavelmente, o sexo de uma pessoa não influencia na escolha entre
cursos de Economia e Administração.

Veja outro exemplo:

Física 100 (71%) 20(33%) 120(60% )
Ciências Sociais 40 (29%) 40(67% ) 80(40% )
Total 140(100% ) 60(100% ) 200(100% )
Agora a coisa é diferente! Veja que as proporções de frequência nos cursos de

Física e Ciências Sociais por parte do sexo masculino (71% e 29%,
respectivamente) e feminino (29% e 67%, respectivamente) são muito diferentes
das proporções marginais (60% e 40%, respectivamente). Ou seja, quando
incluímos a informação referente ao sexo do indivíduo, a distribuição de pessoas
pelos cursos se modifica muito com relação ao total geral. Assim, as variáveis
parecem estar associadas!
Porém, muitas vezes, é importante quantificar esta associação, isso é, o

“quanto” estas variáveis estão associadas?
Para isso utilizaremos o chamado coeficiente de contingência de Pearson. Este

coeficiente se baseia no somatório dos desvios de cada célula com relação ao seu
valor esperado caso as variáveis em estudo não fossem associadas. Não entendeu
nada, não é? Vamos voltar ao exemplo dos alunos de Física e Ciências Sociais.
No fundo, o que fizemos foi comparar a proporção marginal de cada curso com
relação às suas respectivas proporções associada a cada sexo. Assim, caso as
variáveis não tivessem nenhuma associação, esperar-se-ia que:

Física 84 (60%) 36 (60%) 120 (60%)
Ciências Sociais 56 (40%) 24 (40%) 80 (40%)
Total 140 (100%) 60(100% ) 200 (100%)
Entendeu? Se as variáveis não forem associadas, espera-se que 60% das pessoas
frequentarão cursos de Física e 40% cursos de Ciências Sociais,
independentemente do sexo. Se isso for verdade, basta aplicar estes

Prof. Jeronymo Marcondes - A ula 09
percentuais no total de cada coluna que encontraríamos os valores esperados
de cada célula se as variáveis não fossem associadas.
Se compararmos o valor real de cada célula com seu valor esperado, teremos a
seguinte distribuição:

Física 100-84=16 20-36=-16 0
Ciências Sociais 4 0- 56=-16 4 0 -24=16 0
Total 0 0 0
Este é o mesmo problema que encontramos quando estudamos a variância,

pois a soma dos desvios deve igualar zero. Assim, vamos adotar uma estratégia
semelhante para resolver o problema, elevando os desvios ao quadrado e dividindo
tal resultado pelo valor esperado da célula:
Curso\Sexo Masculino Feminino

Física (1 6 )7 8 4 (-16) 7 36
CiênciasSociais (-1 6 )7 5 6 (16) 7 24
Pode-se provar que a soma de todos estes elementos

gera uma estatística de teste qui-quadrado (x2). Não cabe demonstrar isso
aqui, portanto, decore!
Assim, a estatística de teste para análise de associação entre estas variáveis é

dada por:
2
( 16)2 _ ( - 16)2 _ ( 16)2 _ ( - 16)2
x = 3,04 + 4, 57 + 7, 11 + 10,67 = 25,4
84 + 56 + 24 + 36
Este é um valor significantemente maior do que zero, portanto, pode-se inferir que
as variáveis estão associadas. Quanto maior este valor, menor é a associação
entre as variáveis.

Estratégia
C
Viu como se faz? Portanto, guarde a fórmula:
Sendo que esta expressão está te dizendo para somar, para todas as células (i, í ), o
quadrado das diferenças entre o valor real (ríjí) e o valor esperado em cada célula
(eu), caso as variáveis não fossem associadas, divido pelo seu respectivo valor
esperado.
“Tá bom professor, mas devo comparar este valor com a tabela qui-
quadrado”?
Olha, não precisamos entrar nisso. Esta parte fica um pouco mais complicadinha e
nunca cai em concursos que não sejam específicos para estatísticos. Assim, só
saiba calcular a estatística de teste e o coeficiente de Pearson que já basta.
Com base neste valor qui-quadrado, pode-se calcular o coeficiente de contingência

de Pearson, dado por:
C o e fic ie n te d e P e a rs o n =
Sendo n o tamanho da amostra.
Surge uma pergunta natural:
-“Qual o tamanho ideal de minha amostra”?
Essa é uma pergunta sem uma única resposta! Isso muda de autor para autor. Mas,
é importante que vocês conheçam uma "regrinha de bolso” para determinação do
valor ideal de uma amostra com base no erro amostrai tolerável (E).

