Curso 161000 Aula 09 v2

Aula 09
Estatística p/ Polícia Federal (Agente)

Pós-Edital
Autor:
Equipe Exatas Estratégia
Concursos
Aula 09
24 de Fevereiro de 2021
10818680407 - Amanda Lopes da Silva

Equipe Exatas Estratégia Concursos
Aula 09
Sumário
1. Introdução à Inferência Estatística ................................................................................................ 4
2. Lei dos Grandes Números ............................................................................................................ 4
2.1 Lei Fraca dos Grandes Números ............................................................................................. 6
2.2 Lei Forte dos Grandes Números ............................................................................................. 7
3. Distribuição Amostral .................................................................................................................... 9
3.1 Distribuição Amostral da Média ............................................................................................ 10

1613716
3.1.1 – Fator de Correção para População Finita .................................................................... 13
3.1.2 – Distribuição da Média Amostral e a Curva Normal ...................................................... 13
3.2 Distribuição Amostral da Proporção ...................................................................................... 15
3.3 Distribuição Amostral da Variância ........................................................................................ 18
3.4 Distribuições para Amostragem Estratificada........................................................................ 20
4. Estimação Pontual ....................................................................................................................... 23
4.1 Propriedades dos Estimadores .............................................................................................. 23
4.1.1 – Suficiência..................................................................................................................... 23
4.1.2 – Não viés........................................................................................................................ 25
4.1.3 – Eficiência ...................................................................................................................... 27
4.1.4 – Consistência ................................................................................................................. 28
4.2 Métodos de Estimação .......................................................................................................... 29
4.2.1 – Método dos Momentos................................................................................................ 29
4.2.2 – Método da Máxima Verossimilhança ........................................................................... 30
4.2.3 – Método de Mínimos Quadrados .................................................................................. 32
Estatística p/ Polícia Federal (Agente) Pós-Edital

www.estrategiaconcursos.com.br

Aula 09
1613716
5. Estimação Intervalar .................................................................................................................... 33
5.1 Intervalo de Confiança para a Média .................................................................................... 35
5.1.1 – População com Variância Conhecida ........................................................................... 35
5.1.2 – População com Variância Desconhecida...................................................................... 40
5.2 Intervalo de Confiança para a Proporção .............................................................................. 43
5.3 Intervalo de Confiança para a Variância ................................................................................ 46
Resumo da Aula ............................................................................................................................. 49
Questões Comentadas – CESPE ..................................................................................................... 51
Lista de Questões – CESPE ............................................................................................................. 92
Gabarito ........................................................................................................................................ 110


Aula 09
1613716
Olá, concurseiro!
Somos os professores Luana Brandão e Djefferson Maranhão!
Prof. Luana: Vocês já me conhecem da aula passada!
Prof. Djefferson: Sou Graduado em Ciência da Computação pela Universidade Federal do

Maranhão (UFMA). Desde 2015, sou Auditor da Controladoria Geral do Estado do Maranhão (2015
- 5º lugar). Antes, porém, exerci os cargos de Analista de Sistemas na UFMA (2010 - 1º lugar) e no
TJ-MA (2011 - 1º lugar). Contem comigo nessa jornada rumo à aprovação.


Aula 09
1613716
1. INTRODUÇÃO À INFERÊNCIA ESTATÍSTICA

Nesta aula, entraremos no ramo da Inferência Estatística, ou Estatística Inferencial, que estuda
como tirar conclusões a respeito do todo (que chamamos de população) a partir de uma parte
(que chamamos de amostra). A inferência é uma técnica importante porque, em geral, não é
possível conhecer a informação exata (por exemplo, altura, idade, salário, etc.) para toda a
população. Por isso, a pesquisa é feita em uma amostra e, a partir do seu resultado, tiramos
conclusões a respeito da população. Porém, essas conclusões não são exatas (o que seria possível
somente se toda a população fosse estudada), mas sim, uma estimativa.
A característica (numérica) da população que se deseja conhecer é chamada de parâmetro

populacional. Esse valor é fixo, ou seja, independe das amostras. O valor dessa mesma
característica calculado a partir da amostra é chamado de estimador (ou parâmetro amostral ou
estatística da amostra). Esse valor varia de acordo com a amostra extraída. Ou seja, os
estimadores são variáveis aleatórias!
Na prática, essa aula é a etapa seguinte da aula de Amostragem, vista anteriormente, mas somente
em relação à amostragem aleatória (ou seja, aqui não tratamos da amostragem não
probabilística). Para estimar um parâmetro populacional, primeiro extraímos amostras aleatórias,
calculamos o estimador e, com base nesse estimador, inferimos a respeito do parâmetro
populacional, conforme ilustrado:
População Amostragem Aleatória Amostra
Parâmetro Populacional Estimador

(Valor Fixo) (Variável Aleatória)
Inferência
Ou seja, os estimadores são calculados após a extração das amostras.
2. LEI DOS GRANDES NÚMEROS

Vamos começar esta aula pela Lei dos Grandes Números, cuja ideia principal estará presente na
maior parte dos nossos estudos. Essa lei enuncia que:
A média aritmética dos valores observados tendem à esperança da variável

aleatória, com o aumento do número de observações.
# se aproxima
Em outras palavras, conforme o tamanho da amostra 𝒏 aumenta, a média amostral 𝑿
da esperança populacional 𝑬(𝑿).
4


Aula 09
1613716
Note que a esperança populacional é um número, ou seja, a Lei dos Grandes Números não trata
da distribuição da média amostral. Esse assunto será visto posteriormente, ainda nesta aula.
A Lei dos Grandes Números é dividida em duas: temos a Lei Fraca e a Lei Forte dos Grandes
Números. A principal diferença entre elas é que a Lei Fraca enuncia uma convergência em
probabilidade e a Lei Forte enuncia uma convergência quase certa.
Para os propósitos deste curso, não precisamos definir formalmente esses conceitos, basta termos
uma noção do que eles significam. Convergência se assemelha ao termo tendência, ou seja, se
uma sequência 𝑋! converge a uma variável 𝑋, então essa sequência 𝑋! tende à variável 𝑋 quando
𝑛 cresce.
Além disso, a convergência quase certa é mais forte que a convergência em probabilidade, ou
seja, se houver convergência quase certa, haverá a convergência em probabilidade, mas o
contrário não é verdadeiro.
Essa diferença do tipo de convergência (em probabilidade ou quase certamente) decorre das
condições em que cada Lei é enunciada.
As Leis dos Grandes Números tratam da convergência da média amostral à média

populacional (que é um número) e não da distribuição de uma variável aleatória.
(CESPE/2012 – ANAC) Se X é uma variável aleatória e se {X1, X2, ... Xn} são observações aleatórias
independentes dessa variável, então, com base na lei forte dos grandes números, é correto afirmar
que, quando o tamanho amostral cresce (até o infinito), a média amostral tem distribuição normal
de média m = E(X).
Comentários:


Aula 09
1613716
As Leis dos Grandes Números não tratam da distribuição da média amostral, mas sim da sua
convergência à média populacional. Logo, a questão está errada.
Gabarito: Errado
(2015 – TJ-RO) A Lei dos Grandes Números existe em duas versões que tratam de convergências
de tipos distintos. A Lei Fraca e a Lei Forte abordam, respectivamente, convergências:
a) em probabilidade e em distribuição;
b) quase certa e em probabilidade;
c) em distribuição e quase certa;
d) em distribuição e em probabilidade;
e) em probabilidade e quase certa.
Comentários:
Vimos que a Lei Fraca enuncia uma convergência em probabilidade e a Lei Forte enuncia uma
convergência quase certa.
Gabarito: E.
2.1 Lei Fraca dos Grandes Números
A Lei Fraca dos Grandes Números enuncia que sendo 𝑋" uma sequência de variáveis
independentes, com variância finita, de modo que 𝑉(𝑋" ) ≤ 𝑐, para alguma constante 𝑐, então:
#! $%[#! ] (
!
→0
Nessa expressão, o termo 𝑆! corresponde ao somatório da sequência 𝑋" , ou seja, 𝑆! = ∑!")* 𝑋" ; e a
(
notação → indica uma convergência em probabilidade.
Ou seja, a diferença entre a soma de 𝑛 variáveis independentes e sua esperança, dividida pelo
número de variáveis 𝑛, tende a zero quando 𝒏 tende a infinito.
Podemos reescrever a fórmula, resultando em:
𝑆! ( 𝐸[𝑆! ]
→
𝑛 𝑛
(
𝑋5 → 𝐸[𝑋]


Aula 09
1613716
Essa Lei decorre do Teorema da Desigualdade de Tchebyshev, que aprendemos

na aula passada.
É importante ressaltar que é possível aplicar esse Teorema por causa da condição
da Lei Fraca, qual seja, variância finita.
(CESPE/2016 – TCE/PA) Considerando que uma amostra aleatória simples 𝑋* , 𝑋+ , … , 𝑋! tenha sido
retirada de uma população exponencial com média igual a 5, julgue o próximo item, relativo à
, ,, ,…,,
média amostral 𝑋5 = " # ! . !
De acordo com a lei fraca dos grandes números, a média amostral 𝑋5 converge em probabilidade
para 5.
Comentários:
A Lei dos Grandes Números afirma que a média aritmética das observações 𝑋5 converge para a
média (ou esperança) da variável. Segundo a Lei Fraca, há uma convergência em probabilidade.
Gabarito: Certo.
2.2 Lei Forte dos Grandes Números
A Lei Forte dos Grandes Números enuncia que sendo 𝑋" uma sequência de variáveis
independentes e identicamente distribuídas (i.i.d.), com média 𝝁 finita, então:
,$ ∑!
$%" ,$
0.2.
∑!")*
!
= !
= 𝑋5 9: 𝜇


Aula 09
1613716
0.2.
A notação 9: indica uma convergência quase certa. Ou seja, a razão entre a soma de 𝑛 variáveis
i.i.d. pelo número de variáveis (isto é, a média amostral) tende à média populacional 𝜇 quando 𝒏
tende a infinito.
A principal diferença entre as leis é que para a Lei Forte, as variáveis são identicamente
distribuídas, o que torna a convergência quase certa.
Variáveis identicamente distribuídas são aquelas que seguem a mesma

distribuição, com os mesmos parâmetros.
Como veremos na próxima seção, as observações de uma amostra extraída de

uma mesma população, sob certas condições, são variáveis independentes e
identicamente distribuídas (i.i.d.). Esse é o caso de lançamentos sucessivas de uma
moeda ou de um dado.
Um caso particular da Lei dos Grandes Números ocorre quando as variáveis 𝑋" seguem distribuição
de Bernoulli, todas com probabilidade 𝑝. Nesse caso, o somatório ∑!")* 𝑋" corresponde à soma de
𝑛 variáveis de Bernoulli independentes, com probabilidade 𝑝. Assim, quando 𝑛 cresce, a razão
∑!
$%" ,$
!
tende a 𝑝:
∑!
$%" ,$
0.2.
!
9: 𝑝
(CESPE/2015 – FUB) Considerando que, em n ensaios independentes de Bernoulli, a

probabilidade de sucesso de cada um deles seja igual a p, e que X represente o número de
sucessos observados nesses n ensaios, julgue o item subsecutivo, relativo à lei dos grandes
números.


Aula 09
1613716
Segundo a lei forte dos grandes números, à medida que o tamanho da amostra aumenta, a
estatística X/n converge para uma distribuição normal com média p.
Comentários:
A Lei dos Grandes Números não trata da distribuição da média amostral, mas sim da convergência
de seu valor. Logo, a questão está errada.
A título de complementação, a Lei Forte enuncia que, considerando n ensaios independentes de
∑!
$%" ,$
Bernoulli, com probabilidade p, à medida que o tamanho da amostra aumenta, a estatística !
converge para p.
Gabarito: Errado.
(CESPE/2013 – FUB) A lei dos grandes números é um importante resultado teórico que permite
o estudo das propriedades de estimadores estatísticos, como, por exemplo, a média amostral.
Considerando que µ representa a média populacional e que o desvio padrão populacional σ2 seja
finito, julgue o item subsequente a respeito desse assunto.
Segundo a lei forte dos grandes números, à medida que o tamanho da amostra aumenta, a
estatística 𝑋5 converge em probabilidade para a média µ.
Comentários:
Segundo a Lei Forte, à medida que o tamanho da amostra aumenta, a média amostral 𝑋5 converge
quase certamente para a média populacional µ.
Gabarito: Errado.
3. DISTRIBUIÇÃO AMOSTRAL
Sabendo que a média amostral tende à média populacional, então podemos imaginar que
utilizaremos essa medida como estimador para tal parâmetro populacional. Nesta seção,
estudaremos a distribuição de probabilidade dos principais estimadores, chamada de Distribuição
Amostral. (Lembre-se de que os estimadores são variáveis aleatórias!)
Inicialmente, cabe pontuar que a distribuição de uma amostra aleatória qualquer segue a mesma
distribuição populacional.
Para entender melhor esse conceito, vamos considerar um exemplo bem simples: uma moeda com
2 faces, que vamos denominar face 0 e face 1. Tratando-se de uma moeda equilibrada, a
probabilidade de cada face é de 50% e a esperança e variância são, respectivamente:


Aula 09
1613716
𝜇 = 𝐸(𝑋) = 0 × 0,5 + 1 × 0,5 = 0,5
+
(0 − 0,5)+ + (1 − 0,5)+ 0,25 + 0,25
𝜎 = 𝑉(𝑋) = = = 0,25
2 2
Suponha que vamos extrair uma amostra aleatórias de tamanho 3, ou seja, vamos lançar a 3 vezes.
Podemos representar essa amostra por 𝑋* , 𝑋+ , 𝑋3 . Considerando que os possíveis resultados das
amostras são os mesmos da população (0 ou 1) e com as mesmas probabilidades de 50% para
cada face, então temos:
𝐸(𝑋* ) = 𝐸(𝑋+ ) = 𝐸(𝑋3 ) = 0 × 0,5 + 1 × 0,5 = 0,5
(0 − 0,5)+ + (1 − 0,5)+ 0,25 + 0,25

𝑉(𝑋* ) = 𝑉(𝑋+ ) = 𝑉(𝑋3 ) = = = 0,25
2 2
Ou seja, a esperança e a variância de cada amostra são iguais às da população:
𝐸(𝑋" ) = 𝐸(𝑋) = 𝜇
𝑉(𝑋" ) = 𝑉(𝑋) = 𝜎 +
Mais precisamente, toda a distribuição de probabilidade da amostra é igual à distribuição de

probabilidade da população (as esperanças e as variâncias são iguais como consequência desse
fato).
No exemplo do lançamento da moeda, a população é infinita, pois podemos lançar a moeda

infinitas vezes. Quando a população é infinita (ou muito grande em comparação com o tamanho
da amostra) ou quando a amostra é extraída com reposição dos elementos selecionados, então
as amostras são independentes. Por isso, dizemos que as variáveis que representam as amostras,
𝑋* , 𝑋+ , 𝑋3 , …, são independentes e identicamente distribuídas (i.i.d.).
Agora, estudaremos a distribuição dos estimadores.
3.1 Distribuição Amostral da Média
Como dissemos, para estimarmos a média da população 𝝁, utilizamos como estimador a média
# . Sendo 𝑋* + 𝑋+ + ⋯ + 𝑋! os valores observados da amostra, a média amostral é:
amostral 𝑿
, 4, 4⋯4,!
𝑋5 = " #!
10


Aula 09
1613716
Assim como os demais estimadores, a média amostral é uma variável aleatória. De fato, é possível
observar que 𝑋5 varia de acordo com os valores observados da amostra 𝑋* , 𝑋+ , … , 𝑋! .
A esperança dessa variável é a própria média populacional, e a sua variância é, para uma amostra
com 𝑛 observações, dada por:
𝐸(𝑋5) = 𝜇
6(,) 9 #
𝑉(𝑋5 ) = ! = !
O desvio padrão (raiz quadrada da variância) de um estimador é chamado de erro padrão. Assim,
o erro padrão da média amostral é dado por:
9 # 9
𝐸𝑃(𝑋5) = F ! =
√!
Esses resultados podem ser obtidos a partir das propriedades da esperança e da

, 4, 4⋯4,!
variância. Sendo 𝑋5 = " # , a esperança 𝐸(𝑋5) é dada por:
!
, 4, 4⋯4,! , , ,
𝐸(𝑋5) = 𝐸 G " #! H = 𝐸 G !" H + 𝐸 G !# H + ⋯ + 𝐸 G !! H
* * *
𝐸(𝑋5) = ! 𝐸(𝑋* ) + ! 𝐸(𝑋+ ) + ⋯ + ! 𝐸(𝑋! )
Vimos que a esperança amostral é igual à esperança populacional, 𝐸(𝑋" ) = 𝐸(𝑋) =

𝜇, logo:
* * * *
#) = 𝜇 + 𝜇 + ⋯ + 𝜇 = 𝑛 × × 𝜇 = 𝝁
𝑬(𝑿 ! ! ! !
Considerando que as variáveis 𝑋* , 𝑋+ , … , 𝑋! são independentes, a variância 𝑉(𝑋5)

é dada por:
, 4, 4⋯4,! , , ,
𝑉(𝑋5) = 𝑉 G " #! H = 𝑉 G !" H + 𝑉 G !#H + ⋯ + 𝑉 G !!H
* * *
𝑉(𝑋5) = !# 𝑉(𝑋* ) + !# 𝑉(𝑋+ ) + ⋯ + !# 𝑉(𝑋! )
11


Aula 09
1613716
Sabendo que a variância amostral é igual à variância populacional, 𝑉(𝑋" ) = 𝑉(𝑋) =

𝜎 + , logo:
𝟐
# ) = *# 𝜎 + + *# 𝜎 + + ⋯ + *# 𝜎 + = 𝑛 × *# × 𝜎 + = 𝝈
𝑽(𝑿 ! ! ! ! 𝒏
A variância amostral é igual à variância populacional, 𝑉(𝑋" ) = 𝑉(𝑋) = 𝜎 + . O que

9#
é diferente é a variância da média amostral, 𝑉(𝑋5) = !
.
Note que a variância da média amostral é menor do que a variância populacional. Isso faz
sentido, certo? As médias sempre variam menos do que os valores individuais, pois os valores
extremos acabam sendo compensados quando calculamos a média. Logo, a distribuição da
média amostral é menos dispersa do que a distribuição populacional.
(2019 – UEPA) Considere uma amostra aleatória 𝑋* , 𝑋+ , . . . , 𝑋! de uma população normal de média
, ,, ,...,,
𝜇 e variância σ2 = 9. Então, a média e a variância de 5𝑋55!5 = " # ! , são, respectivamente,
!
3
a) 𝜇 e !.
= >
b) ! e !.
>
c) 𝜇 e !.
!
d) 𝜇 e > .
Comentários:
Vimos que a média e a variância da média amostral são, respectivamente:
𝐸(𝑋5) = 𝜇
12


Aula 09
1613716
𝑉(𝑋) 9
𝑉(𝑋5) = =
𝑛 𝑛
Gabarito: C.
(CESPE/2016 – TCE/PA) Uma amostra aleatória, com n = 16 observações independentes e

identicamente distribuídas (IID), foi obtida a partir de uma população infinita, com média e desvio
padrão desconhecidos e distribuição normal. Tendo essa informação como referência inicial,
julgue o seguinte item.
Para essa amostra aleatória simples, o valor esperado da média amostral é igual à média
populacional.
Comentários:
Vimos que, de fato, o valor esperado da média amostral (para uma amostra aleatória) é igual à
média populacional.
Gabarito: Certo.
3.1.1 – Fator de Correção para População Finita
Os resultados da variância e do desvio padrão da média amostral são válidos para variáveis
𝑋* , 𝑋+ , … , 𝑋! independentes (quando a população é infinita ou quando as amostras são extraídas
com reposição).
Quando isso não ocorre, ou seja, quando a população é finita e as amostras são extraídas sem
reposição, precisamos fazer um ajuste. Sendo 𝑛 o tamanho da amostra e 𝑁 o tamanho da
população, precisamos multiplicar a variância da média amostral, pelo fator de correção de
?$!
população finita ?$*
.
#
555∗ ) = 9 × 𝑵$𝒏
𝑉(𝑋 ! 𝑵$𝟏
555∗ ) é menor do
Observe que o fator de correção é menor do que 1, pois 𝑁 − 𝑛 < 𝑁 − 1, logo, 𝑉(𝑋
que 𝑉(𝑋5).
3.1.2 – Distribuição da Média Amostral e a Curva Normal
Quando a população segue distribuição normal (ou gaussiana), a média amostral também
seguirá distribuição normal. Sendo 𝜇 e 𝜎 + a média e a variância da população, respectivamente,
13


Aula 09
1613716
9#
a média amostral, com 𝑛 observações independentes, terá média 𝐸(𝑋5) = 𝜇 e variância 𝑉(𝑋5) = !
,
9# 9
ou seja, desvio padrão 𝐷(𝑋5) = O𝑉(𝑋5) = F = .
! √!
Ainda que a população não siga distribuição normal, pelo Teorema Central do Limite, é possível
aproximar a distribuição da média amostral, com extrações independentes, a uma normal,
9 # 9
também com média 𝐸(𝑋5) = 𝜇 e variância 𝑉(𝑋5) = ! , ou seja, 𝐷(𝑋5) = .
√!
De modo equivalente, também podemos dizer que a variável 𝑍,C , definida abaixo, segue
distribuição normal padrão (ou reduzida), isto é, com média igual a 0 e desvio padrão igual a 1,
o que representamos como 𝑁(0,1):
𝑋5 − 𝜇
𝑍,C = 𝜎
√𝑛
A possibilidade de tal aproximação depende do tamanho da amostra e da distribuição da

população. Quanto maior o tamanho da amostra e quanto mais próximo de uma normal for a
distribuição da população, melhor será a aproximação. Usualmente, considera-se que para uma
amostra grande, com 𝒏 ≥ 𝟑𝟎, a aproximação será satisfatória, para qualquer distribuição
populacional.
(CESPE/2014 – ANATEL) Com base no teorema limite central, julgue o item abaixo.
Sendo uma amostra aleatória simples retirada de uma distribuição X com média µ e variância 1, a
distribuição da média amostral dessa amostra, 𝑋5, converge para uma distribuição normal de média
nµ e variância 1, à medida que n aumenta.
Comentários:
Vimos que a distribuição da média amostral, 𝑋5, converge para uma distribuição normal à medida
6(,)
que n aumenta. Porém, a média dessa distribuição é 𝐸(𝑋5) = 𝜇 e variância 𝑉(𝑋5) = . Sabendo !
*
que 𝑉(𝑋) = 1, a variância da média amostral é 𝑉(𝑋5) = !.
Gabarito: Errado.
14


Aula 09
1613716
(CESPE 2018/PF) O tempo gasto (em dias) na preparação para determinada operação policial é
uma variável aleatória X que segue distribuição normal com média M, desconhecida, e desvio
padrão igual a 3 dias. A observação de uma amostra aleatória de 100 outras operações policiais
semelhantes a essa produziu uma média amostral igual a 10 dias. Com referência a essas
informações, julgue o item que se segue, sabendo que 𝑃(𝑍 > 2) = 0,025, em que Z denota uma
variável aleatória normal padrão.
O erro padrão da média amostral foi inferior a 0,5 dia.
Comentários:
O erro padrão da média amostral é dado por:
𝜎
𝐸𝑃(𝑋5) =
√𝑛
Na fórmula acima, temos: 𝑛 é o tamanho da amostra (=10); 𝜎 é o desvio padrão amostral (=3).
3 3
𝐸𝑃(𝑋5) = = = 0,3
√100 10
Gabarito: Certo.
(CESPE/2019 – Analista Judiciário TJ) Um pesquisador deseja comparar a diferença entre as

médias de duas amostras independentes oriundas de uma ou duas populações gaussianas.
Considerando essa situação hipotética, julgue o próximo item.
Para que a referida comparação seja efetuada, é necessário que ambas as amostras tenham N ≥
30.
Comentários:
Quando a população segue uma distribuição normal (ou gaussiana), a média amostral também
seguirá uma distribuição normal, independente do tamanho da amostra. Logo, o item está errado.
Para fins de complementação, se a amostra for grande o suficiente (normalmente, consideramos
isso para 𝑛 ≥ 30), a média amostral seguirá aproximadamente uma distribuição normal,
independente da distribuição populacional.
Gabarito: Errado.
3.2 Distribuição Amostral da Proporção
Agora, vamos trabalhar com uma população em que determinada característica está presente
em uma proporção 𝒑 dessa população, por exemplo, 15% da população apresenta olhos azuis;
20% da população está doente, 1% da produção apresenta defeito, etc.
15


Aula 09
1613716
Um elemento qualquer da população 𝑋 pode apresentar a característica estudada, o que

chamamos de sucesso (𝑋 = 1), ou não, o que chamamos de fracasso (𝑋 = 0). A probabilidade de
sucesso é 𝒑 e a probabilidade de fracasso é 𝑞 = 1 − 𝑝. Assim, essa população apresenta uma
distribuição de Bernoulli, com parâmetro 𝒑.
Sendo essa proporção populacional desconhecida, precisamos estimá-la a partir da proporção de

sucessos na amostra denotada por 𝒑
Y . Considerando que cada observação 𝑋" da amostra será 𝑋" =
0 ou 𝑋" = 1 (como para a população), então a proporção de sucessos na amostra pode ser
calculada por:
," 4,# 4⋯4,!