Nós já estudamos o que é um erro amostrai: a margem

de erro da aula anterior. Existe uma fórmula que nos dá a amostra mínima com
base no máximo de erro que estamos dispostos a cometer:
Isso é, para um erro amostral da ordem de 4%, devemos ter uma amostra de, no
mínimo:
Ou seja, nossa amostra deve ter, no mínimo, 625 elementos.
3. Associação entre variáveis quantitativas
No caso de uma análise entre variáveis quantitativas o nosso "arsenal” para análise
é muito maior! Nós podemos tanto utilizar o que estudamos na seção anterior,
quanto outras possibilidades gráficas, como o diagrama de dispersão.
Veja o exemplo que demos no início da aula:

Renda Consumo
Indivíduo (R$) (R$)
1 1000 700
2 1500 800
3 2000 1000
4 2300 1100
5 2700 1200
6 5500 2300
7 6000 2500
8 7300 3000

Este é um caso de variáveis quantitativas em que podemos usar o diagrama de

dispersão, ensinado na aula 00. O que eu quero que vocês notem é o seguinte:
Entendeu? Se você traçar uma reta que "mais ou menos” que une os pontos, você
encontra uma reta inclinada para cima, ou como chamam os matemáticos,
positivamente inclinada. O que isso quer dizer é: quanto maior a renda, maior
será o consumo associado, isso é, trata-se de variáveis positivamente
correlacionadas.
Este é um caso possível de associação entre duas variáveis quantitativas, mas não
o único. As variáveis podem ser negativamente correlacionadas. Neste caso,
quanto maior uma delas, menor será o valor associado na outra.
Quer um exemplo? Suponha que seja feita uma pesquisa que relacione o PIB de 6
economias com a taxa de incidência de leptospirose nas mesmas. É de se esperar
que economias mais ricas tendam a ter melhores condições de saneamento, o que
reduz a taxa de incidência desta doença. Em termos gráficos, seria algo mais ou
menos assim:

Com efeito, os pontos indicam que, quanto maior o PIB, menor a taxa de incidência
da doença. O traçado de uma reta que explicita esta dinâmica mostra uma reta
inclinada para baixo, ou negativamente inclinada. Este é um caso de variáveis
negativamente associadas.
Os dois casos mostram exemplos de correlação linear, ou seja, que podem ser
representados por uma linha reta. Podem existir casos de associação não linear,
entretanto não vamos entrar neste detalhe. Apenas entenda o que é uma
associação entre variáveis, que pode ser positiva (quando uma aumenta a
outra também aumenta, ou quando uma se reduz a outra também reduz) ou
negativa (quando uma aumenta a outra reduz ou quando uma reduz a outra
aumenta). No frigir dos ovos: uma relação positiva significa que a “direção"
em que uma variável se movimenta é a mesma da outra variável, por outro
lado, uma relação negativa implica que as variáveis se “movimentarão" em
sentidos opostos.
-“E se as variáveis forem não associadas”?
Boa pergunta! Neste caso, não conseguiremos tirar uma "tendência” da análise
gráfica. A título de ilustração:

Neste caso, não há uma tendência clara entre as duas variáveis! Este é um exemplo
de variáveis não associadas.
Uma medida numérica de associação pode ser obtida pelo coeficiente de

correlação (p). Para uma amostra de tamanho (n ), o coeficiente de correlação entre
duas variáveis quaisquer, x e y, é dado por:
Sendo x e y as médias e dp(x) e dp{y) os desvios padrões das variáveis x e y

respectivamente.
Em termos bem simples, cada parêntese representa a versão padronizada de cada

uma das variáveis, portanto o coeficiente de correlação é igual à média dos
produtos dos valores padronizados das variáveis em análise. Este valor vai de - 1
(menos hum) a 1 (hum):
-!< p < !