𝑝̂ = !
Note que o estimador 𝑝̂ é calculado da mesma forma que 𝑿# . Logo, a esperança de 𝑝̂ é calculada
da mesma forma que para 𝑋5, utilizando 𝑝 no lugar de 𝜇:
𝐸(𝑝̂ ) = 𝑝
A variância de 𝑝̂ também é calculada da mesma forma que para 𝑋5, ou seja:
𝑉(𝑝)
𝑉(𝑝̂ ) =
𝑛
Sabendo que 𝑋 segue distribuição de Bernoulli, temos 𝑉(𝑝) = 𝑝. 𝑞, então:
D.0
𝑉(𝑝̂ ) = !
O erro padrão para 𝑝̂ , raiz quadrada da sua variância é dado por:
D.0
𝐸𝑃(𝑝̂ ) = F !
Assim, como vimos para a média amostral, também podemos aproximar, pelo Teorema Central
D.0
do Limite, essa distribuição a uma normal, com média 𝐸(𝑝̂ ) = 𝑝 e variância 𝑉(𝑝̂ ) = ! , para 𝒏
grande.
Se a população for finita e a amostra for extraída sem reposição, será necessário aplicar o fator
?$!
de correção para população finita, multiplicando a variância por ?$*
.
Pontue-se que o número de elementos com o atributo sucesso encontrados em uma amostra de
tamanho 𝑛 segue uma distribuição binomial, com parâmetros 𝑛 e 𝑝.
16


Aula 09
1613716
(CESPE 2016/TCE-PA) Em estudo acerca da situação do CNPJ das empresas de determinado

município, as empresas que estavam com o CNPJ regular foram representadas por 1, ao passo
que as com CNPJ irregular foram representadas por 0.
Considerando que a amostra
{0, 1, 1, 0, 0, 1, 0, 1, 0, 1, 1, 0, 0, 1, 1, 0, 1, 1, 1, 1}
Foi extraída para realizar um teste de hipóteses, julgue o item subsequente.
A estimativa pontual da proporção de empresas da amostra com CNPJ regular é superior a 50%.
Comentários:
O estimador da proporção 𝑝̂ é dado por:
𝑋* + 𝑋+ + ⋯ + 𝑋!
𝑝̂ =
𝑛
0 + 1 + 1 + 0 + 0 + 1 + 0 + 1 + 0 + 1 + 1 + 0 + 0 + 1 + 1 + 0 + 1 + 1 + 1 + 1 12
𝑝̂ = = = 0,6
20 20
Logo a proporção é de 60%.
Gabarito: Certo
(CESPE/2019 – TJ-AM) Para estimar a proporção de menores infratores reincidentes em

determinado município, foi realizado um levantamento estatístico. Da população-alvo desse
estudo, constituída por 10.050 menores infratores, foi retirada uma amostra aleatória simples sem
reposição, composta por 201 indivíduos. Nessa amostra foram encontrados 67 reincidentes. Com
relação a essa situação hipotética, julgue o seguinte item.
A estimativa do erro padrão da proporção amostral foi inferior a 0,04.
Comentários:
O erro padrão da proporção é dada pela relação:
𝑝×𝑞
𝐸=F
𝑛
A questão nos diz que a amostra é composta por 201 indivíduos, sendo 67 deles reincidentes.
Assim, temos que 𝑛 = 201 e 𝑝 = 67/201 = 1/3. Logo, temos 𝑞 = 1 − 𝑝 = 2/3.
Como consequência, o erro padrão é de:
17


Aula 09
1613716
1 2
^ ×
𝐸= 3 3
201
2
𝐸=^
1809
𝐸 ≅ 0,033
Gabarito: Certo.
," 4,# 4⋯4,!

Estimador para a média: 𝑋5 = !
9# 9
Esperança: 𝐸(𝑋5) = 𝜇; Variância: 𝑉(𝑋5 ) = !
; Erro Padrão: 𝐸𝑃(𝑋5 ) =
√!
," 4,# 4⋯4,!

Estimador para a proporção: 𝑝̂ = !
D.0 D.0
Esperança: 𝐸(𝑝̂ ) = 𝑝; Variância: 𝑉(𝑝̂ ) = !
; Erro Padrão: 𝐸𝑃(𝑋5) = F !
3.3 Distribuição Amostral da Variância
Quando a variância da população é desconhecida, precisamos estimá-la a partir da amostra, assim

como fizemos com a média e a proporção. O estimador da variância que utilizamos para uma
amostra de tamanho 𝑛 é:
∑(,$ $,C ) #
𝑠+ = 𝒏$𝟏
Utilizamos esse estimador, com a divisão por 𝒏 − 𝟏, pelo fato de ele ser melhor do que o estimador
que apresenta a divisão por 𝑛. Esse assunto será tratado na seção 3.
Para esse estimador, a esperança é igual à variância populacional, como indicado abaixo. A sua
variância e erro padrão são dados por:
18


Aula 09
1613716
𝐸(𝑠 + ) = 𝜎 +
+.9 '
𝑉(𝑠 + ) = !$*
+
𝐸𝑃(𝑠 + ) = F!$* 𝜎 +
𝒏$𝟏
Se a população seguir uma distribuição normal, então o estimador 𝑠 + , multiplicado pelo fator 𝝈𝟐
,
segue uma distribuição qui-quadrado com 𝒏 − 𝟏 graus de liberdade:
+
𝑛−1
𝒳!$* =d e . 𝑠+
𝜎+
Consequentemente, o estimador 𝑠 + é uma variável com distribuição qui-quadrado, com 𝑛 − 1
9#
graus de liberdade, multiplicada por !$*:
9#+
𝑠 + = G!$*H . 𝒳!$*
Essa informação será muito importante para a parte de estimação intervalar, que veremos
posteriormente.
A partir desse resultado, podemos calcular a esperança e a variância do estimador.

A esperança é dada por:
9#+
𝑠 + = G!$*H . 𝒳!$*
9# + 9#
+ ]
𝐸 [𝑠 + ] = 𝐸 fG!$*H . 𝒳!$* g = G!$*H . 𝐸 [𝒳!$*
Da aula passada, sabemos que a média de uma distribuição qui-quadrado com 𝑘

graus de liberdade é igual a 𝑘. Fazendo 𝑘 = 𝑛 − 1, temos:
+ ]
𝐸 [𝒳!$* =𝑘 =𝑛−1
Substituindo no resultado anterior, temos:
9#
𝐸 [𝑠 + ] = G!$*H . (𝑛 − 1) = 𝜎 +
19


Aula 09
1613716
Esse é o resultado que vimos no início da seção. A variância do estimador é:
+
9# + 9# + ] + ] 9'
𝑉 [𝑠 + ] = 𝑉 fG!$*H 𝒳!$* g = G!$*H . 𝑉 [𝒳!$* = G(!$*)#H . 𝑉[𝒳!$*
Da aula passada, sabemos que a variância de uma distribuição qui-quadrado com

𝑘 graus de liberdade é igual a 2𝑘. Fazendo 𝑘 = 𝑛 − 1, temos:
+ ]
𝑉 [𝒳!$* = 2. 𝑘 = 2. (𝑛 − 1)
Substituindo no resultado anterior, temos:
9' +.9 '

𝑉 [𝑠 + ] = G(!$*)#H . 2. (𝑛 − 1) = !$*
3.4 Distribuições para Amostragem Estratificada
Para uma amostragem estratificada, com 𝑘 estratos, a média amostral será dada por:
F
𝑁"
𝑋5 = i 𝑥#
𝑁 G
")*
Nessa expressão, 𝑁" é o tamanho de cada estrato; 𝑁 é o tamanho total da população; e 𝑥#G , a
média amostral observada para cada estrato.
Ou seja, calculamos a média 𝑥#G para cada estrato 𝑖, multiplicamos cada valor pelo tamanho do
estrato 𝑁" e dividimos pelo tamanho total 𝑁.
Considerando essa fórmula, podemos calcular a variância da média amostral:
F
𝑁"
𝑉(𝑋5) = 𝑉 li 𝑥# m
𝑁 G
")*
Pelas propriedades da variância, temos:
F
𝑁" +
5
𝑉(𝑋) = i d e 𝑉(𝑥#G )
𝑁
")*
20


Aula 09
1613716
Sendo a variância populacional de cada estrato desconhecida, precisamos estimá-la a partir da

estimativa da variância para cada estrato encontrada na amostra estratificada. Substituindo, na
fórmula acima, 𝑉(𝑋5) por 𝑠H̅+ e 𝑉(𝑥#G ) por 𝑠H̅+ , temos:
$
F
𝑁" +
𝑠H̅+ = i d e × 𝑠H̅+$
𝑁
J)*
Além disso, a estimativa da variância da média amostral para cada estrato 𝑖, 𝑠H̅+$ , considerando uma
amostra de tamanho 𝑛" para tal estrato, já com a correção para população finita é dada por:
𝑠H+$ 𝑁" − 𝑛"

𝑠H̅+$ = d e
𝑛" 𝑁"
(CESPE/2018 – STM) Um estudo acerca do tempo (x, em anos) de guarda de autos findos em
determinada seção judiciária considerou uma amostragem aleatória estratificada. A população
consiste de uma listagem de autos findos, que foi segmentada em quatro estratos, segundo a
classe de cada processo (as classes foram estabelecidas por resolução de autoridade judiciária.) A
tabela a seguir mostra os tamanhos populacionais (𝑁) e amostrais (𝑛), a média amostral (𝑥̅ ) e a
variância amostral dos tempos (𝑠 + ) correspondentes a cada estrato.
Estratos Tamanhos Populacionais (!) Tamanhos Amostra (") #

$ %!
A 30.000 300 20 3
B 40.000 400 15 16
C 50.000 500 10 5
D 80.000 800 5 8
Total 200.000 2.000 - -
Considerando que o objetivo do estudo seja estimar o tempo médio populacional (em anos) de
guarda dos autos findos, julgue os itens a seguir.
A estimativa do tempo médio populacional da guarda dos autos findos é maior ou igual a 12 anos.
Comentários:
21


Aula 09
1613716
Em uma amostra aleatória por estratificação, a média da população é calculada pela relação
F
𝑁"
𝑋5 = i 𝑥#
𝑁 G
")*
Em que 𝑘 é a quantidade de estratos; 𝑁" o tamanho de cada estrato; e 𝑥#G a média de cada estrato.
Vinculando os estratos A, B, C e D aos números 1, 2, 3 e 4, respectivamente, temos:
𝑁* × 555
𝑥* + 𝑁+ × 555
𝑥+ + 𝑁3 × 555
𝑥3 + 𝑁K × 𝑥
555K
𝑋5 =
𝑁
30000 × 20 + 40000 × 15 + 50000 × 10 + 80000 × 5
𝑋5 =
200000
60 + 60 + 50 + 40
𝑋5 =
20
𝑋5 = 10,5
Gabarito: Errado.
Combinando-se todos os estratos envolvidos, a estimativa da variância do tempo médio amostral

da guarda dos autos findos é inferior a 0,005 𝑎𝑛𝑜 + .
Comentários:
Em uma amostragem estratificada, a estimativa da variância da média da amostragem é dada pela
relação:
F
𝑁" +
𝑠H̅+ = i d e × 𝑠H̅+$
𝑁
")*
Em que
𝑠H+$ 𝑁" − 𝑛"
𝑠H̅+$ = d e
𝑛" 𝑁"
Pelos valores apresentados na tabela, teremos:
3 30000 − 300
𝑠H̅+( = d e = 0,0099
300 30000
16 40000 − 400
𝑠H̅+) = d e = 0,0396
400 40000
5 50000 − 500
𝑠H̅+* = d e = 0,0099
500 50000
8 80000 − 800
𝑠H̅++ = d e = 0,0099
800 80000
Além disso, temos que:
22


Aula 09
1613716
𝑁L + 30000 +
d e =d e = 0,0225
𝑁 200000
𝑁M + 40000 +
d e =d e = 0,04
𝑁 200000
𝑁N + 50000 +
d e = d e = 0,0625
𝑁 200000
ND 2 80000 2
d e =d e = 0,16
N 200000
Portanto:
Q
𝑁J +
𝑠H̅+ = id e × 𝑠H̅+,
𝑁
J)*
𝑠H̅+ = (0,0225 ⋅ 0,0099 + 0,04 ⋅ 0,0396 + 0,0625 ⋅ 0,0099 + 0,16 ⋅ 0,0099)

𝑠H̅+ = (0,0225 + 0,0625 + 0,16) ⋅ 0,0099 + 0,04 ⋅ 0,0396
𝑠H̅+ ≅ 0,0041.
Gabarito: Certo.
4. ESTIMAÇÃO PONTUAL
Nesta seção, estudaremos como estimamos os parâmetros populacionais desconhecidos. O
primeiro passo é calcular o valor (número) do estimador, o que chamamos de estimativa pontual.
Ou seja, a estimativa pontual é o cálculo da média amostral 𝑋5, da proporção amostral 𝑝̂ , etc.
4.1 Propriedades dos Estimadores
Não é qualquer estimador que vamos querer utilizar para estimar os parâmetros populacionais.
Eles devem apresentar determinadas características desejáveis. Mais formalmente, dizemos que
um estimador é uma estatística (isto é, uma função dos dados observados) da qual se espera as
propriedades, que veremos a seguir.
4.1.1 – Suficiência
Uma estatística é considerada suficiente se ela captura, a partir da amostra obtida, toda a
informação possível sobre o parâmetro populacional desconhecido, de modo que qualquer outra
informação não contribuirá com a estimação do parâmetro populacional.
23


Aula 09
1613716
Por exemplo, sabemos que a média amostral é utilizada para estimar a média populacional. Essa
estatística é considerada suficiente porque ela captura toda a informação, disponível na amostra,
necessária para estimar a média populacional. Qualquer outra informação, como a média
geométrica ou a variância da amostra, não influencia na estimativa da média populacional.
Formalmente, consideramos uma estatística 𝑇(𝑋) suficiente para o parâmetro populacional 𝜃, se

a distribuição da amostra, condicionada ao parâmetro 𝑇(𝑋), for independente de 𝜃. Todos os
estimadores que estudamos são considerados suficientes.
É importante pontuar também as seguintes definições relacionadas à suficiência:
o Uma estatística é dita suficiente minimal se ela for uma função de qualquer outra estatística
suficiente.
o Por outro lado, uma estatística 𝑆(𝑋) é dita anciliar se ela não trouxer informação alguma a
respeito do parâmetro 𝜃, isto é, se 𝑆(𝑋) for independente de 𝜃.
o Por fim, uma estatística 𝑇 é dita completa para o parâmetro 𝜃, se o fato de a esperança de
uma função 𝑔(𝑇) ser igual a zero para todo 𝜃, 𝐸 [𝑔(𝑇)] = 0, implicar necessariamente em
𝑔(𝑇) = 0 para todo 𝜃.
Por exemplo, para uma amostra 𝑋* , 𝑋+ , … , 𝑋! com distribuição de Bernoulli e parâmetro 𝑝, a

estatística 𝑇 = 𝑋* − 𝑋+ não é completa. Isso porque 𝐸[𝑋* ] = 𝐸 [𝑋+ ] = 𝑝, logo 𝐸[𝑋* − 𝑋+ ] = 0
para todo 𝑝. Porém, 𝑋* − 𝑋+ não é necessariamente igual a zero, pois é possível ter 𝑋* = 1
e 𝑋+ = 0 ou também 𝑋* = 0 e 𝑋+ = 1.
(CESPE/2018 – EBSERH) X1, X2, ..., X10 representa uma amostra aleatória simples retirada de uma
w+
distribuição normal com média 𝜇 e variância 𝜎 + , ambas desconhecidas. Considerando que 𝜇̂ e 𝜎
representam os respectivos estimadores de máxima verossimilhança desses parâmetros
populacionais, julgue o item subsecutivo.
A soma X1+ X2 +...+ X10 é uma estatística suficiente para a estimação do parâmetro 𝜇.
Comentários:
Observe que a soma dos elementos captura todas as informações disponíveis na amostra para a
estimação da média, de modo que qualquer outra informação (média, variância,...) a respeito
24


Aula 09
1613716
dessa amostra não irá influenciar na estimação do parâmetro populacional. Logo, a soma dos
elementos é uma estatística suficiente.
Gabarito: Certo.
(CESPE/2018 – EBSERH) A respeito de inferência estatística, julgue o item que se segue.

Considerando uma amostra aleatória simples X1, X2, X3 retirada de determinada distribuição de
Bernoulli, com parâmetro p desconhecido, é correto afirmar que X1+X2.X3 é estatística suficiente.
Comentários:
Observe que ao multiplicarmos X2.X3 há uma possibilidade de perda de informação, pois sendo
um dos elementos iguais a zero, ficamos sem a informação do outro elemento. Assim, ter uma
outra informação a respeito dessa amostra irá contribuir com a estimação do parâmetro p. Logo,
essa estatística não é suficiente.
Gabarito: Errado.
4.1.2 – Não viés
Dizemos que um estimador 𝜃x é não viesado (também chamado de não viciado ou não
tendencioso) quando a sua esperança é igual ao parâmetro populacional 𝜃 sendo estimado:
𝐸y𝜃x z = 𝜃
Na seção anterior, vimos que 𝐸(𝑋5) = 𝜇, 𝐸(𝑝̂ ) = 𝑝 e 𝐸(𝑠 + ) = 𝜎 + . Logo, podemos afirmar que a
média amostral 𝑋5 é um estimador não viesado (ENV) para a média populacional; o parâmetro
amostral 𝑝̂ é um ENV para o parâmetro populacional; e 𝑠 + é um ENV para a variância populacional.
Lembre-se de que o estimador para a variância populacional é definido como:
∑(,$ $,C ) #
𝑠+ = 𝒏$𝟏
∑(,$ $,C ) #
Dissemos, ainda, que esse estimador é melhor do que o estimador 𝑠∗+ = 𝒏
.
Agora, podemos entender essa afirmação.
25


Aula 09
1613716
Na verdade, o estimador 𝑠∗+ é tendencioso, ou seja:
𝐸(𝑠∗+ ) ≠ 𝜎 +
Outra forma de descrever essa propriedade é a partir do erro, dado pela diferença entre o
estimador e o parâmetro populacional:
𝑒 = 𝜃x − 𝜃
Para um estimador não tendencioso, a esperança do erro é nula:
𝐸(𝑒) = 0
A esperança do erro é chamada de viés do estimador, denotado por 𝑏(𝜃x):
𝑏y𝜃xz = 𝐸(𝑒) = 𝐸(𝜃x − 𝜃)
A variância do erro é chamada de Erro Quadrático Médio (EQM):
𝐸𝑄𝑀y𝜃xz = 𝑉(𝑒)
Desenvolvendo essa expressão, obtemos:
+
𝐸𝑄𝑀y𝜃x z = 𝑉y𝜃xz − 𝐸€𝑏y𝜃xz•
(CESPE 2020/TJ-PA) Um estimador que fornece a resposta correta em média é chamado não
enviesado. Formalmente, um estimador é não enviesado caso seu valor esperado seja igual ao
parâmetro que está sendo estimado.
Os possíveis estimadores para a média populacional (µ) incluem β, média de uma amostra, α, a
menor observação da amostra, e π, a primeira observação coletada de uma amostra.
Considerando essas informações, julgue os itens subsequentes.
I A média de uma amostra (β) é exemplo de um estimador enviesado para a média populacional
(µ), pois seu valor esperado é igual à média populacional, ou seja, E(β) = µ.
26


Aula 09
1613716
II A menor observação da amostra (α) é um exemplo de estimador não enviesado, pois o valor da
menor observação da amostra deve ser inferior à média da amostra; portanto, E(α) < µ.
III A primeira observação coletada de uma amostra equivale a tomar ao acaso uma amostra
aleatória da população de tamanho igual a um e, portanto, é considerado um estimador não
enviesado.
Assinale a opção correta.
a) Nenhum item está certo.
b) Apenas o item I está certo.
c) Apenas o item II está certo.
d) Apenas o item III está certo.
e) Todos os itens estão certos.
Comentários:
A questão trabalha com alguns estimadores: a média amostral β, que normalmente chamamos de
𝑋5; a menor observação da amostra, α; e a primeira observação, π.
Em relação ao item I, sabemos que o valor esperado da média amostral é igual à média
populacional, E(β) = µ, o que defini um estimador não enviesado. Logo, o item I está errado.
Em relação ao item II, o valor esperado da menor observação da amostra é inferior à média da
amostral, E(α) < µ, o que define um estimador enviesado. Logo, o item II está errado.
Em relação ao item III, de fato, a primeira observação pode ser considerada uma amostra com
tamanho n = 1, ou seja, E(π) = µ. Logo, esse estimador é não enviesado. Logo, o item III está certo.
Gabarito: D.
4.1.3 – Eficiência
Considerando que, para um estimador não viesado, temos 𝑏y𝜃x z = 0, então a expressão do Erro
Quadrático Médio (EQM), que acabamos de ver se torna:
𝐸𝑄𝑀y𝜃xz = 𝑉y𝜃xz
Ou seja, para um estimador não viesado, o erro quadrático médio é igual à sua variância. Por
fornecer uma medida de precisão da estimativa, associamos a variância de um estimador não
viesado à sua eficiência. Logo, quanto menor a variância do estimador, maior será sua eficiência.
Dizemos que um estimador é eficiente se apresenta a menor variância possível, que é o caso da
média amostral e da proporção amostral.
27


Aula 09
1613716
4.1.4 – Consistência
Para um estimador consistente 𝜃x, as suas estimativas convergem para o parâmetro populacional 𝜃
com o aumento do tamanho amostral.
Mais precisamente, quando o tamanho amostral tende a infinito, a esperança do estimador tende
ao parâmetro populacional e a variância do estimador tende a zero:
lim 𝐸y𝜃x z = 𝜃
!→S
lim 𝑉y𝜃xz = 0
!→S
Todos os estimadores que estudamos são consistentes.
Estatística Suficiente: Captura todas as informações disponíveis na amostra para

estimar o parâmetro populacional
Estimador Não Viesado (ENV), ou Não Viciado, ou Não Tendencioso: Esperança

do estimador igual ao parâmetro; Esperança do erro igual a zero:
𝐸y𝜃x z = 𝜃 ↔ 𝐸(𝑒) = 0
∑(,$ $,C ) #
𝑠∗+ = 𝒏
é tendencioso; 𝑋5, 𝑝̂ e 𝑠 + são não tendenciosos
Estimador Eficiente: apresenta a menor variância 𝑉y𝜃xz possível.
𝑋5 e 𝑝̂ são eficientes
Estimador Consistente: estimativas convergem para parâmetro populacional:
lim 𝐸y𝜃xz = 𝜃, lim 𝑉y𝜃x z = 0

!→S !→S
Todos os estimadores que estudamos são consistentes.
28


Aula 09
1613716
4.2 Métodos de Estimação
Para obtermos bons estimadores, de acordo com alguns dos critérios que vimos, utilizamos
métodos de estimação. Estudaremos agora alguns desses métodos.
4.2.1 – Método dos Momentos
O Método dos Momentos se baseia nos momentos teóricos e amostrais das variáveis aleatórias.
Vimos na aula passada que o 𝑘-ésimo momento teórico da variável 𝑋, denotado por 𝜇F , é:
𝜇F = 𝐸(𝑋 F )
Se a variável for discreta, temos:
𝜇F = 𝐸(𝑋 F ) = i 𝑥 F . 𝑃(𝑋 = 𝑥)
Já o 𝑘-ésimo momento amostral, denotado por 𝑚F , para uma amostra de tamanho 𝑛, é dado por:
!
1
𝑚F = i 𝑋"F
𝑛
")*
Em particular, o primeiro momento amostral (𝑘 = 1) consiste na média amostral:

∑!")* 𝑋"
𝑚* = = 𝑋5
𝑛
E o segundo momento amostral (𝑘 = 2) é dado por:
∑!")* 𝑋"+
𝑚+ =
𝑛
Para um estimador obtido pelo método dos momentos (EMM), denotado por 𝜃xTT , o 𝑘-ésimo
momento amostral tende ao 𝑘-ésimo momento teórico, quando o tamanho da amostra tende ao
infinito:
𝑚F → 𝜇F
Para calcular os estimadores por esse método, substituímos os momentos teóricos, pelos
momentos amostrais. Por exemplo, o EMM para a média populacional, 𝜇̂ TT , é:
∑!")* 𝑋"
𝜇̂ TT = 𝑚* = = 𝑋5
𝑛
Ou seja, a média amostral é o estimador para a média populacional, obtido pelo

método dos momentos.
29


Aula 09
1613716
Em relação à variância, sabemos que 𝜎 + = 𝐸(𝑋 + ) − [𝐸(𝑋)]+ , ou seja, a variância populacional é a

diferença entre o segundo momento e o quadrado do primeiro momento. Logo, o EMM para a
variância é:
∑!")* 𝑋"+
+
𝜎‡TT = 𝑚+ − (𝑚* ) = +
− 𝑋5 +
𝑛
Com manipulações algébricas, obtemos como resultado:
+
∑!")*(𝑋" − 𝑋5)+
𝜎‡TT =
𝑛
Entretanto, sabemos que esse estimador é tendencioso, ou seja:
+
𝐸(𝜎‡TT ) ≠ 𝜎+
Portanto, nem sempre o estimador obtido pelo método dos momentos apresenta boas
propriedades. Inclusive, elas podem não ser suficientes.
Também é possível ter mais de um estimador para um mesmo parâmetro populacional. Para a
distribuição de Poisson, por exemplo, temos 𝐸(𝑋) = 𝑉(𝑋) = 𝜆. Assim, o parâmetro 𝜆 pode ser
+
estimado tanto por 𝜇̂ TT , quanto por 𝜎‡TT , o que pode resultar em estimativas bem diferentes.
Ademais, é possível obter valores negativos para os parâmetros de uma distribuição binomial, por
exemplo, segundo esse método.
4.2.2 – Método da Máxima Verossimilhança
Para estimar o parâmetro populacional desejado, esse método busca a estimativa para a qual a
probabilidade de se obter os valores observados é a maior possível. Em outras palavras, suponha
que as observações tenham sido 𝑋* , 𝑋+ , … , 𝑋! . Nesse caso, considerando o estimador de máxima
verossimilhança, a probabilidade associada às observações 𝑋* , 𝑋+ , … , 𝑋! é maior do que se
considerássemos qualquer outro estimador.
Esse método terá uma função diferente, de acordo com a distribuição da população. Para uma
variável com distribuição normal, o estimador de máxima verossimilhança (EMV) para a média é:
∑!")* 𝑋"
𝜇‰
T6 = = 𝑋5
𝑛
Ou seja, para uma população com distribuição normal, a média amostral é o

estimador de máxima verossimilhança (EMV) para a média populacional.
30


Aula 09
1613716
E o EMV para a variância dessa mesma variável é:
w
+
∑!")*(𝑋" − 𝑋5)+
𝜎T6 =
𝑛
Esse é o mesmo estimador obtido pelo método dos momentos, que sabemos ser tendencioso:
+
𝐸(𝜎‡T6 ) ≠ 𝜎+
Para uma variável aleatória com distribuição de Poisson, o estimador de máxima verossimilhança
(EMV) também é a média amostral:
∑!")* 𝑋"
𝜆w
T6 = = 𝑋5
𝑛
Por fim, se a variável aleatória seguir uma distribuição exponencial, a estimativa de máxima
*
verossimilhança para o parâmetro 𝜆 é (lembre-se que para essa distribuição, 𝐸(𝑋) = U):
1
𝜆w
T6 =
𝑋5
Para uma variável aleatória com distribuição de Bernoulli, o estimador de máxima verossimilhança
para 𝑝 é a proporção amostral (que segue a mesma definição de média amostral):
∑!")* 𝑋"
𝑝‰
T6 = = 𝑝̂
𝑛
(CESPE/2015 – Telebras) Considerando que os principais métodos para a estimação pontual são
o método dos momentos e o da máxima verossimilhança, julgue o item a seguir.
O estimador da máxima verossimilhança para a variância da distribuição normal é expresso por
w+ = * ∑!")*(𝑥" − 𝑥̅ )+ e este estimador é não viciado.
𝜎 !
Comentários:
w+ = * ∑!")*(𝑥" − 𝑥̅ )+ é o estimador de máxima verossimilhança para a
De fato, o estimador 𝜎 !
variância de uma população com distribuição normal, porém esse estimador é viciado.
Gabarito: Errado.
31


Aula 09
1613716
(CESPE/2016 – TCE/PA) Uma amostra aleatória com n = 16 observações independentes e

identicamente distribuídas (IID) foi obtida a partir de uma população infinita, com média e desvio
padrão desconhecidos e distribuição normal. Tendo essa informação como referência inicial,
julgue o seguinte item.
Caso, em uma amostra aleatória de tamanho n = 4, os valores amostrados sejam A = {2, 3, 0, 1},
V
a estimativa de máxima verossimilhança para a variância populacional será igual a 3.
Comentários:
A estimativa de máxima verossimilhança para a variância de uma população normal, é:
∑!")*(𝑋" − 𝑋5)+
𝜎w
+
T6 =
𝑛
Para calculá-la, precisamos primeiramente da média amostral, 𝑋5:
∑ 𝑋" 2 + 3 + 0 + 1 6
𝑋5 = = = = 1,5
𝑛 4 4
A estimativa é, portanto:
w+
(2 − 1,5)+ + (3 − 1,5)+ + (0 − 1,5)+ + (1 − 1,5)+ (0,5)+ + (1,5)+ + (−1,5)+ + (−0,5)+
𝜎T6 = =
4 4
0,25 + 2,25 + 2,25 + 0,25 5
𝜎w+
T6 = =
4 4
Observe que a questão exigiu conhecimento justamente da diferença entre o estimador de
máxima verossimilhança e o estimador que utilizamos (não tendencioso).
Gabarito: Errado.
4.2.3 – Método de Mínimos Quadrados
O Método de Mínimos Quadrados busca a estimativa 𝜃w TW que resulta no menor valor para o
quadrado das diferenças entre os valores observados 𝑋" e 𝜃w
TW :
!
+
Min iy𝑋" − 𝜃w
TW z
")*
Ou seja, o método busca minimizar o erro quadrático total da amostra. Assim, 𝜃w

TW é chamado de
Estimador de Mínimos Quadrados (EMQ) para o parâmetro populacional 𝜃. Esse método é
utilizado quando não se conhece o tipo de distribuição da variável.
O estimador de mínimos quadrados para a média populacional, 𝜇‰

TW , é igual à
média amostral:
𝜇‰ 5
TW = 𝑋
32


Aula 09
1613716
Similarmente, o estimador de mínimos quadrados para a proporção populacional,

TW , é a proporção amostral:
𝑝‰
𝑝‰
TW = 𝑝̂
A média amostral é o estimador para a média populacional obtido pelos métodos

dos momentos (EMM) e dos mínimos quadrados (EMQ). Se a população tiver
distribuição normal, a média amostral também é o estimador obtido pelo método
da máxima verossimilhança (EMV).
A proporção amostral é o estimador para a proporção populacional obtido pelos

métodos dos mínimos quadrados (EMQ) e da máxima verossimilhança (EMV).
O estimador para a variância obtido pelos métodos dos momentos (EMM) e da

máxima verossimilhança (EMV) é tendencioso.
5. ESTIMAÇÃO INTERVALAR
Após obtermos uma estimativa para o parâmetro populacional desejado (estimação pontual),
calculamos o intervalo dentro do qual esse parâmetro deve variar. Ou seja, na estimação intervalar,
a estimativa deixa de ser um ponto (isto é, um valor único) e passa a ser um intervalo. Esse
intervalo, chamado intervalo de confiança, fornece uma noção de precisão da estimativa.
O intervalo de confiança é construído em torno da estimativa pontual 𝜃x, indicado da forma

y𝜃x − 𝐸; 𝜃x + 𝐸z ou como 𝜃x ± 𝐸. Esse intervalo indica que o parâmetro populacional 𝜃 deve estar
entre o limite inferior, 𝜃x − 𝐸, e o limite superior 𝜃x + 𝐸. O valor 𝐸 corresponde à metade da
amplitude, podendo ser chamado de margem de erro, erro de precisão, erro máximo.
Como assim o parâmetro “deve” estar no intervalo? É possível que o parâmetro 𝜃 esteja fora
desse intervalo? Por se tratar de um intervalo construído em torno de uma variável aleatória, sim!
Em Inferência Estatística, sempre convivemos com um nível de dúvida. Mas, felizmente, é possível
dimensionar esse nível de dúvida.
33


Aula 09
1613716
Mais precisamente, atribuímos ao intervalo um nível de confiança 1 − 𝛼, indicado em forma

percentual, por exemplo, 95%. A interpretação desse nível é a seguinte: repetindo o
procedimento para a construção do intervalo muitas vezes, em (1 − 𝛼)% (por exemplo, 95%)
dessas vezes, o intervalo construído incluirá o parâmetro populacional.
Ou seja, não se trata de uma probabilidade de o parâmetro populacional pertencer ao intervalo,

uma vez que o parâmetro populacional é fixo (embora seja desconhecido). O nível de confiança
representa a probabilidade de o intervalo, o qual é construído a partir de variáveis aleatórias,
incluir o parâmetro populacional.
Agora, veremos como construímos o intervalo de confiança os parâmetros populacionais (média,

proporção e variância), a partir dos respectivos estimadores. (Lembre-se de que os estimadores
são variáveis aleatórias.)
(CESPE/2019 – TJ/AM) Acerca de métodos usuais de estimação intervalar, julgue o item

subsecutivo. Um intervalo de confiança de 95% descreve a probabilidade de um parâmetro estar
entre dois valores numéricos na próxima amostra não aleatória a ser coletada.
Comentários:
Existem alguns erros neste item. A estimação, de modo geral, trabalha com amostras aleatórias
já coletadas. Além disso, não se trata de uma probabilidade de o parâmetro estar entre dois
valores, mas sim de os dois valores englobarem o parâmetro.
Gabarito: Errado.
(CESPE/2019 – TJ/AM) Acerca de métodos usuais de estimação intervalar, julgue o item

subsecutivo. É possível calcular intervalos de confiança para a estimativa da média de uma
distribuição normal, representativa de uma amostra aleatória.
Comentários:
De fato, é possível calcular intervalos de confiança para a média, a partir de uma amostra aleatória.
Gabarito: Certo.
34


Aula 09
1613716
5.1 Intervalo de Confiança para a Média
Para estimarmos a média populacional, utilizamos a média amostral como estimador. Porém, para
construirmos um intervalo de confiança em torno desse estimador, é necessário saber se a
variância populacional é conhecida ou não.
5.1.1 – População com Variância Conhecida
Se a população tiver variância conhecida 𝜎 + e distribuição normal, ou se o tamanho da amostra

for suficientemente grande, a média amostral 𝑋5 terá distribuição normal.
Devemos então construir um intervalo de confiança que delimite uma probabilidade de 𝟏 − 𝜶 em

torno do estimador 𝑋5, chamada de nível de confiança. Ou seja, devemos encontrar os valores de
𝑋 que delimitam uma área sob a curva normal, correspondente a 1 − 𝛼:
1−𝛼
𝑋" − 𝐸 𝑋" 𝑋" + 𝐸
Para encontrar os limites, devemos utilizar a tabela normal padrão. Logo, precisamos utilizar a
transformação para a distribuição normal padrão 𝑍 (com média igual a 0 e desvio padrão igual a
1) que aprendemos na aula passada:
𝑣𝑎𝑙𝑜𝑟 𝑝𝑟𝑜𝑐𝑢𝑟𝑎𝑑𝑜 − 𝒎é𝒅𝒊𝒂 𝑑𝑎 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑖çã𝑜
𝑧=
𝒅𝒆𝒔𝒗𝒊𝒐 𝒑𝒂𝒅𝒓ã𝒐 𝑑𝑎 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑖çã𝑜
Aqui, os valores procurados são 𝑋5 + 𝐸 e 𝑋5 − 𝐸; a média da distribuição é 𝑋5 e o desvio padrão é o

erro padrão de 𝑋5:
𝜎
𝐷(𝑋5 ) =
√𝑛
Ou seja, o limite superior do intervalo de confiança, 𝑋5 + 𝐸, é calculado como:
𝑋5 + 𝐸 − 𝑋5 𝐸
𝑧= 𝜎 = 𝜎
√𝑛 √𝑛
35


Aula 09
1613716
9
𝐸 = 𝑧.
√!
O intervalo de confiança, 𝑋5 ± 𝐸, é, portanto:
9 9
G𝑋5 − 𝑧. ; 𝑋5 + 𝑧. H
√! √!
Esses limites podem ser chamados de valores críticos.
E qual é o valor de 𝑧? Depende do nível de confiança.
Por exemplo, suponha um nível de confiança 1 − 𝛼 = 95% (normalmente, a prova fornece o valor
do nível de confiança mesmo, ou seja, o valor de 1 − 𝛼).
Para que toda a região indicada no gráfico acima delimite uma área de 1 − 𝛼 = 95%, então a área
entre 0 e z deve ser a metade: 𝑃(0 < 𝑍 < 𝑧) = 0,475.
Z ... 0,05 0,06 0,07 ...

... ... ... ... ... ...
1,8 ... 0,4678 0,4686 0,4693 ...
1,9 ... 0,4744 0,475 0,4756 ...
2 ... 0,4798 0,4803 0,4808 ...
... ... ... ... ... ...
Pela tabela da normal padrão, observamos que 𝑧 = 1,96. Logo, se o nível de confiança for de 95%,
o intervalo construído será:
𝜎 𝜎
d𝑋5 − 1,96. ; 𝑋5 + 1,96. e
√𝑛 √𝑛
Note que a probabilidade associada aos valores não incluídos no intervalo de confiança é
complementar, ou seja, igual a 𝛼. Por se tratar de uma distribuição simétrica, a probabilidade
associada aos valores superiores ao intervalo é 𝛼¤2 e aos valores inferiores é também 𝛼¤2:
𝛼¤ 𝛼¤
2 1−𝛼 2
𝑋" − 𝐸 𝑋" 𝑋" + 𝐸
36


Aula 09
1613716
Assim, é comum utilizar a notação 𝑧XY+ para indicar o limite do intervalo na distribuição normal
padrão (no nosso exemplo, temos 𝑧XY+ = 1,96).
Tamanho Amostral
Pode ser que a questão forneça, além do nível de confiança (1 − 𝛼), o valor do erro máximo, ou
seja, o valor de 𝐸, e indague a respeito do tamanho necessário da amostra 𝑛. Para isso, podemos
utilizar a mesma fórmula do erro que vimos há pouco:
𝜎
𝐸 = 𝑧.
√𝑛
Lembre-se que o valor de 𝑧 é obtido a partir do nível de confiança desejado e que o erro
corresponde à metade da amplitude do intervalo de confiança. Reorganizando essa fórmula,
temos:
9 +
𝑛 = G𝑧. %H
Ou seja, quanto maior o nível de confiança desejado (𝑧), maior será o tamanho amostral; e quanto
menor o erro máximo (𝐸), maior será o tamanho amostral.
Pontue-se que tais fórmulas pressupõem uma população infinita ou amostras extraídas com
reposição. Caso a população seja finita e as amostras extraídas sem reposição, então será
necessário aplicar o fator de correção para população finita. Para isso, devemos multiplicar a
?$!
fórmula do erro pelo fator F ?$* , influenciando, assim, no tamanho da amostra:
𝜎𝑁−𝑛
𝐸 = 𝑧. .^
√𝑛 𝑁 − 1
(CESPE 2020/TJ-PA) Uma equipe de engenheiros da qualidade, com vistas a estimar vida útil de
determinado equipamento, utilizou uma amostra contendo 225 unidades e obteve uma média de
1.200 horas de duração, com desvio padrão de 150 horas.
Considerando-se, para um nível de confiança de 95%, z = 1,96, é correto afirmar que a verdadeira
duração média do equipamento, em horas, estará em um intervalo entre
37


Aula 09
1613716
a) 1.190,00 e 1.210,00.
b) 1.185,20 e 1.214,80.
c) 1.177,50 e 1.222,50.
d) 1.180,40 e 1.219,60.
e) 1.174,20 e 1.225,80.
Comentários:
Vamos listar as informações do enunciado:
𝑀é𝑑𝑖𝑎 𝑎𝑚𝑜𝑠𝑡𝑟𝑎𝑙 → 𝑋5 = 1.200
𝐸𝑠𝑐𝑜𝑟𝑒 𝑎𝑠𝑠𝑜𝑐𝑖𝑎𝑑𝑜 𝑎𝑜 𝑛í𝑣𝑒𝑙 𝑑𝑒 𝑐𝑜𝑛𝑓𝑖𝑎𝑛ç𝑎 → 𝓏 = 1,96
𝐷𝑒𝑠𝑣𝑖𝑜 𝑝𝑎𝑑𝑟ã𝑜 → 𝜎 = 150
𝑇𝑎𝑚𝑎𝑛ℎ𝑜 𝑑𝑎 𝑎𝑚𝑜𝑠𝑡𝑟𝑎 → 𝑛 = 225
Agora, podemos apenas aplicar na fórmula do intervalo de confiança para a média (como a
questão já forneceu o valor de 𝓏, não precisamos consultar a tabela para obtê-lo, a partir do nível
de confiança):
𝜎
𝑋5 ± 𝓏 ×
√𝑛
150
1200 ± 1,96 ×
√225
150
1200 ± 1,96 ×
15
1200 ± 1,96 × 10
1200 ± 19,6
Logo, o intervalo é (1200 − 19,6 = 1180,4; 1200 + 19,6 = 1219,6)
Gabarito: D.
(2014/TRT-MA) Para responder às questões use, dentre as informações dadas abaixo, as que
julgar apropriadas.
Se Z tem distribuição normal padrão, então: P(Z < 0,25) = 0,599, P(Z < 0,80) = 0,84, P(Z < 1) =
0,841, P(Z < 1,96) = 0,975, P(Z < 3,09) = 0,999
Considere X1, X2, ...Xn uma amostra aleatória simples, com reposição, da distribuição da variável
X, que tem distribuição normal com média µ e variância 36. Seja X a média amostral dessa amostra.
O valor de n para que a distância entre X e µ seja, no máximo, igual a 0,49, com probabilidade de
95% é igual a:
a) 256
38


Aula 09
1613716
b) 225
c) 400
d) 144
e) 576
Comentários:
Ao dizer que a distância entre a média amostral (ou seja, estimativa da média populacional) e a
média populacional seja no máximo igual a 0,49 com probabilidade de 95%, a questão forneceu
o erro máximo (𝑋5 − 𝐸; 𝑋5 + 𝐸), 𝐸 = 0,49, e o nível de confiança de 95%.
Para que 95% da distribuição esteja no intervalo (𝑋5 − 𝐸; 𝑋5 + 𝐸), 2,5% da distribuição estará acima
desse intervalo e 2,5% abaixo:
2,5% 2,5%
95%
𝑋" − 𝐸 𝑋" 𝑋" + 𝐸
Assim, precisamos do valor de z cuja probabilidade P(Z < z) seja igual a 2,5% + 95% = 97,5%.
Pelos valores fornecidas observamos que z = 1,96. Sabendo que a variância é 𝜎 + = 36, ou seja, o
desvio padrão é 𝜎 = √𝜎 + = √36 = 6, tendo em vista que o erro é E = 0,49, temos:
𝜎 +
𝑛 = G𝑧. H
𝐸
6 +
𝑛 = d1,96. e = (24)+ = 576
0,49
Gabarito: E.
(CESPE 2016/TCE-PA) Considerando uma população finita em que a média da variável de

interesse seja desconhecida, julgue o item a seguir.
Se uma amostra aleatória simples, sem reposição, for obtida de uma população finita constituída
por N = 45 indivíduos, o fator de correção para população finita não será considerado na definição
do tamanho da amostra para a estimação da média.
Comentários:
Quando uma população é finita, é feito um ajuste na equação para as médias amostrais. Esse
ajuste é chamado fator de correção. Portanto, usamos sim o fator de correção.
39


Aula 09
1613716
Gabarito: Errado.
5.1.2 – População com Variância Desconhecida
Sendo a variância populacional desconhecida, não podemos calcular a variância da média amostral
9 #
como 𝑉(𝑋5 ) = ! . Então, precisamos estimar a variância populacional, a partir da variância amostral.
Sabemos que o estimador não tendencioso para a variância é:
∑!")*(𝑋" − 𝑋5)+
𝑠+ =
𝑛−1
Lembre-se que esse estimador vale para populações infinitas ou amostras extraídas sem reposição.
Caso a população seja finita, de tamanho 𝑁, e a amostra seja extraída com reposição, é necessário
?$!
aplicar o fator de correção, multiplicando o resultado por ?$*
.
Com a estimativa para a variância populacional, calculamos a variância da média amostral (basta
substituir 𝜎 + por 𝑠 + , na fórmula da variância da média amostral, que conhecemos):
𝑠+
𝑉(𝑋5) =
𝑛
Logo, o desvio padrão será:
𝑠+
𝐷(𝑋5 ) = O𝑉(𝑋5 ) = ^
𝑛
𝑠
𝐷(𝑋5 ) =
√𝑛
O método para a construção do intervalo de confiança será similar, porém, ao invés de
considerarmos a distribuição normal, utilizaremos a distribuição t-Student, considerando 𝒏 − 𝟏
graus de liberdade. Como vimos na aula passada, essa distribuição é similar à normal, porém mais
achatada no centro e com caudas mais largas, ou seja, apresenta maior variabilidade.
Precisamos utilizar uma outra distribuição, que não a distribuição normal, porque
agora a variância considerada deixou de ser um valor fixo e passou a ser também
40