Um valor próximo de 1 indica associação positiva, enquanto

que outro próximo de -1 indica associação negativa. Um valor próximo de zero
indica não associação entre variáveis.
Outra forma de explicitar o coeficiente de correlação é por meio da covariância.
Covariância (Cov) é uma medida da “variância conjunta” entre duas variáveis. Para
uma amostra de tamanho (n ), a covariância entre duas variáveis quaisquer, x e y, é
dada por:
Cov(x, y) = Z[O* - x) •(yf - y)]

n
Aí fica fácil ver que:
Cov{x, y)
Pxy dp{x) •dp{y)
Entendeu? Antes de passarmos para o próximo tópico, vocês precisam saber uma
coisa importante demais sobre a covariância!
A covariância entre duas variáveis é influenciada pela

associação que uma variável tem sobre a outra. Assim, se duas variáveis são
independentes, a covariância entre ambas é igual à zero. Porém, o fato de a
covariância entre duas variáveis ser igual à zero não quer dizer que elas sejam
independentes. Atenção a isso!

4. Associação entre variáveis quantitativas e qualitativas
Este é um caso que não é muito cobrado em concurso, assim vamos tentar ser mais
rápidos aqui.
Vamos nos basear em outro exemplo dos professores Bussab e Morettin. Suponha
que seja feita uma pesquisa de forma a avaliar o comportamento dos salários
(variável quantitativa) dentro de cada categoria de grau de instrução (variável
qualitativa). Os resultados encontrados foram:
Grau de Instrução Tamanho da amostra (n ) Média Salarial Variância Amostral

Fundamental 12 7,84 7,77
Médio 18 11,54 13,1
Superior 6 16,48 16,89
Total 36 11,12 20,46
Pode-se inferir que, quanto maior o nível educacional, na média, maior será o
salário do indivíduo. Uma forma de confirmar a veracidade dessa afirmação é
percebendo que a variância amostrai para todos os dados é maior do que a
variância para cada subclasse.
-“Por que isso é importante”?
Ora, se os dados totais apresentam maior variância do que cada classe

individualmente, isso significa que re»uzir nossa análise a subclasse melhora a
acurácia de nossas conclusões.
-“E se, por exemplo, a variância da subclasse “ensino superior” fosse de 23”?
Neste caso, a subdivisão dos dados em uma classe de nível superior não estaria
"ajudando” na análise, pois a variabilidade seria menor se analisássemos os dados
dos salários como um todo.

Estratégia
C
Assim, podemos quantificar o grau de associação entre duas variáveis como o

“ganho relativo na variância” obtido pela introdução da variável qualitativa.
Isso é feito por meio do R2 (nós a estudaremos com mais detalhes logo mais).
Para quantificarmos o R2 precisamos definir (Var), a média das variâncias dentro

dos subgrupos, que chamaremos de variância média. Ao definirmos Vart • nt como
o produto da variância do subgrupo i pelo tamanho da amostra no mesmo, a
variância média será dada por:
Z(Vari ■nt)
Assim, com base na variância total da amostra (Var), podemos definir R2 como:
Então se aplicarmos esta fórmula a nosso exemplo acima:
Isso quer dizer que 41,5% da variabilidade dos salários é explicada pela
variável “grau de instrução”.
Beleza, terminamos a parte de correlação, vamos à regressão!

5. Introdução ao método de Regressão
Pessoal, hora de forçar a memória escolar e lembrar o que é uma função, ou

melhor, uma função linear. Função é uma relação entre duas variáveis, como por
exemplo:
a) Vendas de uma empresa e gastos em propaganda;
b) Aumento de peso de uma pessoa e quantidade de comida ingerida;
c) Valor da conta de energia e número de equipamentos elétricos em uma casa.
Se chamarmos a primeira variável de cada item de y e a segunda de x,

matematicamente, pode-se descrever tal relação como:
y = f(x).
O que quer dizer "y é função de X" ou que as vendas de uma empresa são uma
função da quantidade investida em propaganda. Pode-se afirmar que y depende de
x, portanto, a nomenclatura usual chama y de variável dependente ou explicada e x
de variável independente ou explicativa.
Uma das formas de se expressar tal função é a partir de uma relação linear, tal
como:
y = 2 + 3x.
Ou, genericamente, para qualquer valor que pudesse substituir 2 e 3 na equação

acima:
y = a + 0x. (1)
Este é um exemplo de uma função linear, dado que o expoente de x é 1. (lembrem-

se que qualquer variável elevada a 1 é igual à própria variável). Esta função linear
(lembrem-se da escola) é uma reta. Se x estivesse elevado ao quadrado, seria uma
parábola. Para que você tenha certeza que isso é uma reta, substitua alguns valores