Aula 09
1613716
uma estimativa, o que justifica o uso de uma distribuição com maior variabilidade
do que a normal.
Observe a fórmula da transformação, considerando os estimadores 𝑋5 e 𝑠 + :
H$,C
√Z #
Se a variância fosse fixa, teríamos a transformação para a normal padrão. Porém,

estamos dividindo pela raiz da estimativa da variância √𝑠 + .
Lembra que o estimador da variância tem distribuição qui-quadrado? Com isso em

mente, compare essa transformação com a definição da variável t-Student, que
vimos na aula passada:
[
𝑇=
#
\𝒳.
.
Percebeu a similaridade? Assim como para a variável t-Student, para a estimativa

da média com variância desconhecida, também temos uma distribuição normal
padrão 𝑍, dividida pela raiz de uma distribuição qui-quadrado.
Considerando que 𝑡!$* representa o valor da tabela da distribuição t-Student padrão (com média
igual a zero e desvio padrão igual a 1) para 𝑛 − 1 graus de liberdade, temos:
𝑋5 + 𝐸 − 𝑋5 𝐸
𝑡!$* = 𝑠 = 𝑠
√𝑛 √𝑛
Z
𝐸 = 𝑡!$* .
√!
Ou seja, o erro é calculado assim como fizemos para a população com variância conhecida, apenas
substituindo a variável da normal padrão pela variável t-Student. O intervalo de confiança será da
Z Z
forma G𝑋5 − 𝑡!$* . ; 𝑋5 + 𝑡!$* . H.
√! √!
O valor de 𝒕𝒏$𝟏 também dependerá do nível de confiança e do tamanho da amostra 𝒏.
Por exemplo, suponha o mesmo nível de confiança do nosso exemplo anteriode 1 − 𝛼 = 95% e
uma amostra de tamanho 𝑛 = 9. Logo, precisamos buscar o valor de 𝑡 considerando 𝑛 − 1 = 8
graus de liberdade. Abaixo, inserimos parte da tabela de t-Student, que vimos na aula passada,
que apresenta os valores da função acumulada, ou seja, da forma 𝑃(𝑇 < 𝑡).
41


Aula 09
1613716
Se a probabilidade associada ao intervalo de confiança é de 95%, então a probabilidade associada

aos valores acima e abaixo desse intervalo é de 2,5%.
2,5% 2,5%
95%
𝑋" − 𝐸 𝑋" 𝑋" + 𝐸
Assim, devemos buscar o valor de 𝑡] para o qual 𝑃(𝑇 < 𝑡] ) = 0,975. Pela tabela acima, temos 𝑡] =
2,31. Logo, o intervalo será da seguinte forma (em que o valor da estimativa do desvio padrão 𝑠 é
obtido a partir da amostra):
𝑠 𝑠
G𝑋5 − 2,31. ; 𝑋5 + 2,31. H
3 3
(2019/SEFAZ-BA) Para obter um intervalo de confiança de 90% para a média p de uma população
normalmente distribuída, de tamanho infinito e variância desconhecida, extraiu-se uma amostra
aleatória de tamanho 9 dessa população, obtendo-se uma média amostral igual a 15 e variância
igual a 16. Considerou-se a distribuição t de Student para o teste unicaudal tal que a probabilidade
P(t - t0) = 0,05, com n graus de liberdade. Com base nos dados da amostra, esse intervalo é igual
a
42


Aula 09
1613716
a) (12,56; 17,44)
b) (13,76; 16,24)
c) (12,47; 17,53)
d) (12,59; 17,41)
e) (12,52; 17,48)
Comentários:
Pelo enunciado, sabemos que o tamanho amostral é 𝑁 = 9. Logo, temos 𝑁 − 1 = 8 graus de
liberdade. Pela tabela fornecida, para 8 de graus de liberdade, observamos que 𝑡 = 1,86.
Considerando, ainda, que a variância é 𝑠 + = 16, logo 𝑠 = √𝑠 + = √16 = 4, temos:
𝑠 4
𝐸 = 𝑡. = 1,86 × = 2,48
√𝑁 3
Assim, o intervalo de confiança para a média 𝑋5 = 15 é:
𝑋5 − 𝐸 = 15 − 2,48 = 12,52
𝑋5 + 𝐸 = 15 + 2,48 = 17,48
Gabarito: E.
5.2 Intervalo de Confiança para a Proporção
Para estimar a proporção populacional, 𝑝, utilizamos a proporção encontrada na amostra, 𝑝̂ . A

variância desse estimador é dada por:
𝑝̂ . 𝑞‡
𝑉(𝑝̂ ) =
𝑛
Lembre-se que 𝑞‡ = 1 − 𝑝̂ . O desvio padrão é, portanto:
𝑝̂ . 𝑞‡
𝐷(𝑝̂ ) = O𝑉(𝑝̂ ) = ^
𝑛
Assim, a transformação para a normal padrão é:

𝑝̂ + 𝐸 − 𝑝̂ 𝐸
𝑧= =
F𝑝̂ . 𝑞‡ F𝑝̂ . 𝑞‡
𝑛 𝑛
D^.0^
𝐸 = 𝑧. F !
43


Aula 09
1613716
D^.0^ D^.0^
Assim, o intervalo de confiança será da forma ª𝑝̂ − 𝑧. F ! ; 𝑝̂ + 𝑧. F ! «.
Tamanho Amostral
Também podemos determinar o tamanho amostral, dado um nível de confiança (1 − 𝛼) e um valor

de erro máximo 𝐸. Reorganizando a fórmula do erro que acabamos de ver, temos (lembre-se que
𝑞‡ = 1 − 𝑝̂ ):
_ +
𝑛 = G% H 𝑝̂ . 𝑞‡
Vale pontuar que o maior valor de 𝑛 é obtido com 𝑝̂ = 𝑞‡ = 0,5, considerando o mesmo nível de
confiança (mesmo 𝑧) e o mesmo erro máximo 𝐸. Assim, mesmo sem conhecer a proporção
amostral, é possível determinar um valor máximo para o tamanho amostral (isto é, um valor
seguro), considerando 𝑝̂ = 𝑞‡ = 0,5 na fórmula acima. De modo geral, o valor de 𝑛 será maior
quanto mais próximo de 0,5 forem essas proporções.
Novamente, tal fórmula pressupõe uma população infinita ou amostras extraídas com reposição.
Caso a população seja finita e as amostras extraídas sem reposição, então será necessário aplicar
o fator de correção para população finita. Para isso, devemos multiplicar a fórmula do erro pelo
?$!
fator F ?$* :
𝑝̂ . 𝑞‡ 𝑁 − 𝑛
𝐸 = 𝑧. ^ .^
𝑛 𝑁−1
(CESPE 2018/PF) Determinado órgão governamental estimou que a probabilidade p de um ex-

condenado voltar a ser condenado por algum crime no prazo de 5 anos, contados a partir da data
da libertação, seja igual a 0,25. Essa estimativa foi obtida com base em um levantamento por
amostragem aleatória simples de 1.875 processos judiciais, aplicando-se o método da máxima
verossimilhança a partir da distribuição de Bernoulli.
Sabendo que P(Z < 2) = 0,975, em que Z representa a distribuição normal padrão, julgue o item
que se segue, em relação a essa situação hipotética.
44


Aula 09
1613716
A estimativa intervalar 0,25 ± 0,05 representa o intervalo de 95% de confiança do parâmetro

populacional p.
Comentários:
O intervalo de confiança de uma distribuição de proporção é dado por:
𝑝̂ × 𝑞‡
𝑝̂ ± 𝑍` × ^
𝑛
Vamos aos dados do problema:

𝑝̂ = 0,25 → 𝑝𝑟𝑜𝑝𝑜𝑟çã𝑜 𝑎𝑚𝑜𝑠𝑡𝑟𝑎𝑙
𝑞‡ = 1 − 𝑝̂ = 0,75
𝑛 = 1.875 → 𝑡𝑎𝑚𝑎𝑛ℎ𝑜 𝑑𝑎 𝑎𝑚𝑜𝑠𝑡𝑟𝑎
𝑍` = 2 → 𝑛í𝑣𝑒𝑙 𝑑𝑒 𝑐𝑜𝑛𝑓𝑖𝑎𝑛ç𝑎 𝑑𝑒 95% 𝑛𝑎 𝑡𝑎𝑏𝑒𝑙𝑎 𝑛𝑜𝑟𝑚𝑎𝑙
0,25 × 0,75
0,25 ± 2 × ^
1.875
0,1875
0,25 ± 2 × ^
1.875
0,25 ± 2 × O0,0001
0,25 ± 2 × 0,01
0,25 ± 0,02
Gabarito: Errado.
(2019/FMS) Uma pesquisa tem como finalidade conhecer a proporção de pessoas em Teresina
que teriam interesse em frequentar uma nova franquia de lanchonete vinda do exterior. O
empreendedor diz que só vale a pena a instalação da franquia, se pelo menos 10% da população
tivesse interesse em frequentar o estabelecimento. Supondo que a proporção máxima da
população não será maior que 30%, qual tamanho de amostra (aproximado) tal que a diferença
entre a proporção populacional e proporção amostral não tenha um erro maior que três pontos
percentuais, com uma confiança de 95%. Obs.: zγ=1,96.
a) 897
b) 683
c) 700
d) 300
e) 654
45


Aula 09
1613716
Comentários:
O tamanho amostral é dado por:
𝑧 +
𝑛 = G H 𝑝̂ . 𝑞‡
𝐸
O enunciado informa que 𝑧 = 1,96 e 𝐸 = 0,03. Devemos considerar, ainda, 𝑝̂ = 0,3. (Esse é o valor
máximo para a proporção. Quanto mais próximos de 50%, maior será o valor de n. Logo, ao utilizar
o valor de 30%, estamos calculando um valor seguro para o tamanho amostral). Sabendo que 𝑞‡ =
1 − 𝑝̂ = 0,7, temos:
1,96 +
𝑛=d e × 0,3 × 0,7 ≅ 897
0,03
Gabarito: A.
5.3 Intervalo de Confiança para a Variância

!$*
Vimos, anteriormente, que o estimador da variância 𝑠 + , multiplicado pelo fator G 9# H, segue uma
distribuição qui-quadrado com 𝒏 − 𝟏 graus de liberdade:
+
𝑛−1
𝒳!$* = d + e 𝑠+
𝜎
Como essa distribuição é assimétrica, utilizaremos a tabela da distribuição qui-quadrado para
+ +
encontrar tanto o limite superior, 𝒳#a( , quanto o limite inferior, 𝒳b?c , do intervalo de confiança:
+
𝑛−1 + +
𝒳b?c <d e 𝑠 < 𝒳#a(
𝜎+
Isolando 𝜎 + nessa expressão, temos:
(𝑛 − 1). 𝑠 + +
(𝑛 − 1). 𝑠 +
+ < 𝜎 < +
𝒳#a( 𝒳b?c
Ou seja, para o limite inferior, dividimos por 𝓧𝟐𝑺𝑼𝑷 e para o limite superior dividimos por 𝓧𝟐𝑰𝑵𝑭 .
+ + +
Atente-se que 𝒳#a( é um valor maior que 𝒳b?c . Assim, quando dividimos por 𝒳#a( (limite inferior)
+
obtemos um valor menor do que quando dividimos por 𝒳b?c (limite superior).
Logo, o intervalo de confiança para a variância é da forma:
(!$*).Z # (!$*).Z #
d #
𝒳/01
; #
𝒳234
e
46


Aula 09
1613716
+ +
Novamente, os valores 𝒳#a( e 𝒳b?c são obtidos a partir da tabela, dependendo do nível de
confiança 1 − 𝛼 desejado e do tamanho da amostra, conforme ilustrado abaixo.
𝛼¤ 𝛼¤
2 2
1−𝛼
+ +
𝒳b?c 𝒳#a(
+ X
Assim, como para as distribuições anteriores, o valor 𝒳b?c deixa + da distribuição abaixo; e o valor
+ X
𝒳#a( deixa +
da distribuição acima (a diferença é que agora não estamos mais lidando com uma
distribuição simétrica):
+ X
𝑃(𝒳 + < 𝒳b?c ) = +
+ ) X
𝑃(𝒳 + < 𝒳#a( =1−+
Suponha o mesmo nível de confiança de 1 − 𝛼 = 0,95 e uma amostra de tamanho 9. Pela tabela
+
da distribuição qui-quadrado, observamos que o valor de 𝒳b?c é igual a 2,7, pois 𝑃(𝒳>+ < 2,7) =
X + X
+
= 0,025; e o valor de 𝒳#a( é igual a 19,0, pois 𝑃(𝒳>+ < 19,0) = 1 − + = 0,975. Logo, o intervalo
de confiança para a variância para esse exemplo é:
8. 𝑠 + 8. 𝑠 +
ª ; «
19,0 2,7
(2019/DPE-RJ) Com o objetivo de produzir uma estimativa por intervalo para a variância
populacional, realiza-se uma amostra de tamanho n = 4, obtendo-se, após a extração, os seguintes
resultados:
X1 = 6, X2 = 3, X3 = 11 e X4 = 12
Informações adicionais:
P (X24 < 0,75 ) = 0,05 P (X23 < 0,40 ) = 0,05
P (X24 < 10,8 ) = 0,95 P (X23 < 9 ) = 0,95
47


Aula 09
1613716
Então, sobre o resultado da estimação, e considerando-se um grau de confiança de 90%, tem-se

que:
a) 5 < σ2 < 72;
b) 8 < σ2 < 180;
c) 6 < σ2 < 135;
d) 4 < σ2 < 22;
b) 6 < σ2 < 24.
Comentários:
O intervalo de confiança para a variância é dado por:
(𝑛 − 1). 𝑠 + (𝑛 − 1). 𝑠 +
ª + ; + «
𝒳#a( 𝒳b?c
Primeiro, precisamos calcular a estimativa para variância 𝑠 + :
+
∑!")*(𝑋" − 𝑋5)+
𝑠 =
𝑛−1
O valor da média amostral é:
∑ 𝑋" 6 + 3 + 11 + 12 32
𝑋5 = = = =8
𝑛 4 4
Logo, o estimador da variância é:
(6 − 8)+ + (3 − 8)+ + (11 − 8)+ + (12 − 8)+ (−2)+ + (−5)+ + (3)+ + (4)+
𝑠+ = =
4−1 3
4 + 25 + 9 + 16 54
𝑠+ = = = 18
3 3
+
Sabendo que são n – 1 = 3 graus de liberdade e um intervalo de confiança de 95%, temos 𝒳b?c =
+
0,4 e 𝒳#a( = 9, logo o intervalo de confiança é:
3 × 18
𝐼𝑛𝑓 = =6
9
3 × 18
𝑆𝑢𝑝 = = 135
0,4
Gabarito: C.
48


Aula 09
1613716
Amplitude do Intervalo = 2 x Erro Máximo
Intervalo para a média populacional

9
População com variância conhecida (distribuição normal): 𝐸 = 𝑧.
√!
População com variância desconhecida (distribuição t-Student com 𝑛 − 1 graus de

9
liberdade): 𝐸 = 𝑡.
√!
D^.0^
Intervalo para a proporção: 𝐸 = 𝑧. F !
(!$*).Z # (!$*).Z #
Intervalo para a variância: d #
𝒳/01
; #
𝒳234
e
RESUMO DA AULA
Lei dos Grandes Números
Þ Média das observações tende à esperança da variável quando 𝒏 aumenta
Þ Lei Fraca: convergência em probabilidade
Þ Lei Forte: convergência quase certa
Estimadores Erro Padrão é o desvio

9 # 9 padrão (raiz quadrada da
Þ Média amostral 𝑋5: 𝐸(𝑋5) = 𝜇, 𝑉(𝑋5) = ! , 𝐸𝑃(𝑋5) =
√! variância) do estimador
D.0 D.0
Þ Proporção amostral 𝑝̂ : 𝐸(𝑝̂ ) = 𝑝, 𝑉(𝑝̂ ) = !
, 𝐸𝑃(𝑝̂ ) = F !
∑(,$ $,C ) #
Þ Estimador da variância amostral: 𝑠 + = !$*
49


Aula 09
1613716
Propriedades dos Estimadores
Þ Suficiente (contempla todas as informações para estimar o parâmetro populacional)
Þ Não Tendencioso (esperança do estimador é igual ao parâmetro populacional)
Þ Eficiente (menor variância possível)
Þ Consistente (estimativas convergem com o aumento do tamanho amostral)
Métodos de Estimação
#
w+ = ∑(,$ $,C)
Þ Método dos Momentos: Resulta em 𝑋5 como estimador para a média; e em 𝜎 !
w
como estimador para a variância (𝜎 é tendencioso)
+
Þ Método da Máxima Verossimilhança: Resulta em 𝑝̂ como estimador para a proporção; para

#
w+ = ∑(,$ $,C) como estimador
uma população normal, em 𝑋5 como estimador da média e 𝜎 !
w
para a variância (𝜎 é tendencioso)
+
Þ Método dos Mínimos Quadrados: Resulta em 𝑋5 como estimador para a média; e em 𝑝̂ como
estimador para a proporção
Estimação Intervalar
Þ Erro depende do nível de confiança desejado e do tamanho da amostra

9
Þ Intervalo de confiança para população com variância conhecida: 𝑋5 ± 𝑧.
√!
9
Þ Intervalo de confiança para população com variância desconhecida: 𝑋5 ± 𝑡!$* .
√!
Erro Máximo
(metade da amplitude
do intervalo)
50


Aula 09
1613716
QUESTÕES COMENTADAS – CESPE

1. (CESPE/2013 – BACEN) Em um estudo estatístico, uma amostra aleatória simples
𝑿𝟏 , 𝑿𝟐 , … , 𝑿𝒏 , foi retirada de uma população cuja função de distribuição de probabilidade é 𝑷(𝑿 =
𝒌) = 𝑪𝒆$𝜽𝒌 , em que 𝑪 representa o fator de normalização, 𝒆 é o número de Neper (ou de
Euler), 𝜽 > 𝟎 denota o parâmetro da distribuição e 𝒌 = 𝟎, 𝟏, 𝟐, … . Acerca dessas informações, e
considerando que 𝑿 # = 𝑿𝟏 4𝑿𝟐 4⋯4𝑿𝒏 seja a média amostral, julgue o próximo item.
𝒏
De acordo com a lei fraca dos grandes números, à medida que o tamanho da amostra aumenta, a
variável aleatória 𝑋5 converge para uma distribuição normal padrão.
Comentários:
A Lei dos Grandes Números não trata da distribuição da média amostral, mas sim da convergência
de seu valor. Logo, a questão está errada.
Gabarito: Errado
2. (CESPE/2008 – INSS)
Com relação ao texto, julgue o próximo item, considerando que outras 900 pessoas tenham sido
observadas em uma nova pesquisa, sendo Xα a quantidade de pessoas que sofreram o primeiro
infarto do miocárdio no período de cinco anos antes da publicação do veto e Xb a quantidade de
pessoas que sofreram o primeiro infarto do miocárdio no período até cinco anos após a publicação
do veto.
Pelo teorema conhecido como lei forte dos grandes números, é correto concluir que a variável
aleatória Xα segue aproximadamente uma distribuição normal.
Comentários:
51


Aula 09
1613716
Nessa questão, temos a mesma situação: a Lei dos Grandes Números trata da convergência da
média amostral à média populacional e não da distribuição de alguma variável aleatória.
Gabarito: Errado.
3. (CESPE/2013 – MPU) Se Sn e 𝜽 forem as médias amostra e populacional, respectivamente,

então – conforme a lei fraca dos grandes números – Sn converge quase certamente para 𝜽, à
medida que n cresce.
Comentários:
A Lei Fraca dos Grandes Números enuncia que a média amostral converge à média populacional,
em probabilidade, não quase certamente.
Gabarito: Errado
4. (CESPE/2013 – Telebrás) De uma grande população X, será retirada, aleatoriamente, uma

amostra simples de tamanho n para que seja estimada a taxa média m de satisfação do cliente.
Considerando que a variância dessa população seja igual a 5 e que a média amostral seja o
estimador não tendencioso da taxa m, julgue o item a seguir.
De acordo com a lei forte dos grandes números, quase certamente, a média amostral converge
para o valor m, desde que n seja finito e suficientemente grande.
Comentários:
Pela Lei dos Grandes Números, a média amostral converge à média populacional, se esta for finita.
Isso significa que a média amostral tende à média populacional quando n tende a infinito, ou seja,
justamente o contrário de n finito.
Gabarito: Errado.
5. (CESPE/2013 – FUB) A lei dos grandes números é um importante resultado teórico que
permite o estudo das propriedades de estimadores estatísticos, como, por exemplo, a média
amostral . Considerando que μ representa a média populacional e que o desvio padrão
populacional σ seja finito, julgue o item subsequente a respeito desse assunto.
52


Aula 09
1613716
Considere que um estimador T converge em média quadrática para um parâmetro 𝜏 à medida que
o tamanho da amostra aumenta. Nessas condições, é correto afirmar que a lei fraca dos grandes
números se aplica para esse estimador.
Comentários:
A média quadrática é dada por:
𝑋*+ + 𝑋++ + ⋯ + 𝑋!+

𝑋TW =^
𝑛
Observe que esse resultado é a raiz quadrada do segundo momento:
𝑋TW = O𝐸(𝑋 + )
Logo, se essa média converge a um parâmetro 𝜏, então 𝐸(𝑋 + ) converge ao parâmetro 𝜏 + . Sabendo
que 𝑉(𝑋) = 𝐸(𝑋 + ) − [𝐸(𝑋)]+ , ou seja, 𝑉(𝑋) ≤ 𝐸(𝑋 + ), então 𝑉(𝑋) também converge para algum
parâmetro.
Isso significa que a condição da Lei Fraca, isto é, variância finita, é satisfeita.
Gabarito: Certo.
Se 𝑛 é o tamanho da amostra, então na versão fraca da lei dos grandes números, 𝑃(|𝑋5 − 𝜇| > 𝜀) <
* 9 +
!
G n H , para todo 𝜀 > 0.
Comentários:
Sabemos que a Lei Fraca decorre da Desigualdade de Tchebyshev:
𝑉(𝑋)
𝑃(|𝑋 − 𝜇| > 𝜀) <
𝜀+
Substituindo 𝑋 por 𝑋5 e, portanto, 𝑉(𝑋) por 𝑉(𝑋5), temos:

53


Aula 09
1613716
𝑉(𝑋5)
𝑃(|𝑋5 − 𝜇| > 𝜀) <
𝜀+
Sabemos que a variância da média amostral, 𝑉(𝑋5), é dada por:
𝑉(𝑋) 𝜎 +
𝑉(𝑋5) = =
𝑛 𝑛
Substituindo 𝑉(𝑋5) na desigualdade de Tchebyshev, temos:
𝜎+
𝑃(|𝑋5 − 𝜇| > 𝜀) <
𝑛. 𝜀 +
Gabarito: Certo.
7. (CESPE 2016/TCE-PA) Uma amostra aleatória simples 𝑿𝟏 , 𝑿𝟐 , ..., 𝑿𝒏 foi retirada de uma
população normal com média e desvio padrão iguais a 10. Julgue o próximo item, a respeito
# = [𝑿𝟏 + 𝑿𝟐 +. . . +𝑿𝒏 ]/𝒏.
da média amostral 𝑿
A média amostral segue uma distribuição t de Student com 𝑛 − 1 graus de liberdade.
Comentários:
O enunciado garantiu que a distribuição original é normal. Deste modo, a média

aritmética 𝑋5 dependerá de uma soma de 𝑛 variáveis normais, independentes e identicamente
distribuídas. Será, também, uma variável normal (e não 𝑡 de Student).
Gabarito: Errado.
8. (CESPE 2019/TJ-AM) Em determinado município brasileiro, realizou-se um

levantamento para estimar o percentual P de pessoas que conhecem o programa justiça
itinerante. Para esse propósito, foram selecionados 1.000 domicílios por amostragem aleatória
simples de um conjunto de 10 mil domicílios. Nos domicílios selecionados, foram entrevistados
todos os residentes maiores de idade, que totalizaram 3.000 pessoas entrevistadas, entre as
quais 2.250 afirmaram conhecer o programa justiça itinerante.
De acordo com essa situação hipotética, julgue o seguinte item.
O número médio de pessoas maiores de idade por domicílio foi igual a 3 pessoas por domicílio; e
o erro padrão do estimador do percentual 𝑃 é inversamente proporcional a 3√1.000.
54


Aula 09
1613716
Comentários:
Como foram entrevistadas 3000 pessoas em 1000 domicílios, a média de pessoas maiores de
idade por domicílio é igual a:
3000
= 3 𝑝𝑒𝑠𝑠𝑜𝑎𝑠 𝑝𝑜𝑟 𝑑𝑜𝑚𝑖𝑐í𝑙𝑖𝑜.
1000
Por outro lado, o erro padrão da proporção é igual a:
D(*$D)
𝐸=F !
,
em que 𝑝 é a proporção amostral e n o tamanho da amostra.
Sendo a amostra do número de pessoas de tamanho igual a 3000, o número de pessoas que
conhecem o programa igual a 2250, então 𝑝 = 2250/3000 e
2250 750
^3000 × 3000
𝐸=
3000
750 750 1 750 750 1

𝐸=^ × × =^ × ×
1000 3000 3000 1000 1000 9000
750 1 1
𝐸= × = 0,75 ×
1000 √9000 3√1000
o que mostra que o erro é inversamente proporcional a 3√1000.
Gabarito: Certo.
9. (CESPE 2019/TJ-AM) Para avaliar a satisfação dos servidores públicos de certo tribunal
no ambiente de trabalho, realizou-se uma pesquisa. Os servidores foram classificados em três
grupos, de acordo com o nível do cargo ocupado. Na tabela seguinte, 𝒌 é um índice que se
refere ao grupo de servidores, e 𝑵𝒌 denota o tamanho populacional de servidores
pertencentes ao grupo 𝒌.
55


Aula 09
1613716
Nível do Cargo 𝒌 𝑵𝒌 𝒏𝒌 𝒑𝒌
I 1 500 50 0,7
II 2 300 20 0,8
III 3 200 10 0,9
De cada grupo k foi retirada uma amostra aleatória simples sem reposição de
tamanho 𝒏𝒌 ; 𝒑𝒌 representa a proporção de servidores amostrados do grupo k que se
mostraram satisfeitos no ambiente de trabalho.
A partir das informações e da tabela apresentadas, julgue o próximo item.
Com relação ao grupo 𝑘 = 2, o erro padrão da estimativa da proporção dos servidores satisfeitos
no ambiente de trabalho foi inferior a 0,1.
Comentários:
O erro padrão para a proporção é dada pela relação:
D(*$D)
𝐸=F !
.
Para 𝑘 = 2, temos 𝑝+ = 0,8 e 𝑛+ = 20, de modo que:
0,8 × 0,2
𝐸=^ = O0,008 ≅ 0,089
20
Gabarito: Certo.

56


Aula 09
1613716
A estimativa do percentual de pessoas que conhecem o programa justiça itinerante foi inferior a
60%.
Comentários:
Após selecionados os domicílios, foram entrevistados todos os residentes maiores de idade, que
totalizaram 3.000 pessoas. Nesse grupo, o número de participantes que conhecia o programa
justiça itinerante foi de 2.250 pessoas.
Dessa forma, a estimativa de pessoas que conhecem o programa é de:
2250
𝑝̂ = = 0,75 = 75%
3000
Gabarito: Errado.
11. (CESPE 2019/TJ-AM) Para estimar a proporção de menores infratores reincidentes em

estudo, constituída por 10.050 menores infratores, foi retirada uma amostra aleatória simples
sem reposição, composta por 201 indivíduos. Nessa amostra foram encontrados 67
reincidentes.
Com relação a essa situação hipotética, julgue o seguinte item.
Se a amostragem fosse com reposição, a estimativa da variância da proporção amostral teria sido
superior a 0,001.
Comentários:
O Teorema Central do Limite nos garante que a variância da proporção amostral, na amostragem
com reposição, tem distribuição aproximadamente normal, sendo calculada pela relação:
𝑝(1 − 𝑝)
𝑉𝑎𝑟(𝑝̂ ) =
𝑛
Em que 𝑝 é a proporção amostral e 𝑛 é o tamanho da amostra.
57


Aula 09
1613716
Como a amostra tem tamanho 𝑛 = 201 e 𝑝 = 67/201 = 1/3, então:
𝑝(1 − 𝑝)
𝑛
1 2
×
𝑉𝑎𝑟(𝑝̂ ) = 3 3
201
2
1809
𝑉𝑎𝑟(𝑝̂ ) ≅ 0,0011
Gabarito: Certo.
12. (CESPE 2018/PF) Determinado órgão governamental estimou que a probabilidade p de

um ex-condenado voltar a ser condenado por algum crime no prazo de 5 anos, contados a
partir da data da libertação, seja igual a 0,25. Essa estimativa foi obtida com base em um
levantamento por amostragem aleatória simples de 1.875 processos judiciais, aplicando-se o
método da máxima verossimilhança a partir da distribuição de Bernoulli.
Sabendo que 𝑷(𝒁 < 𝟐) = 𝟎, 𝟗𝟕𝟓, em que Z representa a distribuição normal padrão, julgue o
item que se segue, em relação a essa situação hipotética.
O erro padrão da estimativa da probabilidade 𝑝 foi igual a 0,01.
Comentários:
O estimador de máxima verossimilhança para a proporção populacional é justamente a proporção

amostral.
A variância da estimativa de 𝑝 é dada por:
𝑝̂ 𝑞‡
𝑠+ =
𝑛
Em que 𝑝̂ é a proporção amostral de casos de interesse (0,25) e 𝑞‡ = 1 − 𝑝̂ = 0,75. Além disso, 𝑛 é

o tamanho da amostra, que é de 1.875 processos.
25 × 0,75
𝑠+ =
1.875
58


Aula 09
1613716
Dividindo numerador e denominador por 75:
0,25 × 0,01
𝑠+ =
25
Dividindo numerador e denominador por 25:
𝑠 + = 0,01 × 0,01
O desvio padrão é a raiz quadrada da variância:
𝑠 = 0,01
Gabarito: Certo.
13. (CESPE 2018/PF) Uma pesquisa realizada com passageiros estrangeiros que se
encontravam em determinado aeroporto durante um grande evento esportivo no país teve
como finalidade investigar a sensação de segurança nos voos internacionais. Foram
entrevistados 1.000 passageiros, alocando-se a amostra de acordo com o continente de
origem de cada um — África, América do Norte (AN), América do Sul (AS), Ásia/Oceania (A/O)
ou Europa. Na tabela seguinte, N é o tamanho populacional de passageiros em voos
internacionais no período de interesse da pesquisa; n é o tamanho da amostra por origem; P
é o percentual dos passageiros entrevistados que se manifestaram satisfeitos no que se refere
à sensação de segurança.
Origem 𝑵 𝒏 𝑷
África 100.000 100 80
AN 300.000 300 70
AS 100.000 100 90
A/O 300.000 300 80
Europa 200.000 200 80
Total 1.000.000 1.000 𝑷𝒑𝒐𝒑
59


Aula 09
1613716
Em cada grupo de origem, os passageiros entrevistados foram selecionados por amostragem

aleatória simples. A última linha da tabela mostra o total populacional no período da pesquisa,
o tamanho total da amostra e 𝑷𝒑𝒐𝒑 representa o percentual populacional de passageiros
satisfeitos.
A partir dessas informações, julgue o item.
Considerando o referido desenho amostral, estima-se que o percentual populacional 𝑃DqD seja
inferior a 79%.
Comentários:
A proporção amostral (𝑝̂ ) nos dá a estimativa da proporção populacional (𝑝).
Origem 𝑵 𝒏 𝑷(%) 𝒏×𝑷
África 100.000 100 80% 80

AN 300.000 300 70% 210
AS 100.000 100 90% 90
A/O 300.000 300 80% 240
Europa 200.000 200 80% 160
total 1.000.000 1.000 780
Logo:
780
𝑝̂ = = 78%.
1.000
De fato, a estimativa é inferior a 79%.
Gabarito: Certo.
14. (CESPE 2018/STM) Em um tribunal, entre os processos que aguardam julgamento, foi
selecionada aleatoriamente uma amostra contendo 30 processos. Para cada processo da
amostra que estivesse há mais de 5 anos aguardando julgamento, foi atribuído o valor 1; para
cada um dos outros, foi atribuído o valor 0. Os dados da amostra são os seguintes:
110010110111101110101010111011
60


Aula 09
1613716
A proporção populacional de processos que aguardam julgamento há mais de 5 anos foi

denotada por p; a proporção amostral de processos que aguardam julgamento há mais de 5
anos foi representada por 𝒑
Y
A variância da proporção amostral 𝑝̂ sob a hipótese nula 𝐻` : 𝑝 = 0,5 é menor que 0,1.
Comentários:
A variância da proporção amostral é dada por:
𝑝𝑞
𝜎D^ =
𝑛
Na fórmula acima, temos:
i) 𝑝 é a proporção populacional de casos favoráveis. A questão disse que 𝑝 = 0,5;
ii) 𝑞 é a proporção populacional de casos desfavoráveis. 𝑞 = 1 − 𝑝 = 0,5;
iii) 𝑛 é o tamanho da amostra (𝑛 = 30).
0,5 × 0,5
=
30
0,25
=
30
≅ 0,00833
Gabarito: Certo.
110010110111101110101010111011
Y
61


Aula 09
1613716
Estima-se que, nesse tribunal, 𝑝 > 60%.
Comentários:
Na amostra de tamanho 30, há 20 casos favoráveis, ou seja, 20 valores iguais a "1".
Portanto, a proporção amostral fica:
20
𝑝̂ = ≅ 66,67%
30
Como é comum usarmos a proporção amostral para estimar a proporção populacional, pode-se
dizer que a estimativa é superior a 60%.
Gabarito: Certo.
16. (CESPE 2018/EBSERH) 𝑿𝟏 , 𝑿𝟐 , ..., 𝑿𝟏𝟎 representa uma amostra aleatória simples retirada
de uma distribuição normal com média 𝝁 e variância 𝝈𝟐 , ambas desconhecidas. Considerando
que 𝝁
Ye𝝈Y representam os respectivos estimadores de máxima verossimilhança desses
parâmetros populacionais, julgue o item subsecutivo.
s $=
=
A razão 9
segue uma distribuição normal padrão.
Comentários:
Pode-se mostrar que o estimador de máxima verossimilhança para a média de uma distribuição
normal 𝑁(𝜇, 𝜎 + ) é igual a
𝑋* + 𝑋+ + ⋯ + 𝑋*`
𝜇̂ = 𝑋5 = = 𝑀é𝑑𝑖𝑎 𝑎𝑚𝑜𝑠𝑡𝑟𝑎𝑙
10
Para concluir a questão, precisamos de duas informações adicionais:
1. a distribuição da média amostral de uma distribuição normal com média 𝜇 e variância 𝜎 + é dada
por
𝜎+
𝑋5 ∼ 𝑁 ª𝜇, «.
𝑛
62


Aula 09
1613716
2. para uma variável aleatória 𝑋 com distribuição normal com média μ e variância 𝜎 + , a
transformação:
𝑋−𝜇
𝑍=
𝜎
é tal que 𝑍 ~ 𝑁(0,1).
Juntando as duas informações, chegamos à transformação:
𝜇̂ − 𝜇 𝑋5 − 𝜇
𝜎 = 𝜎 ~ 𝑁(0,1)
√𝑛 √𝑛
s $=
=
e não a 9
.
Gabarito: Errado.
17. (CESPE 2018/STM) Diversos processos buscam reparação financeira por danos morais.
A tabela seguinte mostra os valores, em reais, buscados em 10 processos — numerados de 1
a 10 — de reparação por danos morais, selecionados aleatoriamente em um tribunal.
Processo Valor
1 3.700
2 3.200
3 2.500
4 2.100
5 3.000
6 5.200
7 5.000
8 4.000
9 3.200
63


Aula 09
1613716
10 3.100
A partir dessas informações e sabendo que os dados seguem uma distribuição normal, julgue
o item subsequente.
Se 𝜇 = estimativa pontual para a média dos valores buscados como reparação por danos morais
no referido tribunal, então 3.000 < 𝜇 < 3.300.
Comentários:
A média amostral fornece-nos uma estimativa pontual da média:
Processo Valor
1 3.700
2 3.200
3 2.500
4 2.100
5 3.000
6 5.200
7 5.000
8 4.000
9 3.200
10 3.100
Total 35.000
O total amostral é de R$ 35.000,00.
Agora, basta dividirmos por 10, já que são 10 elementos na amostra.
35.000
𝑋5 = = 3.500
10
Logo, este valor não está entre 3.000 e 3.300.
Gabarito: Errado.
64


Aula 09
1613716
18. (CESPE 2016/TCE-PA) Considere um processo de amostragem de uma população finita

cuja variável de interesse seja binária e assuma valor 0 ou 1, sendo a proporção de indivíduos
com valor 1 igual a p = 0,3. Considere, ainda, que a probabilidade de cada indivíduo ser
sorteado seja a mesma para todos os indivíduos da amostragem e que, após cada sorteio, haja
reposição do indivíduo selecionado na amostragem. A partir dessas informações, julgue o item
subsequente.
Se, dessa população, for coletada uma amostra aleatória de tamanho 𝑛 = 1, a probabilidade de
um indivíduo apresentar valor 1 é igual a 0,5.
Comentários:
Como na população temos 30% de casos iguais a 1 (ou seja, a população tem 30% de casos
favoráveis), então a chance de a extração resultar em caso favorável é justamente de 30%.
Gabarito: Errado.
# = [𝑿𝟏 + 𝑿𝟐 +. . . +𝑿𝒏 ]/𝒏.
A variância de 𝑋5 é igual a 100.
Comentários:
O desvio padrão populacional vale 10, isso é:
𝜎 = 10
A variância é igual ao quadrado do desvio padrão:
𝜎 + = 100
A média amostral tem variância igual à populacional, dividida por 𝑛, em que 𝑛 é o tamanho da
amostra.
100
𝑉(𝑋5) =
𝑛
Logo, esse valor não é igual a 100.
65


Aula 09
1613716
Gabarito: Errado.
# = [𝑿𝟏 + 𝑿𝟐 +. . . +𝑿𝒏 ]/𝒏.
𝑃(𝑋5 − 10 > 0) ≤ 0,5
Comentários:
O exercício pediu a seguinte probabilidade:
𝑃(𝑋5 − 10 > 0)
= 𝑃(𝑋5 > 10)
Sabemos que 𝑋 é normal com média 10.
A média amostral 𝑋5, por sua vez, também é normal com média 10. Ou seja, seu comportamento
é simétrico ao redor de 10. Isto significa que a chance de termos valores maiores que 10 é igual à
chance de valores menores que 10, ambas valendo 50%.
𝑃(𝑋5 > 10) = 0,5
O item afirmou que a probabilidade seria menor ou igual a 0,5. Como vimos, ela é justamente
igual, o que torna o item correto.
Gabarito: Certo.
21. (CESPE 2018/ABIN) A quantidade diária de emails indesejados recebidos por um

atendente é uma variável aleatória X que segue distribuição de Poisson com média e variância
desconhecidas. Para estimá-las, retirou-se dessa distribuição uma amostra aleatória simples de
tamanho quatro, cujos valores observados foram 10, 4, 2 e 4.
(, 4, 4, 4, )
No que se refere à média amostral 𝑋5 = " # K 7 ' , na qual 𝑋* , 𝑋+ , 𝑋3 , 𝑋K representa uma amostra
aleatória simples retirada dessa distribuição X, é correto afirmar que a estimativa da variância do
estimador 𝑋5 seja igual a 1,25.
66


Aula 09
1613716
Comentários:
A estimativa da variância da média amostral é dada por:
𝑉(𝑋)
𝑉(𝑋5) =
𝑛
Para uma distribuição de Poisson, temos:
𝐸(𝑋) = 𝑉(𝑋) = 𝜆
Logo, podemos estimar 𝜆 a partir da média amostral:
(𝑋* + 𝑋+ + 𝑋3 + 𝑋K ) (10 + 4 + 2 + 4) 20
𝜆À = 𝑋5 = = = =5
4 4 4
Logo, temos:
5
𝑉(𝑋5) = = 1,25
4
Gabarito: Certo.
22. (CESPE 2018/ABIN) Considerando que os principais métodos para a estimação pontual
são o método dos momentos e o da máxima verossimilhança, julgue o item a seguir.
Para a distribuição normal, o método dos momentos e o da máxima verossimilhança fornecem os

mesmos estimadores aos parâmetros μ e σ.
Comentários:
Os estimadores para a média e para a variância obtidos tanto pelo método dos momentos, quanto
pelo método da máxima verossimilhança são:
∑!")* 𝑋"
𝜇̂ = = 𝑋5
𝑛
∑!")*(𝑋" − 𝑋5)+
w+ =
𝜎
𝑛
Gabarito: Certo.
67


Aula 09
1613716
23. (CESPE 2020/TJ-PA) Considerando que a inferência estatística é um processo que

consiste na utilização de observações feitas em uma amostra com o objetivo de estimar as
propriedades de uma população, assinale a opção correta.
a) Na estatística inferencial, um parâmetro é um valor conhecido, extraído de uma amostra,

utilizado para a estimação de uma grandeza populacional.
b) Independentemente do tamanho da amostra, um estimador consistente sempre irá convergir
para o verdadeiro valor da grandeza populacional.
c) A amplitude de uma amostra definirá se a média amostral poderá ser um estimador de máxima
verossimilhança da média populacional.
d) Sendo â um estimador de máxima verossimilhança de um parâmetro a, então (a)1/2 = (â)1/2.
e) Sendo a e b estimadores de um mesmo parâmetro cujas variâncias são simbolizadas por Var(a)
e Var(b). Se Var(a) > Var(b), então é correto afirmar que a é um melhor estimador que b.
Comentários:
Em relação à alternativa A, um parâmetro (populacional) é desconhecido, sendo estimado a partir

de uma amostra. Logo, a alternativa A está incorreta. A definição apresentada é de estatística.
Em relação à alternativa B, um estimador consistente converge para a grandeza populacional

quando o tamanho da amostra tende ao infinito. Logo, a consistência depende do tamanho e a
alternativa B está incorreta.
Em relação à alternativa C, o estimador de máxima verossimilhança da média amostral depende

da distribuição da população. Logo, a alternativa C está incorreta.
Em relação à alternativa D, para um estimador de máxima verossimilhança â, que corresponda a

um parâmetro a, a raiz do estimador corresponderá à raiz do parâmetro. Logo, a alternativa D está
correta.
Em relação à alternativa E, se Var(a) > Var(b), nas condições indicadas na alternativa, então
podemos concluir que b é um estimador melhor (mais eficiente).
Gabarito: D.
24. (CESPE 2018/PF – Papiloscopista) Em determinado município, o número diário X de

registros de novos armamentos segue uma distribuição de Poisson, cuja função de
𝒆8𝑴 .𝑴𝒌
probabilidade é expressa por 𝑷(𝑿 = 𝒌) = 𝒌!
em que k = 0, 1, 2, ..., e M é um parâmetro.
68


Aula 09
1613716
Considerando que a tabela precedente mostra as realizações da variável aleatória X em uma

amostra aleatória simples constituída por cinco dias, julgue o item que segue.
A estimativa de máxima verossimilhança do desvio padrão da distribuição da variável X é igual a

2 registros por dia.
Comentários:
A estimativa de máxima verossimilhança para o parâmetro 𝜆 de uma distribuição de Poisson é

dada por:
∑!")* 𝑋" 6 + 8 + 0 + 4 + 2 20
𝜆À = = = =4
𝑛 5 5
Em uma distribuição de Poisson, a variância é igual a esse parâmetro, 𝑉(𝑋) = 𝜆. Logo, o desvio
padrão é dado por:
𝜎 = O𝑉(𝑋) = √𝜆 = √4 = 2
Gabarito: Certo.
25. (CESPE 2020/TJ-PA) Para determinado experimento, uma equipe de pesquisadores

gerou 20 amostras de tamanho 𝒏 = 𝟐𝟓 de uma distribuição normal, com média 𝝁 = 𝟓 e desvio
padrão 𝝈 = 𝟑. Para cada amostra, foi montado um intervalo de confiança com coeficiente de
0,95 (ou 95%). Com base nessas informações, julgue os itens que se seguem.
I. Os intervalos de confiança terão a forma 𝜷𝒊 ± 𝟏, 𝟏𝟕𝟔, em que 𝜷𝒊 é a média da amostra

i.
II. Para todos os intervalos de confiança, 𝜷𝒊 + 𝜺 ≥ 𝝁 ≥ 𝜷𝒊 − 𝜺, sendo 𝜺 a margem de erro
do estimador.
III. Se o tamanho da amostra fosse maior, mantendo-se fixos os valores do desvio padrão
e do nível de confiança, haveria uma redução da margem de erro 𝜺.
a) Apenas o item II está certo.
b) Apenas os itens I e II estão certos.
c) Apenas os itens I e III estão certos.
69


Aula 09
1613716
d) Apenas os itens II e III estão certos.