Estratégia
C
na primeira equação e os coloque em um gráfico, você verá que se trata de uma
equação de reta.
- "Professor, ótimo, mas por que você está falando tudo isso?”
Porque, meus queridos alunos, um dos principais objetivos da análise de regressão

é encontrar uma função linear que descreva o comportamento estatístico entre duas
variáveis. Assim, com base em uma série estatística, a estimação de uma regressão
possibilitaria que você encontrasse os valores de a e na equação (1).
O processo de encontrar a relação entre y e x é chamado de Regressão e,

se for uma reta, como na equação (1), é chamado de Regressão Linear.
Como a equação (1) só possui uma variável explicativa, o processo de
encontrar tal relação se chama Regressão Linear Simples.
Porém, perceba que é muito raro que uma variável do mundo real, ainda mais
quando ligada à economia ou a fenômenos sociais, consiga ser representada por
uma reta. Vamos supor que estamos tratando do exemplo (a) acima descrito para o
ano de 2012 e que possuímos dados de todas as vendas de todas as empresas de
um determinado setor e de todos os gastos de propaganda efetuados por estas
empresas.1 Colocando tal relação em um gráfico:
1 Gente, só para chamar a atenção, por enquanto estamos trabalhando com dados coletados em um
único período de tempo, no caso uma única observação por empresa no ano de 2012 (pode ser a soma
de todo o ano, ou de um determinado mês, etc.) Este tipo de disposição de dados é chamado de dados em
cortes transversais ou “cross section".

A reta é representada pela equação (1) e os pontos são os valores que y assume
para cada x.
E aí pessoal, o que vocês estão vendo? Veja que a reta explica bem o
comportamento da variável, se aproximando dos valores reais, mas ainda assim não
explica tudo. Olhe o 3° ponto, nele o valor das vendas aumentou, na média, muito
mais do que o esperado para um determinado investimento em propaganda. Isso
pode ser decorrência de muitos fatores do mundo real, como o fato de que a
empresa talvez fosse muito desconhecida até então, portanto, um pequeno
investimento em propaganda teve resultados muito grandes quando comparado a
empresas que já são relativamente conhecidas. Este tipo de raciocínio pode ser
aplicado para os pontos abaixo da reta também, que apresentam, na média,
retornos abaixo do esperado para um determinado gasto em propaganda.
Assim, se uma versão linear e simples da equação de reta for a mais bem ajustada
à série de dados, pode-se inferir que a equação que representa a real dinâmica do
fenômeno em estudo, no caso, as vendas da empresa é dada por:
yi = a + p X i + Et
Sendo m o termo que representa o "erro”, ou seja, os desvios das observações com
relação à reta (pensem comigo, o erro é a distância da reta até cada um daqueles
pontos no gráfico acima). O subscrito 7 ’ se refere à cada uma das empresas

Estratégia
C
analisadas em 2012, isto é, a empresa representada no primeiro ponto no gráfico
tem subscrito (1), a segunda subscrito (2) e assim por diante.
Vocês concordam comigo que não dá para levar em conta todas as variáveis que
afetam o comportamento das vendas de todas as empresas? Pode ser que um
gerente comercial muito bom de serviço tenha pedido demissão da empresa (4), o
que puxaria suas vendas para baixo, apesar do investimento em propaganda, etc.
Assim, o erro leva em conta estes efeitos impossíveis de se mensurar, mas que
afetam a dinâmica de y.
Bom, apesar do fato de que este erro é algo que nós temos que aprender a viver
com ele, o mesmo possui uma característica interessante que nós temos que levar
em conta:
E (eô = 0
Isto é, a média dos erros é igual a zero. Ou seja, os desvios "para cima da reta”
igualam o valor dos desvios” para baixo da reta” na média.
1- hipótese sobre o modelo de regressão linear:

atento! E (eô = 0
Ou seja, estes erros são supostamente aleatórios, então a teoria nos permite inferir
que, se o modelo estiver corretamente especificado, o erro será, na média, igual à
zero.
E aí rapaziada, que cara de sono é esta? Vamos acordando, pois um futuro servidor
público não pode dormir em serviço! Você será bem remunerado e com status, mas
com muita responsabilidade.