Comentários:
Vamos analisar as afirmativas:
Item I – Certo. Vamos usar a fórmula do intervalo de confiança (IC) para uma amostra menor ou
igual a 30:
𝜎
𝑋5 ± 𝑍X/+ ×
√𝑛
𝑋5 → 𝑚é𝑑𝑖𝑎 𝑎𝑚𝑜𝑠𝑡𝑟𝑎𝑙
𝑍X/+ → 𝑍`,`+V = 1,96 → 𝑒𝑠𝑐𝑜𝑟𝑒 𝑎𝑠𝑠𝑜𝑐𝑖𝑎𝑑𝑜 𝑎𝑜 𝑛í𝑣𝑒𝑙 𝑑𝑒 𝑐𝑜𝑛𝑓𝑖𝑎𝑛ç𝑎 (1 − 𝛼)
𝜎 = 3 → 𝑑𝑒𝑠𝑣𝑖𝑜 𝑝𝑎𝑑𝑟ã𝑜
𝑛 = 25 → 𝑡𝑎𝑚𝑎𝑛ℎ𝑜 𝑑𝑎 𝑎𝑚𝑜𝑠𝑡𝑟𝑎
3
𝛽" ± 1,96 ×
5
𝛽" ± 1,176
Item II – Errado. O enunciado nos diz que o intervalo de confiança é de 95%, sendo assim 5%
estará fora desse intervalo, logo, não é verdadeiro o que se afirma em II.
Item III – Certo. Quanto maior o tamanho da amostra, menor a margem de erro.
Gabarito: C.
26. (CESPE 2020/TJ-PA). Ao analisar uma amostra aleatória simples composta de 324
elementos, um pesquisador obteve, para os parâmetros média amostral e variância amostral,
os valores 175 e 81, respectivamente.
Nesse caso, um intervalo de 95% de confiança de μ é dado por

a) (166,18; 183,82).
b) (174,02; 175,98).
c) (174,51; 175,49).
d) (163,35; 186,65).
e) (174,1775; 175,8225).
70


Aula 09
1613716
Comentários:
𝑀é𝑑𝑖𝑎 𝑎𝑚𝑜𝑠𝑡𝑟𝑎𝑙 → 𝑋5 = 175

𝐸𝑠𝑐𝑜𝑟𝑒 𝑎𝑠𝑠𝑜𝑐𝑖𝑎𝑑𝑜 𝑎𝑜 𝑛í𝑣𝑒𝑙 𝑑𝑒 𝑐𝑜𝑛𝑓𝑖𝑎𝑛ç𝑎 → 𝓏 = 1,96
𝐷𝑒𝑠𝑣𝑖𝑜 𝑝𝑎𝑑𝑟ã𝑜 → 𝜎 = √81 = 9
Agora, podemos apenas aplicar na fórmula do intervalo de confiança para a média:
𝜎
𝑋5 ± 𝓏 ×
√𝑛
9
175 ± 1,96 ×
√324
9
175 ± 1,96 ×
18
175 ± 1,96 × 0,5
175 ± 0,98
175 ± 0,98
Logo, o intervalo é (175 − 0,98 = 174,02; 175 + 0,98 = 175,98).
Gabarito: B.
27. (CESPE 2020/TJ-PA). A respeito dos intervalos de confiança, julgue os próximos itens.
I. Um intervalo de confiança tem mais valor do que uma estimativa pontual única, pois
uma estimativa pontual não fornece nenhuma informação sobre o grau de precisão da
estimativa.
II. Um intervalo de confiança poderá ser reduzido se o nível de confiança for menor e o
valor da variância populacional for maior.
III. No cálculo de um intervalo de confiança para a média, deve-se utilizar a distribuição t
em lugar da distribuição normal quando a variância populacional é desconhecida e o
número de observações é inferior a 30.

71


Aula 09
1613716
Comentários:
Item I – Correto. Uma estimativa pontual não nos dá um parâmetro para definir o quão precisa é
a estimativa. Quando temos um intervalo de confiança, quanto maior a amostra, menor é o erro e
maior é a precisão.
Item II – Errado. Quanto maior o nível de confiança, menor será a margem de erro e,
consequentemente, menor será o intervalo de confiança.
Item III – Certo. Para 𝑛 < 30 e com variância populacional desconhecida utiliza-se t-Student. Se
aumentar a amostra com variância desconhecida, ou dada a variância independentemente do
tamanho da amostra utiliza-se a distribuição normal.
Gabarito: C.
28. (CESPE 2020/TJ PA) Na construção de um intervalo de confiança para a média,

conhecida a variância, considerando o intervalo na forma [𝒙 + 𝜺; 𝒙 − 𝜺], sendo x o valor do
estimador da média e 𝜺 a semi-amplitude do intervalo de confiança ou, como é mais
popularmente conhecida, a margem de erro do intervalo de confiança. Considere que, para
uma determinada peça automotiva, um lote de 100 peças tenha apresentado espessura média
de 4,561 polegada, com desvio padrão de 1,125 polegada. Um intervalo de confiança de 95%
para a média apresentou limite superior de 4,7815 e limite inferior de 4,3405. Nessa situação,
a margem de erro do intervalo é de, aproximadamente,
a) 𝜀 = 0,4410.
b) 𝜀 = 0,3436.
c) 𝜀 = 0,2205.
d) 𝜀 = 0,1125.
e) 𝜀 = 0,1103.
Comentários:
72


Aula 09
1613716
𝑍X/+ → 𝑒𝑠𝑐𝑜𝑟𝑒 𝑎𝑠𝑠𝑜𝑐𝑖𝑎𝑑𝑜 𝑎𝑜 𝑛í𝑣𝑒𝑙 𝑑𝑒 𝑐𝑜𝑛𝑓𝑖𝑎𝑛ç𝑎 (1 − 𝛼)

𝑛í𝑣𝑒𝑙 𝑑𝑒 𝑐𝑜𝑛𝑓𝑖𝑎𝑛ç𝑎 𝑑𝑒 95% 𝑛𝑎 𝑡𝑎𝑏𝑒𝑙𝑎 𝑛𝑜𝑟𝑚𝑎𝑙 → 𝑍`,`+V = 1,96
𝐷𝑒𝑠𝑣𝑖𝑜 𝑝𝑎𝑑𝑟ã𝑜 → 𝜎 = 1,125
Agora, podemos apenas aplicar na fórmula da margem do erro no intervalo de confiança para a
média:
𝜎
𝜀 = 𝑍X/+ ×
√𝑛
1,125
𝜀 = 1,96 ×
√100
1,125
𝜀 = 1,96 ×
10
𝜀 = 0,2205
Gabarito: C.
29. (CESPE 2020/TJ-PA) Tabela da distribuição T:
Em uma amostra aleatória de 20 municípios Paraenses, considerando-se os dados da

Secretaria de Estado de Segurança Pública e Defesa Social relativos ao crime de lesão
corporal, a média é igual a 87 e o desvio padrão igual a 101,9419.
Considerando-se, para 19 graus de liberdade, o coeficiente a = 2,093 e utilizando-se o valor

aproximado 4,4721 para a raiz quadrada de 20, com o auxílio da distribuição t, um intervalo
de 95% de confiança para a média deverá ter
a) Limite inferior de, aproximadamente, 38,78.
b) Limite superior de, aproximadamente, 143,12.
c) Amplitude 2c = 93,45.
d) Limite inferior de 39,29 e limite superior de 142,18.
e) Limite superior de, aproximadamente, 134,71.
73


Aula 09
1613716
Comentários:
𝑡 → 𝑣𝑎𝑙𝑜𝑟 𝑐𝑟í𝑡𝑖𝑐𝑜 𝑎𝑠𝑠𝑜𝑐𝑖𝑎𝑑𝑜 𝑎𝑜 𝑛í𝑣𝑒𝑙 𝑑𝑒 𝑐𝑜𝑛𝑓𝑖𝑎𝑛ç𝑎 𝑑𝑎 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑖çã𝑜 𝑡 − 𝑠𝑡𝑢𝑑𝑒𝑛𝑡
𝑡 = 2,093 → 𝑝𝑎𝑟𝑎 95% 𝑑𝑒 𝑐𝑜𝑛𝑓𝑖𝑎𝑛ç𝑎
𝐷𝑒𝑠𝑣𝑖𝑜 𝑝𝑎𝑑𝑟ã𝑜 → 𝜎 = 101,9419
𝑇𝑎𝑚𝑎𝑛ℎ𝑜 𝑑𝑎 𝑎𝑚𝑜𝑠𝑡𝑟𝑎 → 𝑛 = 20 ⇒ √20 = 4,4721
𝜎
𝑋5 ± 𝑡 ×
√𝑛
101,9419
87 ± 2,093 ×
√20
101,9419
87 ± 2,093 ×
4,4721
87 ± 2,093 × 22,7950
87 ± 47,71
Gabarito: E.
30. (CESPE 2018/EBSERH) Uma amostra aleatória simples Y1, Y2, ..., Y25 foi retirada de
uma distribuição normal com média nula e variância σ², desconhecida. Considerando que P(x²
< 13) = P(X² > 41) = 0,025, em que x² representa a distribuição qui-quadrado com 25 graus
de liberdade, e que 𝑺𝟐 = ∑𝟐𝟓 𝟐
𝒕)𝟏 𝒀𝒊 , julgue o item a seguir.
[S²/41;S²/13] representa um intervalo de 95% de confiança para a variância σ².
Comentários:
Vamos calcular o intervalo de confiança para σ² com nível 100(1 − 𝛼)%. Assim, determinaremos se
a afirmativa é verdadeira:
+
𝑆+𝑆+
𝐼𝐶 = (σ , 1 − α) = ª , «
𝑄*$X/+ 𝑄X/+
74


Aula 09
1613716
O enunciado nos informou que 𝑛 = 25.
Sendo α = 0,05, temos:
+
𝑆+ 𝑆+
𝐼𝐶 = (σ , 1 − 0,95) = ª , «
𝑄`,>{V 𝑄`,`+V
𝑄`,>{V = 41
𝑄`,`+V = 13
Então:
+ +
𝑃(𝑋+K ≤ 𝑄`,>{V ) = 0,975, ou seja, 𝑃(𝑋+K ≤ 𝑄`,>{V ) = 0,025
Logo,
+
𝑆+ 𝑆+
𝐼𝐶 = (σ , 1 − 0,95) = ª , «
41 13
Gabarito: Certo.
31. (CESPE 2018/PF) O tempo gasto (em dias) na preparação para determinada operação
policial é uma variável aleatória X que segue distribuição normal com média M, desconhecida,
e desvio padrão igual a 3 dias. A observação de uma amostra aleatória de 100 outras
operações policiais semelhantes a essa produziu uma média amostral igual a 10 dias.
Com referência a essas informações, julgue o item que se segue, sabendo que P(Z > 2) = 0,025,
em que Z denota uma variável aleatória normal padrão.
A expressão 10 dias ± 6 dias corresponde a um intervalo de 95% de confiança para a média

populacional M.
Comentários:
𝐸𝑠𝑐𝑜𝑟𝑒 𝑎𝑠𝑠𝑜𝑐𝑖𝑎𝑑𝑜 𝑎𝑜 𝑛í𝑣𝑒𝑙 𝑑𝑒 𝑐𝑜𝑛𝑓𝑖𝑎𝑛ç𝑎 → 𝓏 = 2
𝐷𝑒𝑠𝑣𝑖𝑜 𝑝𝑎𝑑𝑟ã𝑜 → 𝜎 = 3
75


Aula 09
1613716
𝜎
𝑋5 ± 𝓏 ×
√𝑛
3
10 ± 2 ×
√100
3
10 ± 2 ×
10
10 ± 2 × 0,3
10 ± 0,6
Gabarito: Errado.
32. (CESPE 2016/TCE-PA) Em estudo acerca da situação do CNPJ das empresas de

determinado município, as empresas que estavam com o CNPJ regular foram representadas
por 1, ao passo que as com CNPJ irregular foram representadas por 0.
{0, 1, 1, 0, 0, 1, 0, 1, 0, 1, 1, 0, 0, 1, 1, 0, 1, 1, 1, 1}
Uma vez que a amostra é menor que 30, a estatística do teste utilizada segue uma distribuição t
de Student.
Comentários:
Pelo enunciado, sabemos que a população segue distribuição de Bernoulli (0 ou 1). Nessa situação,
utilizamos a proporção amostral, 𝑝̂ , para estimar a proporção populacional, e consideramos a
distribuição normal para estimar o seu intervalo.
Gabarito: Errado.
76


Aula 09
1613716

{0, 1, 1, 0, 0, 1, 0, 1, 0, 1, 1, 0, 0, 1, 1, 0, 1, 1, 1, 1}
Sendo P(Z > 1,96) = 0,025 e P(Z > 1,645) = 0,05, em que Z representa a variável normal
padronizada, e P(t20 > 2,086) = 0,025 e P(t19 > 1,729) = 0,05, em que t20 e t19 possuem distribuição
t de Student com, respectivamente, 20 e 19 graus de liberdade, o erro utilizado para a construção
do intervalo de confiança é menor que 15%, se considerado um nível de significância de 5%.
Comentários:
O erro máximo no intervalo de confiança de uma distribuição de proporção é dado por:
𝑝̂ × 𝑞‡
𝑍` × ^
𝑛
𝑝̂ = 0,6 → 𝑝𝑟𝑜𝑝𝑜𝑟çã𝑜 𝑎𝑚𝑜𝑠𝑡𝑟𝑎𝑙 𝑑𝑒 12 𝑒𝑚𝑝𝑟𝑒𝑠𝑎𝑠 𝑟𝑒𝑔𝑢𝑙𝑎𝑟𝑒𝑠 𝑒𝑚 20

𝑞‡ = 1 − 𝑝̂ = 0,4
𝑍` = 1,96 → 𝑛í𝑣𝑒𝑙 𝑑𝑒 𝑐𝑜𝑛𝑓𝑖𝑎𝑛ç𝑎 𝑑𝑒 95% 𝑛𝑎 𝑡𝑎𝑏𝑒𝑙𝑎 𝑛𝑜𝑟𝑚𝑎𝑙
0,6 × 0,4
1,96 × ^
20
0,24
1,96 × ^
20
1,96 × O0,012
1,96 × 0,109
0,213 𝑜𝑢 21,3%
Gabarito: Errado.
77


Aula 09
1613716
34. (CESPE 2016/TCE-PR) A partir de um levantamento estatístico por amostragem

aleatória simples em que se entrevistaram 2.400 trabalhadores, uma seguradora constatou
que 60% deles acreditam que poderão manter seu atual padrão de vida na aposentadoria.
Considerando que P(|Z|≤3)=0,99, em que Z representa a distribuição normal padrão, assinale

a opção correspondente ao intervalo de 99% de confiança para o percentual populacional de
trabalhadores que acreditam que poderão manter seu atual padrão de vida na aposentadoria.
a) 60,0% ± 1,0%
b) 60,0% ± 1,5%
c) 60,0% ± 3,0%
d) 60,0% ± 0,2%
e) 60,0% ± 0,4%
Comentários:
O intervalo de confiança de uma distribuição de proporção é dado por:
𝑝̂ × 𝑞‡
𝑝̂ ± 𝑍` × ^
𝑛
𝑝̂ = 0,6 → 𝑝𝑟𝑜𝑝𝑜𝑟çã𝑜 𝑎𝑚𝑜𝑠𝑡𝑟𝑎𝑙

𝑞‡ = 1 − 𝑝̂ = 0,4
𝑛 = 2.400 → 𝑡𝑎𝑚𝑎𝑛ℎ𝑜 𝑑𝑎 𝑎𝑚𝑜𝑠𝑡𝑟𝑎
𝑍` = 3 → 𝑛í𝑣𝑒𝑙 𝑑𝑒 𝑐𝑜𝑛𝑓𝑖𝑎𝑛ç𝑎 𝑑𝑒 99% 𝑛𝑎 𝑡𝑎𝑏𝑒𝑙𝑎 𝑛𝑜𝑟𝑚𝑎𝑙
0,6 × 0,4
0,6 ± 3 × ^
2.400
0,24
0,6 ± 3 × ^
2.400
0,6 ± 3 × O0,0001
0,6 ± 3 × 0,01
0,6 ± 0,03
78


Aula 09
1613716
60% ± 3%
Gabarito: C.
35. (CESPE 2016/TCE-PA) Suponha que o tribunal de contas de determinado estado

disponha de 30 dias para analisar as contas de 800 contratos firmados pela administração.
Considerando que essa análise é necessária para que a administração pública possa programar
o orçamento do próximo ano e que o resultado da análise deve ser a aprovação ou rejeição
das contas, julgue o item a seguir. Sempre que necessário, utilize que P(Z > 1,96) = 0,025 e
P(Z > 1,645) = 0,05, em que Z representa a variável normal padronizada.
Se forem aprovados 90% dos contratos de uma amostra composta de 100 contratos, o erro
amostral será superior a 10%.
Comentários:
A questão trata sobre o erro amostral da proporção:
𝑝̂ × 𝑞‡
𝑒 = 𝑍` × ^
𝑛
O enunciado não nos dá o nível de confiança, portanto, não é possível calcular o erro sem ele.
Porém, para deixar evidente que a questão está errada, vamos adotar o nível de confiança de 95%,
o escore normal padrão seria de 1,96, valor informado na questão. Então, fica:
0,9 × 0,1
𝑒 = 1,96 × ^
100
𝑒 = 1,96 × O0,0009
𝑒 = 1,96 × 0,03
𝑒 = 0,0579 𝑜𝑢 5,79%
Logo, temos um erro amostral inferior a 10%.
Gabarito: Errado.
79


Aula 09
1613716

Considerando-se que, no ano anterior ao da análise em questão, 80% dos contratos tenham sido
aprovados e que 0,615 seja o valor aproximado de 1,962×0,8×0,2, é correto afirmar que a
quantidade de contratos de uma amostra com nível de 95% de confiança para a média
populacional e erro amostral de 5% é inferior a 160.
Comentários:
Vamos listar os dados da questão:
𝑝̂ = 0,8 → 𝑝𝑟𝑜𝑝𝑜𝑟çã𝑜 𝑎𝑚𝑜𝑠𝑡𝑟𝑎𝑙 𝑑𝑒 𝑐𝑜𝑛𝑡𝑎𝑠 𝑎𝑝𝑟𝑜𝑣𝑎𝑑𝑎𝑠 𝑛𝑜 𝑎𝑛𝑜 𝑎𝑛𝑡𝑒𝑟𝑖𝑜𝑟

𝑞‡ = 1 − 𝑝̂ = 0,2
𝑛 → 𝑡𝑎𝑚𝑎𝑛ℎ𝑜 𝑑𝑎 𝑎𝑚𝑜𝑠𝑡𝑟𝑎
𝑍` → 𝑒𝑠𝑐𝑜𝑟𝑒 𝑛𝑜𝑟𝑚𝑎𝑙 𝑎𝑠𝑠𝑜𝑐𝑖𝑎𝑑𝑜 𝑎𝑜 𝑛í𝑣𝑒𝑙 𝑑𝑒 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐â𝑛𝑐𝑖𝑎 5% → 𝑍` = 1,96
Temos que o erro amostral é dado por:
𝑝̂ × 𝑞‡
𝑒 = 𝑍` × ^
𝑛
0,8 × 0,2
0,05 = 1,96 × ^
𝑛
1,96 × 0,4
√𝑛 =
0,05
√𝑛 = 15,68
𝑛 = 15,68+
𝑛 = 245,8624
Gabarito: Errado.
80


Aula 09
1613716
37. (CESPE 2016/TCE-PA) A respeito de uma amostra de tamanho n = 10, com os valores
amostrados {0,10, 0,06, 0,10, 0,12, 0,08, 0,10, 0,05, 0,15, 0,14, 0,11}, extraídos de
determinada população, julgue o item seguinte.
Por um intervalo de confiança frequentista igual a (–0,11, 0,32), entende-se que a probabilidade
de o parâmetro médio ser superior a –0,11 e inferior a 0,32 é igual ao nível de confiança γ.
Comentários:
A probabilidade de que o parâmetro dado no enunciado esteja no intervalo construído (–0,11,

0,32) é ou 0 ou 1. Pela abordagem frequentista, 95% dos intervalos de confiança conteriam o
verdadeiro valor do parâmetro (a média populacional).
Gabarito: Errado.
38. (CESPE 2016/TCE-PA) Uma amostra aleatória, com n = 16 observações independentes

e identicamente distribuídas (IID), foi obtida a partir de uma população infinita, com média e
desvio padrão desconhecidos e distribuição normal.
Tendo essa informação como referência inicial, julgue o seguinte item.
Em um intervalo de 95% de confiança para a média populacional em questão, caso se aumente o

tamanho da amostra em 100 vezes (passando a 1.600 observações), a largura total do intervalo de
confiança será reduzida à metade.
Comentários:
A questão trata da amplitude do intervalo de confiança. Pela fórmula, podemos determinar se a

afirmativa da questão está correta. Vamos analisar:
𝜎
𝐴 = 2 × 𝑡` ×
√𝑛
𝑡` → é 𝑜 𝑒𝑠𝑐𝑜𝑟𝑒 𝑑𝑒 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑖çã𝑜 𝑇 𝑎𝑠𝑠𝑜𝑐𝑖𝑎𝑑𝑜 𝑎 95% 𝑑𝑒 𝑐𝑜𝑛𝑓𝑖𝑎𝑛ç𝑎.

𝜎 → 𝑑𝑒𝑠𝑣𝑖𝑜 𝑝𝑎𝑑𝑟ã𝑜 𝑑𝑎 𝑝𝑜𝑝𝑢𝑙𝑎çã𝑜
𝑛 → 𝑡𝑎𝑚𝑎𝑛ℎ𝑜 𝑑𝑎 𝑎𝑚𝑜𝑠𝑡𝑟𝑎
Aumentando o tamanho da amostra em 100 vezes, na fórmula ficará √100 = 10. Logo, concluímos
que A será dividido por 10 e não por 2.
Gabarito: Errado.
81


Aula 09
1613716
39. (CESPE 2015/TELEBRAS) Para estimar a porcentagem de eleitores que votariam a favor
de um candidato presidencial, foi escolhida uma amostra aleatória de 200 pessoas. Dessa
amostra, uma avaliação indicou que 60 eleitores votariam no referido candidato.
Considerando que Φ(1,645) = 0,95 e que Φ(1,96) = 0,975 em que a função Φ representa a
função distribuição acumulada da distribuição normal padronizada, julgue o seguinte item.
O erro máximo provável do intervalo de confiança é inferior a 0,07.
Comentários:
60
𝑝̂ = = 0,3 → 𝑝𝑟𝑜𝑝𝑜𝑟çã𝑜 𝑎𝑚𝑜𝑠𝑡𝑟𝑎𝑙
200
𝑞‡ = (1 − 𝑝̂ ) = 0,7
𝑍X/+ → 𝑣𝑎𝑙𝑜𝑟 𝑐𝑟í𝑡𝑖𝑐𝑜 𝑑𝑎 𝑑𝑖𝑠𝑡𝑟𝑢𝑏𝑢𝑖çã𝑜 𝑛𝑜𝑟𝑚𝑎𝑙 𝑎𝑠𝑠𝑜𝑐𝑖𝑎𝑑𝑜 𝑎𝑜 𝑛í𝑣𝑒𝑙 𝑑𝑒 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐â𝑛𝑐𝑖𝑎 𝛼
𝑣𝑎𝑙𝑜𝑟 𝑐𝑟í𝑡𝑖𝑐𝑜 𝑎𝑠𝑠𝑜𝑐𝑖𝑎𝑑𝑜 𝑎𝑜 𝑛í𝑣𝑒𝑙 𝑑𝑒 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐â𝑛𝑐𝑖𝑎 5% → 𝑍`,`+V = 1,96
Agora, podemos apenas aplicar na fórmula da margem do erro no intervalo de confiança:
𝑝̂ × 𝑞‡
𝜀 = 𝑍` × ^
𝑛
0,3 × 0,7
𝜀 = 1,96 × ^
200
0,21
𝜀 = 1,96 × ^
200
𝜀 = 1,96 × O0,00105
𝜀 = 1,96 × 0,0324
𝜀 = 0,063
Gabarito: Certo.
40. (CESPE 2015/FUB) Em uma faculdade, o administrador universitário supõe que os alunos
admitidos no primeiro semestre — grupo P — obtenham um índice de rendimento acadêmico
82


Aula 09
1613716
(IRA, número que varia entre 0 e 5) em média maior do que o índice dos alunos admitidos no
segundo semestre — grupo S.
Considerando que tenha sido selecionada uma amostra aleatória simples de 1.000 estudantes
do grupo P e uma amostra aleatória simples de 1.000 alunos do grupo S, julgue o item
seguinte.
Considere que o intervalo de 95% de confiança para a diferença entre as médias dos dois grupos
seja igual a (0,1, 1,2). Nesse caso, de acordo com o paradigma frequentista, existe uma
probabilidade de 95% de que a verdadeira diferença entre as médias populacionais dos IRAs seja
superior a 0,1 e inferior a 1,2
Comentários:
A probabilidade de que o parâmetro dado no enunciado esteja no intervalo construído (0,1; 1,2)
é ou 0 ou 1. Pela abordagem frequentista, 95% dos intervalos de confiança conteriam o verdadeiro
valor do parâmetro (média).
Gabarito: Errado.
41. (CESPE 2015/FUB) O tempo, X, de carregamento de um celular segue uma distribuição

normal com média e variância desconhecidas. Foi coletada uma amostra de tamanho igual a
10, em que a média amostral é de 58 minutos e o desvio padrão da amostra é de 5 minutos.
O fabricante do celular, para testar se a média de carregamento é de 50 minutos, aplica um
teste t de Student com a hipótese nula 𝑯𝟎 : 𝝁𝑿 = 𝟓𝟎 contra a hipótese alternativa de 𝑯𝟏 : 𝝁𝑿 ≠
𝟓𝟎
Considerando a situação hipotética descrita, julgue o item a seguir.
V;<=,?@A V;<=,?@A
O intervalo de 95% de confiança para 𝜇, é igual a (58 − , 58 + ) em que 𝑧X é o α-
√*` √*`
quantil da distribuição Normal.
Comentários:
Para 𝑛 < 30 e com variância populacional e média desconhecidas utiliza-se T-Student e não uma
distribuição normal.
Gabarito: Errado.
83


Aula 09
1613716
42. (CESPE 2015/TELEBRAS)
Um analista coletou os dados a respeito da renda, do consumo e do número de filhos de uma

amostra aleatória de 100 famílias. Em 21 dessas famílias, não há filhos, em 26 delas, há apenas
um filho, em outras 43, há dois filhos, e em 10 delas, há três filhos. A média da renda das 100
famílias é R$ 5.389,00, e o desvio padrão é R$ 2.709,00.
Com base nessas informações, o analista elaborou um gráfico da relação entre renda e
consumo (gráfico I). No entanto, posteriormente o analista verificou a existência de erro nesse
gráfico, o que o levou a elaborar um segundo gráfico com os dados corretos (gráfico II).
Considerando que Z siga uma distribuição normal padrão, P(Z ≤ 1,9600) = 0,975, e que T siga
uma distribuição t com 99 graus de liberdade, P(T ≤ 1,9840) = 0,975, julgue o próximo item
acerca da situação hipotética e dos gráficos apresentados, arredondando os valores
encontrados ao inteiro mais próximo quando for o caso.
Considerando-se que a variável renda siga uma distribuição normal com média e variância
desconhecidas, é correto afirmar que o intervalo de confiança bilateral para a média de renda na
população com nível de confiança de 95% é [4.858, 5.920].
Comentários:
Vamos listar os dados do enunciado:
𝑋5 = 5.389,00 → 𝑚é𝑑𝑖𝑎 𝑎𝑚𝑜𝑠𝑡𝑟𝑎𝑙

𝑡` = 1,9840 𝑒𝑠𝑐𝑜𝑟𝑒 𝑑𝑎 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑖çã𝑜 𝑇 𝑎𝑠𝑠𝑜𝑐𝑖𝑎𝑑𝑜 𝑎 95% 𝑑𝑒 𝑐𝑜𝑛𝑓𝑖𝑎𝑛ç𝑎.
84


Aula 09
1613716
𝑠 = 2.709 → 𝑑𝑒𝑠𝑣𝑖𝑜 𝑝𝑎𝑑𝑟ã𝑜 𝑎𝑚𝑜𝑠𝑡𝑟𝑎𝑙

A variância populacional é desconhecida, então usamos a usamos a distribuição T.
𝑠
𝑋5 ± 𝑡` ×
√𝑛
2.709
5.389,00 ± 1,9840 ×
√100
5.389,00 ± 1,9840 × 270,9
5.389,00 ± 537,46
Logo, temos o intervalo (5.389,00 − 537,46 = 4.851,54 ; 5.389,00 + 537,46 = 5.926,46).
Gabarito: Errado.
43. (CESPE 2015/TELEBRAS) Com relação às técnicas de amostragem estatística, julgue o

próximo item.
Situação hipotética: Pouco antes de uma eleição municipal para prefeito, um instituto de pesquisa
declarou que um dos candidatos tinha 52% das intenções de votos, com possibilidade de erro de
dois pontos percentuais para mais ou para menos. Assertiva: Nesse caso, o erro destacado
corresponde a erro de medição, que é típico ou representativo da tabulação dos dados.
Comentários:
O erro destacado não corresponde a erro de medição e sim a variabilidade normal de uma amostra
para outra, erro amostral.
Gabarito: Errado.
Considerando que Φ (1,645) = 0,95 e que Φ (1,96) = 0,975 em que a função Φ representa a
85


Aula 09
1613716
Um intervalo de confiança (IC) de 95% é dado por 𝐼𝐶 = [ 0,3 − 𝜀, 0,3 + 𝜀 ] em que 𝜖 =

`,3×`,{
F +``
Φ$* (0,95).
Comentários:
Vamos listas os dados da questão:
60
𝑝̂ = = 0,3 → 𝑝𝑟𝑜𝑝𝑜𝑟çã𝑜 𝑎𝑚𝑜𝑠𝑡𝑟𝑎𝑙
200
𝑍X/+ → 𝑣𝑎𝑙𝑜𝑟 𝑐𝑟í𝑡𝑖𝑐𝑜 𝑑𝑎 𝑑𝑖𝑠𝑡𝑟𝑢𝑏𝑢𝑖çã𝑜 𝑛𝑜𝑟𝑚𝑎𝑙 𝑎𝑠𝑠𝑜𝑐𝑖𝑎𝑑𝑜 𝑎𝑜 𝑛í𝑣𝑒𝑙 𝑑𝑒 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐â𝑛𝑐𝑖𝑎 𝛼
𝑣𝑎𝑙𝑜𝑟 𝑐𝑟í𝑡𝑖𝑐𝑜 𝑎𝑠𝑠𝑜𝑐𝑖𝑎𝑑𝑜 𝑎𝑜 𝑛í𝑣𝑒𝑙 𝑑𝑒 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐â𝑛𝑐𝑖𝑎 5% → 𝑍`,`+V = 1,96 = Φ$* (0,975)
O intervalo de confiança para a proporção amostral é dado por:
𝑝̂ (1 − 𝑝̂ ) 𝑝̂ (1 − 𝑝̂ )
𝐼𝐶(𝑝, 1 − 𝛼) = Ñ𝑝̂ − 𝑍X/+ ^ , 𝑝̂ + 𝑍X/+ ^ Ò
𝑛 𝑛
0,3 × 0,7 0,3 × 0,7

𝐼𝐶(𝑝, 0,95) = Ñ0,3 − Φ$* (0,975)^ , 0,3 − Φ$* (0,975)^ Ò
200 200
Logo:
0,3 × 0,7 $*
𝜖=^ Φ (0,975)
200
Gabarito: Errado.
45. (CESPE 2014/ANATEL) Julgue o item que se segue, relativo a conceitos de amostragem.
Para se calcular o tamanho de uma amostra a ser retirada de uma população qualquer, é necessário
conhecer o valor da variância populacional da variável de interesse.
Comentários:
Para se calcular o tamanho de uma amostra, se o valor da variância populacional for desconhecido,
pode-se utilizar o desvio padrão amostral.
Gabarito: Errado.
86


Aula 09
1613716
Considere que o intervalo simétrico de 95% de confiança para a média de uma distribuição normal
seja obtido a partir de uma amostra aleatória simples. Nesse caso, para que a amplitude desse
intervalo seja igual ao dobro do desvio padrão dessa distribuição, é preciso que o tamanho da
amostra seja inferior a 10 unidades.
Comentários:
Temos que o intervalo de confiança de 95% para uma distribuição normal é dado por:
𝜎
𝑋5 ± 1,96 ×
√𝑛
Assim, temos que a amplitude desse intervalo será:
𝜎
2 × 1,96 ×
√𝑛
Logo:
𝜎
2 × 1,96 × = 2𝜎
√𝑛
1,96 = √𝑛
𝑛 = 1,96+ < 10
Gabarito: Certo.
47. (CESPE 2014/ANATEL) Com relação a conceitos de intervalos de confiança e planos

amostrais, julgue o item subsequente.
Considere que, para a avaliação da qualidade do sinal de conexão com a Internet que chega a
certo município, tenha sido observada uma amostra aleatória simples de velocidades de conexão
em alguns pontos desse município, tendo sido o intervalo de 95% de confiança para a velocidade
média de conexão (em MB por segundo) igual a [1,5; 3,4]. Nessa situação, supondo-se que a
velocidade média seja constante, não sofrendo variação ao longo do tempo, é correto afirmar que
a velocidade média real de conexão nesse município está no intervalo [1,5; 3,4] com probabilidade
0 ou 1.
Comentários:
87


Aula 09
1613716
A probabilidade de que o parâmetro dado no enunciado esteja no intervalo construído [1,5; 3,4]
é ou 0 ou 1. Pela abordagem frequentista, 95% dos intervalos de confiança conteriam o verdadeiro
valor do parâmetro (velocidade média real).
Gabarito: Certo.
Suponha que, conforme uma pesquisa de satisfação acerca de planos de serviços de telefonia
celular, 30% dos usuários estejam satisfeitos com suas operadoras. Nesse cenário, supondo-se que
o tamanho da amostra seja de 900 usuários e a amostragem, do tipo aleatória simples, o erro
amostral dessa pesquisa é inferior a 0,02.
Comentários:
Vamos calcular o erro da proporção amostral de uma forma bem simples:
O𝑝 × 𝑞
𝑒 = 𝑍X/+ ×
√𝑛
Em que:
𝑝 = 0,3 → 𝑆𝑢𝑐𝑒𝑠𝑠𝑜
𝑞 = 0,7 → 𝐹𝑟𝑎𝑐𝑎𝑠𝑠𝑜 (1 − 𝑝)
Assim:
√0,3 × 0,7
𝑒 = 𝑍X/+ ×
√900
√0,21
𝑒 = 𝑍X/+ ×
30
𝑒 = 0,0152 × 𝑍X/+
Como não sabemos o nível de confiança, pois a questão informou, não podemos afirmar que o
erro será inferior a 0,02.
Gabarito: Errado.
49. (CESPE 2013/ANTT) De acordo com determinada pesquisa, o tempo médio de espera
de um passageiro em uma rodoviária, desde a chegada ao terminal até o embarque no ônibus,
é de 20 minutos. O desvio padrão dos tempos de espera é, também, de 20 minutos e o
88


Aula 09
1613716
tamanho da amostra dessa pesquisa é n = 900. Considerando que a pesquisa tenha sido feita
por amostragem aleatória simples, julgue o item a seguir.
Com 95% de confiança, a estimativa intervalar do tempo médio de espera de um passageiro na

população equivale a 20 minutos ± 20 minutos.
Comentários:
Vamos listar os dados do enunciado:
𝑋5 = 20 → 𝑚é𝑑𝑖𝑎 𝑎𝑚𝑜𝑠𝑡𝑟𝑎𝑙
𝑧 = 1,96 𝑒𝑠𝑐𝑜𝑟𝑒 𝑎𝑠𝑠𝑜𝑐𝑖𝑎𝑑𝑜 𝑎𝑜 𝑛í𝑣𝑒𝑙 𝑑𝑒 𝑐𝑜𝑛𝑓𝑖𝑎𝑛ç𝑎 𝑑𝑒 95% 𝑑𝑎 𝑡𝑎𝑏𝑒𝑙𝑎 𝑛𝑜𝑟𝑚𝑎𝑙.
𝛼 = 20 → 𝑑𝑒𝑠𝑣𝑖𝑜 𝑝𝑎𝑑𝑟ã𝑜
O intervalo de confiança é dado por:
𝛼
𝑋5 ± 𝑧 ×
√𝑛
20
20 ± 1,96 ×
√900
20
20 ± 1,96 ×
30
2
20 ± 1,96 ×
3
20 ± 1,31
Logo, a estimativa do tempo médio de espera é de 20 minutos ± 1,31 minutos.
Gabarito: Errado.
50. (CESPE 2011/CBM-DF) Pesquisadores desenvolveram um novo dispositivo para medir a

velocidade de uma aeronave e, em um oratório especial, submeteram uma amostra aleatória
de 36 réplicas da aeronave (amostra A) a um teste de operação, medindo a temperatura
mínima necessária para o bom funcionamento de cada réplica.
Considerando essa situação, julgue o item que se segue, acerca de inferência estatística.
89


Aula 09
1613716
Considere que o intervalo de confiança de 95% para a média da temperatura mínima de operação
do novo dispositivo tenha sido [-47 ºC; -45 ºC]. Nessa situação, se o nível de confiança aumentar
de 95% para 99%, a amplitude do intervalo de confiança de 99% será inferior a 2 ºC.
Comentários:
Para 95% de confiança, o intervalo teve amplitude de 2º C. Se aumentamos o nível de confiança,

ou seja, se quisermos uma "garantia" maior de que estamos acertando a média, precisaremos de
uma amplitude maior. Logo, a nova amplitude será maior que 2ºC.
Para quem preferir pensar por meio de fórmulas, a amplitude do intervalo de confiança é dada
por:
𝐴 = 2 × 𝑍` × 𝑠,C
Em que 𝑍` é o escore da normal padrão que delimita o nível de confiança desejado. Quanto maior
o nível de confiança, maior 𝑍` e, por tabela, maior a amplitude.
Gabarito: Errado.
51. (CESPE 2010/Oficial Técnico de Inteligência) O tempo de duração de determinado

aparelho eletrônico segue uma distribuição normal com média desconhecida 𝝁 e desvio
padrão 𝝈 = 𝟒𝟎𝟎 horas. Um estudo feito com uma amostra de 𝒏 = 𝟏. 𝟔𝟎𝟎 aparelhos produziu
um tempo médio de duração igual a 5.000 horas.
Com base nessas informações, e considerando que 𝒁𝟎,𝟎𝟐𝟓 = 𝟏, 𝟗𝟔, em que 𝒁𝒂 é definido
por 𝜱(𝒁𝒂 ) = 𝟏 − 𝒂 e 𝜱 representa a função de distribuição acumulada da distribuição normal
padrão, julgue o próximo item.
Considerando que 𝜎 e 𝑛 sejam valores constantes, se o nível de confiança aumentar, o

comprimento do intervalo de confiança diminuirá.
Comentários:
A amplitude do intervalo de confiança é dada por:
𝜎
2 × 𝑍` ×
√𝑛
Em que:
90


Aula 09
1613716
• 𝑍` é o quantil da normal padrão correspondente ao nível de confiança adotado;

• 𝜎 é o desvio padrão da população;
• 𝑛 é o tamanho da amostra.
Se o nível de confiança aumentar, estamos aumentando o valor de 𝑍` . Logo, a amplitude do

intervalo de confiança também aumentará.
Gabarito: Errado.
91


Aula 09
1613716
LISTA DE QUESTÕES – CESPE

1. (CESPE/2013 – BACEN) Em um estudo estatístico, uma amostra aleatória simples
𝑿𝟏 , 𝑿𝟐 , … , 𝑿𝒏 , foi retirada de uma população cuja função de distribuição de probabilidade é 𝑷(𝑿 =
𝒌) = 𝑪𝒆$𝜽𝒌 , em que 𝑪 representa o fator de normalização, 𝒆 é o número de Neper (ou de
Euler), 𝜽 > 𝟎 denota o parâmetro da distribuição e 𝒌 = 𝟎, 𝟏, 𝟐, … . Acerca dessas informações, e
considerando que 𝑿 # = 𝑿𝟏 4𝑿𝟐 4⋯4𝑿𝒏 seja a média amostral, julgue o próximo item.
𝒏
2. (CESPE/2008 – INSS)
Com relação ao texto, julgue o próximo item, considerando que outras 900 pessoas tenham sido
observadas em uma nova pesquisa, sendo Xα a quantidade de pessoas que sofreram o primeiro
infarto do miocárdio no período de cinco anos antes da publicação do veto e Xb a quantidade de
pessoas que sofreram o primeiro infarto do miocárdio no período até cinco anos após a publicação
do veto.
Pelo teorema conhecido como lei forte dos grandes números, é correto concluir que a variável
aleatória Xα segue aproximadamente uma distribuição normal.
3. (CESPE/2013 – MPU) Se Sn e 𝜽 forem as médias amostra e populacional, respectivamente,

então – conforme a lei fraca dos grandes números – Sn converge quase certamente para 𝜽, à
medida que n cresce.
4. (CESPE/2013 – Telebrás) De uma grande população X, será retirada, aleatoriamente, uma

amostra simples de tamanho n para que seja estimada a taxa média m de satisfação do cliente.
Considerando que a variância dessa população seja igual a 5 e que a média amostral seja o
estimador não tendencioso da taxa m, julgue o item a seguir.
92


Aula 09
1613716
De acordo com a lei forte dos grandes números, quase certamente, a média amostral converge
para o valor m, desde que n seja finito e suficientemente grande.
Considere que um estimador T converge em média quadrática para um parâmetro 𝜏 à medida que
o tamanho da amostra aumenta. Nessas condições, é correto afirmar que a lei fraca dos grandes
números se aplica para esse estimador.
Se 𝑛 é o tamanho da amostra, então na versão fraca da lei dos grandes números, 𝑃(|𝑋5 − 𝜇| > 𝜀) <
* 9 +
!
G n H , para todo 𝜀 > 0.
# = [𝑿𝟏 + 𝑿𝟐 +. . . +𝑿𝒏 ]/𝒏.
A média amostral segue uma distribuição t de Student com 𝑛 − 1 graus de liberdade.

93


Aula 09
1613716
O número médio de pessoas maiores de idade por domicílio foi igual a 3 pessoas por domicílio; e
o erro padrão do estimador do percentual 𝑃 é inversamente proporcional a 3√1.000.
9. (CESPE 2019/TJ-AM) Para avaliar a satisfação dos servidores públicos de certo tribunal
no ambiente de trabalho, realizou-se uma pesquisa. Os servidores foram classificados em três
grupos, de acordo com o nível do cargo ocupado. Na tabela seguinte, 𝒌 é um índice que se
refere ao grupo de servidores, e 𝑵𝒌 denota o tamanho populacional de servidores
pertencentes ao grupo 𝒌.
Nível do Cargo 𝒌 𝑵𝒌 𝒏𝒌 𝒑𝒌
I 1 500 50 0,7
II 2 300 20 0,8
III 3 200 10 0,9
De cada grupo k foi retirada uma amostra aleatória simples sem reposição de
tamanho 𝒏𝒌 ; 𝒑𝒌 representa a proporção de servidores amostrados do grupo k que se
mostraram satisfeitos no ambiente de trabalho.
A partir das informações e da tabela apresentadas, julgue o próximo item.
Com relação ao grupo 𝑘 = 2, o erro padrão da estimativa da proporção dos servidores satisfeitos
no ambiente de trabalho foi inferior a 0,1.

94


Aula 09
1613716
A estimativa do percentual de pessoas que conhecem o programa justiça itinerante foi inferior a
60%.
11. (CESPE 2019/TJ-AM) Para estimar a proporção de menores infratores reincidentes em

estudo, constituída por 10.050 menores infratores, foi retirada uma amostra aleatória simples
sem reposição, composta por 201 indivíduos. Nessa amostra foram encontrados 67
reincidentes.
Se a amostragem fosse com reposição, a estimativa da variância da proporção amostral teria sido
superior a 0,001.
12. (CESPE 2018/PF) Determinado órgão governamental estimou que a probabilidade p de

um ex-condenado voltar a ser condenado por algum crime no prazo de 5 anos, contados a
partir da data da libertação, seja igual a 0,25. Essa estimativa foi obtida com base em um
levantamento por amostragem aleatória simples de 1.875 processos judiciais, aplicando-se o
método da máxima verossimilhança a partir da distribuição de Bernoulli.
Sabendo que 𝑷(𝒁 < 𝟐) = 𝟎, 𝟗𝟕𝟓, em que Z representa a distribuição normal padrão, julgue o
item que se segue, em relação a essa situação hipotética.
O erro padrão da estimativa da probabilidade 𝑝 foi igual a 0,01.
13. (CESPE 2018/PF) Uma pesquisa realizada com passageiros estrangeiros que se
encontravam em determinado aeroporto durante um grande evento esportivo no país teve
como finalidade investigar a sensação de segurança nos voos internacionais. Foram
entrevistados 1.000 passageiros, alocando-se a amostra de acordo com o continente de
origem de cada um — África, América do Norte (AN), América do Sul (AS), Ásia/Oceania (A/O)
ou Europa. Na tabela seguinte, N é o tamanho populacional de passageiros em voos
internacionais no período de interesse da pesquisa; n é o tamanho da amostra por origem; P
é o percentual dos passageiros entrevistados que se manifestaram satisfeitos no que se refere
à sensação de segurança.
95


Aula 09
1613716
Origem 𝑵 𝒏 𝑷
África 100.000 100 80
AN 300.000 300 70
AS 100.000 100 90
A/O 300.000 300 80
Europa 200.000 200 80
Total 1.000.000 1.000 𝑷𝒑𝒐𝒑
Em cada grupo de origem, os passageiros entrevistados foram selecionados por amostragem

aleatória simples. A última linha da tabela mostra o total populacional no período da pesquisa,
o tamanho total da amostra e 𝑷𝒑𝒐𝒑 representa o percentual populacional de passageiros
satisfeitos.
A partir dessas informações, julgue o item.
Considerando o referido desenho amostral, estima-se que o percentual populacional 𝑃DqD seja
inferior a 79%.
110010110111101110101010111011

Y
A variância da proporção amostral 𝑝̂ sob a hipótese nula 𝐻` : 𝑝 = 0,5 é menor que 0,1.
96


Aula 09
1613716
110010110111101110101010111011
Y
Estima-se que, nesse tribunal, 𝑝 > 60%.
16. (CESPE 2018/EBSERH) 𝑿𝟏 , 𝑿𝟐 , ..., 𝑿𝟏𝟎 representa uma amostra aleatória simples retirada
de uma distribuição normal com média 𝝁 e variância 𝝈𝟐 , ambas desconhecidas. Considerando
que 𝝁
Ye𝝈Y representam os respectivos estimadores de máxima verossimilhança desses
parâmetros populacionais, julgue o item subsecutivo.
s $=
=
A razão 9
segue uma distribuição normal padrão.
17. (CESPE 2018/STM) Diversos processos buscam reparação financeira por danos morais.
A tabela seguinte mostra os valores, em reais, buscados em 10 processos — numerados de 1
a 10 — de reparação por danos morais, selecionados aleatoriamente em um tribunal.
Processo Valor
1 3.700
2 3.200
3 2.500
4 2.100
5 3.000
6 5.200
97


Aula 09
1613716
7 5.000
8 4.000
9 3.200
10 3.100
A partir dessas informações e sabendo que os dados seguem uma distribuição normal, julgue
o item subsequente.
Se 𝜇 = estimativa pontual para a média dos valores buscados como reparação por danos morais
no referido tribunal, então 3.000 < 𝜇 < 3.300.
18. (CESPE 2016/TCE-PA) Considere um processo de amostragem de uma população finita

cuja variável de interesse seja binária e assuma valor 0 ou 1, sendo a proporção de indivíduos
com valor 1 igual a p = 0,3. Considere, ainda, que a probabilidade de cada indivíduo ser
sorteado seja a mesma para todos os indivíduos da amostragem e que, após cada sorteio, haja
reposição do indivíduo selecionado na amostragem. A partir dessas informações, julgue o item
subsequente.
Se, dessa população, for coletada uma amostra aleatória de tamanho 𝑛 = 1, a probabilidade de
um indivíduo apresentar valor 1 é igual a 0,5.
# = [𝑿𝟏 + 𝑿𝟐 +. . . +𝑿𝒏 ]/𝒏.
A variância de 𝑋5 é igual a 100.
# = [𝑿𝟏 + 𝑿𝟐 +. . . +𝑿𝒏 ]/𝒏.
𝑃(𝑋5 − 10 > 0) ≤ 0,5
98