6. Estimação com base em amostra e Método dos Mínimos Quadrados

Ordinários (MQO)
Vamos ver se vocês estão realmente atentos: lembram-se quando eu disse que a
regressão tinha a ver com todas as empresas, todas as receitas de vendas e todos
os gastos em propaganda?
Atenção, até agora falamos de uma regressão com a população, ou universo, das
variáveis escolhidas. Mas, na maioria dos casos, não possuímos o universo. Por
exemplo, no caso de uma regressão do valor salarial obtido por um trabalhador em
função do nível de escolaridade de cada um destes, é praticamente impossível se
realizar este exercício, pois a base de dados para isto é infinitamente grande.
Assim, na maior parte das vezes, o pesquisador acaba trabalhando com uma
amostra! Ao se avaliar uma regressão para uma amostra estaremos a estimar os
parâmetros de regressão (a e p na equação (1)), ou como nós falamos no dia a
dia, estimar uma regressão.
- “Tá bom Professor, mas, afinal de contas, como se estima uma regressão?”
Ótimo! Tente imaginar um momento: a estimativa dos parâmetros deve ser feita de
forma a garantir o que?
É isso! De forma a minimizar os erros. Isso é feito pelo método dos Mínimos
Quadrados Ordinários (MQO) que nos dá um valor estimado para a e p, que,
chamaremos, a partir daqui, de a e b.
Com base no fato de que a média dos erros é igual a zero, não há como se
minimizar a soma dos erros, dado que o valor sempre será zero. Assim, o objetivo
do método é minimizar a soma dos quadrados dos erros, o que é feito pelo

Estratégia
C O N C U R S O S ^
Prof. Jeronymo Marcondes - A ula 09
estimador de MQO. Gente, sejamos práticos, nunca caiu e, provavelmente, nunca
vai cair a derivação do estimador de MQO, assim, decorem:
X x ty t _ C o v ( x ,y )
Xx f V ar(x )
a = y — bx
Sendo que o travessão sobre determinada variável representa o valor médio da

mesma, define-se a média de uma variável, bem como o valor de uma variável
centrada na média:
xi = xi - x
Assim, b pode ser encontrado pelo somatório da multiplicação de cada

Xj com seu respectivo yt (covariância entre x e y) dividido pela soma de todos os xt
elevados ao quadrado (variância de x). Gente, muita atenção mesmo, perceba que
as variáveis devem ser inseridas na fórmula acima de forma a estarem centradas na
média, ou seja, reduzidas do valor da média de sua série.
Atenção! Muitos exercícios de concursos públicos se utilizam de propriedades

estatísticas que permitem inferir que:
Ou seja, o exercício fornece o somatório das variáveis utilizadas na equação,

mas sem estarem centradas na média. Neste caso, você precisa decorar estas
fórmulas, ok?

No caso da segunda equação, que define a (também chamado de intercepto), há

uma forma específica, mas ela é um pouco esquisita e eu acho que esta forma
facilita a memorização, dado que com os valores médios das variáveis e com a
estimativa de b, encontra-se a.
Exercício 1
Só para vocês ficarem contentes em ver uma aplicação prática, vamos fazer
um exemplo. Vamos lá! Dada a seguinte série de dados, estime a regressão
linear Y = f(X), ou costumeiramente chamada de “Y contra X”.
Variáveis X Y
103 160
123 167
145 207
126 173
189 256
211 290
178 237
155 209
141 193
156 219
166 235
179 234
197 273
204 272

Estatística PDF

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

Estatística PDF

Título original:

Enviado por

Direitos autorais:

Formatos disponíveis

Estatística para AFRFB

Teoria e exercícios comentados

AULA 00: Representação de dados

- "Mas, afinal de contas, quem é você professor?”

Prof. Jeronymo Marcondes WWW.estrategiaconcursoS.COm.br 1 de 41

ATENÇÃO! ESSE MATERIAL PERTENCE AO SITE: WWW.MATERIALPARACONCURSOS.COM

Vamos falar de seu concurso! Auditor Fiscal da Receita Federal do Brasil é, em

-“Melhor que Senado, Câmara, TCU, etc”?