Aula 09
1613716
21. (CESPE 2018/ABIN) A quantidade diária de emails indesejados recebidos por um

atendente é uma variável aleatória X que segue distribuição de Poisson com média e variância
desconhecidas. Para estimá-las, retirou-se dessa distribuição uma amostra aleatória simples de
tamanho quatro, cujos valores observados foram 10, 4, 2 e 4.
(, 4, 4, 4, )
No que se refere à média amostral 𝑋5 = " # K 7 ' , na qual 𝑋* , 𝑋+ , 𝑋3 , 𝑋K representa uma amostra
aleatória simples retirada dessa distribuição X, é correto afirmar que a estimativa da variância do
estimador 𝑋5 seja igual a 1,25.
22. (CESPE 2018/ABIN) Considerando que os principais métodos para a estimação pontual
são o método dos momentos e o da máxima verossimilhança, julgue o item a seguir.
Para a distribuição normal, o método dos momentos e o da máxima verossimilhança fornecem os

mesmos estimadores aos parâmetros μ e σ.
23. (CESPE 2020/TJ-PA) Considerando que a inferência estatística é um processo que

consiste na utilização de observações feitas em uma amostra com o objetivo de estimar as
propriedades de uma população, assinale a opção correta.
a) Na estatística inferencial, um parâmetro é um valor conhecido, extraído de uma amostra,

utilizado para a estimação de uma grandeza populacional.
b) Independentemente do tamanho da amostra, um estimador consistente sempre irá convergir
para o verdadeiro valor da grandeza populacional.
c) A amplitude de uma amostra definirá se a média amostral poderá ser um estimador de máxima
verossimilhança da média populacional.
d) Sendo â um estimador de máxima verossimilhança de um parâmetro a, então (a)1/2 = (â)1/2.
e) Sendo a e b estimadores de um mesmo parâmetro cujas variâncias são simbolizadas por Var(a)
e Var(b). Se Var(a) > Var(b), então é correto afirmar que a é um melhor estimador que b.
24. (CESPE 2018/PF – Papiloscopista) Em determinado município, o número diário X de

registros de novos armamentos segue uma distribuição de Poisson, cuja função de
𝒆8𝑴 .𝑴𝒌
probabilidade é expressa por 𝑷(𝑿 = 𝒌) = 𝒌!
em que k = 0, 1, 2, ..., e M é um parâmetro.
99


Aula 09
1613716
Considerando que a tabela precedente mostra as realizações da variável aleatória X em uma

amostra aleatória simples constituída por cinco dias, julgue o item que segue.
A estimativa de máxima verossimilhança do desvio padrão da distribuição da variável X é igual a

2 registros por dia.
25. (CESPE 2020/TJ-PA) Para determinado experimento, uma equipe de pesquisadores

gerou 20 amostras de tamanho 𝒏 = 𝟐𝟓 de uma distribuição normal, com média 𝝁 = 𝟓 e desvio
padrão 𝝈 = 𝟑. Para cada amostra, foi montado um intervalo de confiança com coeficiente de
0,95 (ou 95%). Com base nessas informações, julgue os itens que se seguem.
I. Os intervalos de confiança terão a forma 𝜷𝒊 ± 𝟏, 𝟏𝟕𝟔, em que 𝜷𝒊 é a média da amostra

i.
II. Para todos os intervalos de confiança, 𝜷𝒊 + 𝜺 ≥ 𝝁 ≥ 𝜷𝒊 − 𝜺, sendo 𝜺 a margem de erro
do estimador.
III. Se o tamanho da amostra fosse maior, mantendo-se fixos os valores do desvio padrão
e do nível de confiança, haveria uma redução da margem de erro 𝜺.
26. (CESPE 2020/TJ-PA). Ao analisar uma amostra aleatória simples composta de 324
elementos, um pesquisador obteve, para os parâmetros média amostral e variância amostral,
os valores 175 e 81, respectivamente.
Nesse caso, um intervalo de 95% de confiança de μ é dado por

a) (166,18; 183,82).
b) (174,02; 175,98).
100


Aula 09
1613716
c) (174,51; 175,49).
d) (163,35; 186,65).
e) (174,1775; 175,8225).
27. (CESPE 2020/TJ-PA). A respeito dos intervalos de confiança, julgue os próximos itens.
I. Um intervalo de confiança tem mais valor do que uma estimativa pontual única, pois
uma estimativa pontual não fornece nenhuma informação sobre o grau de precisão da
estimativa.
II. Um intervalo de confiança poderá ser reduzido se o nível de confiança for menor e o
valor da variância populacional for maior.
III. No cálculo de um intervalo de confiança para a média, deve-se utilizar a distribuição t
em lugar da distribuição normal quando a variância populacional é desconhecida e o
número de observações é inferior a 30.
28. (CESPE 2020/TJ PA) Na construção de um intervalo de confiança para a média,

conhecida a variância, considerando o intervalo na forma [𝒙 + 𝜺; 𝒙 − 𝜺], sendo x o valor do
estimador da média e 𝜺 a semi-amplitude do intervalo de confiança ou, como é mais
popularmente conhecida, a margem de erro do intervalo de confiança. Considere que, para
uma determinada peça automotiva, um lote de 100 peças tenha apresentado espessura média
de 4,561 polegada, com desvio padrão de 1,125 polegada. Um intervalo de confiança de 95%
para a média apresentou limite superior de 4,7815 e limite inferior de 4,3405. Nessa situação,
a margem de erro do intervalo é de, aproximadamente,
a) 𝜀 = 0,4410.
b) 𝜀 = 0,3436.
101


Aula 09
1613716
c) 𝜀 = 0,2205.
d) 𝜀 = 0,1125.
e) 𝜀 = 0,1103.
29. (CESPE 2020/TJ-PA) Tabela da distribuição T:
Em uma amostra aleatória de 20 municípios Paraenses, considerando-se os dados da

Secretaria de Estado de Segurança Pública e Defesa Social relativos ao crime de lesão
corporal, a média é igual a 87 e o desvio padrão igual a 101,9419.
Considerando-se, para 19 graus de liberdade, o coeficiente a = 2,093 e utilizando-se o valor

aproximado 4,4721 para a raiz quadrada de 20, com o auxílio da distribuição t, um intervalo
de 95% de confiança para a média deverá ter
a) Limite inferior de, aproximadamente, 38,78.
b) Limite superior de, aproximadamente, 143,12.
c) Amplitude 2c = 93,45.
d) Limite inferior de 39,29 e limite superior de 142,18.
e) Limite superior de, aproximadamente, 134,71.
30. (CESPE 2018/EBSERH) Uma amostra aleatória simples Y1, Y2, ..., Y25 foi retirada de
uma distribuição normal com média nula e variância σ², desconhecida. Considerando que P(x²
< 13) = P(X² > 41) = 0,025, em que x² representa a distribuição qui-quadrado com 25 graus
de liberdade, e que 𝑺𝟐 = ∑𝟐𝟓 𝟐
𝒕)𝟏 𝒀𝒊 , julgue o item a seguir.
[S²/41;S²/13] representa um intervalo de 95% de confiança para a variância σ².
31. (CESPE 2018/PF) O tempo gasto (em dias) na preparação para determinada operação
policial é uma variável aleatória X que segue distribuição normal com média M, desconhecida,
e desvio padrão igual a 3 dias. A observação de uma amostra aleatória de 100 outras
operações policiais semelhantes a essa produziu uma média amostral igual a 10 dias.
102


Aula 09
1613716
Com referência a essas informações, julgue o item que se segue, sabendo que P(Z > 2) = 0,025,
em que Z denota uma variável aleatória normal padrão.
A expressão 10 dias ± 6 dias corresponde a um intervalo de 95% de confiança para a média

populacional M.

{0, 1, 1, 0, 0, 1, 0, 1, 0, 1, 1, 0, 0, 1, 1, 0, 1, 1, 1, 1}
Uma vez que a amostra é menor que 30, a estatística do teste utilizada segue uma distribuição t
de Student.

{0, 1, 1, 0, 0, 1, 0, 1, 0, 1, 1, 0, 0, 1, 1, 0, 1, 1, 1, 1}
Sendo P(Z > 1,96) = 0,025 e P(Z > 1,645) = 0,05, em que Z representa a variável normal
padronizada, e P(t20 > 2,086) = 0,025 e P(t19 > 1,729) = 0,05, em que t20 e t19 possuem distribuição
t de Student com, respectivamente, 20 e 19 graus de liberdade, o erro utilizado para a construção
do intervalo de confiança é menor que 15%, se considerado um nível de significância de 5%.
34. (CESPE 2016/TCE-PR) A partir de um levantamento estatístico por amostragem

aleatória simples em que se entrevistaram 2.400 trabalhadores, uma seguradora constatou
que 60% deles acreditam que poderão manter seu atual padrão de vida na aposentadoria.
103


Aula 09
1613716
Considerando que P(|Z|≤3)=0,99, em que Z representa a distribuição normal padrão, assinale

a opção correspondente ao intervalo de 99% de confiança para o percentual populacional de
trabalhadores que acreditam que poderão manter seu atual padrão de vida na aposentadoria.
a) 60,0% ± 1,0%
b) 60,0% ± 1,5%
c) 60,0% ± 3,0%
d) 60,0% ± 0,2%
e) 60,0% ± 0,4%

Se forem aprovados 90% dos contratos de uma amostra composta de 100 contratos, o erro
amostral será superior a 10%.

Considerando-se que, no ano anterior ao da análise em questão, 80% dos contratos tenham sido
aprovados e que 0,615 seja o valor aproximado de 1,962×0,8×0,2, é correto afirmar que a
quantidade de contratos de uma amostra com nível de 95% de confiança para a média
populacional e erro amostral de 5% é inferior a 160.
104


Aula 09
1613716
37. (CESPE 2016/TCE-PA) A respeito de uma amostra de tamanho n = 10, com os valores
amostrados {0,10, 0,06, 0,10, 0,12, 0,08, 0,10, 0,05, 0,15, 0,14, 0,11}, extraídos de
determinada população, julgue o item seguinte.
Por um intervalo de confiança frequentista igual a (–0,11, 0,32), entende-se que a probabilidade
de o parâmetro médio ser superior a –0,11 e inferior a 0,32 é igual ao nível de confiança γ.
38. (CESPE 2016/TCE-PA) Uma amostra aleatória, com n = 16 observações independentes

e identicamente distribuídas (IID), foi obtida a partir de uma população infinita, com média e
desvio padrão desconhecidos e distribuição normal.
Tendo essa informação como referência inicial, julgue o seguinte item.
Em um intervalo de 95% de confiança para a média populacional em questão, caso se aumente o

tamanho da amostra em 100 vezes (passando a 1.600 observações), a largura total do intervalo de
confiança será reduzida à metade.
Considerando que Φ(1,645) = 0,95 e que Φ(1,96) = 0,975 em que a função Φ representa a
O erro máximo provável do intervalo de confiança é inferior a 0,07.
40. (CESPE 2015/FUB) Em uma faculdade, o administrador universitário supõe que os alunos
admitidos no primeiro semestre — grupo P — obtenham um índice de rendimento acadêmico
(IRA, número que varia entre 0 e 5) em média maior do que o índice dos alunos admitidos no
segundo semestre — grupo S.
Considerando que tenha sido selecionada uma amostra aleatória simples de 1.000 estudantes
do grupo P e uma amostra aleatória simples de 1.000 alunos do grupo S, julgue o item
seguinte.
Considere que o intervalo de 95% de confiança para a diferença entre as médias dos dois grupos
seja igual a (0,1, 1,2). Nesse caso, de acordo com o paradigma frequentista, existe uma
105


Aula 09
1613716
probabilidade de 95% de que a verdadeira diferença entre as médias populacionais dos IRAs seja
superior a 0,1 e inferior a 1,2
41. (CESPE 2015/FUB) O tempo, X, de carregamento de um celular segue uma distribuição

normal com média e variância desconhecidas. Foi coletada uma amostra de tamanho igual a
10, em que a média amostral é de 58 minutos e o desvio padrão da amostra é de 5 minutos.
O fabricante do celular, para testar se a média de carregamento é de 50 minutos, aplica um
teste t de Student com a hipótese nula 𝑯𝟎 : 𝝁𝑿 = 𝟓𝟎 contra a hipótese alternativa de 𝑯𝟏 : 𝝁𝑿 ≠
𝟓𝟎
Considerando a situação hipotética descrita, julgue o item a seguir.

==189f94==
V;<=,?@A V;<=,?@A
O intervalo de 95% de confiança para 𝜇, é igual a (58 − , 58 + ) em que 𝑧X é o α-
√*` √*`
quantil da distribuição Normal.
42. (CESPE 2015/TELEBRAS)
Um analista coletou os dados a respeito da renda, do consumo e do número de filhos de uma

amostra aleatória de 100 famílias. Em 21 dessas famílias, não há filhos, em 26 delas, há apenas
um filho, em outras 43, há dois filhos, e em 10 delas, há três filhos. A média da renda das 100
famílias é R$ 5.389,00, e o desvio padrão é R$ 2.709,00.
106


Aula 09
1613716
Com base nessas informações, o analista elaborou um gráfico da relação entre renda e
consumo (gráfico I). No entanto, posteriormente o analista verificou a existência de erro nesse
gráfico, o que o levou a elaborar um segundo gráfico com os dados corretos (gráfico II).
Considerando que Z siga uma distribuição normal padrão, P(Z ≤ 1,9600) = 0,975, e que T siga
uma distribuição t com 99 graus de liberdade, P(T ≤ 1,9840) = 0,975, julgue o próximo item
acerca da situação hipotética e dos gráficos apresentados, arredondando os valores
encontrados ao inteiro mais próximo quando for o caso.
Considerando-se que a variável renda siga uma distribuição normal com média e variância
desconhecidas, é correto afirmar que o intervalo de confiança bilateral para a média de renda na
população com nível de confiança de 95% é [4.858, 5.920].
43. (CESPE 2015/TELEBRAS) Com relação às técnicas de amostragem estatística, julgue o

próximo item.
Situação hipotética: Pouco antes de uma eleição municipal para prefeito, um instituto de pesquisa
declarou que um dos candidatos tinha 52% das intenções de votos, com possibilidade de erro de
dois pontos percentuais para mais ou para menos. Assertiva: Nesse caso, o erro destacado
corresponde a erro de medição, que é típico ou representativo da tabulação dos dados.
Considerando que Φ (1,645) = 0,95 e que Φ (1,96) = 0,975 em que a função Φ representa a
Um intervalo de confiança (IC) de 95% é dado por 𝐼𝐶 = [ 0,3 − 𝜀, 0,3 + 𝜀 ] em que 𝜖 =

`,3×`,{
F +``
Φ$* (0,95).
Para se calcular o tamanho de uma amostra a ser retirada de uma população qualquer, é necessário
conhecer o valor da variância populacional da variável de interesse.
107


Aula 09
1613716
Considere que o intervalo simétrico de 95% de confiança para a média de uma distribuição normal
seja obtido a partir de uma amostra aleatória simples. Nesse caso, para que a amplitude desse
intervalo seja igual ao dobro do desvio padrão dessa distribuição, é preciso que o tamanho da
amostra seja inferior a 10 unidades.
47. (CESPE 2014/ANATEL) Com relação a conceitos de intervalos de confiança e planos

amostrais, julgue o item subsequente.
Considere que, para a avaliação da qualidade do sinal de conexão com a Internet que chega a
certo município, tenha sido observada uma amostra aleatória simples de velocidades de conexão
em alguns pontos desse município, tendo sido o intervalo de 95% de confiança para a velocidade
média de conexão (em MB por segundo) igual a [1,5; 3,4]. Nessa situação, supondo-se que a
velocidade média seja constante, não sofrendo variação ao longo do tempo, é correto afirmar que
a velocidade média real de conexão nesse município está no intervalo [1,5; 3,4] com probabilidade
0 ou 1.
Suponha que, conforme uma pesquisa de satisfação acerca de planos de serviços de telefonia
celular, 30% dos usuários estejam satisfeitos com suas operadoras. Nesse cenário, supondo-se que
o tamanho da amostra seja de 900 usuários e a amostragem, do tipo aleatória simples, o erro
amostral dessa pesquisa é inferior a 0,02.
49. (CESPE 2013/ANTT) De acordo com determinada pesquisa, o tempo médio de espera
de um passageiro em uma rodoviária, desde a chegada ao terminal até o embarque no ônibus,
é de 20 minutos. O desvio padrão dos tempos de espera é, também, de 20 minutos e o
tamanho da amostra dessa pesquisa é n = 900. Considerando que a pesquisa tenha sido feita
por amostragem aleatória simples, julgue o item a seguir.
Com 95% de confiança, a estimativa intervalar do tempo médio de espera de um passageiro na

população equivale a 20 minutos ± 20 minutos.
108


Aula 09
1613716
50. (CESPE 2011/CBM-DF) Pesquisadores desenvolveram um novo dispositivo para medir a

velocidade de uma aeronave e, em um oratório especial, submeteram uma amostra aleatória
de 36 réplicas da aeronave (amostra A) a um teste de operação, medindo a temperatura
mínima necessária para o bom funcionamento de cada réplica.
Considerando essa situação, julgue o item que se segue, acerca de inferência estatística.
Considere que o intervalo de confiança de 95% para a média da temperatura mínima de operação
do novo dispositivo tenha sido [-47 ºC; -45 ºC]. Nessa situação, se o nível de confiança aumentar
de 95% para 99%, a amplitude do intervalo de confiança de 99% será inferior a 2 ºC.
51. (CESPE 2010/Oficial Técnico de Inteligência) O tempo de duração de determinado

aparelho eletrônico segue uma distribuição normal com média desconhecida 𝝁 e desvio
padrão 𝝈 = 𝟒𝟎𝟎 horas. Um estudo feito com uma amostra de 𝒏 = 𝟏. 𝟔𝟎𝟎 aparelhos produziu
um tempo médio de duração igual a 5.000 horas.
Com base nessas informações, e considerando que 𝒁𝟎,𝟎𝟐𝟓 = 𝟏, 𝟗𝟔, em que 𝒁𝒂 é definido
por 𝜱(𝒁𝒂 ) = 𝟏 − 𝒂 e 𝜱 representa a função de distribuição acumulada da distribuição normal
padrão, julgue o próximo item.
Considerando que 𝜎 e 𝑛 sejam valores constantes, se o nível de confiança aumentar, o

comprimento do intervalo de confiança diminuirá.
109


Aula 09
1613716
GABARITO
1. ERRADO 18. ERRADO 35. ERRADO
3. ERRADO 20. CERTO 37. ERRADO
5. CERTO 22. CERTO 39. CERTO
6. CERTO 23. LETRA D 40. ERRADO
8. CERTO 25. LETRA C 42. ERRADO
9. CERTO 26. LETRA B 43. ERRADO
10. ERRADO 27. LETRA C 44. ERRADO
11. CERTO 28. LETRA C 45. ERRADO
12. CERTO 29. LETRA E 46. CERTO
13. CERTO 30. CERTO 47. CERTO
14. CERTO 31. ERRADO 48. ERRADO
15. CERTO 32. ERRADO 49. ERRADO
17. ERRADO 34. LETRA C 51. ERRADO
110


Aula 09
1613716
CONTROLE DE ALTERAÇÕES
Data da Alteração Descrição da Alteração
26/03/2021 Correção do gabarito da questão 13.
111


Curso 161000 Aula 09 v2

Enviado por

Dados do documento

Descrição original:

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

Curso 161000 Aula 09 v2

Enviado por

Direitos autorais:

Formatos disponíveis

Aula 09

Estatística p/ Polícia Federal (Agente)

10818680407 - Amanda Lopes da Silva

1. Introdução à Inferência Estatística ................................................................................................ 4

2. Lei dos Grandes Números ............................................................................................................ 4

2.1 Lei Fraca dos Grandes Números ............................................................................................. 6

2.2 Lei Forte dos Grandes Números ............................................................................................. 7

3. Distribuição Amostral .................................................................................................................... 9

3.1 Distribuição Amostral da Média ............................................................................................ 10

3.1.2 – Distribuição da Média Amostral e a Curva Normal ...................................................... 13

3.2 Distribuição Amostral da Proporção ...................................................................................... 15

3.3 Distribuição Amostral da Variância ........................................................................................ 18

3.4 Distribuições para Amostragem Estratificada........................................................................ 20

4. Estimação Pontual ....................................................................................................................... 23

4.1 Propriedades dos Estimadores .............................................................................................. 23

4.1.2 – Não viés........................................................................................................................ 25

4.1.3 – Eficiência ...................................................................................................................... 27

4.1.4 – Consistência ................................................................................................................. 28

4.2 Métodos de Estimação .......................................................................................................... 29

4.2.1 – Método dos Momentos................................................................................................ 29

4.2.2 – Método da Máxima Verossimilhança ........................................................................... 30

4.2.3 – Método de Mínimos Quadrados .................................................................................. 32

Estatística p/ Polícia Federal (Agente) Pós-Edital

10818680407 - Amanda Lopes da Silva

5. Estimação Intervalar .................................................................................................................... 33

5.1 Intervalo de Confiança para a Média .................................................................................... 35

5.1.1 – População com Variância Conhecida ........................................................................... 35

5.1.2 – População com Variância Desconhecida...................................................................... 40

5.2 Intervalo de Confiança para a Proporção .............................................................................. 43

5.3 Intervalo de Confiança para a Variância ................................................................................ 46

Resumo da Aula ............................................................................................................................. 49

Questões Comentadas – CESPE ..................................................................................................... 51

Lista de Questões – CESPE ............................................................................................................. 92

Gabarito ........................................................................................................................................ 110

Estatística p/ Polícia Federal (Agente) Pós-Edital

10818680407 - Amanda Lopes da Silva

Somos os professores Luana Brandão e Djefferson Maranhão!

Prof. Luana: Vocês já me conhecem da aula passada!

Prof. Djefferson: Sou Graduado em Ciência da Computação pela Universidade Federal do

Estatística p/ Polícia Federal (Agente) Pós-Edital

10818680407 - Amanda Lopes da Silva

1. INTRODUÇÃO À INFERÊNCIA ESTATÍSTICA

A característica (numérica) da população que se deseja conhecer é chamada de parâmetro

População Amostragem Aleatória Amostra

Parâmetro Populacional Estimador

Ou seja, os estimadores são calculados após a extração das amostras.

2. LEI DOS GRANDES NÚMEROS

A média aritmética dos valores observados tendem à esperança da variável

Estatística p/ Polícia Federal (Agente) Pós-Edital

10818680407 - Amanda Lopes da Silva

As Leis dos Grandes Números tratam da convergência da média amostral à média

Estatística p/ Polícia Federal (Agente) Pós-Edital

10818680407 - Amanda Lopes da Silva

2.1 Lei Fraca dos Grandes Números

Podemos reescrever a fórmula, resultando em:

Estatística p/ Polícia Federal (Agente) Pós-Edital

10818680407 - Amanda Lopes da Silva

Essa Lei decorre do Teorema da Desigualdade de Tchebyshev, que aprendemos

2.2 Lei Forte dos Grandes Números

Estatística p/ Polícia Federal (Agente) Pós-Edital

10818680407 - Amanda Lopes da Silva

Variáveis identicamente distribuídas são aquelas que seguem a mesma