1) Você pode morar em qualquer lugar no Brasil.

-“Mas, será que eu consigo”?

Prof. Jeronymo Marcondes WWW.estrategiaconcursoS.COm.br 2 de 41

ATENÇÃO! ESSE MATERIAL PERTENCE AO SITE: WWW.MATERIALPARACONCURSOS.COM

Pessoal, o meu estilo se caracteriza pelo seguinte: pragmatismo e informalidade.

Probabilidade, Variáveis Aleatórias, Principais Distribuições de

Parece pouco, não? Mas, não é! Isso porque há muitos conhecimentos de

Prof. Jeronymo Marcondes WWW.estrategiaconcursoS.COm.br 3 de 41

ATENÇÃO! ESSE MATERIAL PERTENCE AO SITE: WWW.MATERIALPARACONCURSOS.COM

AULA CONTEÚDO DATA

Aula 0 Conceitos Básicos 02/06/2014

Aula 1 Medidas de Posição e Dispersão 07/07/2014

Aula 3 Distribuição de Probabilidade 04/08/2014

Aula 4 Variáveis Aleatórias Contínuas 04/08/2014

Intervalo de Confiança e Teste de

Aula 9 Simulado 27/10/2014

Prof. Jeronymo Marcondes WWW.estrategiaconcursoS.COm.br 4 de 41

ATENÇÃO! ESSE MATERIAL PERTENCE AO SITE: WWW.MATERIALPARACONCURSOS.COM

-"O que é estatística”?

Uma boa definição é: a coleção de técnicas utilizadas para coleta, análise e

Essa ciência pode ser dividida em 2 ramos importantes:

1) Estatística Descritiva (dedutiva)

Perdoem-me a redundância, mas a estatística descritiva "descreve” um conjunto de

Viu? A estatística descritiva é a coleta, apresentação, análise e interpretação dos

-"Mas, isso não resume o conceito”?

Não! Porque nem sempre conhecemos o comportamento da população, sendo,

Não entendeu? Veja os conceitos:

População = conjunto de todos os elementos que

Amostra = parte não nula da população, mas menor

Prof. Jeronymo Marcondes WWW.estrategiaconcursoS.COm.br 5 de 41

ATENÇÃO! ESSE MATERIAL PERTENCE AO SITE: WWW.MATERIALPARACONCURSOS.COM

Assim, os institutos de pesquisa baseiam-se em amostras, ou seja, uma parcela que

No nosso exemplo, a população seria composta por todos os eleitores da

Mas, isso levanta diversas questões, tais como:

• Será que podemos confiar nesta amostra?

Prof. Jeronymo Marcondes WWW.estrategiaconcursoS.COm.br 6 de 41

ATENÇÃO! ESSE MATERIAL PERTENCE AO SITE: WWW.MATERIALPARACONCURSOS.COM

Entendeu? No nosso curso iremos estudar ambos os ramos da estatística,

Ora, quer uma explicação boba? É tudo que não é constante.

Pense comigo, vamos imaginar que um pesquisador está fazendo um levantamento

E a temperatura média? Com quase toda certeza, a temperatura média no estado

Prof. Jeronymo Marcondes WWW.estrategiaconcursoS.COm.br 7 de 41

ATENÇÃO! ESSE MATERIAL PERTENCE AO SITE: WWW.MATERIALPARACONCURSOS.COM

-“Há outros tipos de variável, professor”?

Sim! No caso estudado acima, a realização da variável é sempre um número, mas,

Regrinha: “pergunte” para a variável. Se a

Mas, atenção! Isso é só uma dica que serve para

-“Entendí professor, mas é só isso”?

Não! Podemos ainda dividir as variáveis conforme gráfico abaixo.

Prof. Jeronymo Marcondes WWW.estrategiaconcursoS.COm.br 8 de 41

ATENÇÃO! ESSE MATERIAL PERTENCE AO SITE: WWW.MATERIALPARACONCURSOS.COM

As variáveis qualitativas podem ser divididas em nominais e ordinais. Ordinais são

Por exemplo, as realizações de uma pesquisa com indivíduos no quesito "nível de

-"E as quantitativas, professor”?